論文の概要: A Self-attention Knowledge Domain Adaptation Network for Commercial
Lithium-ion Batteries State-of-health Estimation under Shallow Cycles
- arxiv url: http://arxiv.org/abs/2304.05084v1
- Date: Tue, 11 Apr 2023 09:28:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 15:41:12.878805
- Title: A Self-attention Knowledge Domain Adaptation Network for Commercial
Lithium-ion Batteries State-of-health Estimation under Shallow Cycles
- Title(参考訳): 浅層循環下における市販リチウムイオン電池状態推定のためのセルフアテンションナレッジドメイン適応ネットワーク
- Authors: Xin Chen, Yuwen Qin, Weidong Zhao, Qiming Yang, Ningbo Cai, Kai Wu
- Abstract要約: 浅いサイクルのSOHを推定するために, 教師なし深層移動学習法を提案する。
提案手法は、2%以内のルート平均二乗誤差を達成し、SOCの異なる範囲での他の移動学習方法より優れる。
- 参考スコア(独自算出の注目度): 6.248695387884295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate state-of-health (SOH) estimation is critical to guarantee the
safety, efficiency and reliability of battery-powered applications. Most SOH
estimation methods focus on the 0-100\% full state-of-charge (SOC) range that
has similar distributions. However, the batteries in real-world applications
usually work in the partial SOC range under shallow-cycle conditions and follow
different degradation profiles with no labeled data available, thus making SOH
estimation challenging. To estimate shallow-cycle battery SOH, a novel
unsupervised deep transfer learning method is proposed to bridge different
domains using self-attention distillation module and multi-kernel maximum mean
discrepancy technique. The proposed method automatically extracts
domain-variant features from charge curves to transfer knowledge from the
large-scale labeled full cycles to the unlabeled shallow cycles. The CALCE and
SNL battery datasets are employed to verify the effectiveness of the proposed
method to estimate the battery SOH for different SOC ranges, temperatures, and
discharge rates. The proposed method achieves a root-mean-square error within
2\% and outperforms other transfer learning methods for different SOC ranges.
When applied to batteries with different operating conditions and from
different manufacturers, the proposed method still exhibits superior SOH
estimation performance. The proposed method is the first attempt at accurately
estimating battery SOH under shallow-cycle conditions without needing a
full-cycle characteristic test.
- Abstract(参考訳): 正確なSOH推定は、バッテリー駆動アプリケーションの安全性、効率、信頼性を保証するために重要である。
ほとんどのSOH推定法は、同様の分布を持つ0-100\%完全電荷(SOC)範囲にフォーカスする。
しかし、現実のアプリケーションにおける電池は通常、浅いサイクル条件下で部分的なSOC範囲で動作し、ラベル付きデータを使用せずに異なる劣化プロファイルに従うため、SOH推定は困難である。
浅いサイクルの電池SOHを推定するために, 自己アテンション蒸留モジュールとマルチカーネル最大平均離散化技術を用いて, 異なるドメインをブリッジする新しい教師なし深層移動学習法を提案する。
提案手法は, 電荷曲線から領域変動特徴を自動的に抽出し, 大規模ラベル付き全サイクルから未ラベルの浅いサイクルへ伝達する。
提案手法の有効性を検証するために,calceとsnlのバッテリデータセットを用いて,soc範囲,温度,放電速度の異なるバッテリsohを推定した。
提案手法はルート平均二乗誤差を 2 % 以内で達成し,SOC の異なる範囲の移動学習法より優れる。
異なる動作条件と異なる製造元からの電池に適用した場合, 提案手法は優れたSOH推定性能を示す。
提案手法は, 全サイクル特性試験を必要とせず, 浅周期条件下でバッテリーsohを正確に推定する最初の試みである。
関連論文リスト
- GPT4Battery: An LLM-driven Framework for Adaptive State of Health
Estimation of Raw Li-ion Batteries [20.144140373356194]
健康状態 (SOH) は、直接測定できないが推定を必要とする電池の劣化レベルを評価するための重要な指標である。
本稿では, 多様な電池にまたがる適応型SOH推定のための新しいフレームワークを提案する。
提案手法は,62個のバッテリから収集した4つの広く認識されているデータセットに対して,最先端の精度を実現する。
論文 参考訳(メタデータ) (2024-01-30T14:47:15Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳(メタデータ) (2023-10-24T02:37:49Z) - Digital Twin for Real-time Li-ion Battery State of Health Estimation
with Partially Discharged Cycling Data [16.637948430296227]
リチウムイオン電池(LIB)の健康状態(SOH)推定は劣化特性と密接な関係がある。
提案したディジタルツインソリューションは、リアルタイムなSOH推定を可能にする3つのコアコンポーネントから構成される。
本手法は, サイクル中のサンプリング時間の大半に対して, 誤差が1%未満のリアルタイムSOH推定を行う。
論文 参考訳(メタデータ) (2022-12-09T01:30:10Z) - Quality-Based Conditional Processing in Multi-Biometrics: Application to
Sensor Interoperability [63.05238390013457]
2007年のバイオセキュリティ・マルチモーダル・アセスメント・キャンペーンにおいて,ATVS-UAM融合手法を品質ベースで評価し,評価を行った。
我々のアプローチは線形ロジスティック回帰に基づいており、融合したスコアはログライクな比率になる傾向にある。
その結果,提案手法はルールベースの核融合方式よりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-11-24T12:11:22Z) - DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL
for Lithium-Ion Batteries [6.930255986517943]
本稿では,Deep Inter and intra-Cycle Attention Network (DIICAN) という状態結合型協調推定手法を提案する。
DIICAN法はオックスフォード・バッテリ・データセット上で検証される。
論文 参考訳(メタデータ) (2022-10-20T14:42:20Z) - Transfer Learning-based State of Health Estimation for Lithium-ion
Battery with Cycle Synchronization [16.637948430296227]
バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立ちます。
新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により,トランスファーラーニング(TL)が有望な機械学習アプローチとして出現する。
本稿では、時間的ダイナミクスを利用してTLに基づくSOH推定を解釈し、伝達学習を支援する手法を提案する。
論文 参考訳(メタデータ) (2022-08-23T21:40:40Z) - Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。
実験結果から,これらの手法が直面する課題を分析した。
本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
論文 参考訳(メタデータ) (2022-03-23T07:33:37Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳(メタデータ) (2021-12-14T17:53:01Z) - Machine learning pipeline for battery state of health estimation [3.0238880199349834]
我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。
パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。
高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
論文 参考訳(メタデータ) (2021-02-01T13:50:56Z) - State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural
Networks [68.8204255655161]
リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。
本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
論文 参考訳(メタデータ) (2020-09-20T23:47:11Z) - Batch Stationary Distribution Estimation [98.18201132095066]
サンプル遷移の組を与えられたエルゴードマルコフ鎖の定常分布を近似する問題を考える。
与えられたデータに対する補正比関数の復元に基づく一貫した推定器を提案する。
論文 参考訳(メタデータ) (2020-03-02T09:10:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。