論文の概要: A Mapping Study of Machine Learning Methods for Remaining Useful Life
Estimation of Lead-Acid Batteries
- arxiv url: http://arxiv.org/abs/2307.05163v1
- Date: Tue, 11 Jul 2023 10:41:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-12 15:24:27.548445
- Title: A Mapping Study of Machine Learning Methods for Remaining Useful Life
Estimation of Lead-Acid Batteries
- Title(参考訳): 鉛蓄電池の余寿命推定のための機械学習手法のマッピング
- Authors: S\'ergio F Chevtchenko, Elisson da Silva Rocha, Bruna Cruz, Ermeson
Carneiro de Andrade, Danilo Ricardo Barbosa de Ara\'ujo
- Abstract要約: State of Health (SoH) と Remaining Useful Life (RUL) は、バッテリーシステムの予測保守、信頼性、寿命の向上に貢献している。
本稿では,鉛蓄電池のSoHとRULを推定するための機械学習手法における最先端のマッピング研究について述べる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Energy storage solutions play an increasingly important role in modern
infrastructure and lead-acid batteries are among the most commonly used in the
rechargeable category. Due to normal degradation over time, correctly
determining the battery's State of Health (SoH) and Remaining Useful Life (RUL)
contributes to enhancing predictive maintenance, reliability, and longevity of
battery systems. Besides improving the cost savings, correct estimation of the
SoH can lead to reduced pollution though reuse of retired batteries. This paper
presents a mapping study of the state-of-the-art in machine learning methods
for estimating the SoH and RUL of lead-acid batteries. These two indicators are
critical in the battery management systems of electric vehicles, renewable
energy systems, and other applications that rely heavily on this battery
technology. In this study, we analyzed the types of machine learning algorithms
employed for estimating SoH and RUL, and evaluated their performance in terms
of accuracy and inference time. Additionally, this mapping identifies and
analyzes the most commonly used combinations of sensors in specific
applications, such as vehicular batteries. The mapping concludes by
highlighting potential gaps and opportunities for future research, which lays
the foundation for further advancements in the field.
- Abstract(参考訳): エネルギー貯蔵ソリューションは、現代のインフラにおいてますます重要な役割を担い、鉛蓄電池は、充電可能なカテゴリーで最もよく使われる。
時間とともに正常に劣化するため、バッテリーの状態(SoH)と寿命(Remaining Useful Life、RUL)を正確に判定することは、バッテリーシステムの予測保守、信頼性、寿命の向上に寄与する。
コスト削減に加えて、sohの正確な推定は、引退した電池の再利用によって汚染を減少させる可能性がある。
本稿では,鉛蓄電池のSoHとRULを推定するための機械学習手法における最先端のマッピング手法を提案する。
これら2つの指標は、電気自動車、再生可能エネルギーシステム、およびこのバッテリー技術に大きく依存する他のアプリケーションにおけるバッテリー管理システムにおいて重要である。
本研究では,sohとrulの推定に使用される機械学習アルゴリズムの種類を分析し,その性能を精度と推論時間の観点から評価した。
さらに、このマッピングは、車体バッテリーのような特定の用途で最もよく使われるセンサーの組み合わせを特定し、分析する。
このマッピングは、将来研究の潜在的なギャップと機会を強調して締めくくっており、この分野のさらなる進歩の基礎を築いている。
関連論文リスト
- Energy-Aware Federated Learning in Satellite Constellations [36.41848652214018]
衛星コンステレーションにおけるフェデレーション学習は、グローバルに接続されたインテリジェンスを実現するための有望な技術である。
この計算集約的なタスクに必要なエネルギーは、太陽パネルまたは衛星が地球の影にある場合の内部バッテリーによって提供される。
コンバージェンス速度に影響を与えることなく、バッテリ使用量を最小限に抑えることを目的とした、衛星FLのための新しいエネルギー対応計算時間スケジューラを提案する。
論文 参考訳(メタデータ) (2024-09-23T09:01:17Z) - BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。
本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。
実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
論文 参考訳(メタデータ) (2024-04-08T18:05:24Z) - Cycle Life Prediction for Lithium-ion Batteries: Machine Learning and More [0.0]
電池は複雑な非線形時効を持つ動的システムである。
このチュートリアルは、第一原理、機械学習、ハイブリッドバッテリーモデルの概要から始まる。
機械学習モデルの課題を強調し、ハイブリッドモデリングアプローチにおける物理の組み入れを動機づける。
論文 参考訳(メタデータ) (2024-04-05T12:05:20Z) - The State of Lithium-Ion Battery Health Prognostics in the CPS Era [13.663561721352792]
本稿では,バッテリ内における診断と健康管理のシームレスな統合について考察する。
予後学において重要な概念であるRemaining useful Life (RUL) を深く検討し, コンポーネント障害の予測におけるその役割を強調した。
Liイオン電池の健康診断分野におけるディープラーニングアーキテクチャへのパラダイムシフトを強調している。
論文 参考訳(メタデータ) (2024-03-28T20:01:35Z) - Remaining useful life prediction of Lithium-ion batteries using spatio-temporal multimodal attention networks [4.249657064343807]
リチウムイオン電池は、電気自動車や再生可能エネルギー貯蔵など様々な用途で広く使われている。
電池の残存寿命(RUL)の予測は信頼性と効率の確保に不可欠である。
本稿では, 時空間アテンションネットワーク(ST-MAN)を用いたリチウムイオン電池の2段階RUL予測手法を提案する。
論文 参考訳(メタデータ) (2023-10-29T07:32:32Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - Data Driven Prediction of Battery Cycle Life Before Capacity Degradation [0.0]
本稿では,Kristen A. Seversonらが実施したデータと手法を用いて,研究チームが使用した方法論を探索する。
基本的な取り組みは、機械学習技術が、バッテリー容量を正確に予測するために、早期ライフサイクルデータを使用するように訓練されているかどうかを確認することである。
論文 参考訳(メタデータ) (2021-10-19T01:35:12Z) - Optimizing a domestic battery and solar photovoltaic system with deep
reinforcement learning [69.68068088508505]
バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。
本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
論文 参考訳(メタデータ) (2021-09-10T10:59:14Z) - A Dynamic Battery State-of-Health Forecasting Model for Electric Trucks:
Li-Ion Batteries Case-Study [1.1470070927586016]
本稿では, 電動トラックにおけるLiイオン電池の機械学習による健康状態(SoH)の予後について検討する。
バッテリーSoHを予測するための自動回帰型統合モデリング平均(ARIMA)と教師付き学習(決定木をベース見積もりとして袋詰め)を提案します。
論文 参考訳(メタデータ) (2021-03-30T12:19:21Z) - 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) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳(メタデータ) (2020-07-06T16:10:54Z)
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。