論文の概要: Predicting Battery Lifetime Under Varying Usage Conditions from Early
Aging Data
- arxiv url: http://arxiv.org/abs/2307.08382v1
- Date: Mon, 17 Jul 2023 10:42:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 13:56:07.140316
- Title: Predicting Battery Lifetime Under Varying Usage Conditions from Early
Aging Data
- Title（参考訳）: 老化データによる使用条件の変化による電池寿命予測
- Authors: Tingkai Li, Zihao Zhou, Adam Thelen, David Howey, Chao Hu
- Abstract要約: キャパシティ電圧データを用いて、広範囲な充電速度、放電速度、放電深度で周期された細胞の寿命を予測する。
提案手法は,リチウムイオン電池劣化モードのドメイン知識を機能工学に活用することの重要性を強調した。
- 参考スコア（独自算出の注目度）: 2.0449242727404235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate battery lifetime prediction is important for preventative
maintenance, warranties, and improved cell design and manufacturing. However,
manufacturing variability and usage-dependent degradation make life prediction
challenging. Here, we investigate new features derived from capacity-voltage
data in early life to predict the lifetime of cells cycled under widely varying
charge rates, discharge rates, and depths of discharge. Features were extracted
from regularly scheduled reference performance tests (i.e., low rate full
cycles) during cycling. The early-life features capture a cell's state of
health and the rate of change of component-level degradation modes, some of
which correlate strongly with cell lifetime. Using a newly generated dataset
from 225 nickel-manganese-cobalt/graphite Li-ion cells aged under a wide range
of conditions, we demonstrate a lifetime prediction of in-distribution cells
with 15.1% mean absolute percentage error using no more than the first 15% of
data, for most cells. Further testing using a hierarchical Bayesian regression
model shows improved performance on extrapolation, achieving 21.8% mean
absolute percentage error for out-of-distribution cells. Our approach
highlights the importance of using domain knowledge of lithium-ion battery
degradation modes to inform feature engineering. Further, we provide the
community with a new publicly available battery aging dataset with cells cycled
beyond 80% of their rated capacity.
- Abstract（参考訳）: 正確なバッテリー寿命予測は、予防メンテナンス、保証、電池設計および製造の改善に重要である。
しかし、製造のバラツキと使用に依存した劣化は寿命予測を困難にする。
そこで本稿では, 早期の容量電圧データから得られた新たな特徴を考察し, 充電速度, 放電速度, 放電深度で周期的に変化する細胞の寿命を予測する。
サイクリング中に定期的にスケジュールされた基準性能テスト(すなわち低レートフルサイクル)から特徴を抽出する。
初期の特徴は、細胞の健康状態とコンポーネントレベルの劣化モードの変化率を捉えており、その一部は細胞寿命と強く相関している。
225個のニッケル-マンガン-コバルト/グラファイトLiイオン細胞から生成した新しいデータセットを用いて、多くの細胞に対して15.1%の平均絶対パーセンテージ誤差を持つ分布内細胞の寿命を予測する。
階層ベイズ回帰モデルを用いたさらなるテストでは、アウトオブディストリビューションセルの絶対パーセンテージ誤差が21.8%に達した。
本手法は,リチウムイオン電池劣化モードのドメイン知識を機能工学に活用することの重要性を強調する。
さらに、我々はコミュニティに、評価容量の80%以上をセルが循環する、新しい利用可能なバッテリー老化データセットを提供する。
関連論文リスト
- Cell as Point: One-Stage Framework for Efficient Cell Tracking [54.19259129722988]
本稿では,一段階の効率的なセルトラッキングを実現するために,新しいエンドツーエンドCAPフレームワークを提案する。
CAPは検出またはセグメンテーション段階を放棄し、細胞点の軌跡間の相関を利用して細胞を共同で追跡することでプロセスを単純化する。
Capは強力なセルトラッキング性能を示し、既存の方法の10倍から55倍の効率を示している。
論文 参考訳（メタデータ） (2024-11-22T10:16:35Z) - 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) - Accurate battery lifetime prediction across diverse aging conditions
with deep learning [20.832988614576983]
初期のサイクルで電池の寿命を正確に予測することは、多くの下流アプリケーションと同様に、バッテリーの研究と開発に非常に価値がある。
本稿では, 多様な高齢化条件を緩和し, 低リソース環境下での効果的な学習を容易にする, 普遍的な深層学習手法を提案する。
評価のためのベンチマークが構築され、168回のサイクリング条件で5つの電極材料を利用する401個の電池セルを含んでいる。
論文 参考訳（メタデータ） (2023-10-08T07:25:27Z) - Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging
Estimation and Prediction Based on Relaxation Voltage Curves [7.07637687957493]
本稿では,ディープラーニングに基づくキャパシティ老化推定と予測のためのハイブリッドモデルを提案する。
提案手法は, チャージサイクルと放電サイクルを含む新しいデータセットに対して, 様々な速度で検証する。
論文 参考訳（メタデータ） (2023-08-15T15:07:32Z) - Bayesian hierarchical modelling for battery lifetime early prediction [1.84926694477846]
電池寿命予測のための階層型ベイズ線形モデルを提案する。
個々の細胞の特徴(製造の多様性を反映する)と人口全体の特徴(循環条件が人口平均に与える影響を反映する)を兼ね備えている。
このモデルは、根平均2乗誤差3.2日、絶対パーセンテージ誤差8.6%で寿命を予測できる。
論文 参考訳（メタデータ） (2022-11-10T17:02:39Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Interpretable Battery Cycle Life Range Prediction Using Early
Degradation Data at Cell Level [0.8137198664755597]
量的回帰フォレスト(QRF)モデルを導入し、不確かさを定量化してサイクル寿命範囲を予測する。
データ駆動方式は, 電池劣化機構の最小限の知識で, 電池サイクル寿命のポイント予測を行う手法として提案されている。
最終QRFモデルの解釈可能性については,2つの大域的モデルに依存しない手法を用いて検討した。
論文 参考訳（メタデータ） (2022-04-26T16:26:27Z) - Benchmarking missing-values approaches for predictive models on health
databases [47.187609203210705]
我々は、大規模健康データベースに焦点を当てた予測モデルにおいて、不足値戦略のベンチマークを行う。
教師あり機械学習における欠落値に対するネイティブサポートは、計算コストをはるかに少なくして最先端の計算計算よりも優れていると予測できる。
論文 参考訳（メタデータ） (2022-02-17T09:40:04Z) - 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) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - 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。