論文の概要: Improve in-situ life prediction and classification performance by capturing both the present state and evolution rate of battery aging

• arxiv url: http://arxiv.org/abs/2308.13996v1
• Date: Sun, 27 Aug 2023 03:24:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 17:46:36.924441
• Title: Improve in-situ life prediction and classification performance by capturing both the present state and evolution rate of battery aging
• Title（参考訳）: バッテリ老化の現況と進化率の両面を捉えたその場寿命予測と分類性能の向上
• Authors: Mingyuan Zhao, Yongzhi Zhang
• Abstract要約: 本研究は, 寿命予測性能を向上させるため, 電池寿命と劣化率の両方を計測し, 評価手法を開発した。 電圧緩和データから抽出した等価回路モデルの6つの物理的特徴により老化状態を示す。 また、移動窓内の電圧緩和曲線の違いから抽出した2つの特徴により劣化率を把握した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study develops a methodology by capturing both the battery aging state and degradation rate for improved life prediction performance. The aging state is indicated by six physical features of an equivalent circuit model that are extracted from the voltage relaxation data. And the degradation rate is captured by two features extracted from the differences between the voltage relaxation curves within a moving window (for life prediction), or the differences between the capacity vs. voltage curves at different cycles (for life classification). Two machine learning models, which are constructed based on Gaussian Processes, are used to describe the relationships between these physical features and battery lifetimes for the life prediction and classification, respectively. The methodology is validated with the aging data of 74 battery cells of three different types. Experimental results show that based on only 3-12 minutes' sampling data, the method with novel features predicts accurate battery lifetimes, with the prediction accuracy improved by up to 67.09% compared with the benchmark method. And the batteries are classified into three groups (long, medium, and short) with an overall accuracy larger than 90% based on only two adjacent cycles' information, enabling the highly efficient regrouping of retired batteries.
• Abstract（参考訳）: 本研究では,バッテリ老化状態と劣化率の両方を捉え,寿命予測性能を向上させる手法を開発した。 電圧緩和データから抽出した等価回路モデルの6つの物理的特徴により老化状態を示す。 また, 劣化速度は, 移動ウィンドウ内の電圧緩和曲線の差(寿命予測用)と, 異なるサイクルにおける容量と電圧曲線の差(寿命分類用)から抽出した2つの特徴により把握される。 ガウス過程に基づいて構築された2つの機械学習モデルを用いて,これらの物理特徴と電池寿命の関係を,寿命予測と分類のためにそれぞれ記述する。 本手法は3種類の74個の電池セルの老化データを用いて検証した。 実験の結果,本手法は3～12分間のサンプリングデータのみに基づいて正確な電池寿命を予測でき,その予測精度はベンチマーク法と比較して最大67.09%向上した。 バッテリーは、隣接する2つのサイクルの情報に基づいて、全体の90%以上の精度で3つのグループ(長、中、短)に分類される。

関連論文リスト

• 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)
• 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)
• Predicting Battery Lifetime Under Varying Usage Conditions from Early Aging Data [3.739266290083215]
  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。
  論文  参考訳（メタデータ） (2023-07-17T10:42:21Z)
• 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)
• Training Strategies for Improved Lip-reading [61.661446956793604]
  本研究では,最先端データ拡張手法,時間モデル,その他のトレーニング戦略の性能について検討する。 すべての手法を組み合わせると、分類精度は93.4%となり、現在の最先端技術よりも4.6%向上した。 各種学習手法の誤り解析により, 難解な単語の分類精度を高めることにより, 性能が向上することが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-03T09:38:11Z)
• ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through Regularized Self-Attention [48.697458429460184]
  情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。 本稿では,ERNIE-Sparseというモデルを提案する。 i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
  論文  参考訳（メタデータ） (2022-03-23T08:47:01Z)
• Evaluating feasibility of batteries for second-life applications using machine learning [0.0]
  本稿では,引退した電気自動車電池の迅速な評価を可能にするための機械学習技術の組み合わせについて述べる。 提案アルゴリズムは,利用可能なバッテリ電流と簡易な統計値を用いた電圧測定から特徴量を生成する。 相関分析を用いて特徴を選択し、ランク付けし、バッジによって強化されたガウスプロセス回帰を採用する。
  論文  参考訳（メタデータ） (2022-03-08T18:07:33Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Simple statistical models and sequential deep learning for Lithium-ion batteries degradation under dynamic conditions: Fractional Polynomials vs Neural Networks [1.8899300124593648]
  リチウム イオン電池の長寿そして安全は電池の作動条件の有効な監視そして調節によって促進されます。 バッテリー管理システム上の状態の健康(SoH)監視のための迅速かつ正確なアルゴリズムを実装することが重要です。 本稿では,長期記憶ニューラルネットワークと多変量多項回帰の2つのデータ駆動手法を提案し,比較する。
  論文  参考訳（メタデータ） (2021-02-16T12:26:23Z)
• 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)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。