論文の概要: Your Battery Is a Blast! Safeguarding Against Counterfeit Batteries with
Authentication
- arxiv url: http://arxiv.org/abs/2309.03607v1
- Date: Thu, 7 Sep 2023 10:02:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 13:27:30.254738
- Title: Your Battery Is a Blast! Safeguarding Against Counterfeit Batteries with
Authentication
- Title(参考訳): バッテリーは爆発だ!
認証による偽造電池の保護
- Authors: Francesco Marchiori, Mauro Conti
- Abstract要約: 偽造細胞は爆発や火災を引き起こす可能性があり、市場におけるその流行は、ユーザーが偽造細胞を検出するのを困難にしている。
現在のバッテリ認証手法は、高度な偽造技術の影響を受けやすい。
機械学習モデルを用いて,各セルの内部特性を利用する2つの新しい手法,DCAuthとEISthenticationを提案する。
- 参考スコア(独自算出の注目度): 20.498545647363628
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Lithium-ion (Li-ion) batteries are the primary power source in various
applications due to their high energy and power density. Their market was
estimated to be up to 48 billion U.S. dollars in 2022. However, the widespread
adoption of Li-ion batteries has resulted in counterfeit cell production, which
can pose safety hazards to users. Counterfeit cells can cause explosions or
fires, and their prevalence in the market makes it difficult for users to
detect fake cells. Indeed, current battery authentication methods can be
susceptible to advanced counterfeiting techniques and are often not adaptable
to various cells and systems. In this paper, we improve the state of the art on
battery authentication by proposing two novel methodologies, DCAuth and
EISthentication, which leverage the internal characteristics of each cell
through Machine Learning models. Our methods automatically authenticate
lithium-ion battery models and architectures using data from their regular
usage without the need for any external device. They are also resilient to the
most common and critical counterfeit practices and can scale to several
batteries and devices. To evaluate the effectiveness of our proposed
methodologies, we analyze time-series data from a total of 20 datasets that we
have processed to extract meaningful features for our analysis. Our methods
achieve high accuracy in battery authentication for both architectures (up to
0.99) and models (up to 0.96). Moreover, our methods offer comparable
identification performances. By using our proposed methodologies, manufacturers
can ensure that devices only use legitimate batteries, guaranteeing the
operational state of any system and safety measures for the users.
- Abstract(参考訳): リチウムイオン(リチウムイオン)電池は、高エネルギーと電力密度のため、様々な用途において主要な電源である。
彼らの市場は2022年に最大48億ドルの米国ドルと見積もられた。
しかし、Liイオン電池の普及により偽造細胞が生産され、利用者に安全上の危険をもたらす可能性がある。
偽造細胞は爆発や火災を引き起こし、市場におけるその流行は、ユーザーが偽造細胞を検出するのを困難にしている。
実際、現在のバッテリ認証手法は高度な偽造技術の影響を受けやすく、様々なセルやシステムに適応できないことが多い。
本稿では,機械学習モデルを用いて,各セルの内部特性を活用する2つの新しい手法であるDCAuthとEISthenticationを提案することにより,バッテリ認証技術の向上を図る。
本手法は, 外部デバイスを必要とせずに, リチウムイオン電池モデルやアーキテクチャを通常の使用データから自動的に認証する。
それらはまた、最も一般的で批判的な偽造行為に耐性があり、いくつかのバッテリーやデバイスにスケールできる。
提案手法の有効性を評価するために,我々は20のデータセットから時系列データを解析し,分析に有意義な特徴を抽出する。
提案手法は,アーキテクチャ(最大0.99)とモデル(最大0.96)の両方のバッテリ認証において高い精度を実現する。
さらに,本手法は識別性能と同等である。
提案手法により, 製造者は, 装置が正当な電池のみを使用することを保証し, システムの運用状態と安全性を保証できる。
関連論文リスト
- Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。
BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。
我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文 参考訳(メタデータ) (2024-12-03T19:20:08Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T09:01:36Z) - Gaussian process-based online health monitoring and fault analysis of lithium-ion battery systems from field data [0.0]
データセットには、保証のためにメーカーに返却された29のバッテリーシステムが含まれている。
この分析は、最も弱いリンク障害と一致して、単一の細胞のみが異常な行動または膝点を示すことを示している。
コードをオープンソース化し、記事のレビューが完了するとデータセットを公開します。
論文 参考訳(メタデータ) (2024-06-27T09:00:05Z) - Estimation of Remaining Useful Life and SOH of Lithium Ion Batteries
(For EV Vehicles) [0.0]
本稿では,リチウムイオン電池の寿命を推定するための既存手法について概説する。
リチウムイオン電池の寿命を正確に予測するための機械学習技術に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2023-05-17T15:35:31Z) - CellDefectNet: A Machine-designed Attention Condenser Network for
Electroluminescence-based Photovoltaic Cell Defect Inspection [67.99623869339919]
太陽電池の視覚検査で業界が直面している大きな課題は、現在人間の検査員が手動で行っていることである。
本研究では,機械駆動設計探索により設計した高効率アテンションコンデンサネットワークであるCellDefectNetを紹介する。
発光画像を用いた太陽電池セルの多様性を示すベンチマークデータセット上で,セルデフェクトネットの有効性を実証した。
論文 参考訳(メタデータ) (2022-04-25T16:35:19Z) - 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) - Overcoming limited battery data challenges: A coupled neural network
approach [0.0]
深層ニューラルネットワークを用いた時系列バッテリデータ拡張手法を提案する。
あるモデルはバッテリ充電プロファイルを生成し、別のモデルはバッテリ放電プロファイルを生成する。
その結果,バッテリーデータに制限がある場合の問題点を解消するために,本手法の有効性が示された。
論文 参考訳(メタデータ) (2021-10-05T16:17:19Z) - 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) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z)
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。