論文の概要: Learning Intra- and Inter-Cell Differences for Accurate Battery Lifespan
Prediction across Diverse Conditions
- arxiv url: http://arxiv.org/abs/2310.05052v1
- Date: Wed, 11 Oct 2023 09:04:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 13:06:09.464413
- Title: Learning Intra- and Inter-Cell Differences for Accurate Battery Lifespan
Prediction across Diverse Conditions
- Title（参考訳）: 電池寿命予測におけるセル内差とセル間差の学習
- Authors: Han Zhang, Yuqi Li, Shun Zheng, Ziheng Lu, Xiaofan Gui, Wei Xu, Jiang
Bian
- Abstract要約: バッテリ寿命予測は、バッテリ研究開発にとって重要な実用的価値である。
データ駆動型モデルの多くは、寿命を予測するために特定の電池からの初期の電気信号に依存している。
本稿では, 対象電池の電気信号と基準電池の電気信号の違いを, 材料や経年条件によらず明示的に把握する手法を提案する。
- 参考スコア（独自算出の注目度）: 20.832988614576983
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Battery life prediction holds significant practical value for battery
research and development. Currently, many data-driven models rely on early
electrical signals from specific target batteries to predict their lifespan. A
common shortfall is that most existing methods are developed based on specific
aging conditions, which not only limits their model's capability but also
diminishes their effectiveness in predicting degradation under varied
conditions. As a result, these models often miss out on fully benefiting from
the rich historical data available under other conditions. Here, to address
above, we introduce an approach that explicitly captures differences between
electrical signals of a target battery and a reference battery, irrespective of
their materials and aging conditions, to forecast the target battery life.
Through this inter-cell difference, we not only enhance the feature space but
also pave the way for a universal battery life prediction framework.
Remarkably, our model that combines the inter- and intra-cell differences
shines across diverse conditions, standing out in its efficiency and accuracy
using all accessible datasets. An essential application of our approach is its
capability to leverage data from older batteries effectively, enabling newer
batteries to capitalize on insights gained from past batteries. This work not
only enriches the battery data utilization strategy but also sets the stage for
smarter battery management system in the future.
- Abstract（参考訳）: バッテリ寿命予測は、バッテリ研究開発にとって重要な実用的価値である。
現在、多くのデータ駆動モデルは、寿命を予測するために特定の電池からの初期の電気信号に依存している。
一般的な欠点は、ほとんどの既存手法が特定の老化条件に基づいて開発されており、モデルの性能を制限するだけでなく、様々な条件下での劣化予測の有効性を低下させることである。
その結果、これらのモデルは、他の条件下で利用可能な豊富な歴史的データから完全に恩恵を受けることを見逃すことが多い。
本稿では, 対象電池の電気信号と基準電池の電気信号の違いを, 材料や経年条件によらず明示的に把握し, 目標電池の寿命を予測するアプローチを提案する。
このセル間の差異を通じて、機能空間を拡大するだけでなく、普遍的なバッテリー寿命予測フレームワークの道を開く。
注目すべきは、セル間差とセル内差を組み合わせたモデルが、さまざまな条件に照らし合わせ、すべてのアクセス可能なデータセットを使用して効率と精度を目立たせることだ。
このアプローチの必須の応用は、古い電池のデータを有効に活用し、新しい電池が過去の電池から得た洞察を活かすことである。
この作業は、バッテリデータの利用戦略を強化するだけでなく、将来的にはよりスマートなバッテリ管理システムのステージも設定する。
関連論文リスト
- DiffBatt: A Diffusion Model for Battery Degradation Prediction and Synthesis [0.7342676110939172]
本稿では,電池劣化予測と合成のための新しい汎用モデルDiffBattを紹介する。
老化挙動の不確実性を捉える確率モデルと、バッテリー劣化をシミュレートする生成モデルとして機能する。
すべてのデータセットの平均RMSEは196サイクルであり、他のモデルよりも優れ、より優れた一般化性を示す。
論文 参考訳（メタデータ） (2024-10-31T12:53:53Z) - Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。
本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
論文 参考訳（メタデータ） (2024-07-16T14:05:03Z) - Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。
CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。
準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。
この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
論文 参考訳（メタデータ） (2024-04-11T09:08:45Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - 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) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge
Prediction [2.670887944566458]
本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。
実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
論文 参考訳（メタデータ） (2022-06-01T15:31:06Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - 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) - CHEER: Rich Model Helps Poor Model via Knowledge Infusion [69.23072792708263]
我々は、そのようなリッチなモデルを伝達可能な表現に簡潔に要約できる知識注入フレームワークCHEERを開発した。
実験の結果、CHEERは複数の生理的データセットのマクロF1スコアにおいて、ベースラインを5.60%から46.80%上回った。
論文 参考訳（メタデータ） (2020-05-21T21:44:21Z)
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。