論文の概要: Accurate battery lifetime prediction across diverse aging conditions
with deep learning
- arxiv url: http://arxiv.org/abs/2310.05052v3
- Date: Fri, 24 Nov 2023 08:00:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 03:01:58.750379
- Title: Accurate battery lifetime prediction across diverse aging conditions
with deep learning
- Title(参考訳): ディープラーニングを用いた各種加齢環境における電池寿命予測
- Authors: Han Zhang, Yuqi Li, Shun Zheng, Ziheng Lu, Xiaofan Gui, Wei Xu, Jiang
Bian
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 20.832988614576983
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately predicting the lifetime of battery cells in early cycles holds
tremendous value for battery research and development as well as numerous
downstream applications. This task is rather challenging because diverse
conditions, such as electrode materials, operating conditions, and working
environments, collectively determine complex capacity-degradation behaviors.
However, current prediction methods are developed and validated under limited
aging conditions, resulting in questionable adaptability to varied aging
conditions and an inability to fully benefit from historical data collected
under different conditions. Here we introduce a universal deep learning
approach that is capable of accommodating various aging conditions and
facilitating effective learning under low-resource conditions by leveraging
data from rich conditions. Our key finding is that incorporating inter-cell
feature differences, rather than solely considering single-cell
characteristics, significantly increases the accuracy of battery lifetime
prediction and its cross-condition robustness. Accordingly, we develop a
holistic learning framework accommodating both single-cell and inter-cell
modeling. A comprehensive benchmark is built for evaluation, encompassing 401
battery cells utilizing 5 prevalent electrode materials across 168 cycling
conditions. We demonstrate remarkable capabilities in learning across diverse
aging conditions, exclusively achieving 10% prediction error using the first
100 cycles, and in facilitating low-resource learning, almost halving the error
of single-cell modeling in many cases. More broadly, by breaking the learning
boundaries among different aging conditions, our approach could significantly
accelerate the development and optimization of lithium-ion batteries.
- Abstract(参考訳): 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。
電極材料、運転条件、作業環境など様々な条件が複雑な容量分解挙動を総合的に決定するので、この課題はかなり困難である。
しかし、現在の予測手法は、限られた老化条件下で開発・検証され、様々な老化条件への適合性に疑問が持たれ、異なる条件下で収集された履歴データから完全に恩恵を受けることができない。
本稿では,様々な老化条件を適応させ,豊かな条件からのデータを活用することで,低リソース条件下での効果的な学習を促進する,汎用的な深層学習手法を提案する。
私たちの重要な発見は、単一セル特性のみを考慮せず、セル間特徴の差異を組み込むことで、バッテリー寿命予測の精度とクロスコンディションロバスト性が著しく向上することです。
そこで我々は,シングルセルとセル間モデリングを併用した総合学習フレームワークを開発した。
評価のための総合的な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。
老化条件をまたいだ学習において,最初の100サイクルで10%の予測誤差を排他的に達成し,低リソースの学習を促進することで,多くの場合において単細胞モデリングの誤差をほぼ半減する能力を示す。
より広い意味では、異なる老化条件間で学習境界を破ることで、リチウムイオン電池の開発と最適化を著しく加速することができる。
関連論文リスト
- 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) - Regularization-based Continual Learning for Fault Prediction in
Lithium-Ion Batteries [0.0]
早期の予測とバッテリーの欠陥の堅牢な理解は、製品の品質を大幅に向上させる可能性がある。
データ駆動型障害予測の現在のアプローチは、トレーニングされたプロセスの正確な結果を提供する。
継続的な学習はそのような柔軟性を約束し、学習した知識を新しいタスクに自動的に適応させることができる。
論文 参考訳(メタデータ) (2021-07-07T16:24:18Z) - 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) - 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) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳(メタデータ) (2020-06-08T19:24:54Z) - 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。