論文の概要: Attention Mechanism for Lithium-Ion Battery Lifespan Prediction: Temporal and Cyclic Attention

• arxiv url: http://arxiv.org/abs/2311.10792v1
• Date: Fri, 17 Nov 2023 02:30:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 14:23:17.365539
• Title: Attention Mechanism for Lithium-Ion Battery Lifespan Prediction: Temporal and Cyclic Attention
• Title（参考訳）: リチウムイオン電池寿命予測の注意機構:時間的・周期的注意
• Authors: Jaewook Lee, Seongmin Heo, Jay H. Lee
• Abstract要約: 我々は、電圧、電流、温度、容量データなどの容易に測定可能な入力を用いて、LIB寿命を予測するためのデータ駆動モデルを開発するために注意機構(AM)を用いる。 開発されたモデルは、リカレントニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)コンポーネントを統合し、時間的注意(TA)と循環的注意(CA)という2つのタイプの注意機構を備えている。 提案手法を検証するため,3バッチのサイクリングモードからなる公開サイクリングデータに適用した。
• 参考スコア（独自算出の注目度）: 2.7777488754991215
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurately predicting the lifespan of lithium-ion batteries (LIBs) is pivotal for optimizing usage and preventing accidents. Previous studies in constructing prediction models often relied on inputs challenging to measure in real-time operations and failed to capture intra-cycle and inter-cycle data patterns, essential features for accurate predictions, comprehensively. In this study, we employ attention mechanisms (AM) to develop data-driven models for predicting LIB lifespan using easily measurable inputs such as voltage, current, temperature, and capacity data. The developed model integrates recurrent neural network (RNN) and convolutional neural network (CNN) components, featuring two types of attention mechanisms: temporal attention (TA) and cyclic attention (CA). The inclusion of TA aims to identify important time steps within each cycle by scoring the hidden states of the RNN, whereas CA strives to capture key features of inter-cycle correlations through self-attention (SA). This enhances model accuracy and elucidates critical features in the input data. To validate our method, we apply it to publicly available cycling data consisting of three batches of cycling modes. The calculated TA scores highlight the rest phase as a key characteristic distinguishing LIB data among different batches. Additionally, CA scores reveal variations in the importance of cycles across batches. By leveraging CA scores, we explore the potential to reduce the number of cycles in the input data. The single-head and multi-head attentions enable us to decrease the input dimension from 100 to 50 and 30 cycles, respectively.
• Abstract（参考訳）: リチウムイオン電池(libs)の寿命を正確に予測することは、使用の最適化と事故防止に重要である。 予測モデルを構築する以前の研究は、リアルタイム操作で測定するのが難しい入力に依存し、サイクル内データパターンやサイクル間データパターン、正確な予測に不可欠な特徴を包括的に捉えられなかった。 本研究では,電圧,電流,温度,容量データなどの測定可能な入力を用いて,lib寿命を予測するためのデータ駆動モデルを開発するために注意機構(am)を用いる。 開発したモデルでは,リカレントニューラルネットワーク (rnn) と畳み込みニューラルネットワーク (cnn) を統合し,時間的注意 (ta) と循環的注意 (ca) の2種類の注意機構を特徴とする。 TAの内包は、RNNの隠れ状態を評価することによって各サイクルにおける重要な時間ステップを特定することを目的としており、CAは自己注意(SA)を通じてサイクル間相関の重要な特徴を捉えようとしている。 これによりモデル精度が向上し、入力データの重要な特徴が解明される。 提案手法を検証するために,3つのサイクリングモードからなる公に入手可能なサイクリングデータに適用する。 算出されたTAスコアは、各バッチ間でLIBデータを区別するキー特性として残りの位相をハイライトする。 さらに、CAスコアは、バッチ間でのサイクルの重要性のバリエーションを明らかにします。 CAスコアを活用することで、入力データのサイクル数を削減できる可能性を探る。 シングルヘッドとマルチヘッドのアテンションにより,入力次元をそれぞれ100サイクルから50サイクル,30サイクルに短縮できる。

関連論文リスト

• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• CyFormer: Accurate State-of-Health Prediction of Lithium-Ion Batteries via Cyclic Attention [1.4542411354617986]
  本稿では, 変圧器を用いた健康状態(SoH)予測のための周期時間列モデルを提案する。 本手法では,テストバッテリを微調整するための10%のデータのみを用いて,0.75%のMAEが得られる。
  論文  参考訳（メタデータ） (2023-04-17T02:16:40Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• 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)
• Lithium-ion Battery State of Health Estimation based on Cycle Synchronization using Dynamic Time Warping [13.19976118887128]
  健康状態推定(SOH)は、電池容量の減少による予期せぬ故障を避けるために、電池駆動アプリケーションにおいて重要な役割を担っている。 本稿では、動的時間ワープを用いて、既存の座標系を変更するための革新的なサイクル同期手法を提案する。 提案手法は,時系列の時間情報を活用することで,時間指標と元の測定値を新しい指標に組み込んで,電池劣化状況を反映する。
  論文  参考訳（メタデータ） (2021-09-28T02:53:54Z)
• Comparing seven methods for state-of-health time series prediction for the lithium-ion battery packs of forklifts [1.1470070927586016]
  本報告では, 健康状態の予測において, 緩やかな回帰を推し進める能力について述べる。 われわれは45個のリチウムイオン電池パックのユニークなデータセットを所有しており、データに大きなバリエーションがある。
  論文  参考訳（メタデータ） (2021-07-06T10:52:56Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Statistical learning for accurate and interpretable battery lifetime prediction [1.738360170201861]
  バッテリー寿命予測のためのシンプルで正確で解釈可能なデータ駆動モデルを開発した。 我々のアプローチは、新しいデータセットのモデルを迅速にトレーニングし、より高度な機械学習メソッドのパフォーマンスをベンチマークするためにも使用できます。
  論文  参考訳（メタデータ） (2021-01-06T06:05:24Z)
• Untangling tradeoffs between recurrence and self-attention in neural networks [81.30894993852813]
  本稿では,再帰的ネットワークにおける自己注意が勾配伝播に与える影響を公式に分析する。 長期的な依存関係を捉えようとするとき、勾配をなくすことの問題を緩和することを証明する。 本稿では,スパース自己アテンションを反復的にスケーラブルに利用するための関連性スクリーニング機構を提案する。
  論文  参考訳（メタデータ） (2020-06-16T19:24:25Z)

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。