論文の概要: Attention Mechanism for Lithium-Ion Battery Lifespan Prediction:
Temporal and Cyclic Attention
- arxiv url: http://arxiv.org/abs/2311.10792v2
- Date: Mon, 11 Dec 2023 03:18:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 01:13:33.714881
- 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: リチウムイオン電池(LIB)の寿命を正確に予測することは、使用率の最適化と事故の防止に重要である。
以前のアプローチは、しばしばリアルタイムで測定することの難しい入力に依存しており、サイクル内およびサイクル間データパターンを同時にキャプチャできなかった。
本研究では注意機構(AM)を用いて、簡単に測定可能な入力を用いてLIB寿命を予測するデータ駆動モデルを開発した。
- 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 lithium-ion batteries (LIBs) lifespan is pivotal for
optimizing usage and preventing accidents. Previous approaches often relied on
inputs challenging to measure in real-time, and failed to capture intra- and
inter-cycle data patterns simultaneously. Our study employ attention mechanisms
(AM) to develop data-driven models predicting LIB lifespan using easily
measurable inputs. Developed model integrates recurrent neural network and
convolutional neural network, featuring two types of AMs: temporal attention
(TA) and cyclic attention (CA). TA identifies important time steps within each
cycle, CA strives to capture key features of inter-cycle correlations through
self-attention (SA). We apply the developed model to publicly available data
consisting of three batches of cycling modes. TA scores highlight the rest
phase as a key characteristic to distinguish different batches. By leveraging
CA scores, we decreased the input dimension from 100 cycles to 50 and 30 cycles
with single- and multi-head attention.
- Abstract(参考訳): リチウムイオン電池(LIB)の寿命を正確に予測することは、使用率の最適化と事故の防止に重要である。
以前のアプローチは、しばしばリアルタイムで測定するのは難しい入力に依存し、サイクル内およびサイクル間データパターンを同時にキャプチャできなかった。
本研究では注意機構(AM)を用いて、簡単に測定可能な入力を用いてLIB寿命を予測するデータ駆動モデルを開発した。
発達したモデルは、繰り返しニューラルネットワークと畳み込みニューラルネットワークを統合し、時間的注意(ta)と循環的注意(ca)の2種類のamを特徴とする。
TAはサイクルごとに重要な時間ステップを特定し、CAは自己注意(SA)を通してサイクル間相関の重要な特徴を捉えようとしている。
3つのサイクリングモードからなる公開データに対して,開発したモデルを適用する。
TAスコアは、他のフェーズを異なるバッチを区別する重要な特徴として強調する。
CAスコアを活用することで,入力次元を100サイクルから50サイクル,30サイクルに減らし,単眼,多眼で観察した。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [70.38241681764738]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳(メタデータ) (2024-02-04T13:10:51Z) - Mlinear: Rethink the Linear Model for Time-series Forecasting [9.841293660201261]
Mlinearは、主に線形層に基づく単純だが効果的な方法である。
複数のデータセット上で広く使われている平均二乗誤差(MSE)を大幅に上回る新しい損失関数を導入する。
提案手法は,PatchTSTを336列長入力で21:3,512列長入力で29:10で有意に上回った。
論文 参考訳(メタデータ) (2023-05-08T15:54:18Z) - 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) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳(メタデータ) (2023-03-05T03:54:54Z) - ES-dRNN with Dynamic Attention for Short-Term Load Forecasting [1.1602089225841632]
短期負荷予測(STLF)は、時系列の複雑な性質が複数の季節性やばらつきを表わすため、難しい問題である。
本稿では,指数的スムース化と拡張型リカレントニューラルネットワーク(ES-dRNN)と動的注意機構を組み合わせたハイブリッド予測モデルの拡張を提案する。
論文 参考訳(メタデータ) (2022-03-02T08:39:33Z) - Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。
状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。
時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文 参考訳(メタデータ) (2021-10-26T17:35:21Z) - 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) - Temporal Memory Relation Network for Workflow Recognition from Surgical
Video [53.20825496640025]
本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。
我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
論文 参考訳(メタデータ) (2021-03-30T13:20:26Z) - Multi-view Integration Learning for Irregularly-sampled Clinical Time
Series [1.9639092030562577]
不規則な時系列データからの多視点機能統合学習をインピーダンスフリーで自己保持機構で提案する。
我々は,観測値の関連性,指標の欠如,連続観測間の時間間隔を同時に学習する。
我々は,マルチビュー観察における相互関係の表現学習を促進するために,注意に基づくデコーダを欠落値インプタとして構築する。
論文 参考訳(メタデータ) (2021-01-25T10:02:50Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z)
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。