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

• 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。