論文の概要: Adapting Amidst Degradation: Cross Domain Li-ion Battery Health Estimation via Physics-Guided Test-Time Training

• arxiv url: http://arxiv.org/abs/2402.00068v3
• Date: Tue, 19 Nov 2024 05:08:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:34:31.137022
• Title: Adapting Amidst Degradation: Cross Domain Li-ion Battery Health Estimation via Physics-Guided Test-Time Training
• Title（参考訳）: 劣化中の適応:物理誘導試験時間トレーニングによるクロスドメインリチウムイオン電池の健康評価
• Authors: Yuyuan Feng, Guosheng Hu, Xiaodong Li, Zhihong Zhang,
• Abstract要約: リチウムイオン電池(LIB)の健康モデリングは、安全で効率的なエネルギー管理に不可欠であり、社会経済的に重要な意味を持つ。 本稿では,劣化中の各対象データ(UTD)を連続的に使用してモデルを適応させる,実践的なテストタイムトレーニングフレームワークであるBatteryTTTを紹介する。 それぞれのUTDを完全に活用するために、BatteryTTTはPhyscics-Guided Test-Time Trainingと呼ばれる、現代のLIB固有の物理法則を自己教師付き学習に統合する。
• 参考スコア（独自算出の注目度）: 19.606703130917325
• License:
• Abstract: Health modeling of lithium-ion batteries (LIBs) is crucial for safe and efficient energy management and carries significant socio-economic implications. Although Machine Learning (ML)-based State of Health (SOH) estimation methods have made significant progress in accuracy, the scarcity of high-quality LIB data remains a major obstacle. Existing transfer learning methods for cross-domain LIB SOH estimation have significantly alleviated the labeling burden of target LIB data, however, they still require sufficient unlabeled target data (UTD) for effective adaptation to the target domain. Collecting this UTD is challenging due to the time-consuming nature of degradation experiments. To address this issue, we introduce a practical Test-Time Training framework, BatteryTTT, which adapts the model continually using each UTD collected amidst degradation, thereby significantly reducing data collection time. To fully utilize each UTD, BatteryTTT integrates the inherent physical laws of modern LIBs into self-supervised learning, termed Physcics-Guided Test-Time Training. Additionally, we explore the potential of large language models (LLMs) in battery sequence modeling by evaluating their performance in SOH estimation through model reprogramming and prefix prompt adaptation. The combination of BatteryTTT and LLM modeling, termed GPT4Battery, achieves state-of-the-art generalization results across current LIB benchmarks. Furthermore, we demonstrate the practical value and scalability of our approach by deploying it in our real-world battery management system (BMS) for 300Ah large-scale energy storage LIBs.
• Abstract（参考訳）: リチウムイオン電池(LIB)の健康モデリングは、安全で効率的なエネルギー管理に不可欠であり、社会経済的に重要な意味を持つ。 機械学習(ML)に基づくSOH(State of Health)推定手法は精度を大幅に向上させたが、高品質なLIBデータの不足は依然として大きな障害である。 既存の領域間LIB SOH推定のための転送学習手法は、対象LIBデータのラベル付け負担を大幅に軽減しているが、対象領域への効果的な適応には十分なラベルなしターゲットデータ(UTD)が必要である。 このUTDの収集は、劣化実験に時間を要するため困難である。 この問題に対処するため,本研究では,データ収集時間を大幅に短縮する,実用的なテスト時間トレーニングフレームワークであるBatteryTTTを導入する。 それぞれのUTDを完全に活用するために、BatteryTTTはPhyscics-Guided Test-Time Trainingと呼ばれる、現代のLIB固有の物理法則を自己教師付き学習に統合する。 さらに,モデル再プログラミングとプレフィックスプロンプト適応によるSOH推定の性能評価により,バッテリシーケンスモデリングにおける大規模言語モデル(LLM)の可能性を検討する。 BatteryTTT と LLM モデリングの組み合わせは GPT4Battery と呼ばれ、現在の LIB ベンチマークで最先端の一般化結果が得られる。 さらに,300Ah大規模蓄電池用実世界のバッテリ管理システム(BMS)に導入することで,本手法の実用的価値とスケーラビリティを実証する。

関連論文リスト

• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• A Mapping Study of Machine Learning Methods for Remaining Useful Life Estimation of Lead-Acid Batteries [0.0]
  State of Health (SoH) と Remaining Useful Life (RUL) は、バッテリーシステムの予測保守、信頼性、寿命の向上に貢献している。 本稿では,鉛蓄電池のSoHとRULを推定するための機械学習手法における最先端のマッピング研究について述べる。
  論文  参考訳（メタデータ） (2023-07-11T10:41:41Z)
• DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL for Lithium-Ion Batteries [6.930255986517943]
  本稿では,Deep Inter and intra-Cycle Attention Network (DIICAN) という状態結合型協調推定手法を提案する。 DIICAN法はオックスフォード・バッテリ・データセット上で検証される。
  論文  参考訳（メタデータ） (2022-10-20T14:42:20Z)
• 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)
• Hybrid physics-based and data-driven modeling with calibrated uncertainty for lithium-ion battery degradation diagnosis and prognosis [6.7143928677892335]
  リチウムイオン電池(LIB)は今後数十年で電化を促進する鍵となる。 LIB劣化の不十分な理解は、バッテリーの耐久性と安全性を制限する重要なボトルネックである。 本稿では,オンライン診断とバッテリー劣化の診断のためのハイブリッド物理とデータ駆動モデリングを提案する。
  論文  参考訳（メタデータ） (2021-10-25T11:14:12Z)
• Machine learning pipeline for battery state of health estimation [3.0238880199349834]
  我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。 パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。 高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
  論文  参考訳（メタデータ） (2021-02-01T13:50:56Z)
• 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)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。