論文の概要: Practical Battery Health Monitoring using Uncertainty-Aware Bayesian Neural Network

• arxiv url: http://arxiv.org/abs/2404.14444v1
• Date: Sat, 20 Apr 2024 05:13:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-24 18:17:13.712756
• Title: Practical Battery Health Monitoring using Uncertainty-Aware Bayesian Neural Network
• Title（参考訳）: 不確かさを意識したベイズニューラルネットワークによるバッテリヘルスモニタリング
• Authors: Yunyi Zhao, Zhang Wei, Qingyu Yan, Man-Fai Ng, B. Sivaneasan, Cheng Xiang,
• Abstract要約: 本研究では,バッテリ寿命予測のためのベイズニューラルネットワークに基づくモデルを開発する。 本モデルでは,モデルの各パラメータに対して,バッテリ健康に関するセンサデータを使用し,単一点ではなく分布を適用した。 全ての予測には定量的な確実性が含まれており、バッテリーの初期から中期にかけて66%改善されている。
• 参考スコア（独自算出の注目度）: 3.7740149124520315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Battery health monitoring and prediction are critically important in the era of electric mobility with a huge impact on safety, sustainability, and economic aspects. Existing research often focuses on prediction accuracy but tends to neglect practical factors that may hinder the technology's deployment in real-world applications. In this paper, we address these practical considerations and develop models based on the Bayesian neural network for predicting battery end-of-life. Our models use sensor data related to battery health and apply distributions, rather than single-point, for each parameter of the models. This allows the models to capture the inherent randomness and uncertainty of battery health, which leads to not only accurate predictions but also quantifiable uncertainty. We conducted an experimental study and demonstrated the effectiveness of our proposed models, with a prediction error rate averaging 13.9%, and as low as 2.9% for certain tested batteries. Additionally, all predictions include quantifiable certainty, which improved by 66% from the initial to the mid-life stage of the battery. This research has practical values for battery technologies and contributes to accelerating the technology adoption in the industry.
• Abstract（参考訳）: バッテリーの健康モニタリングと予測は、安全、持続可能性、経済的側面に大きな影響を与える電気移動時代において極めて重要である。 既存の研究はしばしば予測精度に重点を置いているが、現実のアプリケーションにおける技術の展開を妨げる実用的な要因を無視する傾向がある。 本稿では,バッテリ寿命予測のためのベイズニューラルネットワークに基づくモデルを開発する。 本モデルでは,モデルの各パラメータに対して,バッテリ健康に関するセンサデータを使用し,単一点ではなく分布を適用した。 これにより、モデルが固有のランダム性とバッテリ健康の不確実性をキャプチャし、正確な予測だけでなく、定量的な不確実性も得られる。 提案モデルの有効性を実験的に検証し, 予測誤差は平均13.9%, 特定の試験電池では2.9%であった。 さらに、すべての予測には定量的な確実性が含まれており、バッテリーの初期から中期にかけて66%改善されている。 この研究は、バッテリ技術に対する実用的価値を持ち、業界における技術導入の加速に寄与している。

関連論文リスト

• A Scientific Machine Learning Approach for Predicting and Forecasting Battery Degradation in Electric Vehicles [1.393499936476792]
  我々は,Scientific Machine Learningフレームワークを用いて,電池劣化の予測と長期予測を行う新しい手法を提案する。 我々は、予測と予測の両方が実用的な条件を反映していることを保証するために、地中真実データを組み込んだ。 我々のアプローチは、エネルギーシステムの持続可能性に貢献し、よりクリーンで責任あるエネルギーソリューションへの世界的移行を加速させる。
  論文  参考訳（メタデータ） (2024-10-18T09:57:59Z)
• Predicting Battery Capacity Fade Using Probabilistic Machine Learning Models With and Without Pre-Trained Priors [0.2445561610325265]
  リチウムイオン電池は、モバイルエレクトロニクス、電気自動車、再生可能エネルギーストレージに革命をもたらす重要なエネルギー貯蔵技術である。 キャパシティ保持は、これらの電池が寿命の終わりに近づいたかどうかを評価するために頻繁に使用される重要なパフォーマンス指標である。 機械学習(ML)は、過去のデータに基づいてキャパシティ劣化を予測する強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-10-08T23:23:11Z)
• A Hybrid Probabilistic Battery Health Management Approach for Robust Inspection Drone Operations [0.0]
  検査ドローンは、アクセシビリティを改善して重要なインフラの信頼性を高めるユビキタスな資産である。 バッテリーは、検査ドローンの全体的な信頼性を判断し、信頼性と堅牢な検査に寄与する重要なコンポーネントである。 本稿では,Li-Po電池の放電終端(EOD)電圧予測のためのハイブリッド確率的手法を提案する。
  論文  参考訳（メタデータ） (2024-04-24T09:22:18Z)
• Two-stage Early Prediction Framework of Remaining Useful Life for Lithium-ion Batteries [6.917843782772814]
  本稿では,リチウムイオン電池のRUL予測手法を提案する。 提案フレームワークは、ニューラルネットワークモデルを用いてFPCを決定することにより、劣化データを異なる健康状態に分割し、FPC後の劣化パターンを予測する。 実験の結果,提案手法は従来のRUL予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-08-07T15:28:39Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• 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)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。