論文の概要: A Hybrid Probabilistic Battery Health Management Approach for Robust Inspection Drone Operations

• arxiv url: http://arxiv.org/abs/2405.00055v1
• Date: Wed, 24 Apr 2024 09:22:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-05 17:54:32.182413
• Title: A Hybrid Probabilistic Battery Health Management Approach for Robust Inspection Drone Operations
• Title（参考訳）: ロバスト検査ドローン運用におけるハイブリッド型確率的バッテリヘルス管理手法
• Authors: Jokin Alcibar, Jose I. Aizpurua, Ekhi Zugastia, Oier Penagarikano,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Health monitoring of remote critical infrastructure is a complex and expensive activity due to the limited infrastructure accessibility. Inspection drones are ubiquitous assets that enhance the reliability of critical infrastructures through improved accessibility. However, due to the harsh operation environment, it is crucial to monitor their health to ensure successful inspection operations. The battery is a key component that determines the overall reliability of the inspection drones and, with an appropriate health management approach, contributes to reliable and robust inspections. In this context, this paper presents a novel hybrid probabilistic approach for battery end-of-discharge (EOD) voltage prediction of Li-Po batteries. The hybridization is achieved in an error-correction configuration, which combines physics-based discharge and probabilistic error-correction models to quantify the aleatoric and epistemic uncertainty. The performance of the hybrid probabilistic methodology was empirically evaluated on a dataset comprising EOD voltage under varying load conditions. The dataset was obtained from real inspection drones operated on different flights, focused on offshore wind turbine inspections. The proposed approach has been tested with different probabilistic methods and demonstrates 14.8% improved performance in probabilistic accuracy compared to the best probabilistic method. In addition, aleatoric and epistemic uncertainties provide robust estimations to enhance the diagnosis of battery health-states.
• Abstract（参考訳）: リモートクリティカルインフラストラクチャのヘルスモニタリングは、インフラのアクセシビリティが制限されているため、複雑で高価な活動である。 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。 しかし、厳しい運用環境のため、検査を成功させるためには、健康状態を監視することが不可欠である。 バッテリーは、検査ドローンの全体的な信頼性を決定する重要なコンポーネントであり、適切な健康管理アプローチにより、信頼性と堅牢な検査に寄与する。 本稿では,Li-Po電池の放電終端電圧予測のためのハイブリッド確率的手法を提案する。 このハイブリダイゼーションは、物理に基づく放電と確率論的誤差補正モデルを組み合わせた誤差補正構成で達成され、アレタリックおよびエピステミックの不確かさを定量化する。 負荷条件の異なるEOD電圧を含むデータセット上で,ハイブリッド確率的手法の性能を実験的に評価した。 データセットは、オフショア風力タービンの検査に焦点を当てた、異なる飛行で作動する実際の検査ドローンから得られた。 提案手法は様々な確率的手法で検証され、最高の確率的手法と比較して14.8%の確率的精度が向上したことを示す。 さらに, 動脈およびてんかんの不確実性は, 電池の健康状態の診断を高めるために, 頑健な評価を提供する。

関連論文リスト

• Towards a Probabilistic Fusion Approach for Robust Battery Prognostics [0.0]
  本稿では,リチウムイオン電池の容量減少を予測するためのベイズアンサンブル学習手法を提案する。 提案手法は,NASA Ames Prognostics Center of Excellenceによって収集された電池老化データセットを用いて検証された。
  論文  参考訳（メタデータ） (2024-05-24T07:26:36Z)
• Practical Battery Health Monitoring using Uncertainty-Aware Bayesian Neural Network [3.7740149124520315]
  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。
  論文  参考訳（メタデータ） (2024-04-20T05:13:14Z)
• Driving behavior-guided battery health monitoring for electric vehicles using machine learning [7.6366651125971945]
  信頼性の高いバッテリヘルスモニタリングのための機能ベースの機械学習パイプラインを提案する。 まず,各個人の健康指標(HI)をメカニズム関連解釈でまとめ,分析した。 推定精度と相関分析に基づいて,全ての特徴を慎重に評価・スクリーニングした。
  論文  参考訳（メタデータ） (2023-09-25T13:24:53Z)
• Regions of Reliability in the Evaluation of Multivariate Probabilistic Forecasts [73.33395097728128]
  時系列予測評価のための適切なスコアリングルールに関する最初の体系的な有限サンプル研究を提供する。 本研究では, 地中構造と予測分布のいくつかの重要な相違点をテストするために, 総合的な総合的合成ベンチマークを用いて解析を行った。
  論文  参考訳（メタデータ） (2023-04-19T17:38:42Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• 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)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。