論文の概要: Towards a Probabilistic Fusion Approach for Robust Battery Prognostics

• arxiv url: http://arxiv.org/abs/2405.15292v1
• Date: Fri, 24 May 2024 07:26:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 15:40:48.384817
• Title: Towards a Probabilistic Fusion Approach for Robust Battery Prognostics
• Title（参考訳）: ロバストバッテリ診断のための確率論的融合法に向けて
• Authors: Jokin Alcibar, Jose I. Aizpurua, Ekhi Zugasti,
• Abstract要約: 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。
• 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: Batteries are a key enabling technology for the decarbonization of transport and energy sectors. The safe and reliable operation of batteries is crucial for battery-powered systems. In this direction, the development of accurate and robust battery state-of-health prognostics models can unlock the potential of autonomous systems for complex, remote and reliable operations. The combination of Neural Networks, Bayesian modelling concepts and ensemble learning strategies, form a valuable prognostics framework to combine uncertainty in a robust and accurate manner. Accordingly, this paper introduces a Bayesian ensemble learning approach to predict the capacity depletion of lithium-ion batteries. The approach accurately predicts the capacity fade and quantifies the uncertainty associated with battery design and degradation processes. The proposed Bayesian ensemble methodology employs a stacking technique, integrating multiple Bayesian neural networks (BNNs) as base learners, which have been trained on data diversity. The proposed method has been validated using a battery aging dataset collected by the NASA Ames Prognostics Center of Excellence. Obtained results demonstrate the improved accuracy and robustness of the proposed probabilistic fusion approach with respect to (i) a single BNN model and (ii) a classical stacking strategy based on different BNNs.
• Abstract（参考訳）: 電池は輸送セクターとエネルギーセクターの脱炭を可能にする重要な技術である。 バッテリーの安全で信頼性の高い運転は、バッテリー駆動システムにとって不可欠である。 この方向では、正確で堅牢なバッテリー状態診断モデルの開発により、複雑でリモートで信頼性の高い運用のための自律システムの可能性を解き放つことができる。 ニューラルネットワークとベイジアンモデリングの概念とアンサンブル学習戦略の組み合わせは、堅牢で正確な方法で不確実性を組み合わせるための貴重な予後フレームワークを形成する。 そこで本研究では,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。 このアプローチは、キャパシティフェードを正確に予測し、バッテリ設計および劣化プロセスに関連する不確実性を定量化する。 提案手法では,複数のベイズニューラルネットワーク(BNN)をベースラーナーとして統合し,データの多様性を訓練した。 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。 得られた結果は,提案した確率的融合手法の精度とロバスト性の向上を示す。 (i)単一のBNNモデルと (ii)異なるBNNに基づく古典的な積み重ね戦略。

関連論文リスト

• 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)
• 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)
• A Framework for Strategic Discovery of Credible Neural Network Surrogate Models under Uncertainty [0.0]
  本研究では,Occam Plausibility Algorithm for surrogate model (OPAL-surrogate)を提案する。 OPAL-surrogateは、予測ニューラルネットワークベースのサロゲートモデルを明らかにするための、体系的なフレームワークを提供する。 モデルの複雑さ、正確性、予測の不確実性の間のトレードオフをバランスさせる。
  論文  参考訳（メタデータ） (2024-03-13T18:45:51Z)
• Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
  一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。 耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。 距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
  論文  参考訳（メタデータ） (2024-02-22T16:33:48Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• 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)
• 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)

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。