論文の概要: Lithium-Ion Battery System Health Monitoring and Fault Analysis from Field Data Using Gaussian Processes
- arxiv url: http://arxiv.org/abs/2406.19015v1
- Date: Thu, 27 Jun 2024 09:00:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-28 14:47:16.736830
- Title: Lithium-Ion Battery System Health Monitoring and Fault Analysis from Field Data Using Gaussian Processes
- Title(参考訳): ガウス過程を用いたリチウムイオン電池の健康モニタリングとフィールドデータからの故障解析
- Authors: Joachim Schaeffer, Eric Lenz, Duncan Gulla, Martin Z. Bazant, Richard D. Braatz, Rolf Findeisen,
- Abstract要約: データセットには、保証のためにメーカーに返却された29のバッテリーシステムが含まれている。
この分析は、最も弱いリンク障害と一致して、単一の細胞のみが異常な行動または膝点を示すことを示している。
コードをオープンソース化し、記事のレビューが完了するとデータセットを公開します。
- 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, fault analysis, and detection are critical for the safe and sustainable operation of battery systems. We apply Gaussian process resistance models on lithium iron phosphate battery field data to effectively separate the time-dependent and operating point-dependent resistance. The data set contains 29 battery systems returned to the manufacturer for warranty, each with eight cells in series, totaling 232 cells and 131 million data rows. We develop probabilistic fault detection rules using recursive spatiotemporal Gaussian processes. These processes allow the quick processing of over a million data points, enabling advanced online monitoring and furthering the understanding of battery pack failure in the field. The analysis underlines that often, only a single cell shows abnormal behavior or a knee point, consistent with weakest-link failure for cells connected in series, amplified by local resistive heating. The results further the understanding of how batteries degrade and fail in the field and demonstrate the potential of efficient online monitoring based on data. We open-source the code and publish the large data set upon completion of the review of this article.
- Abstract(参考訳): 健康モニタリング、故障解析、および検出は、バッテリーシステムの安全かつ持続可能な運用に不可欠である。
本研究では, ガウス過程抵抗モデルを用いて, 時間依存および運転点依存抵抗を効果的に分離する。
このデータセットには、メーカーに保証のために返却された29のバッテリーシステムが含まれており、それぞれ8つのセルが並んでおり、合計で232のセルと1億1100万のデータ列がある。
本研究では,再帰的時空間ガウス過程を用いた確率的断層検出法を開発した。
これらのプロセスは100万以上のデータポイントの迅速な処理を可能にし、高度なオンライン監視を可能にし、現場でのバッテリパック障害の理解を深める。
この分析は、しばしば1つの細胞のみが異常な行動または膝点を示し、局所的な抵抗加熱によって増幅される、直列に接続された細胞の最も弱いリンク障害と一致している。
その結果,現場での電池の劣化と故障の理解を深め,データに基づく効率的なオンラインモニタリングの可能性を示した。
コードをオープンソース化し、この記事のレビューが完了するとデータセットを公開します。
関連論文リスト
- Towards Automatic Power Battery Detection: New Challenge, Benchmark
Dataset and Baseline [70.30473488226093]
PBD(パワーバッテリ検出)と呼ばれる新しいタスクに関する総合的研究を行う。
X線画像から高密度陰極と陽極板のエンドポイントをローカライズし、電池の品質を評価することを目的としている。
我々は,多次元協調ネットワーク(MDCNet)と呼ばれるPBDのための新しいセグメンテーションベースソリューションを提案する。
論文 参考訳(メタデータ) (2023-12-05T06:18:38Z) - Remaining useful life prediction of Lithium-ion batteries using spatio-temporal multimodal attention networks [4.249657064343807]
リチウムイオン電池は、電気自動車や再生可能エネルギー貯蔵など様々な用途で広く使われている。
電池の残存寿命(RUL)の予測は信頼性と効率の確保に不可欠である。
本稿では, 時空間アテンションネットワーク(ST-MAN)を用いたリチウムイオン電池の2段階RUL予測手法を提案する。
論文 参考訳(メタデータ) (2023-10-29T07:32:32Z) - Federated Battery Diagnosis and Prognosis [0.6020414684573571]
バッテリー診断,予後,健康管理モデルは,エネルギー・移動分野における電池システムの統合において重要な役割を担っている。
しかしながら、これらのモデルの大規模展開は、データオーナシップ、プライバシ、通信、処理を中心とした数多くの課題によって妨げられています。
本稿では,バッテリ標準電圧利用データ処理をプライバシ保護方式で分散するフェデレーションバッテリ予後モデルを提案する。
論文 参考訳(メタデータ) (2023-10-14T17:46:50Z) - Your Battery Is a Blast! Safeguarding Against Counterfeit Batteries with
Authentication [20.498545647363628]
偽造細胞は爆発や火災を引き起こす可能性があり、市場におけるその流行は、ユーザーが偽造細胞を検出するのを困難にしている。
現在のバッテリ認証手法は、高度な偽造技術の影響を受けやすい。
機械学習モデルを用いて,各セルの内部特性を利用する2つの新しい手法,DCAuthとEISthenticationを提案する。
論文 参考訳(メタデータ) (2023-09-07T10:02:59Z) - 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) - Sequential Kernelized Independence Testing [101.22966794822084]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。
シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文 参考訳(メタデータ) (2022-12-14T18:08:42Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - CellDefectNet: A Machine-designed Attention Condenser Network for
Electroluminescence-based Photovoltaic Cell Defect Inspection [67.99623869339919]
太陽電池の視覚検査で業界が直面している大きな課題は、現在人間の検査員が手動で行っていることである。
本研究では,機械駆動設計探索により設計した高効率アテンションコンデンサネットワークであるCellDefectNetを紹介する。
発光画像を用いた太陽電池セルの多様性を示すベンチマークデータセット上で,セルデフェクトネットの有効性を実証した。
論文 参考訳(メタデータ) (2022-04-25T16:35:19Z) - Overcoming limited battery data challenges: A coupled neural network
approach [0.0]
深層ニューラルネットワークを用いた時系列バッテリデータ拡張手法を提案する。
あるモデルはバッテリ充電プロファイルを生成し、別のモデルはバッテリ放電プロファイルを生成する。
その結果,バッテリーデータに制限がある場合の問題点を解消するために,本手法の有効性が示された。
論文 参考訳(メタデータ) (2021-10-05T16:17:19Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - 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)
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。