論文の概要: Intelligent Energy Management: Remaining Useful Life Prediction and
Charging Automation System Comprised of Deep Learning and the Internet of
Things
- arxiv url: http://arxiv.org/abs/2409.17931v1
- Date: Thu, 26 Sep 2024 15:08:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-28 17:03:54.319264
- Title: Intelligent Energy Management: Remaining Useful Life Prediction and
Charging Automation System Comprised of Deep Learning and the Internet of
Things
- Title(参考訳): 知的エネルギー管理 : 生活予測と生活予測
ディープラーニングとインターネットを組み合わせた充電自動化システム
もの
- Authors: Biplov Paneru, Bishwash Paneru, DP Sharma Mainali
- Abstract要約: 電池の持続寿命 (Remaining Useful Life, RUL) は、電池の余寿命と充電の必要性を知るための重要なパラメータである。
この研究プロジェクトの目標は、バッテリーRULデータセットのための機械学習ベースのモデルを開発することである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Remaining Useful Life (RUL) of battery is an important parameter to know the
battery's remaining life and need for recharge. The goal of this research
project is to develop machine learning-based models for the battery RUL
dataset. Different ML models are developed to classify the RUL of the vehicle,
and the IoT (Internet of Things) concept is simulated for automating the
charging system and managing any faults aligning. The graphs plotted depict the
relationship between various vehicle parameters using the Blynk IoT platform.
Results show that the catboost, Multi-Layer Perceptron (MLP), Gated Recurrent
Unit (GRU), and hybrid model developed could classify RUL into three classes
with 99% more accuracy. The data is fed using the tkinter GUI for simulating
artificial intelligence (AI)-based charging, and with a pyserial backend, data
can be entered into the Esp-32 microcontroller for making charge discharge
possible with the model's predictions. Also, with an IoT system, the charging
can be disconnected, monitored, and analyzed for automation. The results show
that an accuracy of 99% can be obtained on models MLP, catboost model and
similar accuracy on GRU model can be obtained, and finally relay-based
triggering can be made by prediction through the model used for automating the
charging and energy-saving mechanism. By showcasing an exemplary Blynk
platform-based monitoring and automation phenomenon, we further present
innovative ways of monitoring parameters and automating the system.
- Abstract(参考訳): 電池の持続寿命 (Remaining Useful Life, RUL) は、電池の余寿命と充電の必要性を知るための重要なパラメータである。
この研究プロジェクトの目標は、バッテリーRULデータセットのための機械学習ベースのモデルを開発することである。
車両のRULを分類するために異なるMLモデルが開発され、IoT(Internet of Things)の概念は充電システムの自動化と整合性の管理のためにシミュレートされる。
プロットされたグラフは、Blynk IoTプラットフォームを使用して、さまざまな車両パラメータ間の関係を描いている。
その結果, マルチ層パーセプトロン (MLP), Gated Recurrent Unit (GRU) およびハイブリッドモデルは, RULを99%精度で3つのクラスに分類できることがわかった。
データは、人工知能(AI)ベースの充電をシミュレートするTkinter GUIを使用して供給され、ピサールバックエンドを使用してデータをEsp-32マイクロコントローラに入力することで、モデルの予測で電荷放電を可能にする。
また、IoTシステムでは、充電は切断され、監視され、自動化のために分析される。
その結果, GRUモデルでは, MLPモデルでは99%の精度が得られ, GRUモデルでは同様の精度が得られ, 充電と省エネ機構の自動化に使用されるモデルにより, 最終的にリレーベーストリガが予測できることがわかった。
例として,Blynkプラットフォームをベースとした監視・自動化現象を示すことで,パラメータの監視とシステム自動化の革新的な方法をさらに提示する。
関連論文リスト
- DLinear-based Prediction of Remaining Useful Life of Lithium-Ion Batteries: Feature Engineering through Explainable Artificial Intelligence [21.867940190460704]
リチウムイオン電池の残留実用寿命(RUL)は、安全性を確保し、メンテナンスコストを低減し、使用を最適化するために不可欠である。
本研究では,NASAのPrognostics Center of Excellenceのデータセットに適用した,特徴工学とDLinearに基づく正確なRUL予測手法を提案する。
論文 参考訳(メタデータ) (2025-01-20T15:28:20Z) - Battery GraphNets : Relational Learning for Lithium-ion Batteries(LiBs) Life Estimation [0.0]
本稿では、バッテリパラメータ間で独立した依存性グラフ構造を組み込むことを共同で学習するバッテリグラフネットワークフレームワークを提案する。
提案手法は,市販のバッテリデータセットにおいて,いくつかの一般的な手法よりも優れた性能を示し,SOTA性能を実現する。
論文 参考訳(メタデータ) (2024-08-14T15:44:56Z) - Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。
負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
論文 参考訳(メタデータ) (2024-05-31T14:21:04Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - 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) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳(メタデータ) (2021-04-11T16:45:18Z) - A Dynamic Battery State-of-Health Forecasting Model for Electric Trucks:
Li-Ion Batteries Case-Study [1.1470070927586016]
本稿では, 電動トラックにおけるLiイオン電池の機械学習による健康状態(SoH)の予後について検討する。
バッテリーSoHを予測するための自動回帰型統合モデリング平均(ARIMA)と教師付き学習(決定木をベース見積もりとして袋詰め)を提案します。
論文 参考訳(メタデータ) (2021-03-30T12:19:21Z) - Battery Model Calibration with Deep Reinforcement Learning [5.004835203025507]
バッテリーモデルのキャリブレーションパラメータを確実かつ効率的に推測するための強化学習ベースのフレームワークを実装します。
このフレームワークは、観測から現実ギャップを補うために、計算モデルパラメータのリアルタイム推論を可能にする。
論文 参考訳(メタデータ) (2020-12-07T19:26:08Z) - 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。