論文の概要: Onboard Health Estimation using Distribution of Relaxation Times for Lithium-ion Batteries

• arxiv url: http://arxiv.org/abs/2410.15271v1
• Date: Sun, 20 Oct 2024 04:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:34.717715
• Title: Onboard Health Estimation using Distribution of Relaxation Times for Lithium-ion Batteries
• Title（参考訳）: リチウムイオン電池の緩和時間分布を用いたオンボード健康評価
• Authors: Muhammad Aadil Khan, Sai Thatipamula, Simona Onori,
• Abstract要約: 健常高齢者5例とサイクリング高齢者17例のインピーダンススペクトロスコピー(EIS)データを用いて,SOH(State-of-Health)推定を行った。 10種類の異なるテストセットでテストすることでモデル性能を検証し、平均 RMSPE は1.69% である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Real-life batteries tend to experience a range of operating conditions, and undergo degradation due to a combination of both calendar and cycling aging. Onboard health estimation models typically use cycling aging data only, and account for at most one operating condition e.g., temperature, which can limit the accuracy of the models for state-of-health (SOH) estimation. In this paper, we utilize electrochemical impedance spectroscopy (EIS) data from 5 calendar-aged and 17 cycling-aged cells to perform SOH estimation under various operating conditions. The EIS curves are deconvoluted using the distribution of relaxation times (DRT) technique to map them onto a function $\textbf{g}$ which consists of distinct timescales representing different resistances inside the cell. These DRT curves, $\textbf{g}$, are then used as inputs to a long short-term memory (LSTM)-based neural network model for SOH estimation. We validate the model performance by testing it on ten different test sets, and achieve an average RMSPE of 1.69% across these sets.
• Abstract（参考訳）: 実際のバッテリーは、様々な動作条件を経験し、カレンダーとサイクリングの老朽化により劣化する傾向にある。 オンボードの健康推定モデルは、典型的にはサイクリング老化データのみを使用し、少なくとも1つの運転条件eg、温度を考慮し、状態状態(SOH)推定モデルの精度を制限できる。 本稿では, 電気化学インピーダンス分光法(EIS)データを用いて, 各種運転条件下でのSOH推定を行う。 EIS曲線は緩和時間(DRT)の分布を用いてデコンボリュートされ、それを関数 $\textbf{g}$ にマッピングする。 これらのDRT曲線、$\textbf{g}$は、SOH推定のための長い短期記憶(LSTM)ベースのニューラルネットワークモデルへの入力として使用される。 10の異なるテストセットでテストすることでモデル性能を検証し、これらのセットの平均 RMSPE は1.69% である。

関連論文リスト

• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Digital Twin for Real-time Li-ion Battery State of Health Estimation with Partially Discharged Cycling Data [16.637948430296227]
  リチウムイオン電池(LIB)の健康状態(SOH)推定は劣化特性と密接な関係がある。 提案したディジタルツインソリューションは、リアルタイムなSOH推定を可能にする3つのコアコンポーネントから構成される。 本手法は, サイクル中のサンプリング時間の大半に対して, 誤差が1%未満のリアルタイムSOH推定を行う。
  論文  参考訳（メタデータ） (2022-12-09T01:30:10Z)
• Predicting Li-ion Battery Cycle Life with LSTM RNN [2.4738790490814213]
  この研究は、長い短期記憶リカレントニューラルネットワークモデルをトレーニングし、様々なサイクルと電圧で放電容量のシーケンシャルデータから学習する。 最初の60～80サイクルの実験データを用いて,約80個のサンプルを用いて予測精度を予測した。
  論文  参考訳（メタデータ） (2022-07-08T04:49:17Z)
• A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling [10.290868910435153]
  電気自動車(EV)は、経年劣化と性能劣化の影響を受ける。 本研究は,実行時のバッテリダイナミックスを正確に反映するように設計されたバッテリディジタルツイン構造を提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:47:41Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Lithium-ion Battery State of Health Estimation based on Cycle Synchronization using Dynamic Time Warping [13.19976118887128]
  健康状態推定(SOH)は、電池容量の減少による予期せぬ故障を避けるために、電池駆動アプリケーションにおいて重要な役割を担っている。 本稿では、動的時間ワープを用いて、既存の座標系を変更するための革新的なサイクル同期手法を提案する。 提案手法は,時系列の時間情報を活用することで,時間指標と元の測定値を新しい指標に組み込んで,電池劣化状況を反映する。
  論文  参考訳（メタデータ） (2021-09-28T02:53:54Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Machine learning pipeline for battery state of health estimation [3.0238880199349834]
  我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。 パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。 高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
  論文  参考訳（メタデータ） (2021-02-01T13:50:56Z)
• 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。