論文の概要: State-of-Health Prediction for EV Lithium-Ion Batteries via DLinear and Robust Explainable Feature Selection

• arxiv url: http://arxiv.org/abs/2501.11542v2
• Date: Tue, 16 Sep 2025 04:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 15:46:32.531843
• Title: State-of-Health Prediction for EV Lithium-Ion Batteries via DLinear and Robust Explainable Feature Selection
• Title（参考訳）: DLinearおよびRobust Explainable Feature SelectionによるEVリチウムイオン電池の健康状態予測
• Authors: Minsu Kim, Jaehyun Oh, Sang-Young Lee, Junghwan Kim,
• Abstract要約: 電気自動車(EV)に適した、説明可能な、データ駆動型健康状態予測(SOH)フレームワークを提案する。 我々は、電圧、電流、温度、時間プロファイルから20種類の有意な特徴を抽出し、ピアソン相関法とシェープリー加法説明法(SHAP)を用いて鍵となる特徴を選択する。 SHAPによる選択は複数の細胞に一貫した機能的重要性をもたらし、細胞間変動(CtCV)を効果的に捉える
• 参考スコア（独自算出の注目度）: 14.672460390509334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of the state-of-health (SOH) of lithium-ion batteries is essential for ensuring the safety, reliability, and efficient operation of electric vehicles (EVs). Battery packs in EVs experience nonuniform degradation due to cell-to-cell variability (CtCV), posing a major challenge for real-time battery management. In this work, we propose an explainable, data-driven SOH prediction framework tailored for EV battery management systems (BMS). The approach combines robust feature engineering with a DLinear. Using NASA's battery aging dataset, we extract twenty meaningful features from voltage, current, temperature, and time profiles, and select key features using Pearson correlation and Shapley additive explanations (SHAP). The SHAP-based selection yields consistent feature importance across multiple cells, effectively capturing CtCV. The DLinear algorithm outperforms long short-term memory (LSTM) and Transformer architectures in prediction accuracy, while requiring fewer training cycles and lower computational cost. This work offers a scalable and interpretable framework for SOH forecasting, enabling practical implementation in EV BMS and promoting safer, more efficient electric mobility.
• Abstract（参考訳）: リチウムイオン電池の健康状態(SOH)の正確な予測は、電気自動車(EV)の安全性、信頼性、効率的な運転を保証するために不可欠である。 EVのバッテリパックはセル間ばらつき(CtCV)による不均一な劣化を経験しており、リアルタイムバッテリ管理の大きな課題となっている。 本研究では,EVバッテリ管理システム(BMS)に適したデータ駆動型SOH予測フレームワークを提案する。 このアプローチは、堅牢な機能エンジニアリングとDLinearを組み合わせる。 NASAのバッテリー老化データセットを用いて、電圧、電流、温度、時間プロファイルから20の有意義な特徴を抽出し、ピアソン相関とシェープリー付加説明(SHAP)を用いて重要な特徴を選択する。 SHAPをベースとした選択は、複数の細胞に一貫した特徴的重要性をもたらし、CtCVを効果的に捕捉する。 DLinearアルゴリズムは、長い短期記憶(LSTM)とトランスフォーマーアーキテクチャを予測精度で上回り、トレーニングサイクルを減らし、計算コストを下げる。 この研究は、SOH予測のためのスケーラブルで解釈可能なフレームワークを提供し、EV BMSの実用的な実装を可能にし、より安全でより効率的な電気モビリティを促進する。

関連論文リスト

• End-to-End Framework for Predicting the Remaining Useful Life of Lithium-Ion Batteries [0.04660328753262073]
  本稿では、最近のチャージ放電サイクルのデータを利用して残りの使用可能なサイクル数を推定するRUL予測手法を提案する。 このアプローチは、新しい信号処理パイプラインとディープラーニング予測モデルの両方を導入している。 2つの一般公開された大規模データセットの実験結果から,提案手法がベースライン深層学習手法と機械学習技術より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-22T13:28:18Z)
• Survival Analysis with Machine Learning for Predicting Li-ion Battery Remaining Useful Life [1.2603104712715607]
  本研究では、生存データ再構成、生存モデル学習、生存確率推定を統合したハイブリッド生存分析フレームワークを提案する。 提案手法は, 電池電圧時系列を経路シグネチャを用いた時間から障害データに変換する。 トヨタのバッテリとNASAのバッテリデータセットを用いて行った実験は,我々のアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2025-03-17T02:49:34Z)
• Remaining Useful Life Prediction for Batteries Utilizing an Explainable AI Approach with a Predictive Application for Decision-Making [0.0]
  バッテリーRULを予測・分類するための機械学習モデルを開発した。 提案したTLEモデルはRMSE, MAE, R二乗誤差のベースラインモデルより一貫して優れている。 XGBoostは、クロスバリデーション技術によって検証された99%の分類精度を達成した。
  論文  参考訳（メタデータ） (2024-09-26T15:08:38Z)
• 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)
• Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
  本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。 CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。 準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。 この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
  論文  参考訳（メタデータ） (2024-04-11T09:08:45Z)
• TRIAGE: Characterizing and auditing training data for improved regression [80.11415390605215]
  TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。 TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。 TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-29T10:31:59Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Interpretable Battery Cycle Life Range Prediction Using Early Degradation Data at Cell Level [0.8137198664755597]
  量的回帰フォレスト(QRF)モデルを導入し、不確かさを定量化してサイクル寿命範囲を予測する。 データ駆動方式は, 電池劣化機構の最小限の知識で, 電池サイクル寿命のポイント予測を行う手法として提案されている。 最終QRFモデルの解釈可能性については,2つの大域的モデルに依存しない手法を用いて検討した。
  論文  参考訳（メタデータ） (2022-04-26T16:26:27Z)
• Regularization-based Continual Learning for Fault Prediction in Lithium-Ion Batteries [0.0]
  早期の予測とバッテリーの欠陥の堅牢な理解は、製品の品質を大幅に向上させる可能性がある。 データ駆動型障害予測の現在のアプローチは、トレーニングされたプロセスの正確な結果を提供する。 継続的な学習はそのような柔軟性を約束し、学習した知識を新しいタスクに自動的に適応させることができる。
  論文  参考訳（メタデータ） (2021-07-07T16:24:18Z)
• 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)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• 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。