Fugu-MT 論文翻訳(概要): BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction

論文の概要: BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction

arxiv url: http://arxiv.org/abs/2502.18807v1
Date: Wed, 26 Feb 2025 04:21:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-27 14:58:28.484660
Title: BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
Title（参考訳）: バッテリライフ:包括的なデータセットとバッテリ寿命予測ベンチマーク
Authors: Ruifeng Tan, Weixiang Hong, Jiayue Tang, Xibin Lu, Ruijun Ma, Xiang Zheng, Jia Li, Jiaqiang Huang, Tong-Yi Zhang,
Abstract要約: バッテリライフ予測 (Battery Life Prediction, BLP) は、バッテリ劣化試験によって生成された時系列データに依存する。目覚ましい進歩にもかかわらず、この研究領域は3つの重要な課題に直面している。本稿では,BLPの包括的なデータセットとベンチマークであるBatteryLifeを提案する。
参考スコア（独自算出の注目度）: 18.442323084350875
License:
Abstract: Battery Life Prediction (BLP), which relies on time series data produced by battery degradation tests, is crucial for battery utilization, optimization, and production. Despite impressive advancements, this research area faces three key challenges. Firstly, the limited size of existing datasets impedes insights into modern battery life data. Secondly, most datasets are restricted to small-capacity lithium-ion batteries tested under a narrow range of diversity in labs, raising concerns about the generalizability of findings. Thirdly, inconsistent and limited benchmarks across studies obscure the effectiveness of baselines and leave it unclear if models popular in other time series fields are effective for BLP. To address these challenges, we propose BatteryLife, a comprehensive dataset and benchmark for BLP. BatteryLife integrates 16 datasets, offering a 2.4 times sample size compared to the previous largest dataset, and provides the most diverse battery life resource with batteries from 8 formats, 80 chemical systems, 12 operating temperatures, and 646 charge/discharge protocols, including both laboratory and industrial tests. Notably, BatteryLife is the first to release battery life datasets of zinc-ion batteries, sodium-ion batteries, and industry-tested large-capacity lithium-ion batteries. With the comprehensive dataset, we revisit the effectiveness of baselines popular in this and other time series fields. Furthermore, we propose CyclePatch, a plug-in technique that can be employed in a series of neural networks. Extensive benchmarking of 18 methods reveals that models popular in other time series fields can be unsuitable for BLP, and CyclePatch consistently improves model performance establishing state-of-the-art benchmarks. Moreover, BatteryLife evaluates model performance across aging conditions and domains. BatteryLife is available at https://github.com/Ruifeng-Tan/BatteryLife.
Abstract（参考訳）: バッテリ寿命予測(バッテリ寿命予測、Battery Life Prediction、BLP)は、バッテリ劣化試験によって生成される時系列データに依存し、バッテリ利用、最適化、生産に不可欠である。目覚ましい進歩にもかかわらず、この研究領域は3つの重要な課題に直面している。まず、既存のデータセットの限られたサイズは、現代のバッテリー寿命データに対する洞察を妨げます。第二に、ほとんどのデータセットは、実験室の限られた多様性の下でテストされる小さな容量のリチウムイオン電池に制限されており、発見の一般化可能性への懸念が高まっている。第三に、研究全体で不整合で限定的なベンチマークは、ベースラインの有効性を曖昧にし、他の時系列フィールドで人気があるモデルがBLPに有効かどうかをはっきりしない。これらの課題に対処するため、BLPの包括的なデータセットとベンチマークであるBatteryLifeを提案する。バッテリライフは16のデータセットを統合し、前回の最大データセットの2.4倍のサンプルサイズを提供し、最も多様なバッテリライフリソースを提供する。とくに、バッテリライフは、亜鉛イオン電池、ナトリウムイオン電池、そして業界でテストされているリチウムイオン電池のバッテリー寿命データセットを初めてリリースした。包括的データセットでは、このフィールドや他の時系列フィールドで人気のあるベースラインの有効性を再考する。さらに,一連のニューラルネットワークに適用可能なプラグイン技術であるCyclePatchを提案する。 18の手法の大規模なベンチマークでは、他の時系列フィールドで人気があるモデルはBLPには適さないことが示され、CyclePatchは、最先端のベンチマークを確立するモデル性能を一貫して改善している。さらに、BatteryLifeは、老朽化した状態とドメインにわたるモデルパフォーマンスを評価する。 BatteryLifeはhttps://github.com/Ruifeng-Tan/BatteryLifeで入手できる。

関連論文リスト

GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
論文参考訳（メタデータ） (2024-10-14T11:29:38Z)
BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
論文参考訳（メタデータ） (2024-04-08T18:05:24Z)
Prognosis of Multivariate Battery State of Performance and Health via Transformers [0.0]
バッテリー性能と「使い勝手」を設計・使用の機能として理解することが最重要事項である。健康記述子の28個のバッテリ状態を予測するために, ディープ・トランスフォーマー・ネットワーク経由で, その方向への第一歩を提示する。
論文参考訳（メタデータ） (2023-09-18T15:04:40Z)
Estimation of Remaining Useful Life and SOH of Lithium Ion Batteries (For EV Vehicles) [0.0]
本稿では,リチウムイオン電池の寿命を推定するための既存手法について概説する。リチウムイオン電池の寿命を正確に予測するための機械学習技術に基づく新しい手法を提案する。
論文参考訳（メタデータ） (2023-05-17T15:35:31Z)
A Deep Learning Approach Towards Generating High-fidelity Diverse Synthetic Battery Datasets [0.0]
高忠実度バッテリデータセットを合成するためのDeep Learningベースの手法をいくつか導入する。これらの強化された合成データセットは、バッテリー研究者がより良い推定モデルを構築するのに役立つ。
論文参考訳（メタデータ） (2023-04-09T05:41:21Z)
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)
Data Driven Prediction of Battery Cycle Life Before Capacity Degradation [0.0]
本稿では,Kristen A. Seversonらが実施したデータと手法を用いて,研究チームが使用した方法論を探索する。基本的な取り組みは、機械学習技術が、バッテリー容量を正確に予測するために、早期ライフサイクルデータを使用するように訓練されているかどうかを確認することである。
論文参考訳（メタデータ） (2021-10-19T01:35:12Z)
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)
Optimizing a domestic battery and solar photovoltaic system with deep reinforcement learning [69.68068088508505]
バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
論文参考訳（メタデータ） (2021-09-10T10:59:14Z)
State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural Networks [68.8204255655161]
リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
論文参考訳（メタデータ） (2020-09-20T23:47:11Z)
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。