論文の概要: Diagnostic-free onboard battery health assessment

• arxiv url: http://arxiv.org/abs/2503.07383v1
• Date: Mon, 10 Mar 2025 14:32:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:45:00.741832
• Title: Diagnostic-free onboard battery health assessment
• Title（参考訳）: 診断不能なオンボードバッテリーの健康評価
• Authors: Yunhong Che, Vivek N. Lam, Jinwook Rhyu, Joachim Schaeffer, Minsu Kim, Martin Z. Bazant, William C. Chueh, Richard D. Braatz,
• Abstract要約: 動作測定の一部を解釈可能な機械学習モデルと組み合わせて利用することで、バッテリーの早期かつオンボードな健康診断を可能にします。 我々はエンコーダ・デコーダアーキテクチャに機械的制約を組み込んで、物理的に解釈可能な潜在空間における電極状態の抽出を行う。 動作条件の異なる422セルからなる3つのバッテリサイクルデータセットに適用することで,このモデルフレームワークの汎用性を実証する。
• 参考スコア（独自算出の注目度）: 14.641001655136401
• License:
• Abstract: Diverse usage patterns induce complex and variable aging behaviors in lithium-ion batteries, complicating accurate health diagnosis and prognosis. Separate diagnostic cycles are often used to untangle the battery's current state of health from prior complex aging patterns. However, these same diagnostic cycles alter the battery's degradation trajectory, are time-intensive, and cannot be practically performed in onboard applications. In this work, we leverage portions of operational measurements in combination with an interpretable machine learning model to enable rapid, onboard battery health diagnostics and prognostics without offline diagnostic testing and the requirement of historical data. We integrate mechanistic constraints within an encoder-decoder architecture to extract electrode states in a physically interpretable latent space and enable improved reconstruction of the degradation path. The health diagnosis model framework can be flexibly applied across diverse application interests with slight fine-tuning. We demonstrate the versatility of this model framework by applying it to three battery-cycling datasets consisting of 422 cells under different operating conditions, highlighting the utility of an interpretable diagnostic-free, onboard battery diagnosis and prognosis model.
• Abstract（参考訳）: 各種使用パターンはリチウムイオン電池の複雑で変動的な老化挙動を誘発し、正確な健康診断と予後を複雑にする。 診断サイクルは、バッテリーの現在の状態と以前の複雑な老化パターンをアンハングリングするためにしばしば使用される。 しかし、これらの同じ診断サイクルは、バッテリーの劣化軌道を変え、時間集約であり、オンボードアプリケーションでは実行できない。 本研究では,解析可能な機械学習モデルと組み合わせることで,オフライン診断テストや履歴データの要求を伴わずに,高速かつオンボードでバッテリーの健康診断や予後診断を可能にする。 我々は、エンコーダ・デコーダアーキテクチャに機械的制約を組み込んで、物理的に解釈可能な潜在空間における電極状態の抽出を行い、劣化経路の再構築を改善する。 健康診断モデルフレームワークは、微調整の少ない多様な応用分野に柔軟に適用することができる。 本モデルは,422セルからなる3つの電池サイクルデータセットに異なる動作条件で適用し,解釈可能な診断自由・オンボード電池診断・予後モデルの有用性を強調した。

関連論文リスト

• MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot [47.77948063906033]
  Retrieval-augmented Generation (RAG)は、プライバシーに敏感な電子健康記録を検索するのに適した手法である。 本稿では,医療領域に対する知識グラフ(KG)により強化されたRAGモデルであるMedRAGを提案する。 MedRAGはより具体的な診断の洞察を提供し、誤診率の低減に最先端のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-06T12:27:35Z)
• Onboard Health Estimation using Distribution of Relaxation Times for Lithium-ion Batteries [0.0]
  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。
  論文  参考訳（メタデータ） (2024-10-20T04:04:53Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• 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)
• Accurate battery lifetime prediction across diverse aging conditions with deep learning [20.832988614576983]
  初期のサイクルで電池の寿命を正確に予測することは、多くの下流アプリケーションと同様に、バッテリーの研究と開発に非常に価値がある。 本稿では, 多様な高齢化条件を緩和し, 低リソース環境下での効果的な学習を容易にする, 普遍的な深層学習手法を提案する。 評価のためのベンチマークが構築され、168回のサイクリング条件で5つの電極材料を利用する401個の電池セルを含んでいる。
  論文  参考訳（メタデータ） (2023-10-08T07:25:27Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)
• 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)
• On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
  データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。 モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。 提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
  論文  参考訳（メタデータ） (2021-10-17T13:42:37Z)
• Anytime Diagnosis for Reconfiguration [52.77024349608834]
  我々は、いつでも直接診断できるflexdiagを紹介し分析する。 特徴モデルの領域からの構成ベンチマークと自動車領域からの産業構成知識ベースを使用して、性能および診断品質に関するアルゴリズムを評価します。
  論文  参考訳（メタデータ） (2021-02-19T11:45:52Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。