論文の概要: Degradation Self-Supervised Learning for Lithium-ion Battery Health Diagnostics
- arxiv url: http://arxiv.org/abs/2503.08083v1
- Date: Tue, 11 Mar 2025 06:29:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-12 15:45:21.922727
- Title: Degradation Self-Supervised Learning for Lithium-ion Battery Health Diagnostics
- Title（参考訳）: リチウムイオン電池健康診断のための劣化自己監視学習
- Authors: J. C. Chen,
- Abstract要約: リチウムイオン電池(LIB)の健康評価は、通常、一定の充電/放電プロトコルに依存している。
本研究では,自己指導型学習のパラダイムに基づくLIBヘルスを推定するための新たなトレーニング戦略を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Health evaluation for lithium-ion batteries (LIBs) typically relies on constant charging/discharging protocols, often neglecting scenarios involving dynamic current profiles prevalent in electric vehicles. Conventional health indicators for LIBs also depend on the uniformity of measured data, restricting their adaptability to non-uniform conditions. In this study, a novel training strategy for estimating LIB health based on the paradigm of self-supervised learning is proposed. A multiresolution analysis technique, empirical wavelet transform, is utilized to decompose non-stationary voltage signals in the frequency domain. This allows the removal of ineffective components for the health evaluation model. The transformer neural network serves as the model backbone, and a loss function is designed to describe the capacity degradation behavior with the assumption that the degradation in LIBs across most operating conditions is inevitable and irreversible. The results show that the model can learn the aging characteristics by analyzing sequences of voltage and current profiles obtained at various time intervals from the same LIB cell. The proposed method is successfully applied to the Stanford University LIB aging dataset, derived from electric vehicle real driving profiles. Notably, this approach achieves an average correlation coefficient of 0.9 between the evaluated health index and the degradation of actual capacity, demonstrating its efficacy in capturing LIB health degradation. This research highlights the feasibility of training deep neural networks using unlabeled LIB data, offering cost-efficient means and unleashing the potential of the measured information.
- Abstract（参考訳）: リチウムイオン電池(LIB)の健康評価は、通常、一定の充電/放電プロトコルに依存し、しばしば電気自動車で一般的な動的電流プロファイルを含むシナリオを無視する。
LIBの従来の健康指標は測定データの均一性にも依存しており、不均一な条件への適応性を制限している。
本研究では,自己指導型学習のパラダイムに基づくLIBヘルスを推定するための新たなトレーニング戦略を提案する。
多分解能解析技術である経験ウェーブレット変換を用いて周波数領域における非定常電圧信号を分解する。
これにより、健康評価モデルのための非効率なコンポーネントを除去することができる。
トランスフォーマーニューラルネットワークはモデルバックボーンとして機能し、損失関数は、ほとんどの操作条件におけるLIBの劣化が必然的で不可逆であると仮定して、キャパシティ劣化挙動を記述するように設計されている。
その結果、同一のLIBセルから各時間間隔で得られた電圧および電流分布のシーケンスを解析することにより、モデルが老化特性を学習できることが示唆された。
提案手法は、電気自動車の実走行プロファイルから導出した、スタンフォード大学のLIB高齢化データセットに適用可能である。
特に、評価された健康指標と実際の能力の劣化の平均相関係数0.9を達成し、LIBの健康劣化を捉える効果を実証した。
この研究は、ラベルのないLIBデータを用いてディープニューラルネットワークをトレーニングし、コスト効率の高い手段を提供し、測定された情報のポテンシャルを解放する可能性を強調している。
関連論文リスト
- ACCEPT: Diagnostic Forecasting of Battery Degradation Through Contrastive Learning [0.0]
この研究は、基本的なバッテリー劣化モデルを確立し、様々なバッテリータイプと運転条件の信頼性の高い予測を提供する。
我々の新しいフレームワークは、コントラスト学習を用いて、基礎となる物理劣化パラメータと観測可能な操作量との関係をマッピングする。
論文 参考訳（メタデータ） (2025-01-17T12:13:04Z) - Adapting Amidst Degradation: Cross Domain Li-ion Battery Health Estimation via Physics-Guided Test-Time Training [19.606703130917325]
リチウムイオン電池(LIB)の健康モデリングは、安全で効率的なエネルギー管理に不可欠であり、社会経済的に重要な意味を持つ。
本稿では,劣化中の各対象データ(UTD)を連続的に使用してモデルを適応させる,実践的なテストタイムトレーニングフレームワークであるBatteryTTTを紹介する。
それぞれのUTDを完全に活用するために、BatteryTTTはPhyscics-Guided Test-Time Trainingと呼ばれる、現代のLIB固有の物理法則を自己教師付き学習に統合する。
論文 参考訳（メタデータ） (2024-01-30T14:47:15Z) - Health diagnosis and recuperation of aged Li-ion batteries with data
analytics and equivalent circuit modeling [12.367920799620965]
本稿では,62個の市販高エネルギー型リチウムリン酸リチウム (LFP) セルの経時的および補修実験を行った。
比較的大規模なデータにより、機械学習モデルを使用してサイクルライフサイクルを予測し、回復可能なキャパシティの重要な指標を特定できます。
論文 参考訳（メタデータ） (2023-09-21T17:15:10Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - 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) - Transfer Learning-based State of Health Estimation for Lithium-ion
Battery with Cycle Synchronization [16.637948430296227]
バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立ちます。
新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により,トランスファーラーニング(TL)が有望な機械学習アプローチとして出現する。
本稿では、時間的ダイナミクスを利用してTLに基づくSOH推定を解釈し、伝達学習を支援する手法を提案する。
論文 参考訳（メタデータ） (2022-08-23T21:40:40Z) - Hybrid physics-based and data-driven modeling with calibrated
uncertainty for lithium-ion battery degradation diagnosis and prognosis [6.7143928677892335]
リチウムイオン電池(LIB)は今後数十年で電化を促進する鍵となる。
LIB劣化の不十分な理解は、バッテリーの耐久性と安全性を制限する重要なボトルネックである。
本稿では,オンライン診断とバッテリー劣化の診断のためのハイブリッド物理とデータ駆動モデリングを提案する。
論文 参考訳（メタデータ） (2021-10-25T11:14:12Z) - 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) - Assessment of weak-coupling approximations on a driven two-level system
under dissipation [58.720142291102135]
我々は, 減散を伴うリウヴィル・ヴォン方程式(Liouville-von equation)と呼ばれる数値的正確かつ非摂動的手法を用いて, 駆動量子ビットについて検討した。
我々は、駆動された量子ビットの定常状態を予測する上で、リンドブラッド方程式の妥当性の規則をマップするために実験で用いられる計量を提案する。
論文 参考訳（メタデータ） (2020-11-11T22:45:57Z) - 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) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳（メタデータ） (2019-12-30T14:42:52Z)
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。