論文の概要: Survival Analysis with Machine Learning for Predicting Li-ion Battery Remaining Useful Life

• arxiv url: http://arxiv.org/abs/2503.13558v4
• Date: Thu, 03 Apr 2025 21:38:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 18:17:00.987119
• Title: Survival Analysis with Machine Learning for Predicting Li-ion Battery Remaining Useful Life
• Title（参考訳）: 機械学習を用いたリチウムイオン電池の寿命予測
• Authors: Jingyuan Xue, Longfei Wei, Fang Sheng, Jianfei Zhang,
• Abstract要約: 本稿では,RUL推定のための統計モデルと機械学習モデルを統合するハイブリッドサバイバル分析フレームワークを提案する。 提案手法は,時系列バッテリーデータを経路シグネチャを用いた時系列データに変換することにより,有効生存モデルを実現する。 我々は、CoxベースのサバイバルモデルやDeepHitやMTLRといった機械学習ベースの手法を含む5つのモデルを適用し、時間とともに障害のない確率を推定する。
• 参考スコア（独自算出の注目度）: 1.2603104712715607
• License:
• Abstract: Battery degradation significantly impacts the reliability and efficiency of energy storage systems, particularly in electric vehicles (EVs) and industrial applications. Predicting the remaining useful life (RUL) of lithium-ion (Li-ion) batteries is crucial for optimizing maintenance schedules, reducing costs, and improving safety. Traditional RUL prediction methods often struggle with nonlinear degradation patterns and uncertainty quantification. To address these challenges, we propose a hybrid survival analysis framework integrating both statistical and machine-learning-based models for RUL estimation. Our approach transforms time-series battery data into time-to-failure data using path signatures, enabling effective survival modeling. We apply five models, including Cox-based survival models and machine-learning-based methods such as DeepHit and MTLR, to estimate failure-free probabilities over time. Experiments conducted on 362 Toyota battery datasets demonstrate the effectiveness of our approach, achieving high time-dependent AUC and concordance index while maintaining a low integrated Brier score. The proposed methodology provides actionable insights for battery manufacturers and engineers, supporting dynamic maintenance strategies and optimized lifecycle management.
• Abstract（参考訳）: バッテリー劣化は、特に電気自動車(EV)や工業用途において、エネルギー貯蔵システムの信頼性と効率に大きな影響を及ぼす。 リチウムイオン電池の余寿命(RUL)を予測することは、メンテナンススケジュールの最適化、コスト削減、安全性の向上に不可欠である。 従来のRUL予測法は、非線形劣化パターンと不確かさの定量化にしばしば苦労する。 これらの課題に対処するため、RUL推定のための統計モデルと機械学習モデルの両方を統合するハイブリッドサバイバル分析フレームワークを提案する。 提案手法は,時系列バッテリーデータを経路シグネチャを用いた時系列データに変換することにより,有効生存モデルを実現する。 我々は、CoxベースのサバイバルモデルやDeepHitやMTLRといった機械学習ベースの手法を含む5つのモデルを適用し、時間とともに障害のない確率を推定する。 362個のToyotaバッテリデータセットを用いて行った実験は,高時間依存型AUCとコンコータンス指数を達成しつつ,低統合Brierスコアを維持しながら,我々のアプローチの有効性を実証した。 提案手法は, 動的メンテナンス戦略とライフサイクル管理の最適化をサポートするため, 電池製造者や技術者に実用的な知見を提供する。

関連論文リスト

• DLinear-based Prediction of Remaining Useful Life of Lithium-Ion Batteries: Feature Engineering through Explainable Artificial Intelligence [21.867940190460704]
  リチウムイオン電池の残留実用寿命(RUL)は、安全性を確保し、メンテナンスコストを低減し、使用を最適化するために不可欠である。 本研究では,NASAのPrognostics Center of Excellenceのデータセットに適用した,特徴工学とDLinearに基づく正確なRUL予測手法を提案する。
  論文  参考訳（メタデータ） (2025-01-20T15:28:20Z)
• 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)
• Cycle Life Prediction for Lithium-ion Batteries: Machine Learning and More [0.0]
  電池は複雑な非線形時効を持つ動的システムである。 このチュートリアルは、第一原理、機械学習、ハイブリッドバッテリーモデルの概要から始まる。 機械学習モデルの課題を強調し、ハイブリッドモデリングアプローチにおける物理の組み入れを動機づける。
  論文  参考訳（メタデータ） (2024-04-05T12:05:20Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• 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)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• 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)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。