論文の概要: Deep Learning Methods for Detecting Thermal Runaway Events in Battery Production Lines
- arxiv url: http://arxiv.org/abs/2504.08632v1
- Date: Fri, 11 Apr 2025 15:35:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-14 14:19:47.830105
- Title: Deep Learning Methods for Detecting Thermal Runaway Events in Battery Production Lines
- Title（参考訳）: 電池製造ラインの熱流出事象検出のための深層学習手法
- Authors: Athanasios Athanasopoulos, Matúš Mihalák, Marcin Pietrasik,
- Abstract要約: オランダの自動車メーカーであるVDL Nedcar のバッテリ生産ラインにおけるサーマルランウェイ検出におけるディープラーニングの適用について検討した。
生産ラインからデータを収集し、ベースライン(非熱流出)と熱流出条件の両方を表現します。
データは光学画像と熱画像の両方で構成され、それを前処理して融合させた後、我々のモデルへの入力として機能した。
- 参考スコア（独自算出の注目度）: 0.5530212768657544
- License:
- Abstract: One of the key safety considerations of battery manufacturing is thermal runaway, the uncontrolled increase in temperature which can lead to fires, explosions, and emissions of toxic gasses. As such, development of automated systems capable of detecting such events is of considerable importance in both academic and industrial contexts. In this work, we investigate the use of deep learning for detecting thermal runaway in the battery production line of VDL Nedcar, a Dutch automobile manufacturer. Specifically, we collect data from the production line to represent both baseline (non thermal runaway) and thermal runaway conditions. Thermal runaway was simulated through the use of external heat and smoke sources. The data consisted of both optical and thermal images which were then preprocessed and fused before serving as input to our models. In this regard, we evaluated three deep-learning models widely used in computer vision including shallow convolutional neural networks, residual neural networks, and vision transformers on two performance metrics. Furthermore, we evaluated these models using explainability methods to gain insight into their ability to capture the relevant feature information from their inputs. The obtained results indicate that the use of deep learning is a viable approach to thermal runaway detection in battery production lines.
- Abstract（参考訳）: バッテリー製造における重要な安全性の1つは熱流出であり、温度が制御不能に上昇し、火災、爆発、有害ガスの排出につながる可能性がある。
このような事象を検知できる自動化システムの開発は,学術的・産業的両面において極めて重要である。
本研究では,オランダの自動車メーカーであるVDL Nedcar のバッテリ生産ラインにおける熱流出検出におけるディープラーニングの適用について検討する。
具体的には、生産ラインからデータを収集し、ベースライン(非熱流出)と熱流出条件の両方を表す。
熱流出は外部熱源と煙源を用いてシミュレートされた。
データは光学画像と熱画像の両方で構成され、それを前処理して融合させた後、我々のモデルへの入力として機能した。
本研究では,浅層畳み込みニューラルネットワーク,残差ニューラルネットワーク,視覚変換器など,コンピュータビジョンで広く使用されている3つのディープラーニングモデルについて,2つの性能指標を用いて評価した。
さらに,これらのモデルを説明可能性法を用いて評価し,関連する特徴情報を入力から捉える能力について考察した。
その結果, 深層学習は, 電池製造ラインの熱流出検出に有効な手法であることが示唆された。
関連論文リスト
- Physics-informed Machine Learning for Battery Pack Thermal Management [8.202484782960967]
電池セルを熱ペーストで囲む冷板を上下に配置した21700バッテリパック間接液体冷却システムを開発した。
冷媒流量が高いため、蓄電池が熱源であるのに対し、冷板は一定の温度境界とみなすことができる。
物理インフォームド畳み込みニューラルネットワークは、電池パックの温度分布を推定する代理モデルとして機能した。
論文 参考訳（メタデータ） (2024-11-15T03:23:26Z) - Binocular Model: A deep learning solution for online melt pool temperature analysis using dual-wavelength Imaging Pyrometry [0.0]
金属添加物製造(AM)において, メルトプール(MP)の温度監視は, 部品品質, プロセス安定性, 欠陥防止, プロセス全体の最適化の確保に不可欠である。
従来の手法は収束が遅く、データを実行可能な洞察に変換するために広範囲な手作業を必要とする。
本稿では,手作業によるデータ処理依存を減らすことを目的とした人工知能(AI)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2024-08-20T18:26:09Z) - Automatic Discovery of Visual Circuits [66.99553804855931]
本稿では,視覚モデルにおける視覚的概念の認識の基盤となる計算グラフのサブグラフを抽出するスケーラブルな手法について検討する。
提案手法は, モデル出力に因果的に影響を及ぼす回路を抽出し, これらの回路を編集することで, 敵攻撃から大きな事前学習モデルを守ることができることがわかった。
論文 参考訳（メタデータ） (2024-04-22T17:00:57Z) - Exploring and Analyzing Wildland Fire Data Via Machine Learning
Techniques [0.0]
熱電対温度の10Hz時系列と乱流運動エネルギー(TKE)の相関について検討した。
風速は、ニュージャージー州のサイラス・リトル・エクスペリメント・フォレスト(Silas Little Experimental Forest)の小さな実験用火傷から収集された。
このプロジェクトは、さまざまな機械学習モデルを用いて、TKEを予測する際に高い精度を達成する。
論文 参考訳（メタデータ） (2023-11-09T03:47:49Z) - An adaptive human-in-the-loop approach to emission detection of Additive
Manufacturing processes and active learning with computer vision [76.72662577101988]
In-situ monitoring and process control in Additive Manufacturing (AM) は大量の排出データを収集することを可能にする。
このデータは、3Dプリントされた部品の3Dおよび2D表現への入力として使用できる。
本研究の目的は,機械学習技術を用いた適応型ヒューマン・イン・ザ・ループ手法を提案することである。
論文 参考訳（メタデータ） (2022-12-12T15:11:18Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using
Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。
既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。
KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文 参考訳（メタデータ） (2021-10-07T02:28:18Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Data-driven Thermal Anomaly Detection for Batteries using Unsupervised
Shape Clustering [4.805591270997103]
本研究では, 温度測定の形状相似性を比較することで, 電池の熱異常を検出するデータ駆動方式を提案する。
モデルベースや他のデータ駆動方式とは異なり、提案手法はデータ損失に対して堅牢であり、異なるパック構成に対して最小限の参照データを必要とする。
論文 参考訳（メタデータ） (2021-03-16T01:29:41Z) - Learning Manifold Implicitly via Explicit Heat-Kernel Learning [63.354671267760516]
そこで,本研究では,熱カーネルを学習することで,多様体情報を暗黙的に取得する,暗黙的多様体学習の概念を提案する。
学習した熱カーネルは、データ生成のための深層生成モデル(DGM)やベイズ推論のためのスタイン変分勾配Descentなど、さまざまなカーネルベースの機械学習モデルに適用することができる。
論文 参考訳（メタデータ） (2020-10-05T03:39:58Z) - Detecting Production Phases Based on Sensor Values using 1D-CNNs [2.359291431338925]
我々は、畳み込みニューラルネットワークの助けを借りて、センサ値の検査により生産段階を特定する。
我々の教師付き学習アプローチは、選択したニューラルネットワークに対して有望な精度を示す。
我々は,本研究で示されたような解決策を,予測的メンテナンスの分野における健全な柱とみなす。
論文 参考訳（メタデータ） (2020-04-24T00:45:48Z)
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。