論文の概要: Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction

• arxiv url: http://arxiv.org/abs/2504.18230v1
• Date: Fri, 25 Apr 2025 10:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.73642
• Title: Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction
• Title（参考訳）: ヒューズ学習:バッテリー寿命予測のためのマルチソースデータの動的統合
• Authors: He Shanxuan, Lin Zuhong, Yu Bolun, Gao Xu, Long Biao, Yao Jingjing,
• Abstract要約: 本研究では,バッテリ寿命予測のためのハイブリッド学習フレームワークを提案する。 動的マルチソースデータ融合と積み重ねアンサンブル(SE)モデリングアプローチを統合する。 平均絶対誤差(MAE)は0.0058、根平均二乗誤差(RMSE)は0.0092、決定係数(R2)は0.9839である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of lithium-ion battery lifespan is vital for ensuring operational reliability and reducing maintenance costs in applications like electric vehicles and smart grids. This study presents a hybrid learning framework for precise battery lifespan prediction, integrating dynamic multi-source data fusion with a stacked ensemble (SE) modeling approach. By leveraging heterogeneous datasets from the National Aeronautics and Space Administration (NASA), Center for Advanced Life Cycle Engineering (CALCE), MIT-Stanford-Toyota Research Institute (TRC), and nickel cobalt aluminum (NCA) chemistries, an entropy-based dynamic weighting mechanism mitigates variability across heterogeneous datasets. The SE model combines Ridge regression, long short-term memory (LSTM) networks, and eXtreme Gradient Boosting (XGBoost), effectively capturing temporal dependencies and nonlinear degradation patterns. It achieves a mean absolute error (MAE) of 0.0058, root mean square error (RMSE) of 0.0092, and coefficient of determination (R2) of 0.9839, outperforming established baseline models with a 46.2% improvement in R2 and an 83.2% reduction in RMSE. Shapley additive explanations (SHAP) analysis identifies differential discharge capacity (Qdlin) and temperature of measurement (Temp_m) as critical aging indicators. This scalable, interpretable framework enhances battery health management, supporting optimized maintenance and safety across diverse energy storage systems, thereby contributing to improved battery health management in energy storage systems.
• Abstract（参考訳）: リチウムイオン電池寿命の正確な予測は、電気自動車やスマートグリッドなどのアプリケーションにおける運転信頼性の確保とメンテナンスコストの削減に不可欠である。 本研究では,動的マルチソースデータ融合と重畳型アンサンブル(SE)モデリングを併用し,バッテリ寿命予測の精度向上を目的としたハイブリッド学習フレームワークを提案する。 アメリカ航空宇宙局(NASA)、CALCE(Center for Advanced Life Cycle Engineering)、MIT-Stanford-Toyota Research Institute(TRC)、およびニッケルコバルトアルミニウム(NCA)化学の異種データセットを活用することで、異種データセット間の変動を緩和するエントロピーベースの動的重み付け機構である。 SEモデルは、リッジ回帰、長寿命メモリ(LSTM)ネットワーク、およびeXtreme Gradient Boosting(XGBoost)を組み合わせて、時間依存性と非線形劣化パターンを効果的にキャプチャする。 平均絶対誤差(MAE)は0.0058、根平均二乗誤差(RMSE)は0.0092、決定係数(R2)は0.9839、確立されたベースラインモデルでは46.2%、RMSEでは83.2%である。 Shapley additive explanations (SHAP) 分析は,QdlinとTemp_mを臨界加齢指標として同定する。 このスケーラブルで解釈可能なフレームワークは、バッテリの健康管理を強化し、多様なエネルギー貯蔵システム間でのメンテナンスと安全性の最適化をサポートし、エネルギー貯蔵システムにおけるバッテリの健康管理の改善に寄与する。

関連論文リスト

• Battery State of Health Estimation Using LLM Framework [0.0]
  本研究では,リチウムチタン酸リチウム(LTO)電池の健康状態(SoH)を推定するためのトランスフォーマーベースのフレームワークを提案する。 電荷持続時間がエネルギー貯蔵の傾向に与える影響を実証し、容量変化を監視するために差分電圧解析(DVA)を適用した。 我々のモデルは、平均絶対誤差(MAE)を0.87%まで低くし、様々なレイテンシメトリクスで優れた性能を達成する。
  論文  参考訳（メタデータ） (2025-01-30T03:55:56Z)
• Improving Low-Fidelity Models of Li-ion Batteries via Hybrid Sparse Identification of Nonlinear Dynamics [1.5728609542259502]
  本稿では,低次リチウムイオン電池モデルの忠実度向上のためのデータインスパイアされたアプローチを提案する。 提案手法は, 遺伝的アルゴリズムとGA-stridgeとを組み合わせて, 低忠実度モデル (LFM) と高忠実度モデル (HFM) の差分を識別・補償する。 物理に基づく手法とデータ駆動方式を組み合わせたハイブリッドモデルは、ベースラインFMと比較して電圧予測誤差を著しく低減できることを示すために、異なる駆動サイクルで試験される。
  論文  参考訳（メタデータ） (2024-11-20T00:00:11Z)
• A Scientific Machine Learning Approach for Predicting and Forecasting Battery Degradation in Electric Vehicles [1.393499936476792]
  我々は,Scientific Machine Learningフレームワークを用いて,電池劣化の予測と長期予測を行う新しい手法を提案する。 我々は、予測と予測の両方が実用的な条件を反映していることを保証するために、地中真実データを組み込んだ。 我々のアプローチは、エネルギーシステムの持続可能性に貢献し、よりクリーンで責任あるエネルギーソリューションへの世界的移行を加速させる。
  論文  参考訳（メタデータ） (2024-10-18T09:57:59Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• 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)
• 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)
• 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)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。