論文の概要: End-to-End Framework for Predicting the Remaining Useful Life of Lithium-Ion Batteries

• arxiv url: http://arxiv.org/abs/2505.16664v1
• Date: Thu, 22 May 2025 13:28:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.325208
• Title: End-to-End Framework for Predicting the Remaining Useful Life of Lithium-Ion Batteries
• Title（参考訳）: リチウムイオン電池の寿命予測のためのエンド・ツー・エンドフレームワーク
• Authors: Khoa Tran, Tri Le, Bao Huynh, Hung-Cuong Trinh, Vy-Rin Nguyen,
• Abstract要約: 本稿では、最近のチャージ放電サイクルのデータを利用して残りの使用可能なサイクル数を推定するRUL予測手法を提案する。 提案手法は101.59のRMSEを達成し,実世界のRUL予測への応用の可能性を強調した。
• 参考スコア（独自算出の注目度）: 0.04660328753262073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of the Remaining Useful Life (RUL) is essential for enabling timely maintenance of lithium-ion batteries, impacting the operational efficiency of electric applications that rely on them. This paper proposes a RUL prediction approach that leverages data from recent charge-discharge cycles to estimate the number of remaining usable cycles. The approach introduces both a novel signal processing pipeline and a deep learning prediction model. In the signal preprocessing pipeline, a derived capacity feature is computed based on current and capacity signals. Alongside original capacity, voltage and current, these features are denoised and enhanced using statistical metrics and a delta-based method to capture differences between the current and previous cycles. In the prediction model, the processed features are then fed into a hybrid deep learning architecture composed of 1D Convolutional Neural Networks (CNN), Attentional Long Short-Term Memory (A-LSTM), and Ordinary Differential Equation-based LSTM (ODE-LSTM) modules. This architecture is designed to capture both local signal characteristics and long-range temporal dependencies while modeling the continuous-time dynamics of battery degradation. The model is further evaluated using transfer learning across different learning strategies and target data partitioning scenarios. Results indicate that the model maintains robust performance, even when fine-tuned on limited target data. Experimental results on two publicly available large-scale datasets demonstrate that the proposed method outperforms a baseline deep learning approach and machine learning techniques, achieving an RMSE of 101.59, highlighting its strong potential for real-world RUL prediction applications.
• Abstract（参考訳）: リチウムイオン電池のタイムリーなメンテナンスを可能にするためには, 残留実用寿命(RUL)の正確な予測が不可欠である。 本稿では、最近のチャージ放電サイクルのデータを利用して残りの使用可能なサイクル数を推定するRUL予測手法を提案する。 このアプローチは、新しい信号処理パイプラインとディープラーニング予測モデルの両方を導入している。 信号前処理パイプラインでは、電流および容量信号に基づいて導出容量特徴を算出する。 もともとの容量、電圧、電流に加えて、これらの特徴は、統計メトリクスとデルタ法を用いて、現在のサイクルと前のサイクルの違いを捉え、拡張される。 予測モデルでは、処理された特徴を1次元畳み込みニューラルネットワーク(CNN)、注意的長期記憶(A-LSTM)、通常微分方程式に基づくLSTM(ODE-LSTM)モジュールからなるハイブリッドディープラーニングアーキテクチャに入力する。 このアーキテクチャは、電池劣化の連続時間ダイナミクスをモデル化しながら、局所的な信号特性と長距離時間依存性の両方をキャプチャするように設計されている。 モデルは、異なる学習戦略とターゲットデータパーティショニングシナリオをまたいだトランスファーラーニングを用いて、さらに評価される。 その結果,限られた対象データに微調整を施しても,モデルが頑健な性能を維持することが示唆された。 2つの一般公開された大規模データセットの実験結果から,提案手法はベースラインのディープラーニング手法と機械学習技術より優れており,RMSEの101.59を達成し,実世界のRUL予測アプリケーションに対するその強力な可能性を強調している。

関連論文リスト

• HybridoNet-Adapt: A Domain-Adapted Framework for Accurate Lithium-Ion Battery RUL Prediction [0.6306103927990603]
  本稿では,ドメイン適応(DA)技術を組み込んだ新しいRUL予測フレームワークを提案する。 本フレームワークは,ノイズ低減,特徴抽出,正規化を含む信号前処理パイプラインを,堅牢なディープラーニングモデルと統合する。 実験の結果、HybridoNet Adaptは従来のモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-03-27T11:35:25Z)
• 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)
• CNN-LSTM Hybrid Deep Learning Model for Remaining Useful Life Estimation [0.0]
  RUL推定のための畳み込みニューラルネットワークとLong Short-Term Memory(LSTM)ネットワークを組み合わせたハイブリッドアプローチを提案する。 以上の結果から,CNN-LSTMハイブリッドモデルが最も精度が高く,他の手法よりも優れたスコアが得られた。
  論文  参考訳（メタデータ） (2024-12-20T15:48:57Z)
• 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)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• 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)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。