論文の概要: State of Health Estimation of Batteries Using a Time-Informed Dynamic Sequence-Inverted Transformer

• arxiv url: http://arxiv.org/abs/2507.18320v1
• Date: Thu, 24 Jul 2025 11:43:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:43.526576
• Title: State of Health Estimation of Batteries Using a Time-Informed Dynamic Sequence-Inverted Transformer
• Title（参考訳）: 時間インフォームドダイナミックシーケンス変換器を用いた電池の健康状態推定
• Authors: Janak M. Patel, Milad Ramezankhani, Anirudh Deodhar, Dagnachew Birru,
• Abstract要約: 電池はエネルギー貯蔵システムの効率と安全性において中心的な役割を担っているが、充電サイクルが繰り返されているため、必然的に時間の経過とともに劣化する。 したがって、運用上の信頼性と安全性を確保するためには、バッテリーの状態(SoH)の正確な推定が不可欠である。 我々は新しいアーキテクチャを提案する: Time-Informed Dynamic Sequence Inverted Transformer (TIDSIT) NASAのバッテリー劣化データセットの実験結果によると、TIDSITは既存のモデルを大幅に上回り、予測誤差を50%以上削減し、SoH予測誤差を0.58%以下に維持している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rapid adoption of battery-powered vehicles and energy storage systems over the past decade has made battery health monitoring increasingly critical. Batteries play a central role in the efficiency and safety of these systems, yet they inevitably degrade over time due to repeated charge-discharge cycles. This degradation leads to reduced energy efficiency and potential overheating, posing significant safety concerns. Accurate estimation of a State of Health (SoH) of battery is therefore essential for ensuring operational reliability and safety. Several machine learning architectures, such as LSTMs, transformers, and encoder-based models, have been proposed to estimate SoH from discharge cycle data. However, these models struggle with the irregularities inherent in real-world measurements: discharge readings are often recorded at non-uniform intervals, and the lengths of discharge cycles vary significantly. To address this, most existing approaches extract features from the sequences rather than processing them in full, which introduces information loss and compromises accuracy. To overcome these challenges, we propose a novel architecture: Time-Informed Dynamic Sequence Inverted Transformer (TIDSIT). TIDSIT incorporates continuous time embeddings to effectively represent irregularly sampled data and utilizes padded sequences with temporal attention mechanisms to manage variable-length inputs without discarding sequence information. Experimental results on the NASA battery degradation dataset show that TIDSIT significantly outperforms existing models, achieving over 50% reduction in prediction error and maintaining an SoH prediction error below 0.58%. Furthermore, the architecture is generalizable and holds promise for broader applications in health monitoring tasks involving irregular time-series data.
• Abstract（参考訳）: 過去10年でバッテリー駆動車やエネルギー貯蔵システムが急速に普及し、バッテリーの健康モニタリングがますます重要になっている。 電池は、これらのシステムの効率と安全性において中心的な役割を果たすが、充電サイクルが繰り返されるため、必然的に時間の経過とともに劣化する。 この劣化はエネルギー効率と潜在的な過熱を減少させ、重大な安全上の懸念を生じさせる。 したがって、運用上の信頼性と安全性を確保するためには、バッテリーの状態(SoH)の正確な推定が不可欠である。 LSTM、トランスフォーマー、エンコーダベースのモデルなど、いくつかの機械学習アーキテクチャが、放電サイクルデータからSoHを推定するために提案されている。 しかし、これらのモデルでは実世界の測定に固有の不規則さに苦慮しており、放電読み取りは非一様間隔で記録されることが多く、放電サイクルの長さは著しく異なる。 これを解決するために、既存のほとんどのアプローチは、情報を完全に処理するのではなく、シーケンスから特徴を抽出し、情報損失と精度の妥協をもたらす。 これらの課題を克服するために,時間インフォームド動的シーケンス変換器 (TIDSIT) という新しいアーキテクチャを提案する。 TIDSITは、不規則にサンプリングされたデータを効果的に表現するために連続時間埋め込みを導入し、時間的注意機構を備えたパッドドシーケンスを使用して、シーケンス情報を捨てることなく可変長入力を管理する。 NASAのバッテリー劣化データセットの実験結果によると、TIDSITは既存のモデルを大幅に上回り、予測誤差を50%以上削減し、SoH予測誤差を0.58%以下に維持している。 さらに、アーキテクチャは一般化可能であり、不規則な時系列データを含む健康モニタリングタスクにおける幅広い応用を約束する。

関連論文リスト

• BatteryBERT for Realistic Battery Fault Detection Using Point-Masked Signal Modeling [1.7397173676239939]
  本稿では,バッテリー故障検出のためのBERTスタイルの事前学習を適応する新しいフレームワークを提案する。 標準のBERTアーキテクチャを、カスタマイズされた時系列からトーケン表現モジュールと、ポイントレベルのマスケッド信号モデリング(point-MSM)プリトレーニングタスクで拡張する。 このアプローチは、シーケンシャル電流、電圧、その他の電荷放電サイクルデータに対する自己教師付き学習を可能にする。
  論文  参考訳（メタデータ） (2025-05-31T06:06:08Z)
• Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction [0.0]
  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。
  論文  参考訳（メタデータ） (2025-04-25T10:24:45Z)
• Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
  我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。 我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。 分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
  論文  参考訳（メタデータ） (2025-02-10T04:42:11Z)
• Rough Transformers: Lightweight and Continuous Time Series Modelling through Signature Patching [46.58170057001437]
  本稿では,入力シーケンスの連続時間表現で動作するトランスフォーマーモデルのバリエーションであるRough Transformerを紹介する。 様々な時系列関連タスクにおいて、Rough Transformersはベニラアテンションよりも常に優れています。
  論文  参考訳（メタデータ） (2024-05-31T14:00:44Z)
• Rough Transformers for Continuous and Efficient Time-Series Modelling [46.58170057001437]
  実世界の医療環境における時系列データは、典型的には長距離依存を示し、一様でない間隔で観察される。 本稿では,入力シーケンスの連続時間表現で動作するトランスフォーマーモデルのバリエーションであるRough Transformerを紹介する。 Rough Transformersは、Neural ODEベースのモデルの利点を得ながら、バニラアテンションを一貫して上回ります。
  論文  参考訳（メタデータ） (2024-03-15T13:29:45Z)
• Remaining useful life prediction of Lithium-ion batteries using spatio-temporal multimodal attention networks [4.249657064343807]
  リチウムイオン電池は、電気自動車や再生可能エネルギー貯蔵など様々な用途で広く使われている。 電池の残存寿命(RUL)の予測は信頼性と効率の確保に不可欠である。 本稿では, 時空間アテンションネットワーク(ST-MAN)を用いたリチウムイオン電池の2段階RUL予測手法を提案する。
  論文  参考訳（メタデータ） (2023-10-29T07:32:32Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge Prediction [2.670887944566458]
  本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。 実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2022-06-01T15:31:06Z)
• Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting [86.33543833145457]
  本稿では,2つの相互依存モジュールを持つ汎用フレームワークとして,非定常変圧器を提案する。 我々のフレームワークは、メインストリームのトランスフォーマーを、大きなマージンで継続的に増加させ、トランスフォーマーで49.43%、インフォーマーで47.34%、改革派で46.89%削減します。
  論文  参考訳（メタデータ） (2022-05-28T12:27:27Z)
• Lithium-ion Battery State of Health Estimation based on Cycle Synchronization using Dynamic Time Warping [13.19976118887128]
  健康状態推定(SOH)は、電池容量の減少による予期せぬ故障を避けるために、電池駆動アプリケーションにおいて重要な役割を担っている。 本稿では、動的時間ワープを用いて、既存の座標系を変更するための革新的なサイクル同期手法を提案する。 提案手法は,時系列の時間情報を活用することで,時間指標と元の測定値を新しい指標に組み込んで,電池劣化状況を反映する。
  論文  参考訳（メタデータ） (2021-09-28T02:53:54Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• 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)

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。