Fugu-MT 論文翻訳(概要): Reinforcement Learning for Robust Ageing-Aware Control of Li-ion Battery Systems with Data-Driven Formal Verification

論文の概要: Reinforcement Learning for Robust Ageing-Aware Control of Li-ion Battery Systems with Data-Driven Formal Verification

arxiv url: http://arxiv.org/abs/2509.04288v2
Date: Sat, 06 Sep 2025 20:36:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-09 12:02:46.931266
Title: Reinforcement Learning for Robust Ageing-Aware Control of Li-ion Battery Systems with Data-Driven Formal Verification
Title（参考訳）: データ駆動形式検証によるリチウムイオン電池システムのロバスト時効制御のための強化学習
Authors: Rudi Coppola, Hovsep Touloujian, Pierfrancesco Ombrini, Manuel Mazo Jr,
Abstract要約: 対処すべき根本的な課題は、充電速度と老化行動のトレードオフである。我々は高忠実度物理ベースのバッテリモデルに頼り、データ駆動充電と安全プロトコル設計へのアプローチを提案する。
参考スコア（独自算出の注目度）: 0.3499870393443268
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Rechargeable lithium-ion (Li-ion) batteries are a ubiquitous element of modern technology. In the last decades, the production and design of such batteries and their adjacent embedded charging and safety protocols, denoted by Battery Management Systems (BMS), has taken central stage. A fundamental challenge to be addressed is the trade-off between the speed of charging and the ageing behavior, resulting in the loss of capacity in the battery cell. We rely on a high-fidelity physics-based battery model and propose an approach to data-driven charging and safety protocol design. Following a Counterexample-Guided Inductive Synthesis scheme, we combine Reinforcement Learning (RL) with recent developments in data-driven formal methods to obtain a hybrid control strategy: RL is used to synthesise the individual controllers, and a data-driven abstraction guides their partitioning into a switched structure, depending on the initial output measurements of the battery. The resulting discrete selection among RL-based controllers, coupled with the continuous battery dynamics, realises a hybrid system. When a design meets the desired criteria, the abstraction provides probabilistic guarantees on the closed-loop performance of the cell.
Abstract（参考訳）: 充電可能なリチウムイオン(リチウムイオン)電池は現代の技術のユビキタスな要素である。過去数十年間、バッテリ・マネジメント・システムズ(BMS)は、これらのバッテリの製造と設計と、隣のバッテリの組み込み充電および安全プロトコルを中心的に採用してきた。基本的な課題は充電速度と老朽化挙動のトレードオフであり、電池の容量が失われる。我々は高忠実度物理ベースのバッテリモデルに頼り、データ駆動充電と安全プロトコル設計へのアプローチを提案する。逆例誘導帰納型合成スキームに続き、強化学習(RL)とデータ駆動型形式手法の最近の発展を組み合わせ、ハイブリッド制御戦略を得る: RLは個々のコントローラを合成するために使用され、データ駆動型抽象化は、バッテリーの初期出力測定に応じて分割を切替構造にガイドする。結果として、連続電池のダイナミクスと組み合わさったRLベースのコントローラの離散的な選択は、ハイブリッドシステムを実現する。設計が所望の基準を満たすとき、この抽象化はセルの閉ループ性能に関する確率論的保証を提供する。

関連論文リスト

Expert-Guided LLM Reasoning for Battery Discovery: From AI-Driven Hypothesis to Synthesis and Characterization [47.97016882216093]
大型言語モデル(LLM)は複雑な問題に対処するためにチェーン・オブ・シント(CoT)技術を利用する。ドメイン知識を統合した新しいエージェントフレームワークであるChatBatteryを,材料設計におけるより効果的な推論に向けて導入する。新規リチウムイオン電池陰極材料3種を同定,合成,特性評価し,28.8%,25.2%,18.5%の実用能力向上を実現した。
論文参考訳（メタデータ） (2025-07-21T23:46:11Z)
Optimizing the Charging of Open Quantum Batteries using Long Short-Term Memory-Driven Reinforcement Learning [0.0]
電池が充電器と構造型貯水池と相互作用するオープンな量子環境下での量子電池の充電過程について検討する。長寿命短期記憶(LSTM)ネットワークとともに、決定論的ポリシー勾配アルゴリズムを用いた強化学習(RL)充電戦略を提案する。 RLプロトコルは、駆動磁場振幅と結合パラメータをリアルタイムに制御することで、従来の固定戦略を一貫して上回る。
論文参考訳（メタデータ） (2025-04-28T14:40:11Z)
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)
Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。 CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
論文参考訳（メタデータ） (2024-04-11T09:08:45Z)
BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
論文参考訳（メタデータ） (2024-04-08T18:05:24Z)
Adapting Amidst Degradation: Cross Domain Li-ion Battery Health Estimation via Physics-Guided Test-Time Training [19.606703130917325]
リチウムイオン電池(LIB)の健康モデリングは、安全で効率的なエネルギー管理に不可欠であり、社会経済的に重要な意味を持つ。本稿では,劣化中の各対象データ(UTD)を連続的に使用してモデルを適応させる,実践的なテストタイムトレーニングフレームワークであるBatteryTTTを紹介する。それぞれのUTDを完全に活用するために、BatteryTTTはPhyscics-Guided Test-Time Trainingと呼ばれる、現代のLIB固有の物理法則を自己教師付き学習に統合する。
論文参考訳（メタデータ） (2024-01-30T14:47:15Z)
A Dynamic Feedforward Control Strategy for Energy-efficient Building System Operation [59.56144813928478]
現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
論文参考訳（メタデータ） (2023-01-23T09:07:07Z)
Transfer Learning and Vision Transformer based State-of-Health prediction of Lithium-Ion Batteries [1.2468700211588883]
健康状態(SOH)の正確な予測は、電池寿命に対するユーザの不安を緩和するだけでなく、バッテリーの管理に重要な情報を提供する。本稿では,視覚変換器(ViT)モデルに基づくSOHの予測手法を提案する。
論文参考訳（メタデータ） (2022-09-07T16:54:15Z)
Learning Hybrid Control Barrier Functions from Data [66.37785052099423]
ハイブリッドシステムの安全な制御法則を得るための体系的なツールが欠如していることから,データから確実に安全な制御法則を学習するための最適化ベースのフレームワークを提案する。特に、システムダイナミクスが知られており、安全なシステム動作を示すデータが利用可能であるような設定を仮定する。
論文参考訳（メタデータ） (2020-11-08T23:55:02Z)
State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural Networks [68.8204255655161]
リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
論文参考訳（メタデータ） (2020-09-20T23:47:11Z)
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。