論文の概要: SOH-KLSTM: A Hybrid Kolmogorov-Arnold Network and LSTM Model for Enhanced Lithium-Ion Battery Health Monitoring

• arxiv url: http://arxiv.org/abs/2509.10496v1
• Date: Sun, 31 Aug 2025 19:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.752309
• Title: SOH-KLSTM: A Hybrid Kolmogorov-Arnold Network and LSTM Model for Enhanced Lithium-Ion Battery Health Monitoring
• Title（参考訳）: SOH-KLSTM:リチウムイオン電池モニタリングのためのハイブリッドコルモゴロフ・アルノルドネットワークとLSTMモデル
• Authors: Imen Jarraya, Safa Ben Atitallah, Fatimah Alahmeda, Mohamed Abdelkadera, Maha Drissa, Fatma Abdelhadic, Anis Koubaaa,
• Abstract要約: 我々は,Li電池の健康モニタリングのためのLSTMにおいて,KAN(Kolmogorov-Arnold Network)を用いた新しいSOH予測フレームワーク(SOH-KLSTM)を提案する。 このハイブリッドアプローチは、LSTMが正確な時系列予測のための長期的な依存関係を学習する能力と、Kanの非線形近似能力を組み合わせて、リチウム電池の複雑な劣化挙動を効果的に捉える。
• 参考スコア（独自算出の注目度）: 0.2094545406831271
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate and reliable State Of Health (SOH) estimation for Lithium (Li) batteries is critical to ensure the longevity, safety, and optimal performance of applications like electric vehicles, unmanned aerial vehicles, consumer electronics, and renewable energy storage systems. Conventional SOH estimation techniques fail to represent the non-linear and temporal aspects of battery degradation effectively. In this study, we propose a novel SOH prediction framework (SOH-KLSTM) using Kolmogorov-Arnold Network (KAN)-Integrated Candidate Cell State in LSTM for Li batteries Health Monitoring. This hybrid approach combines the ability of LSTM to learn long-term dependencies for accurate time series predictions with KAN's non-linear approximation capabilities to effectively capture complex degradation behaviors in Lithium batteries.
• Abstract（参考訳）: リチウム(Li)電池の精度が高く信頼性の高い状態状態(SOH)推定は、電気自動車、無人航空機、家電、再生可能エネルギー貯蔵システムなどのアプリケーションの長寿命性、安全性、最適な性能を保証するために重要である。 従来のSOH推定手法では、電池劣化の非線形および時間的側面を効果的に表現できない。 本研究では,Li電池の健康モニタリングのためのLSTMにおけるKAN(Kolmogorov-Arnold Network)を用いた新しいSOH予測フレームワーク(SOH-KLSTM)を提案する。 このハイブリッドアプローチは、LSTMが正確な時系列予測のための長期依存を学習する能力と、Kanの非線形近似能力を組み合わせて、リチウム電池の複雑な劣化挙動を効果的に捉える。

関連論文リスト

• A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
  トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。 従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。 本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-12-09T11:54:09Z)
• Shielded Controller Units for RL with Operational Constraints Applied to Remote Microgrids [50.64533198075622]
  強化学習(Reinforcement Learning, RL)は、不確実性の下で複雑なシステムにおける意思決定を最適化するための強力なフレームワークである。 本稿では,システムダイナミクスの事前知識を活用する体系的かつ解釈可能なアプローチであるシールド制御ユニット(SCU)を紹介する。 本研究では,厳密な運用要件を持つ遠隔マイクログリッド最適化タスクにおけるSCUの有効性を示す。
  論文  参考訳（メタデータ） (2025-11-30T19:28:34Z)
• Residual Connection-Enhanced ConvLSTM for Lithium Dendrite Growth Prediction [4.8792835969814945]
  リチウムデンドライトの成長は、充電可能な電池の性能と安全性に大きな影響を及ぼす。 本研究では,デンドライト成長パターンの予測モデルを提案し,精度と計算効率を向上した。
  論文  参考訳（メタデータ） (2025-06-21T16:27:59Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• OBELiX: A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State Electrolytes [39.33713747927337]
  固体電解質電池は近い将来、液体電解質リチウムイオン電池を置き換えることが期待されている。 現在、それらの採用は、より効果的なイオン伝導率の低下によって妨げられている。 OBELiXは、合成固体電解質材料とその実験的に測定された室温イオン伝導度のデータベースである。
  論文  参考訳（メタデータ） (2025-02-20T03:59:35Z)
• 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)
• State-of-Health Prediction for EV Lithium-Ion Batteries via DLinear and Robust Explainable Feature Selection [14.672460390509334]
  電気自動車(EV)に適した、説明可能な、データ駆動型健康状態予測(SOH)フレームワークを提案する。 我々は、電圧、電流、温度、時間プロファイルから20種類の有意な特徴を抽出し、ピアソン相関法とシェープリー加法説明法(SHAP)を用いて鍵となる特徴を選択する。 SHAPによる選択は複数の細胞に一貫した機能的重要性をもたらし、細胞間変動(CtCV)を効果的に捉える
  論文  参考訳（メタデータ） (2025-01-20T15:28:20Z)
• Intra-day Solar and Power Forecast for Optimization of Intraday Market Participation [31.426172725953638]
  太陽光照射の予測により、太陽光発電(PV)発電とグリッド統合の信頼性が向上する。 本研究は, 長短期記憶(LSTM)モデルとBi-LSTMモデルを用いて, 6時間の地平線と10分間の分解能で太陽光照射を予測する。 LSTM予測は平均して時間分解能モデルを作成し、平均絶対誤差、ルート平均二乗誤差、正規化ルート平均二乗誤差、平均絶対二乗誤差を用いて評価した。
  論文  参考訳（メタデータ） (2025-01-16T14:12:03Z)
• SHIELD: LLM-Driven Schema Induction for Predictive Analytics in EV Battery Supply Chain Disruptions [52.90276059116822]
  ShiELDは、大型言語モデル(LLM)とEVバッテリサプライチェーンリスクアセスメントのためのドメインの専門知識を組み合わせたものだ。 365の資料(2022-2023)から12,070段落を評価したところ、ShiELDは破壊予測においてベースラインGCNとLLM+prompt法より優れていた。
  論文  参考訳（メタデータ） (2024-08-09T22:08:12Z)
• 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)
• 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)
• DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL for Lithium-Ion Batteries [6.930255986517943]
  本稿では,Deep Inter and intra-Cycle Attention Network (DIICAN) という状態結合型協調推定手法を提案する。 DIICAN法はオックスフォード・バッテリ・データセット上で検証される。
  論文  参考訳（メタデータ） (2022-10-20T14:42:20Z)
• 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。