論文の概要: Knowledge-Aware Modeling with Frequency Adaptive Learning for Battery Health Prognostics

• arxiv url: http://arxiv.org/abs/2510.02839v1
• Date: Fri, 03 Oct 2025 09:24:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.335677
• Title: Knowledge-Aware Modeling with Frequency Adaptive Learning for Battery Health Prognostics
• Title（参考訳）: 周波数適応学習を用いたバッテリ健康診断のための知識認識モデリング
• Authors: Vijay Babu Pamshetti, Wei Zhang, Sumei Sun, Jie Zhang, Yonggang Wen, Qingyu Yan,
• Abstract要約: Karmaは、バッテリ容量推定のための周波数適応学習と有用な寿命予測のための知識認識モデルである。 1つのストリームが長期の低周波劣化傾向を捉え、もう1つのモデルが高周波短期力学をモデル化する2重ストリームディープラーニングアーキテクチャを開発した。 実験では、Karmaの優れた性能を示し、バッテリーの健康予測のための最先端のアルゴリズムよりも平均エラーを50.6%、32.6%削減した。
• 参考スコア（独自算出の注目度）: 27.840159692578354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Battery health prognostics are critical for ensuring safety, efficiency, and sustainability in modern energy systems. However, it has been challenging to achieve accurate and robust prognostics due to complex battery degradation behaviors with nonlinearity, noise, capacity regeneration, etc. Existing data-driven models capture temporal degradation features but often lack knowledge guidance, which leads to unreliable long-term health prognostics. To overcome these limitations, we propose Karma, a knowledge-aware model with frequency-adaptive learning for battery capacity estimation and remaining useful life prediction. The model first performs signal decomposition to derive battery signals in different frequency bands. A dual-stream deep learning architecture is developed, where one stream captures long-term low-frequency degradation trends and the other models high-frequency short-term dynamics. Karma regulates the prognostics with knowledge, where battery degradation is modeled as a double exponential function based on empirical studies. Our dual-stream model is used to optimize the parameters of the knowledge with particle filters to ensure physically consistent and reliable prognostics and uncertainty quantification. Experimental study demonstrates Karma's superior performance, achieving average error reductions of 50.6% and 32.6% over state-of-the-art algorithms for battery health prediction on two mainstream datasets, respectively. These results highlight Karma's robustness, generalizability, and potential for safer and more reliable battery management across diverse applications.
• Abstract（参考訳）: バッテリーの健康診断は、現代のエネルギーシステムの安全性、効率、持続可能性を保証するために重要である。 しかし, 非線形性, ノイズ, キャパシティ・リジェネレーションなどの複雑な電池劣化挙動のため, 精度が高く, 堅牢な診断を行うことは困難である。 既存のデータ駆動モデルは、時間的劣化の特徴をキャプチャするが、しばしば知識のガイダンスが欠如しており、信頼性の低い長期的な健康診断に繋がる。 これらの制約を克服するために,電池容量推定のための周波数適応学習と有用な寿命予測のための知識認識モデルであるKarmaを提案する。 モデルはまず、異なる周波数帯域のバッテリ信号を導出する信号分解を行う。 1つのストリームが長期の低周波劣化傾向を捉え、もう1つのモデルが高周波短期力学をモデル化する2重ストリームディープラーニングアーキテクチャを開発した。 カルマは、バッテリ劣化を経験的研究に基づく二重指数関数としてモデル化した知識で予後を調節する。 我々の二重ストリームモデルは、物理的に一貫した信頼性のある予測と不確実な定量化を保証するために、粒子フィルタを用いて知識のパラメータを最適化するために使用される。 実験により、Karmaは2つの主流データセット上でのバッテリーの状態を予測するための最先端のアルゴリズムよりも平均誤差を50.6%、32.6%削減した。 これらの結果は、Karmaの堅牢性、一般化可能性、および多様なアプリケーションにわたるより安全で信頼性の高いバッテリー管理の可能性を強調している。

関連論文リスト

• A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
  本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。 提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
  論文  参考訳（メタデータ） (2025-06-16T15:38:39Z)
• Survival Analysis with Machine Learning for Predicting Li-ion Battery Remaining Useful Life [4.6033243214188415]
  本研究では、生存データ再構成、生存モデル学習、生存確率推定を統合したハイブリッド生存分析フレームワークを提案する。 提案手法は, 電池電圧時系列を経路シグネチャを用いた時間から障害データに変換する。 トヨタのバッテリとNASAのバッテリデータセットを用いて行った実験は,我々のアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2025-03-17T02:49:34Z)
• ImputeFormer: Low Rankness-Induced Transformers for Generalizable Spatiotemporal Imputation [43.684035409535696]
  既存の計算ソリューションには、主に低ランクモデルとディープラーニングモデルが含まれる。 強誘導バイアスと高時間モデル表現率の低ランク化によるバイアスバランスを示す。 交通流,太陽エネルギー,スマートメーター,空気品質など,異種データセットの精度,効率,汎用性において,その優位性を示す。
  論文  参考訳（メタデータ） (2023-12-04T08:35:31Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Evaluating feasibility of batteries for second-life applications using machine learning [0.0]
  本稿では,引退した電気自動車電池の迅速な評価を可能にするための機械学習技術の組み合わせについて述べる。 提案アルゴリズムは,利用可能なバッテリ電流と簡易な統計値を用いた電圧測定から特徴量を生成する。 相関分析を用いて特徴を選択し、ランク付けし、バッジによって強化されたガウスプロセス回帰を採用する。
  論文  参考訳（メタデータ） (2022-03-08T18:07:33Z)
• Simple statistical models and sequential deep learning for Lithium-ion batteries degradation under dynamic conditions: Fractional Polynomials vs Neural Networks [1.8899300124593648]
  リチウム イオン電池の長寿そして安全は電池の作動条件の有効な監視そして調節によって促進されます。 バッテリー管理システム上の状態の健康(SoH)監視のための迅速かつ正確なアルゴリズムを実装することが重要です。 本稿では,長期記憶ニューラルネットワークと多変量多項回帰の2つのデータ駆動手法を提案し,比較する。
  論文  参考訳（メタデータ） (2021-02-16T12:26:23Z)

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。