論文の概要: A Physics-Aware Attention LSTM Autoencoder for Early Fault Diagnosis of Battery Systems

• arxiv url: http://arxiv.org/abs/2512.06809v1
• Date: Sun, 07 Dec 2025 11:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.53773
• Title: A Physics-Aware Attention LSTM Autoencoder for Early Fault Diagnosis of Battery Systems
• Title（参考訳）: 電池システムの早期故障診断のための物理認識型LSTMオートエンコーダ
• Authors: Jiong Yang,
• Abstract要約: 物理認識型LSTMオートエンコーダ(PA-ALSTM-AE)を提案する。 このフレームワークは、多段階融合機構を通じて、バッテリー老化法則(マイル)をディープラーニングパイプラインに明示的に統合する。 大規模なVloong実世界のデータセットの実験では、提案手法が最先端のベースラインを大幅に上回ることを示した。
• 参考スコア（独自算出の注目度）: 0.799536002595393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Battery safety is paramount for electric vehicles. Early fault diagnosis remains a challenge due to the subtle nature of anomalies and the interference of dynamic operating noise. Existing data-driven methods often suffer from "physical blindness" leading to missed detections or false alarms. To address this, we propose a Physics-Aware Attention LSTM Autoencoder (PA-ALSTM-AE). This novel framework explicitly integrates battery aging laws (mileage) into the deep learning pipeline through a multi-stage fusion mechanism. Specifically, an adaptive physical feature construction module selects mileage-sensitive features, and a physics-guided latent fusion module dynamically calibrates the memory cells of the LSTM based on the aging state. Extensive experiments on the large-scale Vloong real-world dataset demonstrate that the proposed method significantly outperforms state-of-the-art baselines. Notably, it improves the recall rate of early faults by over 3 times while maintaining high precision, offering a robust solution for industrial battery management systems.
• Abstract（参考訳）: バッテリーの安全性は電気自動車にとって最優先である。 早期故障診断は、異常の微妙な性質と動的動作ノイズの干渉のため、依然として課題である。 既存のデータ駆動方式は、しばしば「物理的盲点」に悩まされ、検出ミスや誤報につながる。 そこで本研究では,Physical-Aware Attention LSTM Autoencoder (PA-ALSTM-AE)を提案する。 この新しいフレームワークは、多段階融合機構を通じて、バッテリー老化法則(マイル)をディープラーニングパイプラインに明示的に統合する。 具体的には、適応物理特徴構築モジュールは、マイル数感受性の特徴を選択し、物理誘導潜在融合モジュールは、老化状態に基づいてLSTMのメモリセルを動的に校正する。 大規模Vloong実世界のデータセットに対する大規模な実験により、提案手法が最先端のベースラインを著しく上回ることを示した。 特に、高い精度を維持しながら早期故障のリコール率を3倍に向上させ、産業用バッテリー管理システムに堅牢なソリューションを提供する。

関連論文リスト

• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Causal Multi-fidelity Surrogate Forward and Inverse Models for ICF Implosions [0.0]
  inertial confinement fusion (ICF) は、実験的な観測とシミュレーション入力パラメータに関する逆問題の解法を必要とする。 ここでは、ICFカプセルの重水素トリチウム(DT)界面を考察し、時間依存の放射温度駆動から界面の半径と速度のダイナミクスにマッピングする因果的、動的、多面的還元次代理を構築する。 我々は,高エネルギー密度システムの発見,設計,診断を加速するために,演算子学習,因果的アーキテクチャ,物理的帰納バイアスをいかに統合するかを示す。
  論文  参考訳（メタデータ） (2025-09-05T21:39:53Z)
• 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)
• Learning to Hear Broken Motors: Signature-Guided Data Augmentation for Induction-Motor Diagnostics [40.044978986425676]
  3相エンジンのインテリジェント診断における機械学習(ML)アルゴリズムの適用は、診断性能と精度を大幅に向上させる可能性がある。 本稿では,エンジン物理モデルを考慮した教師なし異常発生手法を提案する。 SGDA(Signature-Guided Data Augmentation)は、健康な電流信号の周波数領域において、物理的に可塑性な断層を直接合成する、教師なしのフレームワークである。
  論文  参考訳（メタデータ） (2025-06-10T03:36:16Z)
• 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)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• A Multimodal Lightweight Approach to Fault Diagnosis of Induction Motors in High-Dimensional Dataset [1.768285973994044]
  誘導電動機(IM)の正確なAIベースの診断システムは、プロアクティブなメンテナンスを強化し、計画外のダウンタイムを軽減し、産業環境における全体的なメンテナンスコストを抑制する可能性を秘めている。 研究者らは、信号処理(SP)、機械学習(ML)、ディープラーニング(DL)、BRB故障のハイブリッドアーキテクチャを用いた様々な故障診断手法を提案している。 本稿では,1,2,3,4のBRB断層を電流信号と振動信号データを用いて診断するために,ShuffleNetV2というトランスファーラーニングに基づく軽量DLモデルを用いて,BRB断層の大規模データを実装する。
  論文  参考訳（メタデータ） (2025-01-07T12:40:11Z)
• Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
  我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
  論文  参考訳（メタデータ） (2023-04-14T10:09:50Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)

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。