論文の概要: A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles

• arxiv url: http://arxiv.org/abs/2512.08512v2
• Date: Sun, 14 Dec 2025 12:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 13:08:04.438682
• Title: A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles
• Title（参考訳）: 軽量移動学習による健康状態モニタリングと自動車用リチウムイオン電池への応用
• Authors: Jiang Liu, Yan Qin, Wei Dai, Chau Yuen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.158733310637295
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate and rapid state-of-health (SOH) monitoring plays an important role in indicating energy information for lithium-ion battery-powered portable mobile devices. To confront their variable working conditions, transfer learning (TL) emerges as a promising technique for leveraging knowledge from data-rich source working conditions, significantly reducing the training data required for SOH monitoring from target working conditions. However, traditional TL-based SOH monitoring is infeasible when applied in portable mobile devices since substantial computational resources are consumed during the TL stage and unexpectedly reduce the working endurance. To address these challenges, this paper proposes a lightweight TL-based SOH monitoring approach with constructive incremental transfer learning (CITL). First, taking advantage of the unlabeled data in the target domain, a semi-supervised TL mechanism is proposed to minimize the monitoring residual in a constructive way, through iteratively adding network nodes in the CITL. Second, the cross-domain learning ability of node parameters for CITL is comprehensively guaranteed through structural risk minimization, transfer mismatching minimization, and manifold consistency maximization. Moreover, the convergence analysis of the CITL is given, theoretically guaranteeing the efficacy of TL performance and network compactness. Finally, the proposed approach is verified through extensive experiments with a realistic autonomous air vehicles (AAV) battery dataset collected from dozens of flight missions. Specifically, the CITL outperforms SS-TCA, MMD-LSTM-DA, DDAN, BO-CNN-TL, and AS$^3$LSTM, in SOH estimation by 83.73%, 61.15%, 28.24%, 87.70%, and 57.34%, respectively, as evaluated using the index root mean square error.
• Abstract（参考訳）: リチウムイオン電池を駆動する携帯機器のエネルギー情報を示す上で,SOHの高精度かつ迅速なモニタリングが重要な役割を担っている。 多様な作業条件に直面するために,データ豊富な作業条件から知識を活用するための有望な技術としてトランスファーラーニング(TL)が登場し,SOHモニタリングに必要なトレーニングデータを目標作業条件から大幅に低減する。 しかし、従来のTLベースのSOHモニタリングは、TLステージ中にかなりの計算資源を消費し、予期せず作業耐久性を低下させるため、携帯型モバイルデバイスに適用できない。 これらの課題に対処するために,コンストラクティブ・インクリメンタル・トランスファー・ラーニング(CITL)を用いた軽量TLベースのSOHモニタリング手法を提案する。 まず,対象領域の未ラベルデータを利用して,CITLにネットワークノードを反復的に付加することにより,監視残差を最小限に抑える半教師付きTL機構を提案する。 第2に、CITLのノードパラメータのクロスドメイン学習能力は、構造的リスク最小化、転送ミスマッチ最小化、多様体の一貫性最大化によって包括的に保証される。 さらに、CITLの収束解析を行い、理論上TL性能とネットワークのコンパクト性の有効性が保証される。 最後に、提案手法は、数十の飛行ミッションから収集された現実的な自律飛行車(AAV)バッテリーデータセットによる広範な実験を通じて検証される。 特に、CITLは、指標根平均平方誤差を用いて評価されたSOH推定において、SS-TCA、MDD-LSTM-DA、DDAN、BO-CNN-TL、AS$3$LSTMをそれぞれ83.73%、61.15%、28.24%、87.70%、57.34%で上回る。

関連論文リスト

• Joint Communication Scheduling and Velocity Control for Multi-UAV-Assisted Post-Disaster Monitoring: An Attention-Based In-Context Learning Approach [13.429550708956294]
  無人航空機(UAV)は、津波などの災害後の監視シナリオにおいて、センサデータを収集するためにますます研究されている。 主な課題は、データ収集スケジュールと飛行速度を設計することであり、これは好ましくないスケジュールと速度が送信エラーや地上センサーのバッファオーバーフローを引き起こす可能性があるためである。 本稿では,データ損失を最小限に抑えるために,データ収集スケジュールと複数のUAVの速度制御の協調最適化を提案する。
  論文  参考訳（メタデータ） (2025-10-07T09:04:56Z)
• Large Language Model-Empowered Decision Transformer for UAV-Enabled Data Collection [71.84636717632206]
  空間分散デバイスからの信頼性とエネルギー効率のよいデータ収集のための無人航空機(UAV)は、IoT(Internet of Things)アプリケーションをサポートする上で大きな可能性を秘めている。 有効なUAV制御ポリシーを学習するための共同言語モデル(LLM)を提案する。 LLM-CRDTは、現在の最先端DTアプローチよりも最大36.7%高いエネルギー効率を達成し、オンラインおよびオフラインメソッドのベンチマークより優れている。
  論文  参考訳（メタデータ） (2025-09-17T13:05:08Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• Data Quality Monitoring for the Hadron Calorimeters Using Transfer Learning for Anomaly Detection [0.7767589715518638]
  トランスファーラーニング(TL)メカニズムは、新しいタスクに事前訓練されたモデルを利用することで、データのスパーシリティとモデルの複雑さを軽減することを約束する。 畳み込み,グラフ,リカレントニューラルネットワークを組み込んだハイブリッドオートエンコーダアーキテクチャを用いて,高次元ST ADにおけるTLの可能性を示す。 本研究では,CERNにおけるコンパクト・ムーン・ソレノイド実験のキャロリメータの異なる部位で訓練されたモデルの伝達性について検討した。
  論文  参考訳（メタデータ） (2024-08-29T15:19:06Z)
• Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data [5.460776507522276]
  非侵入負荷モニタリング(NILM)は、エネルギー意識を高め、エネルギープログラム設計のための貴重な洞察を提供する。 既存のNILM法は、しばしば高サンプリング複雑な信号データを取得するための特殊な装置に依存している。 そこで本研究では,12種類の機器の負荷分散を実現するために,容易にアクセス可能な気象データを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:04:49Z)
• 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)
• Reinforcement Learning for Minimizing Age of Information in Real-time Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
  本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。 サンプリングポリシを最適化するために,分散強化学習手法を提案する。 PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
  論文  参考訳（メタデータ） (2021-04-04T03:17:26Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。