論文の概要: Multiscale Dual-path Feature Aggregation Network for Remaining Useful Life Prediction of Lithium-Ion Batteries

• arxiv url: http://arxiv.org/abs/2512.19719v1
• Date: Tue, 16 Dec 2025 14:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.590664
• Title: Multiscale Dual-path Feature Aggregation Network for Remaining Useful Life Prediction of Lithium-Ion Batteries
• Title（参考訳）: リチウムイオン電池の寿命予測のためのマルチスケールデュアルパス特徴集約ネットワーク
• Authors: Zihao Lv, Siqi Ai, Yanbin Zhang,
• Abstract要約: 本稿では,RUL予測のための新しいディープラーニングアーキテクチャ,マルチスケールデュアルパス特徴集約ネットワーク(MDFA-Net)を提案する。 MDFA-Netは2経路ネットワーク、第1経路ネットワーク、MF-Net(Multiscale Feature Network)で構成され、浅い情報を保持し、不足情報を避ける。
• 参考スコア（独自算出の注目度）: 0.25489046505746704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Targeted maintenance strategies, ensuring the dependability and safety of industrial machinery. However, current modeling techniques for assessing both local and global correlation of battery degradation sequences are inefficient and difficult to meet the needs in real-life applications. For this reason, we propose a novel deep learning architecture, multiscale dual-path feature aggregation network (MDFA-Net), for RUL prediction. MDFA-Net consists of dual-path networks, the first path network, multiscale feature network (MF-Net) that maintains the shallow information and avoids missing information, and the second path network is an encoder network (EC-Net) that captures the continuous trend of the sequences and retains deep details. Integrating both deep and shallow attributes effectively grasps both local and global patterns. Testing conducted with two publicly available Lithium-ion battery datasets reveals our approach surpasses existing top-tier methods in RUL forecasting, accurately mapping the capacity degradation trajectory.
• Abstract（参考訳）: メンテナンス戦略を目標とし、産業機械の信頼性と安全性を確保する。 しかし、バッテリー劣化シーケンスの局所的相関と大域的相関を評価するための現在のモデリング手法は非効率であり、現実のアプリケーションのニーズを満たすことは困難である。 そこで本研究では,RUL予測のための新しいディープラーニングアーキテクチャ,マルチスケールデュアルパス特徴集約ネットワーク(MDFA-Net)を提案する。 MDFA-Netは2経路ネットワーク、第1経路ネットワーク、MF-Net(Multiscale Feature Network)で構成され、浅い情報を保持し、不足情報を避ける。 深い属性と浅い属性を統合することは、局所パターンとグローバルパターンの両方を効果的に把握する。 2つの一般公開されたリチウムイオン電池データセットを用いてテストしたところ、我々のアプローチはRUL予測における既存の最上位の手法を超え、キャパシティ劣化軌跡を正確にマッピングしていることがわかった。

関連論文リスト

• A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
  多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。 大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-07-08T12:37:55Z)
• HybridoNet-Adapt: A Domain-Adapted Framework for Accurate Lithium-Ion Battery RUL Prediction [0.6306103927990603]
  本稿では,ドメイン適応(DA)技術を組み込んだ新しいRUL予測フレームワークを提案する。 本フレームワークは,ノイズ低減,特徴抽出,正規化を含む信号前処理パイプラインを,堅牢なディープラーニングモデルと統合する。 実験の結果、HybridoNet Adaptは従来のモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-03-27T11:35:25Z)
• ARDDQN: Attention Recurrent Double Deep Q-Network for UAV Coverage Path Planning and Data Harvesting [3.746548465186206]
  無人航空機(UAV)は、データ収集(DH)とカバレッジパス計画(CPP)で人気を博している。 本稿では、Double Deep Q-networks(DDQN)とリカレントニューラルネットワーク(RNN)を統合したARDDQN(Recurrent Double Q Network)を提案する。 圧縮された地球環境マップと、UAVエージェントが大規模環境に効率よくスケールすることを示すローカルマップからなる構造化環境マップを用いている。
  論文  参考訳（メタデータ） (2024-05-17T16:53:19Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Device Sampling and Resource Optimization for Federated Learning in Cooperative Edge Networks [17.637761046608]
  フェデレーテッド・ラーニング(FedL)は、サーバによって定期的に集約されたローカルモデルをトレーニングすることで、機械学習(ML)をワーカーデバイスに分散させる。 FedLは、同時代の無線ネットワークの2つの重要な特徴を無視している: (i) ネットワークには異種通信/計算資源が含まれており、 (ii) デバイスのローカルデータ分布にかなりの重複がある可能性がある。 デバイス間オフロード(D2D)によって補完されるインテリジェントデバイスサンプリングにより,これらの要因を共同で考慮する新しい最適化手法を開発した。
  論文  参考訳（メタデータ） (2023-11-07T21:17:59Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
  追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。 GP-UCBに類似した条件下では, 応答が得られないことを示す。 実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T05:03:38Z)
• Device Sampling for Heterogeneous Federated Learning: Theory, Algorithms, and Implementation [24.084053136210027]
  グラフシーケンシャル畳み込みネットワーク(GCN)に基づくサンプリング手法を開発した。 提案手法は,全機器の5%以下をサンプリングしながら,訓練されたモデル精度と必要なリソース利用の両面で,fedl(federated learning)を実質的に上回っている。
  論文  参考訳（メタデータ） (2021-01-04T05:59:50Z)
• Deep Learning-based Resource Allocation For Device-to-Device Communication [66.74874646973593]
  デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。 任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。 シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
  論文  参考訳（メタデータ） (2020-11-25T14:19:23Z)

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。