Fugu-MT 論文翻訳(概要): Hybrid Deep Learning with Temporal Data Augmentation for Accurate Remaining Useful Life Prediction of Lithium-Ion Batteries

論文の概要: Hybrid Deep Learning with Temporal Data Augmentation for Accurate Remaining Useful Life Prediction of Lithium-Ion Batteries

arxiv url: http://arxiv.org/abs/2603.27186v1
Date: Sat, 28 Mar 2026 08:19:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-31 23:18:44.835728
Title: Hybrid Deep Learning with Temporal Data Augmentation for Accurate 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時間的データ拡張によるハイブリッド深層学習
Abstract要約: CDFormerは、畳み込みニューラルネットワーク、深い残留収縮ネットワーク、トランスフォーマーエンコーダを統合するハイブリッドディープラーニングモデルである。正確で信頼性の高い予測を提供し、効果的なバッテリヘルスモニタリングとデータ駆動メンテナンス戦略をサポートする。
参考スコア（独自算出の注目度）: 10.601010008014587
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate prediction of lithium-ion battery remaining useful life (RUL) is essential for reliable health monitoring and data-driven analysis of battery degradation. However, the robustness and generalization capabilities of existing RUL prediction models are significantly challenged by complex operating conditions and limited data availability. To address these limitations, this study proposes a hybrid deep learning model, CDFormer, which integrates convolutional neural networks, deep residual shrinkage networks, and Transformer encoders extract multiscale temporal features from battery measurement signals, including voltage, current, and capacity. This architecture enables the joint modeling of local and global degradation dynamics, effectively improving the accuracy of RUL prediction.To enhance predictive reliability, a composite temporal data augmentation strategy is proposed, incorporating Gaussian noise, time warping, and time resampling, explicitly accounting for measurement noise and variability. CDFormer is evaluated on two real-world datasets, with experimental results demonstrating its consistent superiority over conventional recurrent neural network-based and Transformer-based baselines across key metrics. By improving the reliability and predictive performance of RUL prediction from measurement data, CDFormer provides accurate and reliable forecasts, supporting effective battery health monitoring and data-driven maintenance strategies.
Abstract（参考訳）: リチウムイオン電池の有効寿命(RUL)の正確な予測は、信頼性の高い健康モニタリングとバッテリー劣化のデータ駆動分析に不可欠である。しかし、既存のRUL予測モデルの堅牢性と一般化能力は、複雑な操作条件と限られたデータ可用性によって著しく困難である。これらの制約に対処するために、畳み込みニューラルネットワーク、深い残留収縮ネットワークを統合したハイブリッドディープラーニングモデルCDFormerと、電圧、電流、容量を含む電池計測信号からマルチスケールの時間的特徴を抽出するTransformerエンコーダを提案する。このアーキテクチャは局所的・大域的劣化力学の連成モデリングを可能にし、RUL予測の精度を効果的に向上させ、予測信頼性を高めるため、ガウスノイズ、時間ゆらぎ、時間再サンプリングを取り入れた複合時間データ拡張戦略を提案する。 CDFormerは、2つの実世界のデータセットで評価されており、実験結果は、従来のリカレントニューラルネットワークベースとTransformerベースのベースラインをキーメトリクスで一貫した優位性を示している。測定データからRUL予測の信頼性と予測性能を向上させることにより、CDFormerは正確で信頼性の高い予測を提供し、効果的なバッテリヘルスモニタリングとデータ駆動型メンテナンス戦略をサポートする。

関連論文リスト

AI-Driven Surrogate Models for Predicting Electrode-Scale Discharge Behavior in Lithium-Ion Batteries [47.27974914502511]
本研究では,Swin3D Transformerに基づくディープラーニングサロゲートパイプラインを導入し,データから直接放電ダイナミクスを予測する。提案手法は計算オーバーヘッドを桁違いに削減し,高スループットバッテリー設計と最適化のためのスケーラブルで効率的なフレームワークを提供する。
論文参考訳（メタデータ） (2026-07-22T09:10:48Z)
Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文参考訳（メタデータ） (2025-09-27T20:57:48Z)
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)
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)
End-to-End Framework for Predicting the Remaining Useful Life of Lithium-Ion Batteries [0.04660328753262073]
本稿では、最近のチャージ放電サイクルのデータを利用して残りの使用可能なサイクル数を推定するRUL予測手法を提案する。このアプローチは、新しい信号処理パイプラインとディープラーニング予測モデルの両方を導入している。 2つの一般公開された大規模データセットの実験結果から,提案手法がベースライン深層学習手法と機械学習技術より優れていることが示された。
論文参考訳（メタデータ） (2025-05-22T13:28:18Z)
Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction [0.0]
本研究では,バッテリ寿命予測のためのハイブリッド学習フレームワークを提案する。動的マルチソースデータ融合と積み重ねアンサンブル(SE)モデリングアプローチを統合する。平均絶対誤差(MAE)は0.0058、根平均二乗誤差(RMSE)は0.0092、決定係数(R2)は0.9839である。
論文参考訳（メタデータ） (2025-04-25T10:24:45Z)
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)
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)
Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文参考訳（メタデータ） (2024-12-24T03:56:25Z)
Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
論文参考訳（メタデータ） (2024-03-11T17:28:46Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文参考訳（メタデータ） (2022-03-03T19:56:24Z)
Accurate Remaining Useful Life Prediction with Uncertainty Quantification: a Deep Learning and Nonstationary Gaussian Process Approach [0.0]
有用寿命 (Retaining useful life, RUL) とは、あるコンポーネントやシステムの寿命が期待されていることを指す。我々は、深層学習と非定常ガウス過程回帰(DL-NSGPR)の利点を統合し、活用する、不確実な定量化を伴う高精度なRUL予測モデルを考案した。計算実験の結果,DL-NSGPR予測はルート平均2乗誤差1.7～6.2倍の精度で精度が高いことがわかった。
論文参考訳（メタデータ） (2021-09-23T18:19:58Z)

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。