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
• Authors: Yun Tian, Guili Wang, Jian Bi, Kaixin Han, Chenglu Wu, Zhiyi Lu, Chenhao Li, Liangwang Sun, Minyu Zhou, Chenchen Xu,
• 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

• 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)
• 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)
• 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)
• 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)

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。