論文の概要: Interpretable Battery Aging without Extra Tests via Neural-Assisted Physics-based Modelling
- arxiv url: http://arxiv.org/abs/2604.01229v1
- Date: Sat, 21 Mar 2026 07:03:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 02:36:13.221489
- Title: Interpretable Battery Aging without Extra Tests via Neural-Assisted Physics-based Modelling
- Title（参考訳）: ニューラルアシスト物理モデルによる余分な試験を伴わない解釈可能な電池の老化
- Authors: Yuan Qiu, Wei Li, Wei Zhang, Yi Zhou, Fang Liu, Jianbiao Wang, Zhi Wei Seh,
- Abstract要約: 健康状態(SoH)は、バッテリー管理に広く使われているが、単一のスカラーであり、解釈性に制限がある。
本稿では,ニューラルネットワークを用いた物理フレームワークを用いた電池老化解析のためのIBAMを提案する。
- 参考スコア（独自算出の注目度）: 11.415704907680725
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: State of health (SoH) is widely used for battery management, but it is a single scalar and offers limited interpretability. Two batteries with similar SoH can exhibit very different degradation behaviors and the lack of interpretability hinders optimal battery operation. In this paper, we propose IBAM for interpretable battery aging modelling with a neural-assisted physics-based framework. IBAM outputs a 2-D aging fingerprint without extra diagnostic tests and uses only routine logs from the battery management system. The fingerprint offers great interpretability by capturing a battery's curve-wide polarization voltage loss and the tail loss near the end-of-discharge. IBAM first creates a physics-based battery model based on a fractional-order equivalent circuit model, and then extracts per-cycle fingerprints from the model using a two-stage least-squares method. IBAM further anchors fingerprints on the SoH axis with physics-guided regression, where the per-cycle SoH is estimated via a bidirectional gated recurrent unit with customized multi-channel voltage features. Across batteries with short-, medium-, and long-lifespans, IBAM consistently yields the best physics model fidelity at different aging stages, and provides clear interpretations of degradation mechanisms and fingerprint patterns about batteries of different lifespans. The resulting fingerprints support interpretable battery health assessment and can inform battery control choices.
- Abstract（参考訳）: 健康状態(SoH)は、バッテリー管理に広く使われているが、単一のスカラーであり、解釈性に制限がある。
SoHに類似した2つの電池は、非常に異なる劣化挙動を示し、解釈可能性の欠如は最適な電池操作を妨げる。
本稿では,ニューラルネットワークを用いた物理フレームワークを用いた電池老化モデルのためのIBAMを提案する。
IBAMは、余分な診断テストなしで2次元老化指紋を出力し、バッテリ管理システムからの通常のログのみを使用する。
指紋は、バッテリのカーブ幅の偏極電圧損失と、放電終了付近のテール損失をキャプチャすることで、高い解釈性を提供する。
IBAMはまず、分数次等価回路モデルに基づいて物理ベースのバッテリモデルを作成し、2段階の最小二乗法によるモデルからサイクル当たりの指紋を抽出する。
IBAMはさらに、物理誘導レグレッションによりSoH軸に指紋を固定し、サイクルごとのSOHは、カスタマイズされたマルチチャネル電圧特徴を持つ双方向ゲートリカレントユニットによって推定される。
IBAMは短寿命、中寿命、長寿命のバッテリにまたがって、寿命の異なるバッテリについて、劣化機構と指紋パターンを明確に解釈し、物理モデルの忠実度を常に向上させる。
指紋は、解釈可能なバッテリーの健康評価をサポートし、バッテリー制御の選択を通知する。
関連論文リスト
- Knowledge-Aware Modeling with Frequency Adaptive Learning for Battery Health Prognostics [27.840159692578354]
Karmaは、バッテリ容量推定のための周波数適応学習と有用な寿命予測のための知識認識モデルである。
1つのストリームが長期の低周波劣化傾向を捉え、もう1つのモデルが高周波短期力学をモデル化する2重ストリームディープラーニングアーキテクチャを開発した。
実験では、Karmaの優れた性能を示し、バッテリーの健康予測のための最先端のアルゴリズムよりも平均エラーを50.6%、32.6%削減した。
論文 参考訳（メタデータ） (2025-10-03T09:24:38Z) - Power Battery Detection [91.99787495748218]
電力電池は、内部構造欠陥が深刻な安全リスクを生じさせる電気自動車において必須の部品である。
我々は,X線画像から陰極および陽極板の密集端を局所化し,品質検査を行うことを目的として,電力電池検出(PBD)に関する総合的研究を行った。
PBD5Kは,9種類のバッテリタイプから5,000枚のX線画像と8種類の実世界の視覚的干渉を含む,このタスクのための最初の大規模ベンチマークである。
論文 参考訳（メタデータ） (2025-08-11T09:35:25Z) - Real-time monitoring of the SoH of lithium-ion batteries [0.0]
バッテリーの健康状態のリアルタイムモニタリングは依然として大きな課題だ。
電荷相の終端における放電パルスの解析に基づく革新的な手法を提案する。
これらの性能が確認できれば、この手法をバッテリ管理システムに簡単に組み込むことができる。
論文 参考訳（メタデータ） (2025-07-08T08:08:53Z) - Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。
我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。
また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
論文 参考訳（メタデータ） (2025-06-26T09:05:38Z) - Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。
しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。
本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。
本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
論文 参考訳（メタデータ） (2025-02-10T13:33:12Z) - A Machine Learning-based Digital Twin for Electric Vehicle Battery
Modeling [10.290868910435153]
電気自動車(EV)は、経年劣化と性能劣化の影響を受ける。
本研究は,実行時のバッテリダイナミックスを正確に反映するように設計されたバッテリディジタルツイン構造を提案する。
論文 参考訳（メタデータ） (2022-06-16T10:47:41Z) - Microgrid Day-Ahead Scheduling Considering Neural Network based Battery
Degradation Model [0.42970700836450487]
バッテリエネルギー貯蔵システム(BESS)は、再生可能エネルギー発生の不確実性を効果的に軽減することができる。
LiB劣化の主な原因は、Li防止効果の喪失、電解質の喪失、電池内部の劣化である。
本稿では, ニューラルネットワークを用いた電池劣化モデルを提案し, 劣化要因の入力による劣化の定量化を行う。
論文 参考訳（メタデータ） (2022-02-24T23:24:52Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Simple statistical models and sequential deep learning for Lithium-ion
batteries degradation under dynamic conditions: Fractional Polynomials vs
Neural Networks [1.8899300124593648]
リチウム イオン電池の長寿そして安全は電池の作動条件の有効な監視そして調節によって促進されます。
バッテリー管理システム上の状態の健康(SoH)監視のための迅速かつ正確なアルゴリズムを実装することが重要です。
本稿では,長期記憶ニューラルネットワークと多変量多項回帰の2つのデータ駆動手法を提案し,比較する。
論文 参考訳（メタデータ） (2021-02-16T12:26:23Z) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳（メタデータ） (2020-07-06T16:10:54Z)
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。