Fugu-MT 論文翻訳(概要): BatteryMFormer: Multi-level Learning for Battery Degradation Trajectory Forecasting

論文の概要: BatteryMFormer: Multi-level Learning for Battery Degradation Trajectory Forecasting

arxiv url: http://arxiv.org/abs/2605.27044v2
Date: Sun, 31 May 2026 12:33:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 18:24:16.538915
Title: BatteryMFormer: Multi-level Learning for Battery Degradation Trajectory Forecasting
Title（参考訳）: BatteryMFormer: バッテリー劣化軌跡予測のためのマルチレベル学習
Authors: Ruifeng Tan, Jintao Dong, Weixiang Hong, Jia Li, Jiaqiang Huang, Tong-Yi Zhang,
Abstract要約: 電池劣化データは多層構造を示す。電圧電流プロファイルの劣化に伴う変動は、しばしば電荷間隔の特定の状態に局所化される。既存のアプローチは、しばしばこれらの特性を明示的にモデル化することに失敗する。
参考スコア（独自算出の注目度）: 7.506902515469245
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Early battery degradation trajectory forecasting (BDTF), which predicts the full-life state-of-health trajectory from early operational data, is critical for battery optimization, manufacturing, and deployment. Battery degradation data exhibit two key characteristics. First, degradation data present a multi-level structure, including regularities shared within aging conditions and trajectory patterns shared across batteries. Second, degradation-related variations in voltage-current profiles are often localized to specific state of charge (SOC) intervals. Existing approaches often fail to explicitly model these characteristics. To bridge this gap, we propose BatteryMFormer, a multi-level Transformer for early BDTF. BatteryMFormer integrates (1) an aging-condition-aware decoder that injects aging-condition priors via aging-condition-informed queries and aging-condition-aware attention, (2) a meta degradation pattern memory that learns and retrieves trajectory prototypes to guide long-horizon forecasting, and (3) a dual-view encoder that jointly captures temporal dynamics and SOC-localized variations from voltage and current time series. Extensive experiments on four battery domains show that BatteryMFormer consistently outperforms state-of-the-art baselines, marking a significant step toward reliable BDTF. Our code is available at https://github.com/Ruifeng-Tan/BatteryMFormer.
Abstract（参考訳）: 早期の運転データからフルライフの健康状態を予測する早期のバッテリー劣化軌道予測(BDTF)は、バッテリーの最適化、製造、展開に不可欠である。バッテリー劣化データには2つの重要な特徴がある。まず, 劣化データは, 劣化条件下での規則性や電池間での軌道パターンを含む多層構造を示す。第二に、電圧電流プロファイルの劣化に関連する変動は、しばしば特定の電荷状態(SOC)間隔に局所化される。既存のアプローチは、しばしばこれらの特性を明示的にモデル化することに失敗する。このギャップを埋めるために、初期のBDTFのためのマルチレベルトランスであるBatteryMFormerを提案する。バッテリMFormer は,(1) 経時変化を経時変化や経時変化を経時的に捉える2次元エンコーダと,(2) 経時変化を経時的に捉えるための経時変化を経時的に把握する2次元エンコーダと,(2) 経時変化を経時的に検出する2次元エンコーダを統合した。 4つのバッテリドメインに関する大規模な実験によると、バッテリMFormerは一貫して最先端のベースラインを上回っており、信頼性の高いBDTFに向けた重要な一歩である。私たちのコードはhttps://github.com/Ruifeng-Tan/BatteryMFormer.comから入手可能です。

関連論文リスト

C2L-Net: A Data-Driven Model for State-of-Charge Estimation of Lithium-Ion Batteries During Discharge [0.0]
C2L-Netは、リアルタイムなオンラインSOC推定のための、コンテキストから最新のデータ駆動フレームワークである。既存のショート・レセプティブ・フィールド・モデルやロング・ヒストリー・モデルとは異なり、提案フレームワークはコンテキストエンコーディングを最新の計測更新から明確に分離する。 C2L-Netは60倍高速な推論を実現し、最近のデータ駆動ベースラインよりも少ないパラメータを必要とする。
論文参考訳（メタデータ） (2026-05-09T03:47:08Z)
Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables [59.37476887007663]
我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
論文参考訳（メタデータ） (2026-03-16T18:33:23Z)
SeqBattNet: A Discrete-State Physics-Informed Neural Network with Aging Adaptation for Battery Modeling [0.0]
本稿では,電池モデルに老化適応を組み込んだ離散状態PINNであるSeqBattNetを提案する。モデルは3つの基本的なバッテリパラメータしか必要とせず、単一のセルからのデータに基づいてトレーニングすることで、堅牢なパフォーマンスを実現している。
論文参考訳（メタデータ） (2025-09-22T11:33:17Z)
BatteryBERT for Realistic Battery Fault Detection Using Point-Masked Signal Modeling [1.7397173676239939]
本稿では,バッテリー故障検出のためのBERTスタイルの事前学習を適応する新しいフレームワークを提案する。標準のBERTアーキテクチャを、カスタマイズされた時系列からトーケン表現モジュールと、ポイントレベルのマスケッド信号モデリング(point-MSM)プリトレーニングタスクで拡張する。このアプローチは、シーケンシャル電流、電圧、その他の電荷放電サイクルデータに対する自己教師付き学習を可能にする。
論文参考訳（メタデータ） (2025-05-31T06:06:08Z)
CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文参考訳（メタデータ） (2023-05-20T05:16:31Z)
Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
論文参考訳（メタデータ） (2023-03-18T16:40:10Z)
FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文参考訳（メタデータ） (2023-02-20T07:46:14Z)
Enhanced Gaussian Process Dynamical Models with Knowledge Transfer for Long-term Battery Degradation Forecasting [0.9208007322096533]
電気自動車のバッテリーの寿命や寿命の予測は、決定的かつ困難な問題だ。多数のアルゴリズムが、バッテリ管理システムが収集したデータから利用できる機能を組み込んでいる。この制限を克服できる高精度な手法を開発した。
論文参考訳（メタデータ） (2022-12-03T12:59:51Z)
Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge Prediction [2.670887944566458]
本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
論文参考訳（メタデータ） (2022-06-01T15:31:06Z)
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。