論文の概要: Autonomous End-to-End SOH Prediction Services for Battery Systems via Temporal-Contrastive Representation Learning
- arxiv url: http://arxiv.org/abs/2606.16434v1
- Date: Mon, 15 Jun 2026 09:06:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.264234
- Title: Autonomous End-to-End SOH Prediction Services for Battery Systems via Temporal-Contrastive Representation Learning
- Title（参考訳）: 時間的コントラスト表現学習による電池システムの自律的終端SOH予測サービス
- Authors: Junting Wen, Dan Li, Qihao Quan, Xiwen Wang, Hang Yang, Zhaohong Meng, Zigui Jiang, Changlin Yang, Tianle Liu, Diego Muñoz-Carpintero, Jian Lou,
- Abstract要約: 我々は、自律的なエンドツーエンドのSOH予測のためのモジュール式プラグイン・アンド・プレイサービスアーキテクチャであるTC-SOHを紹介します。
TC-SOHは、時間的コントラスト機構とクロスウィンドウ予測プレテキストタスクを用いて、劣化関連表現を抽出する。
4つの公開データセットで、TC-SOHは物理インフォームドおよびデータ駆動ベースラインよりも優れています。
- 参考スコア（独自算出の注目度）: 10.38113867479323
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate state of health (SOH) estimation is a critical diagnostic service for lithium-ion battery management. However, reliance on labor-intensive manual feature engineering and opaque black-box models hinders scalable industrial deployment. To address this, we introduce TC-SOH: a modular, plug-and-play service architecture for autonomous, end-to-end SOH prediction. TC-SOH employs a temporal-contrastive mechanism and a cross-window prediction pretext task to extract degradation-relevant representations directly from raw operational data. To improve transparency, we connect model efficacy with representation diagnostics: visualization, sensitivity analysis, redundancy analysis, bidirectional probing, future-SOH probing, and temporal shuffling show that learned features overlap with selected expert descriptors while retaining additional SOH-relevant variation, and that ordered temporal context improves subsequent-SOH prediction. Across four public datasets, TC-SOH outperforms the considered physics-informed and data-driven baselines, reducing MAPE by 1.91 times and RMSE by 2.13 times.
- Abstract（参考訳）: 正確な健康状態(SOH)の推定はリチウムイオン電池管理にとって重要な診断サービスである。
しかしながら、労働集約的な手動機能エンジニアリングと不透明なブラックボックスモデルに依存することは、スケーラブルな産業展開を妨げる。
この問題に対処するために、我々は、自律的なエンドツーエンドのSOH予測のためのモジュール式プラグイン・アンド・プレイサービスアーキテクチャTC-SOHを紹介します。
TC-SOHは、時間的コントラスト機構とクロスウィンドウ予測プレテキストタスクを用いて、生の運用データから直接分解関連表現を抽出する。
可視化, 感度解析, 冗長性解析, 双方向探索, 未来SOH探索, 時空間シャッフル表示, 学習した特徴が選択した専門家記述子と重複し, 追加のSOH関連変動を保ち, 時間的文脈が後SOH予測を改善すること。
4つの公開データセットの中で、TC-SOHは物理インフォームドおよびデータ駆動ベースラインよりも優れており、MAPEは1.91倍、RMSEは2.13倍減少している。
関連論文リスト
- A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。
従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。
本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
論文 参考訳（メタデータ） (2025-12-09T11:54:09Z) - Artificial Intelligence Based Predictive Maintenance for Electric Buses [0.0]
本研究では,電気バスのCANバスパラメータ間の関係をグラフベースの特徴選択法を用いて解析する。
2年以上にわたって収集された生データは、データ品質と一貫性を確保するために、広範囲な事前処理が行われた。
開発したシステムは,車両の警報を効果的に予測し,特徴の解釈可能性を高め,産業4.0の原則に沿った積極的な保守戦略を支援する。
論文 参考訳（メタデータ） (2025-10-27T21:39:25Z) - MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction [50.74903497515021]
セプシス(Sepsis)は、集中治療室(ICUs)の高死亡にともなう致命的な感染症である。
早期かつ正確な敗血症予測(SP)は、時間的介入には重要であるが、微妙な早期症状と急激な死亡率の増大により、依然として困難である。
本稿では,拡張された特徴ビューを構築するための多言語ビュー表現強化(MERE)機構と,時間的表現学習のためのCDTAモジュールを提案する。
提案したMEET-Sepsis フレームワークは,SOTA 法で要求される ICU モニタリング時間の 20% のみを用いて,競合予測の精度を実現し,大幅に向上した。
論文 参考訳（メタデータ） (2025-10-13T13:38:29Z) - A novel Neural-ODE model for the state of health estimation of lithium-ion battery using charging curve [9.443903055382071]
リチウムイオン電池(LIB)の健康状態(SOH)は、電気自動車の安全で信頼性の高い運転を保証するために重要である。
本稿では、一般化を改善するために、LIBのSOHを推定するためのデータ駆動型アプローチを提案する。
論文 参考訳（メタデータ） (2025-05-09T05:40:55Z) - State-of-Health Prediction for EV Lithium-Ion Batteries via DLinear and Robust Explainable Feature Selection [14.672460390509334]
電気自動車(EV)に適した、説明可能な、データ駆動型健康状態予測(SOH)フレームワークを提案する。
我々は、電圧、電流、温度、時間プロファイルから20種類の有意な特徴を抽出し、ピアソン相関法とシェープリー加法説明法(SHAP)を用いて鍵となる特徴を選択する。
SHAPによる選択は複数の細胞に一貫した機能的重要性をもたらし、細胞間変動(CtCV)を効果的に捉える
論文 参考訳（メタデータ） (2025-01-20T15:28:20Z) - Graph neural network-based lithium-ion battery state of health estimation using partial discharging curve [16.570091013381266]
本稿では, リチウムイオン電池の健康状態(SOH)を推定するために, グラフ時間ネットワーク(GCN)を活用した革新的なアプローチを提案する。
本手法は,マトリックスプロファイル異常検出アルゴリズムを用いて放電電圧セグメントを系統的に選択する。
広く受け入れられているオープンソースデータセットによる検証により,ルート平均2乗誤差が1%未満の精度でSOH推定が可能であることが示された。
論文 参考訳（メタデータ） (2024-08-30T02:14:53Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Understanding, Predicting and Better Resolving Q-Value Divergence in
Offline-RL [86.0987896274354]
まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。
そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。
われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
論文 参考訳（メタデータ） (2023-10-06T17:57:44Z) - Digital Twin for Real-time Li-ion Battery State of Health Estimation
with Partially Discharged Cycling Data [16.637948430296227]
リチウムイオン電池(LIB)の健康状態(SOH)推定は劣化特性と密接な関係がある。
提案したディジタルツインソリューションは、リアルタイムなSOH推定を可能にする3つのコアコンポーネントから構成される。
本手法は, サイクル中のサンプリング時間の大半に対して, 誤差が1%未満のリアルタイムSOH推定を行う。
論文 参考訳（メタデータ） (2022-12-09T01:30:10Z)
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。