論文の概要: Dynamic Loss Balancing for Joint SOH and RUL Prediction of Lithium-Ion Batteries via a Rotary SOH-Injected Prior Battery Transformer
- arxiv url: http://arxiv.org/abs/2607.18329v1
- Date: Sun, 19 Jul 2026 08:11:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.183562
- Title: Dynamic Loss Balancing for Joint SOH and RUL Prediction of Lithium-Ion Batteries via a Rotary SOH-Injected Prior Battery Transformer
- Title（参考訳）: 回転型SOH注入前電池変圧器によるリチウムイオン電池のSOHとRULの動的損失バランス
- Abstract要約: 従来のマルチタスク学習フレームワークでは,SOH推定の有界低分散雑音と長期RUL予測の不確かさの非有界非線形拡大とのバランスが取れない。
本稿では,これらの最適化競合を解消する一元的協調推定フレームワークであるRotary SOH-Injected Prior Battery Transformer (RoSIP-Batt)を提案する。
NASA、MIT-スタンフォード、HUSTのデータセットでの評価によると、RoSIP-Battは最先端のベースラインを大幅に上回っている。
- 参考スコア（独自算出の注目度）: 8.796180054704344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deployment of reliable lithium-ion battery management systems is crucial for accelerating electrification, yet the joint prognosis of State of Health (SOH) and Remaining Useful Life (RUL) remains severely hindered by task heteroscedasticity. Conventional multi-task learning frameworks fail to balance the bounded, low-variance noise of SOH estimation with the unbounded, nonlinearly expanding uncertainty of long-term RUL predictions. Here, we present the Rotary SOH-Injected Prior Battery Transformer (RoSIP-Batt), a unified co-estimation framework that resolves these optimization conflicts. By formulating joint prediction as a Bayesian multi-task objective, RoSIP-Batt introduces a homoscedastic uncertainty weighting mechanism to dynamically scale task-specific gradients based on learned residual noise levels. The architecture leverages decoupled dual classification tokens and a per-dimension gated fusion mechanism, secured by a gradient-detachment operator to prevent high-variance RUL updates from corrupting the stable SOH representation space. To capture electrochemical degradation patterns without relying on absolute cycle steps, Rotary Position Embedding (RoPE) is incorporated into a shared Transformer backbone to model translation-invariant relative temporal profiles. Crucially, the intermediate SOH estimate is directly injected into the RUL regression head as a physical degradation prior. Evaluations across the NASA, MIT-Stanford, and HUST datasets show that RoSIP-Batt significantly outperforms state-of-the-art baselines, reducing SOH estimation error to 1.994% MAE on NASA and restricting RUL prediction error to 62.85 cycles on Stanford. These findings establish RoSIP-Batt as a highly generalizable, computationally efficient solution suitable for real-time embedded BMS deployment.
- Abstract（参考訳）: リチウムイオン電池の信頼性の確保は電化を加速させる上で重要であるが, 作業不整合性により, 健康状態 (SOH) と生活維持 (Remaining Useful Life, RUL) が著しく損なわれている。
従来のマルチタスク学習フレームワークでは,SOH推定の有界低分散雑音と長期RUL予測の不確かさの非有界非線形拡大とのバランスが取れない。
本稿では,これらの最適化競合を解消する一元的協調推定フレームワークであるRotary SOH-Injected Prior Battery Transformer (RoSIP-Batt)を提案する。
結合予測をベイズ的マルチタスクの目的として定式化することにより、RoSIP-Battは、学習された残留雑音レベルに基づいてタスク固有の勾配を動的にスケールするホモセシーゼ性不確実性重み付け機構を導入する。
このアーキテクチャは、分離された二重分類トークンと、勾配分離演算子によって確保された1次元ゲート融合機構を活用し、高分散RUL更新が安定なSOH表現空間を破損するのを防ぐ。
絶対サイクルステップに依存することなく電気化学的劣化パターンを捉えるため、回転位置埋め込み(RoPE)を共有トランスフォーマーバックボーンに組み込んで翻訳不変の相対時間プロファイルをモデル化する。
重要なことに、中間SOH推定値は、RUL回帰ヘッドに直接、物理劣化として注入される。
NASA、MIT-スタンフォード、HUSTのデータセットによる評価では、RoSIP-Battは最先端のベースラインを著しく上回り、SOH推定誤差はNASAの1.994% MAEに減少し、RUL予測誤差はスタンフォードの62.85サイクルに制限された。
これらの結果から,RoSIP-Battはリアルタイム組み込みBMSデプロイメントに適した,高度に一般化可能な計算効率の高いソリューションであることがわかった。
関連論文リスト
- Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。
本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。
我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。
スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文 参考訳（メタデータ） (2026-08-25T15:07:11Z) - Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。
EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。
本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
論文 参考訳（メタデータ） (2026-08-24T15:06:18Z) - Real-Time State-of-Health Estimation and Online Degradation Prognosis from Partial Battery Discharge Using Physics-Informed Neural Networks [2.3099144596725565]
任意の電圧範囲から抽出した不完全放電曲線を用いたリチウムイオン電池SOH予測のための物理インフォームド深層学習手法を提案する。
提案手法は,データ駆動学習と物理的に動機付けられた劣化ダイナミクスを組み合わせることで,一貫した信頼性の高いSOH推定を実現する。
論文 参考訳（メタデータ） (2026-08-14T10:34:13Z) - Physics-Guided Masked Multi-Task Network for Edge-Friendly Battery Health Diagnostics from Sto-chastically Fragmented Charging Profiles [5.880056260398202]
従来のマルチタスク学習フレームワークでは,SOH推定の有界低分散雑音と長期RUL予測の不確かさの非有界非線形拡大とのバランスが取れない。
本稿では,これらの最適化競合を解消する一元的協調推定フレームワークであるRotary SOH-Injected Prior Battery Transformer (RoSIP-Batt)を提案する。
NASA、MIT-スタンフォード、HUSTのデータセットでの評価によると、RoSIP-Battは最先端のベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-07-19T08:20:12Z) - BattVAE-GP: Generative Modeling of Long-Horizon Battery Degradation with Uncertainty Quantification [0.0]
長い水平物理学に基づく電池劣化のシミュレーションは機械的な洞察を与えるが、計算コストは高い。
リチウムイオン電池劣化トラジェクトリのサロゲートモデリングを未知の充電速度で行うためのハイブリッド物理確率学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-11T09:48:36Z) - SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。
我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
論文 参考訳（メタデータ） (2026-06-27T01:32:16Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
仮想セル摂動予測のための大規模基盤モデルを提案する。
まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。
第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。
第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
論文 参考訳（メタデータ） (2026-03-18T05:51:08Z) - World Model for Battery Degradation Prediction Under Non-Stationary Aging [1.2891210250935148]
本稿では,世界モデル問題としてバッテリ劣化予後を定式化する。
各サイクルから生の電圧、電流、温度の時系列を遅延状態に符号化する。
学習したダイナミクスの遷移を通じて前進し、将来の80サイクルにわたる軌道を生成する。
論文 参考訳（メタデータ） (2026-03-11T08:30:15Z) - 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) - 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) - Transfer Learning-based State of Health Estimation for Lithium-ion
Battery with Cycle Synchronization [16.637948430296227]
バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立ちます。
新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により,トランスファーラーニング(TL)が有望な機械学習アプローチとして出現する。
本稿では、時間的ダイナミクスを利用してTLに基づくSOH推定を解釈し、伝達学習を支援する手法を提案する。
論文 参考訳（メタデータ） (2022-08-23T21:40:40Z)
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。