論文の概要: Degradation-Aligned Self-Supervised Learning for State of Health Estimation of Lithium-Ion Batteries under Label Sparsity

• arxiv url: http://arxiv.org/abs/2608.16612v1
• Date: Mon, 17 Aug 2026 14:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.739689
• Title: Degradation-Aligned Self-Supervised Learning for State of Health Estimation of Lithium-Ion Batteries under Label Sparsity
• Title（参考訳）: ラベル空間下におけるリチウムイオン電池の健康状態評価のための劣化適応型自己監督学習
• Abstract要約: 本稿では,畳み込みニューラルネットワークゲート型リカレントユニット(CNN-GRU)モデルに基づく,劣化を考慮した自己教師付き学習(SSL)フレームワークを提案する。 実験結果から,提案したランキングベースSSLアプローチは,ラベルなしデータからの劣化整合性のある情報を事前学習モデルに付与することを示した。 この研究は、実世界の応用において、ラベル空間下でのリチウムイオン電池のSOH推定に新たな光を放つ可能性があると信じている。
• 参考スコア（独自算出の注目度）: 0.27214777196418644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An accurate estimation of the state of health (SOH) underpins a safe and optimized use of the battery system. Although compelling, data-driven SOH estimation models typically require large amounts of high-quality labeled cycling data, while in practice such labels are often sparse in both quantity and coverage. Therefore, in this work, we propose a degradation-aligned self-supervised learning (SSL) framework based on a convolutional neural network-gated recurrent unit (CNN-GRU) model, which learns aging-consistent representations from unlabeled data through a cycle-order ranking objective as the pretext task for pretraining, thereby enabling robust SOH estimation after fine-tuning on sparsely labeled data. Test results showcase that the proposed ranking-based SSL approach proves to endow the pretrained model with degradation-aligned information from unlabeled data, and after fine-tuning the model can carry out accurate, robust SOH estimation, even when only an extremely limited amount of 1% of unevenly distributed labeled training data is available, where the MAE of 1.718% and RMSE of 2.329% can be achieved on the test cell. In addition, in-depth analyses are presented regarding the influences of label distribution of battery degradation data. We believe this work could shed new light on SOH estimation of lithium-ion batteries under label sparsity in real-world applications.
• Abstract（参考訳）: 健康状態(SOH)の正確な推定は、安全で最適化された電池システムの利用を支えている。 魅力的ではあるが、データ駆動型SOH推定モデルは通常、大量の高品質なラベル付きサイクリングデータを必要とする。 そこで本研究では,非ラベル付きデータから,事前学習の前提課題であるサイクル順ランキングの目的を通し,非ラベル付きデータからの老化一貫性表現を学習する畳み込みニューラルネットワークゲート型リカレントユニット(CNN-GRU)モデルに基づく自己教師付き学習(SSL)フレームワークを提案する。 実験結果から,事前学習したモデルにラベル付きデータからの劣化整合性のある情報を付与する手法が提案され,微調整後,未分散ラベル付きトレーニングデータの1%の極端に限られた量しか利用できない場合でも,厳密なSOH推定が可能であり,MAEの1.718%とRMSEの2.329%がテストセル上で達成可能であることが示された。 さらに, 電池劣化データのラベル分布の影響について詳細な解析を行った。 この研究は、実世界の応用において、ラベル空間下でのリチウムイオン電池のSOH推定に新たな光を放つ可能性があると信じている。

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)
• Rethinking Long-tailed Dataset Distillation: A Uni-Level Framework with Unbiased Recovery and Relabeling [105.8570596633629]
  トラジェクトリに基づく手法の限界を再考することにより,長い尾のデータセット蒸留を再考する。 統計的アライメントの観点からバイアスをモデル化し、公正な監督を復元する。 提案手法は,CIFAR-100-LTで15.6%,Tiny-ImageNet-LTで11.8%向上する。
  論文  参考訳（メタデータ） (2025-11-24T07:57:01Z)
• 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)
• 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)
• Learning with Imbalanced Noisy Data by Preventing Bias in Sample Selection [82.43311784594384]
  実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。 不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-17T10:34:53Z)
• Adapting Amidst Degradation: Cross Domain Li-ion Battery Health Estimation via Physics-Guided Test-Time Training [19.606703130917325]
  リチウムイオン電池(LIB)の健康モデリングは、安全で効率的なエネルギー管理に不可欠であり、社会経済的に重要な意味を持つ。 本稿では,劣化中の各対象データ(UTD)を連続的に使用してモデルを適応させる,実践的なテストタイムトレーニングフレームワークであるBatteryTTTを紹介する。 それぞれのUTDを完全に活用するために、BatteryTTTはPhyscics-Guided Test-Time Trainingと呼ばれる、現代のLIB固有の物理法則を自己教師付き学習に統合する。
  論文  参考訳（メタデータ） (2024-01-30T14:47:15Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• A Self-attention Knowledge Domain Adaptation Network for Commercial Lithium-ion Batteries State-of-health Estimation under Shallow Cycles [6.248695387884295]
  浅いサイクルのSOHを推定するために, 教師なし深層移動学習法を提案する。 提案手法は、2%以内のルート平均二乗誤差を達成し、SOCの異なる範囲での他の移動学習方法より優れる。
  論文  参考訳（メタデータ） (2023-04-11T09:28:48Z)
• 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)
• 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)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Distribution Aligning Refinery of Pseudo-label for Imbalanced Semi-supervised Learning [126.31716228319902]
  Pseudo-label (DARP) アルゴリズムの分散アライメント・リファナリーを開発する。 DARPは最先端のSSLスキームと有効かつ効率的に互換性があることを示す。
  論文  参考訳（メタデータ） (2020-07-17T09:16:05Z)

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。