Fugu-MT 論文翻訳(概要): Joint Remaining Useful Life Prediction and Capacity Estimation of Lithium-Ion Batteries Using Partial-Charging Data

論文の概要: Joint Remaining Useful Life Prediction and Capacity Estimation of Lithium-Ion Batteries Using Partial-Charging Data

arxiv url: http://arxiv.org/abs/2609.21932v1
Date: Fri, 18 Sep 2026 15:51:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-21 18:40:17.173224
Title: Joint Remaining Useful Life Prediction and Capacity Estimation of Lithium-Ion Batteries Using Partial-Charging Data
Title（参考訳）: 部分充電データを用いたリチウムイオン電池の余寿命予測と容量推定
Abstract要約: 本稿では, 歴史的フルサイクル容量を入力として使用せずに, 部分チャージ測定を用いたクロスエキスパート・フレームワークを提案する。 RUL Expertは、事前訓練されたゲートリカレントユニット(GRU)エンコーダ、2次元畳み込みニューラルネットワーク(2D-CNN)と時間GRUを使用して、30サイクルの歴史の中でサンプリングされた10サイクルから名目上の10分間のセグメントを符号化する。 Capacity Expertは、2D-CNNとTransformerを使用して、10サイクルから40分という名目上のセグメントの統計記述を処理している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Joint remaining useful life (RUL) prediction and capacity estimation require representations of both gradual degradation and recent battery behavior. This paper presents a cross-expert framework using partial-charging measurements without measured historical full-cycle capacity as an input. The RUL Expert encodes nominal 10-min segments from ten cycles sampled within a 30-cycle history using a pretrained gated recurrent unit (GRU) encoder, a two-dimensional convolutional neural network (2D-CNN), and a temporal GRU. The Capacity Expert processes statistical descriptors of nominal 40-min segments from ten consecutive cycles using a 2D-CNN and a Transformer. A feature-wise linear modulation module uses the short-term representation to condition the long-term representation for joint prediction. Training comprises supervised autoencoder pretraining, independent expert pretraining, and fusion training with frozen experts. On two public battery-aging datasets, the reference configuration achieves mean RUL root-mean-square errors of 143.69 and 161.10 cycles and capacity errors of 12.36 and 7.28mAh, respectively. On Dataset I, fusion reduces both mean errors relative to either standalone expert. The results demonstrate a trade-off between RUL and capacity accuracy: the proposed method attains the lowest reported RUL RMSE among the compared methods on both datasets, whereas several baselines yield lower capacity errors.
Abstract（参考訳）: RUL(Joint remaining useful Life)予測とキャパシティ推定は、段階的劣化と最近のバッテリー動作の両方の表現を必要とする。本稿では, 歴史的フルサイクル容量を入力として使用せずに, 部分チャージ測定を用いたクロスエキスパート・フレームワークを提案する。 RUL Expertは、事前訓練されたゲート再帰ユニット(GRU)エンコーダ、2次元畳み込みニューラルネットワーク(2D-CNN)と時間的GRUを使用して、30サイクルの歴史の中でサンプリングされた10サイクルから名目上の10分間のセグメントを符号化する。 Capacity Expertは、2D-CNNとTransformerを使用して、10サイクルから40分という名目上のセグメントの統計記述を処理している。特徴量線形変調モジュールは、短期表現を用いて、ジョイント予測の長期表現を条件付ける。訓練には、教師付きオートエンコーダ事前訓練、独立した専門家事前訓練、凍結した専門家との融合訓練が含まれる。 2つのパブリックなバッテリエイジングデータセットでは、RULのルート平均二乗誤差は143.69サイクルと161.10サイクル、キャパシティエラーは12.36サイクルと7.28mAhである。 Dataset Iでは、融合はいずれのスタンドアロンの専門家と比較して平均エラーを減らします。その結果、RULとキャパシティの精度のトレードオフが示され、提案手法は両方のデータセットで比較した手法の中でRUL RMSEが最も低い値を得る一方、いくつかのベースラインは低いキャパシティエラーをもたらすことがわかった。

関連論文リスト

Hybrid Deep Learning with Temporal Data Augmentation for Accurate Remaining Useful Life Prediction of Lithium-Ion Batteries [10.601010008014587]
CDFormerは、畳み込みニューラルネットワーク、深い残留収縮ネットワーク、トランスフォーマーエンコーダを統合するハイブリッドディープラーニングモデルである。正確で信頼性の高い予測を提供し、効果的なバッテリヘルスモニタリングとデータ駆動メンテナンス戦略をサポートする。
論文参考訳（メタデータ） (2026-03-28T08:19:28Z)
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)
Cross-Representation Benchmarking in Time-Series Electronic Health Records for Clinical Outcome Prediction [44.23284500920266]
このベンチマークは、2つの異なる臨床環境におけるデータキュレーションと評価を標準化する。実験によると、イベントストリームモデルは、常に最強のパフォーマンスを提供する。特徴選択戦略は臨床環境に適応する必要がある。
論文参考訳（メタデータ） (2025-10-10T09:03:47Z)
End-to-End Framework for Predicting the Remaining Useful Life of Lithium-Ion Batteries [0.04660328753262073]
本稿では、最近のチャージ放電サイクルのデータを利用して残りの使用可能なサイクル数を推定するRUL予測手法を提案する。このアプローチは、新しい信号処理パイプラインとディープラーニング予測モデルの両方を導入している。 2つの一般公開された大規模データセットの実験結果から,提案手法がベースライン深層学習手法と機械学習技術より優れていることが示された。
論文参考訳（メタデータ） (2025-05-22T13:28:18Z)
Onboard Health Estimation using Distribution of Relaxation Times for Lithium-ion Batteries [0.0]
健常高齢者5例とサイクリング高齢者17例のインピーダンススペクトロスコピー(EIS)データを用いて,SOH(State-of-Health)推定を行った。 10種類の異なるテストセットでテストすることでモデル性能を検証し、平均 RMSPE は1.69% である。
論文参考訳（メタデータ） (2024-10-20T04:04:53Z)
Efficient Bayesian Learning Curve Extrapolation using Prior-Data Fitted Networks [44.294078238444996]
本稿では、この文脈におけるPFN(preded-data fit Neural Network)の最初の応用について述べる。我々は,LC-PFNがMCMCよりも後方予測分布を正確に近似できることを実証した。また,同じLC-PFNが,20万個の実学習曲線を外挿する競合性能を実現することを示す。
論文参考訳（メタデータ） (2023-10-31T13:30:30Z)
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)
Accurate Remaining Useful Life Prediction with Uncertainty Quantification: a Deep Learning and Nonstationary Gaussian Process Approach [0.0]
有用寿命 (Retaining useful life, RUL) とは、あるコンポーネントやシステムの寿命が期待されていることを指す。我々は、深層学習と非定常ガウス過程回帰(DL-NSGPR)の利点を統合し、活用する、不確実な定量化を伴う高精度なRUL予測モデルを考案した。計算実験の結果,DL-NSGPR予測はルート平均2乗誤差1.7～6.2倍の精度で精度が高いことがわかった。
論文参考訳（メタデータ） (2021-09-23T18:19:58Z)
Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文参考訳（メタデータ） (2021-04-11T16:45:18Z)

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。