論文の概要: Intelligent Degradation Monitoring in Lithium-ion Batteries via Discharge Incremental Capacity Feature Estimation

• arxiv url: http://arxiv.org/abs/2609.22843v1
• Date: Sat, 19 Sep 2026 07:25:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.571675
• Title: Intelligent Degradation Monitoring in Lithium-ion Batteries via Discharge Incremental Capacity Feature Estimation
• Title（参考訳）: 放電インクリメンタル容量特性推定によるリチウムイオン電池のインテリジェント劣化モニタリング
• Abstract要約: 従来のインクリメンタルキャパシティ分析手法では、放電測定に低電流サイクリングが必要となる。 本稿では、充電信号から直接放電IC特徴を予測するニューラルネットワークベースの新しいフレームワークを提案する。
• 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: Accurate and timely detection of degradation in lithium-ion batteries is crucial to ensure safety, reliability, and longevity in high-demand applications such as electric vehicles and energy storage systems. Traditional incremental capacity (IC) analysis methods require low-current cycling for discharge measurements, limiting their practical use in real-time battery management. This paper proposes a novel neural network-based framework that predicts discharge IC features directly from charging signals, eliminating the need for low-current discharge. Trained on a comprehensive dataset of 53 battery cells cycled under diverse fast-charging protocols, the model demonstrates robust generalization ability, effectively estimating degradation indicators on unseen battery data. Among several architectures evaluated, the LSTM model provides the best balance of prediction accuracy and computational efficiency. The proposed approach enables real-time integration into Battery Management Systems (BMS), enhancing degradation monitoring without disrupting normal battery operation. This paper presents a study to bridge IC analysis with practical, fast-charging scenarios, marking a significant step towards intelligent and scalable battery health monitoring.
• Abstract（参考訳）: リチウムイオン電池の劣化の正確かつタイムリーな検出は、電気自動車やエネルギー貯蔵システムといった高需要のアプリケーションにおいて、安全性、信頼性、持続性を確保するために不可欠である。 従来のインクリメンタルキャパシティ (IC) 解析手法では, 放電測定に低電流サイクリングが必要であり, リアルタイムバッテリー管理における実用的利用を制限している。 本稿では、充電信号から直接放電ICの特徴を予測し、低電流放電を必要としない新しいニューラルネットワークベースのフレームワークを提案する。 多様な高速充電プロトコルの下でサイクルされた53個のバッテリーセルの包括的なデータセットに基づいてトレーニングされたこのモデルは、堅牢な一般化能力を示し、目に見えないバッテリーデータの劣化指標を効果的に推定する。 評価されたいくつかのアーキテクチャのうち、LSTMモデルは予測精度と計算効率の最良のバランスを提供する。 提案手法により,バッテリ管理システム(BMS)へのリアルタイム統合が可能となり,通常のバッテリ操作を中断することなく,劣化監視の強化が可能となった。 本稿では、IC解析を実用的で高速充電のシナリオで橋渡しし、インテリジェントでスケーラブルなバッテリヘルスモニタリングに向けた重要なステップを示す。

関連論文リスト

• AI-Driven Surrogate Models for Predicting Electrode-Scale Discharge Behavior in Lithium-Ion Batteries [47.27974914502511]
  本研究では,Swin3D Transformerに基づくディープラーニングサロゲートパイプラインを導入し,データから直接放電ダイナミクスを予測する。 提案手法は計算オーバーヘッドを桁違いに削減し,高スループットバッテリー設計と最適化のためのスケーラブルで効率的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-07-22T09:10:48Z)
• 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)
• Knowledge-Aware Modeling with Frequency Adaptive Learning for Battery Health Prognostics [27.840159692578354]
  Karmaは、バッテリ容量推定のための周波数適応学習と有用な寿命予測のための知識認識モデルである。 1つのストリームが長期の低周波劣化傾向を捉え、もう1つのモデルが高周波短期力学をモデル化する2重ストリームディープラーニングアーキテクチャを開発した。 実験では、Karmaの優れた性能を示し、バッテリーの健康予測のための最先端のアルゴリズムよりも平均エラーを50.6%、32.6%削減した。
  論文  参考訳（メタデータ） (2025-10-03T09:24:38Z)
• SOH-KLSTM: A Hybrid Kolmogorov-Arnold Network and LSTM Model for Enhanced Lithium-Ion Battery Health Monitoring [0.2094545406831271]
  我々は,Li電池の健康モニタリングのためのLSTMにおいて,KAN(Kolmogorov-Arnold Network)を用いた新しいSOH予測フレームワーク(SOH-KLSTM)を提案する。 このハイブリッドアプローチは、LSTMが正確な時系列予測のための長期的な依存関係を学習する能力と、Kanの非線形近似能力を組み合わせて、リチウム電池の複雑な劣化挙動を効果的に捉える。
  論文  参考訳（メタデータ） (2025-08-31T19:31:45Z)
• Deep-MPC: A DAGGER-Driven Imitation Learning Strategy for Optimal Constrained Battery Charging [5.192596329990163]
  本論文は,従来の電池充電の予測制御戦略にまつわる課題に対処する革新的な手法を提案する。 電気化学モデルを組み込んだ実用的な電池シミュレータから得られた結果は、電池充電性能の大幅な改善を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-06-23T02:36:02Z)
• 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)
• Remaining useful life prediction of Lithium-ion batteries using spatio-temporal multimodal attention networks [4.249657064343807]
  リチウムイオン電池は、電気自動車や再生可能エネルギー貯蔵など様々な用途で広く使われている。 電池の残存寿命(RUL)の予測は信頼性と効率の確保に不可欠である。 本稿では, 時空間アテンションネットワーク(ST-MAN)を用いたリチウムイオン電池の2段階RUL予測手法を提案する。
  論文  参考訳（メタデータ） (2023-10-29T07:32:32Z)
• 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。