Liイオンバッテリーの残存耐用年数予測におけるデータ不足下でのCNN拡張シーケンシャルモデルのロバスト性

科学分野:

• バッテリーヘルスモニタリング
• エンジニアリングのための機械学習
• 予知保全

背景:

• 正確な残存耐用年数（RUL）予測は、リチウムイオンバッテリーの安全性と信頼性にとって不可欠です。
• 産業用途ではデータ不足に直面することが多く、RUL予測の効果を妨げています。
• ハイブリッド畳み込みニューラルネットワーク（CNN）とシーケンシャルモデルのアーキテクチャは潜在的な解決策を提供しますが、体系的な評価が必要です。

研究 の 目的:

• データ不足下でのRUL予測のためのハイブリッドCNN-シーケンシャルモデルのパフォーマンスを体系的に評価すること。
• CNN由来の特徴抽出がシーケンシャルモデルのロバスト性に与える影響を評価すること。
• データ制約下のRUL予測におけるさまざまなシーケンシャルモデル（GRU、LSTM、Transformer、Neural ODE、Transformer（Pre-LN））の有効性を比較すること。

主な方法:

• 完全なバッテリー充放電サイクルの低次元特徴抽出にCNNを使用しました。
• 抽出された特徴を使用して、5つのシーケンシャルモデル（GRU、LSTM、Transformer、Neural ODE、Transformer（Pre-LN））を体系的に評価しました。
• 充電放電サイクルを段階的に削除（0％、10％、30％、50％）してデータ不足をシミュレートしました。
• NASAおよびCALCEバッテリーデータセットでLeave-one-out交差検証を採用しました。

主要な成果:

• CNNベースの特徴抽出は、評価されたすべてのシーケンシャルモデルのロバスト性を大幅に向上させました。
• リカレントネットワーク（GRU、LSTM）は、複雑なアーキテクチャよりもデータ制約条件下で一貫して優れたパフォーマンスを示しました。
• 提案されたハイブリッドアプローチは、RUL予測の精度と信頼性を向上させました。

結論:

• ハイブリッドCNN-シーケンシャルモデルは、特にデータ不足の産業環境において、RUL予測のための堅牢な方法論を提供します。
• リカレントニューラルネットワークは、データ可用性が限られている場合にRUL予測で強力なパフォーマンスを発揮します。
• この研究は、リチウムイオンバッテリーの信頼性の高いRUL予測器の開発に実用的な洞察を提供します。