Physics-Informed Neural Networks for Prognostics and Health Management of Lithium-Ion Batteries

要約

リチウムイオン (Li-ion) バッテリーの予後および健康管理 (PHM) については、その劣化プロセスを特徴付ける多くのモデルが確立されています。
既存の経験的または物理的モデルは、劣化のダイナミクスに関する重要な情報を明らかにすることができます。
ただし、これらのモデルによって表される情報を融合するための一般的で柔軟な方法はありません。
Physics-Informed Neural Network (PINN) は、経験的または物理的な動的モデルをデータ駆動型モデルと融合するための効率的なツールです。
さまざまな情報源を最大限に活用するために、PINN に基づくモデル融合スキームを提案します。
これは、リチウムイオン電池の劣化ダイナミクスをモデル化するための半経験的半物理偏微分方程式 (PDE) を開発することによって実装されます。
ダイナミクスに関する事前知識がほとんどない場合は、データ駆動型の Deep Hidden Physics Model (DeepHPM) を活用して、基礎となる支配的なダイナミクス モデルを発見します。
明らかにされたダイナミクス情報は、PINN フレームワークのサロゲート ニューラル ネットワークによってマイニングされた情報と融合されます。
さらに、PINN をトレーニングする際に複数の学習タスクのバランスをとるために、不確実性に基づく適応重み付け方法が採用されています。
提案された方法は、リン酸リチウムイオン (LFP)/グラファイト電池の公開データセットで検証されます。

要約(オリジナル)

For Prognostics and Health Management (PHM) of Lithium-ion (Li-ion) batteries, many models have been established to characterize their degradation process. The existing empirical or physical models can reveal important information regarding the degradation dynamics. However, there are no general and flexible methods to fuse the information represented by those models. Physics-Informed Neural Network (PINN) is an efficient tool to fuse empirical or physical dynamic models with data-driven models. To take full advantage of various information sources, we propose a model fusion scheme based on PINN. It is implemented by developing a semi-empirical semi-physical Partial Differential Equation (PDE) to model the degradation dynamics of Li-ion batteries. When there is little prior knowledge about the dynamics, we leverage the data-driven Deep Hidden Physics Model (DeepHPM) to discover the underlying governing dynamic models. The uncovered dynamics information is then fused with that mined by the surrogate neural network in the PINN framework. Moreover, an uncertainty-based adaptive weighting method is employed to balance the multiple learning tasks when training the PINN. The proposed methods are verified on a public dataset of Li-ion Phosphate (LFP)/graphite batteries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google