Cycle Life Prediction for Lithium-ion Batteries: Machine Learning and More

要約

バッテリーは複雑な非線形劣化を伴う動的システムであり、セルの設計、化学、製造、および動作条件に大きく依存します。
バッテリーのサイクル寿命の予測と劣化状態の推定は、バッテリーの研究開発やテストを加速し、バッテリーがどのように劣化するかをさらに理解するために重要です。
バッテリー管理システムはテスト以外にも、安全な動作のためにリアルタイム モデルとオンボード診断と予測に依存しています。
バッテリーの健康状態と残りの耐用年数を推定することは、パフォーマンスを最適化し、リソースを最適に使用するために重要です。
このチュートリアルは、第一原理、機械学習、およびハイブリッド バッテリー モデルの概要から始まります。
次に、解釈可能な機械学習モデルを開発するための典型的なパイプラインについて説明し、実験室試験データからサイクル寿命を予測するために紹介します。
機械学習モデルの課題に焦点を当て、ハイブリッド モデリング アプローチに物理学を組み込む動機付けとなります。これはバッテリーの経年劣化の軌跡を解読するために必要ですが、バッテリー劣化の物理学についてはより多くのデータとさらなる研究が必要です。
このチュートリアルは、一般化とさらなる研究の方向性についての説明で終わります。

要約(オリジナル)

Batteries are dynamic systems with complicated nonlinear aging, highly dependent on cell design, chemistry, manufacturing, and operational conditions. Prediction of battery cycle life and estimation of aging states is important to accelerate battery R&D, testing, and to further the understanding of how batteries degrade. Beyond testing, battery management systems rely on real-time models and onboard diagnostics and prognostics for safe operation. Estimating the state of health and remaining useful life of a battery is important to optimize performance and use resources optimally. This tutorial begins with an overview of first-principles, machine learning, and hybrid battery models. Then, a typical pipeline for the development of interpretable machine learning models is explained and showcased for cycle life prediction from laboratory testing data. We highlight the challenges of machine learning models, motivating the incorporation of physics in hybrid modeling approaches, which are needed to decipher the aging trajectory of batteries but require more data and further work on the physics of battery degradation. The tutorial closes with a discussion on generalization and further research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google