Remaining Useful Life Prediction for Batteries Utilizing an Explainable AI Approach with a Predictive Application for Decision-Making

要約

バッテリーの残りの耐用年数（RUL）を正確に推定することは、その寿命と充電の要件を決定するために不可欠です。
この作業では、機械学習ベースのモデルを開発して、バッテリールールを予測および分類します。
2レベルのアンサンブル学習（TLE）フレームワークと、RUL予測のためのCNN+MLPハイブリッドモデルを導入し、そのパフォーマンスを従来の深い機械学習モデルと比較します。
私たちの分析では、SHAPを通じて解釈可能性を組み込みながら、予測と分類の両方のさまざまなモデルを評価します。
提案されたTLEモデルは、RMSE、MAE、およびR 2乗エラーのベースラインモデルを一貫して上回り、その優れた予測機能を実証します。
さらに、XGBoost分類器は、相互検証技術を通じて検証された印象的な99％の分類精度を実現します。
モデルは、リレーベースの充電トリガーを効果的に予測し、自動化されたエネルギー効率の高い充電プロセスを可能にします。
この自動化により、充電サイクルを最適化することにより、エネルギー消費が削減され、バッテリーの性能が向上します。
SHAP解釈可能性分析は、RULに影響を与える最も重要な要因として、サイクルインデックスと充電パラメーターを強調しています。
アクセシビリティを向上させるために、ユーザーが新しいデータを入力してRULをリアルタイムで予測できるTKINTERベースのGUIを開発しました。
この実用的なソリューションは、バッテリーの使用とメンテナンスに関するデータ駆動型の決定を可能にすることにより、持続可能なバッテリー管理をサポートし、エネルギー効率の高い革新的なバッテリー寿命予測に貢献します。

要約(オリジナル)

Accurately estimating the Remaining Useful Life (RUL) of a battery is essential for determining its lifespan and recharge requirements. In this work, we develop machine learning-based models to predict and classify battery RUL. We introduce a two-level ensemble learning (TLE) framework and a CNN+MLP hybrid model for RUL prediction, comparing their performance against traditional, deep, and hybrid machine learning models. Our analysis evaluates various models for both prediction and classification while incorporating interpretability through SHAP. The proposed TLE model consistently outperforms baseline models in RMSE, MAE, and R squared error, demonstrating its superior predictive capabilities. Additionally, the XGBoost classifier achieves an impressive 99% classification accuracy, validated through cross-validation techniques. The models effectively predict relay-based charging triggers, enabling automated and energy-efficient charging processes. This automation reduces energy consumption and enhances battery performance by optimizing charging cycles. SHAP interpretability analysis highlights the cycle index and charging parameters as the most critical factors influencing RUL. To improve accessibility, we developed a Tkinter-based GUI that allows users to input new data and predict RUL in real time. This practical solution supports sustainable battery management by enabling data-driven decisions about battery usage and maintenance, contributing to energy-efficient and innovative battery life prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google