Diagnostic-free onboard battery health assessment

要約

多様な使用パターンは、リチウムイオン電池の複雑で可変の老化行動を誘発し、正確な健康診断と予後を複雑にします。
多くの場合、個別の診断サイクルを使用して、以前の複雑な老化パターンからバッテリーの現在の健康状態を解きます。
ただし、これらの同じ診断サイクルは、バッテリーの劣化軌道を変化させ、時間を集めており、オンボードアプリケーションで実際に実行することはできません。
この作業では、オフラインの診断テストと履歴データの要件なしに、迅速なオンボードバッテリーの健康診断と予後を可能にするために、解釈可能な機械学習モデルと組み合わせて運用測定の一部を活用します。
エンコーダデコダーアーキテクチャ内に機械的制約を統合して、物理的に解釈可能な潜在空間で電極状態を抽出し、分解パスの再構築を改善できるようにします。
健康診断モデルのフレームワークは、わずかな微調整により、多様なアプリケーションの関心に柔軟に適用できます。
このモデルフレームワークは、異なる動作条件下で422個のセルで構成される3つのバッテリーサイクリングデータセットに適用し、解釈できない診断のないオンボードバッテリー診断と予後モデルの有用性を強調することにより、このモデルフレームワークの汎用性を実証します。

要約(オリジナル)

Diverse usage patterns induce complex and variable aging behaviors in lithium-ion batteries, complicating accurate health diagnosis and prognosis. Separate diagnostic cycles are often used to untangle the battery’s current state of health from prior complex aging patterns. However, these same diagnostic cycles alter the battery’s degradation trajectory, are time-intensive, and cannot be practically performed in onboard applications. In this work, we leverage portions of operational measurements in combination with an interpretable machine learning model to enable rapid, onboard battery health diagnostics and prognostics without offline diagnostic testing and the requirement of historical data. We integrate mechanistic constraints within an encoder-decoder architecture to extract electrode states in a physically interpretable latent space and enable improved reconstruction of the degradation path. The health diagnosis model framework can be flexibly applied across diverse application interests with slight fine-tuning. We demonstrate the versatility of this model framework by applying it to three battery-cycling datasets consisting of 422 cells under different operating conditions, highlighting the utility of an interpretable diagnostic-free, onboard battery diagnosis and prognosis model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google