Survival Analysis with Machine Learning for Predicting Li-ion Battery Remaining Useful Life

要約

バッテリーの劣化は、特に電気自動車や産業用途におけるエネルギー貯蔵システムの信頼性と効率に大きく影響します。
リチウムイオン電池の残りの耐用年数（RUL）を予測することは、メンテナンススケジュールの最適化、コストの削減、安全性の向上に不可欠です。
従来のルール予測方法は、しばしば非線形分解パターンと不確実性の定量化に苦しんでいます。
これらの課題に対処するために、生存データの再構築、生存モデルの学習、生存確率推定を統合するハイブリッドサバイバル分析フレームワークを提案します。
当社のアプローチは、バッテリー電圧時系列をパスシグネチャを使用して、時間から障害のデータに変換します。
COXベースの複数のサバイバルモデルと、DeepHitやMTLRなどのマシンラーニングベースの方法は、バッテリーの障害のない確率を時間の経過とともに予測することを学びます。
トヨタバッテリーとNASAバッテリーデータセットで実施された実験は、私たちのアプローチの有効性を示し、低い統合されたBrierスコアを維持しながら、高時間依存のAUCおよび一致インデックス（C-Index）を達成します。
この作業のデータとソースコードは、https://github.com/thinkxca/rulで一般に利用できます。

要約(オリジナル)

Battery degradation significantly impacts the reliability and efficiency of energy storage systems, particularly in electric vehicles and industrial applications. Predicting the remaining useful life (RUL) of lithium-ion batteries is crucial for optimizing maintenance schedules, reducing costs, and improving safety. Traditional RUL prediction methods often struggle with nonlinear degradation patterns and uncertainty quantification. To address these challenges, we propose a hybrid survival analysis framework integrating survival data reconstruction, survival model learning, and survival probability estimation. Our approach transforms battery voltage time series into time-to-failure data using path signatures. The multiple Cox-based survival models and machine-learning-based methods, such as DeepHit and MTLR, are learned to predict battery failure-free probabilities over time. Experiments conducted on the Toyota battery and NASA battery datasets demonstrate the effectiveness of our approach, achieving high time-dependent AUC and concordance index (C-Index) while maintaining a low integrated Brier score. The data and source codes for this work are available to the public at https://github.com/thinkxca/rul.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google