HybridoNet-Adapt: A Domain-Adapted Framework for Accurate Lithium-Ion Battery RUL Prediction

要約

リチウムイオンバッテリー（LIB）の残りの耐用年数（RUL）の正確な予測は、運用上の信頼性と安全性を確保するために不可欠です。
ただし、多くの既存の方法では、トレーニングとテストデータが同じ分布に従い、目に見えないターゲットドメインに一般化する能力を制限すると想定しています。
これに対処するために、ドメイン適応（DA）手法を組み込んだ新しいRUL予測フレームワークを提案します。
当社のフレームワークでは、ノイズリダクション、特徴抽出、およびハイブリドネットAdaghtと呼ばれる堅牢なディープ学習モデルを使用した正規化など、信号前処理パイプラインを統合します。
このモデルは、LSTM、マルチヘッドの注意、および特徴抽出のためのニューラルオード層の組み合わせを特徴としており、その後にトレーニング可能なトレードオフパラメーターを備えた2つの予測モジュールが続きます。
一般化を改善するために、ドメインの敵対的なニューラルネットワーク（DANN）に触発されたDA戦略を採用し、敵対的な損失を最大平均矛盾（MMD）に置き換えて、ドメイン障害の特徴を学習します。
実験結果は、ハイブリドネット適応がXgboostや弾性ネットなどの従来のモデル、およびデュアル入力DNNなどの深い学習ベースラインを大幅に上回ることを示しており、スケーラブルで信頼性の高いバッテリーヘルス管理（BHM）の可能性を示しています。

要約(オリジナル)

Accurate prediction of the Remaining Useful Life (RUL) in Lithium ion battery (LIB) health management systems is essential for ensuring operational reliability and safety. However, many existing methods assume that training and testing data follow the same distribution, limiting their ability to generalize to unseen target domains. To address this, we propose a novel RUL prediction framework that incorporates a domain adaptation (DA) technique. Our framework integrates a signal preprocessing pipeline including noise reduction, feature extraction, and normalization with a robust deep learning model called HybridoNet Adapt. The model features a combination of LSTM, Multihead Attention, and Neural ODE layers for feature extraction, followed by two predictor modules with trainable trade-off parameters. To improve generalization, we adopt a DA strategy inspired by Domain Adversarial Neural Networks (DANN), replacing adversarial loss with Maximum Mean Discrepancy (MMD) to learn domain-invariant features. Experimental results show that HybridoNet Adapt significantly outperforms traditional models such as XGBoost and Elastic Net, as well as deep learning baselines like Dual input DNN, demonstrating its potential for scalable and reliable battery health management (BHM).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google