Gate Recurrent Unit Network based on Hilbert-Schmidt Independence Criterion for State-of-Health Estimation

要約

State-of-Health (SOH) の推定は、バッテリーの安全で信頼性の高い動作を確保するための重要なステップです。
さまざまなサイクルでのデータ分布やシーケンスの長さの変化などの問題により、ほとんどの既存の方法では、時間と労力がかかる可能性がある健康機能抽出技術が必要です。
GRUはシンプルな構造と優れた性能により、この問題をうまく解決し、広く注目されています。
ただし、冗長な情報はネットワーク内にまだ存在し、SOH 推定の精度に影響を与えます。
この問題に対処するために、ヒルベルト・シュミット独立基準 (GRU-HSIC) に基づく新しい GRU ネットワークが提案されています。
まず、ゼロ マスキング ネットワークを使用して、サイクルごとにさまざまな長さで測定されたすべてのバッテリ データを同じ長さのシーケンスに変換しますが、各サイクルの元のデータ サイズに関する情報は保持されます。
次に、情報ボトルネック (IB) 理論から発展したヒルベルト・シュミット独立基準 (HSIC) ボトルネックを GRU に拡張して、隠れ層からの情報を圧縮します。
提案された方法を評価するために、メリーランド大学の先進ライフサイクル工学センター (CALCE) と NASA Ames Prognostics Center of Excellence からのデータセットで実験を行いました。
実験結果は、私たちのモデルが他の反復モデルよりも高い精度を達成することを示しています。

要約(オリジナル)

State-of-health (SOH) estimation is a key step in ensuring the safe and reliable operation of batteries. Due to issues such as varying data distribution and sequence length in different cycles, most existing methods require health feature extraction technique, which can be time-consuming and labor-intensive. GRU can well solve this problem due to the simple structure and superior performance, receiving widespread attentions. However, redundant information still exists within the network and impacts the accuracy of SOH estimation. To address this issue, a new GRU network based on Hilbert-Schmidt Independence Criterion (GRU-HSIC) is proposed. First, a zero masking network is used to transform all battery data measured with varying lengths every cycle into sequences of the same length, while still retaining information about the original data size in each cycle. Second, the Hilbert-Schmidt Independence Criterion (HSIC) bottleneck, which evolved from Information Bottleneck (IB) theory, is extended to GRU to compress the information from hidden layers. To evaluate the proposed method, we conducted experiments on datasets from the Center for Advanced Life Cycle Engineering (CALCE) of the University of Maryland and NASA Ames Prognostics Center of Excellence. Experimental results demonstrate that our model achieves higher accuracy than other recurrent models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google