Two-stage Early Prediction Framework of Remaining Useful Life for Lithium-ion Batteries

要約

残存耐用年数 (RUL) を早期に予測することは、家庭用電化製品から大規模アプリケーションに至るまで、さまざまな業界で効果的なバッテリー管理を行うために重要です。
正確な RUL 予測により、バッテリー技術の信頼性と保守性が向上します。
ただし、既存の方法には、同じセンサーまたは分布からのデータの仮定、製品寿命 (EOL) の予測、不健全な段階の開始を特定するための最初の予測サイクル (FPC) の決定の無視などの制限があります。
この論文は、リチウムイオン電池の RUL 予測のための新しい方法を提案します。
提案されたフレームワークは 2 つの段階で構成されます。1 つはニューラル ネットワーク ベースのモデルを使用して FPC を決定し、劣化データを個別の健全性状態に分割するステップと、FPC 後の劣化パターンを予測して残りの耐用年数をパーセンテージで推定するステップです。
実験結果は、提案された方法が RUL 予測の点で従来のアプローチよりも優れていることを示しています。
さらに、提案された方法は現実世界のシナリオに有望であることを示しており、バッテリー管理の精度と適用性が向上します。

要約(オリジナル)

Early prediction of remaining useful life (RUL) is crucial for effective battery management across various industries, ranging from household appliances to large-scale applications. Accurate RUL prediction improves the reliability and maintainability of battery technology. However, existing methods have limitations, including assumptions of data from the same sensors or distribution, foreknowledge of the end of life (EOL), and neglect to determine the first prediction cycle (FPC) to identify the start of the unhealthy stage. This paper proposes a novel method for RUL prediction of Lithium-ion batteries. The proposed framework comprises two stages: determining the FPC using a neural network-based model to divide the degradation data into distinct health states and predicting the degradation pattern after the FPC to estimate the remaining useful life as a percentage. Experimental results demonstrate that the proposed method outperforms conventional approaches in terms of RUL prediction. Furthermore, the proposed method shows promise for real-world scenarios, providing improved accuracy and applicability for battery management.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google