文献

J-GLOBAL ID：202202219442057084   整理番号：22A1052655

ニューラルネットワークと車載データに基づいた健康推定の電池状態のための仮想実験【JST・京大機械翻訳】

Virtual experiments for battery state of health estimation based on neural networks and in-vehicle data

著者 (2件)： Heinrich Felix (Volkswagen AG, Group Innovation, Wolfsburg 38440, Germany) ,  Pruckner Marco (Energy Informatics, Friedrich-Alexander-University Erlangen-Nuernberg, Erlangen 91054, Germany)
資料名： Journal of Energy Storage  (Journal of Energy Storage)
巻： 48  ページ： Null  発行年： 2022年 
JST資料番号： W3042A  ISSN： 2352-152X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 電気自動車の安全性,性能,および保証を保証するために,リチウムイオン電池の健康状態の発展をモニターすることが重要である。健康状態に対する推定器は,しばしば,実験室フルサイクリング条件下で,費用がかかり,時間がかかり,そして事前定義された試験手順に基づいている。対照的に,自動車操作条件は高度に揮発性であり,従って実験室特性抽出法によって解釈できない。電気自動車と限られた数の電池試験施設を急速に成長させると,健康状態を決定する代替とスケーラブルな方法の必要性は将来の開発に不可欠である。本論文では,電池実験の仮想実行に基づく健康推定の電池状態のための新しいデータ駆動手法を提案した。したがって,LSTMベースのニューラルネットワークは車内運転データに基づいて自動車電池セルの電気的挙動を学習する。次に,このLSTMモデルを用いて,容量試験,増分容量解析,およびピーク電力試験中の電気応答をシミュレートし,自動車リチウムイオン電池のために明示的に設計し,実世界の顧客利用に適応させた。結果は,内部抵抗(1.77%MAE)と残留容量推定(0.60%MAE)に関して,健康推定状態に対する最先端の精度を示した。電池実験のこの仮想実行はスケーラブルであり,実験室の努力と試験設備を節約し,リターンは運転データのみを必要とする。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *電池 ,  安全性 ,  自動車 ,  *実験 ,  電気自動車 ,  *ニューラルネットワーク ,  特徴抽出 ,  機械学習 ,  リチウムイオン電池
準シソーラス用語： 健康状態 ,  操作条件 ,  内部抵抗 ,  ピーク電力 ,  データ駆動 , 【Automatic Indexing@JST】

著者キーワード (6件)： リチウムイオン電池(LIB) ,  健康の状態(SOH) ,  仮想実験 ,  自動車運転データ ,  機械学習 ,  長期短期記憶(LSTM)

分類 (2件)： 二次電池  (YB04030K) ,  電気自動車  (QG07020B)

タイトルに関連する用語 (5件)： ニューラルネットワーク ,  車載 ,  推定 ,  電池 ,  仮想実験