文献

J-GLOBAL ID：202202261155744703   整理番号：22A0779172

シーケンス分解と深層学習統合アプローチによるリチウムイオン電池の残存寿命予測【JST・京大機械翻訳】

Remaining Useful Life Prediction of Lithium-Ion Battery via a Sequence Decomposition and Deep Learning Integrated Approach

著者 (4件)： Chen Zhang (Sino-German College of Intelligent Manufacturing, Shenzhen Technology University, Shenzhen, China) ,  Chen Liqun (College of Urban Transportation and Logistics, Shenzhen Technology University, Shenzhen, China) ,  Shen Wenjing (Sino-German College of Intelligent Manufacturing, Shenzhen Technology University, Shenzhen, China) ,  Xu Kangkang (School of Electromechanical Engineering, Guangdong University of Technology, Guangzhou, China)
資料名： IEEE Transactions on Vehicular Technology  (IEEE Transactions on Vehicular Technology)
巻： 71  号： 2  ページ： 1466-1479  発行年： 2022年 
JST資料番号： C0244A  ISSN： 0018-9545  CODEN： ITVTAB  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： リチウムイオン電池(LIB)の残存寿命(RUL)予測は,電気自動車とハイブリッド電気自動車の健康管理にとって非常に重要である。しかし,変動と非線形性は電池劣化の間に生じ,モデル適応性とRUL予測精度の両方における困難をもたらす。課題に直面するため,LIBのRUL予測のためのシーケンス分解と深層学習統合予後アプローチを提案した。相補的アンサンブル経験的モード分解と主成分分析を適用して,電池劣化データから局所変動と大域的劣化傾向を分離した。完全接続層と結合した長い短期メモリニューラルネットワークを移動学習モデルとして設計した。モデルのハイパーパラメータ最適化と微調整戦略をオフライン訓練データに基づいて開発した。さらに,合理的で効果的なLIBの2次寿命応用をさらに実現するために,異なる故障閾値に対応するRULを予測した。劣化モデリングとRUL予測における提案した統合手法の性能を,同じ条件下で他の予測アルゴリズムと比較して,異なる劣化特性を有する3つの公的に利用可能なLIBデータセットで評価した。説明結果は,提案した方式が,容量軌跡とRULの両方に対して,正確で,適応性で,ロバストな予測を達成できることを証明した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *電池 ,  故障 ,  電気自動車 ,  精度 ,  モデリング ,  ハイブリッド自動車 ,  健康管理 ,  予後 ,  主成分分析 ,  ロバスト性 ,  *リチウムイオン電池
準シソーラス用語： 訓練データ ,  予測精度 ,  予測アルゴリズム ,  *深層学習 , 【Automatic Indexing@JST】

分類 (3件)： 電気自動車  (QG07020B) ,  電装品  (QG03070C) ,  二次電池  (YB04030K)

タイトルに関連する用語 (7件)： シーケンス ,  分解 ,  深層学習 ,  統合 ,  リチウムイオン電池 ,  残存 ,  寿命予測