A Review Study of Methods for Lithium-ion Battery Health Monitoring and Remaining Life Estimation in Hybrid Electric Vehicles
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Due to the high power and energy density and also relative safety, lithium ion batteries are receiving increasing acceptability in industrial applications especially in transportation systems with electric traction such as electric vehicles and hybrid electric vehicles. In this regard, to ensure performance reliability, accurate modeling of calendar life of such batteries is a necessity. In fact, potential failure of Li-ion battery packs remains a barrier to commercialization. Battery pack life is a critical feature to warranty and maintenance planning for hybrid vehicles, and will require adaptive control systems to account for the loss in vehicle range, and loss in battery charge and discharge efficiency. Failure not only results in large replacement costs, but also potential safety concerns such as overheating or short circuiting which may lead to fires. That's why health monitoring, fault detection and end of life prediction capability in battery-equipped systems are of great importance. This paper reviews recent research and achievements in the field of Li-ion battery health monitoring and prognostics. The different models, algorithms and techniques being applied to estimate state of charge (SoC) and capacity, and prediction of the remaining useful life (RUL), are presented along with an analysis of the pros and cons of each model or method. It is hoped that these review and discussions prepare a wider perspective on progresses and challenges of Li-ion battery health monitoring and prognostics.</div></div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».