Health Monitoring of Lithium-Ion Batteries Using Dual Filters
Notice bibliographique
Résumé
Accurate estimation of a battery’s capacity is critical for determining its state of health (SOH) and retirement, as well as to ensure its reliable operation. In this paper, a dual filter architecture using the Kalman filter (KF) and the novel sliding innovation filter (SIF) was implemented to estimate the capacity and state of charge (SOC) of a lithium-ion battery. NASA’s Prognostic Center of Excellence (PCOE) B005 battery data set was selected for this experiment based on its wide use in academia and industry. This dataset contains cycling data of a 2 Ah lithium-ion battery until its capacity was measured at 1.3 Ah or less. The dual polarity equivalent circuit model (DP-ECM) was selected for modeling. The model parameter values were estimated using the least squares (LS) algorithm. Under normal operating conditions, both the dual-KF and dual-SIF performed similarly in terms of estimation accuracy. However, an uncertainty case was considered where the filters were subjected to rapid changing dynamics by cutting the data by 300 cycles. In this case, the battery capacity root-mean-square error (RMSE) for the dual-KF and the proposed dual-SIF were 0.1233 and 0.0675, respectively. Under rapidly changing dynamics and faulty conditions, the dual-SIF shows better convergence and robustness to disturbances.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».