Developing an Online Data-Driven State of Health Estimation of Lithium-Ion Batteries Under Random Sensor Measurement Unavailability
Notice bibliographique
Résumé
Data-driven approaches have demonstrated remarkable accuracy in battery’s state of health (SOH) estimation; however, they are susceptible to data quality and quantity. Therefore, an accurate data-based battery health estimation method is highly desirable in an unreliable industry environment when sensors’ random measurements unavailability is ubiquitous. Successful training under random data unavailability becomes a difficult task to undertake. Therefore, the main challenge is how an offline trained model can be reliable and accurate under random sensors’ measurements unavailability. This article develops an accurate SOH estimation model based on nonlinear autoregressive with exogenous inputs recurrent neural network for lithium-ion batteries whose features’ measurements are subjected to different random missing observations. To evoke the uncertainty of sensors’ measurements in online health diagnostic, missing observation occurrence is addressed by randomly eliminating sample data and then evaluating the model on the available measurements. Therefore, it does not require any imputation strategy for missing values. The accuracy of the estimator model is guaranteed when extracted underlying features are fused by adding their exponential moving average as the health features. The experimental results on two different datasets, Oxford and Toyota, under different battery chemistry and working operations demonstrate that the mean absolute errors (MAEs) and RMSs are well bounded below 2.70% and 3.10% for different random data missing rates of 1%–30%. It is a promising prediction model for numerous industrial applications with a high probability of random data unavailability.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».