Investigations on Using Intelligent Learning Techniques for Anomaly Detection and Diagnosis in Sensors Signals in Li-Ion Battery—Case Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This research paper aims to design and implement an intelligent least short time memory (LSTM) deep learning classification technique to detect possible anomalies in measurements dataset within a particular Li-ion battery type. For the state of charge (SOC) and battery faults estimation, a Joint State and Parameter Extended Kalman Filter (JEKF) estimator is developed. The SOC accuracy performance is excellent, with less than 0.5% error during steady-state, compared to the 2% error reported in the literature. For the design and implementation of JEKF SOC and parameter estimation is chosen a preset Li-ion battery Simulink Simscape generic model. It is also helpful to generate the healthy and faulty measurement dataset to design and implement the proposed intelligent LSTM classifier deep learning technique. The generic Li-ion battery model is wisely selected for the “proof concept” purpose, model validation, and algorithms’ robustness, accuracy, and effectiveness. Compared to the traditional EKF fault diagnosis and isolation (FDI), a model-based estimation strategy, the proposed classification LSTM technique is an intelligent data-driven-based deep learning algorithm of high accuracy (around 80%) and loss performance close to zero. Therefore, this feature makes data collection of dataset measurements directly from Li-ion battery sensors possible, which is beneficial for generating online fault scenarios. Additionally, the LSTM deep learning technique can remarkably classify all detected anomalies with high accuracy, independent of battery model accuracy, uncertainties, and unmodeled dynamics. Also, high-performance accuracy root mean square error (RMSE) of 0.0588 (voltage fault), approximately 5.5×10−7 (healthy) and 8.87 × 10−6 (current fault) for deep learning shallow neural network (DLSNN) reveals an obvious superiority of both compared to the traditional FDI estimation strategies.
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.
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 | 0,001 | 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 découle