Tackling Limited Labeled Field Data Challenges for State of Health Estimation of Lithium-Ion Batteries by Advanced Semi-Supervised Regression
Notice bibliographique
Résumé
Accurate estimation of battery state of health (SOH) has become indispensable in ensuring the predictive maintenance and safety of electric vehicles (EVs). While supervised machine learning excels in laboratory settings with adequate SOH labels, field-based SOH data collection for supervised learning is hindered by EVs' complex conditions and prohibitive data collection costs. To overcome this challenge, a battery SOH estimation method based on semi-supervised regression is proposed and validated using field data in this paper. Initially, the Ampere integral formula is employed to calculate SOH labels from charging data, and the error of labeled SOH is reduced by the open-circuit voltage correction strategy. The calculation error of the SOH label is confirmed to be less than 1.2%, as validated by the full-charge test of the battery packs. Subsequently, statistical features are extracted from charging data, and health indicator sets are selected by two correlation analysis methods (Pearson correlation and grayscale correlation). Moreover, two regressors are trained by learning the mapping between labeled SOH and various health indicator sets. To enhance the training dataset, semi-supervised with co-training is utilized to estimate pseudo-labels for unlabeled charging data. The final SOH estimation is achieved through the fusion of these two regressors. Finally, the proposed method is validated using field data from 20 electric forklifts collected over approximately one year. Remarkably, even with only 10 labeled data points, the proposed method achieves a mean absolute error in SOH estimation of a mere 3.96%. This represents a significant reduction of 20% compared to the traditional supervised learning method. Compared with the two benchmarks without co-training, the estimation error drops by 7.69% and 8.76%, respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».