Comparing Hybrid Approaches of Deep Learning for Remaining Useful Life Prognostic of Lithium-Ion Batteries
Notice bibliographique
Résumé
Many published journals used hybrid deep learning methods to predict batteries’ remaining useful life by adopting different rationales to select and combine deep learning methods aiming to propose the most accurate prediction model possible. The main contribution of this article consists of proposing, to the best of the authors’ knowledge, the most accurate hybrid deep learning prediction model, designed and configured by considering the theoretical strength of each of the selected deep learning models, combined with meticulous data preprocessing and feature engineering steps. A benchmark study is presented to confirm the theoretical design by comparing the prediction results of the selected hybrid model with other proposed hybrid deep learning algorithms. The selected prediction model is compared as well with previously published articles, specifically, the ones that have used hybrid deep learning methods, NASA datasets, and batteries #6, #7, and #18 selectively. The hybrid model refers to the combination of different types of deep learning architectures, such as Convolutional Neural Networks (CNNs), Deep Neural Networks (DNN), Long Short-Term Memory (LSTM), Bidirectional Long Short-Term Memory (bLSTM), recurrent neural network (RNN), Bidirectional recurrent neural network (bRNN), Gated recurrent units (GRU) and Bidirectional Gated recurrent units (bGRU). This combination includes CNN-LSTM-DNN, CNN-bLSTM-DNN, CNN-GRU-DNN, CNN-bGRU-DNN, CNN-RNN-DNN, and CNN-bRNN-DNN, and aims to leverage the strengths of each architecture in capturing spatial, temporal, and sequential patterns present in the battery dataset. The hybrid deep learning approaches are tested with multichannel inputs, encompassing parameters such as voltage, current, and temperature, as well as their respective time series averages. The objective is to predict the remaining useful life. Performance evaluation is conducted using error metrics, including Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). The results revealed a remarkable 90.5% enhancement in RMSE, indicating substantial improvement.
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 ».