Fault Tolerant, Adversarial and Highly Available Lithium Batteries Health Monitoring Framework
Notice bibliographique
Résumé
Lithium batteries are becoming highly popular and used as a viable renewable energy source to compensate the shortage of other energy sources such as fossil fuels. Batteries are subject to external events such as collisions, shocks and vibrations and internal events such as overcharging, excessive discharging that can cause batteries to malfunction. One of the main external events that cause direct failure of lithium batteries are failure related to sensors, knowingly: Temperature, Voltage and Current. Batteries failures, especially at the sensors level represent a major challenge for battery health monitoring frameworks. Wireless BHM frameworks are becoming more popular which exposes them to malicious cyber attacks threatening the reporting accuracy of underlying BHM frameworks which can cause life threatening harm especially in systems such as aircrafts or medical implantable cardioverter defibrillator. It becomes crucial to implement BHM frameworks that relies on sensor readings to accurately predict batteries metrics such as state of charge (SOC), state of health (SOH) and remaining useful life (RUL) while been fault tolerant to any sensor failure, highly available by keeping sensor readings available even if sensors are deemed nonoperational, finally, adversarial to any potential cyber attacks especially in the era of wireless BHM frameworks. Our main contribution in this thesis is to offer a BHM framework that is equipped with a fault detection and isolation module that reports any sensor malfunction to a prognostic accurate, fault tolerant, adversarial and highly available module. The four key attributes, knowingly, accuracy, fault tolerance, adversariality and highly availability makes the proposed BHM framework robust, agile and more reliable to work in extreme conditions where battery sensors are subject to external hazards. The proposed prediction models’ effectiveness was evaluated using two batteries datasets, the first one is developed by NASA and the second one is developed by Toyota research institute. Testing the proposed predictive models against large datasets prove that the models are robust and their prediction accuracy does not decrease with data volume. The performance of the suggested prognostic frameworks was evaluated using the error indicators Mean Absolute Error (MAE), Root Mean Square Error (RMSE) and the R square (R2).
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».