Recent Progress of Deep Learning Methods for Health Monitoring of Lithium-Ion Batteries
Notice bibliographique
Résumé
In recent years, the rapid evolution of transportation electrification has been propelled by the widespread adoption of lithium-ion batteries (LIBs) as the primary energy storage solution. The critical need to ensure the safe and efficient operation of these LIBs has positioned battery management systems (BMS) as pivotal components in this landscape. Among the various BMS functions, state and temperature monitoring emerge as paramount for intelligent LIB management. This review focuses on two key aspects of LIB health management: the accurate prediction of the state of health (SOH) and the estimation of remaining useful life (RUL). Achieving precise SOH predictions not only extends the lifespan of LIBs but also offers invaluable insights for optimizing battery usage. Additionally, accurate RUL estimation is essential for efficient battery management and state estimation, especially as the demand for electric vehicles continues to surge. The review highlights the significance of machine learning (ML) techniques in enhancing LIB state predictions while simultaneously reducing computational complexity. By delving into the current state of research in this field, the review aims to elucidate promising future avenues for leveraging ML in the context of LIBs. Notably, it underscores the increasing necessity for advanced RUL prediction techniques and their role in addressing the challenges associated with the burgeoning demand for electric vehicles. This comprehensive review identifies existing challenges and proposes a structured framework to overcome these obstacles, emphasizing the development of machine-learning applications tailored specifically for rechargeable LIBs. The integration of artificial intelligence (AI) technologies in this endeavor is pivotal, as researchers aspire to expedite advancements in battery performance and overcome present limitations associated with LIBs. In adopting a symmetrical approach, ML harmonizes with battery management, contributing significantly to the sustainable progress of transportation electrification. This study provides a concise overview of the literature, offering insights into the current state, future prospects, and challenges in utilizing ML techniques for lithium-ion battery health monitoring.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».