Deep Learning-Powered Lifetime Prediction for Lithium-Ion Batteries Based on Small Amounts of Charging Cycles
Notice bibliographique
Résumé
The accurate lifetime prediction of lithium-ion batteries (LIBs) is essential to the normal and effective operation of electric devices. However, such estimation faces huge challenges due to the nonlinear capacity degradation process and uncertain LIBs’ operating conditions. This article proposes a novel end-to-end deep learning (DL) model, namely, a dual-stream vision transformer with the efficient self-attention mechanism (DS-ViT-ESA), to predict the current cycle life (CCL) and remaining useful life (RUL) of the target battery. The local and global spatiotemporal features are effectively captured via the vision transformer (ViT) with the efficient self-attention (ESA) mechanism based on small amounts of charging cycles. Meanwhile, by serving the differences between each cycle as the supplementary model input, the inner cycle and cycle-to-cycle aging information could be extracted and fused by a dual-stream structure to enhance prediction accuracy. Experiments exhibit that the proposed model only needs 15 charging cycles (about 1%~3% along the trajectory to failure) while ensuring the lifetime prediction accuracy (RUL error: 5.40%, CCL error: 4.64%, and early lifetime prediction error: 2.16%). Meanwhile, the model also shows the effective zero-shot generalization capacity for the charging strategies not appearing in the training dataset.
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 | 0,001 | 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 | 0,001 |
| 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 ».