A Hybrid Data-Driven Granular Model for Battery Remaining Useful Life Prediction
Notice bibliographique
Résumé
Accurate and meaningful prediction of the remaining useful life (RUL) of lithium-ion batteries (LIBs) provides a significant guide for the maintenance and management of these LIBs. A singular numerical predictive result by numerous conventional models is insufficient to furnish decision-makers with comprehensive or nuanced insights. To address this issue, predictive RUL results in the form of information granules are essential. In this study, a hybrid data-driven granular model is established for battery RUL prediction with granular (interval-based) quantification for LIBs. This granular model is designed and formulated in a way that it produces comprehensive prediction outcomes realized as information granules, which are expressed in a more descriptive and comprehensive manner. Thus, the resulting information granules can effectively reflect and communicate the confidence associated with the predictions. The granular model is realized in two steps: 1) probabilistic prediction results are produced by a hybrid numeric predictive model and 2) a comprehensive granulation of the probabilistic results is achieved under the principle of information granularity. The granular predictive results are holistically evaluated and optimized by the two associated criteria of granularity (coverage and specificity). This transformation of information granules provides an intuitive and interpretable display for battery maintenance and safe work. The proposed granular model is verified by using an open-access LIBs dataset, and the experimental results demonstrate that the proposed granular model outperforms other comparative methods.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».