Online Fault Tolerant RUL Prediction Strategy for Lithium-Ion Batteries Using Machine Learning
Notice bibliographique
Résumé
The deterioration of lithium-ion batteries can lead to electrical system failures and potentially catastrophic consequences. Consequently, predicting the remaining useful life (RUL) of batteries is essential to prevent such failures and related issues. Reliable, accurate, and straightforward RUL prediction is crucial for effective power management in electric vehicles and to mitigate the risk of battery failure. This study introduces a highly available fault-tolerant prediction framework designed to forecast the RUL of lithium-ion batteries in challenging scenarios where key features such as voltage, current, and temperature are unavailable. The framework utilizes an Improved Convolutional Long Short-Term Memory Deep Network (Imp-CLD), a hybrid machine learning algorithm integrating Deep Neural Networks, Convolutional Neural Networks, and Long Short-Term Memory networks. Performance metrics including Mean Absolute Error, Absolute Error, Relative Error, and Root Mean Square Error are used to assess the accuracy of RUL predictions. The model’s ability to maintain accuracy is influenced by the point at which predictions begin, as earlier predictions introduce higher levels of uncertainty due to accumulating errors over time. The proposed method is experimentally validated using datasets from the Massachusetts Institute of Technology and the Center for Advanced Life Cycle Engineering. The results indicate that this approach demonstrates greater resilience in predicting RUL, thereby enhancing lifetime control strategies and the safety monitoring function of the battery. This framework maintains prediction accuracy even when all features are missing at the prediction time, potentially preventing short-term catastrophes.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».