A Smart Evolving Fuzzy Predictor with Customized Firefly Optimization for Battery RUL Prediction
Notice bibliographique
Résumé
Accurate prediction of system degradation and remaining useful life (RUL) is essential for reliable health monitoring of Lithium-ion (Li-ion) batteries, as well as other dynamic systems. While evolving systems can offer adequate adaptability to the nonstationary and nonlinear behavior of battery degradation, existing methods often face challenges such as uncontrolled rule growth, limited adaptability, and reduced accuracy under noisy conditions. To address these limitations, this paper presents a smart evolving fuzzy predictor with customized firefly optimization (SEFP-FO) to provide a better solution for battery RUL prediction. The proposed SEFP-FO technique introduces two main contributions: (1) An activation- and distance-aware penalization strategy is proposed to govern rule evolution by evaluating the structural relevance of incoming data. This mechanism can control rule growth while maintaining model convergence. (2) A customized firefly algorithm is suggested to optimize the antecedent parameters of newly generated fuzzy rules, thereby enhancing prediction accuracy and improving the predictor’s adaptive capability to time-varying system conditions. The effectiveness of the proposed SEFP-FO technique is first validated by simulation using nonlinear benchmark datasets, which is then applied to Li-ion battery RUL predictions.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».