Cloud-Edge Deployed Physics-Guided Bi-LSTM Framework for Real-Time Battery Core Temperature Estimation and Thermal Safety Control
Notice bibliographique
Résumé
This paper presents a cloud–edge deployed, physics-guided bidirectional long short-term memory (Bi-LSTM)-based framework for real-time core temperature estimation of automotive lithium-ion batteries (LIBs), enabling enhanced thermal safety and predictive control. Unlike existing approaches that rely on surface temperature sensors or offline models, the proposed framework integrates standard BMS signals (voltage, current, surface, and ambient temperature) with physics-guided feature engineering to capture electrothermal dynamics while maintaining low computational cost. The model, trained across a wide range of C-rates, dynamic drive cycles, and ambient conditions, achieves a mean absolute error (MAE) of 0.16°C and an RMSE of 0.26°C, outperforming comparable sequence-learning architectures. Realtime validation demonstrates accurate estimation across unseen cells, achieving 0.31°C MAE and 0.40°C RMSE at the module level. Integration with CAN-based closed-loop control improves the thermal response by at least 2 minutes compared to state-of-the-art surface-temperature-based strategies. This improvement provides a critical safety margin for preventing thermal runaway. The framework is deployed on both local and cloud servers, achieving latency as low as 30 ms (local) and 85 ms (cloud), with real-time visualization through InfluxDB–Grafana, enabling remote monitoring and long-term data storage.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».