IEEE Transactions on Vehicular Technology· 2018Q1
Lityum-İyon Pillerin Kalan Kullanım Ömrü Tahmini İçin Uzun Kısa Süreli Bellek Tekrarlayan Sinir Ağı
Long Short-Term Memory Recurrent Neural Network for Remaining Useful Life Prediction of Lithium-Ion Batteries
- 1.273atıf
- Q1SCImago
- 2018yıl
Kısa özet
Bir Uzun Kısa Süreli Bellek (LSTM) tekrarlayan sinir ağı (RNN), kapasite bozunmasındaki uzun vadeli bağımlılıkları öğrenerek lityum-iyon pillerin kalan kullanım ömrünü (RUL) doğru bir şekilde tahmin eder ve SVM ve Parçacık Filtresi gibi geleneksel modellerden daha iyi performans gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Lityum-iyon pillerin kalan kullanım ömrünü (RUL) tahmin etmek için bir LSTM RNN modeli geliştirildi.
- LSTM RNN, pil kapasitesi bozulmasındaki uzun vadeli bağımlılıkları etkili bir şekilde yakalar.
- Model, RUL tahmininde Destek Vektör Makinesi, Parçacık Filtresi ve basit RNN modellerinden daha iyi performans gösterir.
- Optimizasyon için dayanıklı geri yayılım ve aşırı uyumu önlemek için dropout kullanıldı.
- Farklı sıcaklıklardaki birden fazla hücreden elde edilen deneysel verilerle doğrulandı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Remaining useful life (RUL) prediction of lithium-ion batteries can assess the battery reliability to determine the advent of failure and mitigate battery risk. The existing RUL prediction techniques for lithium-ion batteries are inefficient for learning the long-term dependencies among the capacity degradations. This paper investigates deep-learning-enabled battery RUL prediction. The long short-term memory (LSTM) recurrent neural network (RNN) is employed to learn the long-term dependencies among the degraded capacities of lithium-ion batteries. The LSTM RNN is adaptively optimized using the resilient mean square back-propagation method, and a dropout technique is used to address the overfitting problem. The developed LSTM RNN is able to capture the underlying long-term dependencies among the degraded capacities and construct an explicitly capacity-oriented RUL predictor, whose long-term learning performance is contrasted to the support vector machine model, the particle filter model, and the simple RNN model. Monte Carlo simulation is combined to generate a probabilistic RUL prediction. Experimental data from multiple lithium-ion cells at two different temperatures is deployed for model construction, verification, and comparison. The developed method is able to predict the battery's RUL independent of offline training data, and when some offline data is available, the RUL can be predicted earlier than in the traditional methods.
Yazarların özeti; kaynağından alınmıştır. IEEE Transactions on Vehicular Technology, 2018 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Otomotiv Mühendisliği
Automotive EngineeringEngineering