Apr, 2024

基于不确定性感知的贝叶斯神经网络实用电池健康监测

PDF
TL;DR基于贝叶斯神经网络和传感器数据，本研究针对电池健康监测和终端寿命预测进行建模，在实验中验证了建议模型的有效性，预测误差率平均值为 13.9%，对特定测试电池可降至 2.9%；同时，预测结果包含可量化的确定性信息，从电池初始到中期使用阶段提高了 66%，提高了电池技术的实际应用价值。
发现论文，激发创造
  • 稳健电池预测的概率融合方法探索

    本研究采用贝叶斯集成学习方法，结合神经网络和贝叶斯建模概念，预测锂离子电池容量衰减，同时量化电池设计和老化过程所带来的不确定性，实现了对复杂、遥远和可靠操作自主系统潜力的准确预测。

    May, 2024

  • 利用递归高斯过程回归从数据中学习电池模型参数动态变化

    本文提出一种基于数据驱动和模型驱动方法相结合的混合方法来进行电池健康估计，并证明其计算效率高、数据适用性强以及对不同操作条件具有鲁棒性。实验结果表明该方法能够准确预测电池容量和内阻，为了解电池在实际应用中的老化问题提供了新机遇。

    Apr, 2023

  • 基于早期老化数据预测不同使用条件下电池寿命

    提出一种基于先期容量电压特征数据的电池寿命预测方法，在广泛不同充 / 放电速率和深度下，使用不超过 15% 的数据即可实现 15.1% 的平均绝对百分比误差，通过建立贝叶斯回归模型还可实现对超额样本的预测，文章同时提供了一个电池老化过程公共数据集，在电池的预防性维护、保修和电池设计制造方面具有重要意义。

    Jul, 2023

  • 通过神经网络的近似推理进行贝叶斯生存分析

    本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。

    Apr, 2024

  • 锂离子电池循环寿命预测：机器学习与更多

    电池是动态系统，受到电池设计、化学成分、制造和工作条件等复杂的非线性老化影响。预测电池的循环寿命和估算老化状态对于加快电池的研发和测试，以及进一步了解电池的退化过程非常重要。本教程首先概述了循环寿命预测的基本原理、机器学习和混合电池模型。然后，解释了从实验室测试数据中开发可解释的机器学习模型的典型流程，并且强调了机器学习模型所面临的挑战，以此来激发将物理学引入混合建模方法的动机，后者对于解读电池的老化轨迹至关重要，但需要更多的数据和进一步研究电池退化的物理学。本教程最后讨论了普适性和进一步的研究方向。

    Apr, 2024

  • 利用有限数据可用性来预测锂离子电池的寿命：对比不同的机器学习算法

    利用不足的数据，比较了不同的机器学习算法和深度学习算法，发现使用手工特征的机器学习模型在预测锂离子电池的剩余寿命方面表现良好，尤其是 Random Forest Regressor 算法，可以实现平均 9.8% 的绝对百分比误差。相比之下，深度学习模型在小样本原始数据上表现不佳，手工特征的机器学习模型在预测锂离子电池寿命方面更为有效。

    Dec, 2023

  • 基于全面实时使用数据预测智能手机电池寿命

    通过使用机器学习模型和从智能手机收集的数据，本文提出了一种新的方法来准确预测智能手机的剩余电池寿命，并成功地识别了电池寿命的预测特征及其适用场景。

    Jan, 2018

  • 锂离子电池剩余寿命的两阶段早期预测框架

    通过使用神经网络模型判断降解数据的健康状态并预测第一次预测周期之后的降级模式，本文提出了一种用于锂离子电池剩余寿命（RUL）预测的新方法，并通过实验证明该方法在 RUL 预测方面优于传统方法，显示出在实际场景中提供更准确可靠的电池管理能力。

    Aug, 2023

  • 基于数据驱动的电池电动汽车能量消耗概率估计与模型不确定性

    本篇研究论文提出了一种基于概率数据驱动的新方法，用于对电池电动车的行程级能量消耗进行估计，该方法综合考虑了各种车辆动力学，驾驶员行为和环境因素，采用了概率神经网络进行建模和模型不确定性测量，并有机地融合驾驶员行为因素以提高模型的准确性，在试验中取得了相对误差的均值 9.3% 的表现。

    Jul, 2023

  • 基于驾驶行为的机器学习电动车电池健康监测

    开发了一种考虑驾驶行为的特征提取方法，通过评估在真实驾驶情况下特征的获取概率，实现了可靠的电池健康监测，并突出了在开发面向特征的电池健康监测算法时平衡性能和实用性的重要性。

    Sep, 2023