李氏の枠組み

Scientific Reports volume 13、記事番号: 13856 (2023) この記事を引用

1300アクセス

1 オルトメトリック

メトリクスの詳細

リチウムイオン電池は、電気推進用途 (電気自動車、無人航空機、高度なエアモビリティ航空機など) で使用される主な電源です。 高い信頼性レベルを確保するには、バッテリー固有の使用データに基づく充電状態や健康状態などの指標の分析ベースの監視と予測が重要です。 ただし、バッテリーの動作を制御する複雑な電気化学により、計算コストのかかる物理ベースのモデルが作成されます。 予後や健康管理の用途には適さなくなります。 私たちは、リカレント ニューラル ネットワークを介して原理ベースの支配方程式の数値積分を直接実装することで動的応答をシミュレートする、ハイブリッド物理情報に基づく機械学習アプローチを提案します。 低次数モデルは一定または可変の負荷条件下での電圧放電の一部を記述しますが、モデル形式の不確実性は多層パーセプトロンを通じて捕捉され、バッテリー間の偶発的な不確実性は変分多層パーセプトロンを通じてモデル化されます。 さらに、ベイジアン アプローチを使用して、バッテリー容量が完全に利用できるか部分的にしか利用できない場合に、事前データの形式でフリート全体のデータをバッテリー固有の放電サイクルとマージします。 NASA Prognostics Data Repository Battery データセットを使用して、提案したフレームワークの有効性を説明します。このデータセットには、制御された環境で取得されたリチウムイオン電池の実験的放電データが含まれています。

電気推進システムとハイブリッド推進システムは、高度なエアモビリティ変革を可能にする重要な要素であり、小型航空機も大型航空機もすべての電力需要の一部をリチウムイオン電池に依存することになります。 パワートレインの重要なコンポーネントとして、これらのバッテリーを安全に動作させるには、確実な予後と健康管理方法が必要です1、2。 現在の文献では、第一原理 3、4、機械学習 5、6、7、および両方の組み合わせ 8、9、10 に基づいたモデルを使用したバッテリー監視の一連の方法が示されています。 しかし、既存のモデリング手法では、次のような障害が見つかることがよくあります。(a) 支配方程式が複雑である。 また、高忠実度のシミュレーションが利用可能な場合、オンボードで実行すると計算コストが高くなります。 (b) 純粋にデータ駆動型のモデルは、支配的な物理学に必ずしも従うわけではなく、訓練されていないシナリオにうまく一般化することもできません。 (c) 複雑なシステムのデータ駆動型モデルを適切にトレーニングするために十分な高品質データを収集することは、多くの場合困難です。実際、低次数モデルの調整や機械学習モデルの構築に使用できるデータが貧弱である (ノイズに悩まされている、欠落している) 可能性があります。データ、入力と出力の不均衡な観測など）。 これらの課題は、多くの予後アプリケーションにわたって共通に共有されています。 そのため、計算効率が高く、第一原理に基づいており、非構造化データセットを考慮できる堅牢なモデリング アプローチの必要性が生じています。

このような背景から、物理学に基づいたニューラル ネットワーク 11、12、13 は、予後と健康管理に革命をもたらす可能性があります。 このクラスの機械学習手法は、データ不足や、純粋なデータ駆動型モデルの解釈性の低さなどの他の問題を潜在的に軽減しながら、わずかな計算コストで高忠実度のシミュレーションに匹敵する精度を提供します。 実際、ニューラル演算子の最近の開発 14,15 は、偏微分方程式が既知である問題については、トレーニングで使用された境界/初期条件の外側でも予測を行うためにトレーニング済みのニューラル ネットワークを再利用できることを示しています。 ただし、多くの複雑なシステムは、純粋に偏微分方程式だけでは記述できず、一連の支配方程式や経験則によって記述されますが、これらは利用可能なデータが不足しているため完全には特徴付けられない可能性があります。 これは、電気推進システムやハイブリッド推進システムなどの複雑なアプリケーションの有望なモデリング フレームワークとして、ハイブリッド物理情報に基づく機械学習 16,17 への関心が高まっていることを説明しています。 私たちが提案するハイブリッド フレームワークは、in11 のような物理駆動型の損失関数と比較すると、異なるパラダイムを使用します。 システムの既存の方程式を活用してモデルを構築し、モデル内に小規模なデータ駆動型カーネルを戦略的に導入します。 モデルのデータ駆動部分は、欠落している物理学、モデル形式の不確実性、およびモデル パラメーターの無知を補います。