リチウムイオン電池の残存有効寿命予測のための、時間データ拡張を組み込んだハイブリッド深層学習
arXiv cs.LG / 2026/3/31
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文では、電圧・電流・容量の信号から多尺度の時間特徴を学習するために、CNN、深い残差縮小ネットワーク、Transformerエンコーダを組み合わせたリチウムイオン電池の残存有効寿命（RUL）予測用のハイブリッド深層学習アーキテクチャであるCDFormerを提案する。
- 従来のRULモデルは、複雑な運転条件やデータの不足により、頑健性と汎化性能の面で課題があると論じており、局所・大局の劣化を同時にモデル化する本手法の位置付けを重要な改善点としている。
- 予測の信頼性を高めるために、本研究では測定ノイズやばらつきを明示的に反映するための、ガウスノイズ、時間ワーピング、時間リサンプリングからなる複合的な時間データ拡張を提案する。
- 2つの実世界データセットでの実験により、CDFormerが複数の評価指標において、リカレントニューラルネットワークおよびTransformerのベースラインを一貫して上回り、電池ヘルスモニタリングにおける精度と予測の信頼性を改善することが示される。
