基于正则化的持续学习在锂离子电池故障预测中的应用
机器学习
2021-07-08 v1 人工智能
摘要
近年来，锂离子电池的使用已大幅扩展至众多工业领域的产品中，例如汽车、电动工具或医疗设备。因此，对电池故障的早期预测与稳健理解可极大提升这些领域的产品质量。当前数据驱动的故障预测方法在其所训练的确切工艺上表现良好，但往往缺乏灵活适应变化（如运行或环境参数变化）的能力。持续学习有望提供此类灵活性，允许将先前学到的知识自动适配到新任务。因此，本文讨论了来自正则化策略组的不同持续学习方法，并基于真实电池磨损数据集对其进行了实现、评估与比较。在线弹性权重巩固取得了最佳结果，但如同所有被考察的方法一样，其性能似乎强烈依赖于任务特征与任务顺序。
引用
@article{arxiv.2107.03336,
title = {Regularization-based Continual Learning for Fault Prediction in Lithium-Ion Batteries},
author = {Benjamin Maschler and Sophia Tatiyosyan and Michael Weyrich},
journal= {arXiv preprint arXiv:2107.03336},
year = {2021}
}
备注
6 pages, 5 figures, 4 tables. Accepted at CIRP ICME 2021. arXiv admin note: text overlap with arXiv:2101.00509