机构名称：
¥ 1.0
摘要 - 在电动流动性时代，重力健康监测和预测对安全，可持续性和经济方面产生巨大影响至关重要。现有的研究通常集中于预测准确性，但倾向于忽略可能阻碍技术在现实世界应用中部署的实际因素。在本文中，我们解决了这些实际注意事项，并基于贝叶斯神经网络来开发模型，以预测电池寿命。我们的模型使用与电池健康有关的传感器数据，并将分布（而不是单点）应用于模型的每个参数。这使模型可以捕获电池健康的固有随机性和不确定性，这不仅会导致准确的预测，而且导致可量化的不确定性。我们进行了一项实验研究，并证明了我们提出的模型的有效性，预测错误率为13.9％，对于某些测试的电池，预测率为13.9％。此外，所有预测均包括可量化的确定性，从电池的初始阶段到中年阶段提高了66％。这项研究对电池技术具有实际价值，并有助于加速行业的技术采用。索引术语 - 预算健康监测，临终预测，机器学习，工业人工智能
使用不确定性的实用电池健康监测 -
主要关键词
相关文件推荐
