SambaMixer: マンバを使用したリチウムイオン電池の健康状態予測における状態空間モデル

SambaMixer: State of Health Prediction of Li-ion Batteries using Mamba State Space Models

October 31, 2024

著者: José Ignacio Olalde-Verano, Sascha Kirch, Clara Pérez-Molina, Sergio Martin

cs.AI

要旨

リチウムイオン電池の健康状態（SOH）は、電池の残存容量や残存寿命を決定する重要なパラメータです。本論文では、Li-ion電池の健康状態を予測するための革新的な構造化状態空間モデル（SSM）であるSambaMixerを提案します。提案されたSSMは、多変量時系列を扱うよう設計されたMambaMixerアーキテクチャに基づいています。NASAの電池放電データセットでモデルを評価し、当該データセットにおいて当モデルが最先端技術を上回ることを示します。さらに、予想される長さの時間信号を確保すると同時に拡張手法として機能する、新しいアンカーベースのリサンプリング手法を導入します。最後に、サンプル時間とサイクル時間の差を位置符号化を用いて条件付けし、モデルの性能を向上させるとともに回復効果を学習します。我々の結果は、当モデルが高い精度と堅牢性でLi-ion電池のSOHを予測することができることを証明しています。

English

The state of health (SOH) of a Li-ion battery is a critical parameter that determines the remaining capacity and the remaining lifetime of the battery. In this paper, we propose SambaMixer a novel structured state space model (SSM) for predicting the state of health of Li-ion batteries. The proposed SSM is based on the MambaMixer architecture, which is designed to handle multi-variate time signals. We evaluate our model on the NASA battery discharge dataset and show that our model outperforms the state-of-the-art on this dataset. We further introduce a novel anchor-based resampling method which ensures time signals are of the expected length while also serving as augmentation technique. Finally, we condition prediction on the sample time and the cycle time difference using positional encodings to improve the performance of our model and to learn recuperation effects. Our results proof that our model is able to predict the SOH of Li-ion batteries with high accuracy and robustness.