SambaMixer: Mamba를 사용한 리튬이온 배터리의 건강 상태 예측을 위한 State Space 모델들

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

October 31, 2024

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

cs.AI

초록

리튬이온 배터리의 건강 상태(SOH)는 배터리의 잔여 용량과 잔여 수명을 결정하는 중요한 매개 변수입니다. 본 논문에서는 리튬이온 배터리의 건강 상태를 예측하기 위한 혁신적인 구조화된 상태 공간 모델(SSM)인 SambaMixer를 제안합니다. 제안된 SSM은 다변량 시간 신호를 처리하기 위해 설계된 MambaMixer 아키텍처에 기반을 두고 있습니다. NASA 배터리 방전 데이터셋을 사용하여 모델을 평가하고, 해당 데이터셋에서 우수한 성능을 보이는 것을 보여줍니다. 또한, 시간 신호가 예상 길이를 갖도록 보장하면서 증강 기법으로도 작용하는 혁신적인 앵커 기반 리샘플링 방법을 소개합니다. 마지막으로, 위치 인코딩을 사용하여 샘플 시간과 주기 시간 차이에 대한 조건부 예측을 통해 모델의 성능을 향상시키고 회복 효과를 학습합니다. 결과적으로, 우리의 모델이 리튬이온 배터리의 SOH를 높은 정확도와 견고성으로 예측할 수 있다는 것을 입증합니다.

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.