Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Reinforcement Learning for Robust Ageing-Aware Control of Li-ion Battery Systems with Data-Driven Formal Verification

Created by
  • Haebom

作者

Rudi Coppola, Hovsep Touloujian, Pierfrancesco Ombrini, Manuel Mazo Jr

概要

本論文は、リチウムイオン電池の充電速度と老化現象との間の矛盾を解決するために、データ駆動型充電および安全プロトコル設計方式を提案する。高忠実度物理ベースのバッテリーモデルを使用して、反例誘導合成（Counterexample-Guided Inductive Synthesis）技術を使用して強化学習（Reinforcement Learning、RL）とデータ駆動型の形式的方法を組み合わせたハイブリッド制御戦略を提案します。 RLで個々のコントローラを合成し、データ駆動型抽象化を介してバッテリ初期出力測定値に基づいてコントローラを切り替える構造に分割します。 RLベースのコントローラ間の離散的な選択と連続的なバッテリーダイナミクスを組み合わせて、ハイブリッドシステムを実現します。設計が要件を満たしている場合、抽象化により閉ループ性能の確率的保証を提供します。

Takeaways、Limitations

•
Takeaways:
◦
データ駆動型の方法を活用して、リチウムイオン電池の充電速度と老化の相反関係を効果的に解決するための新しいアプローチを紹介します。
◦
強化学習とデータ駆動型の形式的方法の組み合わせにより、ハイブリッド制御戦略を設計することで、パフォーマンスと安全性の両方を考慮することができます。
◦
抽象化技術は、閉ループ性能の確率的保証を提供し、システムの安定性を向上させることができます。
•
Limitations：
◦
提案された方法の実際の電池システムへの適用と性能評価の実験結果は不足している。
◦
高忠実度物理ベースのバッテリモデルの精度と一般化能力の検証が必要です。
◦
データ駆動型抽象化の精度と効率のさらなる分析が必要です。
◦
特定の電池化学および設計に依存性が存在し得る。一般化の可能性に関するさらなる研究が必要です。
👍
Made with Slashpage