ترجمه فارسی مقاله شبکه‌های گرافیکی باتری: یادگیری رابطه‌ای برای تخمین عمر باتری‌های لیتیوم یون (LiBs)

چکیده

Battery life estimation is critical for optimizing battery performance and guaranteeing minimal degradation for better efficiency and reliability of battery-powered systems. The existing methods to predict the Remaining Useful Life(RUL) of Lithium-ion Batteries (LiBs) neglect the relational dependencies of the battery parameters to model the nonlinear degradation trajectories. We present the Battery GraphNets framework that jointly learns to incorporate a discrete dependency graph structure between battery parameters to capture the complex interactions and the graph-learning algorithm to model the intrinsic battery degradation for RUL prognosis. The proposed method outperforms several popular methods by a significant margin on publicly available battery datasets and achieves SOTA performance. We report the ablation studies to support the efficacy of our approach.

چکیده به فارسی (ترجمه ماشینی)

تخمین عمر باتری برای بهینه سازی عملکرد باتری و تضمین حداقل تخریب برای بهره وری بهتر و قابلیت اطمینان سیستم های باتری بسیار مهم است.روشهای موجود برای پیش بینی عمر مفید باقیمانده باتری های لیتیوم یون (LIBS) از وابستگی های رابطه ای پارامترهای باتری برای مدل سازی مسیرهای تخریب غیرخطی غفلت می کنند.ما چارچوب گرافنت های باتری را ارائه می دهیم که به طور مشترک یاد می گیرد یک ساختار نمودار وابستگی گسسته بین پارامترهای باتری را برای گرفتن تعامل پیچیده و الگوریتم یادگیری نمودار برای مدل سازی تخریب باتری ذاتی برای پیش آگهی RUL درج کنیم.این روش پیشنهادی با حاشیه قابل توجهی در مجموعه داده های باتری در دسترس عموم ، از چندین روش محبوب بهتر است و به عملکرد SOTA می رسد.ما مطالعات فرسایش را برای حمایت از اثربخشی رویکرد خود گزارش می دهیم.