Domain Adaptation for Remaining Useful Life Estimation of Lithium-Ion Batteries

Nowadays there are more electronic devices than human beings on Earth. These devices are usually powered using lithium-ion batteries. Each of these batteries can assume a completely different behavior from its peers based on usage, charging, and many other factors, leading to potential harm and many major potential issues depending on the importance and purpose of the given device being powered. It stems from here the im- portance of being able to accurately predict the Remaining Useful Life (RUL) for a given set of batteries, and most importantly creating a model that is capable of generalizing across different sets of batteries. This thesis introduces a Domain Adversarial Neural Network (DANN) to align feature representations across different domains, effectively harmonizing feature distributions. The DANN’s unsupervised learning approach is in this thesis compared with the more traditional Transfer Learning and Fine-Tuning approaches, in the Direct Estimation of RUL. The DANN methodology as we’ll cover in our thesis, offers a distinct advantage over traditional transfer learning methods, as it does not rely on explicit labels from source or target domains, making it particularly valuable in scenarios with limited labeled data availability. Additionally, its flexibility allows seamless integration into various neural architectures, as in the Convolutional-LSTM neural network improved with the use of an attention mechanism, that we used in our thesis. This makes the DANN an attractive choice for domain adaptation tasks. This research also highlights the benefits of traditional data augmentation techniques, particularly when tailored to the dataset’s specific characteristics. These techniques con- tribute to improved model performance, enhancing the predictions’ accuracy. We evaluated our work with the MIT-Toyota 2019 collaboration dataset, which is the largest lithium-ion batteries dataset publicly available.

Oggi ci sono più dispositivi elettronici che esseri umani sulla Terra. Questi dispositivi sono solitamente alimentati da batterie agli ioni di litio. Ciascuna di queste batterie può assumere un comportamento completamente diverso dalle altre in base all’uso, alla carica e a molti altri fattori, con conseguenti potenziali danni e molti altri potenziali problemi a seconda dell’importanza e dello scopo del dispositivo alimentato. Da qui l’importanza di essere in grado di prevedere con precisione la vita utile residua (RUL) per un determinato insieme di batterie e, soprattutto, di creare un modello che sia in grado di generalizzare tra diversi insiemi di batterie. Questa tesi introduce una Domain Adversarial Neural Network (DANN) per allineare le rappresentazioni delle caratteristiche in diversi domini, armonizzando efficacemente le distribuzioni delle caratteristiche. L’approccio di apprendimento non supervisionato della DANN viene confrontato in questa tesi con i più tradizionali approcci di Transfer Learning e Fine-Tuning, nella stima diretta della RUL. La metodologia DANN, come illustreremo nella nostra tesi, offre un netto vantaggio rispetto ai metodi tradizionali di apprendimento per trasferimento, in quanto non si basa su etichette esplicite provenienti dai domini di origine o di destinazione, il che la rende particolarmente preziosa in scenari con una disponibilità limitata di dati etichettati. Inoltre, la sua flessibilità consente una perfetta integrazione in varie architetture neurali, come nella rete neurale convoluzionale-LSTM migliorata con l’uso di un meccanismo di attenzione, che abbiamo utilizzato nella nostra tesi. Ciò rende la DANN una scelta interessante per i compiti di adattamento al dominio. Questa ricerca evidenzia anche i vantaggi delle tecniche tradizionali di data augmentation, in particolare se adattate alle caratteristiche specifiche del set di dati. Queste tecniche contribuiscono a migliorare le prestazioni del modello, aumentando l’accuratezza delle previsioni. Abbiamo valutato il nostro lavoro con il dataset della collaborazione MIT-Toyota 2019, che è il più grande dataset di batterie agli ioni di litio disponibile pubblicamente.