電気自動車バッテリーの性能と老化を監視するための機械学習アルゴリズムベースの手法

Summary

本研究では、自動車バッテリーにおける適応型モニタリング、充電戦略最適化、状態推定のための人工知能ベースのフレームワークである「人工知能駆動の生涯推定学習フレームワーク」を導入します。このアプローチは、実現可能性と予測能力を評価するために、制御された条件下で実験的に評価されます。

Abstract

このプロトコルは、電気自動車のバッテリーシステムにおける適応型バッテリーモニタリングおよび管理のための人工知能搭載型生涯推定学習フレームワーク(AI-PLELF)を説明しています。このフレームワークは、電流、電圧、温度を含むリアルタイムのバッテリーセンサーデータと、過去の使用情報や環境パラメータを統合し、バッテリー管理システム(BMS)内で構造化された状態推定と充電戦略評価を支援します。

このプロトコルは、センサーデータ取得、前処理、特徴の組織化、機械学習に基づく充電状態(SOC)および健康状態(SOH)の予測、適応制御応答の定式化のための逐次手順を概説しています。ワークフローは、公開されている実際の運転サイクルデータセットを用いて制御された計算環境で実装されています。データは訓練、検証、テストのサブセットに分割され、異なる運用条件下での予測安定性と一般化評価が行われます。

シミュレーションベースの試験は、異なるサイクルおよび環境シナリオで実施され、SOCおよびSOH推定の一貫性と対応する対照提案の整合性を評価します。この手法は、AI支援バッテリーモニタリング戦略の開発と評価のための再現可能な枠組みを提供します。本研究はシミュレーションベースの検証に焦点を当てていますが、このプロトコルは将来の実験室やハードウェア統合テストに拡張可能な構造化された基盤を築いています。

Introduction

背景と背景

電気自動車(EV)は安全性、効率性、長寿命のために信頼性の高いバッテリー性能に依存しています。バッテリー管理システム(BMS)はバッテリーの状態を監視し、充電と放電を調整し、有害な動作を防ぎます。従来のBMSシステムは物理ベースのモデルとルールベースの論理を採用しており、バッテリーの劣化やデューティ^{サイクルの変化により}精度が低下することがあります。AIやML技術は、センサーの読み取り値とバッテリー状態のデータ駆動型相関を分析することで制約を克服するために活用^{されています。}AI対応のBMS技術はリアルタイムの測定と過去の使用データを用いて、非定常条件下での適応的意思決定を支援します。³.AIベースのバッテリー管理研究は、^{定義された実験}室プロファイル下でのオフライン予測精度に焦点を当てることが多いため、その適用範囲は老朽化、負荷変動、環境ドリフトなどの実世界環境に限定されています。多くの手法には、他の研究者が再現・評価できる明確な方法論がありません。

既存のアプローチの限界

標準的なバッテリー状態推定技術には、拡張カルマンフィルタ(EKF)ベースのSOC推定⁵、類似の回路および物理ベースの劣化モデル⁶、ハイブリッド物理学機器分析法⁷があります。EKFベースのアプローチは、年齢や温度とともに劣化し、適切なモデルパラメータ化が必要です^。物理ベースのモデルは大幅な校正が必要であり、すべてのバッテリー化学やデューティサイクルに適用されるとは限り^ません。ハイブリッド技術はモデルサイズを縮小しますが、オフライントレーニングと安定した運用体制が必要です。¹⁰.静的なベンチマーク下でのパフォーマンス向上に主に注目するのではなく、オンライン適応、継続的な学習、加齢や使用状況を通じた厳格な評価を支援する^{フレームワークが必要です。}

研究ギャップ

AI支援型BMS設計は人気が高まっていますが、(i)多様なデューティサイクルを通じた一般^化、(ii)バッテリーの老化やドリフトへのオンライン適応、(iii)明確に定義されたデータ入力、学習ステップ、出力¹³ を用いた再現可能な評価に対応するプロトコルが欠けています。研究では、学習がバッテリーの寿命全体にわたってどのように維持・修正されるかを説明せずに、成果レベルの向上が報告されることがよくあります¹⁴。このギャップを埋めるために、本研究はAI-PLELFを商用システムではなく構造化された推定および学習フレームワークとして提示し、実験の実現可能性とプロトコルの透明性を強調しています。

提案されたプロトコルの概要

AI-PLELFは、過去の使用データや周囲要因を、電流、電圧、温度などのリアルタイムのバッテリーセンサーデータと組み合わせます。BMSのワークフローは、データ前処理、MLベースの状態推定、適応型電荷決定ロジックを用いてこれらの入力を処理します。異なる動作条件下でのシミュレーションベースのテストにより、プロトコルのSOCおよびSOH推定値や制御推奨が評価されます。組み込みバッテリーコントローラの周波数(1〜10Hz)で記録されるユーザビリティおよびレンジ標準のBMS指標(電流、電圧、温度)はプロトコルによって前提とされています。このフレームワークの目的は、計算能力が限られた組み込み型またはエッジコンピューティングデバイスに対して、実験的かつシミュレーションに基づく検証を提供することです。制御テストやアルゴリズムベンチマークには使用可能ですが、安全認証を受けた車両BMSハードウェアの代替としては使用できません。

本研究は、電気自動車バッテリーシステムにおける性能監視、劣化モデリング、意思決定支援のためのAIベースの方法論的枠組みを提示します。提案されたアプローチは、制御データセットとシミュレーションベースの検証を用いて実験的に評価され、実現可能性と潜在的な有効性を実証します。結果は予測精度と運用効率の測定可能な改善を示していますが、実際の展開条件下での寿命延長を明確に主張しているわけではありません。むしろ、これらの発見は将来の大規模かつ縦断的な検証の基盤を築くものです。

AI-PLELFは、生涯学習、統一されたSOC–SOHの共推定、プロトコルレベルの再現性を単一のAI対応BMSプロセスで重視する独自の統合手法です。AI-PLELFは、静的でオフライン学習されたAI-BMS技術とは異なり、シミュレーション環境でのドリフトや老化に対応するため、走行サイクルごとにモデルを段階的に更新します。シミュレーションにより、AI-PLELFは同様の走行サイクルにおいてSOH推定偏差を4.5%から2.6%に、SOC推定誤差を3.2%から1.8%に削減することが示されています。同じデータセットと製法パイプラインを用いて生成された比較誤差プロットや収束グラフは、これらの不一致を明らかにします。

背景調査:

EVの信頼性や持続可能性戦略は、AIベースのアプローチを取り入れることがますます進んでいます。AI駆動のバッテリー診断やEVのエネルギー管理システムは、環境負荷を減らし、持続可能なモビリティの推進に貢献します。D-DD&PAは、Zhaoらが報告した通り、EVバッテリーのSOH、SOS、サイクル寿命、RULを予測^します。EVバッテリーの性能向上は安全性と信頼性を向上させつつ、重要な運用情報を提供します。Shashibhushan¹⁶ は、ANN、SVM、LR、KNN)とスパースPCAを用いてバッテリーSOCを予測しました。ANNモデルは^R2 が0.9925で従来の戦略を上回り、正確かつ効率的なSOC推定を可能にしました。ZhaoらによるEVバッテリー性能評価のための^AI-CF 技術は、縦断的な電子カルテと実世界データを活用しています。SOHおよびSOSの診断機能が向上し、EVとバッテリーの信頼性が向上します。

Miraftabzadehらは、電力品質監視、SOC予測、BMS最適化など、EV向けのAIベースのエネルギー貯蔵システム(ESS)アプローチ^{を推奨しており} 、再生可能エネルギーの統合と充電効率の向上を目指しています。Khanらは、マイクログリッド、AI、エネルギー管理システム(EMS)を統合し、電力消費と発電を最適化し、エネルギー無駄やEV関連排出を削減し、スマートグリッドのレジリエンスを高める^{ことを提案しています} 。Stecułaらは、都市エネルギーシステムにおけるAI^{アプローチを検討し、} 再生可能エネルギー、EV充電システム、汚染、効率化を管理するために住宅と都市インフラの統合に焦点を当てています。Mittalらは、スマートデバイスにおけるAIベースのバッテリー管理と充電^{最適化を研究} し、持続可能なEV統合におけるインテリジェントマイクログリッドの役割を強調しています。

Rehan²²は、米国のEV産業におけるAIとクラウドコンピューティングの統合を探り、自動運転、バッテリー管理、ユーザーエクスペリエンス、サイバーセキュリティを支援しています。Vashishthらは、環境の持続可能性を高め、排出量を削減するためにEV EMSシステムとAIの統合を検討しています。チェンヌパティ²⁴は、AI駆動のEV最適化が気候変動緩和にどのように貢献できるかを論じ、スケーラブルで持続可能な産業フレームワークを強調します。人工ニューラルネットワーク、サポートベクターマシン、クラウドベースの診断技術により、バッテリーの健康状態モニタリングとEVの信頼性が向上しています。AI-PLELFはこれらの手法を拡張し、構造化されたバッテリー状態推定と適応型管理を可能にします。全体として、AIは効率を高め、エネルギー消費を減らすことでEVの持続可能性を向上させる可能性があります。

Protocol

バッテリー寿命と性能は、EVの普及が進む中で非常に重要です。バッテリー管理システムは充電サイクルを改善し、劣化を予測し、熱影響を調整します。AI-PLELFはエネルギー管理、充電制御、EVバッテリーのSOC/SOH予測を強化します。AI-PLELFはリアルタイムのセンサーデータ、使用パターン、環境条件を活用し、バッテリー性能と寿命を向上させます。

バッテリーはLBTサイクラーでサイクルされ、フルスケール精度は±0.05%でした。セルは25.0±0.5°Cで温度制御されたチャンバーで取り付けられました。 熱電対をセル表面に固定するために高温ポリイミド接着テープが使用され、熱接触が安定しました。

バッテリーを充電するために、製造元提供のバッテリーテスト制御ソフトウェアを使ってCC–CV充電プロトコルを設定しました。電流は0.5°C(3Ahセルは1.5A)に設定され、電圧制限は4.20Vでした。CVステップは電流が0.05°C(150 mA)を下回るまで繰り返され、その後Add Step |放電|1C(3A)の電流と2.50Vのカットオフ電圧を持つCCです。600秒の休止期間を追加するには、Add Step |残りは1Hzで取得され、エクスポートデータ|を使ってCSVファイルとして保存されました。ASCIIオプションです。各実験前に、製造元のハンドブックに従い、0.1%精度のシャントと3.000±0.001Vの基準セルで電流および電圧チャネルが校正されました。

このワークフローは、25回の実際の運転サイクルから5Hzでサンプリングされたバッテリー電流、電圧、温度信号を処理します。プロトコルは、生のセンサーデータ、前処理入力、SOC推定出力、モデルのトレーニング損失曲線を200回のシミュレーション反復にわたって逐次プロットで可視化しました。さらに、データ取り込み、AI推論、出力の可視化をリアルタイムで実演するプロトタイプ実行ビデオも作成されました。

EVバッテリー

この回路図はMLベースのEVバッテリー管理システムを示しています。バッテリーセンサーは多くのバッテリーパラメータをチェックしてシステムを起動します。情報収集ユニットは 図1のセンサーデータを整理しています。ML これらの準備されたデータポイントは、コンピュータによってさまざまなモデルを用いて主要なバッテリー特性を予測するために利用されます。SOH予測モデルはバッテリー充電量を用いて健康状態と寿命を予測します。プロジェクションベースの充電最適化とエネルギー優先順位付けにより、充電サイクルと効率を最大化します。両モジュールは制御ユニットから入力を受け取り、制御ユニットはシステムの動作とバッテリー温度を管理し、過熱を抑えバッテリー寿命を延ばします。出力インターフェースはシステムの状態と診断データを電子制御ユニット(ECU)に送信し、車両の管理システムと統合します。この統合によりバッテリー効率とセキュリティが向上し、リアルタイムの意思決定が容易になります。

(1)

AI-PLELF手法は式 1に関連しています。複数のパラメータの影響を定量化する。S^xqはバッテリーの状態変数を表し、[W_lq]、 はjg mに影響を与える要因に与えられた重み、Mx^r-q(n+1)はMLモデルがバッテリー状態予測に与える影響を表している。δR^qv + lqの式にリアルタイムでデータ修正を加えることでバッテリー管理が向上します。

(2)

式 2では、複数の変数がバッテリー容量と寿命に与える累積的影響をモデル化し、提案されたAI-PLELF手法がR - Q_l ||A - Q_r ||。ここで、NとRはそれぞれSOHやSOCなどの状態変数を表し、バッテリーの健康状態と充電状態を反映しています。現在のセンサーデータn、過去の使用パターンn、外部変数S(t,v_q)が組み込まれ、AI駆動システムがバッテリー利用率(f)を改善し、効率と寿命の延長を目指しています。

バッテリー管理システム(BMS)は電気自動車にとって非常に重要です。EV運転中、BMSはエネルギー貯蔵装置(ESD)の安定性、安全性、耐久性を保証します。充電手順、セル監視、データ収集、熱管理、電力管理、寿命評価、セル保護など、さまざまな側面がBMSフレームワークの一部であり、設計および性能評価のメカニズムも含まれます。

ESDの充電または放電時に、電気化学的プロセスにより電圧の不均衡が生じることがあります。したがって、電圧バランスはBMSの主要な機能であり、今後もさらなる改善が求められています。EVシステムと適切なエネルギー貯蔵技術を検討するにあたり、本研究は 図2に示された議論に貢献します。電気自動車のエネルギー管理システムは依然として重要な研究テーマです。詳細な調査の結果、現在のエネルギー管理システムにおけるいくつかの制限が特定され、それらに対処するための構造化されたアプローチが提案されました。

(3)

式3は、充電サイクルq、学習率KL、特定の劣化変数A(R,L)を考慮した総合性能A(R,L)で表されます。効率とバッテリー寿命を最大化するために、AI-PLELFは強化因子と劣化因子(st+wl)の両方を最適化し、フレームワーク内でバランスを取っています。

||Ca - θN_q||= N(A_N, B_q+r) + N (R_l-1, A_k+1) - 2n (A_n, Y_l-1) (4)

式4によれば、||Ca - θN_q||は、AI-PLELFシステムがバッテリー管理を最適化するために用いる数学モデルであり、観測状態と予想状態_R-1、A、_k+1の差を相関させるために用いられます。MLアルゴリズム2n(A_n, Y_l-1)は、リアルタイムデータN(R_l-1, A_k+1)および過去の傾向を用いて、N(A_N, B_q+r)、SOHおよびSOCを予測することでバッテリーの性能と寿命を向上させます。

高度なバッテリー管理

性能、安全性、寿命を優先した先進的なバッテリー管理システムが、 EV 向けに図3に示されています。データ収集システムは、さまざまなセンサーからデータを収集することで、関連するすべてのパラメータを迅速かつ正確に集約します。その後、データは高度なアルゴリズムを活用したAI搭載の分析エンジンで分析され、情報を解析・解釈します。バッテリーの性能、問題予測、バッテリー利用のための最適化戦略に関する洞察がAIエンジンによって提供されます。BMSはこれらのインサイトを用いて、バッテリーの充電・放電サイクル、安全な動作、寿命を監視します。

(5)

式5、2重 N(D,R) では、l=1 と n=1 の和が左に示されています。この数学モデルはおそらくAI-PLELFでバッテリーの状態や性能を予測するために使われています。この式は、lやNなど多くの変数に対する再帰的加算を考慮しており、は衰退係数を表し、N(A_n, R_b+q)はバッテリー変数のネスト推定を示し、gとi^はおそらく追加の環境要因や運用要因をカバーしています。

(6)

エネルギー効率、容量、バッテリー性能および寿命の要因分析の関連をモデル化することで、提案されるAI-PLELF手法は、充電状態Q_R、周囲N_Aq、劣化因子W_L-1などのパラメータ(Q-1)を含むバッテリー管理システムの改善方法として、式6と整合しています。これらは1+N(A_n, W^L)を機械学習アルゴリズムによって使います。

電気自動車の健全性を確保する重要な要素はBMS(BMS)であり、これは充電式バッテリーの電気部品、例えばセルやセルのパックを制御します。セルが安全な動作範囲内で動作することを保証することで、消費者もバッテリーも保護します。BMSはバッテリーのSOHを追跡し、データを収集し、セルに影響を与える外部要因を調整してセル全体の電圧を均一に保ちます( 図4参照)。

スマート電源とは、データネットワークや外部データ伝送システムに接続されたBMSを備えたパワーパックのことです。汎用処理出力、スマートネットワーク接続ルール、燃料メーターの統合など、追加の機能や能力が含まれる場合があります。インテリジェントバッテリーパックは、自身の充電制御、エラーレポートの提供、バッテリー残量の特定とデバイスへの警告、さらには残りの稼働時間や電源の持続時間を予測できます。予測の精度を保つために、セルの電流、電圧、温度に関する情報を継続的に自己補正し、情報を提供します。スマートバッテリーパックには、バッテリーの信頼性、安全性、耐久性、そして全体的な有用性を高める統合電子機器が搭載されていることが多いです。これらは携帯型電子機器やノートパソコンでの使用を目的としています。これらの特性により、より信頼性が高く使いやすい完成品の製造が可能になります。例えば、温度制約の中でバッテリーが最適な特性に充電されると、デバイスの寿命が延びることが可能です。

(7)

公式Yb_l バッテリー管理システムに対する提案されているAI-PLELFアプローチは、この複雑な式7に関連している可能性が高いです。r-1のAI駆動予測モデルn=1を用いてバッテリーの健康状態(SOH)および充電状態(SOC)を推定するために、運用効率分析(Operation Efficiency Analysis)を運用パラメータ(o, m, s, hix)、外部変数_{A l+1}(s + hix)、、効率指標(o+m) - a_n , O(n+l)を含めることができます。

(8)

式8では、提案されたAI-PLELFは、バッテリーの健康状態と性能(h(A,q)で表される)が、計算に含まれる変数A、_r、_qxの影響を受けることを示しています。要素には、予知保全分析、充電-放電サイクル、劣化速度、熱影響、動作条件(W+_l、A、_r、qx、、Stuなど)が含まれます。

EVはBMSに依存してバッテリーをスムーズかつ長く稼働させます。最先端のML技術を統合することで、AI駆動の生涯推定学習フレームワーク(AI-PLELF)は従来のBMSを強化します。バッテリーの健康状態、SOH、SOCを正確に推定するために、この新しい手法はセンサー(T1からTn)からのリアルタイムデータ、過去の使用パターン、環境要因を利用します。エネルギー効率とバッテリー寿命を最大化するために、AI-PLELFシステムは充電サイクルを最適化し、劣化を予測し、熱影響を軽減します。過熱や摩耗を減らすために、システムは負荷(L1からLNへ)をバランス調整し、充電手順(V1からVnへ)を変更し、バッテリーの健康状態を正確に予測できます。詳細なシミュレーションによれば、AI-PLELFはバッテリー性能と寿命において標準的なBMSを上回っています。センサーは即時情報を収集し、AIモジュールは予測分析を行い、制御ユニットは充電・放電操作を管理し、データ収集システムはバッテリー特性を監視します。これらはBMSの機能ブロック図に示されている主要な構成要素です。

(9)

提案されているAI-PLELFのバッテリー管理フレームワークは、式9を用いる複雑なモデルであるように見えます。これは、時間と使用率f(またはr)を用いての状態推定または予測を用い、ここでStiはI(k^e, D)というフレーズで表されます。スケーラビリティの解析はバッテリー状態の予測に影響を与えます。AIシステムはおそらく充電を改善し、劣化影響を軽減するためのパターンを修正し、A(o+xq)で表されます。

i(k^mR) = τ(DL^x + ρ - ∞R(no + r)) - i_ql (i + da) (10)

AI-PLELF法は式 10に関連しており、バッテリー電流iの動的挙動ρを抵抗k^{m R}、温度(no+r)、グリッド積分解析、放電深度^{DL x} 、内部抵抗 R、および異なる動作パラメータ(i+da)、および i_ql の関数としてモデル化します。

ダッシュボード、通知、アナウンス、パフォーマンスレポートはすべてBMSからのデータを受け取るユーザーインターフェースの一部です。このインターフェースはバッテリーの状態とアラートを表示します。外部データやクラウドサービスの接続と制御も提供されています。充電、解放、緊急時、システム準備を担当します。全体の設計は、リアルタイムのデータ収集、高度な分析、シンプルなユーザーインターフェースを備えた強力なバッテリー管理システムを提供します。AI-PLELFは広範なシミュレーションの結果、バッテリー性能と寿命においてBMSを上回っています。AI PLELFは、SOHとSOCを予測することで電気自動車の充電とエネルギー管理を最適化します。単一のEVやフリートを扱い、運転中に動的なソリューションを提供します。AI駆動のBMSはメンテナンスコストを50%削減し、輸送の持続可能性を高める可能性があります。環境に優しい電気自動車システムを作るには、この新しい手法が必要です。提案されたアルゴリズムを検証するために、多段階の検証戦略が定義されます。まず、シミュレーションデータセット上でトレイン・テスト分離を用いて内部検証を行い、予測の安定性と収束挙動を評価します。次に、サイクリングプロファイル、騒音レベル、劣化パラメータを変化させることで感度解析を行い、堅牢性を評価します。第三に、SOCおよびSOHの傾向と、同じシミュレーション条件下で参照モデル由来の推定値を比較することで出力の一貫性を検証します。本研究には実験的検証は含まれていませんが、このプロトコルは構造化された検証経路を確立し、将来の研究で実験室やハードウェア・イン・ザ・ループのテストに拡張可能です。

Results

この研究は、AIが電気自動車のバッテリーの性能と耐久性を向上させることを示しています。AIを用いたBMSは、バッテリー診断、効率化、予知保守、スケーラビリティ、グリッド統合を向上させます。これらのシステムは、リアルタイムデータと機器学習アルゴリズムを活用することで、充電サイクルを最適化し、バッテリーの健康状態を予測し、EVアプリケーションの信頼性を向上させます。AIはEVのエネルギー効率、信頼性、環境に優しい環境性を向上させることで持続可能な交通を促進します。データセットの説明:このデータセットでは、運転者の行動がEVの高電圧バッテリーに大きなストレスを与えます。パワートレインの動的な性質とは対照的に、補助消費負荷はほぼ一定の²⁵です。エアコンやヒーターは補助電力を最も多く消費するため、車両の航続距離が短くなります。エンジンとヒーター回路を含むフルモデルの検証のために、BMW i3(60 Ah)の走行体験が72回記録されました。

本研究は、Kaggleプラットフォーム...

Discussion

AI-PLELFはEV BMSの改修が可能です。AI-PLELFは強力なMLアルゴリズムを用いて充電サイクルを最適化し、発熱を防ぎ、バッテリーの健康状態を予測します。リアルタイムで、センサーデータ、過去の使用パターン、環境変数により、AI-PLELFはバッテリーのSOHおよびSOCを予測し、性能と寿命を向上させます。AI-PLELFは大規模シミュレーションにおいてバッテリー性能と耐久性でBMSを上回っています。この新しい方法で、個性的なEVオーナーはコストを抑え、より信頼性の高いモーターを手に入れることができます。スケールアップされたフリート管理により、より多くの人がEVを購入できるようになります。持続可能な交通のために、AI-PLELFは運用状況に応じて調整します。電動モーターの需要増加により、AI-PLELLFのBMSが必要とされています。新しく、より環境に優しく、長持ちする電気自動車のバッテリーは、世界の交通を支えます。結論として、AI-PLELFはBMSの財務、効率、環境を改善します。EVは持続可能な交通手段の影響を受ける可能性があります。EVバッテリーの効率と...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
アイテム	仕様	製造元/モデル	目的
バッテリーサイクラー	±0.05%のフルスケール精度	LBT21084 バッテリー試験システム、アービン・インスツルメンツ、アメリカ	精密充電–放電サイクル(バッテリーテストシステム)
バッテリーテスト制御ソフトウェア(MITS Pro)	バージョン 5.3.2	アービン・インストゥルメンツ、アメリカ	CC&ndashの設定;CV充電/放電プロトコル(制御ソフトウェア)
ポリイミド接着テープ	高温耐性(最大260 & deg;C)、電気絶縁性	カプトンポリイミドテープ、デュポン、アメリカ	熱電対をバッテリー表面(接着材料)に固定する方法
精密シャント抵抗	0.1%の許容範囲	ヴィシャイ・プレシジョン・グループ、アメリカ	電流測定校正
参照電圧セル	3.000以上;0.001 Vの精度	フルーク・キャリブレーション、アメリカ	チャネルキャリブレーション(電圧キャリブレーション)
温度制御チャンバー	安定性:25.0以上;0.5度; C	SH-241環境チャンバー、ESPEC社、日本	サイクリング中の熱調節(環境制御)
熱電対(タイプK)	表面実装、そしてプラスムーン;0.5 & 度;Cの精度	オメガ・エンジニアリング、アメリカ	表面温度モニタリング(温度測定)