网易河南首页

船口新闻网

你的电池再充几次电就报废?机器学习帮你预测电池寿命

2019-11-12 11:40:14

铁头瓦来自奥菲寺

Qbitai

电池寿命的确定是移动硬件发展的重要组成部分。然而,由于电池电化学反应的不确定性和不同的使用环境和习惯,电池寿命已经成为一个形而上学。

然而,柏林的三个小伙伴,使用张量流,基于原来的预测系统。更近一步,电池寿命预测已经完成。

清除数据

在最初的模型中,研究人员将124节锂电池的充放电循环数据作为寿命指标。

简而言之,这是一个从充满电到完全放电的循环。当循环次数超过先前容量的80%时,电池将会没电。

研究中计算的电池循环次数从150次到2300次变化很大。

然而,该过程中的数据不仅是计数,该过程中输入的连续充电周期可以用作窗口,并且每个窗口具有“当前周期数”和“剩余周期数”。此外,每个窗口都有一个目标值,该值基于最后一个周期的特征值。

在每个电池周期中,电池电压、电流、温度和电荷的动态变化也需要统计。此外,还会出现内阻、电荷量和通电时间等定量数据。

正如我之前所说,为研究选择的电池的循环次数是不同的。

有些周期更多,有些周期更少,因此与时间变化相关的数据无法统一。毕竟,循环数千次的电池电流无法与刚刚使用两三次且已经过时的电池电流相比较。

为了解决这个问题,研究人员首先将电池放电时的电压范围而不是时间作为变化量的参考。

因为电池的电压范围都是相同的,所以有一个同步参考范围。然后内插随电压变化的电荷量和温度值,最后给出电压作为参考,划分测量范围,可以进行完整的数据参考。

建筑模型

尽管数据详细而清晰,但数组和标量数据显然不能简单地打包到模型中。

研究人员使用keras函数api作为构建模型的工具,分别导入数组数据和标量数据。

对于阵列数据,它们将其与窗口特征数据(如窗口大小、长度和特征值数量)组合,形成三维矩阵。

之后,在保证窗口连续性的基础上,通过maxpooling处理将矩阵分成三个conv2d函数层。

这样,可以提取相关信息,然后可以将上述数据简化为一维数组。前提是所有数据共享相同的变化范围,并且高度相关。

conv2d所扮演的角色,就像图片中代表颜色通道的数字一样,代表了数据的特征。

导入标量数据的过程是相似的,但是它只需要从二维减少到一维。

两个具有特征映射的加工平面阵列,就像加工食品材料一样,可以安全地制作模型所需的密集网络盘。

训练优化

当一切都准备好了,我们需要练习。

研究人员已经编写了一个指令集操作界面,以方便培训相关操作。

如果您需要在窗口中调整训练时间和样本数量,只需输入以下命令:

比较训练值(橙色)和验证值(蓝色)的数据趋势,可以看出两者之间的差异逐渐缩小,曲线趋势也逐渐接近平均绝对偏差(mae)。

为了缩小模型和验证值之间的差距,研究人员选择添加脱落工具进行进一步拟合。

此外,研究人员需要优化模型的参数,所以研究人员使用网格搜索不同的设置。

那么你如何跟踪这些设置呢?这时,tenserflow2.0的hparams模块派上了用场。

在这一系列操作之后,研究人员可以比较拟合过程中最关键的参数。

因为准确的预测结果要求“当前周期”和“剩余周期数”大于零(电池都用完了,你的预测结果是事后诸葛亮)。研究者使用relu作为输出层的启动机制,可以缩小模型的搜索范围,节省训练过程中的时间。

由于研究人员的模型依赖于cnn,他们尝试了不同的核心尺寸,最后在两种不同学习速率的前提下,比较了不同设置下当前周期和剩余周期的mae值。

增量误差值比较

△当前周期的mae值比较

△剩余循环的mae值比较

根据超参数优化后的最优配置模型,基于数千个训练周期,当前周期mae为90,剩余周期mae为115。虽然不完美,但这一结果很好地满足了研究者的应用期望。

在线预测

事实上,从曲线上可以看出。模型预测最小差距的位置不是训练结束,而是大约四分之三的时间。因此,研究人员在这个分界点增加了一个检查点,从而重置模型,以避免重复训练造成的偏差。

现在模型已经完成,您可以尝试将结果转换成曲线,然后在线应用它们。

目前,包括当前周期和剩余周期的输出曲线大致相同。

尽管这对于电池来说有点“末日就要到了”,但对用户来说确实是一个很好的改进。

实际电池寿命预测只是在原始电池容量的基础上对电池容量变化的粗略参考。这种评估模式没有考虑不同的使用环境和用户的使用习惯。

因为从低温到高温环境,从24小时充电线路堵塞到三天不打开网闸,电池的循环时间将不可避免地变化,这没有考虑不同批次电池的制造差异。因此,这种模糊估计不能准确表达电池的真实寿命。

然而,随着不同环境下电池寿命相关数据的丰富,该电池寿命预测模型可以为用户提供更准确的参考。

至少它能提醒你什么时候换手机。

参考链接

http://towardsdata science . com/predicting-battery-lifetime-with-CNNs-C5 E1 faeecc 8f

-完毕-

真诚的招聘

量子比特正在北京中关村招聘编辑/记者。期待有才华和热情的学生加入我们!详情请回复qbitai对话界面中的“招聘”一词。

量子位qbitai

跟踪人工智能技术和产品的新发展

安徽快三投注 pk10聊天室 500彩票 湖北11选5

上一篇:伊朗果真是幕后真凶?美方公布一系列证据,一众盟友却很难相信
下一篇:游戏时光本周热门:知道了该期待什么

相关阅读

Copyright 2018-2019 customer5.com 船口新闻网 Inc. All Rights Reserved.

关闭