机器学习帮你预测电池寿命:精确了解电池还能充几次

作者: 靓科技解读 2019-10-11 13:00:40

电池寿命的确定,是移动硬件发展的重要一环,但是由于电池电化学反应的不确定性以及不同的使用环境和习惯,电池寿命变成了一门玄学。

不过柏林的三位小伙伴,利用Tensorflow,在原有的预测体系基础上。更近一步,完成了电池的全寿命预测。

捋清数据

研究者在原始模型中,统计了124块锂电池的充放电循环次数中的数据作为寿命指标。

简单来说,从完全充满电到完全放光电是一个循环,当循环的次数多到锂电池只能容纳以前电量的80%时,电池寿终正寝。

研究中统计的电池循环次数从150到2300,差异巨大。

但是这个过程中的数据不仅只是记数,过程中输入的连贯充电循环可以作为窗口,每个窗口有一个“当前循环数”和“剩余循环次数”。除此之外,每个窗口有一个目标值,这个目标值以最后循环的特征值为准。

在每个电池循环周期中,电池的电压,电流,温度,电荷的动态变化也需要统计。并且还会出现像内阻,电荷量,通电时间等定量数据。

之前说过,入选研究的电池,通电循环的次数各不相同。

有的循环多,有的循环少,那跟时间变化相关的数据就不好统一。毕竟循环了几千次电池的电流,不能跟刚用两三次就超龄报废的电池电流做对比。

针对这个问题,研究者首先以放电时电池的电压变化范围代替时间作为变化量的参考基准。

因为电池的电压范围都是一样的,这就有了同步的参考范围。之后插补随电压变化的电荷量和温度值,最后给以电压为基准,划分量程,就能进行完整的数据参照了。

构建模型

虽然数据详细清晰,但是数组和标量数据显然不能简单塞进一个模型里。

研究者利用Keras functional API作为构建模型的工具,对数组数据和标量数据分开导入。

对于数组数据,他们将其与窗口的特征数据,例如窗口大小,长度,特征值数量相结合,形成三维矩阵。

之后在保证窗口的连续性基础上,利用Maxpooling处理,将矩阵分为三个Conv2D函数图层。

通过这个方式便可以提取出有相关性的信息,之后再把上述数据降维成一维数组。在数据都享有同一个变化范围,并且高度相关的前提下。

Conv2D扮演的角色,就像图片中代表颜色通道的数字一样,代表着数据的特征。

标量数据的导入流程也与之类似,不过只需要从二维降到一维就可以了。

经过处理后的两个具有特征映射的平面数组,就像处理好的食材一样,可以放心的做出模型需要的密集网络这盘大菜了。

训练优化

万事俱备,就差练手。

研究者撰写了一个指令集操作界面,从而方便进行训练的相关操作。

  1. ./train.sh 

如果需要调整训练的epoch和窗口中样本的数量,只需要输入这个指令:

  1. ./train.sh -e 70 -w 10 

将训练值和验证值的数据趋势对比可以看出,在平均绝对偏差方面,二者的差距在逐步缩小,曲线走势也在逐步接近。

为了缩小模型与验证值的差距,研究者选择加入Dropout工具进行进一步的拟合。

除此之外,研究者还需要对模型进行超参数调优,因此研究者对不同设置采用了网格搜索。

那么如何跟踪这些设置呢?这时候Tenserflow2.0的hparams module派上了用场。

经过这一系列操作之后,研究者就可以比较出拟合过程中最关键的参数了。

由于准确预测结果要求“当前循环”和“剩余循环数”都要大于零。研究者使用了ReLU作为输出层的启动机制,这可以降低训练过程中模型的搜索范围,节约时间。

由于研究者的模型依赖CNN,所以他们尝试了不同的核心大小,最后在两种不同的学习速率前提下比较了不同设置下当前循环和剩余循环的MAE值。

△误差值对比

△当前循环的MAE值对比

△剩余循环的MAE值对比

经过超参数调优后的最佳配置模型,在训练epoch上千的基础上,当前循环MAE为90.剩余循环MAE为115。虽说不算完美,不过对于研究者的应用方面预期来说,这个结果很不错。

预测上线

实际上曲线上可以看出。模型预测差距最小的位置,并不是训练终点,而是训练大概四分之三的时候。所以在研究者在这个分界点加入了检查点,从而重置模型来避免多次训练带来的偏差。

模型已经大功告成了,现在就可以尝试把结果转换成曲线,之后就可以上线应用了。

目前包括当前循环和剩余循环的输出曲线大概是这样的。

虽说对电池来说这有点“大限将至”的味道,但是对于用户而言,这确实是一个不错的进步。

现实的电池寿命预测,只是在原有电池容量的基础上对电池容量的变化进行大致参考。这样的评估模式,并没有考虑到不同的使用环境以及用户的使用习惯。

因为从低温到高温使用环境,从24小时插充电线到三天不开屏幕锁,电池的循环次数必然会产生差异,这还没有考虑不同批次电池的制造差异。因此这种模糊的估测并不能准确的表达电池的真正寿命。

而这个电池寿命预测模型,随着不同环境下电池寿命相关数据的丰富,可以为用户提供一个更为精准的使用参考。

至少它能提醒你,啥时候该换手机了。

机器学习 AI 人工智能
上一篇:PyTorch横扫顶会,TensorFlow退守业界:机器学习框架一年变天 下一篇:人工智能统计调查:86%的消费者更喜欢人工客服
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

启明星辰严望佳:关于推进智能车联网安全风险评估的提案

网络安全与信息化是一体之两翼、驱动之双轮,在工业互联网智能化发展的同时必须同步推进人工智能赋能工业互联网安全。

kirazhou ·  16h前
机器学习:物联网成功的诀窍?

通过机器学习,物联网可以完美地运行。全球各地的组织正在竞相利用物联网的能力,但是,其中许多组织都被我们讨论过的一个或多个障碍所困扰。不过,不管您遇到什么问题,都可以通过结合了机器学习技术的方法来解决。

iothome ·  16h前
人工智能将“吞噬”数据

显然,更多数据将成为人工智能辅助解决方案的标志。对数据的渴求可能来自于更具挑战性的问题、对高级人工智能/分析的更好利用或者是端到端价值链的增长。

佚名 ·  19h前
人工智能对商业影响深远 AI可以为中小企业提供五大优势

市场趋势有多快发展?特别是关于人工智能。企业正在以惊人的速度利用人工智能。根据BI Intelligence的报告,到2020年,将有80%的公司使用AI聊天机器人。这是人工智能可以为您的中小型企业带来的五个优势。

AI国际站 ·  22h前
在网络安全领域应用机器学习的困难和对策

网络安全领域的独特对抗属性给人工智能应用落地带来了重重困难,但我们并不认为这最终会阻碍人工智能成为网络安全利器。

安全狗safedog ·  1天前
腾讯AI又创新纪录:ACL 2020入选27篇论文

近日,国际计算语言学协会年会(ACL,The Association for Computational Linguistics)在官网公布了ACL 2020的论文收录名单,共计收录779篇论文。据不完全统计,此次腾讯共有27篇论文入选,投中论文总数刷新国内记录,领跑国内业界AI研究第一梯队。

佚名 ·  3天前
Σco时间 | 把握新趋势,湖南智慧校园转型加速时

日前,在#Σco时间#直播平台上举办了以“把握新趋势,湖南智慧校园转型加速时”为主题的线上研讨会,华为湖南政企业务教育行业技术总监谢传亮、苏迪科技产品与解决方案总监刘传先等嘉宾出席会议,通过主题演讲全方位展示了华为以“5G+AI”方案为高校数字化转型之路筑基的战略愿景以及新趋势下一网通办的解决方案。

张洁 ·  4天前
这个受玩具启发打造的致动器或能让软体机器人具备跳跃能力

据外媒报道,不晓得大家有没有玩过popper这个玩具,当将其按下去之后则会跳起来。近日,它给了科研人员灵感,借其打造出一种能有朝一日让软体机器人跨越崎岖地形的致动器。

佚名 ·  4天前
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载