位置:爱财经新闻网 > 科技数码 > 正文 >

你的电池再充几次就报废?机器学习帮你预测电池寿命

2019年09月21日 18:15来源:未知手机版

ppt性插图图片大全动态,英文字母设计,洁洁良发表了什么

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。

。/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:

。/train.sh -e 70 -w 10

将训练值(橙色)和验证值(蓝色)的数据趋势对比可以看出,在平均绝对偏差(MAE)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。

本文地址:http://www.axxxc.com/kejishuma/951996.html 转载请注明出处!

今日热点资讯