你的電池再充幾次電就報(bào)廢？機(jī)器學(xué)習(xí)幫你預(yù)測(cè)電池壽命

曉查 2019-09-20 14:56:09 來(lái)源：量子位

鐵頭娃 發(fā)自 凹非寺

量子位 出品 | 公眾號(hào) QbitAI

電池壽命的確定，是移動(dòng)硬件發(fā)展的重要一環(huán)，但是由于電池電化學(xué)反應(yīng)的不確定性以及不同的使用環(huán)境和習(xí)慣，電池壽命變成了一門(mén)玄學(xué)。

不過(guò)柏林的三位小伙伴，利用Tensorflow，在原有的預(yù)測(cè)體系基礎(chǔ)上。更近一步，完成了電池的全壽命預(yù)測(cè)。

捋清數(shù)據(jù)

研究者在原始模型中，統(tǒng)計(jì)了124塊鋰電池的充放電循環(huán)次數(shù)中的數(shù)據(jù)作為壽命指標(biāo)。

簡(jiǎn)單來(lái)說(shuō)，從完全充滿電到完全放光電是一個(gè)循環(huán)，當(dāng)循環(huán)的次數(shù)多到鋰電池只能容納以前電量的80%時(shí)，電池壽終正寢。

研究中統(tǒng)計(jì)的電池循環(huán)次數(shù)從150到2300，差異巨大。

但是這個(gè)過(guò)程中的數(shù)據(jù)不僅只是記數(shù)，過(guò)程中輸入的連貫充電循環(huán)可以作為窗口，每個(gè)窗口有一個(gè)“當(dāng)前循環(huán)數(shù)”和“剩余循環(huán)次數(shù)”。除此之外，每個(gè)窗口有一個(gè)目標(biāo)值，這個(gè)目標(biāo)值以最后循環(huán)的特征值為準(zhǔn)。

在每個(gè)電池循環(huán)周期中，電池的電壓，電流，溫度，電荷的動(dòng)態(tài)變化也需要統(tǒng)計(jì)。并且還會(huì)出現(xiàn)像內(nèi)阻，電荷量，通電時(shí)間等定量數(shù)據(jù)。

之前說(shuō)過(guò)，入選研究的電池，通電循環(huán)的次數(shù)各不相同。

有的循環(huán)多，有的循環(huán)少，那跟時(shí)間變化相關(guān)的數(shù)據(jù)就不好統(tǒng)一。畢竟循環(huán)了幾千次電池的電流，不能跟剛用兩三次就超齡報(bào)廢的電池電流做對(duì)比。

針對(duì)這個(gè)問(wèn)題，研究者首先以放電時(shí)電池的電壓變化范圍代替時(shí)間作為變化量的參考基準(zhǔn)。

因?yàn)殡姵氐碾妷悍秶际且粯拥?，這就有了同步的參考范圍。之后插補(bǔ)隨電壓變化的電荷量和溫度值，最后給以電壓為基準(zhǔn)，劃分量程，就能進(jìn)行完整的數(shù)據(jù)參照了。

構(gòu)建模型

雖然數(shù)據(jù)詳細(xì)清晰，但是數(shù)組和標(biāo)量數(shù)據(jù)顯然不能簡(jiǎn)單塞進(jìn)一個(gè)模型里。

研究者利用Keras functional API作為構(gòu)建模型的工具，對(duì)數(shù)組數(shù)據(jù)和標(biāo)量數(shù)據(jù)分開(kāi)導(dǎo)入。

對(duì)于數(shù)組數(shù)據(jù)，他們將其與窗口的特征數(shù)據(jù)，例如窗口大小，長(zhǎng)度，特征值數(shù)量相結(jié)合，形成三維矩陣。

之后在保證窗口的連續(xù)性基礎(chǔ)上，利用Maxpooling處理，將矩陣分為三個(gè)Conv2D函數(shù)圖層。

通過(guò)這個(gè)方式便可以提取出有相關(guān)性的信息，之后再把上述數(shù)據(jù)降維成一維數(shù)組。在數(shù)據(jù)都享有同一個(gè)變化范圍，并且高度相關(guān)的前提下。

Conv2D扮演的角色，就像圖片中代表顏色通道的數(shù)字一樣，代表著數(shù)據(jù)的特征。

標(biāo)量數(shù)據(jù)的導(dǎo)入流程也與之類似，不過(guò)只需要從二維降到一維就可以了。

經(jīng)過(guò)處理后的兩個(gè)具有特征映射的平面數(shù)組，就像處理好的食材一樣，可以放心的做出模型需要的密集網(wǎng)絡(luò)這盤(pán)大菜了。

訓(xùn)練優(yōu)化

萬(wàn)事俱備，就差練手。

研究者撰寫(xiě)了一個(gè)指令集操作界面，從而方便進(jìn)行訓(xùn)練的相關(guān)操作。

./train.sh

如果需要調(diào)整訓(xùn)練的epoch和窗口中樣本的數(shù)量，只需要輸入這個(gè)指令：

./train.sh -e 70 -w 10

將訓(xùn)練值（橙色）和驗(yàn)證值（藍(lán)色）的數(shù)據(jù)趨勢(shì)對(duì)比可以看出，在平均絕對(duì)偏差（MAE）方面，二者的差距在逐步縮小，曲線走勢(shì)也在逐步接近。

為了縮小模型與驗(yàn)證值的差距，研究者選擇加入Dropout工具進(jìn)行進(jìn)一步的擬合。

除此之外，研究者還需要對(duì)模型進(jìn)行超參數(shù)調(diào)優(yōu)，因此研究者對(duì)不同設(shè)置采用了網(wǎng)格搜索。

那么如何跟蹤這些設(shè)置呢？這時(shí)候Tenserflow2.0的hparams module派上了用場(chǎng)。

經(jīng)過(guò)這一系列操作之后，研究者就可以比較出擬合過(guò)程中最關(guān)鍵的參數(shù)了。

由于準(zhǔn)確預(yù)測(cè)結(jié)果要求“當(dāng)前循環(huán)”和“剩余循環(huán)數(shù)”都要大于零（電池都用廢了你預(yù)測(cè)出來(lái)結(jié)果那是馬后炮）。研究者使用了ReLU作為輸出層的啟動(dòng)機(jī)制，這可以降低訓(xùn)練過(guò)程中模型的搜索范圍，節(jié)約時(shí)間。

由于研究者的模型依賴CNN，所以他們嘗試了不同的核心大小，最后在兩種不同的學(xué)習(xí)速率前提下比較了不同設(shè)置下當(dāng)前循環(huán)和剩余循環(huán)的MAE值。

△誤差值對(duì)比

△當(dāng)前循環(huán)的MAE值對(duì)比

△剩余循環(huán)的MAE值對(duì)比

經(jīng)過(guò)超參數(shù)調(diào)優(yōu)后的最佳配置模型，在訓(xùn)練epoch上千的基礎(chǔ)上，當(dāng)前循環(huán)MAE為90.剩余循環(huán)MAE為115。雖說(shuō)不算完美，不過(guò)對(duì)于研究者的應(yīng)用方面預(yù)期來(lái)說(shuō)，這個(gè)結(jié)果很不錯(cuò)。

預(yù)測(cè)上線

實(shí)際上曲線上可以看出。模型預(yù)測(cè)差距最小的位置，并不是訓(xùn)練終點(diǎn)，而是訓(xùn)練大概四分之三的時(shí)候。所以在研究者在這個(gè)分界點(diǎn)加入了檢查點(diǎn)，從而重置模型來(lái)避免多次訓(xùn)練帶來(lái)的偏差。

模型已經(jīng)大功告成了，現(xiàn)在就可以嘗試把結(jié)果轉(zhuǎn)換成曲線，之后就可以上線應(yīng)用了。

目前包括當(dāng)前循環(huán)和剩余循環(huán)的輸出曲線大概是這樣的。

雖說(shuō)對(duì)電池來(lái)說(shuō)這有點(diǎn)“大限將至”的味道，但是對(duì)于用戶而言，這確實(shí)是一個(gè)不錯(cuò)的進(jìn)步。

現(xiàn)實(shí)的電池壽命預(yù)測(cè)，只是在原有電池容量的基礎(chǔ)上對(duì)電池容量的變化進(jìn)行大致參考。這樣的評(píng)估模式，并沒(méi)有考慮到不同的使用環(huán)境以及用戶的使用習(xí)慣。

因?yàn)閺牡蜏氐礁邷厥褂铆h(huán)境，從24小時(shí)插充電線到三天不開(kāi)屏幕鎖，電池的循環(huán)次數(shù)必然會(huì)產(chǎn)生差異，這還沒(méi)有考慮不同批次電池的制造差異。因此這種模糊的估測(cè)并不能準(zhǔn)確的表達(dá)電池的真正壽命。

而這個(gè)電池壽命預(yù)測(cè)模型，隨著不同環(huán)境下電池壽命相關(guān)數(shù)據(jù)的豐富，可以為用戶提供一個(gè)更為精準(zhǔn)的使用參考。

至少它能提醒你，啥時(shí)候該換手機(jī)了。

參考鏈接

https://towardsdatascience.com/predicting-battery-lifetime-with-cnns-c5e1faeecc8f