機械学習はバッテリー寿命を予測するのに役立ちます。バッテリーを何回充電できるかを正確に把握できます。

バッテリー寿命の決定は、モバイルハードウェアの開発において重要な部分です。しかし、バッテリーの電気化学反応の不確実性や、使用環境や習慣の違いにより、バッテリー寿命は謎に包まれています。

しかし、ベルリンの 3 人の友人は、独自の予測システムに基づいた Tensorflow を使用しました。さらに一歩進んで、バッテリーの全寿命予測が完了します。

データの整理

元のモデルでは、研究者らは寿命の指標として124個のリチウム電池の充電と放電のサイクル数のデータをカウントした。

簡単に言えば、完全に充電された状態から完全に放電された状態までがサイクルです。サイクル数が多くなりすぎてリチウム電池が以前の電力の 80% しか保持できなくなった場合、電池の寿命が尽きたことになります。

調査でカウントされたバッテリーサイクル数は150から2,300までの範囲で、大きな差がありました。

ただし、このプロセスにおけるデータは単にカウントするだけではありません。プロセスで入力された連続した充電サイクルはウィンドウとして使用でき、各ウィンドウには「現在のサイクル数」と「残りのサイクル数」があります。さらに、各ウィンドウには、最後のサイクルの特徴値に基づいたターゲット値があります。

各バッテリーサイクルでは、バッテリー電圧、電流、温度、充電の動的な変化もカウントする必要があります。また、内部抵抗、充電、通電時間などの定量的なデータも表示されます。

前述したように、研究のために選択されたバッテリーは、パワーサイクル数が異なります。

サイクル数が多いものもあれば少ないものもあるため、時間の変化に関するデータを統一することは困難です。結局のところ、何千回もサイクルされたバッテリーの電流は、たった 2、3 回使用しただけで期限切れになり廃棄されるバッテリーの電流とは比較になりません。

この問題に対処するために、研究者らはまず、変化の基準として時間ではなく放電中のバッテリー電圧の変化範囲を使用しました。

バッテリー電圧範囲が同じなので、同期された基準範囲があります。次に、電圧によって変化する電荷と温度の値を補間し、最後に電圧を基準として範囲を分割して完全なデータ参照を作成します。

モデルを構築する

データは詳細かつ明確ですが、配列やスカラー データを単純にモデルに詰め込むことはできません。

研究者らは、モデルを構築するためのツールとして Keras 機能 API を使用し、配列データとスカラー データを個別にインポートしました。

配列データについては、ウィンドウのサイズ、長さ、固有値の数などのウィンドウの特徴データと組み合わせて、3次元マトリックスを形成します。

次に、ウィンドウの連続性を保証することに基づいて、Maxpooling を使用して行列を 3 つの Conv2D 関数レイヤーに分割します。

このようにして、関連情報を抽出し、上記のデータを 1 次元配列に縮小することができます。すべてのデータが同じ範囲の変動を共有し、高い相関関係にあるという前提。

Conv2D が果たす役割は、画像内のカラー チャネルを表す数字のように、データの特性を表します。

スカラー データのインポート プロセスも同様ですが、2 次元から 1 次元に縮小するだけで済みます。

特徴マップを備えた 2 つの処理済み平面配列は、処理済みの材料のようなもので、モデルに必要な高密度ネットワーク ディッシュを安全に作成できます。

トレーニングの最適化

準備はすべて整っており、あとは練習するだけです。

研究者たちは、トレーニング関連の操作を容易にするために命令セット操作インターフェースを作成しました。

 ./train.sh

ウィンドウ内のトレーニング エポックとサンプルの数を調整する必要がある場合は、次のコマンドを入力します。

 ./train.sh -e 70 -w 10

トレーニング値と検証値のデータ傾向を比較すると、平均絶対偏差で見ると、両者の差は徐々に縮まり、曲線の傾向は徐々に近づいていることがわかります。

モデルと検証値の間のギャップを狭めるために、研究者はさらなるフィッティングのためにドロップアウト ツールを追加することを選択しました。

さらに、研究者はモデルのハイパーパラメータを調整する必要もあったため、さまざまな設定でグリッド検索を使用しました。

では、これらの設定をどのように追跡すればよいのでしょうか?このとき、Tenserflow2.0 の hparams モジュールが役立ちます。

この一連の操作の後、研究者はフィッティング プロセスで最も重要なパラメーターを比較できます。

正確な予測結果を得るには、「現在のサイクル」と「残りのサイクル数」の両方が 0 より大きいことが必要です。研究者らは出力層の開始メカニズムとしてReLUを使用しました。これにより、トレーニング中のモデルの検索範囲が縮小され、時間が節約されます。

研究者のモデルはCNNに依存しているため、さまざまなコアサイズを試し、最終的に2つの異なる学習率でさまざまな設定の下で現在のループと残りのループのMAE値を比較しました。

△誤差値の比較

△現在のサイクルのMAE値の比較

△残りのサイクルのMAE値の比較

ハイパーパラメータの調整後、数千のトレーニング エポックに基づいて、最適な構成モデルの現在のサイクル MAE は 90、残りのサイクル MAE は 115 になります。完璧ではありませんが、研究者の応用期待に対して非常に良い結果となりました。

打ち上げ予想

実際、曲線からそれがわかります。モデルが最小のギャップを予測するポイントは、トレーニングの終了時ではなく、トレーニングの約 4 分の 3 が経過した時点です。そのため、研究者らは、この分割点にチェックポイントを追加してモデルをリセットし、複数のトレーニングによって生じる偏差を回避しました。

これでモデルは完成しました。次は結果を曲線に変換し、実稼働に移します。

現在のサイクルと残りのサイクルを含めた現在の出力曲線は、おおよそ次のようになります。

これはバッテリーにとってはちょっとした「死刑宣告」ですが、ユーザーにとっては確かに良い改善です。

実際のバッテリー寿命の予測は、元のバッテリー容量に基づいたバッテリー容量の変化の大まかな参考値にすぎません。この評価モデルでは、さまざまな使用環境やユーザーの習慣は考慮されません。

バッテリーサイクルの数は、低温から高温の​​使用環境、24時間プラグを差し込んだ状態から3日間画面のロックを解除しない状態まで、必然的に変化しますが、これは異なるバッテリーバッチ間の製造上の違いを考慮していません。したがって、この漠然とした推定では、バッテリーの実際の寿命を正確に反映することはできません。

このバッテリー寿命予測モデルは、さまざまな環境でのバッテリー寿命に関するデータが豊富になるにつれて、ユーザーにさらに正確な参考情報を提供できるようになります。

少なくとも、携帯電話を交換する時期が来たら通知してくれます。