В этом посте я рассматриваю недавно опубликованную статью Онлайн-оценка емкости литий-ионных аккумуляторов с глубокими сетями долговременной кратковременной памяти Ли, Сенгупта, Дечент, Хоуи, Аннасвами и Зауэр.
Примечание: этот обзор был полностью переработан на основе комментариев Вейхана Ли, автора статьи. Спасибо ему за то, что помог исправить мое понимание.
Резюме: модель LSTM-RNN была обучена для оценки оставшейся (деградировавшей) емкости ячейки, используя в качестве входных данных только показания напряжения с временными метками во время циклов зарядки.
Обещание статьи состоит в том, чтобы сделать оценку проще. Авторы достигают этого: они используют абсолютно минимальные входные данные для модели и не требуют никаких вычислений перед подачей этих входных данных в модель LSTM-RNN.
После цикла нескольких ячеек при оценке их емкости, вот лучшие и худшие результаты (слева направо):
Примечание: резкие скачки оценочной мощности на приведенных выше графиках не являются случайными дефектами модели оценки. Скачки обусловлены фактическим восстановлением клеточной емкости в состоянии покоя (в данном случае во время клеточных характеристик). Сглаженные эталонные линии на диаграммах представляют собой не фактические емкости ячеек, а интерполяцию емкостей ячеек, измеренных во время событий характеристики. Следовательно, фактическая ошибка модели LSTM составляет меньше, чем показано на нижних диаграммах.
Модель LSTM была обучена с функцией потерь средней средней ошибки (MAE) по отношению к «эталону». Из-за этого мы видим, что модель завышает емкость в точках характеристики (единственных точках, где «Эталон» является фактической емкостью), чтобы минимизировать MAE в течение вся история. Модель дала бы еще лучшие результаты, если бы ее обучали на более достоверном эталоне мощности, который имел бы разрывы в точках характеристики, например:
Модель, использующая только сигнал напряжения, не может идентифицировать и исправить смещение датчика.
Обратите внимание, что оценка ячейки с наихудшими показателями последовательно занижает оставшуюся емкость:
Это может быть связано с необъективными данными датчиков или с тем, что худшая ячейка имела заметно более высокое внутреннее сопротивление, чем другие ячейки в обучающей выборке. Теоретически модель LSTM могла бы узнать о ячейках с разным внутренним сопротивлением, чтобы лучше оценить их емкость (хотя было бы намного проще сделать это, если бы мы подавали внутреннее сопротивление в модель LSTM в качестве отдельного входа). Однако у модели нет абсолютно никаких средств для обнаружения смещения измерения напряжения, потому что это единственный вход датчика, который она получает.
Авторы использовали только напряжение в качестве входных данных для модели, потому что они циклировали ячейку при постоянном токе.
В реальных приложениях (или дальнейших исследованиях) было бы интересно обучить нейронную сеть измерениям напряжения, тока и температуры, узнать, как смещения датчика выглядят и соотносятся с другими измерениями, а также сделать беспристрастное состояние здоровья. оценки из предвзятых входных данных полностью сами по себе. Возможно, мы сможем интегрировать эту идею с стохастической оценкой параметров ячейки, основанной на модели электрической ячейки.
Нет корреляции между начальной емкостью ячейки и будущим сроком службы.
Это интересное наблюдение, сделанное авторами, когда они зацикливали ячейки, чтобы получить данные для своей модели LSTM:
Этот обзор изначально был опубликован на Substack. Подпишитесь здесь.
