Deploying machine learning for remaining useful life prediction of lithium-ion batteries on Coral Dev Board
Dit artikel evalueert en vergelijkt de prestaties van Random Forest, XGBoost en Temporal Convolutional Network-modellen voor het voorspellen van de resterende levensduur van lithium-ionbatterijen, waarbij de praktische inzetbaarheid en effectiviteit ervan op de Coral Dev Board voor preventief onderhoud in elektrische voertuigen wordt aangetoond.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elektrische voertuigen en hernieuwbare energieopslagsystemen zijn sterk afhankelijk van één enkele, cruciale component: de lithium-ion batterij. Deze energiebronnen zijn niet oneindig; net als elk mechanisch onderdeel slijten ze in de loop van de tijd, waardoor ze het vermogen verliezen om een volledige lading vast te houden. Om deze systemen veilig en efficiënt te laten functioneren, moeten ingenieurs precies weten hoeveel leven er nog in een batterij zit voordat deze faalt. Dit concept staat bekend als de "resterende bruikbare levensduur" (remaining useful life). Dit is iets anders dan simpelweg controleren hoeveel lading er op een specifiek moment aanwezig is; het is in plaats daarvan een voorspelling van hoeveel laadcycli een batterij nog kan doorstaan voordat de capaciteit onder een bruikbare limiet daalt. Het voorspellen van deze levensduur is moeilijk omdat batterijen op complexe, niet-lineaire manieren degraderen die afhangen van temperatuur, laadsnelheid en gebruikshistorie. Zonder nauwkeurige voorspellingen lopen gebruikers het risico op plotselinge defecten, terwijl fabrikanten batterijen te vroeg kunnen vervangen, wat middelen verspilt.
Een team van onderzoekers van de Nationale Engineering School van Tunis en Enterprise Estonia heeft deze uitdaging aangepakt door te testen of geavanceerde computerprogramma's de batterijduur direct op kleine, draagbare apparaten kunnen voorspellen. Ze concentreerden zich op drie verschillende soorten machine learning-algoritmen — computersystemen die leren van data in plaats van strikte, vooraf geschreven regels te volgen. De eerste, genaamd Random Forest, werkt als een commissie van besluitvormers, waarbij elke besluitvormer een gok doet en vervolgens het resultaat middelt. De tweede, XGBoost, bouwt een reeks modellen waarbij elk nieuw model probeert de fouten van het vorige te corrigeren. Het derde, een Temporal Convolutional Network, is specifiek ontworpen om patronen te begrijpen die zich in de loop van de tijd ontvouwen, zoals de langzame afname van de gezondheid van een batterij. De onderzoekers wilden zien welke van deze methoden het beste was in het voorspellen van de batterijduur en, cruciaal, of ze efficiënt konden draaien op een stuk hardware genaamd de Coral Dev Board. Deze board is een kleine computer uitgerust met een gespecialiseerde chip die ontworpen is om kunstmatige intelligentie-modellen snel en met zeer weinig stroom te draaien, wat het ideaal maakt voor gebruik in voertuigen of afgelegen apparatuur waar cloud computing geen optie is.
Om deze computermodellen te trainen, gebruikte het team echte data verzameld van twintig elektrische voertuigen over een periode van negenentwintig maanden. Al deze auto's waren van hetzelfde model en waren uitgerust met lithium-ion batterijpakketten die continu werden gemonitord. De data registreerde elk detail van het laadproces, inclusione van de spanning, de stroom die in de batterij vloeit, de temperatuur van de cellen en de totale beschikbare capaciteit. Omdat de ruwe data van sensoren vaak gaten of fouten bevat, hebben de onderzoekers de informatie eerst schoongemaakt en gladgestreken, waarbij ze ontbrekende waarden hebben ingevuld en ruis hebben verwijderd om een helder beeld te creëren van hoe de batterijen verouderden. Vervolgens berekenden ze de resterende bruikbare levensduur voor elk datapunt, waardoor een doelstelling ontstond waar de computermodellen van konden leren. De dataset werd gesplitst zodat de modellen tachtig procent van de data konden leren en vervolgens werden getest op de resterende twintig procent om te zien hoe goed ze presteerden op nieuwe, ongeziene informatie.
De onderzoekers implementeerden alle drie de algoritmen op de Coral Dev Board om niet alleen hun nauwkeurigheid, maar ook hun energieverbruik en snelheid te meten. De resultaten toonden een duidelijke afruil tussen complexiteit en prestaties. Het Temporal Convolutional Network, ondanks dat het ontworpen is voor tijdsgebonden data, had moeite met het generaliseren van zijn bevindingen. Hoewel het zeer lage foutmarges produceerde voor specifieke kortetermijnvoorspellingen, was de algehele capaciteit om de algemene trend van batterijdegradatie te voorspellen slecht, wat resulteerde in een score die aangaf dat het niet beter presteerde dan een willekeurige gok voor de bredere dataset. Het verbruikte ook de minste energie, maar de inconsistentie maakte het onbetrouwbaar voor deze specifieke taak. Het Random Forest-algoritme, dat bekend staat om zijn vermogen om uit te leggen welke factoren het belangrijkst zijn, presteerde beter dan het deep learning-netwerk, maar bleef nog steeds achter qua nauwkeurigheid. Het vereiste ook de meeste energie om te draaien, waardoor het minder geschikt is voor batterijgestuurde edge-apparaten.
De uitschieter was het XGBoost-algoritme. Deze methode bereikte de hoogste algehele nauwkeurigheid en voorspelde de resterende levensduur van de batterijen met de kleinste gemiddelde fout. Het bracht hoge precisie in balans met een gemiddeld energieverbruik, waarbij het aanzienlijk minder stroom verbruikte dan het Random Forest-model, terwijl het een sterk vermogen behield om de complexe, niet-lineaire patronen van batterijveroudering te detecteren. De onderzoekers vonden dat dit algoritme bijzonder effectief was in het afhandelen van de rommelige, echte data van de elektrische voertuigen zonder de zware computationele middelen van een grote server nodig te hebben. Door dit model succesvol op de Coral Dev Board te draaien, toonde het team aan dat geavanceerd preventief onderhoud mogelijk is direct op het apparaat zelf. Dit betekent dat elektrische voertuigen in de toekomst potentieel hun eigen batterijgezondheid in realtime kunnen monitoren en bestuurders kunnen waarschuwen voor onderhoudsbehoeften voordat er een defect optreedt, allemaal zonder gegevens naar een verre cloud te hoeven sturen. De studie concludeert dat hoewel deep learning-netwerken veelbelovend zijn, eenvoudigere, goed afgestelde algoritmen zoals XGBoost momenteel de meest praktische en betrouwbare keuze zijn voor het implementeren van batterijgezondheidsmonitoring op kleine, energiezuinige hardware.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.