Deploying machine learning for remaining useful life prediction of lithium-ion batteries on Coral Dev Board
本文评估并比较了随机森林、XGBoost 和时间卷积网络模型在预测锂离子电池剩余使用寿命方面的性能，展示了它们在 Coral Dev Board 上的实际部署及其在电动汽车预测性维护中的有效性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
电动汽车和可再生能源存储系统高度依赖于一个关键的单一组件：锂离子电池。这些动力源并非无穷无尽；就像任何机械零件一样，它们会随着时间的推移而损耗，逐渐失去充满电的能力。为了让这些系统安全且高效地运行，工程师需要准确了解电池在失效前还剩多少寿命。这个概念被称为“剩余使用寿命”。它不同于仅仅检查某一时刻剩余的电量；相反，它是对电池在容量降至可用限值以下之前还能承受多少次充电循环的一种预测。预测这种寿命非常困难，因为电池的退化过程具有复杂的非线性特征，并取决于温度、充电速度和使用历史。如果没有准确的预测，用户可能会面临突然失效的风险，而制造商可能会过早更换电池，从而造成资源浪费。
来自突尼斯国家工程学院和爱沙尼亚企业的研究团队致力于解决这一挑战，他们测试了先进的计算机程序是否可以直接在小型便携式设备上预测电池寿命。他们专注于三种不同的机器学习算法——即通过从数据中学习而非遵循僵化、预设规则的计算机系统。第一种被称为“随机森林”（Random Forest），它的工作原理就像一个决策委员会，每个成员做出一个猜测，然后取其平均值。第二种是“XGBoost”，它构建了一系列模型，其中每一个新模型都试图纠正前一个模型的错误。第三种是“时间卷积网络”（Temporal Convolutional Network），它是专门为理解随时间展开的模式（例如电池健康的缓慢下降）而设计的。研究人员想要观察哪种方法最擅长预测电池寿命，并且至关重要的是，这些方法是否能在名为“Coral Dev Board”的硬件上高效运行。该开发板是一种配备了专门芯片的小型计算机，旨在快速运行人工智能模型且消耗极低的功率，这使其成为车辆内部或无法使用云计算的远程设备中的理想选择。
为了训练这些计算机模型，研究团队使用了从二十辆电动汽车中收集的真实世界数据，监测时间跨度为二十九个月。这些车均为同一型号，配备了受持续监测的锂离子电池组。数据记录了充电过程的每一个细节，包括电压、流入电池的电流、电池单元的温度以及总可用容量。由于传感器产生的原始数据通常包含缺失或错误，研究人员首先对信息进行了清洗和平滑处理，填补了缺失值并去除了噪声，从而清晰地呈现了电池老化的全貌。随后，他们计算了每个数据点的剩余使用寿命，将其作为计算机模型学习的目标。数据集被拆分，使模型可以从 80% 的数据中学习，然后在剩余 20% 的数据上进行测试，以观察它们在面对新的、未见过的信息时的表现如何。
研究人员将所有三种算法部署到 Coral Dev Board 上，不仅测量它们的准确性，还测量了它们的能耗和速度。结果显示，复杂性与性能之间存在明显的权衡。尽管时间卷积网络是为基于时间的数据而设计的，但它在泛化其发现方面表现挣扎。虽然它在特定的短期预测中产生了极低的误差率，但其预测电池退化总体趋势的能力却很差，导致其得分表明在更广泛的数据集上，其表现并不比随机猜测好。它也消耗了最少的能量，但其不稳定性使其无法胜任这项特定任务。以能够解释哪些因素最重要的能力而闻名的随机森林算法，表现优于深度学习网络，但在准确性方面仍显落后。它运行所需的能量也最多，因此不太适合电池供电的边缘设备。
表现最突出的则是 XGBoost 算法。这种方法实现了最高的整体准确度，能够以最小的平均误差正确预测电池的剩余寿命。它在高度精确与中等能耗之间取得了平衡，消耗的功率明显低于随机森林模型，同时保持了检测电池老化复杂非线性模式的强大能力。研究人员发现，该算法特别擅长处理来自电动汽车的杂乱现实世界数据，而无需大型服务器那样的重型计算资源。通过在 Coral Dev Board 上成功运行该模型，团队证明了在设备端直接进行复杂的预测性维护是可能的。这意味着在未来，电动汽车有可能直接监测自身的电池健康状况，在故障发生前提醒驾驶员进行维护，而无需将数据发送到遥远的云端。研究结论指出，虽然深度学习网络展现出了潜力，但像 XGBoost 这样经过良好调优的较简单算法，目前是将在小型、高能效硬件上部署电池健康监测的最实用且可靠的选择。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。