電池壽命的確定，是移動硬件發(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玄學(xué)。

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

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)。

簡單來說，從完全充滿電到完全放光電是一個循環(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，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。

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

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

之前說過，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廢的電池電流做對比。

針對這個問題，研究者首先以放電時電池的電壓變化范圍代替時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)顯然不能簡單塞進(jìn)一個模型里。

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

對于數(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Conv2D函數(shù)圖層。

通過這個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，不過只需要從二維降到一維就可以了。

經(jīng)過處理后的兩個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)這盤大菜了。

訓(xùn)練優(yōu)化

萬事俱備，就差練手。

研究者撰寫了一個指令集操作界面，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，只需要輸入這個指令：

./train.sh -e 70 -w 10 

將訓(xùn)練值和驗(yàn)證值的數(shù)據(jù)趨勢對比可以看出，在平均絕對偏差方面，二者的差距在逐步縮小，曲線走勢也在逐步接近。

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

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

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

由于準(zhǔn)確預(yù)測結(jié)果要求“當(dāng)前循環(huán)”和“剩余循環(huán)數(shù)”都要大于零。研究者使用了ReLU作為輸出層的啟動機(jī)制，這可以降低訓(xùn)練過程中模型的搜索范圍，節(jié)約時間。

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。

△誤差值對比

△當(dāng)前循環(huán)的MAE值對比

△剩余循環(huán)的MAE值對比

經(jīng)過超參數(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。雖說不算完美，不過對于研究者的應(yīng)用方面預(yù)期來說，這個結(jié)果很不錯。

預(yù)測上線

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

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。

雖說對電池來說這有點(diǎn)“大限將至”的味道，但是對于用戶而言，這確實(shí)是一個不錯的進(jìn)步。

現(xiàn)實(shí)的電池壽命預(yù)測，只是在原有電池容量的基礎(chǔ)上對電池容量的變化進(jìn)行大致參考。這樣的評估模式，并沒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小時插充電線到三天不開屏幕鎖，電池的循環(huán)次數(shù)必然會產(chǎn)生差異，這還沒有考慮不同批次電池的制造差異。因此這種模糊的估測并不能準(zhǔn)確的表達(dá)電池的真正壽命。

而這個電池壽命預(yù)測模型，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更為精準(zhǔn)的使用參考。

至少它能提醒你，啥時候該換手機(jī)了。