机器学习帮你预测电池寿命

究中统计的电池循环次数从150到2300，差异巨大。

但是这个过程中的数据不仅只是记数，过程中输入的连贯充电循环可以作为窗口，每个窗口有一个“当前循环数”和“剩余循环次数”。除此之外，每个窗口有一个目标值，这个目标值以最后循环的特征值为准。

在每个电池循环周期中，电池的电压，电流，温度，电荷的动态变化也需要统计。并且还会出现像内阻，电荷量，通电时间等定量数据。

前说过，入选研究的电池，通电循环的次数各不相同。

有的循环多，有的循环少，那跟时间变化相关的数据就不好统一。毕竟循环了几千次电池的电流，不能跟刚用两三次就超龄报废的电池电流做对比。

针对这个问题，研究者首先以放电时电池的电压变化范围代替时间作为变化量的参考基准。

因为电池的电压范围都是一样的，这就有了同步的参考范围。之后插补随电压变化的电荷量和温度值，最后给以电压为基准，划分量程，就能进行完整的数据参照了。

构建模型

虽然数据详细清晰，但是数组和标量数据显然不能简单塞进一个模型里。

研究者利用Keras functional API作为构建模型的工具，对数组数据和标量数据分开导入。

对于数组数据，他们将其与窗口的特征数据，例如窗口大小，长度，特征值数量相结合，形成三维矩阵。

之后在保证窗口的连续性基础上，利用Maxpooling处理，将矩阵分为三个Conv2D函数图层。

通过这个方式便可以提取出有相关性的信息，之后再把上述数据降维成一维数组。在数据都享有同一个变化范围，并且高度相关的前提下。

Conv2D扮演的角色，就像图片中代表颜色通道的数字一样，代表着数据的特征。

标量数据的导入流程也与之类似，不过只需要从二维降到一维就可以了。

经过处理后的两个具有特征映射的平面数组，就像处理好的食材一样，可以放心的做出模型需要的密集网络这盘大菜了。

训练优化

万事俱备，就差练手。

研究者撰写了一个指令集操作界面，从而方便进行训练的相关操作。

（编辑：潍坊站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!