Detaillierte Darstellung des Vorhersagemodells „AccuCell Prodigy“ zur Schätzung der verbleibenden Nutzungsdauer von Lithium-Ionen-Batterien

Vorhersage der Restlebensdauer von Lithium-Ionen-Batterien mit AccuCell Prodigy

In der heutigen Welt, in der tragbare Elektronik und elektrische Fahrzeuge immer mehr an Bedeutung gewinnen, spielt die Lebensdauer von Lithium-Ionen-Batterien eine entscheidende Rolle. Um die Effizienz und Zuverlässigkeit dieser Batterien zu verbessern, wird ein innovatives prädiktives Modell namens AccuCell Prodigy vorgestellt. Dieses Modell nutzt Auto-Encoders und LSTM-Schichten (Long Short-Term Memory), um die Genauigkeit der Vorhersage der verbleibenden Nutzungsdauer (RUL) erheblich zu steigern.

Das Modell AccuCell Prodigy

Der Name „Prodigy“ steht für die außergewöhnlichen prädiktiven Fähigkeiten des Modells, während „AccuCell“ für seine Präzision bei der Schätzung der Batterielebensdauer steht. Der erste Schritt unserer Forschung umfasste die Datenvorbereitung, wobei wir einen Datensatz mit Merkmalen zu den Betriebsbedingungen und der Leistung von Lithium-Ionen-Batterien verwendeten. Dieser Datensatz wurde in zwei Teile unterteilt: Merkmale (X) und Proxy-RUL-Labels (y). Um die Leistung unseres Modells zu bewerten, teilten wir die Daten im Verhältnis 80-20 in Trainings- und Testdatensätze auf. So konnten wir das Modell auf einem Teil der Daten trainieren und seine Leistung an bisher ungesehenen Daten evaluieren.

Abbildung 2: Workflow der Forschung

Datenquellen

Der verwendete Datensatz stammt von drei verschiedenen Zellen und wurde von Dr. A. R. Kashif von der Abteilung Elektrotechnik der University of Engineering and Technology (UET) Lahore bereitgestellt. Die Daten basieren auf umfangreichen Experimenten, die von Areeb, einem Doktoranden unter Dr. Kashif, durchgeführt wurden. Dies führte zu 22 Variationen der Parameter. Zudem stammte ein Teil der Zellen aus der Millat-Fabrik in Pakistan.

Datenvorbereitung

In der Datenvorbereitung wurden zunächst irrelevante Spalten wie Herstellerinformationen und Zeitstempel entfernt. Fehlende Werte wurden mithilfe der Mittelwert-Imputation behandelt. Der Datensatz wurde anschließend mit MinMaxScaler normalisiert, um die Daten in den Bereich zwischen 0 und 1 zu skalieren.

Merkmalextraktion

Die Merkmalextraktion erfolgt über ein Auto-Encoder-Neuronales Netzwerk, das speziell zur Dimensionsreduktion des Eingabedatensatzes entwickelt wurde. Die Kodierungsschichten verwenden ReLU-Aktivierungsfunktionen, um die Dimension des Merkmalsraums zu reduzieren, während wichtige Informationen erhalten bleiben. Die komprimierte Darstellung dieser Encoder-Schichten dient der weiteren Verarbeitung und Vorhersage.

Modellarchitektur

Die Architektur des Modells besteht aus mehreren Schichten, darunter eine dicht verbundene Schicht mit 128 Einheiten und ReLU-Aktivierung, gefolgt von zwei LSTM-Schichten zur Erfassung zeitlicher Muster. Der letzte Schritt ist die dichte Ausgabeschicht, die mit einer Sigmoid-Aktivierungsfunktion arbeitet.

Abbildung 3: Modellarchitektur zur Restlaufzeitvorhersage

Modellbewertung

Zur Bewertung der Modellleistung verwenden wir den MAE (Mean Absolute Error) als Metrik. Dieser misst den durchschnittlichen absoluten Unterschied zwischen den vorhergesagten und den tatsächlichen RUL-Werten und bietet eine klare Einschätzung der Vorhersagegenauigkeit. Ein separater Validierungsdatensatz wird eingesetzt, um die Generalisierungsfähigkeit des Modells unter realistischen Bedingungen zu überprüfen.

Fazit

Insgesamt führt dieses umfassende Modell zur Vorhersage der Restlebensdauer von Lithium-Ionen-Batterien zu bedeutenden Fortschritten in der Batterietechnologie und der prädiktiven Wartung. Mit der Integration von tiefem Lernen und innovativen Datenverarbeitungsmethoden kann AccuCell Prodigy nicht nur die Vorhersagegenauigkeit verbessern, sondern auch zur effizienten Nutzung von Batterien in verschiedenen Anwendungen beitragen.

Möchten Sie mehr über AccuCell Prodigy erfahren oder wie es die Technologie der Lithium-Ionen-Batterien revolutionieren könnte? Bleiben Sie dran für aktualisierte Informationen und Entwicklungen!