gudnimg / mynstursgreining-lokaverkefni

Áætla líftíma rafhlaðna

Mynstursgreining Lokaverkefni

Áætla líftíma rafhlaðna

Þetta verkefni byggist að miklum hluta á eftirfarandi tveimur greinum:

• Towards Data Science: Predicting Battery Lifetime with CNNs
• Nature: Data-driven prediction of battery cycle life before capacity degradation

Gögn (8GB): https://data.matr.io/1/projects/5c48dd2bc625d700019f3204

Github síðan þeirra: https://github.com/rdbraatz/data-driven-prediction-of-battery-cycle-life-before-capacity-degradation

Github síðan frá þeim sem skrifuðu Towards Data Science greinina: https://github.com/dsr-18/long-live-the-battery

Notum (líklegast):

• Keras: https://keras.io/datasets/
• Tensorflow 2: https://blog.tensorflow.org/

Keras og Tensorflow 2 leyfa eins og er bara Python 3.7 (ég nota 3.7.6, en t.d. 3.8.2 virkar ekki)

Uppsetning

• Tensorflow: Tensorboard
• Tensorflow: Hyperparameter tuning with HParams
• tf.data: Build TensorFlow input pipelines

Skilningur á gögnum

Nefna hérna hverskonar gögn eru inn í mælingum. Hvernig er þeim skipt upp.

Hver rafhlaða er tæmd og hlöðuð þangað til að rýmdin hefur minnkað niður í 80% miðað við upphaflegu rýmd.

Forvinnsla

Meðhöndlun gagna

Tekið úr towards data science greininni.

1. Take the voltage range during discharging as the reference instead of time! For this cell model, 3.6V and 2.0V always correspond to fully charged and discharged. This range stays constant, even when time doesn’t.
2. Interpolate charge and temperature over voltage.
3. Resample charge and temperature at 1000 equidistant voltage steps.

Gögn eftir forvinnslu

Set up the framework

tf.Keras using the functional API.

Þróa líkanið

Hérna setum við upp földunarnetið og skilgreinum vel hvernig við förum að því.

Höfundurinn hjá Towards Data Science notar hugtakið window mikið hérna. Hvað er window?:

we took multiple consecutive charging cycles as input. These groups of cycles we call windows.

Gögnin eru skipt í tvo hluta. Array features og Scalar features.

Array features:

1. window size, length, number of features
2. Þessu er hent inn í 3 Conv2D lög með Max Pooling.
3. Síðan er útkoman Flattened í 1D fylki.

Scalar features:

1. window size, number of features
2. 2 Conv1D lög með einu Max pooling lagi í endan.
3. Síðan er útkoman Flattened í 1D fylki.

Þegar það er búið að fletja bæði, þá getum við sameinað gögnin og gert eitthvað með þau.

• Hvað er max pooling?: https://computersciencewiki.org/index.php/Max-pooling_/_Pooling

Train and tune the model

Hérna notar Toward Data Science Google Cloud en ég held að það sé of dýrt fyrir okkur. Það þarf aðra lausn.

Google Colab

• Hægt að nota með Github.
• Getum keyrt notebooks í gegnum vefsíðuna.
• Getum sett stór gögn á síðuna.
• Google hefur hraðari tölvur.
• Þjónustan er frí.