基于可解释 AI 方法的电池剩余有用寿命预测，具决策应用
机器学习
2025-01-31 v2 人工智能
系统与控制
系统与控制
摘要
准确估计电池剩余有用寿命(RUL)对于确定其寿命和充电需求至关重要。在本工作中，我们开发了基于机器学习的模型来预测和分类电池 RUL。我们引入两个层次集成学习(TLE)框架和 CNN+MLP 混合模型进行 RUL 预测，比较其性能与传统、深度和混合机器学习模型的表现。我们的分析评估了各种模型用于预测和分类，同时通过 SHAP Incorporates 可解释性。提出的 TLE 模型在 RMSE、MAE 和 R 平方误差方面 consistently 优于基准模型，显示出其卓越的预测能力。此外，XGBoost 分类器实现了惊人的 99% 分类准确率，通过交叉验证技术进行验证。这些模型有效地预测继电器式充电触发器，实现自动化和高效的充电过程。这种自动化减少了能源消耗并通过优化充电循环来提高电池性能。SHAP 可解释性分析突出了循环索引和充电参数作为影响 RUL 最关键的因素。为提高可访问性，我们开发了一个基于 Tkinter 的 GUI，允许用户输入新数据并实时预测 RUL。这个实用解决方案通过数据驱动决策支持可持续电池管理，促进了高效和创新的电池寿命预测。
引用
@article{arxiv.2409.17931,
title = {Remaining Useful Life Prediction for Batteries Utilizing an Explainable AI Approach with a Predictive Application for Decision-Making},
author = {Biplov Paneru and Bipul Thapa and Durga Prasad Mainali and Bishwash Paneru and Krishna Bikram Shah},
journal= {arXiv preprint arXiv:2409.17931},
year = {2025}
}