Blog

Термін служби акумулятора

Цю інформацію було отримано з технічного посібника Panasonic Sealed Lead Acid Batteries Technical Handbook, 1998-1999 рр. Вона стосується більшості герметичних свинцево-кислотних акумуляторів.

Термін служби акумулятора – це кількість циклів заряду, розряду або відпочинку, які може забезпечити елемент або батарея. Цикл термін служби зазвичай виражається кількістю циклів, доступних до того, як тривалість розряду зменшиться до половини початкового значення.

Тривалість циклу акумулятора залежить від глибини розряду в кожному циклі. Чим глибший розряд, тим коротший термін служби акумулятора цикл термін служби (менша кількість циклів), забезпечуючи той самий розрядний струм. Термін служби (кількість циклів) акумулятора також пов’язаний з такими факторами, як тип акумулятор, спосіб заряджання, температура навколишнього середовища та період відпочинку між заряджанням і розряджанням. Типові характеристики циклічного ресурсу акумуляторної батареї при різних умовах заряду/розряду наведені на рисунках. Ці дані є типовими і перевірені в добре обладнаній лабораторії. Час циклу відрізняється для кожної моделі акумулятора. Цикл час також може відрізнятися від цих даних при використанні батарей в реальних умовах.

Термін служби акумулятора

Термін служби акумулятора при проточному використанні. Зазвичай під струменевим ресурсом розуміють виражене в роках час до настання розрядного часу акумулятора батарея зменшується до половини від початкового значення.

Термін служби акумулятора батарея багато в чому залежить від температурного режиму обладнання, в якому знаходиться акумулятор використовується, а також пов’язаний з типом акумулятор, напруга заряду і струм розряду.

Витяг Батарея Вимірювання розряду

Оскільки всі батареї мають різну політику заряджання, але однаковий діапазон розрядної напруги, у цьому прикладі ви використовуєте лише розрядні частини сигналів. Витягніть вимірювання, що відповідають частині циклу розряду, за допомогою допоміжної функції hExtractDischargeData. Виводимо дані розряду для першого зразка цикл першої батареї.

dischargeData = hExtractDischargeData(batteryDischargeData); batteryMeasurements = table(dischargeData.Vd,dischargeData.Td. dischargeData.QdClipped); stackedplot(batteryMeasurements, Title,Measurements over one цикл. DisplayLabels, [Voltage(V),Temperature(C),DischargeCapacity(Ah)] (Напруга(V),Температура(C),Ємність(Ah)]. Xlabel, Індекс зразка);

Оскільки батареї у цьому наборі даних тестуються з різними політиками заряджання, деякі цикли завершуються швидше, ніж інші. Тому час циклу не можна використовувати для порівняння заряду та температури між батареями. Діапазон напруги використовується як еталон замість часу, оскільки час розряду змінюється залежно від підключеного навантаження та стану акумуляторів. Вимірювання заряду і температури потім інтерполюються в цьому діапазоні напруг. Використовуйте функцію hLinearInterpolation для інтерполяції вимірювань напруги, температури і розрядної ємності на рівномірно відібраний 900-точковий діапазон напруги між 3.6В і 2В. Інтерпольовані дані повертаються у вигляді масиву 30×30 для кожного вимірювання, щоб сформувати двовимірне представлення для кожного циклу розряду акумулятора. Зауважте, що перетворення вектора 900х1 на матрицю 30х30 призводить до того, що згорткова мережа шукає просторовий зв’язок між кожним стовпчиком матриці. У цьому прикладі припускається, що такий зв’язок може існувати між різними циклами, і робиться спроба використати його, якщо він є. На зображенні нижче показано дані про температуру та напругу для одного циклу комірки, інтерпольованої до 900 точок, а потім перетвореної у форму 30×30. У 2D представленні вимірювання кожного циклу перетворює вимірювання датчика у формат зображення для шарів CNN.

[VInterpol,TInterpol,QdInterpol] = hLinearInterpolation(dischargeData);

Побудуйте графік інтерпольованої температури та розрядної ємності як функції напруги.

figure yyaxis left plot(reshape(VInterpol, 900, 1),reshape(TInterpol,900,1)) title(‘Вимірювання як функція напруги’) ylabel(‘Температура’) xlabel(‘Напруга’) yyaxis right plot(reshape(VInterpol,900,1),reshape(QdInterpol,900,1)) ylabel(‘Розрядна ємність’)

Для шарів 2D-згортки нейронної мережі в глибокій мережі матриця 30×30 інтерпольованої напруги, ємності розряду і температури перетворюється на матрицю 30x30x3 для кожного циклу. Це схоже на RGB-канали зображення. Для мінімізації діапазону передбачуваних циклів, що залишилися, очікуваний вихідний сигнал нормалізується шляхом ділення на 2000 (максимальний термін служби акумулятора в даних). Дані з 30 батарей використовуються для навчання, 5 батарей для валідації та 5 батарей для тестування глибокої нейронної мережі. Використовуйте допоміжну функцію hreshapeData для створення набору даних 30x30x3 для кожного циклу. Ця функція виводить дані вимірювань (trainData) і дані правил (trainRulData) для використання в якості міток для кожного випадку.

testBatteryIndex = 2:8:40; valBatteryIndex = 1:8:40; trainBatteryIndex = setdiff(1:40,[2:8:40 1:8:40]); [trainData,trainRulData] = hreshapeData(VInterpol(trainBatteryIndex). TInterpol(trainBatteryIndex),QdInterpol(trainBatteryIndex)); [valData,ValRulData] = hreshapeData(VInterpol(valBatteryIndex). TInterpol(valBatteryIndex),QdInterpol(valBatteryIndex)); [testData,testRulData] = hreshapeData(VInterpol(testBatteryIndex). TInterpol(testBatteryIndex),QdInterpol(testBatteryIndex)); fprintf(‘Size of reshape ma

Визначення архітектури мережі

Визначення архітектури згорткової нейронної мережі включає вибір типів шарів, вибір кількості шарів та налаштування гіперпараметрів до досягнення задовільної продуктивності на тестових даних. У цьому розділі вказуються типи шарів та їхня кількість. Щоб створити структуру глибокої нейронної мережі, визначте набір послідовних шарів мережі. Використовуйте структуру мережі з наступними шарами:

• Шар вхідного зображення – розглядає дані про напругу, ємність розряду та температуру як три кольорові канали вхідного зображення та нормалізує вимірювання до діапазону [0,1].
• 2D згорточні шари – кожен з цих шарів застосовує ковзаючі згорточні фільтри до вхідного зображення. У цьому прикладі використовується чотири приховані згорточні шари. Така кількість шарів, підібрана методом проб і помилок, дає найкращий результат при розумному часі навчання.
• Шари пакетної нормалізації – за кожним згортковим шаром слідує шар пакетної нормалізації, що прискорює навчання мережі та зменшує чутливість до ініціалізації мережі.
• Шари ReLU – за кожним шаром пакетної нормалізації слідує нелінійна функція активації, яка виконує порогову операцію з кожним елементом вхідних даних.
• Об’єднувальні шари – за першими двома шарами пакетного ReLU слідують об’єднувальні шари, які зменшують розмір карти ознак і видаляють надлишкову інформацію, що зменшує кількість параметрів, які потрібно вивчити в наступних шарах.
• Шар відсіву – за кінцевим шаром ReLU слідує шар відсіву, який допомагає зменшити надмірне використання в мережі.
• Повнозв’язний шар – за шаром відсіву слідує повнозв’язний шар, який об’єднує всі вивчені ознаки в єдиний вхід для шару регресії.
• Регресійний шар – оскільки оцінка залишкового терміну експлуатації є регресійною задачею, кінцевим вихідним шаром мережі є регресійний шар.

layers = [ imageInputLayer([30 30 3],Normalization,rescale-zero-one) convolution2dLayer(3,8,Padding,same) batchNormalizationLayer reluLayer maxPooling2dLayer(2,Stride,2) convolution2dLayer(3,16,Padding,same) batchNormalizationLayer reluLayer averagePooling2dLayer(2, ‘Stride’,2) convolution2dLayer(3,32,’Padding’,’same’) batchNormalizationLayer reluLayer convolution2dLayer(3,32,’Padding’,’same’) batchNormalizationLayer reluLayer convolution2dLayer(3,32,’Padding’,’same’) batchNormalizationLayer reluLayer dropoutLayer(0.5) fullyConnectedLayer(1) regressionLayer]; figure plot(layerGraph(layers))

Визначте гіперпараметри мережі та навчіть мережу

У цьому розділі визначте гіперпараметри для мережі, зазначені в попередньому розділі. Вибір гіперпараметрів, таких як швидкість навчання або розмір партії, зазвичай відбувається шляхом проб і помилок з метою знайти найкращий набір для обраної мережі та набору даних для досягнення задовільної продуктивності від мережі.

Для цього прикладу використовуйте оптимізатор Adam (адаптивне оцінювання моментів), який має швидкий час обчислень і небагато параметрів для налаштування. Налаштуйте вирішувач на:

• Використовуйте розмір міні-партії 256 спостережень.
• Провести навчання на всьому наборі даних 50 разів, що дорівнює кількості епох навчання.
• Перетасуйте набір даних перед кожною епохою, щоб покращити збіжність.
• Використовуйте швидкість навчання 0.001, який досягає хорошого балансу між збіжністю та перерегулюванням.
• Періодично перевіряйте мережу, щоб визначити, коли мережа надмірно підлаштовується під навчальні дані.

Для отримання додаткової інформації про параметри навчання для розв’язувача Адама дивіться TrainingOptionsADAM. Гіперпараметри навчання, що використовуються у цьому прикладі, були обрані на основі експериментів методом проб і помилок. Ви можете налаштувати параметри для подальшого покращення навчання.

miniBatchSize = 256; validationFrequency = 10floor(numel(trainRulData)/miniBatchSize); options = trainingOptions(adam. MaxEpochs,100. MiniBatchSize,miniBatchSize. Plots,training-progress. Багатослівний, фальшивий. Shuffle,every-epoch. InitialLearnRate,0.001. OutputNetwork,best-validation-loss. ValidationData. ValidationFrequency,validationFrequency. ValidationPatience,10. ResetInputNormalization,false); rng(default) batteryNet = trainNetwork(trainData, trainRulData,layers,options);

Оцініть продуктивність навченої моделі

Використовуйте навчену модель для прогнозування залишкової тривалості циклу для testData. Значення мають бути перемасштабовані назад до початкового діапазону RUL, щоб полегшити візуалізацію продуктивності.

yPredTest = predict(batteryNet,testData)2000; testRulScaled = testRulData2000;

Порівняйте фактичний термін служби з прогнозованим цикл термін служби з використанням діаграми розсіювання.

figure; scatter(testRulScaled,yPredTest) hold on; refline(1,0); title(Predicted vs Actual Цикл Life) ylabel(Прогнозований термін служби); xlabel(Фактичний термін служби);

В ідеалі, діаграма розсіювання повинна мати всі точки даних уздовж діагоналі з вузьким довірчим інтервалом. Однак у цьому прикладі спостерігається ширший розкид і різна поведінка для різних діапазонів значень на діаграмі розсіювання. На діаграмі розсіювання є п’ять чітких трендів, по одному для кожного батарея у тестових даних.

Для п’яти батарей, коли фактичний термін служби невеликий, модель добре прогнозує залишковий термін служби. Цей результат означає, що в міру наближення до кінця терміну служби акумулятора модель добре прогнозує залишкову тривалість циклу.

Однак на початку терміну служби батареї, коли фактичний термін служби більший, модель має більшу невизначеність. Модель також, здається, загалом переоцінює залишковий циклу час життя протягом початкового періоду a батареї‘s life. Щоб покращити ці характеристики моделі, ви можете навчати мережу на багатших і більших наборах даних та експериментувати з архітектурою глибокої нейронної мережі та її гіперпараметрами.

Обчисліть середньоквадратичну похибку (RMSE) та середню відсоткову похибку прогнозованого залишкового ресурсу.

errTest = (yPredTest-testRulScaled); rmseTestModel = sqrt(mean(errTest.^2))
rmseTestModel = single 65.2403
n = numel(testRulScaled); nr = abs(testRulScaled). yPredTest); errVal = (1/n)sum(nr./testRulScaled)100

Ці показники продуктивності відносно близькі до їх еквівалентних значень, коли використовується лінійна регресійна модель з регуляризацією з користувацькими функціями для оцінки залишкового ресурсу, як показано в статті Прогнозування ресурсу батареї на основі початкових даних експлуатації (Predictive Maintenance Toolbox). Зверніть увагу, що в прикладі на основі машинного навчання для оцінки залишкового ресурсу використовуються дані лише перших 100 циклів, тоді як у цьому прикладі можна використовувати дані будь-якого циклу. Цей результат вказує на те, що залежно від програми та системних вимог, для оцінки залишкового ресурсу батарей можна використовувати або машинне навчання, або підхід на основі глибокого навчання.

Після налаштування моделі на потрібний рівень продуктивності ви можете використовувати її для оцінки залишкового ресурсу батарей, що використовуються. Щоб розгорнути навчену мережу на вбудованому обладнанні, згенеруйте код C/C, GPU або HDL. Для отримання додаткової інформації див. статтю Генерація коду. Щоб розгорнути навчену мережу в хмарі, виберіть відповідний варіант пакування.

Як перевірити MacBook цикл заряду акумулятора кількість і ємність

Більшість сучасних ноутбуків Apple витримують 1000 циклів заряджання, перш ніж потребують заміни акумулятора акумулятор заміна. Дізнайтеся, як перевірити кількість циклів заряду акумулятора MacBook, а також його стан і ємність.

Цикли заряджання, стан і ємність акумулятора пов’язані між собою. Для контексту, ось як, за словами Apple, обчислюється кількість циклів заряджання вашого MacBook:

Заряд цикл відбувається, коли ви використовуєте весь заряд акумулятора, але це не обов’язково означає, що він був заряджений лише один раз.

Наприклад, ви могли використати половину заряду ноутбука за один день, а потім зарядити його повністю. Якщо ви зробите те саме наступного дня, це буде зараховано як один цикл заряджання, а не два. Таким чином, для завершення циклу може знадобитися кілька днів.

Як перевірити MacBook цикл заряду акумулятора кількість циклів і ємність

Ось як виглядає процес:

На лівій бічній панелі виберіть “Живлення. Ви побачите заряд акумулятора вашого MacBook цикл відлік приблизно до половини, а також стан заряду та максимальний акумулятор ємність.

Хоча в багатьох моделях MacBook від Apple, випущених з 2010 року, батареї розраховані на 1000 циклів заряджання, ознайомтеся з цим документом, щоб дізнатися подробиці для кожної конкретної моделі.

Покращення стану акумулятора MacBook

Одна з функцій Apple, яку було впроваджено в останні роки для подовження терміну служби акумулятора, – це оптимізація акумулятор зарядка. За замовчуванням вона має бути ввімкнена на вашому MacBook, але ви можете перевірити, перейшовши за посиланням:

• Системні налаштування
• Акумулятор
• Тепер натисніть на обведену літеру “i” праворуч від
• Перевірте внизу, чи ввімкнено оптимізовану зарядку акумулятора

поради щодо продовження терміну служби акумулятора MacBook від Apple:

• Щоб на ньому працювало найновіше програмне забезпечення
• Уникайте дуже високих або низьких температур
• Оптимізація системних налаштувань Енергозбереження
• Якщо ви не збираєтеся використовувати MacBook протягом тривалого періоду часу, зберігайте його з 50% заряду акумулятора

Дякуємо, що прочитали наш посібник про те, як перевірити кількість циклів заряду акумулятора MacBook!

Читати більше підручників 9to5Mac:

Ви читаєте 9to5Mac – експертів, які щодня повідомляють новини про Apple і навколишню екосистему. Не забудьте відвідати нашу домашню сторінку для отримання всіх останніх новин, а також слідкуйте за 9to5Mac на та LinkedIn, щоб залишатися в курсі подій. Не знаєте, з чого почати? Дивіться наші ексклюзивні статті, огляди, інструкції та підписуйтесь на наш канал YouTube

6/ Вимоги до обслуговування

Залиті свинцево-кислотні акумулятори необхідно періодично доливати дистильованою водою, що може бути громіздкою роботою з обслуговування, якщо ваш батарея до відсіків важко дістатися.

AGM та гелеві батареї дійсно не потребують обслуговування. Не потребуючи технічного обслуговування, є і зворотна сторона – затоплений акумулятор, який випадково перезаряджений, часто можна врятувати, замінивши воду, яка википіла. Гелевий або AGM акумулятор, який перезаряджається, часто незворотно руйнується.

7/ Провисання напруги

Повністю заряджена 12-вольтова свинцево-кислотна батарея починає працювати приблизно з 12.8 вольт, але в міру розряджання напруга постійно падає. Напруга падає нижче 12 вольт, коли в акумуляторі залишається 35% від його загальної ємності, але деякі електронні пристрої можуть не працювати при напрузі менше 12 вольт. Цей ефект “провисання” також може призвести до затемнення світла.

8/ Розмір Вага

Типовий акумулятор розміром 8D, який зазвичай використовується для великих акумуляторних батарей, становить 20.5″ x 10.5″ x 9.5″. Якщо взяти конкретний приклад 8D, то Trojan 8D-AGM важить 167 фунтів і забезпечує лише 230 ампер-годин загальної ємності – що залишає вам 115 ампер-годин, які дійсно можна використовувати, і лише 70 – для додатків з високим рівнем розряду!

Якщо ви плануєте велику кількість стикувань, вам знадобиться щонайменше чотири 8D або цілих вісім. Це ВЕЛИКА вага, яка впливає на економію палива.

І якщо у вас обмежений простір для батарей на вашій буровій установці – розмір самих батарей обмежить вашу ємність.

Ця стаття є ексклюзивною власністю PowerTech Systems. Відтворення без дозволу заборонено.