Buffl

1

LK
von Leonardo K.

kurzer umschlag zu deiner BA-Thesis

  1. Paramteter welche degradation vorhersagen überlegt. (alles an lithium-ionen-batterie)

    1. Spannung, Stromstärke, Ladekapazität, Ladeenergie, Entladekapazität, Entladeenergie, Spannungsänderungsrate, Innenwiderstand, Temperatur

    2. Handling fehlende Daten

    3. Normalisierung der Daten

  2. Auswahl ML-Algorithmus (Deep Learning!)

    1. RNN (Rekurrente Neuronale Netze)

      1. effiziente integradion mehrerer Eingangsparameter

      2. Erfassung langfristiger Abhängigkeiten

    2. LSTM (Long Short Term Memory)

      1. überwindung (VGP) Vanishing Gradient Phänomen

  3. Modell-Architektur

    1. 2 LSTM-Schichten (komplexität des Modells)

    2. 100 Einheiten pro Schicht (anzahl neuronen (speichereinheiten) je schicht)

    3. Batch-Größe von 128 (anzahl trainingsbeispiele, die gleichzeitig durchs netzwerk laufen)

    4. Dropout-Raten von 0,2 (anzahl neuronen, die zufällig deaktiviert werden (!überanpassung!))

    5. Lernrate von 0,0005 (Schrittweite, wie modell Gewcihte währen Training anpasst)

    6. Gradient-Clipping von 1,0 (Begrenzt Gradienten um instabiles Lernen durch zu große Updates zu verhindern)

  4. Technische Rahmenbedingungen

    1. Python, TensorFlow Keras

    2. MAE (Mean Absolute Error) (intuitive Maßzahl für durchschnittliche Fehlergröße, robust gegen ausreißer)

    3. RMSE (Root Mean Squared Error) (wie MAE nur größere Fehler werden härter bestraft)

    4. R²-Score (Bestimmtheitsmaß, wie viel Varianz der Zielvariable wird erklärt durch Modell)

  5. Modell Entwickelt

  6. Hyperparameteroptimierung (immer ein logischen schritt in die richtung, wo’s besser wird, biss keine verbesserung/verschlechterung)

  7. Evaluation (Vorhersage & Lernen mit unterschiedlichen Datensätzen) (R²~99,6%) vorhersagekraft


Author

Leonardo K.

Informationen

Zuletzt geändert