Leichtgewichtiges Transfer‑Learning für SOH‑Monitoring von Li‑Ionen‑Batterien in UAVs
In der heutigen Ära der unbemannten Luftfahrzeuge (UAVs) wird die präzise und schnelle Zustandsüberwachung von Lithium‑Ion‑Batterien immer wichtiger. Durch die stark variierenden Einsatzbedingungen ist es entscheidend, dass das System flexibel und ressourcenschonend arbeitet.
Traditionelle Transfer‑Learning‑Ansätze (TL) können zwar Wissen aus datenreichen Ausgangsbedingungen nutzen, erfordern jedoch umfangreiche Rechenleistung, was die Batterielebensdauer in mobilen Geräten stark beeinträchtigt. Um dieses Problem zu lösen, wurde ein leichtgewichtiges TL‑System entwickelt, das auf dem Konzept des konstruktiven inkrementellen Transfer‑Learnings (CITL) basiert.
Der Ansatz nutzt unlabelled Daten aus der Zielumgebung und setzt auf ein semi‑supervised TL‑Modell, das die Überwachungsfehler schrittweise reduziert, indem es Netzwerkknoten iterativ hinzufügt. Durch die Kombination von struktureller Risikominimierung, Minimierung von Transfer‑Unterschieden und Maximierung der Mannigfaltigkeitskonsistenz wird die Lernfähigkeit über Domänen hinweg robust gewährleistet. Zusätzlich liefert eine theoretische Konvergenzanalyse die Sicherheit, dass das Netzwerk kompakt bleibt und die TL‑Leistung zuverlässig ist.
Die Wirksamkeit des Systems wurde anhand umfangreicher Experimente mit einem realen UAV‑Batteriedatensatz, der Daten aus Dutzenden von Flügen enthält, nachgewiesen. Die Ergebnisse zeigen, dass das leichte CITL‑Modell die Genauigkeit der SOH‑Überwachung verbessert und gleichzeitig die benötigte Rechenleistung deutlich reduziert.