यह स्थानीय आदेशों और एप्लिकेशन से फीडबैक के लिए त्वरित प्रतिक्रिया को सक्षम बनाता है, जबकि प्रक्रिया को कम डेटा प्रवाह के साथ अधिक सुरक्षित रखता है। दोनों क्षेत्र निश्चित रूप से परस्पर क्रिया करते हैं, डेटा को उपकरणों या स्थानों पर समेकन और विश्लेषण के लिए क्लाउड पर वापस भेज दिया जाता है, जबकि वैश्विक कमांड और फ़र्मवेयर अपडेट दूसरे रास्ते से गुजरते हैं।
दोनों प्रसंस्करण वातावरण कृत्रिम बुद्धिमत्ता (एआई) और मशीन लर्निंग (एमएल) में नवीनतम विकास से लाभान्वित होते हैं। उदाहरण के लिए, डेटा केंद्रों में, हजारों प्रोसेसर, मुख्य रूप से जीपीयू को शामिल करने वाले हजारों सर्वर, चैटजीपीटी जैसे बड़े भाषा मॉडल (एलएलएम) को उत्पन्न और संचालित करने के लिए बड़े पैमाने पर समानांतर कंप्यूटिंग करते हैं। कुछ उपायों से, ये प्लेटफ़ॉर्म अब मनुष्यों से बेहतर प्रदर्शन करते हैं।
किनारे पर, प्रोसेसिंग एक ऑपरेटिंग एल्गोरिदम के अनुसार फीडबैक सेंसर और कमांड पर प्रतिक्रिया करती है; हालाँकि, मशीन लर्निंग के साथ, एल्गोरिदम अब फीडबैक से भी प्रभावी ढंग से सीख सकते हैं। इसके बाद नियंत्रित प्रक्रिया को अधिक सटीक, कुशल और सुरक्षित बनाने के लिए एल्गोरिदम और उसके गणना गुणांकों में बदलाव लाया जा सकता है।
बादल और किनारे के बीच ऊर्जा उपयोग का अंतर
जब उपयोग की जाने वाली ऊर्जा के पैमाने की बात आती है तो क्लाउड और एज कंप्यूटिंग के बीच एक बड़ा व्यावहारिक अंतर मौजूद होता है। दोनों मामलों में, खपत को कम किया जाना चाहिए, लेकिन डेटा सेंटर में, यह बहुत बड़ा है, अंतर्राष्ट्रीय ऊर्जा एजेंसी (IEA) द्वारा अनुमान लगाया गया है कि यह 240-340 TWh या वैश्विक मांग का 1% से 1.3% है। कृत्रिम बुद्धिमत्ता और मशीन लर्निंग से केवल ऊर्जा की खपत में तेजी आएगी, आईईए ने आने वाले वर्षों में 20-40% की वृद्धि की भविष्यवाणी की है, जबकि ऐतिहासिक आंकड़े लगभग 3% हैं।
गेमिंग और वीडियो स्ट्रीमिंग जैसी ऑन-डिमांड डेटा प्रोसेसिंग के विपरीत, एआई में सीखने और अनुमान लगाने के चरण होते हैं। लर्निंग मॉडल को प्रशिक्षित करने के लिए डेटासेट का उपयोग करता है, और ऐसा करने के लिए ChatGPT ने कथित तौर पर 1.2 TWh से अधिक की खपत की। दूसरी ओर, डी व्रीज़ के अनुसार, अनुमान, या एलएलएम का परिचालन चरण, प्रति दिन 564 मेगावाट तक हो सकता है।
पैमाने के दूसरे छोर पर, इंटरनेट ऑफ थिंग्स (IoT) नोड या पहनने योग्य डिवाइस में शामिल एज कंप्यूटिंग को मिलीवाट से अधिक की खपत नहीं करनी पड़ सकती है। यहां तक कि औद्योगिक और इलेक्ट्रिक वाहन (ईवी) अनुप्रयोगों, जैसे मोटर नियंत्रण और बैटरी प्रबंधन, के पास नियंत्रण सर्किटरी में नुकसान के लिए एक छोटा बजट है और एआई और मशीन लर्निंग को समायोजित करने के लिए बड़ी प्रतिशत वृद्धि बर्दाश्त नहीं कर सकते हैं।
नतीजतन, टिनी मशीन लर्निंग या टाइनीएमएल को बेहद कम बिजली खपत के लिए अनुकूलित ऑन-डिवाइस सेंसर डेटा एनालिटिक्स को लागू करने के लिए अनुप्रयोगों और प्रौद्योगिकियों के क्षेत्र के रूप में विकसित किया गया है।
TinyML और पावर प्रबंधन
टिनिएमएल तकनीकों का उपयोग करके बैटरी प्रबंधन जैसे एप्लिकेशन में मशीन लर्निंग को लागू करना एक बहुआयामी समस्या है, जिसका लक्ष्य न्यूनतम तनाव के साथ डिस्चार्ज को नियंत्रित करते हुए जितनी जल्दी हो सके, सुरक्षित और कुशलता से चार्ज जोड़ना है। प्रबंधन बैटरी स्वास्थ्य की भी निगरानी करता है और यह सुनिश्चित करने के लिए सक्रिय रूप से कोशिकाओं को संतुलित कर सकता है कि वे अधिकतम विश्वसनीयता और सेवा जीवनकाल के लिए समान रूप से पुराने हों।
मॉनिटर किए गए पैरामीटर व्यक्तिगत सेल वोल्टेज, करंट और तापमान हैं, और प्रबंधन प्रणाली को आमतौर पर चार्ज की स्थिति (एसओसी) और स्वास्थ्य की स्थिति (एसओएच) की भविष्यवाणी करने की आवश्यकता होती है। ये गतिशील मात्राएँ हैं जिनका बैटरी के उपयोग के इतिहास और मापे गए मापदंडों से एक जटिल और बदलते संबंध है।
कार्य की जटिलता के बावजूद, AI प्रसंस्करण के लिए महंगा GPU कार्यान्वयन आवश्यक नहीं है। एआरएम कॉर्टेक्स एम0 और एम4 परिवार जैसे आधुनिक माइक्रोकंट्रोलर बैटरी प्रबंधन में मशीन सीखने के कार्य में आसानी से सक्षम हैं, कम बिजली की खपत करते हैं, और एप्लिकेशन के लिए समर्पित सिस्टम-ऑन-चिप्स (एसओसी) में शामिल किए गए हैं।
बैटरी प्रबंधन आईसी आम हैं, लेकिन जब मशीन लर्निंग को लागू करने वाले एमसीयू द्वारा संचालित किया जाता है, तो उच्च स्तर की सुरक्षा सुनिश्चित करते हुए, ऐतिहासिक और वर्तमान सेंसर डेटा की जानकारी और पैटर्न का उपयोग एसओसी और एसओएच के बारे में बेहतर भविष्यवाणियां करने के लिए किया जा सकता है। अन्य एमएल अनुप्रयोगों की तरह, प्रशिक्षण डेटा से सीखने का चरण होता है, और इसे विभिन्न पर्यावरणीय परिस्थितियों और कई बैटरियों में उनकी विनिर्माण सहनशीलता के साथ लॉग किया जा सकता है। जहां फ़ील्ड डेटा उपलब्ध नहीं है, वहां मॉडलिंग से सिंथेटिक डेटा का उपयोग किया जा सकता है।
जैसा कि एआई का सार है, एप्लिकेशन को ऊपर या नीचे स्केल करने या अन्य समान प्रणालियों में उपयोग के लिए फ़ील्ड डेटा जमा होने पर मॉडल को अपडेट किया जा सकता है। हालाँकि सीखना आम तौर पर एप्लिकेशन के लाइव होने से पहले एक अभ्यास है, फिर यह सेंसर डेटा का उपयोग करके एक पृष्ठभूमि कार्य हो सकता है, जिसे निरंतर प्रदर्शन में सुधार के लिए स्थानीय स्तर पर या क्लाउड के माध्यम से ऑफ़लाइन संसाधित किया जा सकता है। इसे बैटरी प्रबंधन एसओसी के लिए मूल्यांकन किट के संयोजन में स्वचालित एमएल (ऑटोएमएल) टूल द्वारा स्थापित किया गया है।
मशीन लर्निंग मॉडल
मशीन लर्निंग और बैटरी प्रबंधन जैसे उन्नत अनुप्रयोगों में उपयोग के लिए मॉडलों की एक विस्तृत पसंद उपलब्ध है। एक साधारण वर्गीकरण निर्णय वृक्ष पर्याप्त हो सकता है क्योंकि यह कम संसाधन का उपयोग करता है, शायद कुछ किलोबाइट रैम तक। इस दृष्टिकोण के परिणामस्वरूप डेटा संग्रह का 'सामान्य' या 'असामान्य' में एक सरल वर्गीकरण होता है, और एक उदाहरण चित्र 1 में दिखाया गया है ।
चित्र 1 एक उदाहरण निर्णय वृक्ष वर्गीकरणकर्ता कक्षा 1 = सामान्य और कक्षा 0 = असामान्य दिखाता है। स्रोत: कोरवो
यहां, डिस्चार्ज के दौरान मल्टी-सेल बैटरी को चिह्नित करने के लिए दो मापदंडों का उपयोग किया जाता है: सबसे मजबूत सेल के लिए एसओसी और सबसे मजबूत और सबसे कमजोर कोशिकाओं के बीच वोल्टेज अंतर। नीली और सफेद कोशिकाएं सामान्य डेटा का प्रतिनिधित्व करती हैं, और वर्गीकरण क्षेत्र नीले (कक्षा 0 = सामान्य) और ग्रे (कक्षा 1 = असामान्य) में दर्शाए जाते हैं।
आउटपुट डेटा के निरंतर मूल्यों का मूल्यांकन करने के लिए, केवल श्रेणियों के बजाय, अधिक जटिल प्रतिगमन निर्णय वृक्ष का उपयोग किया जा सकता है। अन्य सामान्य एमएल मॉडल में वेक्टर मशीन (एसवीएम), कर्नेल सन्निकटन क्लासिफायर, निकटतम पड़ोसी क्लासिफायर, भोले बेयस क्लासिफायर, लॉजिस्टिक रिग्रेशन और आइसोलेशन फॉरेस्ट के लिए समर्थन शामिल हैं। न्यूरल नेटवर्क मॉडलिंग को ऑटोएमएल टूल्स में शामिल किया जा सकता है जहां बेहतर प्रदर्शन हासिल किया जाता है लेकिन जटिलता की कीमत पर।
एमएल एप्लिकेशन के विकास की पूरी प्रक्रिया को सामूहिक रूप से एमएल ऑपरेशंस या 'एमएलओपीएस' कहा जाता है और इसमें डेटा संग्रह और क्यूरेशन, मॉडल प्रशिक्षण, विश्लेषण, तैनाती और निगरानी शामिल है। प्रक्रिया को PAC25140 चिप का उपयोग करके बैटरी प्रबंधन एप्लिकेशन के लिए चित्र 2 में ग्राफ़िक रूप से दिखाया गया है, जो ली-आयन, ली-पॉलीमर या LiFePO4 रसायन विज्ञान का उपयोग करके एक स्ट्रिंग में 20 कोशिकाओं तक की निगरानी, नियंत्रण और संतुलन कर सकता है।
चित्र 2 उपरोक्त डिज़ाइन उदाहरण टिनीएमएल विकास प्रवाह पर प्रकाश डालता है। स्रोत: कोरवो
केस स्टडी: सप्ताह बैटरी सेल का पता लगाना
बैटरी के लिए एसओएच निगरानी का एक हिस्सा ख़राब कोशिकाओं का पता लगाना है। इन कोशिकाओं को लोड के तहत असामान्य रूप से कम सेल वोल्टेज की विशेषता हो सकती है। हालाँकि, वोल्टेज वास्तविक डिस्चार्ज करंट, चार्ज की स्थिति और तापमान से भी प्रभावित होता है जैसा कि चित्र 3 में दिखाया गया है, जो विभिन्न तापमान और लोड धाराओं पर मजबूत और कमजोर कोशिकाओं के लिए उदाहरण वक्रों पर प्रकाश डालता है।
चित्र 3 सेल डिस्चार्ज वक्र मजबूत और कमजोर दोनों कोशिकाओं के लिए दिखाए गए हैं। स्रोत: कोरवो
चित्र 3 से पता चलता है कि मजबूत और कमजोर सेल वोल्टेज के बीच महत्वपूर्ण अंतर तब होता है जब कोशिकाएं लगभग समाप्त हो जाती हैं। ओवरहीटिंग और सुरक्षा समस्याओं से बचने के लिए इस बिंदु पर कमजोर सेल का पता लगाने में बहुत देर हो सकती है, इसलिए डिस्चार्ज चक्र में पहले डेटा में पैटर्न देखने के लिए एमएल को लागू करना एक समाधान है।
एमएल दृष्टिकोण की प्रभावशीलता को कोरवो द्वारा किए गए एक प्रयोग में उजागर किया गया था जहां एक कमजोर सेल को 10-सेल बैटरी पैक में डाला गया था और एक अच्छे पैक के साथ तुलना की गई थी। दोनों प्रकार की कोशिकाओं के लिए प्रशिक्षण डेटा तैयार किया गया था क्योंकि उन्हें अलग-अलग स्थिर वर्तमान दरों और तापमान पर डिस्चार्ज किया गया था। मॉनिटर किए गए पैरामीटर श्रृंखला वर्तमान, तापमान, सबसे मजबूत और सबसे कमजोर सेल वोल्टेज के बीच अंतर और सबसे मजबूत सेल के लिए एसओसी थे।
20 डिस्चार्ज चक्रों में हर 10 सेकंड में एक साथ मापदंडों का नमूना लिया गया और तालिका 1 में सूचीबद्ध विभिन्न मॉडलों का उपयोग करके विश्लेषण किया गया । परिणामों की तुलना 20 डिस्चार्ज चक्रों के स्वतंत्र परीक्षण डेटा से की गई, जिसमें दोनों तरीकों के बीच करीबी सहमति दिखी, जो अधिक प्रशिक्षण नमूनों के साथ और बेहतर होगी।
तालिका 1 उदाहरण परिणाम विभिन्न एमएल मॉडल के लिए प्रशिक्षण और परीक्षण डेटा से निकाले गए हैं। स्रोत: कोरवो
एमएल समर्थन के लिए SoCs पर्याप्त हैं
जबकि वर्तमान एआई सुर्खियाँ बड़े पैमाने पर, उच्च-शक्ति अनुप्रयोगों पर ध्यान केंद्रित करती हैं, बैटरी निगरानी जैसे लक्षित अनुप्रयोगों के लिए एमसीयू और टिनीएमएल तकनीकों का उपयोग करके 'किनारे पर' इसका कार्यान्वयन उच्च-प्रदर्शन लेकिन कम-शक्ति समाधान का हिस्सा हो सकता है। यहां, SoC समाधानों में आवश्यक सभी प्रसंस्करण शक्ति होती है और इसमें विभिन्न प्रकार के मशीन लर्निंग एल्गोरिदम शामिल हो सकते हैं।
सभी आवश्यक सेंसर और संचार इंटरफेस अंतर्निहित हैं, और एसओसी अतिरिक्त रूप से मूल्यांकन और डिजाइन उपकरणों के एक समृद्ध पारिस्थितिकी तंत्र द्वारा समर्थित हैं।
पॉल गोर्डे कोरवो में डीएसपी और मशीन लर्निंग के तकनीकी निदेशक हैं।
संबंधित सामग्री
सेसिंग इन दिनों एक विभाजित व्यक्तित्व का प्रदर्शन कर रही है। 'क्लाउड' कंप्यूटिंग विशाल पैमाने और कंप्यूटिंग शक्ति के लिए सुर्खियां बटोरती है, जबकि 'एज' कंप्यूटिंग प्रसंस्करण को 'कोल फेस' पर रखती है जहां इलेक्ट्रॉनिक्स वास्तविक दुनिया के साथ इंटरफेस करता है। क्लाउड में, डेटा बड़ी मात्रा में संग्रहीत किया जाता है और प्रसंस्करण को कतारबद्ध और शेड्यूल किया जाता है, जबकि किनारे पर, प्रसंस्करण लक्षित और तत्काल होता है।
यह स्थानीय आदेशों और एप्लिकेशन से फीडबैक के लिए त्वरित प्रतिक्रिया को सक्षम बनाता है, जबकि प्रक्रिया को कम डेटा प्रवाह के साथ अधिक सुरक्षित रखता है। दोनों क्षेत्र निश्चित रूप से परस्पर क्रिया करते हैं, डेटा को उपकरणों या स्थानों पर समेकन और विश्लेषण के लिए क्लाउड पर वापस भेज दिया जाता है, जबकि वैश्विक कमांड और फ़र्मवेयर अपडेट दूसरे रास्ते से गुजरते हैं।
दोनों प्रसंस्करण वातावरण कृत्रिम बुद्धिमत्ता (एआई) और मशीन लर्निंग (एमएल) में नवीनतम विकास से लाभान्वित होते हैं। उदाहरण के लिए, डेटा केंद्रों में, हजारों प्रोसेसर, मुख्य रूप से जीपीयू को शामिल करने वाले हजारों सर्वर, चैटजीपीटी जैसे बड़े भाषा मॉडल (एलएलएम) को उत्पन्न और संचालित करने के लिए बड़े पैमाने पर समानांतर कंप्यूटिंग करते हैं। कुछ उपायों से, ये प्लेटफ़ॉर्म अब मनुष्यों से बेहतर प्रदर्शन करते हैं।
विज्ञापन
किनारे पर, प्रोसेसिंग एक ऑपरेटिंग एल्गोरिदम के अनुसार फीडबैक सेंसर और कमांड पर प्रतिक्रिया करती है; हालाँकि, मशीन लर्निंग के साथ, एल्गोरिदम अब फीडबैक से भी प्रभावी ढंग से सीख सकते हैं। इसके बाद नियंत्रित प्रक्रिया को अधिक सटीक, कुशल और सुरक्षित बनाने के लिए एल्गोरिदम और उसके गणना गुणांकों में बदलाव लाया जा सकता है।
बादल और किनारे के बीच ऊर्जा उपयोग का अंतर
जब उपयोग की जाने वाली ऊर्जा के पैमाने की बात आती है तो क्लाउड और एज कंप्यूटिंग के बीच एक बड़ा व्यावहारिक अंतर मौजूद होता है। दोनों मामलों में, खपत को कम किया जाना चाहिए, लेकिन डेटा सेंटर में, यह बहुत बड़ा है, अंतर्राष्ट्रीय ऊर्जा एजेंसी (IEA) द्वारा अनुमान लगाया गया है कि यह 240-340 TWh या वैश्विक मांग का 1% से 1.3% है। कृत्रिम बुद्धिमत्ता और मशीन लर्निंग से केवल ऊर्जा की खपत में तेजी आएगी, आईईए ने आने वाले वर्षों में 20-40% की वृद्धि की भविष्यवाणी की है, जबकि ऐतिहासिक आंकड़े लगभग 3% हैं।
गेमिंग और वीडियो स्ट्रीमिंग जैसी ऑन-डिमांड डेटा प्रोसेसिंग के विपरीत, एआई में सीखने और अनुमान लगाने के चरण होते हैं। लर्निंग मॉडल को प्रशिक्षित करने के लिए डेटासेट का उपयोग करता है, और ऐसा करने के लिए ChatGPT ने कथित तौर पर 1.2 TWh से अधिक की खपत की। दूसरी ओर, डी व्रीज़ के अनुसार, अनुमान, या एलएलएम का परिचालन चरण, प्रति दिन 564 मेगावाट तक हो सकता है।
पैमाने के दूसरे छोर पर, इंटरनेट ऑफ थिंग्स (IoT) नोड या पहनने योग्य डिवाइस में शामिल एज कंप्यूटिंग को मिलीवाट से अधिक की खपत नहीं करनी पड़ सकती है। यहां तक कि औद्योगिक और इलेक्ट्रिक वाहन (ईवी) अनुप्रयोगों, जैसे मोटर नियंत्रण और बैटरी प्रबंधन, के पास नियंत्रण सर्किटरी में नुकसान के लिए एक छोटा बजट है और एआई और मशीन लर्निंग को समायोजित करने के लिए बड़ी प्रतिशत वृद्धि बर्दाश्त नहीं कर सकते हैं।
नतीजतन, टिनी मशीन लर्निंग या टाइनीएमएल को बेहद कम बिजली खपत के लिए अनुकूलित ऑन-डिवाइस सेंसर डेटा एनालिटिक्स को लागू करने के लिए अनुप्रयोगों और प्रौद्योगिकियों के क्षेत्र के रूप में विकसित किया गया है।
TinyML और पावर प्रबंधन
टिनिएमएल तकनीकों का उपयोग करके बैटरी प्रबंधन जैसे एप्लिकेशन में मशीन लर्निंग को लागू करना एक बहुआयामी समस्या है, जिसका लक्ष्य न्यूनतम तनाव के साथ डिस्चार्ज को नियंत्रित करते हुए जितनी जल्दी हो सके, सुरक्षित और कुशलता से चार्ज जोड़ना है। प्रबंधन बैटरी स्वास्थ्य की भी निगरानी करता है और यह सुनिश्चित करने के लिए सक्रिय रूप से कोशिकाओं को संतुलित कर सकता है कि वे अधिकतम विश्वसनीयता और सेवा जीवनकाल के लिए समान रूप से पुराने हों।
मॉनिटर किए गए पैरामीटर व्यक्तिगत सेल वोल्टेज, करंट और तापमान हैं, और प्रबंधन प्रणाली को आमतौर पर चार्ज की स्थिति (एसओसी) और स्वास्थ्य की स्थिति (एसओएच) की भविष्यवाणी करने की आवश्यकता होती है। ये गतिशील मात्राएँ हैं जिनका बैटरी के उपयोग के इतिहास और मापे गए मापदंडों से एक जटिल और बदलते संबंध है।
कार्य की जटिलता के बावजूद, AI प्रसंस्करण के लिए महंगा GPU कार्यान्वयन आवश्यक नहीं है। एआरएम कॉर्टेक्स एम0 और एम4 परिवार जैसे आधुनिक माइक्रोकंट्रोलर बैटरी प्रबंधन में मशीन सीखने के कार्य में आसानी से सक्षम हैं, कम बिजली की खपत करते हैं, और एप्लिकेशन के लिए समर्पित सिस्टम-ऑन-चिप्स (एसओसी) में शामिल किए गए हैं।
बैटरी प्रबंधन आईसी आम हैं, लेकिन जब मशीन लर्निंग को लागू करने वाले एमसीयू द्वारा संचालित किया जाता है, तो उच्च स्तर की सुरक्षा सुनिश्चित करते हुए, ऐतिहासिक और वर्तमान सेंसर डेटा की जानकारी और पैटर्न का उपयोग एसओसी और एसओएच के बारे में बेहतर भविष्यवाणियां करने के लिए किया जा सकता है। अन्य एमएल अनुप्रयोगों की तरह, प्रशिक्षण डेटा से सीखने का चरण होता है, और इसे विभिन्न पर्यावरणीय परिस्थितियों और कई बैटरियों में उनकी विनिर्माण सहनशीलता के साथ लॉग किया जा सकता है। जहां फ़ील्ड डेटा उपलब्ध नहीं है, वहां मॉडलिंग से सिंथेटिक डेटा का उपयोग किया जा सकता है।
जैसा कि एआई का सार है, एप्लिकेशन को ऊपर या नीचे स्केल करने या अन्य समान प्रणालियों में उपयोग के लिए फ़ील्ड डेटा जमा होने पर मॉडल को अपडेट किया जा सकता है। हालाँकि सीखना आम तौर पर एप्लिकेशन के लाइव होने से पहले एक अभ्यास है, फिर यह सेंसर डेटा का उपयोग करके एक पृष्ठभूमि कार्य हो सकता है, जिसे निरंतर प्रदर्शन में सुधार के लिए स्थानीय स्तर पर या क्लाउड के माध्यम से ऑफ़लाइन संसाधित किया जा सकता है। इसे बैटरी प्रबंधन एसओसी के लिए मूल्यांकन किट के संयोजन में स्वचालित एमएल (ऑटोएमएल) टूल द्वारा स्थापित किया गया है।
मशीन लर्निंग मॉडल
मशीन लर्निंग और बैटरी प्रबंधन जैसे उन्नत अनुप्रयोगों में उपयोग के लिए मॉडलों की एक विस्तृत पसंद उपलब्ध है। एक साधारण वर्गीकरण निर्णय वृक्ष पर्याप्त हो सकता है क्योंकि यह कम संसाधन का उपयोग करता है, शायद कुछ किलोबाइट रैम तक। इस दृष्टिकोण के परिणामस्वरूप डेटा संग्रह का 'सामान्य' या 'असामान्य' में एक सरल वर्गीकरण होता है, और एक उदाहरण चित्र 1 में दिखाया गया है ।
चित्र 1 एक उदाहरण निर्णय वृक्ष वर्गीकरणकर्ता कक्षा 1 = सामान्य और कक्षा 0 = असामान्य दिखाता है। स्रोत: कोरवो
यहां, डिस्चार्ज के दौरान मल्टी-सेल बैटरी को चिह्नित करने के लिए दो मापदंडों का उपयोग किया जाता है: सबसे मजबूत सेल के लिए एसओसी और सबसे मजबूत और सबसे कमजोर कोशिकाओं के बीच वोल्टेज अंतर। नीली और सफेद कोशिकाएं सामान्य डेटा का प्रतिनिधित्व करती हैं, और वर्गीकरण क्षेत्र नीले (कक्षा 0 = सामान्य) और ग्रे (कक्षा 1 = असामान्य) में दर्शाए जाते हैं।
आउटपुट डेटा के निरंतर मूल्यों का मूल्यांकन करने के लिए, केवल श्रेणियों के बजाय, अधिक जटिल प्रतिगमन निर्णय वृक्ष का उपयोग किया जा सकता है। अन्य सामान्य एमएल मॉडल में वेक्टर मशीन (एसवीएम), कर्नेल सन्निकटन क्लासिफायर, निकटतम पड़ोसी क्लासिफायर, भोले बेयस क्लासिफायर, लॉजिस्टिक रिग्रेशन और आइसोलेशन फॉरेस्ट के लिए समर्थन शामिल हैं। न्यूरल नेटवर्क मॉडलिंग को ऑटोएमएल टूल्स में शामिल किया जा सकता है जहां बेहतर प्रदर्शन हासिल किया जाता है लेकिन जटिलता की कीमत पर।
एमएल एप्लिकेशन के विकास की पूरी प्रक्रिया को सामूहिक रूप से एमएल ऑपरेशंस या 'एमएलओपीएस' कहा जाता है और इसमें डेटा संग्रह और क्यूरेशन, मॉडल प्रशिक्षण, विश्लेषण, तैनाती और निगरानी शामिल है। प्रक्रिया को PAC25140 चिप का उपयोग करके बैटरी प्रबंधन एप्लिकेशन के लिए चित्र 2 में ग्राफ़िक रूप से दिखाया गया है, जो ली-आयन, ली-पॉलीमर या LiFePO4 रसायन विज्ञान का उपयोग करके एक स्ट्रिंग में 20 कोशिकाओं तक की निगरानी, नियंत्रण और संतुलन कर सकता है।
चित्र 2 उपरोक्त डिज़ाइन उदाहरण टिनीएमएल विकास प्रवाह पर प्रकाश डालता है। स्रोत: कोरवो
केस स्टडी: सप्ताह बैटरी सेल का पता लगाना
बैटरी के लिए एसओएच निगरानी का एक हिस्सा ख़राब कोशिकाओं का पता लगाना है। इन कोशिकाओं को लोड के तहत असामान्य रूप से कम सेल वोल्टेज की विशेषता हो सकती है। हालाँकि, वोल्टेज वास्तविक डिस्चार्ज करंट, चार्ज की स्थिति और तापमान से भी प्रभावित होता है जैसा कि चित्र 3 में दिखाया गया है, जो विभिन्न तापमान और लोड धाराओं पर मजबूत और कमजोर कोशिकाओं के लिए उदाहरण वक्रों पर प्रकाश डालता है।
चित्र 3 सेल डिस्चार्ज वक्र मजबूत और कमजोर दोनों कोशिकाओं के लिए दिखाए गए हैं। स्रोत: कोरवो
चित्र 3 से पता चलता है कि मजबूत और कमजोर सेल वोल्टेज के बीच महत्वपूर्ण अंतर तब होता है जब कोशिकाएं लगभग समाप्त हो जाती हैं। ओवरहीटिंग और सुरक्षा समस्याओं से बचने के लिए इस बिंदु पर कमजोर सेल का पता लगाने में बहुत देर हो सकती है, इसलिए डिस्चार्ज चक्र में पहले डेटा में पैटर्न देखने के लिए एमएल को लागू करना एक समाधान है।
एमएल दृष्टिकोण की प्रभावशीलता को कोरवो द्वारा किए गए एक प्रयोग में उजागर किया गया था जहां एक कमजोर सेल को 10-सेल बैटरी पैक में डाला गया था और एक अच्छे पैक के साथ तुलना की गई थी। दोनों प्रकार की कोशिकाओं के लिए प्रशिक्षण डेटा तैयार किया गया था क्योंकि उन्हें अलग-अलग स्थिर वर्तमान दरों और तापमान पर डिस्चार्ज किया गया था। मॉनिटर किए गए पैरामीटर श्रृंखला वर्तमान, तापमान, सबसे मजबूत और सबसे कमजोर सेल वोल्टेज के बीच अंतर और सबसे मजबूत सेल के लिए एसओसी थे।
20 डिस्चार्ज चक्रों में हर 10 सेकंड में एक साथ मापदंडों का नमूना लिया गया और तालिका 1 में सूचीबद्ध विभिन्न मॉडलों का उपयोग करके विश्लेषण किया गया । परिणामों की तुलना 20 डिस्चार्ज चक्रों के स्वतंत्र परीक्षण डेटा से की गई, जिसमें दोनों तरीकों के बीच करीबी सहमति दिखी, जो अधिक प्रशिक्षण नमूनों के साथ और बेहतर होगी।
तालिका 1 उदाहरण परिणाम विभिन्न एमएल मॉडल के लिए प्रशिक्षण और परीक्षण डेटा से निकाले गए हैं। स्रोत: कोरवो
एमएल समर्थन के लिए SoCs पर्याप्त हैं
जबकि वर्तमान एआई सुर्खियाँ बड़े पैमाने पर, उच्च-शक्ति अनुप्रयोगों पर ध्यान केंद्रित करती हैं, बैटरी निगरानी जैसे लक्षित अनुप्रयोगों के लिए एमसीयू और टिनीएमएल तकनीकों का उपयोग करके 'किनारे पर' इसका कार्यान्वयन उच्च-प्रदर्शन लेकिन कम-शक्ति समाधान का हिस्सा हो सकता है। यहां, SoC समाधानों में आवश्यक सभी प्रसंस्करण शक्ति होती है और इसमें विभिन्न प्रकार के मशीन लर्निंग एल्गोरिदम शामिल हो सकते हैं।
सभी आवश्यक सेंसर और संचार इंटरफेस अंतर्निहित हैं, और एसओसी अतिरिक्त रूप से मूल्यांकन और डिजाइन उपकरणों के एक समृद्ध पारिस्थितिकी तंत्र द्वारा समर्थित हैं।
पॉल गोर्डे कोरवो में डीएसपी और मशीन लर्निंग के तकनीकी निदेशक हैं।
संबंधित सामग्री