DecayFormer
прогноз деградации аккумуляторов по первым 100 циклам
2 min readupdated
Компактная гибридная модель на базе архитектур state space (модель пространства состояний) и attention (механизм внимания) от автора Godseye1311. Она предсказывает полную траекторию остаточной ёмкости (SOH — State of Health) аккумуляторной ячейки, анализируя данные только за её первые 100 циклов работы. В репозитории выложены обученные веса сразу для 22 независимых фолдов (разбиений данных по условиям старения) из бенчмарка BatteryLife. Пригодится исследователям и инженерам систем управления батареями (BMS) для ранней оценки срока службы элементов питания.
Ключевые особенности
- Компактный размер: каждая модель содержит всего 791 529 параметров (d_model 96, 3 блока энкодера, 4 головы внимания).
- Охватывает 4 типа аккумуляторов (22 фолда): Li-ion, Zn-ion, Na-ion и CALB.
- Полная совместимость с пайплайном BatteryMFormer: веса сохранены в формате
model.safetensorsвместе с файламиargs.jsonиlabel_scaler.
Что можно сделать
- Оценить остаточный ресурс батарей разных химических составов (натрий-ионных, литий-ионных, цинк-ионных) на основе замеров первых 100 циклов заряда-разряда.
- Использовать готовые веса как бейзлайн для сравнения собственных моделей прогнозирования SOH в рамках бенчмарка BatteryLife v11.
Пример
from decayformer import load_fold # установка из репозитория DecayFormer
model = load_fold("Na-ion/cond400")
# x [B, 100, 300, 4], mask [B, 100], soh [B, 100, 1], cycle_feats [B, 100, 2]
trajectory = model(x, mask, soh, cycle_feats) # [B, 5000] нормализованный SOH
Подробнее
Средний Test MAPE (%) на BatteryLife (fp16): Na-ion — 0.926 ± 0.282 (12 фолдов), Li-ion — 2.281 ± 0.089 (3 фолда), CALB — 2.783 ± 2.200 (4 фолда), Zn-ion — 6.814 ± 0.540 (3 фолда).Обучение: 1 GPU, batch size 128, оптимизатор AdamW (lr 5e-4), до 300 эпох с early stopping.
Для запуска требуется пакет
decayformer из оригинального GitHub-репозитория.









Comments