F&E-Teams für Batterien verwenden hauptsächlich MAE und MAPE, um die Genauigkeit von RUL-Algorithmen zu bewerten. Diese Metriken vergleichen die vorhergesagte Restlebensdauer (Remaining Useful Life, RUL) mit der tatsächlichen Zeit oder Zyklenzahl bis zum Batterieausfall über die getesteten Zellen hinweg. Mit fortschreitender betrieblicher Testdauer verbessert sich die Vorhersagepräzision im Allgemeinen, da zusätzliche Degradationsdaten – wie Kapazitätsverlust und Anstieg des Innenwiderstands – Unsicherheiten und Verzerrungen bei der Parameterschätzung reduzieren.
Wichtigste Erkenntnis: Verwenden Sie MAE für einen absoluten RUL-Fehler, MAPE für einen skalierten prozentualen Fehler sowie RMSE oder Unsicherheitsintervalle, wenn auch große Fehler und die Vorhersagesicherheit von Bedeutung sind. Mehr Betriebsdaten verbessern in der Regel die Genauigkeit, der Nutzen hängt jedoch von der Datenqualität, der Modellvalidität und der Repräsentativität des getesteten Lastprofils ab.
Wie die RUL-Genauigkeit gemessen wird
Der mittlere absolute Fehler (MAE) misst die praktische Vorhersageabweichung
MAE ist der durchschnittliche absolute Unterschied zwischen vorhergesagter und tatsächlicher RUL:
[ MAE=\frac{1}{N}\sum_{i=1}^{N}\left|\widehat{RUL}_i-RUL_i\right| ]
Er wird in derselben Einheit wie das Ziel ausgedrückt, z. B. Zyklen, Stunden oder Minuten.
Ein niedrigerer MAE bedeutet, dass der Algorithmus im Durchschnitt näher an der tatsächlichen Ausfallzeit liegt. Dies ist oft die intuitivste Metrik für technische Entscheidungen, da sie direkt die Frage beantwortet: „Wie weit liegt die Vorhersage daneben?“
Der mittlere absolute prozentuale Fehler (MAPE) normalisiert den Fehler
MAPE drückt den absoluten Vorhersagefehler im Verhältnis zur tatsächlichen RUL aus:
[ MAPE=\frac{100}{N}\sum_{i=1}^{N} \left|\frac{\widehat{RUL}_i-RUL_i}{RUL_i}\right| ]
MAPE ermöglicht Leistungsvergleiche zwischen Zellen oder Testfällen mit unterschiedlichen Betriebslaufzeiten.
Allerdings wird MAPE instabil, wenn die tatsächliche RUL sehr klein ist. Gegen Ende der Lebensdauer kann ein kleiner absoluter Fehler einen unverhältnismäßig großen prozentualen Fehler erzeugen. Daher sollte MAPE nicht ohne MAE oder eine andere Metrik für absolute Fehler interpretiert werden.
RMSE betont große Vorhersagefehler
Der Root Mean Square Error (RMSE) wird ebenfalls bei der RUL-Validierung von Lithium-Ionen-Batterien verwendet:
[ RMSE=\sqrt{\frac{1}{N}\sum_{i=1}^{N} \left(\widehat{RUL}_i-RUL_i\right)^2} ]
Da die Fehler quadriert werden, bestraft der RMSE große Abweichungen stärker als der MAE. Er ist nützlich, wenn einige wenige schwerwiegende Unter- oder Überschätzungen Sicherheits-, Wartungs- oder Gewährleistungsrisiken bergen könnten.
Relativer Fehler und Wiederholbarkeit zeigen ein breiteres Modellverhalten
F&E-Programme können auch den relativen Vorhersagefehler, die Standardabweichung des Fehlers und die Variation über wiederholte Lade-Entlade-Zyklen berichten.
Diese Maße helfen dabei, ein Modell, das konsistent nahe an der Wahrheit liegt, von einem zu unterscheiden, das gelegentlich große Abweichungen erzeugt. Sie sind besonders wichtig, wenn Algorithmen über Zellchargen, Alterungsbedingungen oder dynamische Betriebsprofile hinweg verglichen werden.
Welche Daten sollten zur Validierung des Algorithmus verwendet werden?
Die tatsächliche Ausfallzeit ist das Referenzziel
RUL-Vorhersagen müssen mit einer definierten Grundwahrheit verglichen werden, wie z. B. dem tatsächlichen Zyklus oder der Zeit, zu der eine Zelle ihren End-of-Life-Schwellenwert erreicht.
Dieser Schwellenwert kann auf Kapazitätsdegradation, Innenwiderstand, Verhalten am Ende der Entladung oder einem anderen anwendungsspezifischen Kriterium basieren. Wenn die Ausfalldefinition inkonsistent ist, sind die Genauigkeitsmetriken nicht aussagekräftig.
Degradationsbeobachtungen steuern Vorhersage-Updates
Nützliche Eingabedaten umfassen Kapazitätsmessungen, den Verlauf des Innenwiderstands, den Ladezustand (SoC), Temperatur, Strom, Spannung und die vergangene Zyklushistorie.
Für dynamische Anwendungen sollten Testsysteme auch Lastprofilstatistiken wie mittleren Strom, Stromschwankungen, maximalen und minimalen Strom sowie Phasendauer erfassen. Diese Variablen helfen dem Prognosemodell, den Unterschied zwischen stetigen Laborzyklen und tatsächlichem Betriebsbedarf zu berücksichtigen.
Hardware-in-the-Loop-Tests prüfen die Robustheit in der Praxis
Die Offline-Genauigkeit bei historischen Zyklusdaten ist allein nicht ausreichend. Hardware-in-the-Loop-Tests können den Prognosealgorithmus mit programmierbarer Batterieausrüstung verbinden und ihn wechselnden Lasten, Umgebungsbedingungen und betrieblichen Einschränkungen aussetzen.
Dieser Prozess testet, ob das Modell stabil bleibt, wenn es die RUL online schätzen muss, anstatt nur einen abgeschlossenen Degradationsdatensatz anzupassen.
Warum die betriebliche Testdauer die Vorhersagepräzision beeinflusst
Frühe Vorhersagen haben begrenzte Degradationsnachweise
Zu Beginn eines Tests verfügt der Algorithmus nur über eine kurze Historie des individuellen Zellverhaltens.
Er muss sich stärker auf Annahmen auf Populationsebene, anfängliche Parameterschätzungen oder historische Zelldaten verlassen. Fertigungsschwankungen und Messrauschen in frühen Zyklen können daher eine erhebliche RUL-Unsicherheit erzeugen.
Zusätzliche Zyklen enthüllen den individuellen Degradationspfad
Während der Test fortgesetzt wird, beobachtet das System mehr von der tatsächlichen Degradationstrajektorie der Zelle.
Beispielsweise können akkumulierte Messungen des Innenwiderstands helfen, Degradationsraten und Parameter des Gefahrenmodells zu aktualisieren. Das Modell verschiebt sich allmählich von einer generischen Populationsschätzung hin zu einer zellspezifischen Prognose, was im Allgemeinen MAE und MAPE reduziert.
Daten aus der Spätphase erzeugen oft höhere Sicherheit
Wenn die Zelle näher an ihrem definierten Ausfallschwellenwert liegt, ist ihr Degradationstrend besser identifizierbar.
Dies ermöglicht es dem Algorithmus in der Regel, den Ausfall mit größerer Sicherheit vorherzusagen, als dies mit Daten aus der frühen Lebensphase möglich wäre. In der Praxis verengt sich das Vorhersageintervall oft, wenn der Test informative Beobachtungen ansammelt.
Mehr Zeit garantiert keine besseren Vorhersagen
Zusätzliche Betriebszeit hilft nur, wenn sie zuverlässige und repräsentative Daten liefert.
Sensorrauschen, unregelmäßige Abtastung, wechselnde Temperaturen, nicht modellierte Lastbedingungen oder ein falsches Degradationsmodell können verhindern, dass sich die Genauigkeit verbessert. Ein längerer Test mit minderwertigen oder nicht repräsentativen Daten kann weniger wertvoll sein als ein kürzerer Test mit präzisen, informativen Messungen.
Wie Vorhersageunsicherheit berichtet werden sollte
Punktgenauigkeit erzählt nicht die ganze Geschichte
MAE, MAPE und RMSE fassen den Abstand zwischen Vorhersagen und tatsächlichen Ergebnissen zusammen, geben aber nicht an, wie sicher eine individuelle Vorhersage ist.
RUL-Systeme sollten daher nach Möglichkeit auch Vorhersageintervalle, Konfidenzintervalle oder Wahrscheinlichkeitsverteilungen berichten.
Konfidenzintervalle quantifizieren wahrscheinliche Fehlerbereiche
Eine an RUL-Ausgaben angepasste Verteilung kann verwendet werden, um Intervalle wie 68%- und 95%-Konfidenzniveaus zu schätzen.
Diese Intervalle helfen Ingenieuren zu verstehen, ob eine Vorhersage eng konzentriert oder hochgradig unsicher ist. Ein Modell mit einem niedrigen durchschnittlichen Fehler, aber schlecht kalibrierten Intervallen, kann für Wartungs- oder Einsatzplanungen dennoch unsicher sein.
Verzerrte Ausfallverteilungen erfordern Sorgfalt
Batterieausfallzeiten sind nicht immer normalverteilt. Degradationsvariabilität und Unterschiede zwischen den Zellen können zu verzerrten RUL-Verteilungen führen.
Für solche Fälle können Intervalle mit fester Breite gewählt werden, um die Wahrscheinlichkeit zu maximieren, dass die wahre RUL innerhalb des Intervalls liegt. Ansätze mit maximalen Leistungsintervallen gehen dieses Ziel direkter an, als ein Intervall einfach um den Mittelwert oder Median zu zentrieren.
Die Kompromisse verstehen
MAPE kann Fehler nahe am Ausfall übertreiben
MAPE ist attraktiv, da es leicht über Datensätze hinweg vergleichbar ist, aber sein Nenner ist die tatsächliche RUL.
Wenn sich die tatsächliche RUL Null nähert, kann MAPE unverhältnismäßig groß werden. Verwenden Sie es zusammen mit MAE, RMSE oder einer alternativen prozentualen Metrik anstatt als einziges Akzeptanzkriterium.
Ein niedrigerer durchschnittlicher Fehler kann gefährliche Ausreißer verbergen
Ein Modell kann einen günstigen MAE erzielen, während es gelegentlich einen schwerwiegenden Vorhersagefehler macht.
RMSE, maximaler Fehler, Fehlerperzentile und Ergebnisse pro Zelle sollten überprüft werden, wenn späte Vorhersagen zu Tiefentladung, versäumter Wartung oder vorzeitigem Batteriewechsel führen könnten.
Genauigkeit in der Spätphase repräsentiert möglicherweise nicht den Nutzen in der Frühphase
Ein Algorithmus, der gegen Ende der Lebensdauer hochgenau wird, kann während der frühen und mittleren Phasen einer Mission oder Garantiezeit immer noch zu unsicher sein.
Die Bewertung sollte daher nach betrieblichem Alter stratifiziert werden, z. B. Vorhersagepunkte für frühe Zyklen, mittleres Alter und spätes Alter.
Schnellere Tests können die Beobachtbarkeit verringern
Beschleunigte Alterung reduziert die Kalenderzeit, kann aber die Degradationsmechanismen oder Lastbedingungen verändern, die im normalen Betrieb auftreten.
Der resultierende Algorithmus könnte das Verhalten bei beschleunigten Tests genau vorhersagen, während er bei Feldprofilen schlecht abschneidet. Die Validierung sollte dynamische Profile und gegebenenfalls Hardware-in-the-Loop- oder repräsentative Betriebstests umfassen.
Die richtige Wahl für Ihr Ziel treffen
Die nützlichste Bewertung ist ein Metrik-Set, das auf die Entscheidung abgestimmt ist, die der RUL-Algorithmus unterstützen muss.
- Wenn Ihr Hauptfokus auf der durchschnittlichen technischen Genauigkeit liegt: Verwenden Sie MAE als Hauptmetrik und geben Sie diese in Zyklen, Stunden oder Minuten an.
- Wenn Ihr Hauptfokus auf dem Vergleich zwischen Zellen mit unterschiedlichen Lebensdauern liegt: Fügen Sie MAPE oder den relativen Fehler hinzu, während Sie Ergebnisse nahe RUL Null mit Vorsicht behandeln.
- Wenn Ihr Hauptfokus auf der Vermeidung schwerwiegender Vorhersagefehler liegt: Beziehen Sie RMSE, maximalen Fehler und Fehlerverteilungen ein, um Ausreißer aufzudecken.
- Wenn Ihr Hauptfokus auf Wartungs- oder Einsatzsicherheit liegt: Berichten Sie zusätzlich zu Punktfehlermetriken Vorhersageintervalle oder kalibrierte Konfidenzniveaus.
- Wenn Ihr Hauptfokus auf der Prognose der frühen Lebensphase liegt: Bewerten Sie die Genauigkeit in mehreren betrieblichen Altersstufen, anstatt nur die Leistung am Ende oder in der Spätphase zu berichten.
- Wenn Ihr Hauptfokus auf dem Feldeinsatz liegt: Validieren Sie das Modell unter Verwendung dynamischer Lastprofile, präziser Degradationsmessungen und Hardware-in-the-Loop-Tests.
Eine zuverlässige RUL-Bewertung kombiniert absoluten Fehler, relativen Fehler, Unsicherheit und Leistung über die Betriebszeit, sodass eine verbesserte Präzision nachgewiesen und nicht nur angenommen wird.
Zusammenfassungstabelle:
| Metrik | Beschreibung | Anwendungsfall |
|---|---|---|
| MAE | Durchschnittlicher absoluter Unterschied zwischen vorhergesagter und tatsächlicher RUL | Direkte technische Entscheidungen, intuitive Fehlergröße |
| MAPE | Prozentualer Fehler relativ zur tatsächlichen RUL | Vergleich zwischen Zellen mit unterschiedlichen Lebensdauern; Vorsicht nahe dem Lebensende |
| RMSE | Wurzel aus dem mittleren quadratischen Fehler, bestraft große Fehler | Hervorhebung schwerwiegender Vorhersagefehler |
| Relativer Fehler | Fehler als Bruchteil der tatsächlichen RUL | Analyse des breiteren Modellverhaltens |
| Vorhersageintervalle | Bereich, innerhalb dessen die wahre RUL mit Sicherheit erwartet wird | Wartungs- und Sicherheitsplanung |
Optimieren Sie Ihre Batterie-F&E mit unseren fortschrittlichen Testlösungen. Kontaktieren Sie uns noch heute, um die Genauigkeit der RUL-Vorhersage zu verbessern und die Batterielebensdauer zu verlängern. Kontakt aufnehmen!