• português (Brasil)
    • español
    • English
  • English 
    • português (Brasil)
    • español
    • English
  • Login
View Item 
  •   DSpace Home
  • UNILA | Biblioteca Digital de Trabalhos de Conclusão de Curso
  • BDTCC1 - Graduação
  • TCC - Engenharia Física
  • View Item
  •   DSpace Home
  • UNILA | Biblioteca Digital de Trabalhos de Conclusão de Curso
  • BDTCC1 - Graduação
  • TCC - Engenharia Física
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Predição do Estado de Saúde de Baterias de Íon-Líto por Meio de Técnicas de Aprendizagem de Máquina e Séries Temporais

Thumbnail
View/Open
Predição do Estado de Saúde de Baterias de Íon-Líto por Meio de Técnicas de Aprendizagem de Máquina e Séries Temporais (1.724Mb)
Date
2021
Author
Fernandez, Bruno Oziel
Kapp, Marcelo Napomoceno
Metadata
Show full item record
Abstract
Poder determinar um sistema de confiabilidade de uma bateria pode garantir que ela trabalhe com segurança e confiabilidade. A principal abordagem de avaliação de um sistema de confiabilidade é determinar o estado de saúde (SOH) da bateria. Os avanços das ferramentas e algoritmos computacionais levaram a uma nova era de abordagens de análise preditiva baseada em dados, usando algoritmos de aprendizado de máquina e séries temporais. O objetivo deste trabalho é utilizar métodos de aprendizagem de máquinas e séries temporais para prever o estado de saúde de baterias de íon-Lítio. Com base no banco de dados disponível no site da NASA, Ames Prognostics Center of Excellence (PcoE), dois experimentos foram realizados. No primeiro, realizou-se a comparação dos resultados entre os algoritmos de aprendizagem de máquinas proposto, Support Vector Regression (SVR) e Multi-Layer Perceptron (MLP), numa abordagem global dos dados. No segundo experimento incluí-se o algoritmo de série temporal, Auto Regressive Integrated Moving Average (ARIMA), e comparou-se com os algoritmo de aprendizagem de máquina, numa abordagem mais local dos dados. Como os resultados, verifica-se que os melhores desempenhos, foram para os algoritmos de aprendizagem de máquinas, com destaque para o MLP.
URI
http://dspace.unila.edu.br/123456789/6304
Collections
  • TCC - Engenharia Física

DSpace software copyright © 2002-2016  DuraSpace
Contact Us | Send Feedback
Theme by 
Atmire NV
 

 

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

My Account

LoginRegister

Statistics

View Usage Statistics

DSpace software copyright © 2002-2016  DuraSpace
Contact Us | Send Feedback
Theme by 
Atmire NV