Predição do Estado de Saúde de Baterias de Íon-Líto por Meio de Técnicas de Aprendizagem de Máquina e Séries Temporais
Data
2021
Autores
Fernandez, Bruno Oziel
Kapp, Marcelo Napomoceno
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
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.
Abstract
Descrição
Palavras-chave
Predição do Estado de Saúde de Bateria, Aprendizagem de Máquina, Séries Temporais, Bateria de íon-Lítio