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

Página do item simplificado
dc.contributor.advisor
dc.contributor.authorFernandez, Bruno Oziel
dc.contributor.authorKapp, Marcelo Napomoceno
dc.date.accessioned2021-10-15T18:43:05Z
dc.date.available2021-10-15T18:43:05Z
dc.date.issued2021
dc.description.abstractPoder 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.pt_BR
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/6304
dc.language.isoporpt_BR
dc.rightsopenAccess
dc.subjectPredição do Estado de Saúde de Bateriapt_BR
dc.subjectAprendizagem de Máquinapt_BR
dc.subjectSéries Temporaispt_BR
dc.subjectBateria de íon-Lítiopt_BR
dc.titlePredição do Estado de Saúde de Baterias de Íon-Líto por Meio de Técnicas de Aprendizagem de Máquina e Séries Temporaispt_BR
dc.typebachelorThesispt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
tcc_Bruno_Oziel_Fernandez_2021.pdf
Tamanho:
1.72 MB
Formato:
Adobe Portable Document Format
Descrição:
Predição do Estado de Saúde de Baterias de Íon-Líto por Meio de Técnicas de Aprendizagem de Máquina e Séries Temporais
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC - Engenharia Física