Sylvestrin, Giovane Ronei2026-03-202026-03-202026-03-20https://dspace.unila.edu.br/handle/123456789/9736O rápido crescimento dos veículos elétricos (EVs) intensifica a demanda por armazenamento e torna estratégica a reutilização de baterias em “segundo uso” para aplicações estacionárias. A viabilidade depende de estimativas confiáveis do estado de saúde (State of Health, SOH) e da vida útil remanescente (Remaining Useful Life, RUL) a partir de sinais de sensores em sistemas de gerenciamento. Esta pesquisa investiga abordagens baseadas em dados para diagnóstico e prognóstico de baterias e propõe um pipeline completo de modelagem para estimação de indicadores de saúde. A pesquisa avança em três eixos: (i) revisão sistemática com a metodologia Proknow-C, mapeando tendências recentes em machine learning (ML) e deep learning (DL) para SOH, consolidando um panorama de bases públicas; (ii) framework escalável e reprodutível de engenharia e seleção de atributos, com mais de 40 mil variáveis em sete grupos (carga/descarga gerais, corrente constante (CC), tensão constante (CV) e análises derivadas de capacidade incremental e tensão diferencial), combinando seleção univariada e multivariada para formar subconjuntos interpretáveis e de valor preditivo; e (iii) predição de RUL com histórico curto (6 ciclos) no MIT Battery Dataset (LiFePO₄/grafite), avaliando 12 arquiteturas DL multibranch/multicanal (CNN-LSTM/GRU) diretamente nas curvas de dados e em modelo tabular baseado em boosting de árvores de decisão, além de fusão por stacking. As principais contribuições incluem: (a) síntese crítica e replicável do campo de pesquisa com Proknow-C e levantamento de bases públicas; (b) pipeline de grande escala para extração e seleção com ênfase em janelas deslizantes e interpretabilidade; (c) demonstração de que a combinação boosting e DL permite estimar RUL de forma robusta com histórico curto de ciclos. Como resultados obteve-se: framework capaz de extrair um conjunto robusto de 773 atributos finalistas ao longo de 40 modelos, com predominância de janelas deslizantes (~88%); modelos de previsão de capacidade em múltiplos horizontes com MAPE (Mean Absolute Percentage Error) < 1%; e, com histórico curto, o ensemblepor stacking alcançou MAPE ~6,0% e RMSE ~40,6 ciclos, superando modelos isolados e posicionando a abordagem no patamar superior da literatura recente. Esses resultados reforçam a aplicabilidade prática do método para acelerar triagem de segundo uso e apoiar decisões de manutenção com menor tempo de ensaio. Resumen El rápido crecimiento de los vehículos eléctricos (EVs) intensifica la demanda de almacenamiento de energía y vuelve estratégica la reutilización de baterías en “segundo uso” para aplicaciones estacionarias. La viabilidad depende de estimaciones confiables del estado de salud (State of Health, SOH) y de la vida útil remanente (Remaining Useful Life, RUL) a partir de señales de sensores en sistemas de gestión de baterías. Esta investigación analiza enfoques basados en datos para el diagnóstico y el pronóstico de baterías y propone un pipeline completo de modelado para estimar indicadores de salud. El estudio avanza en tres ejes: (i) una revisión sistemática con Proknow-C, que mapea tendencias recientes en aprendizaje de máquina (ML) y aprendizaje profundo (DL) para SOH y sintetiza bases públicas; (ii) un marco escalable y reproducible de ingeniería y selección de atributos, con más de 40.000 variables en siete grupos (carga/descarga, corriente constante (CC), voltaje constante (CV), y análisis derivados de capacidad incremental y voltaje diferencial), combinando selección univariada y multivariada para formar subconjuntos interpretables; y (iii) predicción de RUL con historial corto (6 ciclos) en el MIT Battery Dataset (LiFePO₄/grafito), evaluando 12 arquitecturas DL multirrama/multicanal (CNN-LSTM/GRU) sobre curvas de datos y un modelo tabular con boosting de árboles, además de fusión por stacking. Las contribuciones incluyen una síntesis replicable del campo y un pipeline a gran escala con énfasis en ventanas deslizantes e interpretabilidad, mostrando que la combinación de boosting y DL permite estimar RUL con historial corto. Los resultados incluyen 773 atributos finalistas (predominio de ventanas deslizantes, ~88%), predicción de capacidad en múltiples horizontes con MAPE < 1% y, con historial corto, un ensemble por stacking con MAPE ~6,0% y RMSE ~40,6 ciclos, superando modelos individuales y situando el enfoque entre los mejores de la literatura reciente. Estos hallazgos refuerzan la aplicabilidad del método para acelerar la clasificación de segundo uso y apoyar decisiones de mantenimiento con menor tiempo de ensayo.ptopenAccessbateriasaprendizagem de máquinaengenharia de atributosinteligência artificial - redes profundas