Fernandez, Bruno OzielKapp, Marcelo Napomoceno2021-10-152021-10-152021https://dspace.unila.edu.br/handle/123456789/6304Poder 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.poropenAccessPredição do Estado de Saúde de BateriaAprendizagem de MáquinaSéries TemporaisBateria de íon-LítiobachelorThesis