31269

پيش بيني وضعيت سلامت باتري ليتيوم يوني به كمك فرآيندكاوي

كارشناسي ارشد

مهندسي صنايع

1401

1403/07/03

آقاي دكتر محمدرضا رسولي

آقاي دكتر بابك اميري

مهندسي صنايع

امروزه باتري ليتيوم يوني كاربردهاي وسيعي در صنايع هوافضا، خودوهاي برقي و پزشكي پيدا كرده است. يكي از چالش‌ها در اين نوع باتري ها، تخمين وضعيت سلامت آن در شرايط مختلف كاري و افزايش عمر باتري است. به عنوان مثال باتري يك ريز پرنده بسته به مقدار وزن محموله، دماي محيط، فشار هوا، سرعت باد و... زمان هاي مختلفي را براي دشارژ تجربه مي‌كند. روش‌هايي كه تاكنون براي پيش بيني وضعيت سلامت باتري مورد استفاده قرار گرفته است بيشتر با نگاه داده محور و نه فرآيند محور به دشارژ باتري پرداخته است. نگاه فرآيندي به دشارژ باتري موجب شد تا در مرحله اول از روش‌هاي فرآيندكاوي براي استخراج ويژگي هاي جديدي نظير زمان تكميل فرآيند دشارژ باتري، مدت زمان باقي ماندن در وضعيت هاي مختلف ولتاژي و ظرفيتي و در مرحله بعد به كمك ويژگي‌هاي جديد ايجاد شده، از روش رگرسيون براي پيش بيني وضعيت سلامت باتري استفاده شود. اين تحقيق نشان داد كه دقت پيش بيني وضعيت سلامت باتري با ويژگي‌هاي جديد بدست آمده از فرآيندكاوي، بيشتر از زماني است كه از روش‌هاي پيش بيني (نظير شبكه عصبي، بردار پشتيبان، درخت تصميم و رگرسيون) بر روي داده هاي خام حاصل از لاگ دشارژ انجام مي‌شود. در اين تحقيق متوسط قدرمطلق خطاي تخمين به كمك روش فرآيندكاوي و رگرسيون برابر 0 ، بردار پشتيبان 0.9، درخت تصميم 1.06 و ايكس جي بوست 1.07 بدست آمده است.

1403/07/12

Forecasting the state of health of the lithium battery using the process mining method

1/1/1900 12:00:00 AM

Nowadays, lithium-ion battery has found wide applications in aerospace, electric vehicle, medicine, etc. One of the challenges in this type of batteries is to estimate its state of health in different working conditions and increase battery life. For example, the battery of a small bird experiences different times for discharge depending on the weight of the cargo, ambient temperature, air pressure, wind speed, etc. The methods that have been used so far to predict the state of health of the battery have only looked at the battery discharge from a data-oriented perspective and not a process-oriented one. The process view of battery discharge led to the first stage of process mining methods to extract new features such as the time to complete the battery discharge process, the duration of remaining in different voltage and capacity states, and in the next stage with the help of new features created, from the method Regression can be used to predict the state of health. This research showed that the accuracy of predicting the health of the battery with new features obtained from the mining process is higher than when it is done using the prediction methods based on the raw data obtained from the discharge log. In this research, the MAE with the help of process mining and regression is equal to 0, support vector is 0.9, decision tree is 1.06 and XG boost is 1.07.

باتري ليتيوم يوني , سيستم مديريت باتري , وضعيت سلامت , فرآيندكاوي , رگرسيون چند متغيره , جستجوي فراگير

lithium-ion battery , battery management system , state of health , process mining , multivariate regression , exhaustive search

Mohammadreza Hadi

Dr.Mohammadreza Rasouli