Geri Dön

Derin öğrenme ile lityum-iyon bataryalarda sağlık durumu sınıflandırması, kapasite kestirimi ve kalan faydalı ömür tahmini

State of health classification, capacity estimation, and remaining useful life prediction of lithium-ion batteries using deep learning

PDF İndir

  1. Tez No: 1012806
  2. Yazar: MELTEM SÜPÜRTÜLÜ
  3. Danışmanlar: PROF. DR. ERSEN YILMAZ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Bursa Uludağ Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Elektrikli ulaşım ve şebeke ölçekli enerji depolama sistemlerinde güvenli ve sürdürülebilir işletim, lityum-iyon bataryaların yaşlanma dinamiklerinin doğru biçimde modellenmesine bağlıdır. Sağlık durumu (SOH) izleme ve kalan faydalı ömür (RUL) kestirimi; yalnızca performans değerlendirmesi değil, güvenlik yönetimi ve yaşam döngüsü maliyet optimizasyonu açısından kritik bir mühendislik problemidir. Batarya bozunumunun doğrusal olmayan ve çok boyutlu yapısı, geleneksel yaklaşımların ötesinde veri temelli ve sistematik modelleme stratejilerinin geliştirilmesini zorunlu kılmaktadır. Bu tez çalışması, batarya bozunma süreçlerinin çok boyutlu doğasını dikkate alarak üç temel araştırma ekseni çerçevesinde kapsamlı bir analiz sunmaktadır: SOH sınıflandırması, kapasite ve RUL kestirimi. NASA veri seti üzerinde zaman alanına dayalı öznitelikler kullanılarak SOH sınıflandırması gerçekleştirilmiş; öznitelik seçimi yoluyla model karmaşıklığı azaltılırken, Uzun Kısa Süreli Bellek (LSTM) tabanlı mimariler ile %99'un üzerinde sınıflandırma doğruluğu elde edilmiştir. Döngü bazlı kapasite davranışının modellenmesi amacıyla zaman, frekans ve kaotik alan göstergelerinden oluşan çok alanlı bir öznitelik kümesi değerlendirilmiş; karşılıklı bilgiye dayalı seçicilik mekanizması ile daha kompakt ve temsil gücü yüksek öznitelik altkümeleri oluşturulmuştur. Bu yaklaşım, kapasite regresyonu performansında anlamlı bir iyileşme sağlamıştır. TRI ve SNL veri setleri kullanılarak, Çok Kriterli Uyarlanabilir Seçim (MCAS) tabanlı öznitelik seçimi ve Çift Dikkat Mekanizması ile güçlendirilmiş bir Çift Yönlü Uzun Kısa Süreli Bellek (Bi-LSTM) mimarisi geliştirilmiştir. Önerilen model, farklı batarya kimyalarında yeniden eğitime ihtiyaç duymaksızın yüksek genelleme kabiliyeti göstermiştir ve özellikle TRI veri setinde RMSE açısından %70'in üzerinde bir iyileşme elde edilmiştir. Elde edilen sonuçlar, çok alanlı öznitelik mühendisliği ile dikkat temelli derin öğrenme yaklaşımlarının bütünleşik kullanımının batarya ömür kestirimi problemleri için güçlü ve ölçeklenebilir bir çerçeve sunduğunu göstermektedir.

Özet (Çeviri)

Electric mobility and grid-scale energy storage systems rely on the accurate modeling of lithium-ion battery aging dynamics to ensure safe and sustainable operation. State of Health (SOH) monitoring and Remaining Useful Life (RUL) estimation are not merely performance assessment tasks, but critical engineering challenges directly linked to safety management and lifecycle cost optimization. The nonlinear and multi-dimensional nature of battery degradation limits the effectiveness of conventional approaches and necessitates the development of systematic and data-driven modeling strategies. This doctoral thesis presents a comprehensive analysis structured around three principal research axes, taking into account the multidimensional nature of battery degradation processes: SOH classification, capacity estimation, and RUL prediction. SOH classification is performed on the NASA battery dataset using time-domain features, where model complexity is reduced through feature selection and classification accuracies exceeding 99% are achieved using Long Short-Term Memory (LSTM)-based architectures. A multi-domain feature set composed of time-, frequency-, and chaos-domain indicators is evaluated to model cycle-based capacity behaviour. A mutual information-based feature selection mechanism is employed to construct more compact and highly representative feature subsets, resulting in a statistically significant improvement in capacity regression performance. Using the TRI and SNL datasets, a Bi-directional Long Short-Term Memory (Bi-LSTM) architecture enhanced with a dual attention mechanism and Multi-Criteria Adaptive Selection (MCAS)-based feature selection is developed. The proposed model demonstrates strong generalisation capability across different battery chemistries, requiring no retraining, and achieves an improvement of over 70% in terms of RMSE on the TRI dataset. The results indicate that the integrated use of multi-domain feature engineering and attention-based deep learning approaches provides a robust and scalable framework for predicting battery lifetime.

Benzer Tezler

  1. Tez No

    1014990

    Elektrikli araçlar için yapay öğrenme tabanlı durum tahmin algoritmalarına sahip akıllı batarya yönetim sistemi geliştirilmesi

    Development of a smart battery management system with machine learning-based state estimation algorithms for electric vehicles

    OSMAN DEMİRCİ

    Doktora

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiManisa Celal Bayar Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SEZAİ TAŞKIN

  2. Tez No

    898530

    Prediction life time of secondary batteries by machine learning models

    İkincil bataryalarda makina öğrenmesi modelleri ile ömür tayini

    BETÜL KÜBRA ARSLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Kimya MühendisliğiGebze Teknik Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGÜN YÜCEL

  3. Tez No

    949440

    Test verilerine dayalı, makine öğrenmesi ve derin öğrenme yöntemleri ile batarya sağlık durumu tahmini

    Battery state of health estimation based on test data using machine learning and deep learning methods

    MEHMET ALİ ARSLANTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FİKRET ÇALIŞKAN

  4. Tez No

    1003547

    Bir lityum bataryanın yapay sinir ağlarında kullanılan transfer öğrenmesi ile sağlık durumu kestirimi

    Health status estimation of a lithium battery using transfer learning in artificial neural networks

    İSMAİL KILIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiBursa Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSA AYDIN

  5. Tez No

    979072

    Derin öğrenme ve veri odaklı yaklaşımlar kullanarak batarya sağlık durumu (SOH) tahmini

    Battery state of health estimation using deep learning and data-driven approaches

    IMEN TURKI

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SULTAN ZEYBEK

Geri Dön