Elektrikli araçlarda otonom filo yönetim sistemi için federe öğrenme mimarisi ile prognostik sistemi
Federated learning based prognostic system for autonomous fleet management of electrical vehicles
- Tez No: 975912
- Danışmanlar: PROF. DR. AHMET YAZICI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Robotik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrikli araç (EV) filolarının verimli ve uzun ömürlü bir şekilde kullanımı için Şarj Durumu (SoC) ve Sağlık Durumu (SoH) gibi temel göstergelerin doğru ve güvenilir biçimde tahmin edilmesini gerektirir. Bu çalışmada, Batarya Yönetim Sistemleri (BMS) ve Prognostik Sağlık Yönetimi (PHM) alanında EV filo yönetimi karar destek süreçlerine katkı sunmak amacıyla, yapay zekâ (AI) tabanlı tahmin modellerini içeren bir yaklaşım sunulmaktadır. Bu doğrultuda önce tek bir EV'de SoC tahmini için geliştirilen Transformer tabanlı bir model önerilmiştir. Daha sonra, veri mahremiyeti, iletişim maliyetleri ve heterojenlik gibi bazı sınırlılıkları göz önünde bulundurularak, tahmin sürecinin dağıtık ortamlarda da gerçekleştirilmesine olanak tanıyan Federe Öğrenme (FL) mimarisi kullanılmıştır. EV filoları için önerilen FL tabanlı yaklaşımda hem SoC hem de SoH tahmini gerçekleştirilmiştir. Bu kapsamda özgün olarak geliştirilen Federe Uyarlanabilir İstemci Momentumu (FedACM) yöntemi, istemciler arası veri heterojenliğini ve dağılım dengesizliklerini azaltmak amacıyla özelleştirilmiş bir momentum güncelleme mekanizması ile desteklenmiştir. FL temelli SoH tahmini çalışmasında ise, sabit bir rota üzerinde toplanan sürüş verileri ile sürücü davranışları hız temelli özniteliklerle analiz edilerek Dinamik Zaman Bükülmesi (DTW) algoritmasıyla benzerlik ölçülmüş ve her istemciye ağırlık değeri atanmıştır. SoH değeri, birim SoC değişimine karşılık gelen mesafe üzerinden referansla hesaplanmış ve FL yaklaşımıyla global tahmin elde edilmiştir. Önerilen yöntemler NASA, BMW i3, Stanford ve Musoshi L5 gibi çeşitli farklı alanlardaki veri kümeleri üzerinde yapılan deneysel çalışmalarda başarı ile test edilmiştir. Ayrıca verinin bir sunucuda toplanması senaryosunda merkezi yaklaşımların başarımı ise LSTM, Bi-LSTM ve SVR gibi klasik yöntemlerle karşılaştırmalı olarak değerlendirilmiştir. Elde edilen bulgular, FL tabanlı modellerin yalnızca yüksek doğrulukla tahmin sunmakla kalmadığını, aynı zamanda veri gizliliği, ölçeklenebilirlik ve kişiselleştirilmiş yönetim açısından da önemli avantajlar sunduğunu ortaya koymaktadır. Bu yaklaşım batarya kullanımın kritik olduğu tüm robotik ve mekatronik sistem filoları için ölçeklenebilir.
Özet (Çeviri)
For the efficient and long-lasting operation of electric vehicle (EV) fleets, it is essential to accurately and reliably predict key indicators such as State of Charge (SoC) and State of Health (SoH). In this study, an artificial intelligence (AI)-based predictive framework is proposed to contribute to decision support processes in EV fleet management, particularly within the domains of Battery Management Systems (BMS) and Prognostic Health Management (PHM). Accordingly, a Transformer-based model was first developed for SoC estimation in a single EV. Subsequently, considering limitations such as data privacy, communication cost, and heterogeneity, a Federated Learning (FL) architecture was employed to enable the prediction process to be carried out in distributed environments as well. Within the proposed FL-based approach for EV fleets, both SoC and SoH estimation were performed. In this context, a novel Federated Adaptive Client Momentum (FedACM) method was introduced, which incorporates a customized momentum update mechanism to mitigate inter-client data heterogeneity and distribution imbalances. In the FL-based SoH estimation task, driving data collected on a fixed route were analyzed using speed-based features to capture driver behavior. Similarities were measured with the Dynamic Time Warping (DTW) algorithm, and weight values were assigned to each client. The SoH value was then calculated with reference to the distance corresponding to a unit SoC change, and a global prediction was obtained through the FL approach. The proposed methods were successfully validated through experimental studies on diverse datasets, including NASA, BMW i3, Stanford, and Musoshi L5. In addition, under a centralized data collection scenario, the performance of centralized approaches was comparatively evaluated against classical methods such as LSTM, Bi-LSTM, and SVR. The findings reveal that FL-based models not only provide highly accurate predictions but also offer significant advantages in terms of data privacy, scalability, and personalized management. This approach is scalable to all robotic and mechatronic system fleets where battery usage is critical.
Benzer Tezler
- Filo kiralama sektörünün Türkiye'deki konumu, geleceği ve otomotiv piyasalarına etkisi
The position, future of the fleet rental industry in Turkey and its impact on automotive markets
MUSTAFA ÖMÜR ORHAN
Yüksek Lisans
Türkçe
2025
Otomotiv MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiOtomotiv Mühendisliği Ana Bilim Dalı
DOÇ. DR. ASLAN ÇOBAN
- Reducing in-vehicle communication overload and enhancing efficiency in autonomous and electrical vehicles
Otonom ve elektrikli araçlarda araç içi iletişim yükünü azaltma ve etkinliğini artırma
YUNUS KAĞAN ÖZDEMİR
Yüksek Lisans
İngilizce
2024
Otomotiv Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET CANSIZ
- Elektrikli araçlarda yerleşik şarj cihazı sistemlerinin simülasyon ortamında analizi
Analysis of on-board charging systems in electric vehicles through simulation environment
İZZET EMRE KARSAVURAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBilecik Şeyh Edebali ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF ÇİLLİYÜZ
- Otonom bir elektrikli aracın adaptif hız uyarlamalı kontrolü için model öngörülü kontrol tasarımı
Model predictive control design for adaptive cruise control of an autonomous electric vehicle
BERKE MİRAÇ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiKontrol Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR YILDIRAN
- Development of electric powertrain selection algorithm for electric vehicles
Elektrikli araçlarda güç grubu seçim algoritması geliştirilmesi
METEHAN ŞAHİN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR ÜSTÜN