Bataryaların kalan faydalı ömrünün yapay zeka yöntemleri kullanılarak incelenmesi
Investigation of the remaining useful life of batteries using artificial intelligence methods
- Tez No: 994620
- Danışmanlar: DOÇ. DR. MEHMET KONAR, DR. ÖĞR. ÜYESİ TUĞBA TETİK
- Tez Türü: Yüksek Lisans
- Konular: Havacılık ve Uzay Mühendisliği, Aeronautical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Havacılık Elektrik ve Elektroniği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Şarj edilebilir bataryalar, modern teknolojik sistemlerin temel güç kaynakları olarak kritik bir rol oynamaktadır. Ancak bu bataryaların sınırlı bir çevrim ömrüne sahip olması, kullanım ömürleri dolduğunda değiştirilmelerini gerektirir. Bu bağlamda Lityum-iyon bataryalar, yüksek enerji yoğunluğu, hızlı şarj özelliği ve hafiflik gibi avantajları nedeniyle birçok uygulama için ideal bir seçenek olsa da, ısıl bozunma ve yaşlanma gibi önemli dezavantajlar da bulunmaktadır. Bataryaların kullanım ömrünü en üst düzeye çıkarmak için ideal şarj ve saklama koşulları gerekse de, bu koşulların pratikte her zaman optimum düzeyde sağlanamaması, bataryaların Kalan Faydalı Ömrünün (RUL) ve Sağlık Durumunun (SoH) tahmin edilmesini zorunlu kılmaktadır. Bu tür öngörüsel tahminler, sistem güvenliğini artırarak olası kazaların ve öngörülemeyen operasyonel problemlerin önlenmesinde hayati bir öneme sahiptir. Bu çalışmanın temel amacı, Li-ion bataryaların sağlık durumunu yüksek doğrulukla tahmin etmeye yönelik olarak yedi farklı makine öğrenmesi ve derin öğrenme modelinin performansını karşılaştırmalı olarak analiz etmektir. Bu kapsamda, NASA Ames Prognostik Mükemmeliyet Merkezi (Prognostics Center of Excellence, PCOE) tarafından yayımlanan batarya veri seti kullanılmıştır. Çalışmada, RWKV, LSTM, k-NN, GBT, SVM, LR, EL makine öğrenmesi ve derin öğrenme yöntemlerinin SoH ve RUL tahmin yetenekleri incelenmiştir. Elde edilen bulgulara gore, GBT modeli SoH tahmininde en düşük hatayı (RMSE:0.0047) verirken, RWKV modeli RUL tahmininde en kararlı sonuçları (0.96 çevrim sayısı) sunmuştur.
Özet (Çeviri)
Rechargeable batteries play a critical role as fundamental power sources in modern technological systems. However, their limited cycle life necessitates replacement once their operational lifespan is exhausted. In this context, although lithium-ion batteries are considered an ideal option for many applications due to their high energy density, fast-charging capability and lightweight nature, they also exhibit significant drawbacks such as thermal degradation and aging. Although optimal charging and storage conditions are essential to maximize battery lifespan, maintaining such ideal conditions in practice is often challenging. Consequently, the prediction of Remaining Useful Life (RUL) and State of Health (SoH) of batteries becomes indispensable. Such predictive estimations are of vital importance for enhancing system safety and preventing potential accidents and unforeseen operational failures. The primary objective of this study is to comparatively analyze the performance of seven different machine learning and deep learning models for accurately estimating the health state of lithium-ion batteries. In this regard, the battery dataset published by the NASA Ames Prognostics Center of Excellence (PCOE) has been utilized. The study investigates the SoH and RUL prediction capabilities of RWKV, LSTM, k-NN, GBT, SVM, LR, and EL-based machine learning and deep learning methods. According to the results, the GBT model achieved the highest accuracy in SoH estimation (RMSE:0.0047), while the RWKV model demonstrated superior perfomance in RUL prediction (0.96 cycles).
Benzer Tezler
- Batarya yönetim sistemlerinde lityum-iyon pillerin kalan faydalı kapasitesinin tahmini için sinyal işlemeye dayalı yöntemlerin geliştirilmesi
Development of signal processing-based methods for estimating the remaining useful capacity of lithium-ion batteries in battery management systems
OZANCAN BAYRİ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SITKI AKKAYA
- Bataryaların kalan faydalı ömrünün derin öğrenme kullanılarak incelenmesi
Investigation of the remaining life of batteries using deep learning
HAVA MERVE ÇITIRIK
Yüksek Lisans
Türkçe
2023
Sivil HavacılıkErciyes ÜniversitesiSivil Havacılık Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET KONAR
DR. OĞUZ BEKTAŞ
- 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
MELTEM SÜPÜRTÜLÜ
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERSEN YILMAZ
- Prediction life time of secondary batteries by machine learning models
İkincil bataryalarda makina öğrenmesi modelleri ile ömür tayini
BETÜL KÜBRA ARSLAN
Yüksek Lisans
İngilizce
2024
Kimya MühendisliğiGebze Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜN YÜCEL
- Elektrikli araçlar için batarya yönetim sistemi algoritması tasarımı ve geliştirilmesi
Battery management system algorithm design and implementation for electric vehicles
MERVE YENİOĞLU
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENGİN AYÇİÇEK
PROF. DR. OZAN ERDİNÇ