Doktorandprojekt: RUL-prediktion baserad på historisk battericykelloggar
Detta projekt syftar till att skapa ett arbetsflödesdiversifierat maskininlärningsalgoritm för att simulera batteriets återstående livslängdskurva (RUL) och dess motsvarande intervall baserat på historiska battericykelloggar vid Micropower.
Fakta om projektet
Doktorand
Zijie Feng
Huvudhandledare
Welf Löwe
Biträdande handledare
Per Ranstad, Roger Pettersson och Håkan Grahn (BTH)
Deltagande organisationer
Linnéuniversitetet, Micropower Group
Finansiär
Micropower Group, KK-stiftelsen (Industriforskarskolan för Data Intensive Applications (DIA)
Tidsplan
November 2023 – November 2028
Ämne
Data- och informationsvetenskap (institutionen för datavetenskap och medieteknik, fakulteten för teknik)
Forskargrupp
Data Intensive Software Technologies and Applications (DISTA)
Linnaeus University Centre
Linnaeus University Centre for Data Intensive Sciences and Applications (DISA)
Forskarskola
Industriforskarskolan Data Intensive Applications (DIA)
Mer om projektet
När tekniken utvecklas har användningen av batterier blivit alltmer utbredd i vardagen. Många traditionella bränsledrivna mekaniska enheter, såsom gaffeltruckar och AGV:er, drivs nu av batterier. Samtidigt har ökade krav på säkerhet och effektivitet lett till ett ökat fokus på att övervaka tillståndet hos batterier i dessa stora enheter.
Under användning minskar batteriets faktiska kapacitet gradvis. När kapaciteten sjunker till en viss gräns blir batteriet oanvändbart. I allmänhet kan vi mäta batteriets återstående livslängd (RUL) på två sätt: direkt genom att mäta batteriets fysiska och kemiska egenskaper, eller genom datadrivna modeller. Direkt mätning av batterier är dock mycket obekvämt, så RUL-prediktion baserad på datamodeller är en lovande forskningsinriktning. Beräkningen av RUL uppskattas vanligtvis med hänsyn till batteriets skick och kundens användning. Båda faktorerna påverkas dock av ett flertal variabler, vilket introducerar osäkerhet i den uppskattade RUL, såsom stora svängningar i RUL-kurvan.
I detta projekt använde vi olika maskininlärningsalgoritmer för att bygga och optimera arbetsflödet från historiska battericykelloggar till förutsägelsen av batteriets RUL och dess motsvarande konfidensintervall. Resultaten kommer att hjälpa batteriägare och leverantörer att sköta underhållet och att planera bytet av batterier i förväg.
Projektet är en del av forskningen i forskargruppen Data Intensive Software Technologies and Applications (DISTA), Linnaeus University Centre for Data Intensive Sciences and Applications (DISA) samt ingår i Industriforskarskolan Data Intensive Applications (DIA).