Predicción de la vida útil restante de las baterías de iones de litio a través de la atención espacial TLSTM y la CNN...

Área de la Ciencia:

• Ingeniería eléctrica
• Ciencias de los materiales
• Ciencias de la computación

Sus antecedentes:

• La estimación precisa de la vida útil restante de las baterías de iones de litio es fundamental para la eficiencia operativa y el mantenimiento predictivo.
• Los modelos existentes a menudo tienen problemas con los efectos de regeneración de la capacidad y una generalización limitada.

Objetivo del estudio:

• Desarrollar un marco avanzado de aprendizaje profundo para la estimación precisa de las RUL de las baterías de iones de litio.
• Abordar las limitaciones de los modelos tradicionales mediante la incorporación de datos multicanal y nuevas estrategias de optimización.

Principales métodos:

• Una arquitectura híbrida de aprendizaje profundo que combina atención espacial, memoria transductiva a largo plazo (TLSTM) y capas convolucionales dilatadas en 1D.
• Estrategia de Evolución Diferencial (DE) basada en clustering para la inicialización y optimización de peso robusto.
• Un marco de aprendizaje multicanal de muchos a uno que utiliza datos de voltaje, corriente y temperatura.

Principales resultados:

• El modelo propuesto supera significativamente los métodos de última generación en el conjunto de datos de la batería de iones de litio de la NASA.
• Se obtienen reducciones de error del 10-14% y un error promedio porcentual absoluto (MAPE) entre 0,0053 y 0,0095.
• Demostrado mayor robustez de predicción y capacidades de generalización.

Conclusiones:

• El nuevo marco ofrece un avance significativo en el monitoreo de la salud de la batería y el mantenimiento predictivo.
• Este es el primer modelo en integrar TLSTM impulsado por la atención espacial con DE de convolución dilatada y basado en clustering en un contexto multicanal.
• Los hallazgos establecen un nuevo punto de referencia para la predicción precisa y fiable de RUL.