Robustez de modelos secuenciales aumentados con CNN para la predicción de RUL de baterías de iones de litio en...

Área de la Ciencia:

• Monitoreo de la Salud de Baterías
• Aprendizaje Automático para Ingeniería
• Mantenimiento Predictivo

Sus antecedentes:

• La predicción precisa de la Vida Útil Restante (RUL) es vital para la seguridad y confiabilidad de las baterías de iones de litio.
• Las aplicaciones industriales a menudo enfrentan escasez de datos, lo que dificulta la eficacia de la predicción de RUL.
• Las arquitecturas híbridas de Redes Neuronales Convolucionales (CNN) y modelos secuenciales ofrecen una solución potencial pero requieren una evaluación sistemática.

Objetivo del estudio:

• Evaluar sistemáticamente el rendimiento de los modelos híbridos CNN-secuenciales para la predicción de RUL en condiciones de escasez de datos.
• Evaluar el impacto de la extracción de características derivadas de CNN en la robustez del modelo secuencial.
• Comparar la eficacia de diferentes modelos secuenciales (GRU, LSTM, Transformer, Neural ODE, Transformer (Pre-LN)) en la predicción de RUL con datos limitados.

Principales métodos:

• Se utilizó una CNN para la extracción de características de baja dimensión a partir de ciclos completos de carga-descarga de la batería.
• Se evaluaron sistemáticamente cinco modelos secuenciales (GRU, LSTM, Transformer, Neural ODE, Transformer (Pre-LN)) utilizando las características extraídas.
• Se simuló la escasez de datos eliminando progresivamente los ciclos de carga-descarga (0%, 10%, 30%, 50%).
• Se empleó la validación cruzada leave-one-out en los conjuntos de datos de baterías NASA y CALCE.

Principales resultados:

• La extracción de características basada en CNN mejoró significativamente la robustez de todos los modelos secuenciales evaluados.
• Las redes recurrentes (GRU, LSTM) superaron consistentemente a arquitecturas más complejas en condiciones de datos limitados.
• El enfoque híbrido propuesto demostró una mayor precisión y confiabilidad en la predicción de RUL.

Conclusiones:

• Los modelos híbridos CNN-secuenciales proporcionan una metodología robusta para la predicción de RUL, especialmente en entornos industriales con escasez de datos.
• Las redes neuronales recurrentes muestran un fuerte rendimiento en la predicción de RUL cuando la disponibilidad de datos es limitada.
• Esta investigación ofrece información práctica para el desarrollo de predictores de RUL confiables para baterías de iones de litio.