Geri Dön

Bir lityum bataryanın yapay sinir ağlarında kullanılan transfer öğrenmesi ile sağlık durumu kestirimi

Health status estimation of a lithium battery using transfer learning in artificial neural networks

PDF İndir

  1. Tez No: 1003547
  2. Yazar: İSMAİL KILIÇ
  3. Danışmanlar: PROF. DR. MUSA AYDIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Alan uyarlaması, Derin öğrenme, Lityum iyon pil, Öğrenme transferi, Domain adaptation, Deep learning, Lithium ion battery, Transfer of learning
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Bursa Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Yeni nesil elektrikli araçların ve enerji depolama sistemlerinin hızla yaygınlaşmasıyla, yüksek enerji yoğunlukları ve uzun çevrim ömürleri sayesinde öne çıkan Lityum İyon Bataryaların (LIB) kullanımını kritik hale getirmiştir. Ancak, LIB'ler zamanla ve kullanıma bağlı olarak yaşlanır; bu durum kapasite kaybı ve iç direnç artışı ile sonlanır. Batarya güvenliği, verimliliği ve ömrünün uzun kalması için Batarya Yönetim Sistemleri'nin (BYS) temel bir işlevi olan Sağlık Durumu (SOH) kestiriminin doğru ve süratli bir şekilde yapılması gereklidir. Geleneksel kestirim yaklaşımları, batarya sisteminin yüksek derecede doğrusal olmaması, iç durumların doğrudan ölçülememesi ve çevresel gürültülerden kolayca etkilenmesi gibi teknik güçlüklerle sınırlanmaktadır. Bu sınırlamaların üstesinden gelmek için, zamana bağlı değişimleri ve karmaşık doğrusal olmayan örüntüleri otomatik olarak öğrenebilen Yapay Zeka (YZ) ve Derin Öğrenme (DÖ) modelleri öne çıkmıştır. DÖ modelleri yüksek doğruluk sunmasına rağmen, güvenilir sonuçlar elde etmek için büyük miktarda etiketlenmiş eğitim verisine ihtiyaç duyar. Oysa pilin yaşlanma deneylerinin uzun sürmesi ve maliyetli olması bu tür veri setlerinin elde edilmesini güçleştirmektedir. Dahası, farklı pil kimyaları ve operasyonel koşullar değiştiğinde alan tutarsızlığı (domain shift) sorunları ortaya çıkarak modelin genelleştirilebilirliğini düşürür. Bu tezin amacı, kısıtlı etiketli veri ve alan tutarsızlığı koşullarında bile yüksek doğrulukta SOH kestirimi yapabilen, genelleştirilebilir DÖ modelleri geliştirmektir. Bu amaç doğrultusunda, Transfer Öğrenimi (TL) ve Dinamik Alan Uyumlaştırma Ağı (DDAN) gibi gelişmiş teknikler kullanılmıştır. Çalışmada, iki farklı deneysel veri seti, NASA ve CALCE, arasındaki bilgi transferi incelenmiştir. Kaynak olarak NASA'dan B0005, B0006, B0007, B0018 pilleri, hedef olarak CALCE'den CX2_35, CX2_36, CX2_37, CX2_38 pilleri kullanılarak toplam 16 farklı çapraz pil transfer senaryosu uygulanmıştır. Karşılaştırma için üç temel metodoloji olarak CNN-BiGRU-Attention Kaskad Mimari, Çift Parçacık Sürü Optimizasyonu (PSO) ile optimize edilmiş Zamansal Evrişimli Ağ (TCN) mimarileri kullanılmıştır. Önerilen metodoloji olan CNN-BiGRU-Attention-DDAN, kaynak ve hedef alanlar arasındaki farklılıklarını Maksimum Ortalama Fark (MMD) metriği ile dengeleyerek en başarılı ve en istikrarlı genelleme performansı sağlamıştır. DDAN uzman modellerinin 16 transfer senaryosundaki ortalama MAE değeri 0,0572 olarak ölçülmüştür. Bu başarı, Temel TL uzmanlarının ortalama MAE değeri olan 0,0666'ya ve PSO-TCN uzmanlarının ortalama MAE değeri olan 0,0896'ya kıyasla önemli bir üstünlük sağlamıştır. Ayrıca, hedef alana ait sınırlı miktarda etiketli veri (%10, %20, %30 fraksiyonlarının) kullanılarak yapılan İnce Ayar (Fine-Tuning) stratejisinin performansa etkisi detaylıca incelenmiştir. DDAN ile zaten başarılı adaptasyon sağlanmış modellerde, ek FT uygulanmasının MAE değerini yükselterek aşırı öğrenmeye (overfitting) neden olduğu tespit edilmiştir. Bu kritik bulgu, Alan Adaptasyonu stratejilerinin, geleneksel ince ayar yöntemlerinden metodolojik olarak ne kadar üstün olduğu konusunda önemli bir çıkarım sunmaktadır. Son olarak, Derin Öğrenme modelinden elde edilen gürültülü SOH kestirimini yumuşatmak ve daha fiziksel olarak tutarlı SOH eğrileri elde etmek amacıyla tahmin sonrası işlem adımı olarak Kokusuz Kalman Filtresi (UKF) uygulanmıştır. Sonuçlar, kaskad DÖ mimarisinin DDAN ile birleştirilmesinin, kısıtlı etiketli veri ve alan tutarsızlığı sorunlarını çözmek için en etkili yöntem olduğunu doğrulamaktadır.

Özet (Çeviri)

The rapid expansion of next-generation electric vehicles (EVs) and energy storage systems (ESS) has made Lithium-Ion Batteries (LIBs), prominent for their high energy densities and long cycle lives, critically important. However, LIBs degrade over time and usage, leading to capacity fade and increased internal resistance. Accurate and prompt estimation of the State of Health (SOH) is essential for Battery Management Systems to maintain safety, efficiency, and prolong system life. Traditional estimation methods (direct measurement, model-based approaches) are constrained by technical difficulties such as the highly non-linear nature of the battery system, the inability to directly measure internal states, and susceptibility to environmental noise. To overcome these limitations, Artificial Intelligence (AI) and Deep Learning (DL) models, which can automatically learn temporal changes and complex non-linear patterns, have been adopted. Despite the high accuracy of DL models, obtaining reliable results requires large amounts of labeled training data. This data is difficult to acquire due to the length and cost of battery aging experiments. Furthermore, when transitioning between different battery chemistries or operating conditions, domain shift issues arise, reducing the model's generalizability. The primary objective of this thesis is to develop generalizable DL models capable of high-accuracy SOH estimation, even under conditions of limited labeled data and domain inconsistency. To achieve this, advanced techniques such as Transfer Learning (TL) and Dynamic Domain Adaptation Network (DDAN) were employed. The study investigated information transfer between two distinct experimental data sets: NASA (Source Domain) and CALCE (Target Domain). Using NASA batteries (B0005, B0006, B0007, B0018) as the source and CALCE batteries (CX2_35, CX2_36, CX2_37, CX2_38) as the target, a total of 16 different cross-battery transfer scenarios (4x4 matrix experiments) were conducted. Three core methodologies were compared: the Cascade Architecture (CNN-BiGRU-Attention) combining Convolutional Neural Networks (CNN), Bidirectional Gated Recurrent Units (BiGRU), and an Attention Mechanism, Standard TL, and the Temporal Convolutional Network (TCN) optimized using Particle Swarm Optimization(PSO). The proposed CNN-BiGRU-Attention-DDAN methodology proved to be the most successful and stable approach for generalization, by mitigating the distribution differences between source and target domains using the Maximum Mean Discrepancy (MMD) metric. The average Mean Absolute Error (MAE) for the DDAN expert models across 16 transfer scenarios was 0.0572. This demonstrates significant superiority compared to the average MAE of the Basic TL experts (0.0666) and the PSO-TCN experts (0.0896). Furthermore, the impact of the Fine-Tuning (FT) strategy, applied using small fractions of labeled target data (10%, 20%, 30%), was analyzed in detail. It was found that applying additional FT to models already successfully adapted by DDAN actually increased the MAE (for instance, rising from 0.0572 to 0.1195 with 30% FT), indicating overfitting. This critical finding suggests that Domain Adaptation strategies are methodologically superior to traditional fine-tuning in this context. Finally, the Unscented Kalman Filter (UKF) was optionally applied as a post-processing step to smooth the noisy SOH predictions obtained from the Deep Learning model, yielding physically more consistent SOH curves. The results confirm that the integration of the cascade DL architecture with DDAN is the most effective method for solving limited labeled data and domain inconsistency problems.

Benzer Tezler

  1. Tez No

    898813

    Elektrikli bir aracın batarya sisteminin elektriksel modellenmesi

    Electrical modeling of battery system of an electric vehicle

    MOHAMMED ABDULMALEK ABDULRAHMAN MOHAMMED

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    EnerjiDicle Üniversitesi

    Yenilenebilir Enerji Ana Bilim Dalı

    PROF. DR. HASAN BAYINDIR

  2. Tez No

    700236

    Elektrikli araçlarda yapay sinir ağı tabanlı batarya sağlık durumu kestirimi

    State of health estimation in electric vehicles based on artificial neural network

    MUSTAFA DİNEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERHAT İKİZOĞLU

  3. Tez No

    1018805

    Battery state-of-health (SOH) aware system using machine learning for energy management of a hybrid electric vehicle

    Hibrit elektrikli araçta enerji yönetimi için makina öğrenmesi tabanlı batarya sağlık durumu farkındalıklı sistem

    ANILCAN ÖZKAN

    Doktora

    İngilizce

    İngilizce

    2026

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. SENEM KURŞUN

    DOÇ. DR. OSMAN TAHA ŞEN

  4. Tez No

    878246

    Reinforcement learning based battery thermal management controller for electric vehicle charge time optimization using horizon data

    Ufuk verileri kullanılarak takviyeli öğrenme tabanlı batarya termal yönetim kontrolü ile elektrikli araçlarda şarj süresinin iyileştirilmesi

    YUNUS TURHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT YILMAZ

  5. Tez No

    600399

    Estimation of remaining useful life by using neural network method for lithium based batteries in aviation applications

    Havacılıkta kullanılan lityum tabanlı bataryaların yapay sinir ağları ile ömür kestirmine katkılar

    HÜSEYİN SELÇUK POLATÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ

Geri Dön