| نوع مدرک: | متون چاپی |
| سرشناسه | فرهمند ، عباس، نویسنده |
| رده‌بندی کنگره : | ELE 43 1400 |
| عنوان : | پیش‌بینی و مدیریت سلامت باتری‌های لیتیوم یونی بر اساس الگوریتم یادگیری عمیق |
| عنوان موازی : | Prognostic and Health Management of Li-Ion battery based on Deep Learning Algorithm |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1400 |
| صفحه شمار: | و؛ 66ص |
| شابک/شاپا | 24113 |
| یادداشت | پایان نامه کارشناسی ارشد: رشته مهندسی برق گرایش سیستم های قدرت |
| شناسه افزوده : | شفیعی ، احمدرضا، استاد راهنما |
| توصیفگرها | باتری لیتیوم یونی یادگیری عمیق پیش بینی و مدیریت سلامت عمر مفید باقیمانده نگهداری پیش بینانه Lithium-ion battery Deep learning Health prediction and management Remaining useful life Predictive maintenance |
| چکیده : | با رشد و توسعه صنعت مدرن، فناوری باتری‌های لیتیوم-یونی به‌طور گسترده‌ای در خودرو، تجهیزات خانگی، ارتباطات، هوافضا و سایر زمینه‌ها مورداستفاده قرارگرفته‌اند. خرابی این باتری¬ها ممکن است منجر به عدم عملکرد یا نقص عملکرد تجهیزات و یا دستگاه‌های مورداستفاده شود که باعث ایجاد خسارت شده و هزینه را افزایش می‌دهد؛ بنابراین باتوجه به اهمیت و استفاده فراگیر از باتری‌های لیتیوم-یونی، پیش‌بینی طول¬عمر و بررسی وضعیت سلامت آن‌ها به¬خصوص در وسایل و تجهیــزات حساس بسیـار حائز اهمیت می¬باشد. هدف از پژوهش حاضر ارائه چارچوبی برای نظارت بر وضعیت باتری¬های لیتیوم-یونی و پیش¬بینی باقی¬مانده عمر آن‌ها با استفاده از الگوریتم یادگیری عمیق می¬باشد. این چهارچوب شامل روند آموزش مجموعه داده‌ها که شامل کاهش نویز، بهینه¬سازی پارامترهای کلیدی، پیش¬بینی با الگوریتم بهینه‌سازی و اضافه کردن مکانیسم توجه برای بهبود دقت الگوریتم و سرانجام پیش‌بینی نتایج می¬باشد. پژوهش حاضر از چهار لایه اصلی تشکیل‌شده است که لایه‌ی اول مربوط به داده¬ها بوده که از پایگاه داده‌های مرکز تحقیقات عالی ناسا برای باتری¬های عمومی استفاده می¬شود. در لایـه¬ی بعدی که موسوم به لایـه¬ی پاک‌سازی داده می-باشد از الگوریتم تجزیه حالت متغیر برای نویزگیری داده¬ها استفاده می¬شود. در لایه¬ی سوم که به‌عنوان لایه-ی بهینه¬سازی شناخته می¬شود، داده¬های نویزگیری شده توسط الگوریتمی که متشکل از مکانیسم توجه و الگوریتم بهینه¬ساز گرگ خاکستری هیبرید می‌باشد، بهینه‌سازی می¬شود و در لایه¬ی چهارم وضعیت سلامت و میزان عمر باقی¬مانده¬ی باتری¬های لیتیوم-یونی تخمین زده می¬شود. درنهایت دقت محاسبات و میزان خطای میانگین آن‌ها بین دو الگوریتم پیشنهادی پژوهش حاضر و الگوریتم LSTM استاندارد مقایسه می‌شوند. نتایج نشان می¬دهد که استفاده از الگوریتم پیشنهادی دقت محاسبات را به میزان قابل‌توجهی افزایش داده و اختلاف دقت بین الگوریتم پیشنهادی و الگوریتم LSTM، با افزایش میزان استفاده از داده برای آموزش، کاهش چشم¬گیری پیداکرده است |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=13262 |
| زبان مدرک : | فارسی |
پیش‌بینی و مدیریت سلامت باتری‌های لیتیوم یونی بر اساس الگوریتم یادگیری عمیق (1400) / فرهمند ، عباس، نویسنده