Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/32065
Registro completo de metadados
Campo DCValorIdioma
dc.creatorGotz, Joelton Deonei-
dc.date.accessioned2023-08-14T20:26:29Z-
dc.date.available2023-08-14T20:26:29Z-
dc.date.issued2023-06-07-
dc.identifier.citationGOTZ, Joelton Deonei. Aplicação de machine learning para a identificação, tratamento e antecipação de falhas em baterias de íons de lítio. 2023. Tese (Doutorado em Engenharia Mecânica e de Materiais) - Universidade Tecnológica Federal do Paraná, Curitiba, 2023.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/32065-
dc.description.abstractThe search for electric vehicles has been growing strongly since the last decade due to governmental and climate pressures and the replacement of fossil fuels by renewable energies. Consequently, the adoption of lithium-ion batteries (LIB) for storage systems is accelerating. LIB is a dominant technology with several advantages compared to other forms of storage, such as higher energy density, higher capacity, and longer lifetime, among other characteristics. Despite this, LIB is sensitive to failure and must be operated safely and under controlled conditions. Otherwise, various abuses and faults may appear, such as external and internal short-circuit faults, overcharging, over-discharging, overheating, and thermal avalanche. This way, the Battery Management System (BMS) is used to equalize and control battery operation and prevent failures. However, the BMS is designed with inflexible programming and is only effective for new and balanced cells. Therefore, due to natural degradation and imbalance resulting from the battery construction, the BMS may fail and not operate correctly, which can cause failures and abuse. Thus, the application of Machine Learning (ML) techniques can be an excellent approach to assist in diagnosing and prognosis of failures in lithium-ion batteries. Therefore, this work presents a collection of four ML applications in batteries, which were published in high-impact international journals. The first work applied six ML models to diagnose abuse and failures in lithium-ion cells. This work used Sensitivity as a comparison metric between the models. The results indicated that the proposed models could be applied to identify faults in batteries with high accuracy. Then, the second article used the concept of anomaly detection to identify abnormalities in cells through thermal monitoring of a 3-cell pack. The work demonstrated that an anomaly is the first failure stage, and the models could anticipate overheating failures by up to 52 seconds. The third article applied the context of Random Forest and Isolation Forest to stop and handle failures in individual cells. The developed work can interrupt external short circuits, overcharging, over-discharging, and combining the three failures. As a result of the work, the applied system reduced capacity loss by up to 91%. Finally, the fourth work was developed to estimate overheating failures in a battery pack using a context composed of two steps. In the first step, the system calculates the future values of the main parameters collected from the batteries. Then, in the second stage, the system classifies failures or non-failures based on the estimated values of the first stage. The work was applied to two sets of data. Initially, the system can predict a failure about 35 to 40 seconds in advance. On the other hand, it could anticipate a failure by up to 70 seconds for the second dataset with external short circuit cases. In this way, this collection of articles can demonstrate the potential of applying ML to diagnose, treat, interrupt, and predict failures and abuses in lithium-ion cells and, in this way, help the BMS extend the battery life.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/pt_BR
dc.subjectBaterias de íons de lítiopt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectLocalização de falhas (Engenharia) - Análisept_BR
dc.subjectVeículos elétricospt_BR
dc.subjectModelos de engenhariapt_BR
dc.subjectCurtos-circuitospt_BR
dc.subjectSistemas de gerenciamento de bateriapt_BR
dc.subjectLithium ion batteriespt_BR
dc.subjectMachine learningpt_BR
dc.subjectFault location (Engineering) - Analysispt_BR
dc.subjectElectric vehiclespt_BR
dc.subjectEngineering modelspt_BR
dc.subjectShort circuitspt_BR
dc.subjectBattery management systemspt_BR
dc.titleAplicação de machine learning para a Identificação, tratamento e antecipação de falhas em baterias de íons de lítiopt_BR
dc.title.alternativeApplication of machine learning for the identification, treatment and anticipation of failures in lithium-ion batteriespt_BR
dc.typedoctoralThesispt_BR
dc.description.resumoA busca por veículos elétricos vem crescendo fortemente, desde a última década, devido a pressões governamentais e climáticas, além da substituição de combustíveis fósseis por energias renováveis. Como consequência, ocorre a aceleração da adoção de baterias de íons de lítio (BIL) para sistemas de armazenamento. BIL é uma tecnologia dominante com várias vantagens em comparação com outras formas de armazenamento, a saber: maior densidade de energia, maior capacidade, vida útil mais longa, entre outras características. Apesar disso, BIL é sensível a falhas e deve ser operada com segurança e em condições controladas. Caso contrário, diversos abusos e falhas podem aparecer, como: falhas de curto-circuito externo e interno, overcharging, overdischarging, overheating e avalanche térmica. Visando gerenciar o estado da bateria e prevenir falhas tem-se o Battery Management System (BMS), o qual é utilizado para equalizar e controlar a operação da bateria e evitar falhas. No entanto, o BMS carece de soluções adaptáveis em seus algoritmos de gerenciamento do estado da bateria e, portanto, é eficiente somente para células novas e equalizadas. Sendo assim, devido à degradação natural e o desbalanceamento devido à própria construção da bateria, o BMS pode apresentar falhas e não operar corretamente, o que pode causar falhas e abusos. Assim, a aplicação de técnicas de Machine Learning (ML) pode ser uma excelente abordagem para auxiliar no diagnóstico e prognóstico de falhas em baterias de íons de lítio. Portanto, este trabalho apresenta uma coleção de quatro aplicações de ML em baterias. A primeira aplicação empregou seis modelos de ML para diagnosticar abusos e falhas em células de íons de lítio. Este trabalho utilizou a Sensibilidade como métrica de comparação entre os modelos. Os resultados indicaram que os modelos propostos podem ser aplicados para identificar falhas em baterias com alta precisão. Em seguida, o segundo desenvolvimento utilizou o conceito de detecção de anomalias para identificar anormalidades nas células através do monitoramento térmico de um pack com três células. O trabalho demonstrou que uma anomalia é um primeiro estágio de uma falha, e os modelos conseguiram antecipar as falhas de overheating em até 52 segundos. A terceira abordagem aplicou o contexto de Random Forest and Isolation Forest para interromper e tratar falhas em células individuais. O trabalho desenvolvido pode interromper o curto-circuito externo, overcharging, overdischarging e a combinação das três falhas. Como resultado do trabalho, o sistema aplicado conseguiu reduzir a perda de capacidade em até 91%. Por fim, o quarto trabalho foi desenvolvido para estimar falhas de overheating em um pacote de baterias aplicando uma estratégia composta por duas etapas. Na primeira etapa, o sistema estima os valores futuros dos principais parâmetros coletadas das baterias. Em seguida, na segunda etapa, o sistema classifica falhas ou não falhas a partir dos valores estimados da primeira etapa. O trabalho foi aplicado a dois conjuntos de dados. Inicialmente, o sistema pode prever uma falha em cerca de 35 a 40 segundos de forma antecipada. Por outro lado, ele conseguiu antecipar uma falha em até 70 segundos para o segundo conjunto de dados que possuía casos de curto-circuito externo. Desta forma, esta tese pode demonstrar o potencial da aplicação de ML podendo diagnosticar, tratar, interromper e prever falhas e abusos em células de íons de lítio e, desta forma, auxiliar o BMS a prolongar a vida útil da bateria.pt_BR
dc.degree.localCuritibapt_BR
dc.publisher.localCuritibapt_BR
dc.creator.IDhttps://orcid.org/0000-0002-0985-9239pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/5599256996557743pt_BR
dc.contributor.advisor1Borsato, Milton-
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-3607-8315pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9039613643111474pt_BR
dc.contributor.referee1Borsato, Milton-
dc.contributor.referee1IDhttps://orcid.org/0000-0002-3607-8315pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/9039613643111474pt_BR
dc.contributor.referee2Aoki, Alexandre Rasi-
dc.contributor.referee2IDhttps://orcid.org/0000-0001-9863-6610pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0566385360819334pt_BR
dc.contributor.referee3Romaneli, Eduardo Félix Ribeiro-
dc.contributor.referee3IDhttps://orcid.org/0000-0003-0592-5195pt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/1223078719595762pt_BR
dc.contributor.referee4Nievola, Julio Cesar-
dc.contributor.referee4IDhttps://orcid.org/0000-0002-2212-4499pt_BR
dc.contributor.referee4Latteshttp://lattes.cnpq.br/9242867616608986pt_BR
dc.contributor.referee5Delgado, Myriam Regattieri de Biase da Silva-
dc.contributor.referee5IDhttps://orcid.org/0000-0002-2791-174Xpt_BR
dc.contributor.referee5Latteshttp://lattes.cnpq.br/4166922845507601pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Mecânica e de Materiaispt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA MECANICA::PROCESSOS DE FABRICACAOpt_BR
dc.subject.capesEngenharia Mecânicapt_BR
Aparece nas coleções:CT - Programa de Pós-Graduação em Engenharia Mecânica e de Materiais

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
machinelearningfalhasbaterias.pdf4,58 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons