LEE- Mekatronik Mühendisliği-Yüksek Lisans

Bu koleksiyon için kalıcı URI

http://hdl.handle.net/11527/19386

Gözat

Yazar "Çalışkan, Fikret" ile LEE- Mekatronik Mühendisliği-Yüksek Lisans'a göz atma
  • Öge
    Test verilerine dayalı, makine öğrenmesi ve derin öğrenme yöntemleri ile batarya sağlık durumu tahmini
    (İTÜ Lisansüstü Eğitim Enstitüsü, 2025) Arslantaş, Mehmet Ali ; Çalışkan, Fikret ; 518221010 ; Mekatronik Mühendisliği
    Lityum-iyon bataryalar; elektrikli araçlardan enerji depolama sistemlerine kadar pek çok alanda kullanılmakta olup, kullanım süresince yaşanan performans düşüşü sistem güvenliği ve verimliliği açısından ciddi riskler barındırmaktadır. Bu nedenle batarya sağlığının doğru ve güvenilir biçimde tahmin edilmesi, sistemlerin sürdürülebilirliği için kritik önemdedir. Geleneksel yöntemler, tam şarj-deşarj döngülerine dayanarak kapasiteyi hesaplamaya çalışsa da bu hem zaman alıcı hem de hücre ömrünü azaltıcı bir yaklaşımdır. Ayrıca sıcaklık, iç direnç ve akım gibi değişkenlerin etkisini dikkate almamakta, bu da modelin sahadaki uygulanabilirliğini sınırlamaktadır. Bu bağlamda, bu çalışmada veri odaklı modelleme yöntemleriyle batarya kapasitesinin tahmin edilmesi amaçlanmıştır. Çalışmada bataryadan toplanan sıcaklık, akım, voltaj, iç direnç, şarj durumu ve çevrim sayısı gibi parametreler kullanılmış; önişleme sürecinde anomali tespiti ve özetleme yöntemleriyle veri sadeleştirilmiş, istatistiksel anlamı korunarak işlenebilir hale getirilmiştir. Özellikle şarj süresi ve SOC aralığı gibi özetleyici istatistiklerin çıkarılması, veri hacmini önemli ölçüde azaltırken anlamlı model çıktılarının elde edilmesine olanak tanımıştır. Zaman bilgisi kaybı nedeniyle özet veriler, özellikle zaman serisi modelleri açısından bazı performans sınırlılıklarına neden olmuştur. Bu nedenle model seçimi, veri yapısıyla birlikte değerlendirilmiştir. SVR, RF ve LSTM gibi farklı modelleme algoritmalarıyla yapılan analizlerde, her modelin avantaj ve sınırlılıkları gözlemlenmiştir. SVR modeli yüksek doğruluk sağlasa da karar mekanizmasının yorumlanabilirliği zayıf kalmaktadır. RF modeli hem doğruluk hem de değişken önemini açıklayabilme kapasitesiyle öne çıkmış, sahada uygulanabilirlik açısından en güçlü aday olmuştur. LSTM modeli ise zaman serisi bilgisiyle güçlü tahminler üretmesine rağmen, özetlenmiş durağan veri ile çalışırken performans kaybı yaşamış; bu durum, model mimarisinin doğrudan veri yapısına uygun olması gerektiğini göstermektedir. Ayrıca LSTM'nin gömülü sistemdeki uygulanabilirliği, işlem gücü sınırlamaları nedeniyle kısıtlı kalmaktadır. Gerçek zamanlı gömülü sistem testleriyle modellerin yalnızca doğrulukları değil; işlem gecikmeleri, sistem kaynaklarına etkisi ve tahmin süreleri de analiz edilmiştir. RF modeli düşük işlem yükü ve yüksek kararlılığı sayesinde gömülü ortam için en uygun yapı olarak öne çıkarken; LSTM gibi derin öğrenme tabanlı modellerin düşük frekansta çalıştırılması gerekmiş, bazı zaman aralıklarında veri kaybına neden olmuştur. Bu sonuçlar, sahada kullanılacak sistemlerin yalnızca doğruluğa değil; aynı zamanda zaman etiketleme, veri tamponlama ve donanıma uyumluluk gibi faktörlere göre tasarlanması gerektiğini göstermiştir. Bu çalışmanın son bölümünde, geliştirilen yaklaşımın sahaya dönük uygulanabilirliği ve literatürdeki yeri üzerine genel bir değerlendirme yapılmıştır. RF modelinin genellenebilirliği, yorumlanabilirliği ve düşük kaynak ihtiyacı sayesinde gelecekteki çalışmalar için güçlü bir temel sunmaktadır. Geliştirilen sistemin, farklı batarya kimyaları ve çevresel koşullarda test edilmesiyle daha esnek hale getirilebileceği; LSTM ve GRU gibi modellerin ise daha kompakt ve kuantize biçimlere dönüştürülerek gömülü sistemlerde daha verimli çalışabileceği belirtilmiştir. Ayrıca, uçtan uca otomatik veri toplama, eğitim ve güncelleme sistemlerinin kurulmasıyla modelin uzun vadeli sürdürülebilirliğinin sağlanabileceği sonucuna ulaşılmıştır. Çalışma boyunca izlenen yol, her bir modelin geliştirilmesinden başlayarak sahada test edilmesine kadar olan tüm süreci kapsamaktadır. Çalışmanın ikinci bölümünde; veri kaynakları, veri yapısı ve önişleme adımları detaylandırılmaktadır. Üçüncü bölümde SVR, RF ve LSTM algoritmalarının yapısı, avantajları ve bu çalışmada nasıl uygulandıkları anlatılmaktadır. Dördüncü bölümde, eğitilen modellerin hem istatistiksel performansları hem de gömülü sistemdeki gerçek zamanlı test sonuçları sunulmaktadır. Beşinci ve son bölümde ise model karşılaştırmaları yapılmakta ve ileriye dönük uygulanabilirlik önerileri yer almaktadır. Bu yapı, çalışmanın hem teorik derinliğini hem de pratik faydasını ortaya koyarak, benzer amaçlara sahip ileriki araştırmalara yol gösterici olmayı hedeflemektedir.