ارزیابی کارایی روش های مولد داده در تخمین وضعیت سلامت باتری های لیتیوم یونی

این مقاله با هدف رفع چالش کمبود داده های پیری باتری های لیتیوم-یونی چهار روش تولید داده مصنوعی شامل شبکه های بیزین، ARF، CTGAN و TVAE را ارزیابی می کند. مدل ها روی مجموعه داده MIT با سلول LiFePO آموزش دیده و از نظر شباهت، آماری، قابلیت تشخیص ناپذیری و تاثیر بر عملکرد مدل های یادگیری ماشین مقایسه می شوند. نتایج نشان می دهد ARF و شبکه های بیزین بالاترین تطابق آماری را داشته و داده های تولید شده توسط شبکه بیزین حتی خطای پیش بینی را نسبت به داده واقعی کاهش می دهد. این یافته ها کارایی روش های مبتنی بر وابستگی های ساختاری را در تولید داده مصنوعی با کیفیت برای تخمین وضعیت سلامت باتری تایید می کند.

کلیدواژه ها:

محاسبه طول عمر باقیمانده ، تخمین وضعیت سلامت ، شبکه های مولد ، یادگیری ماشین ، باتری های لیتیوم-یون