Resumen

La batería de iones de litio es un componente fundamental de muchos sistemas, como satélites, naves espaciales y vehículos eléctricos, y su falla puede provocar una disminución en la capacidad, tiempo de inactividad e incluso averías catastróficas. La predicción de la vida útil restante (RUL, por sus siglas en inglés) de las baterías de iones de litio antes de un evento futuro de falla es extremadamente crucial para acciones proactivas de mantenimiento/seguridad. Este estudio propone un enfoque pronóstico híbrido que puede predecir la RUL de baterías de iones de litio degradadas utilizando simultáneamente leyes físicas y modelado basado en datos. En este enfoque pronóstico híbrido, los vectores relevantes obtenidos con el algoritmo de aprendizaje de máquina de vector de relevancia (RVM, por sus siglas en inglés) basado en ensamble de núcleo selectivo se ajustan al modelo de degradación física, el cual luego se extrap

• Materias:Degradación acelerada Fatiga estructural Proceso de compresión Metodología de detección Movimiento caótico
• Subjects:Accelerated degradation Structural fatigue Compression process Detection methodology Chaotic motion
• Palabras claves:Batería de iones de litio; Falla; Vida útil restante; Enfoque de pronóstico híbrido; Máquina de vector de relevancia; Modelo de degradación física
• Keywords:Lithium-ion battery; Failure; Remaining useful life; Hybrid prognostic approach; Relevance vector machine; Physical degradation model