An innovative machine learning strategy for lithium-Ion batteries remaining useful life prediction and state of health estimation

Nowadays, batteries, and in particular Lithium-Ion batteries, have become enormously used in many systems and applications, and are absolutely the most widespread energy storing system. Optimizing the usage of batteries thus is very important to increase safety of systems like electric vehicles or portable devices, to reduce economic loss in industrial environments and to increase the availability of such environments services. An accurate Remaining Useful Life (RUL) prediction is key for this optimization process to succeed since allows us to know battery conditions, and to schedule proper maintenance. At the same time State of Health (SoH) estimation is important to improve the accuracy of other diagnostic measures, like State of Charge (SoC). In this thesis work we propose one approach for SoH estimation, based on Support Vector Regression machine learning algorithm and a smart feature extraction process, finding a good trade-off between applicability, light computation effort, and accuracy of results. It's performances are measured on 2 different datasets, one from Prognostics Center of Excellence at NASA, and another from a MIT-Toyota cooperation. Another approach based on LSTM Recurrent Neural Network is proposed to perform RUL prediction, and it's performances are evaluated on the MIT-Toyota dataset.

Oggigiorno, le batterie, ed in particolare le batterie agli ioni di litio, vengono enormemente usate in molti sistemi ed applicazioni, e sono in assoluto il più diffuso sistema di stoccaggio energetico. Ottimizzare l'utilizzo di tali batterie è molto importante per poter aumentare la sicurezza dei sistemi che le adottano, come veicoli elettrici o dispositivi portatili di varia natura, oltre che per ridurre perdite in termini economici nei sistemi industriali ed aumentare la disponibilità dei servizi che tali sistemi offrono. Una accurata predizione della Vita Utile Rimanente (RUL) delle batterie è la chiave perchè questo processo di ottimizzazione possa avere successo, perchè tale predizione ci permette di conoscere al meglio le attuali condizioni delle batterie in uso, e programmare un'adeguata manutenzione. Allo stesso tempo, la stima dello stato di salute (SoH) delle batterie è importante per migliorare l'accuratezza di altre misure diagnostiche, come ad esempio lo stato di carica (SoC) Questo lavoro di tesi propone un approccio alla stima dello stato di salute, basata sull'algoritmo di machine learning della Regressione a Supporto di Vettori (SVR) e su un particolare processo di estrazione delle features usate, cercando di stabilire un buon equilibrio tra applicabilità del metodo, leggero carico computazionale, e accuratezza dei risultati. Le performance di questo approccio sono misurate su 2 dataset differenti, uno proveniente dal Prognostic Center of Excellence alla NASA, e un altro da una cooperazione tra MIT e Toyota. Un altro approccio, basato su una rete neurale ricorrente a moduli LSTM è proposto per effettuare la predizione del RUL, e le performance di questo approccio sono valutate sul dataset MIT-Toyota.