Intelligent Energy Management: Remaining Useful Life Prediction and Charging Automation System Comprised of Deep Learning and the Internet of Things

要約

バッテリーの残存耐用年数 (RUL) は、バッテリーの残り寿命と再充電の必要性を知るための重要なパラメータです。
この研究プロジェクトの目標は、バッテリー RUL データセット用の機械学習ベースのモデルを開発することです。
車両の RUL を分類するためにさまざまな ML モデルが開発され、充電システムを自動化し、調整された障害を管理するために IoT (モノのインターネット) コンセプトがシミュレートされます。
プロットされたグラフは、Blynk IoT プラットフォームを使用したさまざまな車両パラメータ間の関係を示しています。
結果は、開発されたキャットブースト、多層パーセプトロン (MLP)、ゲート反復ユニット (GRU)、およびハイブリッド モデルが、RUL を 99% 高い精度で 3 つのクラスに分類できることを示しています。
データは人工知能 (AI) ベースの充電をシミュレートするために tkinter GUI を使用して供給され、pyserial バックエンドを使用してデータを Esp-32 マイクロコントローラーに入力して、モデルの予測に基づいて充電を可能にすることができます。
また、IoT システムを使用すると、充電を切断、監視、分析して自動化することができます。
結果は、MLP モデル、キャットブースト モデルで 99% の精度が得られ、GRU モデルでも同様の精度が得られ、最後に、充電とエネルギーの自動化に使用されるモデルを介した予測によってリレーベースのトリガが可能であることを示しています。
節約の仕組み。
例示的な Blynk プラットフォーム ベースの監視および自動化現象を紹介することで、パラメーターを監視しシステムを自動化する革新的な方法をさらに紹介します。

要約(オリジナル)

Remaining Useful Life (RUL) of battery is an important parameter to know the battery’s remaining life and need for recharge. The goal of this research project is to develop machine learning-based models for the battery RUL dataset. Different ML models are developed to classify the RUL of the vehicle, and the IoT (Internet of Things) concept is simulated for automating the charging system and managing any faults aligning. The graphs plotted depict the relationship between various vehicle parameters using the Blynk IoT platform. Results show that the catboost, Multi-Layer Perceptron (MLP), Gated Recurrent Unit (GRU), and hybrid model developed could classify RUL into three classes with 99% more accuracy. The data is fed using the tkinter GUI for simulating artificial intelligence (AI)-based charging, and with a pyserial backend, data can be entered into the Esp-32 microcontroller for making charge discharge possible with the model’s predictions. Also, with an IoT system, the charging can be disconnected, monitored, and analyzed for automation. The results show that an accuracy of 99% can be obtained on models MLP, catboost model and similar accuracy on GRU model can be obtained, and finally relay-based triggering can be made by prediction through the model used for automating the charging and energy-saving mechanism. By showcasing an exemplary Blynk platform-based monitoring and automation phenomenon, we further present innovative ways of monitoring parameters and automating the system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google