masterThesis
Estimación del tiempo de vida útil de las baterías de litio-ion, mediante la optimización de los híper-parámetros del Kernel en un proceso Gaussiano con un algoritmo genético de valor real
Registro en:
T519.625 P259;6310000121783 F5861
Autor
Parra Martínez, Jaime David
Institución
Resumen
La estimación del tiempo de vida útil (RUL) debido a sus siglas en inglés "Remaining Useful Life", está definida como el espacio de tiempo en el cual un determinado elemento o componente seguirá cumpliendo de manera adecuada la labor para la cual fue diseñado, o contribuyendo de forma apropiada al sistema en el que se encuentra. Hoy en día, la estimación del RUL es una herramienta esencial en distintas áreas de la ciencia tanto teóricas como aplicadas, por ende ha incursionado en ramas como: bioestadística, econometría, mecánica, y en general, cualquier tarea en la que interviene la ingeniería. Esto último, se debe al hecho de que un adecuado cálculo el RUL permite tomar decisiones correctas en variables como confiabilidad, rendimiento y mantenimiento. En la literatura, se han realizado diferentes enfoques para estimar el RUL de un dispositivo especifico que se encuentra en estudio. Algunas de las metodologías que se han aplicado para resolver este tipo de problemas son: máquinas de soporte vectorial, modelos de riesgo, redes neuronales artificiales, y algunos otros modelos de tipo estocástico. Todos ellos como generalidad, usan metodologías basadas en gradiente para resolver el problema de estimación, lo cual implica que corren el riesgo de encontrar soluciones encontradas como mínimos locales en el espacio de soluciones, y no un mínimo global como sería lo esperado. En el presente proyecto, se estima el tiempo de vida útil restante de las baterías de Litio ion que se encuentran en el repositorio de base de datos de la NASA. Para cumplir tal fin, se tiene en cuenta un proceso Gaussiano como metodología de regresión. Para que esta técnica opere de una manera correcta, es necesario definir una función de distribución previa o prior que asigne un valor promedio y una función de covarianza a los datos de entrada. Esta función de covarianza o Kernel se recomienda sea asumida de acuerdo al comportamiento que se espera tengan los datos de entrada (datos periódicos, datos constantes, etc). En este documento, se selecciona una función exponencial cuadrática para definir el Kernel, la cual se caracteriza por ser una función suave, que no genera cambios tan drásticos entre los datos de entrada (dinámica esperada por las baterías), y que fundamentalmente posee tres hiperparámetros ( que deben ser optimizados para el excelente rendimiento de la función en la estimación. Se llaman hiperparámetros ya que son parámetros definidos para la función de distribución prior o previa.