Estimation of lithium-ion battery lifespan with deep learning
| datacite.contributor.RelatedPerson | Αδαμίδης, Εμμανουήλ | |
| datacite.contributor.RelatedPerson | Χριστοδούλου, Σπυρίδων | |
| datacite.contributor.Supervisor | Καρακαπιλίδης, Νικόλαος | |
| dc.contributor.author | Νέζης, Σταύρος | |
| dc.contributor.other | Nezis, Stavros | |
| dc.date.accessioned | 2026-07-09T10:21:57Z | |
| dc.date.available | 2026-07-09T10:21:57Z | |
| dc.date.issued | 2026-07-10 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | In the 21st century an increasing number of appliances, machines and critical applications rely on battery technology. Thus, it is very important to have methods that can be used for the prognostics of batteries. Accurate estimation of lithium-ion batteries is critical for ensuring reliability, safety, and cost-efficiency in electrical appliances, electric vehicles and energy storage systems. This thesis presents a deep learning framework for the early prediction of lithium-ion battery lifespan that can also be used online as the battery degrades. The proposed approach uses the well-known MATR dataset and leverages time-series data from different sensors to learn degradation patterns directly from cycle data. Different model architectures and learning paradigms were examined to test their performance on this task. The proposed approach achieves comparable performance as state-of-the art deep learning models while utilizing a simpler model with a comparatively small parameter count. | |
| dc.description.translatedabstract | Τον 21ο αιώνα, ένας αυξανόμενος αριθμός συσκευών, μηχανών και κρίσιμων εφαρμογών βασίζεται στην τεχνολογία των μπαταριών. Επομένως, είναι ιδιαίτερα σημαντική η ανάπτυξη μεθόδων που μπορούν να χρησιμοποιηθούν για την πρόγνωση της κατάστασης των μπαταριών. Η ακριβής εκτίμηση της διάρκειας ζωής των μπαταριών ιόντων λιθίου είναι κρίσιμη για τη διασφάλιση της αξιοπιστίας, της ασφάλειας και της οικονομικής αποδοτικότητας σε ηλεκτρικές συσκευές, ηλεκτρικά οχήματα και συστήματα αποθήκευσης ενέργειας. Η παρούσα διπλωματική εργασία παρουσιάζει ένα πλαίσιο βαθιάς μάθησης για την πρώιμη πρόβλεψη της διάρκειας ζωής μπαταριών ιόντων λιθίου, το οποίο μπορεί επίσης να χρησιμοποιηθεί διαδικτυακά καθώς η μπαταρία υποβαθμίζεται. Η προτεινόμενη προσέγγιση χρησιμοποιεί το ευρέως γνωστό σύνολο δεδομένων MATR και αξιοποιεί χρονοσειρές από διαφορετικούς αισθητήρες, με σκοπό την απευθείας εκμάθηση προτύπων υποβάθμισης από τα δεδομένα κύκλων. Εξετάστηκαν διαφορετικές αρχιτεκτονικές μοντέλων και παραδείγματα μάθησης, ώστε να αξιολογηθεί η απόδοσή τους στο συγκεκριμένο πρόβλημα. Η προτεινόμενη προσέγγιση επιτυγχάνει συγκρίσιμη απόδοση με σύγχρονα μοντέλα βαθιάς μάθησης αιχμής, χρησιμοποιώντας ταυτόχρονα ένα απλούστερο μοντέλο με συγκριτικά μικρό αριθμό παραμέτρων. | |
| dc.identifier.uri | https://hdl.handle.net/10889/32424 | |
| dc.language.iso | en | |
| dc.rights | Attribution 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Machine learning | |
| dc.subject | Lithium ion batteries | |
| dc.subject | Rul estimation | |
| dc.subject | Battery prognostics | |
| dc.subject.alternative | Μηχανική μάθηση | |
| dc.subject.alternative | Μπαταρίες | |
| dc.subject.alternative | Πρόβλεψη διάρκειας ζωής μπαταριών | |
| dc.title | Estimation of lithium-ion battery lifespan with deep learning | |
| dc.title.alternative | Εκτίμηση διάρκειας ζωής μπαταριών ιόντων λιθίου μέσω μοντέλων βαθιάς μηχανικής μάθησης |