Modélisation Prédictive de la Durée de Vie Résiduelle (RUL) des Systèmes de Stockage Électrochimique Lithium-ion via des Approches d'Apprentissage Automatique

Abstract

يتناول هذا العمل البحثي تطوير نظام تنبؤي يهدف إلى تقدير العمر المتبقي الممكن (RUL) لبطاريات الليثيوم-أيون، بالاعتماد على منصة تحليل البيانات Orange. تبدأ المنهجية المعتمدة بجمع بيانات تتعلق بأداء البطاريات، يليها مرحلة تمهيدية تشمل تنظيف البيانات، واختيار الخصائص الملائمة، وتصميم المتغير RUL يعتمد النظام على تطبيق نماذج التعلم الآلي، منها الغابات العشوائية (Random Forest) والشبكات العصبية (Neural Networks). تُدرَّب هذه النماذج وتُختبر باستخدام مجموعة بيانات مُقسمة مسبقًا إلى بيانات تدريب واختبار. ويتم تقييم أداء النماذج استنادًا إلى دقة التنبؤات وباستخدام مقاييس كمية مثل الجذر التربيعي لمتوسط الخطأ (RMSE). أدَّت الاستفادة من منصة Orange إلى تمكين تصور بصري واضح للنتائج، مما سهّل مقارنة منهجية صارمة بين النماذج وتحليل كفاءتها بشكل فعّال.

This research work presents the development of a predictive system designed to estimate the Remaining Useful Life (RUL) of lithium-ion batteries, leveraging the Orange data analysis platform. The adopted methodology begins with the collection of data related to battery performance, followed by a preprocessing phase comprising data cleaning, relevant feature selection, and target variable engineering (RUL). The system relies on the implementation of machine learning models, including Random Forest and Neural Networks. These models are trained and validated on a dataset previously partitioned into training and test sets. Model performance evaluation is carried out based on the accuracy of their predictions and quantitative metrics such as the Root Mean Squared Er-ror (RMSE). The use of the Orange platform allowed for intuitive visualization of the results, thereby facilitating rigorous model comparison and the efficient analysis of their respective performances.