@misc{20.500.12880/5711,
year = {2023},
month = {6},
url = {https://hdl.handle.net/20.500.12880/5711},
abstract = {Con la entrada del coche eléctrico en el mercado de la automoción, su expansión y regulación posterior, las baterías de litio han sido objeto de numerosos estudios. Gran parte del problema de la durabilidad de las baterías pasa por entender el cómo y por qué se degradan, además de, saber su estado de salud actual para poder tomar las acciones pertinentes. Dentro de la medición del estado de salud, con el uso normal de la batería, al descargarse y cargarse completamente se puede conocer su estado de salud, comparándose la capacidad actual con la inicial. Desde la empresa TSE, una compañía valenciana de apoyo a la ingeniería, se plantea y desarrolla un producto para medir el estado de salud basado en ciencia de datos, con el fin de no necesitar cargar y descargar cada batería completamente. Se hace circular corriente por la batería para obtener datos sobre voltaje gracias a maquinaria específica, con estos datos se entrena una red neuronal. Con redes LSTM se consigue predecir el estado de salud de las baterías con una precisión cercana al 99% en menos de 7 segundos. Se elabora una aplicación para estandarizar y aislar la solución tecnológica, desarrollando una vía para ahorrar energía y tiempo en la medición del estado de salud de baterías en la planta de Ford de Almussafes.},
title = {Herramienta para la determinación del state of health de baterías Li-Ion mediante el uso de inteligencia artificial},
keywords = {Ciencia de datos},
keywords = {Baterías Li-Ion},
keywords = {TSE},
keywords = {Redes LSTM},
author = {Rodríguez Rebenaque, Carlos},
}