Currently, lithium batteries are widely used in electronic devices and electric vehicles, making the estimation of their State of Health (SOH) crucial. Accurate SOH estimation helps extend battery lifespan, reduce maintenance costs, and prevent safety issues such as overheating or explosions. This project aims to study and analyze mathematical models of batteries and develop SOH estimation techniques using Neural Networks to enhance accuracy and evaluation speed. The experiment involved collecting charge and discharge data from three lithium battery cells under controlled temperature conditions while maintaining a constant current. The current, voltage, and time data were recorded and analyzed to determine the battery capacity for each cycle. These data were then used to train a Neural Network model. The results demonstrated an effective method for predicting battery health status. The outcomes of this project can contribute to the development of a Battery Management System (BMS) that improves battery efficiency and longevity. Additionally, it provides a foundation for applying artificial intelligence techniques in the energy sector effectively.
เนื่องจากปัจจุบันมีการใช้งานแบตเตอรี่ลิเทียมในอุปกรณ์อิเล็กทรอนิกส์ เช่น โทรศัพท์มือถือ และยานยนต์ไฟฟ้าอย่างแพร่หลาย การประเมินสถานะสุขภาพของแบตเตอรี่จึงเป็นสิ่งสำคัญที่ช่วยยืดอายุการใช้งาน ลดค่าใช้จ่ายในการบำรุงรักษา และป้องกันการเสื่อมสภาพที่อาจนำไปสู่ปัญหาด้านความปลอดภัย เช่น ความร้อนสูงเกินหรือการระเบิด ทำให้การประมาณสถานะสุขภาพมีส่วนช่วยลดความเสี่ยงในการใช้งานแบตเตอรี่และเพิ่มประสิทธิภาพในการใช้พลังงานให้เกิดประโยชน์สูงสุด อีกทั้งการประเมินสถานะสุขภาพนี้ยังช่วยลดต้นทุนการเปลี่ยนแบตเตอรี่บ่อยครั้งที่อาจเกิดขึ้นจากการใช้งานที่ไม่ถูกต้อง ปัญหาของการเสื่อมสภาพของแบตเตอรี่เกิดขึ้นจากการใช้งานที่ต่อเนื่อง ทั้งการประจุไฟฟ้าและการคายประจุไฟฟ้า ซึ่งจะมีผลให้ความเสถียรของแบตเตอรี่ลดลงไปเรื่อยๆ การตรวจสอบสถานะสุขภาพแบตเตอรี่เป็นการแก้ปัญหาหนึ่ง แต่เทคนิคที่มีอยู่เดิมอาจใช้เวลานานหรือมีความแม่นยำที่ไม่เพียงพอ การนำเทคโนโลยีปัญญาประดิษฐ์ โดยเฉพาะโครงข่ายประสาทเทียม (Neural Networks) เข้ามาประยุกต์ใช้จึงเป็นทางเลือกใหม่ที่ช่วยให้การประเมินสถานะสุขภาพแม่นยำขึ้นและรวดเร็วขึ้น การพัฒนาอัลกอริทึมสำหรับการคาดการณ์จากข้อมูลการประจุไฟฟ้าและการคายประจุไฟฟ้าของแบตเตอรี่ช่วยให้เกิดโมเดลที่สามารถเรียนรู้จากข้อมูลในอดีตและคาดการณ์สถานะสุขภาพของแบตเตอรี่ในอนาคตได้
คณะวิทยาศาสตร์
In a highly competitive business, understanding customers is crucial for an organization to determine its success. Effective marketing is not just about offering good products, promotions, or services; it also requires strategies to reach and build strong relationships with customer groups. Segmenting customers is one method that helps businesses deeply understand the needs and behaviors of the customers who use their services In this internship, the objective is to understand the behavior of customers purchasing coffee and tea at a large cafe group by analyzing stored customer data. As a result of this process, customer groups purchasing coffee and tea were segmented using Naive Bayes, Random Forest, and Deep Learning techniques to compare the accuracy and suitability of different Machine Learning methods, and the insights gained from this analysis can be for further development in analyzing other data set in the future
คณะอุตสาหกรรมอาหาร
This study aims to investigate the co-fermentation process between lactic acid bacteria (LAB) and Saccharomyces cerevisiae in the production of sour beer, with a focus on its impact on product quality, including pH, organic acid content, sugar content, and sensory characteristics. In this experiment, selected LAB strains and S. cerevisiae were utilized under controlled fermentation conditions. The microbial ratio was optimized to enhance growth and the production of key compounds. The findings indicate that co-fermentation significantly reduces pH compared to fermentation with yeast alone. Furthermore, an increase in lactic acid was observed due to sugar consumption by LAB, contributing to the distinctive flavor profile of sour beer.
คณะวิศวกรรมศาสตร์
This research project focuses on the design and development of a Manual Control Robot using Load Cell technology to enhance precision and reduce the time required for robot control. The use of automation robots in industries still presents challenges due to the complexity of programming and control. Therefore, developing a manual control system that responds to force input in all directions can significantly improve the efficiency of robots, making them more suitable for tasks requiring precise and intricate control. The study integrates Load Cell sensors, an HX711 amplifier circuit, and an Arduino UNO R3 to develop a control module that translates user-applied forces into commands for an RV-7FRL-D industrial robotic arm. Additionally, MATLAB is utilized for processing Load Cell data to analyze and optimize the robot’s movement accuracy. The results demonstrate that the developed system effectively reduces robot setup time while simplifying and improving control flexibility. This project represents a crucial step in enhancing the capabilities of industrial robots, allowing for seamless human-robot interaction through a manual control system that directly responds to user-applied forces.