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
คณะวิศวกรรมศาสตร์
The designing of mosquitoes counting system instrument is presented in this work. The mosquitoes that were counted died in order not to measure duplicate counting data. As soon as the input source counting machine can detect the mosquito, the single trigger signal is transmitted to the IOT system to interrupt the server immediately. The number of real mosquito is not transmitting to the IOT but only a signal to interrupt the server. The server records the number of the interrupt signal with real-time clock. Then the interrupt information will be further handled. The front end counting machine consist of the high voltage generate with the suitable voltage value and electrode distance for the required mosquitoes size. The low trigger pulse signals of the mosquitoes killed by high voltage are sending to the controller unit. Immediately, interrupt counting signal of the number of mosquitoes is sent to the big stream data collection on IOT system by the time stamp technique. Form the measurement results, 10 live sample mosquitoes in a limited space box to fly though the counting machine show that the count results are 100% correct count.
วิทยาเขตชุมพรเขตรอุดมศักดิ์
-
คณะวิศวกรรมศาสตร์
The production process of the food rancidity indicator label consists of three main steps: 1) preparation of the indicator solution, 2) preparation of the cellulose solution, and 3) formation of the sheet. The indicator solution includes bromothymol blue and methyl red, which act as indicators. The cellulose solution consists of hydroxypropyl methylcellulose, carboxymethyl cellulose, sodium hydroxide, polyethylene glycol 400, and the indicator solution. For the sheet formation, the cellulose solution was mixed with natural latex to increase flexibility and impart hydrophobic properties. After drying, the invention appears as a thin, dark blue label. When exposed to volatile compounds from rancid food, the label changes color from dark blue to green, and then to yellow, corresponding to the increasing amount of volatile compounds from the rancid food.