APLICACIÓN DE RED NEURONAL EN EL PRONÓSTICO DE FALLAS DE BATERÍAS DE IONES DE LITIO NEURAL NETWORK APPLICATION IN LITHIUM-ION BATTERY FAULT PROGNOSIS

Resumen

Este artículo presenta el desarrollo de un sistema de predicción de fallas en baterías
recargables de iones de litio mediante redes neuronales artificiales.
Metodológicamente, se adopta un enfoque de desarrollo tecnológico con diseño
cuantitativo y experimental basado en datos, empleando registros del Battery
Prognostics Data Set desarrollado por el Centro de Excelencia en Prognóstico de la
NASA. Se seleccionaron variables operacionales como voltaje, corriente, temperatura
y número de ciclo para el entrenamiento supervisado. El modelo se diseñó como una
red neuronal tipo perceptrón multicapa en Keras y TensorFlow, entrenado para
estimar la capacidad como variable continua del Estado de Salud (SoH). El fallo se
definió bajo el criterio técnico estándar de una caída por debajo del 70% de la
capacidad original. La evaluación del sistema contrastó los resultados mediante una
división tradicional (Hold-Out 80/20) y una estrategia de validación cruzada dejando
una batería fuera (LOBO-CV). Este proyecto demuestra el potencial de las redes
neuronales para el monitoreo inteligente de baterías, aportando una herramienta
tecnológica útil para el mantenimiento predictivo y la toma de decisiones.

Abstract
This article presents the development of a fault prediction system for rechargeable
lithium-ion batteries using artificial neural networks. Methodologically, a technological
development approach with a quantitative and experimental data-driven design is
adopted, employing records from the Battery Prognostics Data Set developed by the
Prognostics Center of Excellence at NASA Ames Research Center. Operational
variables such as voltage, current, temperature, and cycle number were selected for
supervised training. The model was designed as a multilayer perceptron neural
network implemented in Keras and TensorFlow, trained to estimate capacity as a
continuous variable of the State of Health (SoH). Failure was defined under the
standard technical criterion of a drop below 70% of the original capacity. The
evaluation of the system contrasted the results using a traditional split (Hold-Out
80/20) and a cross-validation strategy leaving one battery out (LOBO-CV). This project
demonstrates the potential of neural networks for the intelligent monitoring of
batteries, providing a useful technological tool for predictive maintenance and
decision-making.

APPLICATION DE RÉSEAUX NEURONAUX POUR LE PRONOSTIC DE
DÉFAILLANCES DES BATTERIES IONS-LITHIUM

Résumé
Cet article présente le développement d'un système de prédiction de défaillances pour
les batteries rechargeables au lithium-ion à l'aide de réseaux de neurones artificiels.
Du point de vue méthodologique, une approche de développement technologique
avec une conception quantitative et expérimentale basée sur les données est
adoptée, utilisant les enregistrements du Battery Prognostics Data Set développé par
le Centre d'Excellence en Pronostic de la NASA. Des variables opérationnelles telles
que la tension, le courant, la température et le nombre de cycles ont été sélectionnées
pour l'apprentissage supervisé. Le modèle a été conçu comme un réseau de neurones
de type perceptron multicouche implémenté sous Keras et TensorFlow, entraîné pour
estimer la capacité en tant que variable continue de l'État de Santé (SoH). La
défaillance a été définie selon le critère technique standard d'une baisse inférieure à
70 % de la capacité d'origine. L'évaluation du système a permis de comparer les
résultats à l'aide d'une division traditionnelle (Hold-Out 80/20) et d'une stratégie de
validation croisée en laissant une batterie de côté (LOBO-CV). Ce projet démontre le
potentiel des réseaux de neurones pour la surveillance intelligente des batteries,
fournissant un outil technologique utile pour la maintenance prédictive et la prise de
décision.