Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Remaining Useful Battery Life Prediction for UAVs based on Machine Learning*
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Signaler och system.ORCID-id: 0000-0001-7631-002X
Laboratory of Knowledge and Intelligent Computing, Department of Computer Engineering, Technological Educational Institute of Epirus.
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Signaler och system.ORCID-id: 0000-0001-9701-4203
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Signaler och system.ORCID-id: 0000-0003-0126-1897
2017 (Engelska)Ingår i: IFAC-PapersOnLine, ISSN 1045-0823, E-ISSN 1797-318X, Vol. 50, nr 1, 4727-4732 s.Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

Unmanned Aerial Vehicles are becoming part of many industrial applications. The advancements in battery technologies played a crucial part for this trend. However, no matter what the advancements are, all batteries have a fixed capacity and after some time drain out. In order to extend the flying time window, the prediction of the time that the battery will no longer be able to support a flying condition is crucial. This in fact can be cast as a standard Remaining Useful Life prognostic problem, similarly encountered in many fields. In this article, the problem of Remaining Useful Life estimation of a battery, under different flight conditions, is tackled using four machine learning techniques: a linear sparse model, a variant of support vector regression, a multilayer perceptron and an advanced tree based algorithm. The efficiency of the overall proposed machine learning techniques, in the field of batteries prognostics, is evaluated based on multiple experimental data from different flight conditions.

Ort, förlag, år, upplaga, sidor
Elsevier, 2017. Vol. 50, nr 1, 4727-4732 s.
Nationell ämneskategori
Reglerteknik
Forskningsämne
Reglerteknik
Identifikatorer
URN: urn:nbn:se:ltu:diva-66196DOI: 10.1016/j.ifacol.2017.08.863Scopus ID: 2-s2.0-85031802665OAI: oai:DiVA.org:ltu-66196DiVA: diva2:1150694
Konferens
20th IFAC World Congress, Toulouse, France, 9-14 July 2017
Anmärkning

Konferensartikel i tidskrift

Tillgänglig från: 2017-10-19 Skapad: 2017-10-19 Senast uppdaterad: 2017-12-18Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas

Övriga länkar

Förlagets fulltextScopus

Sök vidare i DiVA

Av författaren/redaktören
Mansouri, Sina SharifGeorgoulas, GeorgiosNikolakopoulos, George
Av organisationen
Signaler och system
I samma tidskrift
IFAC-PapersOnLine
Reglerteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 21 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf