Diplomová práce se zabývá problematikou modelování stárnutí lithium-iontových akumulátorů a predikcí jejich stavu zdraví (State of Health). Jedná se o aktuální téma s významným přesahem do oblasti elektromobility, akumulace energie a systémů pro správu baterií.


V práci je podrobně rozebrána potřebná teorie, která se opírá o relevantní literární zdroje. Student se zaměřil na problematiku degradačních mechanismů lithium-iontových článků, diagnostických metod a možností predikce jejich stárnutí. V praktické části využil veřejně dostupný NASA Battery Aging Dataset, na jehož základě vytvořil prediktivní model využívající metodu Gaussian Process Regression v kombinaci s Kalmanovým filtrem. Součástí práce je také ověření modelu a vyhodnocení dosažených výsledků pomocí vhodně zvolených metrik.


Za hlavní přínos práce považuji návrh a implementaci prediktivního modelu pro odhad stavu zdraví lithium-iontových článků a jeho systematické ověření na rozsáhlém souboru experimentálních dat. Přínosná je rovněž vzájemná kombinace datově orientovaných metod a znalostí z oblasti diagnostiky bateriových systémů. Výsledky práce představují vhodný základ pro další rozvoj metod predikce životnosti a diagnostiky akumulátorových systémů.


V průběhu řešení bylo nutné původně zamýšlenou koncepci práce přizpůsobit aktuálním možnostem experimentálního zázemí laboratoře. Student se s touto změnou dokázal vypořádat a předložená práce tvoří ucelený celek odpovídající požadavkům kladeným na diplomovou práci. Pozitivně hodnotím zejména orientaci v řešené problematice, schopnost práce s odbornou literaturou a systematický přístup při zpracování a vyhodnocení dat.


Po odborné i formální stránce je práce zpracována na dobré úrovni. Výsledky jsou přehledně prezentovány a diskutovány. Oceňuji zejména systematický přístup ke zpracování dat, návrhu modelu a vyhodnocení dosažených výsledků. Předložená práce splňuje požadavky kladené na diplomovou práci.

Vzhledem k výše uvedenému doporučuji práci k obhajobě a navrhuji ji hodnotit stupněm B Points proposed by supervisor: 87

Diplomová práce Bc. Tomáše Kremiece se zabývá problematikou modelování stárnutí Li-ion baterií a predikcí jejich stavu zdraví. Cílem práce bylo seznámit se s problematikou degradace Li-ion baterií, popsat vybrané metody používané pro predikci stárnutí a vytvořit v prostředí MATLAB prediktivní model využívající Kalmanův filtr. Pro ověření navrženého přístupu autor využívá veřejně dostupný NASA Battery Aging Dataset a model založený na metodě Gaussian Process Regression.

Práce je logicky členěna a jednotlivé kapitoly na sebe navazují. Teoretická část poskytuje rozsáhlý přehled problematiky Li-ion baterií, degradačních mechanismů, diagnostických metod a přístupů k modelování stárnutí. Praktická část se věnuje zpracování dat, návrhu prediktivního modelu a jeho validaci.

Práce obsahuje několik odborných i formálních nedostatků. Teoretická část zabírá značnou část práce a místy působí spíše jako rozsáhlá rešerše než jako podklad pro vlastní experimentální část. Naopak kapitola věnovaná datově řízeným modelům, které tvoří základ praktické části práce, je zpracována pouze velmi stručně. Dále dochází k určitému mísení degradačních modelů a modelů určených pro popis elektrického chování akumulátorů. Autor rovněž neuvádí metodiku výběru vstupních parametrů použitých pro trénování modelu, a není tak zřejmé, zda byla provedena například korelační analýza nebo jiná metoda selekce příznaků.

Praktická část je založena pouze na jednom veřejně dostupném NASA datasetu obsahujícím omezený počet článků. Bylo by vhodné ověření navrženého přístupu na dalších datasetech nebo jiných typech článků, což omezuje možnost posoudit zobecnitelnost výsledků.

Kapitola věnovaná degradačním mechanismům navíc vychází převážně z jediného zdroje [18], který má charakter popularizačního článku. Tabulka 1 je sice řádně citována, avšak vychází pouze z jediného zdroje a obsahuje nepřesnosti. Vzhledem k tomu, že se jedná o souhrn technických parametrů jednotlivých typů akumulátorů, bylo by vhodné správnost uváděných informací ověřit také pomocí dalších odborných zdrojů.

Z formálního hlediska bych vytkl nekonzistentní používání zkratek, způsob číslování tabulek a obrázků a také některé grafické výstupy, které obsahují duplicitní nadpisy.
Přes uvedené připomínky práce splňuje zadání v plném rozsahu a zabývá se aktuální problematikou diagnostiky a predikce stárnutí Li-ion baterií.

Na základě výše uvedeného doporučuji práci k obhajobě a navrhuji hodnocení D. Topics for thesis defence:

1. Na základě jaké metodiky byly vybrány vstupní parametry použité pro trénování modelu ?
2. Jaké výsledky očekáváte při aplikaci navrženého modelu na články s odlišnou chemií ?
3. Na základě jakých kritérií jste zvolil pro predikci SoH právě metodu Gaussian Process Regression a nikoliv jiné metody strojového učení ?

Points proposed by reviewer: 67