KaydedilenlerDerginizi ekleyin

Dergiler / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2024 / Cilt: 13 Sayı: 4

Lityum-İyon pilin anlık gerilim, akım, güç ve sıcaklık değerlerinin Arduino üzerinden C# programlama dilinde elde edilen verilere dayalı olarak analiz edilmesi

Analyzing instantaneous voltage, current, power, and temperature values of a Lithium-Ion battery based on data obtained via Arduino in C# programming language

Sercan Taşdelen(TRAKYA ÜNİVERSİTESİ)0009-0002-4659-4150
Batuhan Gökkuş(TRAKYA ÜNİVERSİTESİ)0009-0007-5998-1711
Sezer Ulukaya(TRAKYA ÜNİVERSİTESİ)0000-0003-0473-7547
Sayfa
1308–1314
Yayın Tarihi
2024-10-15
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuçlar, lityum-iyon pillerin gerçek zamanlı izlenmesi ve güvenliğinin sağlanması için bu tür bir yaklaşımın etkinliğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Lityum-iyon piller, geniş bir kullanım alanına sahiptir.
📊
Temel Bulgular & Veri:Çalışmamız, bu ihtiyaca cevap vermek için 18650 3.7V lityum-iyon pil kullanılarak tasarlanmıştır.
💡
Sonuç & Katkı:Sonuçlar, lityum-iyon pillerin gerçek zamanlı izlenmesi ve güvenliğinin sağlanması için bu tür bir yaklaşımın etkinliğini göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Lityum-iyon pil · Arduino · Polinom bağlanımı

Özet

Lityum-iyon piller, geniş bir kullanım alanına sahiptir. Elektrikli araçlar, taşınabilir elektronik cihazlar, enerji depolama sistemleri ve tıbbi cihazlar bu geniş yelpazede yer alan başlıklardan bazılarıdır. Bu tür uygulamalarda lityum-iyon pillerin güvenliğini ve performansını izlemek, kullanım ömrünü artırmak ve olası sorunları önceden tespit etmek önemlidir. Çalışmamız, bu ihtiyaca cevap vermek için 18650 3.7V lityum-iyon pil kullanılarak tasarlanmıştır. Bu makalede, lityum-iyon pillerin yük altındayken anlık voltaj, akım, güç ve sıcaklık değerlerini sensörler aracılığıyla toplayan ve Arduino mikrodenetleyici ve C# programlama dili kullanılarak görselleştirme sağlayan bir arayüz sunulmaktadır. Bu çalışmanın amacı, lityum-iyon pillerin performansını izlemek ve potansiyel aşırı yüklenme veya aşırı ısınma durumlarını tespit edebilmektir. Sensörler aracılığıyla elde edilen veriler, devrede yer alan mikrodenetleyici üzerinde işlenir ve C# programlama dili kullanılarak bilgisayar ortamına aktarılır. Bu veriler, radyal göstergeler aracılığıyla kullanıcıya görsel olarak sunulur. Ayrıca, uzun şarj ve deşarj sürelerinin kestirimi için Python programlama dili ile bağlanım modelleri kullanılmıştır. Makalenin ilerleyen bölümlerinde, çalışmanın tasarımı, kullanılan donanım ve yazılım bileşenleri ile elde edilen sonuçlar ayrıntılı bir şekilde açıklanmaktadır. Sonuçlar, lityum-iyon pillerin gerçek zamanlı izlenmesi ve güvenliğinin sağlanması için bu tür bir yaklaşımın etkinliğini göstermektedir.

Abstract

Lithium-ion batteries have a wide range of usage. Electric vehicles, portable electronic devices, energy storage systems and medical devices are some of the topics in this wide range. In such applications, it is important to monitor the safety and performance of lithium-ion batteries, increase their lifespan and detect potential problems in advance. Our study was designed using 18650 3.7V lithium-ion battery to meet this need. In this article, an interface is presented that collects instantaneous voltage, current, power and temperature values of lithium-ion batteries under load through sensors and provides visualization using the Arduino microcontroller and C# programming language. The purpose of this study is to monitor the performance of lithium-ion batteries and detect potential overload or overheating situations. The data obtained through the sensors is processed on the microcontroller in the circuit and transferred to the computer environment using the C# programming language. This data is visually presented to the user through radial indicators. Additionally, regression models were used with the Python programming language to predict long charging and discharging times. In the following sections of the article, the design of the study, the hardware and software components used, and the results obtained are explained in detail. The results demonstrate the effectiveness of such an approach for real-time monitoring and ensuring the safety of lithium-ion batteries.

🔖

Bu Makaleye Atıf Yap

Taşdelen, S., Gökkuş, B., Ulukaya, S. (2024). Lityum-İyon pilin anlık gerilim, akım, güç ve sıcaklık değerlerinin Arduino üzerinden C# programlama dilinde elde edilen verilere dayalı olarak analiz edilmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 13 Sayı: 4, 1308–1314. https://doi.org/10.28948/ngumuh.1467037

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. B. D. Polat ve Ö. Keleş, Lityum iyon pil teknolojisi. Metalurji Dergisi, 162, 42-48, 2012. https://metalurji.org.tr/dergi/dergi162/d162_4248.pdf.
  2. S. A. Arduino, Arduino. Arduino LLC, 372. https://search.iczhiku.com/paper/TFzDJhGhd6VMaDsI.pdf, Accessed 08 April 2024.
  3. V. Çavuş, T. Resul, İ. U. Duran, Arduino devreleri için kod üretme ve veri işleme uygulaması tasarımı, Muş Alparslan Üniversitesi Fen Bilimleri Dergisi, 5(1), 387-390, 2017. https://doi.org/10.18586/msufbd.322388.
  4. A. K. Ayça, A. Sarıkaş, A. Yayla, Konuşma sesi bozukluklarının düzeltilmesine yönelik eğitim platformu tasarımı, Bilişim Teknolojileri Dergisi, 10(3), 241-246, 2017. https://doi.org/10.17671/gazibtd.330867.
  5. T. Kim, Y. Wang, H. Fang, Z. Şahinoğlu, T. Wada, S. Hara, and W. Qiao, Model-based condition monitoring for lithium-ion batteries. Journal of Power Sources, 295, 16-27, 2015. https://doi.org/10.1016/j.jpowsour.2015.03.184.
  6. Y. Merla, B. Wu, V. Yufit, N. P. Brandon, R. F. Martinez-Botas, and G. J. Offer, Extending battery life: A low-cost practical diagnostic technique for lithium-ion batteries. Journal of Power Sources, 331, 224-231, 2016. https://doi.org/10.1016/j.jpowsour.2016.09.008.
  7. Y. Calvinus, F. Wiryanata, and H. Tanujaya, Battery charging management system design with voltage, current and temperature monitoring features in electric vehicles. In IOP Conference Series: Materials Science and Engineering, 1007, 1, 012174, 2020. https://doi.org/10.1088/1757-899X/1007/1/012174.
  8. D. Rimpas, V. A. Orfanos, P. Chalkiadakis, and I. Christakis, Design and development of a low-cost and compact real-time monitoring tool for battery life calculation. Engineering Proceedings, 58(1), 17, 2023. https://doi.org/10.3390/ecsa-10-16146.
  9. S. Lv, X. Wang, W. Lu, J. Zhang, and H. Ni, The influence of temperature on the capacity of lithium ion batteries with different anodes. Energies, 15(1), 60, 2022. https://doi.org/10.3390/en15010060.
  10. N. Y. Krampit, T. S. Kust, and M. A. Krampit, Specifics of pulsed arc welding power supply performance based on a transistor switch. In IOP Conference Series: Materials Science and Engineering, 142, 1, 012013, 2016. https://doi.org/10.1088/1757-899X/142/1/012013.
  11. G. Crocioni, D. Pau, J. M. Delorme, and G. Gruosso, Li-ion batteries parameter estimation with tiny neural networks embedded on intelligent IoT microcontrollers. IEEE Access, 8, 122135-122146, 2020. https://doi.org/10.1109/ACCESS.2020.3007046.
  12. S. S. S. Narayanan and S. Thangavel, Machine learning-based model development for battery state of charge–open circuit voltage relationship using regression techniques. Journal of Energy Storage, 49, 104098, 2022. https://doi.org/10.1016/j.est.2022.104098.
  13. Y. Mazzi, H. Ben Sassi, A. Gaga, and F. Errahimi, State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units. International Journal of Energy Research, 46(6), 8102-8119, 2022. https://doi.org/10.1002/er.7713.
  14. E. Ostertagová, Modelling using polynomial regression. Procedia Engineering, 48, 500-506, 2012. https://doi.org/10.1016/j.proeng.2012.09.545.
  15. J. D. Hunter, Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9, 3, 90-95, 2007. https://doi.org/10.1109/MCSE.2007.55.
  16. D. Gómez, P. Salvador, J. Sanz, and J. L. Casanova, Potato yield prediction using machine learning techniques and sentinel 2 data. Remote Sensing, 11(15), 1745, 2019. https://doi.org/10.3390/rs11151745