EUVIMEDEUVIMED entdecken
Crossref

A Reference-Based Feature Representation Approach for Battery Remaining Useful Life Prediction Using K-Nearest Neighbors Regression

Recai Özcan, Ferhat Koca

Sivas Cumhuriyet Üniversitesi Bilim ve Teknoloji Dergisi · 29.06.2026 · 5 (1) · 25-39

DOI: 10.69560/cujast.1904437 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Sivas Cumhuriyet Üniversitesi Bilim ve Teknoloji Dergisi, online erschienen am 29.06.2026. Verfasst von Recai Özcan und 1 weiteren Autor:innen. Die Arbeit nennt 32 Literaturangaben.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Bu çalışmada, lithium-ion bataryalar için Remaining Useful Life (RUL) tahmininde özellik temsili tasarımının performans üzerindeki etkisini sistematik olarak incelenmiştir. Mevcut literatürde RUL tahmini çoğunlukla model mimarisi ve hiperparametre optimizasyonuna odaklanırken, özellik temsili tasarımının özellikle cross-battery generalization üzerindeki rolü sınırlı biçimde ele alınmıştır. Bu bağlamda mutlak özellik uzayına dayalı temsil (Absolute Feature Representation (AFR)) ve referans döngü merkezlemeli temsil (Reference-based Feature Representation (RFR)) olmak üzere iki farklı temsil yaklaşımı oluşturularak değerlendirilmiştir.Deneyler NASA PCoE lithium-ion battery veri seti üzerinde 4 bataryaya ait veriler üzerinde gerçekleştirilmiş ve değerlendirme a battery-wise cross-validation stratejisi ile yapılmıştır. Regresyon modeli olarak K-Nearest Neighbors (KNN) kullanılmış ve model parametreleri sabit tutularak yalnızca temsil etkisi analiz edilmiştir. Sonuçlar, RFR’nin tüm performans metriklerinde tutarlı iyileşme sağladığını göstermektedir. Değerlendirme metriklerinde ortalama MAE değeri 0.148’den 0.096’ya, RMSE değeri 0.173’ten 0.120’ye düşmüştür. R² değeri ise 0.637’den 0.825’e yükselmiştir. Bu iyileşmeler sırasıyla yaklaşık %35, %31 ve %29 oranında performans artışına karşılık gelmektedir.Korelasyon analizi, RFR’de yapılan transformasyonun feature–target ilişkisini güçlendirdiğini ve mutlak seviye farklarını baskılayarak göreli degradasyon dinamiklerini daha belirgin hale getirdiğini ortaya koymuştur. Gerçekleştirilen tanılayıcı analizler hata yapısının dengeli ve sistematik olduğunu doğrulamaktadır.Elde edilen bulgular, RUL tahmininde performans artışının yalnızca model seçimine değil, özellik temsili tasarımına da güçlü biçimde bağlı olduğunu göstermektedir. Özellikle bataryalar arası başlangıç farklılıklarının yüksek olduğu durumlarda, RFR yaklaşımı model karmaşıklığını artırmadan anlamlı ve tutarlı iyileşmeler sağlayan etkili bir strateji sunmaktadır.

Zitieren

APA

Özcan, R., & Koca, F. (2026). A Reference-Based Feature Representation Approach for Battery Remaining Useful Life Prediction Using K-Nearest Neighbors Regression. Sivas Cumhuriyet Üniversitesi Bilim ve Teknoloji Dergisi, 5(1), 25-39. https://doi.org/10.69560/cujast.1904437

Vancouver

Özcan R, Koca F. A Reference-Based Feature Representation Approach for Battery Remaining Useful Life Prediction Using K-Nearest Neighbors Regression. Sivas Cumhuriyet Üniversitesi Bilim ve Teknoloji Dergisi. 2026;5(1):25-39. doi:10.69560/cujast.1904437

BibTeX
@article{zcan2026,
  author = {Özcan, Recai and Koca, Ferhat},
  title = {A Reference-Based Feature Representation Approach for Battery Remaining Useful Life Prediction Using K-Nearest Neighbors Regression},
  journal = {Sivas Cumhuriyet Üniversitesi Bilim ve Teknoloji Dergisi},
  year = {2026},
  volume = {5},
  number = {1},
  pages = {25--39},
  doi = {10.69560/cujast.1904437}
}
Kostenlos starten →