انجمن مهندسی ساخت و تولید ایران مهندسی ساخت و تولید ایران 2476-504X 12 11 2026 01 21 Temporal state-of-health estimation of NiMH batteries using GRU networks and random forest models تخمین زمانی وضعیت سلامت باتری‌های NiMH با استفاده از شبکه GRU و مدل جنگل تصادفی 46 58 247667 10.22034/ijme.2026.585187.2190 FA مریم خادمی گروه ریاضی کاربردی، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران 0000-0002-9741-6808 علی اکبر کفش کنان گروه مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران 0009-0002-6411-5926 محمود حیدری‌کیا شرکت تحقیق، طراحی و تولید موتور ایران خودرو (ایپکو)، تهران، ایران 0009-0002-6411-5926 امیرحسین پریور شرکت تحقیق، طراحی و تولید موتور ایران خودرو (ایپکو)، تهران، ایران 0009-0002-6411-5926 Journal Article 2026 06 07 Estimating battery state of health (SOH) is important for the reliable operation of battery management systems, especially in hybrid vehicles using nickel–metal hydride batteries. In this study, a data-driven method is presented for estimating the SOH indicator of a NiMH battery module based on voltage and current data. From a manufacturing perspective, the proposed method can help improve quality control, reduce end-of-line testing time, and decrease dependence on long capacity tests. The data were collected using an experimental instrumentation platform including voltage measurement, current measurement, and load control. The raw data were filtered using physical limits to remove abnormal records while preserving both low-current and higher-current operating regimes. The filtered data were then divided into fixed-length windows, and voltage- and current-related features were extracted. Two models, Random Forest and GRU, were evaluated for SOH indicator estimation. The best GRU performance was obtained at a sequence length of 20, with RMSE = 0.005022, MAE = 0.003012, and R² = 0.996177. Under the same comparison condition, Random Forest achieved RMSE = 0.016402, MAE = 0.003950, and R² = 0.959225. The results showed that both models could estimate the SOH indicator, but GRU provided better performance by using temporal information from consecutive windows. The results also showed that excessively increasing the sequence length did not necessarily improve accuracy and could reduce the performance of the recurrent model. تخمین وضعیت سلامت باتری (SOH) برای عملکرد مطمئن سیستم‌های مدیریت باتری، به‌ویژه در خودروهای هیبریدی که از باتری‌های نیکل–فلز هیدرید استفاده می‌کنند، اهمیت دارد. در این مطالعه، یک روش داده‌محور برای تخمین شاخص SOH باتری NiMH بر اساس داده‌های ولتاژ و جریان ارائه شده است. از دیدگاه ساخت و تولید، روش پیشنهادی می‌تواند منجر به بهبود کنترل کیفیت، کاهش زمان آزمون پایان خط و کاهش وابستگی به آزمون‌های طولانی ظرفیت شود. داده‌ها با استفاده از بستر ابزار دقیق آزمایشگاهی شامل اندازه‌گیری ولتاژ، جریان و کنترل بار جمع‌آوری شدند. داده‌های خام با اعمال محدودیت‌های فیزیکی پالایش شدند تا داده‌های ثبت شده غیرعادی حذف شده و در عین حال هر دو رژیم جریان پایین و جریان بالا حفظ شوند. سپس داده‌های پالایش شده به پنجره‌هایی با طول ثابت تقسیم شده و ویژگی‌های مرتبط با ولتاژ و جریان استخراج گردیدند. برای تخمین شاخص SOH، دو مدل جنگل تصادفی و شبکه GRU ارزیابی شدند. بهترین عملکرد GRU در طول توالی 20 با مقادیر RMSE = 0.005022، MAE = 0.003012 و R² = 0.996177 به دست آمد. در مقایسه در شرایط یکسان، جنگل تصادفی به مقادیر RMSE = 0.016402، MAE = 0.003950 و R² = 0.959225 دست یافت. نتایج نشان دادند هر دو مدل می‌توانند شاخص SOH را تخمین بزنند، اما GRU با استفاده از اطلاعات زمانی پنجره‌های متوالی عملکرد بهتری ارائه داد. همچنین نتایج نشان داد که افزایش بیش از حد طول توالی لزوماً باعث بهبود دقت نشده و می‌تواند عملکرد مدل بازگشتی را کاهش دهد.

https://www.iranjme.ir/article_247667_fd2abef4ec26ec43bde71585c1e3f7b3.pdf