Modelling of an artiɯcial neural network for determining and forecasting the operating condition of power sources for unmanned systems

Authors
DOI:
https://doi.org/10.34169/2414-0651.2025.3(47).65-72
Keywords:
armament and military equipment, power sources, technical (operational) condition, unmanned systems, battery state of charge, battery state of health, remaining useful life, neural network
Abstract

У даній статті проведено порівняльний аналіз двох архітектур глибокого навчання, розроблених для одночасної оцінки трьох ключових показників працездатного стану літій-іонних акумуляторів: стану заряду (SoC), стану “здоров’я” (SoH) та залишкового терміну служби (RUL). Дослідження ґрунтується на експериментальних даних, отриманих з відкритого набору даних NASA. Методологія дослідження включає повний цикл моделювання: від підготовки даних, формування часових рядів та побудови моделей до їх оцінювання. Розглядаються дві моделі: рекурентна нейронна мережа з механізмом багатовимірної уваги (Multi-head Attention RNN) та гібридна архітектура, що поєднує згорткові та рекурентні нейронні мережі з механізмом уваги (Hybrid CNN-RNN with Attention). Результати валідації продемонстрували, що гібридна модель досягла вищої точності в оцінці SoH і RUL, тоді як модель на основі рекурентної мережі забезпечила стабільніші прогнози SoC. На тестовому наборі даних лідерство змінювалося залежно від показника, що підкреслює взаємодоповнюваність підходів. Наукова новизна роботи полягає в інтегрованому застосуванні двох принципово різних архітектур до єдиної задачі прогнозування стану акумулятора з використанням реальних даних. Це дозволило ідентифікувати переваги та обмеження кожної моделі. Практична цінність результатів полягає в можливості їх використання для діагностики та прогнозування стану акумуляторів у системах керування живленням для безпілотних платформ, мультиагентних систем прийняття рішень та комплексів моніторингу технічного стану, де точне прогнозування залишкового ресурсу й оцінка поточного стану елементів живлення є критично важливими для планування місій, оптимізації технічного обслуговування та підвищення надійності. Майбутні дослідження будуть спрямовані на оптимізацію архітектур, вивчення нових механізмів уваги та інтеграцію розширених метрик для підвищення точності та надійності прогнозування в різноманітних умовах експлуатації.

References

Resolution of the Cabinet of Ministers of Ukraine No. 256 of March 24, 2023. On the implementation of a pilot project for the procurement of domestically produced unmanned systems for defense purposes. Available at: https://zakon.rada.gov.ua/laws/show/256-2023-%D0%BF#n66Text (accessed on 05.08.2025).

Plett, G.L. (2016). Battery Management Systems. Vol. II. Equivalent-Circuit Methods. Artech House. Pp. 70—73.

BU-105: Battery Definitions and what they mean. Website: https://batteryuniversity.com/article/bu-105-battery-definitions-and-what-they-mean. (Accessed 05.08.2025).

BU-901b: How to Measure the Remaining Useful Life of a Battery. Website: https://batteryuniversity.com/article/bu-901b-how-to-measure-the-remaining-useful-life-of-a-battery.

Hannan, M.A., Lipu, M.S.H., Hussain, A., Saad, M.H. & Ayob, A. (2018). Neural Network Approach for Estimating State of Charge of Lithium-Ion Battery Using Backtracking Search Algorithm. IEEE Access. № 6. Рр. 10069—10079. DOI: https://doi.org/10.1109/ACCESS.2018.2797976

Celik, B., Sandt, R., dos Santos, L.C.P. & Spatschek, R. (2022). Prediction of Battery Cycle Life Using Early-Cycle Data, Machine Learning and Data Management. Batteries. № 8. Р. 266. ttps://doi.org/10.3390(/batteries8120266. DOI: https://doi.org/10.3390/batteries8120266

Li-ion Battery Aging Datasets. NASA Open Data Portal. Website: https://data.nasa.gov/dataset/Li-ion-Battery-Aging-Datasets/uj5r-zjdb/about_data. (accessed: 05.08.2025).

Kaur, K., Garg, A. & Cui, X. Deep learning networks for capacity estimation for monitoring SOH of Li‐ion batteries for electric vehicles. https://doi.org/10.1002/er.6005. DOI: https://doi.org/10.1002/er.6005

Zheng, Y., Wen, H., Han, F., Yang, X. & Zhang, J. (2020). Study on SOC Estimation of Power Battery Based on LSTM Neural Network. Comput. Appl. Softw. № 37. Рр. 78—81.

Zh. Chen, Yue Peng, J. Shen and other. State of health estimation for lithium-ion batteries based on fragmented charging data and improved gated recurrent unit neural network. J. of Energy Storage. Vol. 115. 15 April 2025. P. 115952. https://doi.org/10.1016/j.est.2025.115952. DOI: https://doi.org/10.1016/j.est.2025.115952

Zh. Zhu, Q. Yang, X. & Liu, D. Gao. (2022). Attention-based CNN-BiLSTM for SOH and RUL estimation of lithium-ion batteries. J. of Algorithms & Computational Technology. Vol. 16. Pp. 1—11. https://doi.org/ 10.1177/17483026221130598. DOI: https://doi.org/10.1177/17483026221130598

Cr. Leo. The Math Behind LSTM. Towards data science. Available at: https://towardsdatascience.com/the-math-behind-lstm-9069b835289d.

F.-M. Zhao, De-Xin Gao, Y.-M. Cheng & Q. Yang. (2024). Application of state of health estimation and remaining useful life prediction for lithium-ion batteries based on AT-CNN-BiLSTM. Scientific Reports. № 14. Р. 29026. https://doi.org/10.1038/s41598-024-80421-2. DOI: https://doi.org/10.1038/s41598-024-80421-2

Slyusar, V. & Pochernin, S. (2025). Multi-agent energy management system for unmanned platforms. Prospects for the development of armaments and military equipment of the Ground Forces: Coll. of abstracts of the Intern. Scientific and Technical Conf. May 14–15, 2025. Lviv: NASV. 403 p.

Slyusar, V., Kozlov, V., Pochernin, S. & Nalapko, I. (2025). Conceptual foundations of the swarm employment of unmanned aerial vehicles as intelligent means of electronic warfare. Technology Audit and Production Reserves. № 3 (2 (83)). Рр. 71—80. https://doi.org/10.15587/2706-5448.2025.329989. DOI: https://doi.org/10.15587/2706-5448.2025.329989

Delta Information and Communication System. https://https://delta.mil.gov.ua/ (accessed on 05.08.2025).

Ministry of Defense: Ukraine is successfully integrating into NATO at the logistics level. Available at: Government portal. https://www.kmu.gov.ua/news/minoborony-ukraina-uspishno-intehruietsia-v-nato-na-rivni-lohistyky. (accessed: 05.08.2025).

Cover Image
Downloads
Published
2025-09-30
Issue
Vol. 47 No. 3 (2025): Weapons and military equipment
Section
INFORMATION SYSTEMS
License

Copyright (c) 2026 Сергій Почернін

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

How to Cite

Modelling of an artiɯcial neural network for determining and forecasting the operating condition of power sources for unmanned systems. (2025). Weapons and Military Equipment, 47(3), 65-72. https://doi.org/10.34169/2414-0651.2025.3(47).65-72

Most read articles by the same author(s)