Entwurf einer virtuellen Testumgebung für Machine Learning Algorithmen zur Alterungsprädiktion von Traktionsbatterien in Elektrofahrzeugen

Institut
Lehrstuhl für Fahrzeugtechnik
Typ
Bachelorarbeit / Semesterarbeit / Masterarbeit /
Inhalt
theoretisch /  
Beschreibung

Die wachsende Anzahl von Elektrofahrzeugen und die damit einhergehende Verbreitung von Li-Ionen Batterien erlaubt die Sammlung großer Mengen batteriespezifischer Daten während des Betriebs. Ziel dieses Projekts ist die Nutzung dieser Daten für eine zuverlässige und präzise Altersbestimmung und Lebensdauerprädiktion der Li-Ionen Traktionsbatterien. Da aktuelle Alterungsmodelle zu ungenau und aufwendig zu erstellen sind, werden neue Ansätze (basierend auf künstlicher Intelligenz) untersucht. Speziell im Rahmen dieser Arbeit soll eine virtuelle Testumgebung für das Testen verschiedener potentieller Algorithmen in Matlab/Simulink aufgebaut werden.

Dabei soll insbesondere auf ein bestehendes Batteriepackmodell, welches für eine aktuelle Zelle parametriert und validiert werden soll, zurückgegriffen werden. Das Modell liefert zeitkontinuierliche Daten, welche mittels verschiedener Algorithmen aggregiert werden können. Mit einem bestehenden Alterungsmodell sollen nun synthetische Alterungsdaten basierend auf realen Anwendungsfällen generiert werden, mit Hilfe derer verschiedene Machine Learning Algorithmen getestet werden können. Ziel ist es u.a., die Algorithmen hinsichtlich notwendiger Datenaufbereitung, benötigter Datenmenge, erzielbarer Prädiktionshorizont, Variabilität auf neue Alterungseffekte, etc. zu vergleichen. Die Arbeit erfolgt in Zusammenarbeit mit dem Start-Up TWAICE Technologies GmbH.

Folgende Arbeitspakete umfasst die zu vergebende Studienarbeit:

  • Parametrierung und Validierung eines Batteriepackmodells (elektrisch & thermisch)
  • Kombination mit Alterungsmodell über Datenaufbereitungsalgorithmen
  • Simulation verschiedener Lastszenarien zur Datengenerierung
  • Integration von Messungenauigkeiten analog zu realen Anwendungen
  • Variation der Alterungsfaktoren
  • Analyse von unterschiedlichen Machine Learning Algorithmen
Voraussetzungen

Bei Interesse bitte mit Lebenslauf und aktuellem Notenauszug bei wildfeuer@ftm.mw.tum.de melden.

Industriepartner
TWAICE Technologies GmbH
Verwendete Technologien
Matlab/Simulink, Machine Learning, Li-Ionen Batterien
Tags
FTM Komponenten von Elektrofahrzeugen, FTM Wildfeuer
Möglicher Beginn
sofort
Kontakt
Leo Wildfeuer, M.Sc.
Raum: MW 3511
Tel.: +49 89 289 10339
wildfeuerftm.mw.tum.de