ML-basierte Batterielebensdauer-Prädiktion für Elektrofahrzeuge

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

Im Designprozesses von Elektrofahrzeugen werden gegenwärtig umfangreiche und kostenintensive Prüfstandsversuche durchgeführt, um die Leistungsmerkmale einer neuen Traktionsbatterie (EoL, Leistung, Reichweite,...) zu bewerten und zu verifizieren. Eine Möglichkeit, den Testaufwand zu reduzieren, ist der Einsatz von KI und insbesondere Machine Learning (ML) Algorithmen, die reale Batterietests ergänzen oder sogar ersetzen können. Dieser Ansatz soll im Forschungsprojekt KIBaTest in Kooperation mit der TÜV Süd Battery Testing GmbH untersucht werden.

Im Rahmen dieser Studienarbeit sollen, aufbauend auf dem Stand der Technik, Machine-Learning Modelle trainiert werden um die Zykluslebensdauer (EOL) einer Batterie in Lebensdauerversuchen vorhersagen zu können noch bevor es zum tatsächlichen Versagen der Batterie kommt. Basierend auf einer vorhandenen Batteriedatenbank sollen verschiedenen Methoden aus dem Stand der Technik miteinander verglichen werden und die beste Methode ausgewählt werden. Anhand der ausgewählten Methode soll abschließend das zeitliche Einsparpotential gegenüber konventionellen Prüfstandsversuchen konkret aufgezeigt werden.  

Voraussetzungen
  • Interesse an künstlicher Intelligenz und Machine Learning
  • Interesse an Elektromobilität und speziell Lithium-Ionen Batterien
  • Erfahrungen mit Machine-Learning (Zeitreihenprädiktion) oder Batterie-Prüftstandsversuchen vorteilhaft
  • Selbständige und gründliche Arbeitsweise
  • Sehr gute Deutsch- oder Englischkenntnisse 
Tags
FTM Studienarbeit, FTM Elektrische Antriebssysteme, FTM Kroeger
Möglicher Beginn
sofort
Kontakt
Thomas Kröger, M.Sc.
Raum: MW3511
Tel.: 089 289 10333
kroegerftm.mw.tum.de
Ausschreibung