Analyse des Potentials von Deep Learning zur Prädiktion der Batteriealterung von Elektrofahrzeugen

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

Ausgangssituation:

Im Designprozesses von Elektrofahrzeugen werden gegenwärtig umfangreiche und kostenintensive Prüfstandsversuche durch-geführt, um die Leistungsmerkmale einer neuen Traktionsbatterie (EoL, Leistung, Reichweite,...) zu bewerten. Eine Möglichkeit, den Testaufwand zu reduzieren, bietet der Einsatz von KI und insbesondere Machine Learning Algorithmen.

 

Zielsetzung:

Im Rahmen dieser Studienarbeit sollen verschiedene Methoden aus dem Stand der Technik (z.B.:  RNN) für die Alterungsprädiktion miteinander verglichen werden. Hierzu sollen die jeweiligen Prädiktionsansätze in Python (mit Sklearn, Pytorch, Tensorflow, etc…) implementiert werden. Anschließend sollen die Vor- und Nachteile der einzelnen Methoden anhand von zwei vorhanden Datensätzen von Fahrzeugen mit unterschiedlichen Batterie-chemien analysiert werden. 

Voraussetzungen
  • Interesse an Künstlicher Intelligenz und Machine Learning
  • Interesse an Elektromobilität
  • Erfahrungen mit Machine-Learning (idealerweise Zeitreihenprädiktion)
  • Selbständige und gründliche Arbeitsweise
  • Sehr gute Deutsch- oder Englischkenntnisse 
Tags
FTM Studienarbeit, FTM EV Powertrain, FTM Kroeger, FTM Informatik, FTM EV, FTM EV Operations
Möglicher Beginn
sofort
Kontakt
Thomas Kröger, M.Sc.
Raum: MW3511
Tel.: 089 289 10333
thomas.kroegertum.de
Ausschreibung