Transfer Learning basierte Prädiktion des Alterungsverhaltens von Elektrofahrzeugen

Institut

Lehrstuhl für Fahrzeugtechnik

Typ

Semesterarbeit / Masterarbeit /

Inhalt

theoretisch /  

Beschreibung

Ausgangssituation:

Lange Lebensdauern von Li-Ionen-Batterien sind unerlässlich, um nachhaltige Mobilität sicherzustellen. Mithilfe von Alterungsmodellen kann die Batteriedegradation vorhergesagt werden und geeignete Maßnahmen abgeleitet werde, um die Lebensdauer zu verlängern. Ein vielversprechender Ansatz die komplexen Alterungseffekte einer Batterie abzubilden, bietet der Einsatz von Machine Learning (ML).

 

Zielsetzung:

Im Rahmen dieser Studienarbeit soll untersucht werden, inwiefern Alterungsdaten von anderen  Batterietypen genutzt werden können, um die Datenbasis zu vergrößern und höhere Prädiktionsgenauigkeiten zu erzielen. Ein Ansatz bietet Transfer Learning. Hierzu soll eine vorhandenes LSTM-basiertes Alterungsmodell weiterentwickelt, verschiedene Arten des Transfer Learning gegeneinander vergleichen und der abschließende Nutzen evaluiert 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 

 

Bewerbungen bitte mit vollständigen Unterlagen (Lebenslauf und Leistungsnachweis)

Verwendete Technologien

Programming, Lithium-Ion Batteries, Machine Learning, Python

Tags

FTM Studienarbeit, FTM EV, FTM Kroeger, FTM Informatik

Möglicher Beginn

sofort

Kontakt

Thomas Kröger, M.Sc.
Raum: MW3511
Tel.: 089 289 10333
thomas.kroegertum.de

Ausschreibung