Analyse des Potentials von Deep Learning zur 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.

Zielsetzung:

Im Rahmen dieser Studienarbeit sollen verschiedene Methoden aus dem Stand der Technik für die Alterungsprädiktion (Semi-Empirisch vs Machine Learning vs Deep Learning) miteinander verglichen werden. Hierzu sollen die drei jeweiligen Prädiktionsansätze in Python implementiert werden. Anschließend sollen die Vor- und Nachteile der einzelnen Methoden anhand von zwei vorhanden Datensätzen von Fahrzeugen mit unterschiedlichen Batteriearten analysiert werden. 

Voraussetzungen

Anforderungsprofil:

•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, Deep Learing, 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