Zustandsschätzung in seriell verschaltetem Automotive-Batteriemodul mit Maschinellem Lernen und Impedanzdaten

Institut

Lehrstuhl für Fahrzeugtechnik

Typ

Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

Hintergrund: Die präzise Zustandsüberwachung von Lithium-Ionen-Batterien in Elektrofahrzeugen ist entscheidend für deren Leistung, Sicherheit und Lebensdauer. Der Ladezustand (SoC) und die Temperatur einzelner Batteriezellen sind dabei zwei der wichtigsten Parameter. Da der SoC nicht direkt gemessen werden kann und die derzeitigen Methoden in extremen Betriebsbedingungen oft ungenau sind, besteht ein hoher Forschungsbedarf. Zudem ist die Anzahl der Temperatursensoren aufgrund von Kostengründen begrenzt, was die direkte Temperaturmessung jeder Zelle unmöglich macht. Mit der Entwicklung der Technologie könnte die elektrochemische Impedanzspektroskopie (EIS) zukünftig in Fahrzeugen integriert werden. Durch die Kombination von Impedanzmessungen, vorhandenen Messgrößen (wie Spannung) und maschinellem Lernen soll eine präzisere Schätzung des SoC und der Temperatur jeder einzelnen Zelle erreicht werden.

Aufgaben:

• Vertiefte Literaturrecherche zu Lithium-Ionen-Batterien, Zustandsschätzung und elektrochemische Impedanzspektroskopie 
• Entwicklung eines Versuchsplans zur Sammlung relevanter Daten 
• Durchführung von Experimenten zur Erhebung von Daten
• Entwicklung und Implementierung von Algorithmen zur Schätzung des SoC und der Temperatur
• Auswertung der Ergebnisse anhand von aussagekräftigen Kriterien und Metriken
• Ausarbeitung und Dokumentation der einzelnen Arbeitsschritte in übersichtlicher Form
• Reflexion und Diskussion der Ergebnisse

Voraussetzungen

• Interesse an Elektromobilität & Li-Ionen Batterien
• Interesse an Künstlicher Intelligenz und Deep Learning
• Gute Programmierkenntnisse in Python oder Matlab
• Selbständige und gründliche Arbeitsweise
• Sehr gute Deutsch- oder Englischkenntniss

Verwendete Technologien

Matlab, Python, Elektrochemische Impedanzspektroskopie, Lithium-Ionen-Batterien

Tags

FTM Lin, FTM Studienarbeit, FTM EV, FTM EV Powertrain, FTM Informatik

Möglicher Beginn

sofort

Kontakt

Yilei Lin, M.Sc.
Raum: MW 3511
Tel.: +49.89.289.10338
yilei.lintum.de

Ausschreibung