Entwicklung einer KI-Methode zur Aktualisierung von ECM-Parametern über die Gesamtlebensdauer der Batterien

Institut

Lehrstuhl für Fahrzeugtechnik

Typ

Bachelorarbeit / Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

Lithium-Ionen-Batterien stellen in Elektrofahrzeugen nicht nur die teuerste Komponente dar, sondern sind auch verschiedenen Umweltbedingungen und Belastungsszenarien ausgesetzt. In Fahrzeugen wird typischerweise ein Äquivalentschaltkreismodell (ECM) zur Schätzung des Ladezustands (SoC) verwendet. Mit der Alterung der Batterie ändern sich jedoch auch die Parameter des ECMs, was zu einer verringerten Genauigkeit der Schätzung führt. Um die Qualität der Schätzung über die gesamte Lebensdauer der Batterie hinweg sicherzustellen, ist eine regelmäßige Aktualisierung der ECM-Parameter erforderlich. Eine vielversprechende Möglichkeit hierfür bietet die Nutzung von elektrochemischer Impedanzspektroskopie (EIS) Daten, die detaillierte Informationen über die Eigenschaften der Batterie liefern.

Ziel dieser Masterarbeit ist die Entwicklung und Implementierung einer Methode zur kontinuierlichen Aktualisierung der ECM-Parameter unter Verwendung von EIS-Daten. Dabei soll insbesondere der Einsatz von KI-gestützten Methoden zur Optimierung der Parameter im Fokus stehen.

Arbeitspakete:

• Erarbeitung des aktuellen Stands der Technik zu Lithium-Ionen-Batterien, Äquivalentschaltkreismodellen (ECM) und der elektrochemischen Impedanzspektroskopie (EIS).
• Entwicklung und Bewertung von KI-gestützten Methoden zur Aktualisierung der ECM-Parameter basierend auf Open-Source-Daten.
• Planung und Durchführung von Experimenten zur Generierung von Daten mit Zellen, die für den Einsatz in Fahrzeugen geeignet sind.
• Anwendung und Evaluierung der entwickelten Methoden auf die erhobenen experimentellen Daten.
• Umfassende Analyse der Genauigkeit und Zuverlässigkeit der entwickelten Methode im Vergleich zu bestehenden Ansätzen.
• Umfassende schriftliche Dokumentation und kritische Reflexion der Ergebnisse

Voraussetzungen

• Begeisterung für die Elektromobilität
• Grundkenntnisse zu Lithium-Ionen-Batterien 
• Grundkenntnisse in Python 
• Grundkenntnisse in Künstlicher Intelligenz 
• Strukturierte, methodische Arbeitsweise

 

Im Falle einer hervorragenden Arbeitsleistung besteht die Möglichkeit zur Co-Autorenschaft in einem Paper

Interessiert? Sende deine Bewerbung gerne inklusive deines aktuellen Lebenslaufs und deines aktuellen Notenauszugs an yilei.lin@tum.de

Verwendete Technologien

Python, ECM, EIS

Tags

FTM Lin, FTM Studienarbeiten, FTM EV, FTM EV Powertrain

Möglicher Beginn

sofort

Kontakt

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

Ausschreibung