Online-Parametrierung von Batteriemodellen mittels Transfer Learning eines pre-trained Neural Networks mit inkludierter Online-Anomalieerkennung (AILERON)

Kontext

Eine Kernkomponente zur Umsetzung alternativer Antriebe im Mobilitätssektor sind elektrochemische Batteriespeicher. Zur Untersuchung des Batterieverhaltens in der Fahrzeugintegration ergänzen Modelle ressourcenintensive und zeitaufwändige Test-Setups, die dazu in der möglichen Anzahl den abbildbaren Szenarien limitiert sind. Darüber hinaus bilden physikalische Modelle oftmals die Grundlage für Schätzalgorithmen diverser Zustandsparameter der Batterie.
Für ein hinreichend genaues Batteriemodell ist die korrekte Parametrierung der einzelnen Elemente maßgeblich. Durch die Verwendung fahrzeugspezifischer, online gesammelter Betriebsdaten zur Ermittlung der Modellparameter werden individuelle Varianzen innerhalb einer Batteriegeneration berücksichtigt. Da hierbei außerdem auf zeitaufwändige Vorabuntersuchungen in einer Testumgebung verzichtet werden kann, trägt der Online-Ansatz, besonders im Umfeld schnell wechselnder Batterietechnologien, zur Effizienz der Entwicklung bei.
Hierfür können Deep Learning Modelle verwendet werden, welche online den korrekten Parametersatz für die jeweilige Batterie schätzen. Diese können anhand von verfügbaren Simulationsdaten vortrainiert und dann äußerst dateneffizient im Fahrzeug auf die Baureihe adaptiert werden. Hierfür soll eine moderne Trainingsstrategie und Architektur für das Neuronale Netz verwendet werden, welche es erlaubt zusätzlich potentielles Fehlverhalten in der Batterie frühzeitig zu erkennen und somit auch eine Absicherung der ML-Komponente und des Energiespeichers an sich bereit zu stellen.

Ziele

Ziel der Abschlussarbeit ist die Online-Parametrierung eines elektrischen Batteriemodells auf Grundlage simulierter und/oder realer Daten. Hierfür ist die Erstellung eines ML Models mit geeigneter Trainingsstrategie notwendig, welches die elektrischen Parameter der physikalischen Abbildung der Batterie schätzt. Anschließend soll eine Integration und ein Testing der Anomalieerkennung stattfinden und die Methodik auf die multivariate Regression evaluiert werden.

Voraussetzungen

• Gute Programmierkenntnisse in einer high-level Sprache (Python)
• Kentnisse in Tensorflow/Pytorch wären wünschenswert
• Sehr gute Deutsch- oder Englischkenntnisse

Darüber hinaus Kenntnisse in einer der folgenden Bereiche:

• Batteriemodellierung
• Modellierung elektrischer Antriebssysteme
• Machine Learning
• Neuronale Netze
• Multivariate Zeitreihenmodellierung
• Selbstständige Arbeitsweise
• Team- und Kontaktfähigkeit
• Gewissenhaftigkeit und ein sicheres Auftreten