Batteriealterungsprädiktion mittels selbstlernender Modelle auf Basis von Kundendatenanalyse

laufend

Die Automobilindustrie befindet sich im Wandel, weg von klassischen Verbrennungsmotoren hin zu elektrisch angetriebenen Fahrzeugen. Dieser Wandel bringt eine Vielzahl neuer Potentiale und Chancen für die Fahrzeughersteller mit sich, gleichzeitig sieht sich dieser mit bislang unbekannten Herausforderungen konfrontiert. Eine der größten Herausforderungen ist die erzielbare Reichweite elektrischer Fahrzeuge über die gesamte Lebensdauer hinweg, welche maßgeblich durch die Performance der Batterie bestimmt wird. So sind gegenwärtige Fahrzeuge mit einer Vielzahl an Sensoren und Hochleistungssteuergeräten ausgestattet, welche eine Generierung enormer Datenmengen erlauben. Getrieben durch neuartige Ansätze, sowie stetig steigende Rechenperformance, gewinnen vor allem Methoden des maschinellen Lernens zunehmend an Bedeutung. Auch im Bereich der Batteriesysteme gibt es an vielen Stellen Einsatzmöglichkeiten für mathematische Modelle dieser Art.

Im Rahmen dieses Projekts werden zunächst ausgesuchte Datenquellen (Felddaten, Erprobungs-Messdaten, Prüfstandsdaten, etc.) mittels geeigneter Methoden aufbereitet und analysiert, um eine einfache und systematische Datenauswertung mit maximalem Erkenntnisgewinn zu ermöglichen. Darauf aufbauend sollen Ansätze aus dem Umfeld der künstlichen Intelligenz untersucht werden. Im Vordergrund steht dabei die Entwicklung eines datengetriebenen Modells zur Bestimmung der Degradierung.