UnivIS
Informationssystem der Friedrich-Alexander-Universität Erlangen-Nürnberg © Config eG 
FAU Logo
  Sammlung/Stundenplan    Modulbelegung Home  |  Rechtliches  |  Kontakt  |  Hilfe    
Suche:       
 Lehr-
veranstaltungen
   Personen/
Einrichtungen
   Räume   Forschungs-
bericht
   Publi-
kationen
   Internat.
Kontakte
   Examens-
arbeiten
   Telefon &
E-Mail
 
 
 Darstellung
 
Druckansicht

 
 
 Außerdem im UnivIS
 
Vorlesungs- und Modulverzeichnis nach Studiengängen

Vorlesungsverzeichnis

 
 
Veranstaltungskalender

Stellenangebote

Möbel-/Rechnerbörse

 
 
Einrichtungen >> Technische Fakultät (TF) >> Department Informatik (INF) >> Lehrstuhl für Informatik 7 (Rechnernetze und Kommunikationssysteme) >>

Datengetriebene Batteriezustandsschätzung mithilfe verschiedener Methoden des Maschinellen Lernens/ Data driven battery health estimation using different methods of machine learning

Art der Arbeit:
Master Thesis
Betreuer:
Pruckner, Marco
Lehrstuhl für Informatik 7 (Rechnernetze und Kommunikationssysteme)
E-Mail: marco.pruckner@uni-wuerzburg.de
Beschreibung der Arbeit:
Motivation:
Die Batterie spielt eine zentrale Rolle für den Wandel in der Automobilindustrie hin zur Elektromobilität. Diese Komponente ist nicht nur maßgeblich für die Performance von Elektrofahrzeugen verantwortlich, sondern auch ein großer Kostentreiber bei der Produktion. Für eine effiziente Entwicklung und Steuerung einer automotiven Batterie ist die genaue Modellierung des Batterieverhaltens deshalb von größtem Interesse. Durch komplexe Alterungseffekte kommt es jedoch zu einer Veränderung des Batterieverhaltens im Laufe der zeitlichen Nutzung, welche bei der Modellierung berücksichtigt werden müssen. Methoden des Maschinelle Lernens, wie beispielsweise Regressionsmodelle und Neuronale Netze, versprechen dabei ein Erlernen solcher Zusammenhänge und rücken deshalb verstärkt in den Fokus aktueller Forschungen.

Aufgabenstellung:
Im Rahmen einer Abschlussarbeit soll analysiert werden, inwieweit sich Methoden des Maschinellen Lernens für das Abbilden des elektrischen Verhaltens einer Batterie eignen. Grundlage sind elektrische Zeitreihen einer automotiv betriebenen Batteriezelle. Anhand dieser Batteriedaten sollen datengetriebene Modelle trainiert werden. Der Fokus liegt dabei auf unterschiedlichen Methoden des Maschinellen Lernens, wie beispielsweise Regressionsmodelle (MLR, SVM, …) sowie Neuronaler Netze (LSTM, CNN, Deep Learning). Mithilfe geeigneter Analysen (Sensitivitätsanalyse, Netztopologie-Optimierung, Hyperparametertuning,…) soll die Performance der einzelnen Modelle untersucht und optimiert werden Ziel der Arbeit ist der Vergleich der unterschiedlichen datengetriebenen Methoden untereinander. Aufzuzeigen sind eventuelle Limitationen sowie Stärken und Schwächen der einzelnen Modell-Ansätze. Diese Arbeit wird in Kooperation mit der Volksagen AG durchgeführt.

Vorausgesetzte Vorlesungen bzw. Kenntnisse:
Anforderungsprofil:
  • Vorzugsweise Studierende im Bereich Informatik, Computational Engineering, IuK, oder vergleichbarer Ingenieurwissenschaft bzw. Naturwissenschaft

  • Interesse an bzw. Erfahrungen mit den Themenbereichen der Elektromobilität sowie Regressionsmethoden / Neuronaler Netze

  • Erfahrungen in Python

  • Selbstständige und gewissenhafte Arbeitsweise

Bearbeitungszustand:
Die Arbeit ist bereits abgeschlossen.
Bearbeiter: Patrick Klapper
Abgegeben am: 15.04.2021

UnivIS ist ein Produkt der Config eG, Buckenhof