Entwicklung und Evaluation datengetriebener Batterie-Alterungsmodelle für Hybridfahrzeuge

Die Bestimmung des Gesundheitszustandes von Lithium-Ionen-Batterien
ist zentraler Bestandteil der Lebensdauerauslegung moderner, elektrifizier-
ter Fahrzeuge. Komplexe Wechselwirkungen innerhalb des Batteriesystems
erfordern simulative Ansätze, um Degradationsmechanismen abbilden zu
können. Historische Betriebsdaten erlauben die Berücksichtigung des Nut-
zungsverhaltens und deren Einfluss auf die finalen Alterungseffekte der
Batterie. Durch die steigende Verfügbarkeit großer Mengen ausgelesener
Diagnosedaten rücken zunehmend maschinelle Lernmethoden in den Fo-
kus der Anwendung.
... mehr
Als Datengrundlage werden üblicherweise Spannungs- sowie Stromprofi-
le zyklisierter Zellen eingesetzt. Obwohl die Schätzung des Alterungsver-
haltens umfassend untersucht wird, existieren im Ingenieuersbereich we-
nige bis keine Untersuchungen zur Prädiktion auf Basis historischer Nut-
zungsdaten. Um bisherige Lücken in der Fachliteratur zu schließen, sol-
len vielversprechende Konzepte des maschinellen Lernens auf die zugrun-
deliegende Datenbasis übertragen sowie optimierte Methoden entwickelt
werden, um das Degradationsverhalten der Batterie abbilden zu können.
Im ersten Schritt wird zunächst die zugrundeliegende Datenbasis systema-
tisch ausgewertet und analysiert. Durch die Kombination von Ingenieurs-
verständnis und statistischer Methoden werden relevante Alterungspara-
meter identifiziert sowie neue signifikante Bewertungsgrößen basierend
auf Filteroperationen generiert.
Darauf aufbauend werden auf Basis jüngster Beiträge aus dem Automobil-
bereich und der Spracherkennung maschinelle Prädiktionsmodelle als Al-
ternative zur physikalischen Modellierung des Alterungsverhaltens identi-
fiziert. Im Rahmen des Methodenentwicklungsprozesses werden diese Mo-
delle erweitert und generalisiert, um die Anwendbarkeit für die im Rahmen
der Arbeit behandelten Problemstellung zu gewährleisten. Die Ergebnis-
se zeigen Stärken und Schwächen verschiedener Ansätze auf. Die größte
Herausforderung stellt für alle Modellvarianten die Prädiktion geringer Zu-
standswerte dar. Nichtsdestotrotz wird gezeigt, dass der Ansatz eines Re-
kurrenten Neuronalen Netzes, eines Support Vector Regressors sowie eines
xGBoost-Algorithmus durchaus zielführend ist, um das Alterungsverhalten
eines komplex belasteten Batteriesystems – als Komponente eines dynami-
schen Gesamtsystems – mittels der zugrundeliegenden Datenbasis zu be-
werten sowie zu prädizieren. In allen Validierungssequenzen bestätigt sich,
dass die Ergebnisqualität durch die umgesetzten Maßnahmen sukzessive
gesteigert werden kann.
Dies motiviert die Untersuchung der Modellgüte hinsichtlich ungesehener
Daten und somit die einer Zukunftsprädiktion. Basierend auf der Analyse
von vier Beispielfahrzeugen wird gezeigt, dass speziell für niedrige SoHC-
Bereiche aufgrund von Datenqualitätsproblemen ungültige Prädiktionen
auftreten können. Schließlich wird auf Basis dieser Erkenntnisse die Frage behandelt, ob eine Übertragbarkeit der Methodik auf andere Fahrzeugsys-
teme gegeben ist. Die Ergebnisse legen dar, dass nur begrenzt grundlegen-
de Zusammenhänge abgebildet werden können. Eine genauere Realitätsab-
bildung erfordert die Integration aussagekräftigerer Eingangsgrößen und
eine spezifische Betrachtung der Zellchemie, weshalb eine separate Mo-
dellentwicklung für jedes Fahrzeugsystem empfohlen wird.

Assessing the health status of lithium-ion batteries is a critical aspect in
the lifespan design of modern, electrified vehicles. The intricate interacti-
ons within the battery system necessitate simulation-based approaches to
represent degradation mechanisms accurately. Historical operational data
enable the incorporation of user behavior and its impact on the battery’s fi-
nal aging effects. With the increasing availability of large-scale diagnostic
data, machine learning methods are becoming more central to this field.
Typically, voltage and current profiles of cycled cells are used as the data
... mehr
foundation. Despite extensive research on aging behavior estimation, there
is a scarcity of studies in the engineering field focusing on predictions ba-
sed on historical usage data. To address gaps in existing literature, this stu-
dy aims to apply and optimize successful machine learning methods to this
unique data set, enhancing our understanding of battery degradation beha-
vior. The initial step involves a systematic evaluation and analysis of the un-
derlying data set. Combining engineering insights with statistical methods,
relevant aging parameters are identified, and new, meaningful metrics are
generated through filtering operations.
Building on this, the study identifies machine learning prediction models,
informed by recent contributions in the automotive and speech recognition
fields, as alternatives to the electrical-physical modeling of aging behavior.
In the method development process, these models are refined and generali-
zed to ensure applicability to the present problem. The results highlight the
strengths and weaknesses of various approaches, with the greatest challen-
ge for all model variants being the prediction of low state values. However,
it is demonstrated that the approach of using Recurrent Neural Networks,
Support Vector Regressors, and xGBoost algorithms is valid for estimating
the aging behavior of a complexly stressed battery system. This estimation
is viewed as a component of a dynamic overall system, using the underly-
ing data set. Validation sequences confirm that the error measure can be
progressively reduced through implemented measures.
This motivates an investigation into the model’s accuracy with unseen da-
ta and its potential for future prediction. Using four example vehicles, it is
shown that the approach, particularly for low SoHC ranges, can lead to inva-
lid predictions due to data quality issues. Finally, based on these findings,
the study addresses whether the methodology is transferable to other vehic-
le systems. The results suggest that only limited fundamental correlations
can be represented. A more accurate depiction of reality requires the inte-
gration of more significant input variables and a specific consideration of
cell chemistry, hence recommending separate model development for each
vehicle system.