Mercedes-Benz AG - Abschlussarbeit im Bereich Powertrain Prototyping & Testing - Einsatz von Machine Learning zur Modellierung des Hystereseverhaltens von Antriebsbatterien
Ähnliche Stellenanzeigen
Berechnungsingenieur (all genders) - Crash
Berechnungsingenieur (all genders) - elektromagnetische Simulation
Mercedes-Benz AG - Abschlussarbeit im Bereich Powertrain Prototyping & Testing - Einsatz von Machine Learning zur Modellierung des Hystereseverhaltens von Antriebsbatterien
In der Konzernforschung & Mercedes-Benz Cars Entwicklung (RD) gestalten wir die Automobilgenerationen der Zukunft. Damit meinen wir innovative Produkte mit höchster Qualität und effiziente Entwicklungsprozesse. Wir arbeiten schon heute an Fahrzeugen, die die Technologieführerschaft von Daimler auch zukünftig sichern werden.
Die Entwicklungsarbeit elektrischer Antrieb erfolgt dabei aus Effizienz- und Qualitätsgründen vielfach mit Computermodellen. Das dynamische Spannungsverhalten von Lithium-Ionen-Batterien wird hierfür in der Regel über physikalisch-motivierte Modellierungsansätze und aus Erkenntnissen der einzelnen Lithium-Ionen Zellen abgebildet.
Ziel ist es bereits in frühen Entwicklungsphasen aussagekräftige Berechnung zum späteren Batterieverhalten zu gewinnen. Existieren hingegen erste Prototypen beziehungsweise sogar serienreife Batterien, lassen sich die Datenmengen ebenfalls nutzen, um ein digitales Abbild des Leistungsverhaltens zu erhalten oder bestehende Simulationsmodelle mit Machine Learning zu verbessern.
In diesem Sinne steht auch die Anwendung der in dieser Abschlussarbeit zu bearbeitenden Batteriemodelle. Die Abteilung Engineering und DV (RD/PPE) ist verantwortlich für die Unterstützung der Powertrain-Projekte und des Prüffeldes in Prüfaufgaben von heute, Planen und Realisieren des Prüffeldes von morgen, Entwicklung der Prüfmethoden und -technologien für morgen und 'übermorgen'. Eine wichtige Komponente dabei ist die Weiterentwicklung von Batteriesimulatoren, die an verschiedenen Prüfständen der Antriebentwicklung zum Einsatz kommen. Dabei wird die elektronische Energiebereitstellung basierend auf einer Spannungsvorgabe des Batteriemodells gesteuert.
Im Rahmen der Erweiterung bestehender Modelle mit Ansätzen aus dem Machine Learning überzeugen vor allem rekurrente neuronale Netze, die zusammen mit Klassifikationsmethoden, die Modellgüte zuverlässig erhöhen. Ihre Implementierung findet dabei mit MATLAB/Simulink sowie Python Tensorflow statt und wird anschließend in kompilierbaren C/C++ Code übersetzt.
Ein wiederkehrendes Problem dabei ist die Beschreibung der Hysterese im Ruhespannungsverhalten von Lithium-Ionen-Zellen. Die Vorgeschichte hinsichtlich der Stromlast hat einen entscheidenden Einfluss auf die Spannungslage des elektrischen Energiespeichers. Es ist anzunehmen, dass sich dieser Sachverhalt in Bezug auf zukünftige Zelltechnologien noch verschärft.
In der Arbeit sollen daher bekannte Modellierungsansätze der Hysterese auf Zellebene verglichen und auf eine Schätzmethode basierend auf Batteriemessungen ausgeweitet werden. Weiterhin soll das entwickelte Hysteresemodell in das bestehende Batteriemodell integriert und eine echtzeitfähige Berechnung gewährleistet werden.