- Big data analytics for proactive and predictive maintenance in electric car battery packs
- Big data analytics per la diagnostica predittiva e proattiva di sistemi batteria di auto elettriche
- Falcomer, Carlo <1993>
Subject
- INF/01 Informatica
Description
- The idea behind the project is to develop a methodology for analyzing and developing techniques for the diagnosis and the prediction of the state of charge and health of lithium-ion batteries for automotive applications. For lithium-ion batteries, residual functionality is measured in terms of state of health; however, this value cannot be directly associated with a measurable value, so it must be estimated. The development of the algorithms is based on the identification of the causes of battery degradation, in order to model and predict the trend. Therefore, models have been developed that are able to predict the electrical, thermal and aging behavior. In addition to the model, it was necessary to develop algorithms capable of monitoring the state of the battery, online and offline. This was possible with the use of algorithms based on Kalman filters, which allow the estimation of the system status in real time. Through machine learning algorithms, which allow offline analysis of battery deterioration using a statistical approach, it is possible to analyze information from the entire fleet of vehicles. Both systems work in synergy in order to achieve the best performance. Validation was performed with laboratory tests on different batteries and under different conditions. The development of the model allowed to reduce the time of the experimental tests. Some specific phenomena were tested in the laboratory, and the other cases were artificially generated.
- L'idea alla base del progetto è stata quella di sviluppare una metodologia di analisi e di sviluppo di tecniche per la diagnosi e la previsione dello stato di carica e di salute delle batterie agli ioni di litio per applicazioni automobilistiche. Per le batterie agli ioni di litio, la funzionalità residua è misurata in termini di stato di salute, tuttavia questo valore non può essere direttamente associato ad un valore misurabile, di conseguenza è necessario stimarlo. Lo sviluppo degli algoritmi è basato sull'identificazione delle cause di degrado delle batterie, al fine di modellarne e prevederne il comportamento. Sono stati dunque sviluppati modelli in grado di prevedere il comportamento elettrico e termico, e di invecchiamento della batteria. Oltre al modello, è stato necessario sviluppare algoritmi in grado di monitorare lo stato della batteria, online e offline, questo è stato possibile con l'utilizzo di algoritmi basati su filtri di Kalman, che permettono la stima dello stato del sistema in tempo reale. Attraverso algoritmi di machine learning, che consentono di analizzare offline il deterioramento della batteria con un approccio statistico, è possibile analizzare le informazioni dell'intera flotta di veicoli. Entrambi i sistemi lavorano in sinergia al fine di ottenere le migliori prestazioni. La validazione è stata eseguita con test di laboratorio su diverse batterie e in diverse condizioni. Lo sviluppo del modello ha permesso di ridurre il tempo delle prove sperimentali. Alcuni fenomeni specifici sono stati testati in laboratorio, e gli altri casi sono stati generati artificialmente.
Date
- 2022-06-30
Type
- Doctoral Thesis
- PeerReviewed
Format
- application/pdf
Identifier
urn:nbn:it:unibo-28507
Falcomer, Carlo (2022) Big data analytics per la diagnostica predittiva e proattiva di sistemi batteria di auto elettriche, [Dissertation thesis], Alma Mater Studiorum Università di Bologna. Dottorato di ricerca in Automotive per una mobilità intelligente