Forschungsarbeit von Herrn Dr. Chong Dae Kim und Herrn Sebastian Matthias Hell veröffentlicht
In einem Peer-Review Verfahren wurde das Paper „Development of a Data-Driven Method for Online Battery Remaining-Useful-Life Prediction” im MDPI Batteries publiziert.
Im Rahmen einer Masterarbeit und anschließender Forschungsarbeit an der Fakultät für Anlagen, Energie- und Maschinensysteme der TH Köln entstand das Paper „Development of a Data-Driven Method for Online Battery Remaining-Useful-Life Prediction“. Es wurde von den Autoren Herrn Sebastian Matthias Hell und Herrn Dr. Chong Dae Kim verfasst.
Li-Ionen Batterien befinden sich bereits in einer Vielzahl verschiedenster elektronischer Geräte unseres Alltags und der Trend ist weiter zunehmend. Allerdings ist die Lebenszeit von Li-Ionen Batterien begrenzt, da die Leistungsfähigkeit bei wiederholten Lade- und Entladevorgängen abnimmt. Sobald das voraussichtliche Lebensende der Batterie unterschritten wird, erhöht sich das Risiko des Batterieversagens. Gleichzeitig würde ein zu frühes Auswechseln der Batterie zu einer Verschwendung wertvoller Rohstoffe führen. Um das Versagensrisiko zu verringern und damit die Sicherheit zu erhöhen, kann eine datenbasierte Zustandsüberwachung und eine Prognose über das voraussichtliche Lebensende der Batterie erstellt werden. Dies ist die sog. Remaining-Useful-Life (RUL) Prediction.
Die in der Veröffentlichung vorgestellte Methodik beinhaltet die RUL-Vorhersage unter Verwendung einer datengetriebenen Deep Learning Methode in Kombination mit Soft Sensing. Hierbei extrahiert das Soft Sensing indirekte Leistungsindikatoren aus dem Aufladeprozess, die den Degradationsverlauf der Batterie wiedergeben, ohne dass die Batterie von der tatsächlichen Anwendung getrennt werden muss. Das Deep Learning Verfahren wird verwendet, um die längerfristige Leistungsentwicklung zu erlernen. Mit Hilfe eines realen Li-Ionen NASA-Batteriedatensatz können die präzisen erzeugten Vorhersageergebnisse validiert und verifiziert werden.
November 2022