Note ABES Machine-learning-based predictive maintenance for lithium-ion batteries in electric vehicles Maintenance prévisionnelle des batteries lithium-ion dans les véhicules électriques à base d’apprentissage automatique Batteries lithium-ion Véhicules électriques Maintenance prévisionnelle Apprentissage automatique Séries temporelles SOH RUL Lithium-Ion batteries Electric vehicles Predictive maintenance Machine learning Time Series SOH RUL 621.3 Batteries lithium-ion Automobiles électriques Apprentissage automatique La batterie est un élément central des véhicules électriques, soumis à de nombreux enjeux en termes de performances, sécurité et coût. La durée de vie des batteries en particulier fait l’objet d’une grande attention, car elle doit s’aligner avec la durée de vie d’un véhicule. Dans ce contexte, la maintenance prévisionnelle vise à prédire de manière fiable la durée de vie utile restante (RUL) et l’évolution de l’état de santé (SOH) d'une batterie Lithium-Ion (Li-Ion) en utilisant les données d'utilisation passées et présentes, de manière à anticiper les opérations de maintenance. L’objectif de cette thèse est de tirer profit de l’information contenue dans les séries temporelles de courant, tension et température via des algorithmes d’apprentissage automatique. Plusieurs modèles prédictifs ont étés développés à partir de jeux de données publics, afin de prédire le RUL d’une batterie ou l’évolution de son SOH à plus ou moins long terme. The battery is a central component of electric vehicles, and is subject to numerous challenges in terms of performance, safety and cost. The life of batteries in particular is the subject of a great deal of attention, as it needs to be aligned with the life of a vehicle. In this context, predictive maintenance aims to reliably predict the remaining useful life (RUL) and the evolution of the state of health (SOH) of a Lithium-Ion (Li-Ion) battery using past and present operating data, so as to anticipate maintenance operations. The objective of this thesis is to take advantage of the information contained in the time series of current, voltage and temperature via machine learning algorithms. Several predictive models have been developed from public datasets, in order to predict the RUL of a battery or the evolution of its SOH in the more or less long term. Electronic Thesis or Dissertation Text en PDF 68499486 Université de Strasbourg Strasbourg 2024-12-31 https://theses.hal.science/tel-04583426 application/pdf 8559321 https://publication-theses.unistra.fr/public/theses_doctorat/2023/JORGE_Ines_2023_ED269.pdf http://www.theses.fr/2023STRAD056/abes https://theses.hal.science/tel-04583426 https://theses.hal.science/tel-04583426 Jorge Inès 1996-02-13 FR 258225580 0707001102J 21922383 4200020 https://theses.fr/2023STRAD056 2023STRAD056 https://doi.org/10.70675/0c919879z7f18z49a1z88e9z40b21afc8345 2023-11-24 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Boné Romuald MADS_DIRECTEUR_DE_THESE_1 081337159 Mesbahi Tedjani MADS_DIRECTEUR_DE_THESE_2 197989616 Venet Pascal MADS_PRESIDENT_DU_JURY 165503513 Samet Ahmed MADS_MEMBRE_DU_JURY_1 184322820 El Ganaoui Ouafae MADS_MEMBRE_DU_JURY_2 076926001 Aouada Djamila MADS_MEMBRE_DU_JURY_3 266054951 Cardot Hubert MADS_RAPPORTEUR_1 112974945 Vinassa Jean-Michel MADS_RAPPORTEUR_2 078898064 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:620 Boné Romuald Mesbahi Tedjani Venet Pascal Samet Ahmed El Ganaoui Ouafae Aouada Djamila Cardot Hubert Vinassa Jean-Michel École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 68499486