Maintenance prévisionnelle des batteries lithium-ion dans les véhicules électriques à base d’apprentissage automatique
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Jorge, Inès
Date de soutenance : 24-11-2023

Directeur(s) de thèse : Boné, Romuald - Mesbahi, Tedjani

Président : Venet, Pascal
Rapporteur(s) : Cardot, Hubert - Vinassa, Jean-Michel
Membre(s) du jury : Samet, Ahmed - El Ganaoui, Ouafae - Aouada, Djamila

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Sciences de l'ingénieur

Mots-clés libres : Batteries lithium-ion, Véhicules électriques, Maintenance prévisionnelle, Apprentissage automatique, Séries temporelles, SOH, RUL
Mots-clés :
  • Batteries lithium-ion
  • Automobiles électriques
  • Apprentissage automatique
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAD056
Type de ressource : Thèse