[Back]

V. Steininger:
"Deep Learning Methods for Battery Ageing Prediction";
Supervisor: C. Hametner; Institut für Mechanik und Mechatronik, 2020.

This work provides a practical framework how to apply deep learning methods on raw measurement data to conduct ageing prediction of a battery cell. Whereas traditional models employ exhaustive preprocessing methods like manual feature extraction or interpolation to establish a quantitative balance between input and output datapoints, neural networks can be used to directly process the given data. Firstly, without changing the number of datapoints, the entire measurement data has to be transformed into a format that is compatible with all applied network architectures. Afterwards, it shall be investigated what network structures are most appropriate for
the present problem. Starting from a plain recurrent network, which seemed obvious to be applied first, different architectures such as convolutional nets were trained on selected training cells. Surprisingly, they outperformed the recurrent networks. The required hyperparameters for the training process were found through an iterative process. Finally, a hybrid network of both types has been used which figured out to fit best for the ageing prediction of a battery cell.

Diese Arbeit bietet einen praktischen Rahmen für die Anwendung von Depp Learning Methoden auf Messdaten, um eine Alterungsvorhersage für eine Batteriezelle durchzuführen. Während traditionelle Modelle erschöpfende Vorverarbeitungsmethoden wie manuelle Merkmalsextraktion oder Interpolation verwenden, um ein quantitatives Gleichgewicht zwischen Eingangs- und Ausgangsdatenpunkten herzustellen, können neuronale Netze zur direkten Verarbeitung der gegebenen Daten verwendet werden. Ohne die Anzahl der Datenpunkte zu verändern, müssen erstens die gesamten Messdaten in ein Format transformiert werden, das mit allen verwendeten Netzwerkarchitekturen kompatibel ist. Danach ist zu untersuchen, welche Netzwerkstrukturen am besten geeignet sind für
das gegenwärtige Problem. Ausgehend von einem einfachen wiederkehrenden Netz, dessen Anwendung zunächst naheliegend erschien, wurden verschiedene Architekturen, wie z.B. Faltungsnetze, auf ausgewählten Trainingszellen trainiert. Überraschenderweise übertrafen sie die rekursiven Netze. Die erforderlichen Hyperparameter für den Trainingsprozess wurden durch einen iterativen Prozess gefunden. Schließlich wurde ein hybrides Netzwerk beider Typen verwendet, das sich als am besten geeignet für die Alterungsvorhersage einer Batteriezelle herausstellte.

Deep Learning, Battery Ageing prediction

Project Head Christoph Hametner:
CDL Powertrain Control and Monitoring