User: Guest  Login
Original title:
Erweiterte Fehlerdiagnose in Lithium-Ionen-Batteriesystemen mit Methoden des maschinellen Lernens
Translated title:
Advanced fault diagnosis in lithium-ion battery systems using machine learning methods
Author:
Schmid, Michael Richard
Year:
2024
Document type:
Dissertation
Faculty/School:
TUM School of Engineering and Design
Advisor:
Kennel, Ralph (Prof. Dr. Dr. h. c.)
Referee:
Kennel, Ralph (Prof. Dr. Dr. h. c.); Endisch, Christian (Prof. Dr.); Sauer, Dirk Uwe (Prof. Dr.)
Language:
de
Subject group:
ELT Elektrotechnik
TUM classification:
ELT 855; ELT 868
Abstract:
Diese Arbeit beschäftigt sich mit erweiterten Methoden zur Fehlerdiagnose, die über die Einhaltung des sicheren Betriebsbereichs aller Zellen hinausgehen. Die Entwicklung datengetriebener Methoden erlaubt, Zellanomalien bereits in einer frühen Phase zu erkennen, bevor eine extensive Wärmegenerierung entsteht. Anhand eines rekonfigurierbaren Batteriesystems, das über Schalter auf Zellebene verfügt, zeigt die Arbeit, dass Schalthandlungen die Lokalisierung und Identifikation von Fehlern verbessern...     »
Translated abstract:
This work addresses advanced methods for fault diagnosis beyond maintaining the safe operating range of all cells. The development of data-driven methods allows cell anomalies to be detected in an early stage before extensive heat generation occurs. Using a reconfigurable battery system that exhibits cell-level switches, the work shows that switching actions improve fault localization and identification.
WWW:
https://mediatum.ub.tum.de/?id=1693611
Date of submission:
16.01.2023
Oral examination:
01.07.2024
File size:
79930750 bytes
Pages:
308
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240701-1693611-1-8
Last change:
25.07.2024
 BibTeX