Where PhDs and companies meet
Menu
Login

Already registered?

New user?

CIFRE - Prédiction du vieillissement des batteries Lithium-ion par Intelligence Artificielle

ABG-101384 Thesis topic
2021-11-25 Cifre
CRAN, UMR 7039 CNRS, Université de Lorraine
Quimper - Bretagne - France
CIFRE - Prédiction du vieillissement des batteries Lithium-ion par Intelligence Artificielle
  • Data science (storage, security, measurement, analysis)
  • Energy
Batteries lithium, SoH, RUL, pronostics, process de vieillissement, maintenance prédictive

Topic description

Contexte:

Cette thèse s’inscrit dans le cadre industriel d’Entech pour l’amélioration de performances des systèmes de stockages d’énergie (batteries) à travers le déploiement de processus de pronostic et d’aide à la décision en maintenance prédictive. Elle est à l’interface entre plusieurs problématiques dont le dénominateur commun réside dans la complexité de l’exploitation des données disponibles pour l’estimation de l’état de santé et la prédiction de la durée de vie résiduelle de batteries. Cette thèse met en collaboration Entech, le Centre de Recherche en Automatique de Nancy (CRAN-UMR CNRS 7039) de l’Université de Lorraine, et le Roverbal (Université de Technologies de Compiègne).

 

Sujet de la thèse:

Les batteries Lithium-ion sont l’élément vital des systèmes de stockage d’énergie. Le vieillissement des batteries impacte directement à la performance nominale (voire la défaillance) pour tous les dispositifs alimentés par ces batteries : voiture électrique, téléphonie, informatique, jouet, alimentation secourue, outillage. En effet, le vieillissement des batteries se manifeste soit par une perte d’énergie en Wh (ou de capacité en Ah) soit par une augmentation de l’impédance interne qui entraine une diminution de la puissance disponible en charge ou en décharge. L’état de santé (SoH -State of Health) et la durée de vie résiduelle (RUL-Remaining Useful Life) sont deux indicateurs clés pour l’évaluation du vieillissement des batteries Lithium-ion. L’estimation de SoH et la prédiction de la RUL sont les fonctions clés des BMSs (Battery Management System) qui sont construits pour garantir le bon fonctionnement des batteries. En effet, le SoH et la RUL peuvent être influencés par de nombreux paramètres tels que la température, la variation de l’état de charge, la forme de courant, le mode de l'usage (charge, décharge, inactive). L’estimation de SoH et la prédiction de la RUL des batteries Lithium-ion sont donc des problèmes complexes ayant attiré beaucoup d'attention de nombreux chercheurs et de l’industrie. Cependant, le développement et l’implémentation de solutions adéquates à l’échelle industrielle manque encore cruellement de fondements, de méthodes et d’outils. Par conséquent, la proposition de méthodologies de modélisation de vieillissement des batteries, de modèles de pronostic adaptés constitue un défi scientifique majeur pour la mise en œuvre concrète de ces nouvelles stratégies. Ce défi s’inscrit pleinement dans la discipline scientifique/industriel PHM (Prognostics and Health Management) initiée récemment par la NASA.

Dans ce contexte, l’objectif principal de cette thèse est de développer des approches hybrides avancées pour l’estimation de SoH et la prédiction de la RUL des batteries Lithium-ion. Les approches seront développées en combinant à la fois les modèles électrochimiques du vieillissement des batteries et l’apprentissage automatique (Machine learning). En plus, les connaissances expertes sont une source de données importantes et seront aussi prises en compte dans le développement de nos approches.   La thèse peut être divisée en 5 étapes suivantes :

  • Etude sur les batteries Lithiumion et leurs modes de vieillissement.
  • Construction des indicateurs de santé des batteries (SoH).
  • Développement de approches hybrides pour l’estimation de SoH et la prédiction de la RUL basées sur les modèles électrochimiques du vieillissement, les connaissances expertes et l’apprentissage automatique.
  • Evaluation des performances des méthodes selon différentes plages temporelles pour la base d’apprentissage.
  • Mise en œuvre dans une solution logicielle commerciale.

Starting date

2022-04-01

Funding category

Cifre

Funding further details

Presentation of host institution and host laboratory

CRAN, UMR 7039 CNRS, Université de Lorraine

 

Laboratoire CRAN: le Centre de Recherche en Automatique de Nancy (CRAN) est une unité mixte de recherche (UMR 7039) commune  à l’Université de Lorraine (UL) et au CNRS (Institut des sciences de l’information et de leurs interactions (INS2I) et Institut des Sciences de l’Ingénierie et des Systèmes (INSIS), Section 7 et section 28 du Comité National de la Recherche Scientifique). Il fait partie de la Fédération de Recherche Charles Hermite Automatique, Informatique, Mathématiques de Lorraine et du pôle scientifique Automatique, Mathématiques, Informatique et leurs Interactions (AM2I) de l’université de Lorraine.

 

Entreprise Entech: Avec une forte expérience et de nombreuses références dans les solutions de stockage, de conversion d’énergie et de centrales photovoltaïques, les équipes multidisciplinaires d’Entech offrent leurs compétences pour aider et assister les leaders de l’industrie à atteindre leur objectif de développement durable. Agile et réactive, Entech développe des solutions durables pour garantir la réussite de projets innovants.

 

Candidate's profile

Titulaire d'un diplôme d'Ingénieur ou de Master en Energie/Génie Electrique ou en informatique (data sciences), le(a) candidat(e) fera preuve de sens relationnel, de curiosité, et de capacité à travailler en équipe sur des approches pluridisciplinaires. Force de propositions et capable d'analogies.

Les expériences en Python, analyse de données, batteries Lithium-ion et leur vieillissement seront en plus. 

2022-01-28
Partager via
Apply
Close

Vous avez déjà un compte ?

Nouvel utilisateur ?