Data-driven modeling of a hybrid drive component (lithium-ion battery) for determination of the degradation

Die Automobilindustrie steht, aufgrund gesetzlich vorgeschriebener Regularien zur CO2 Reduktion und den steigenden Erwartungen der Gesellschaft nach umweltfreundlichen Fahrzeugen, vor enormen Herausforderungen. Konventionelle Antriebe können die neuen Regularien nicht mehr einhalten. Reine Elektroantriebe können die neuen Regularien einhalten, sind aber in anderen Bereichen wie beispielsweise Ladegeschwindigkeit und Reichweite im Nachteil. Hybridfahrzeuge mit Lithium-Ionen Technologie kombinieren die Vorteile beider Antriebsarten und erfüllen zugleich die neuen Regularien. Je mehr technische Systeme in einen Antriebsstrang eingesetzt werden, desto größer und komplizierter werden die Folgen wie Störungen und Funktionsausfälle aufgrund ungenauer Einschätzung ihrer Zuverlässigkeit. Kleinere Defizite werden heutzutage mit Softwareupdates geschlossen. Bei größeren Defiziten bleibt den Unternehmen oft keine andere Wahl, als die Fahrzeuge durch Rückrufaktionen zurückzuholen und die betroffenen Komponenten auf eigene Kosten zu tauschen. Derartige Mängel werden immer öfter durch unverhältnismäßig schnelle Alterung der elektrischen Bauteile hervorgerufen. Um die Zuverlässigkeit der elektrischen Komponenten zu bestimmen, werden Degradationsinformationen aktuell über Diagnoseverfahren ermittelt, indem das Fahrzeug bei einem Werkstattbesuch elektrischen Belastungen ausgesetzt wird. Diese Art der Alterungsbestimmung ist aber sehr aufwändig und kostspielig. In dieser Arbeit werden, mit Hilfe von künstlichen neuronalen Netzen, zwei datengetriebene Modelle entwickelt, die es erlauben, die Degradation der Li-Ionen-Batterie allein aus dem Fahrbetrieb eines Hybridfahrzeugs zu bestimmen. Solche Modelle sind unmittelbar nach der Implementierung im Steuergerät lauffähig und bieten die Möglichkeit, notwendige Gegenmaßnahmen wie Reduzierung der Leistungsanforderungen einzuleiten. Weitere Vorteile reichen von der Verlängerung der Batterielebensdauer über die Auslegung und Optimierung zusätzlicher Komponenten bis hin zur automatischen Anpassung der Betriebsstrategie an den Degradationszustand der Batterie.