Dans le cas des véhicules hybrides, et plus encore dans celui des chaînes de traction tout électriques, le système de stockage d’énergie embarqué reste le maillon faible : très coûteux, limité en autonomie, lent à recharger, cause principale de surcoûts… Le défi pour tout constructeur automobile souhaitant développer un véhicule propre est donc non seulement d’optimiser la chaîne de traction électrique, tant en termes de coût que d’autonomie, mais aussi d’adapter la batterie à la durée de vie du véhicule. La durée de vie de la batterie est donc un élément crucial pour le développement de véhicules électriques dans des conditions de coût acceptables.

 

Dans ce contexte, la défaillance d’une batterie peut entraîner de graves inconvénients, une détérioration des performances, un vieillissement accéléré et une maintenance coûteuse.

 

Pour cette raison, la maintenance prévisionnelle des systèmes de stockage d’énergie embarqués vise à prédire la durée de vie utile restante d’une batterie (RUL) Lithium-Ion (Li-Ion) et à effectuer les services de maintenance nécessaires, en utilisant les données d’utilisation passées et présentes. Un modèle de maintenance prévisionnelle fiable doit être capable de prédire avec précision l’évolution de l’état de la batterie de manière à ce que les opérations de maintenance puissent être programmées à l’avance.

 

L’objectif de cette thèse est de combiner l’extension de la durée de vie de la batterie et l’analyse du vieillissement de la batterie avec des techniques d’apprentissage automatique.

 

Le défi consiste donc à utiliser les données de vieillissement des batteries Li-Ion afin d’extraire des connaissances sur l’état de santé (SOH) des batteries. La plupart des données de vieillissement proviennent d’articles d’instituts de recherche tels que le NASA Prognostics Centre of Excellence (PCoE) ou le département de génie chimique du Massachusetts Institute of Technology qui ont rendu publics les résultats de différents tests de vieillissement sur plusieurs batteries.

 

Nous proposons plusieurs approches pour utiliser les données de fonctionnement telles que les séries temporelles de courant, de tension et de température provenant des cellules de batterie pour construire des modèles de vieillissement. Les modèles développés peuvent prédire le RUL d’une batterie ou l’évolution de son SOH.

 

Batteries lithium-ion ; Véhicules Électriques ; Maintenance Prévisionnelle ; Apprentissage Automatique ; Séries Temporelles ; SOH ; RUL

 

 

Title : « Machine-learning-based predictive maintenance for Lithium-Ion batteries in electric vehicles »

 

 

In the case of hybrid vehicles, and even more so in the case of all-electric power-trains, the on-board energy storage system remains the weak link: very expensive, limited in driving range, slow to recharge, main causes of over-costs,… The challenge for any car manufacturer wishing to develop a clean vehicle is therefore not only to optimise the electric power-train, both in terms of cost and range, but also to bring the battery into line with the life of the vehicle. Battery lifetime is therefore a crucial element for the development of electric vehicles under acceptable cost conditions. In this context, the failure of battery could lead to serious inconvenience, performance deterioration, accelerated ageing and costly maintenance.
For that, the predictive maintenance of on-board energy storage system aims at predicting the Remaining Useful Life (RUL) of a Lithium-Ion (Li-Ion) and to perform necessary maintenance services, using past and current operating information. A reliable predictive maintenance model should be able to accurately predict the future state of the battery such that the maintenance service could be scheduled in advance.
The aim of this thesis is to combine the extension of battery life and the analysis of battery ageing with Machine Learning (ML) techniques. The challenge is therefore to use ageing data of Li-Ion batteries in order to extract knowledge on the State Of Health (SOH) of the batteries. Most ageing data come from papers from research institutes such as the NASA Prognostics Centre of Excellence (PCoE) or the department of chemical engineering of the Massachusetts Institute of Technology that publicly made available the results of different ageing tests on several batteries. We propose several approaches to take operating data such as time series of current, voltage and temperature coming from battery cells to build ageing models. The developed models can either predict the Remaining Useful Life (RUL) of a battery or the evolution of its SOH.

 

Lithium-Ion batteries; Electric Vehicles; Predictive Maintenance; Machine Learning; Time Series; SOH; RUL