Maintenance prévisionnelle des batteries lithium-ion dans les véhicules électriques à base d’apprentissage automatique

Machine-learning-based predictive maintenance for lithium-ion batteries in electric vehicles

• Auteur / Autrice : Inès Jorge
• Direction : Romuald Boné, Tedjani Mesbahi
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 24/11/2023
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
• Jury : Président / Présidente : Pascal Venet
• Jury : Examinateurs / Examinatrices : Ahmed Samet, Ouafae El Ganaoui, Djamila Aouada
• Jury : Rapporteurs / Rapporteuses : Hubert Cardot, Jean-Michel Vinassa

Mots clés

Mots clés contrôlés

Apprentissage automatique

Automobiles électriques

Batteries lithium-ion

Mots clés libres

Batteries lithium-ion

Véhicules électriques

Maintenance prévisionnelle

Apprentissage automatique

Séries temporelles

SOH

RUL

Lithium-Ion batteries

Electric vehicles

Predictive maintenance

Machine learning

Time Series

SOH

RUL

Résumé

La batterie est un élément central des véhicules électriques, soumis à de nombreux enjeux en termes de performances, sécurité et coût. La durée de vie des batteries en particulier fait l’objet d’une grande attention, car elle doit s’aligner avec la durée de vie d’un véhicule. Dans ce contexte, la maintenance prévisionnelle vise à prédire de manière fiable la durée de vie utile restante (RUL) et l’évolution de l’état de santé (SOH) d'une batterie Lithium-Ion (Li-Ion) en utilisant les données d'utilisation passées et présentes, de manière à anticiper les opérations de maintenance. L’objectif de cette thèse est de tirer profit de l’information contenue dans les séries temporelles de courant, tension et température via des algorithmes d’apprentissage automatique. Plusieurs modèles prédictifs ont étés développés à partir de jeux de données publics, afin de prédire le RUL d’une batterie ou l’évolution de son SOH à plus ou moins long terme.

The battery is a central component of electric vehicles, and is subject to numerous challenges in terms of performance, safety and cost. The life of batteries in particular is the subject of a great deal of attention, as it needs to be aligned with the life of a vehicle. In this context, predictive maintenance aims to reliably predict the remaining useful life (RUL) and the evolution of the state of health (SOH) of a Lithium-Ion (Li-Ion) battery using past and present operating data, so as to anticipate maintenance operations. The objective of this thesis is to take advantage of the information contained in the time series of current, voltage and temperature via machine learning algorithms. Several predictive models have been developed from public datasets, in order to predict the RUL of a battery or the evolution of its SOH in the more or less long term.