Maintenance prévisionnelle des batteries lithium-ion dans les véhicules électriques à base d’apprentissage automatique
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 |
Examinateurs / Examinatrices : Ahmed Samet, Ouafae El Ganaoui, Djamila Aouada | |
Rapporteurs / Rapporteuses : Hubert Cardot, Jean-Michel Vinassa |
Mots clés
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.