Data Mining and Feature Engineering on Diverse Datasets

MSc project and or thesis: Advancing Machine Learning-Based State of Health Estimation

28.08.2024, Abschlussarbeiten, Bachelor- und Masterarbeiten

Die Schätzung des Zustands von Lithium-Ionen-Batterien mittels maschinellen Lernens ermöglicht durch effizientes Feature Engineering und systematische Datenanalyse präzise Ergebnisse. Ziel dieser Arbeit ist es, durch Datenaufbereitung, Merkmalserforschung und Modellentwicklung fundierte Erkenntnisse zu gewinnen. So soll ein wesentlicher Beitrag zur Beantwortung kritischer Forschungsfragen und zur Verbesserung der Effizienz von Energiespeicherung und -nutzung geleistet werden.

Motivation

Die Herausforderung, den Zustand von Lithium-Ionen-Batterien mittels maschinellen Lernens zu schätzen, eröffnet durch effizientes Feature Engineering und systematische Datenanalyse den Weg zu präzisen Ergebnissen. Von der sorgfältigen Aufbereitung der Daten über die Exploration von Merkmalen bis hin zur Entwicklung und Evaluation von Modellen, ist das Ziel dieser Arbeit, durch diesen methodischen Ansatz fundierte Erkenntnisse zu erlangen. Damit soll ein signifikanter Beitrag zur Beantwortung kritischer Forschungsfragen geleistet und die Effizienz der Energiespeicherung und -nutzung maßgeblich verbessert werden.

Forschungsfrage/n

1. Welche zellchemieunabhängigen Features sind Deskriptoren zur Beschreibung / Schätzung / Prädiktion der Alterung einer Lithium-Ionen-Batterie?
2. Optional - Wie performt ein SotA ML-Modell, das mittels dieser deskriptiven Features trainiert wird?

Kernaufgaben

• AP1: Schaffung eines Überblicks über die Datengrundlage und Filterung von Alterungsreihen anhand gegebener Kriterien
• AP2: Gruppierung / Clusterung / Sortierung der Alterungsstudien in einzelne Teildatensätze
• AP3: Erstellung eines Überblicks über vorhandene und in der Literatur verwendete Features
• AP4: Feature Engineering - Explorative Untersuchung der Merkmale und deren Relevanz in Bezug auf den SOHC, inklusive Vorverarbeitung / Transformation der Merkmale (voraussichtlich ein iterativer Prozess)
  • Milestone I: Beantwortung des ersten Teils der Forschungsfrage durch Erhalt deskriptiver Features pro Datensatz
  • Milestone II: Beantwortung des zweiten Teils der Forschungsfrage durch Erstellung, Generierung oder Training eines prädiktiven Modells, das ausschließlich gefundene deskriptive Features verwendet. Das Modell basiert auf der „best promising Architektur“ aus der Literaturrecherche.
• AP5: Filterung, Vereinheitlichung des Inputs
• AP6: Training und Optimierung des Modells
• AP7: Modelevaluation

Kontakt: marco.fischer@tum.de

Mehr Information