Thèse : "Maintenance prévisionnelle des batteries Li-Ion dans les véhicules électriques à base d’apprentissage automatique"

Date & heure : vendredi 24 novembre à 9h

Lieu : Amphithéâtre DE Dietrich, INSA Strasbourg (campus Esplanade, 24 boulevard de la Victoire)

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 prévisonnelle 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.

Mots clef:

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

Jury :

• M. Hubert Cardot - Professeur, Université de Tours (Rapporteur)
• M. Jean-Michel Vinassa - Professeur, Bordeaux INP (Rapporteur)
• Mme. Ouafae El Ganaoui-Mourlan - Maîtresse de conférence, IFPEN School (Examinatrice)
• M. Pascal Venet - Professeur, Université Claude Bernard Lyon I (Examinateur)
• Mme. Djamila Aouada - Maîtresse de conférence, Université du Luxembourg (Examinatrice)
  
  
• M. Romuald Boné - Professeur, INSA Strasbourg (Directeur)
• M. Tedjani Mesbahi - Maître de conférence HdR, INSA Strasbourg (Encadrant)
• M. Ahmed Samet - Maître de conférence, INSA Strasbourg (Encadrant)
  
  
• Mme. Charlotte Alliod - PhD, Capgemini Engieering (Invitée)
• Mme. Asmae El Mejdoubi - PhD, Tiamat Energy (Invitée)