Datengetriebene Zustandsschätzung von Lithium-Schwefel-Zellen

Das erwartet DichIm Rahmen dieser Masterarbeit stehen Lithium-Schwefel-Zellen mit hoher Energiedichte im Fokus, die perspektivisch für Luft- und Raumfahrtanwendungen entwickelt werden. Eine Herausforderung dieses Zelltyps ist, dass einfache Schätzungen des aktuellen Ladzustandes basierend auf der Zellspannung versagen. Dies ist der starken nichtlinearen Charakteristik des Zelltyps geschuldet und erfordert fortschrittliche, datengetriebene Methoden, um einen sicheren Betrieb zu gewährleisten.Hierdurch motiviert, soll im Sinne der sequentiellen Datenassimilation die Eignung von Kalman-Filtern evaluiert werden. Insbesondere die Einbettung von effizienten Ersatzmodellen von Lithium-Schwefel-Zellen scheinen hierfür entscheidend und eröffnen auch Möglichkeiten für Machine-Learning Surrogate.Deine AufgabenDie Masterarbeit gliedert sich in folgende Arbeitspakete:• Literaturstudie zur sequentiellen Datenassimilation mittels Kalman-Filtern• Auswahl, Implementierung und Benchmarking eines etablierten Ansatzes• Variation der eingebetteten Ersatzmodelle (auch ML basierte)• Identifikation kritischer Aspekte für das Design von Ersatzmodellen• Dokumentation der ArbeitDie Arbeit bietet die Perspektive einen wichtigen Beitrag zur sicheren Etablierung von Lithium-Schwefel-Zellen in kommerziellen Systemen zu leisten.Das bringst Du mitDatengetriebene Methoden/MLRegelungstechnikPython Programmierung