Offre de thèse
Diagnostic et pronostic d'état de santé des batteries utilisées dans les véhicules électriques
Date limite de candidature
02-09-2024
Date de début de contrat
01-10-2024
Directeur de thèse
BOUKHNIFER Moussa
Encadrement
Thèse en co-tutelle avec l'Ecole Nationale Supérieure d'Ingénieurs de Tunis (ENSIT) sous tutelle de l'Université de Tunis. La thèse en co-direction avec Pr. Achraf Jabeur TELMOUDI.
Type de contrat
école doctorale
équipe
AXE IFLORSYScontexte
La nécessité de l'utilisation des voitures électriques a permis de se pencher sérieusement sur le fonctionnement de tout le système de stockage d'énergie. Ceci nécessite le développement d'un modèle électrique permettant d'harmoniser la nature chimique de la batterie et doit prendre en considération la dynamique et la non‐linéarité du système. Ce modèle doit être capable de simuler et d'estimer, en temps réel, les différentes variables et les paramètres de la batterie. Afin de comprendre le comportement des batteries utilisées dans les véhicules électriques, il est nécessaire de construire des modèles capables d'estimer et de comprendre son fonctionnement. Dans ce contexte, le diagnostic et le pronostic des phénomènes électrochimiques ainsi que leurs dynamiques jouent un rôle fondamental lors de la définition d'un modèle d'état de santé d'une batteriespécialité
Automatique, Traitement du signal et des images, Génie informatiquelaboratoire
LCOMS - Laboratoire de Conception, Optimisation et Modélisation des Systèmes
Mots clés
Diagnostic, Pronostic , Batteries, Véhicule Electrique
Détail de l'offre
Les travaux de cette thèse s'inscrivent dans le développement des algorithmes dédiés à l'estimation des états de la batterie ainsi qu'au diagnostic de court‐circuit naissant. L'estimation des états de la batterie, qui peut également être qualifiée de surveillance de la batterie, est un élément indispensable de la stratégie de gestion de l'énergie d'un véhicule électrique. Par ailleurs, le vieillissement prématuré peut être évité grâce à la surveillance des états de batteries telles que l'état de charge (SOC) et l'état de santé (SOH). De plus, étant donné que l'emballement thermique (TR) peut être la conséquence d'un défaut de court‐circuit (SC) électrique, de ce fait, une détection efficace de SC naissant de la batterie peut donc donner une alerte protectrice de TR. En effet, La principale contribution de cette thèse consiste à proposer un cadre conceptuel pour le diagnostic et le pronostic dans le domaine de la surveillance des batteries utilisées dans les véhicules électriques
Keywords
Diagnosis , Prognosis , Batteries, Electrical Vehicle
Subject details
The aim of this thesis is to develop algorithms for estimating battery states and diagnosing incipient short circuits. Battery state estimation, which can also be described as battery monitoring, is an indispensable part of an electric vehicle's energy management strategy. Furthermore, premature aging can be prevented by monitoring battery states such as state of charge (SOC) and state of health (SOH). Furthermore, since thermal runaway (TR) can be the consequence of an electrical short-circuit fault (SC), effective detection of SC arising from the battery can therefore give a protective TR warning. Indeed, the main contribution of this thesis is to propose a conceptual framework for diagnosis and prognosis in the field of monitoring batteries used in electric vehicles.
Profil du candidat
Automatique, Génie électrique
Compétences en MATLAB / Simulink
Candidate profile
Automatic
Electrical engineering
MATLAB / Simulink
Référence biblio
Benterki, A. (2021). Prédiction des intentions des véhicules pour la conduite autonome en utilisant l'intelligence artificielle (Doctoral dissertation, université Paris‐Saclay).
Hooftman, N., Oliveira, L., Messagie, M., Coosemans, T., & Van Mierlo, J. (2016). Environmental analysis of petrol, diesel and electric passenger cars in a Belgian urban setting. Energies, 9(2), 84.
Li, D., Zhang, Z., Liu, P., Wang, Z., & Zhang, L. (2020). Battery fault diagnosis for electric vehicles based on voltage abnormality by combining the long short‐term memory neural network and the equivalent circuit model. IEEE Transactions on Power Electronics, 36(2), 1303‐1315.
Meng, J., Boukhnifer, M., & Diallo, D. (2020). Comparative study of lithium‐ion battery open‐circuit‐voltage online estimation methods. IET Electrical Systems in Transportation, 10(2), 162169.
Mock, P., Tietge, U., Franco, V., German, J., Bandivadekar, A., Ligterink, N. E., ... & Riemersma, I. (2014). From Laboratory to Road. A 2014 update of official and real‐world fuel concumption and CO2 values for passenger cars in Europe.
Shen, P., Ouyang, M., Lu, L., Li, J., & Feng, X. (2017). The co‐estimation of state of charge, state of health, and state of function for lithium‐ion batteries in electric vehicles. IEEE Transactions on vehicular technology, 67(1), 92‐103.
Yao, L., Xiao, Y., Gong, X., Hou, J., & Chen, X. (2020). A novel intelligent method for fault diagnosis of electric vehicle battery system based on wavelet neural network. Journal of Power Sources, 453, 227870.