Predictive eBoost per Volkswagen
- Matlab, Pandas, Python, Pytorch, simulink, sklearn, Tensorflow
Inici » Casos d’èxit »
Descripció
L’objectiu d’aquest projecte és dissenyar noves estratègies, basades en algorismes de Machine Learning i anàlisi de dades, per millorar l’eficiència i el rendiment dels motors i bateries dels vehicles elèctrics.
Les bateries dels vehicles elèctrics són cada vegada més potents i tenen més autonomia però també necessiten una gestió tèrmica adient. Les estratègies actuals només tenen en compte la temperatura actual dels components del vehicle per decidir quan refredar-los o escalfar-los. El desenvolupament de sistemes més intel·ligents d’ajut a la presa de decisions, com ara models d’aprenentatge automàtic, permetrà assolir uns millors criteris d’eficiència i de consum.
L’enfocament d’aquest projecte consisteix a fer servir informació del trajecte del vehicle, com el pendent de la via o la velocitat de circulació, per decidir quan activar la refrigeració de la bateria i, així, poder millorar les estratègies actuals.
Projectes Finals de Carrera, Màster o Tesi
Articles i presentacions
- La UPC, SEAT i Volkswagen Group Innovation cerquen noves estratègies per millorar el rendiment del ‘powertrain’ i de les bateries dels vehicles elèctrics del futur (Premsa UPC)
- La UPC, SEAT i Volkswagen Group Innovation col·laboren per millorar el rendiment de les bateries dels vehicles elèctrics del futur (GENCAT)
- El proyecto Predictive eBoost aplicará sistemas inteligentes para aumentar el rendimiento del VE (SMART GRIDS INFO)
- La UPC, SEAT y Volkswagen buscan mejorar los motores y las baterías de los vehículos eléctricos (AUTO-REVISTA)
- Video Predictive eBoost