ETD

• artificial intelligence
• hardware in the loop
• state of charge
• state of health

The thesis “Advanced Artificial Intelligence Algorithms for Battery Management Systems” addresses the development of advanced Artificial Intelligence algorithms for Battery Management Systems, with particular reference to automotive applications and electric and hybrid vehicles. The work was carried out within the context of an industrial PhD at Marelli, with the aim of bridging academic research and the application needs of the industrial sector. The central problem concerns the accurate estimation of battery states, particularly State of Charge (SOC), internal resistance (R0), and State of Health (SOH), which are fundamental quantities for ensuring the safety, efficiency, performance, and lifetime of the battery pack.
The main motivation derives from the growing diffusion of electric vehicles, which makes the role of the Battery Management System increasingly important. Lithium-ion batteries are currently among the most widely used technologies in the automotive sector, but they require advanced control systems because their internal states cannot be directly measured. In this thesis, the Lithium Titanate Oxide (LTO) chemistry is considered in particular, chosen for its high safety, thermal stability, fast-charging capability, and long cycle life.
The work is organized into five chapters. The first chapter introduces the industrial and scientific context, defining the research objectives. These include: developing AI algorithms capable of estimating SOC, R0, and SOH using only directly measurable signals, such as voltage, current, and temperature; verifying the robustness of the algorithms under different operating conditions; compressing and implementing the SOC algorithm on an embedded platform; and validating its operation through Hardware-in-the-Loop (HIL) simulations.
The second chapter provides the technical background needed to understand the work. It describes the principles of electrochemical cells, redox reactions, the main electrical quantities such as voltage, capacity, energy, and power, and the characteristics of different lithium-ion chemistries. The thesis also explains the operational definitions of SOC and SOH, introducing the equivalent circuit model of the battery, based on an open-circuit voltage source, an internal resistance, and RC networks used to represent dynamic phenomena. The role of the BMS is then discussed: it monitors voltage, current, and temperature, protects the battery, manages cell balancing, and estimates internal states. The final part of the chapter presents an overview of traditional and data-driven methods for SOC and SOH estimation, including Coulomb Counting, OCV, Kalman filters, neural networks, LSTM, CNN, and Transformers.
The third chapter describes the development of the virtual environment in Matlab/Simulink used to generate synthetic datasets. Since the work was carried out in an industrial context and refers to a cell parameterized with internal data, synthetic data were generated instead of relying exclusively on public datasets. The virtual environment includes a dynamic vehicle model, an electrochemical battery pack model, and a control block to alternate discharge and charge phases. The considered pack consists of 400 LTO cells connected in series. The cell model is based on a second-order equivalent circuit, validated by comparing the simulated voltage with experimental data. The validation errors are limited, confirming the reliability of the model. An aging model was also integrated into the environment, accounting for capacity reduction and internal resistance increase.
The synthetic datasets were generated using standardized driving cycles, including WLTP, UDDS, US06, FTP, HWFET, and J1015. These cycles make it possible to simulate realistic and diversified operating conditions. Synthetic generation reduces time and costs compared with real experimental campaigns, especially for aging studies, which would require months or years of physical testing.
The fourth chapter represents the core of the thesis and describes the development of the AI algorithms. The proposed architecture is a cascaded co-estimation approach: first SOC is estimated, then internal resistance R0 is estimated also using the estimated SOC, and finally SOH is estimated using SOC and R0. For SOC estimation, a Decision Tree and an LSTM network were compared. The results show that the LSTM is more robust and accurate, especially in the presence of sensor noise, temperature variations, aging, and impulsive current profiles. Under nominal conditions, the LSTM achieves very low errors, with RMSE, MAE, and MAPE below 1%.
The LSTM-based SOC algorithm was also compared with traditional methods used in industry, such as OCV, OCV-Coulomb Counting Mixer, and Unscented Kalman Filter. The LSTM shows generally superior or highly competitive performance, especially in realistic scenarios with noise and dynamic operating conditions. An important element of the work is the compression of the network using PCA-based techniques, which is necessary to meet the ECU memory constraints. The compressed network reduces the number of parameters by approximately 70%. Despite the compression, performance remains good.
Subsequently, the compressed SOC algorithm was converted into C code using Embedded Coder, integrated onto an automotive ECU based on the Infineon TC377 microcontroller, and validated through a dSPACE HIL platform.
For R0 and SOH estimation, hybrid LSTM + Conv1D architectures were developed. For internal resistance estimation, the number of cycles was identified as a more informative feature than charging time. The networks were trained on synthetic datasets with accelerated degradation down to an SOH of 60%. The results show good accuracy, with limited errors at both 25°C and 35°C. However, the thesis highlights that generalization worsens when the temperature deviates significantly from the values used during training, for example at 20°C, 50°C, 60°C, or 70°C. This confirms the future need for broader and more thermally variable datasets.
The fifth chapter concludes the work by highlighting the main contributions. From a scientific perspective, the thesis proposes a complete methodology for the co-estimation of SOC, R0, and SOH on LTO cells. From an industrial perspective, the most relevant contribution is the entire end-to-end workflow: synthetic data generation, AI development, validation, compression, code generation, ECU deployment, and HIL verification. The thesis therefore demonstrates that advanced neural algorithms can be made compatible with the embedded constraints typical of the automotive sector.
Future developments include extending the datasets to more variable thermal profiles, implementing the R0 and SOH algorithms on embedded platforms as well, applying the methodology to new chemistries such as solid-state batteries, and integrating it with cloud architectures.

La tesi “Advanced Artificial Intelligence Algorithms for Battery Management Systems” affronta lo sviluppo di algoritmi avanzati di Intelligenza Artificiale per i sistemi di gestione delle batterie, con particolare riferimento alle applicazioni automotive e ai veicoli elettrici e ibridi. Il lavoro nasce nel contesto di un PhD industriale in Marelli, con l’obiettivo di collegare la ricerca accademica alle esigenze applicative del settore industriale. Il problema centrale riguarda la stima accurata dello stato della batteria, in particolare dello State of Charge (SOC), della resistenza interna (R0) e dello State of Health (SOH), grandezze fondamentali per garantire sicurezza, efficienza, prestazioni e durata del pacco batteria.
La motivazione principale deriva dalla crescente diffusione dei veicoli elettrici, che rende sempre più importante il ruolo del Battery Management System (BMS). Le batterie agli ioni di litio sono oggi una delle tecnologie più utilizzate nel settore automotive, ma richiedono sistemi di controllo avanzati perché i loro stati interni non sono direttamente misurabili. In questa tesi viene considerata in particolare la chimica Lithium Titanate Oxide (LTO), scelta per la sua elevata sicurezza, stabilità termica, capacità di ricarica rapida e lunga vita ciclica.
Il lavoro è organizzato in cinque capitoli. Il primo introduce il contesto industriale e scientifico, definendo gli obiettivi della ricerca. Tra questi vi sono: sviluppare algoritmi AI capaci di stimare SOC, R0 e SOH usando solo segnali direttamente misurabili, come tensione, corrente e temperatura; verificare la robustezza degli algoritmi in condizioni operative diverse; comprimere e implementare l’algoritmo SOC su una piattaforma embedded; validare il funzionamento tramite simulazioni Hardware-in-the-Loop (HIL).
Il secondo capitolo fornisce il background tecnico necessario per comprendere il lavoro. Vengono descritti i principi delle celle elettrochimiche, le reazioni redox, le grandezze elettriche principali come tensione, capacità, energia e potenza, e le caratteristiche delle diverse chimiche agli ioni di litio. La tesi spiega inoltre le definizioni operative di SOC e SOH, introducendo il modello a circuito equivalente della batteria, basato su una sorgente di tensione a circuito aperto, una resistenza interna e reti RC per rappresentare i fenomeni dinamici. Viene poi discusso il ruolo del BMS, che monitora tensione, corrente e temperatura, protegge la batteria, gestisce il bilanciamento delle celle e stima gli stati interni. La parte finale del capitolo presenta una panoramica dei metodi tradizionali e data-driven per la stima di SOC e SOH, includendo Coulomb Counting, OCV, filtri di Kalman, reti neurali, LSTM, CNN e Transformer.
Il terzo capitolo descrive lo sviluppo dell’ambiente virtuale in Matlab/Simulink usato per generare dataset sintetici. Poiché il lavoro è svolto in ambito industriale e riferito a una cella parametrizzata con dati interni, si è scelto di generare dati sintetici invece di utilizzare esclusivamente dataset pubblici. L’ambiente virtuale comprende un modello dinamico del veicolo, un modello elettrochimico del pacco batteria e un blocco di controllo per alternare fasi di scarica e carica. Il pacco considerato è composto da 400 celle LTO in serie. Il modello della cella è basato su un circuito equivalente del secondo ordine, validato confrontando la tensione simulata con dati sperimentali. Gli errori ottenuti nella validazione risultano contenuti, confermando l’affidabilità del modello. Nell’ambiente è stato inoltre integrato un modello di invecchiamento che tiene conto della riduzione di capacità e dell’aumento della resistenza interna.
I dataset sintetici sono stati generati utilizzando cicli di guida standardizzati, tra cui WLTP, UDDS, US06, FTP, HWFET e J1015. Questi cicli permettono di simulare condizioni operative realistiche e diversificate. La generazione sintetica consente di ridurre tempi e costi rispetto a campagne sperimentali reali, soprattutto per lo studio dell’invecchiamento, che richiederebbe mesi o anni di test fisici.
Il quarto capitolo rappresenta il nucleo della tesi e descrive lo sviluppo degli algoritmi AI. L’architettura proposta è una co-stima a cascata: prima viene stimato il SOC, poi la resistenza interna R0 usando anche il SOC stimato, e infine il SOH usando SOC e R0. Per il SOC sono stati confrontati un Decision Tree e una rete LSTM. I risultati mostrano che la LSTM è più robusta e accurata, specialmente in presenza di rumore sui sensori, variazioni di temperatura, invecchiamento e profili impulsivi di corrente. In condizioni nominali, la LSTM raggiunge errori molto bassi, con RMSE, MAE e MAPE inferiori all’1%.
L’algoritmo SOC basato su LSTM è stato confrontato anche con metodi tradizionali usati industrialmente, come OCV, Mixer OCV-Coulomb Counting e Unscented Kalman Filter. La LSTM mostra prestazioni generalmente superiori o molto competitive, soprattutto in scenari realistici con rumore e condizioni dinamiche. Un elemento importante del lavoro è la compressione della rete tramite tecniche basate su PCA, necessaria per rispettare i vincoli di memoria dell’ECU. La rete compressa riduce i parametri di circa il 70%. Nonostante la compressione, le prestazioni rimangono buone.
Successivamente, l’algoritmo SOC compresso è stato convertito in codice C tramite Embedded Coder, integrato su una ECU automotive basata su microcontrollore Infineon TC377 e validato tramite piattaforma HIL dSPACE.
Per R0 e SOH sono state sviluppate architetture ibride LSTM + Conv1D. Per la stima della resistenza interna è stato individuato il numero di cicli come feature più informativa rispetto al tempo di carica. Le reti sono state addestrate su dataset sintetici con degradazione accelerata fino a SOH pari al 60%. I risultati mostrano buona accuratezza, con errori contenuti sia a 25°C sia a 35°C. La tesi evidenzia però che la generalizzazione peggiora quando la temperatura si discosta molto dai valori usati in training, ad esempio a 20°C, 50°C, 60°C o 70°C. Questo conferma la necessità futura di dataset più ampi e termicamente variabili.
Il quinto capitolo conclude il lavoro, evidenziando i contributi principali. Dal punto di vista scientifico, la tesi propone una metodologia completa per la co-stima di SOC, R0 e SOH su celle LTO. Dal punto di vista industriale, il contributo più rilevante è l’intero workflow end-to-end: generazione dati sintetici, sviluppo AI, validazione, compressione, generazione codice, deployment su ECU e verifica HIL. La tesi dimostra quindi che algoritmi neurali avanzati possono essere resi compatibili con i vincoli embedded tipici del settore automotive.
Tra gli sviluppi futuri vengono indicati l’estensione dei dataset a profili termici più variabili, l’implementazione embedded anche degli algoritmi R0 e SOH, l’applicazione a nuove chimiche come le batterie allo stato solido e l’integrazione con architetture cloud.