大众汽车在艰苦的谈判后达成工会协议削减35000个德国工作岗位。
经过大众汽车集团、德国金属工业联合会和德国劳资委员会的密集谈判，一项名为“未来大众”的联合协议已达成。大众汽车集团和劳资委员会将共同努力，使大众汽车集团获得可持续发展。为此，大众汽车集团正在重新调整其德国工厂的生产能力。公司正在创造条件，在双方共同商定的水平上每年减少15 亿欧元的劳动力成本，并就2030年前的公司工资结算达成协议。通过减少产能和降低开发成本，劳动力成本的短期影响和商定的结构性措施将在中期内带来每年超过40亿欧元的成本效应。此外，大众汽车集团还计划将德国工厂的产能减少734000辆。 这将使大众汽车集团为2030年前对未来产品的重要投资奠定基础。公司在运营和集体层面的结构调整将为实现大众乘用车品牌中期销售回报目标创造条件。
面对裁员潮，宝子们该如何应对
尽管经济的波动导致许多行业面临裁员的压力，但电池仿真工程领域却呈现出逆势增长的趋势。这一趋势的背后，是电动汽车市场的蓬勃发展以及公众对高效、环保能源解决方案的日益增长的需求。在这样的背景下，电池仿真工程师的专业技能变得尤为宝贵。工程师运用最前沿的仿真技术和算法，对电池在各种使用环境下的性能进行模拟，从而预测电池的使用寿命，并优化其设计。他们的工作不仅对产品的创新至关重要，还对确保电池系统的安全性和可靠性发挥着关键作用。电池仿真工程师的专业知识和技能帮助企业在激烈的市场竞争中保持竞争力，推动了产品的持续创新。
适用人群
汽车工业、电力工业、材料科学、无机化工、有机化工、环境科学与资源利用、工业通用技术、自动化技术、冶金技术、金属学及金属工艺、物理学、安全科学与灾害防治、航空航天科学与工程、计算机软件及应用等领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。
培训特色
智能化电池管理专题
1、综合性：课程覆盖了电池管理技术的多个方面，包括电池的工作原理、关键性能指标及评估、电池热失控预警、异常检测、以及充电策略优化等。数据驱动角度强调了数据集的重要性，并在多个应用中展示了如何利用数据集来训练和验证模型。算法框架上详细阐述了不同应用场景下的算法框架，帮助学员构建清晰的技术实现路径。结果验证上在多个章节中提到了结果的估计和泛化性验证，确保学员能够理解模型的准确性和适用性。
2、技术深度和实际应用：深入探讨人工智能和机器学习在电池管理中的应用，如SOC（荷电状态）估计、SOH（健康状态）估计、寿命预测等，并提供多个应用案例，如基于迁移学习的SOC估计、基于模型误差谱的SOH估计方法等，有助于学员理解理论与实践的结合。
3、方法论：介绍了多种人工智能在电池管理中的具体应用方法，如基于数据-物理融合模型的荷电状态估计、基于深度学习的电池Q-V曲线预测等。
4、技术前沿：涵盖了当前人工智能在电池管理领域的最新研究成果，如基于转移注意力机制的电池剩余寿命预测方法。
讲师介绍
1
智能化电池管理讲师
由国家“双一流”建设高校、“985工程”和“211工程”重点高校副教授/博导及其团队成员讲授，长期从事动力电池系统安全管理研究的理论和关键技术开发。在《eTransportation》、《Applied Energy》、《Energy》等JCR一区SCI期刊发表论文50余篇，其中十余篇先后入选“ESI全球高被引论文”。担任储能科学与技术、机械工程学报、电气工程学报等期刊青年编委，担任40余个SCI期刊的审稿人专家。
培训大纲
机器学习驱动的智能化电池管理技术与应用
目录 | 主要内容 |
电池管理技术概述 | 1. 电池的工作原理与关键性能指标 2. 电池管理系统的核心功能 Ø SOC估计 Ø SOH估计 Ø 寿命预测 Ø 故障诊断 |
人工智能机器学习 基础 | 1. 人工智能的发展 2. 机器学习的关键概念 3. 机器学习在电池管理中的应用案例介绍 |
人工智能在电池荷电状态估计中的应用 | 1. 荷电状态估计方法概述 2. 基于迁移学习的SOC估计 (1) 基于迁移学习的SOC估计方法 数据集、估计框架、估计结果 (2) 全生命周期下的SOC估计方法 数据集、估计框架、估计结果 3. 基于数据-物理融合模型的荷电状态估计 (1) 基于融合模型和融合算法的SOC估计方法 数据集、估计框架、估计结果 (2) 全生命周期下的SOC融合估计方法 数据集、估计框架、估计结果 4. 实例讲解-基于迁移学习的SOC估计方法 |
人工智能在电池健康状态估计中的应用 | 1. 健康状态估计方法概述 2. 片段恒流工况下的SOH估计方法 数据集、估计框架、估计结果、泛化性验证 3. 动态工况下基于模型误差谱的SOH估计方法 数据集、估计框架、估计结果 4. 动态工况下基于老化特征提取的SOH估计方法 数据集、估计框架、估计结果、泛化性验证 5. 多阶充电工况下的实车电池系统SOH估计方法 数据集、估计框架、估计结果 6. 电池组内单体SOH快速估计方法 数据集、估计框架、估计结果 7. 实例讲解-片段恒流工况下的SOH估计方法 8. 实例讲解-基于模型误差谱的SOH估计方法 |
人工智能在电池寿命预测和衰后性能预测中的应用 | 1. 寿命预测和衰后行为预测方法概述 2. 基于转移注意力机制的电池剩余寿命预测方法 数据集、估计框架、估计结果 3. 基于深度学习的电池Q-V曲线预测方法 数据集、估计框架、估计结果 4. 基于轻量化机器学习的电池Q-V曲线预测方法 数据集、估计框架、估计结果 5. 实例讲解-基于深度学习的寿命预测方法 |
人工智能在电池热失控预警中的应用 | 1. 电池热失控预警方法概述 2. 数据集介绍 3. LOA算法的电池系统周级别热失控预警方法 Ø 算法框架 Ø 结果 4. 基于多模态特征的周级别热失控预警方法 Ø 算法框架 Ø 结果 5. 基于机器学习的电池异常检测、定位和分类方法 Ø 算法框架 Ø 结果 6. 实例讲解-基于机器学习的电池异常检测和热失控预警方法 |
人工智能在其他电池管理中的应用 | 1. 人工智能在解决电池系统有限物理传感中的应用 Ø 数据集 Ø 算法框架 2. 人工智能在充电策略优化中的应用 Ø 数据集 Ø 算法框架 Ø 结果 |
报名须知
1
时间地点
机器学习驱动的智能化电池管理技术与应用
2024年12月28日-12月29日
2025年01月03日-01月05日
在线直播（授课五天）
2
报名费用
课程名称 | 价格（元） | |
机器学习驱动的智能化电池管理技术与应用 | 4900 | |
优惠：
2024年12月1日前报名缴费可享受200元早鸟价优惠；
参加过我单位举办的其它课程的老学员，可享受额外300元优惠；
【注】费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；北京中科万维智能科技有限公司作为本次会议会务合作单位，负责注册费用收取和开具发票，可开具会议费发票和发送会议邀请函；
3
增值服务
1、凡报名学员将获得本次培训电子课件及案例模型文件；
2、培训结束可获得本次所学专题课程全部无限次回放视频；
3、参加培训并通过试的学员，可以获得：主办方北京软研国际信息技术研究院培训中心颁发的专业技能结业证书；
4
联系方式
