Best Paper Award für Chemnitzer Forscher auf internationaler Konferenz in Catania
Publikation von Mitarbeitenden der Professur Mess- und Sensortechnik der TU Chemnitz erhält Best Paper Award auf der SSD’26 – die ausgezeichnete Methode macht hochdimensionale Impedanzanalyse erstmals echtzeitfähig für eingebettete Systeme und ist dabei über 500-mal schneller als vergleichbare Verfahren
-
Dr. Ahmed Yahia Kallel, Wissenschaftlicher Mitarbeiter und Gruppenleiter für Impedanzspektroskopie und Messsysteme an der Professur Mess- und Sensortechnik, präsentiert stolz seine Urkunde. Foto: privat
Im Rahmen der 23. International Multi-Conference on Systems, Signals and Devices (SSD’26), die vom 30. März bis 2. April 2026 in Catania, Italien, stattfand, wurde Dr. Ahmed Yahia Kallel, Wissenschaftlicher Mitarbeiter und Gruppenleiter für Impedanzspektroskopie und Messsysteme an der Professur Mess- und Sensortechnik (Leitung: Prof. Dr. Olfa Kanoun) der Technischen Universität Chemnitz, mit dem Best Paper Award ausgezeichnet.
Lithium-Ionen-Batterien sind das Rückgrat der Elektromobilität und stationärer Energiespeicher. Um ihren Ladezustand zuverlässig zu bestimmen, setzt die Forschung auf Elektrochemische Impedanzspektroskopie (EIS): eine Methode, die das elektrische Verhalten einer Batterie bei verschiedenen Frequenzen misst und pro Messung bis zu 480 einzelne Datenpunkte erzeugt – zu viele, um in den kleinen Mikrocontrollern von Batteriemanagementsystemen in Echtzeit verarbeitet zu werden. Die ausgezeichnete Arbeit „Fast A*-mRMR for Model-Aware Feature Selection in EIS-Based Battery State of Charge Estimation“ bewältigt dieses Problem durch eine intelligente Vorauswahl der aussagekräftigsten Datenpunkte. Dazu überträgt die Methode den A*-Algorithmus – seit Jahrzehnten bewährt in Robotik und Spieleentwicklung – auf die Merkmalsauswahl: Anstatt alle möglichen Kombinationen zu durchsuchen, findet der Algorithmus die optimale Auswahl gezielt und effizient, ähnlich wie ein Navigationsgerät den kürzesten Weg berechnet, ohne jede Straße abzufahren. Zwei Kriterien werden dabei gleichzeitig berücksichtigt: die Aussagekraft eines Datenpunkts für die Ladezustandsvorhersage und seine Redundanz gegenüber bereits ausgewählten Punkten (Minimum Redundancy Maximum Relevance, mRMR).
Getestet an physikbasierten Digital-Twin-Daten von vier Batteriezellen über 17 Ladezustandsstufen und drei Temperaturen (756 Messpunkte) erreicht Fast A*-mRMR eine Vorhersagegenauigkeit von 3,62 bis 3,93 Prozent Fehler bei einer Berechnungszeit von nur 1,27 Sekunden – und ist damit über 500-mal schneller als vergleichbare Verfahren bei gleichwertiger oder besserer Genauigkeit. Darüber hinaus zeigt die Arbeit, dass eine gezielte Zulassung ähnlicher Datenpunkte die Vorhersage sogar verbessern kann – entgegen der bisher gängigen Annahme, solche Redundanzen stets zu vermeiden. „Unsere Methode ermöglicht den praktischen Einsatz hochdimensionaler Impedanzdaten in ressourcenbeschränkten eingebetteten Systemen und schafft damit eine wichtige Grundlage für effizientere und zuverlässigere Batteriemanagementsysteme“, erläutert Kallel. „Der Best Paper Award ist eine schöne Bestätigung dafür, dass unsere Arbeit im Bereich intelligenter Sensorsysteme und nachhaltiger Energietechnologien in der internationalen Forschungsgemeinschaft wahrgenommen wird“, ergänzt Kanoun.
Die SSD ist eine seit 2001 etablierte IEEE-Multikonferenz, die Forschung in den Bereichen Systeme, Signalverarbeitung und Geräte zusammenführt und einen H-Index von 35 aufweist. Die Auszeichnung wurde in der Teilkonferenz Power Systems & Smart Energies (PSE) vergeben. Die Proceedings erscheinen in IEEEXplore und sind in Scopus sowie Web of Science indexiert.
Ansprechpartnerin: Prof. Dr. Olfa Kanoun, Professur Mess- und Sensortechnik, E-Mail olfa.kanoun@etit.tu-chemnitz.de
Zitierempfehlung: Kallel, A.Y., Kanoun, O.: „Fast A*-mRMR for Model-Aware Feature Selection in EIS-Based Battery State of Charge Estimation.“ Proc. 23rd Int. Multi-Conf. on Systems, Signals and Devices (SSD’26), Catania, Italy, 2026. Best Paper Award.
(Autorin: Prof. Dr. Olfa Kanoun)
Mario Steinebach
16.04.2026
