Un nouveau modèle d’apprentissage automatique identifie la charge et l’état de la batterie à l’aide d’un minimum de données

Les batteries au lithium-ion sont la source d’alimentation incontournable pour bon nombre de nos appareils préférés comme les téléphones portables et les ordinateurs portables, et leur présence continuera de se développer à mesure que les véhicules électriques deviendront la nouvelle norme, remplaçant les voitures à essence.

L’utilisation d’une source d’alimentation portable nécessite des fonctionnalités de sécurité et de maintenance de premier ordre. Une équipe de chercheurs de Carnegie Mellon et de l’Université du Texas à Austin a conçu un système de gestion de batterie pour effectuer des diagnostics cruciaux sur l’état de la batterie afin que les conducteurs puissent prendre des décisions éclairées. Le modèle examine deux diagnostics clés, l’état de charge et l’état de santé.

À court terme, l’examen de l’état de charge permet aux conducteurs de savoir s’ils disposent de suffisamment d’énergie pour atteindre leur destination, tandis qu’à long terme, les données sur l’état de la batterie peuvent déterminer s’il est temps de remplacer une batterie en fonction de sa capacité à contenir une batterie. charge par rapport à l’époque où il était neuf.

Reeja Jayan explique que même si des systèmes de gestion de batterie existent déjà dans la plupart des véhicules électriques, certaines qualités distinguent ce nouveau modèle des autres.

« Nous disposions d’une base de données d’environ 11 000 courbes de charge collectées expérimentalement pour une chimie cathodique de batterie particulière », a déclaré Jayan, professeur agrégé de génie mécanique. « Nous les avons utilisés pour former un modèle d’apprentissage automatique afin de prédire des courbes de charge complètes à l’aide d’entrées de données clairsemées. »

Ce qui est unique et pratique dans cette recherche, c’est que ce système de gestion de batterie basé sur l’apprentissage automatique prend un minimum de données (seulement cinq pour cent de la courbe de charge d’une batterie) et produit une prédiction de charge dont la marge d’erreur est de deux pour cent. La collecte des données elle-même est également beaucoup plus simple, ne nécessitant qu’environ 15 minutes de temps de charge pour calculer la courbe et déterminer l’état de la batterie.

Ces informations peuvent même être collectées par incréments, de sorte que même si la charge était interrompue, cela ne gâcherait pas l’analyse en cours. Avec un taux de précision aussi impressionnant, ce modèle a été utilisé pour faire des prédictions sur une chimie cathodique totalement différente. Une version mise à jour sera moins basée sur les données et intégrera plutôt des composants physiques dans un calcul des courbes de charge d’une batterie.

Bien que les ensembles de données collectés par le laboratoire aient été utiles pour entraîner le modèle d’apprentissage automatique original à faire des prédictions, cette source présentait également des limites car elle n’aidait pas les chercheurs à identifier les facteurs spécifiques à l’origine de la défaillance des batteries.

« Les courbes de charge que nous avons utilisées dans l’étude ont été collectées à un taux C constant et à température ambiante », a déclaré Jayan, « mais le courant de charge et la température varient beaucoup dans les applications réelles des batteries. Collecte et utilisation de données réelles comme entrée pour les modèles d’apprentissage automatique constitueront une prochaine étape importante pour améliorer le modèle.

L’utilisation de facteurs environnementaux pour calculer les courbes de charge et éventuellement de décharge d’une batterie irait au-delà du niveau de complexité que les humains pourraient produire.

« Nous disposons actuellement d’un modèle qui utilise un algorithme de reconnaissance des pics non supervisé pour identifier des caractéristiques spécifiques des courbes de charge de la batterie », explique Jayan. « Les modèles de réseaux neuronaux vont encore plus loin en apprenant pourquoi la forme de la courbe de charge de la batterie pourrait changer, par exemple si une particule se brise. Une telle corrélation entre les formes de courbe et les différents mécanismes de dégradation de la batterie sera essentielle pour prédiction des performances et de la sécurité de la batterie à l’avenir.

Non seulement le système des équipes est à la fois interprétatif et prédictif, mais il est également transférable à des batteries constituées de différentes chimies cathodiques. Bien que l’oxyde de lithium et de cobalt soit la référence depuis des décennies, il peut également être coûteux. De plus en plus de fabricants produisent des batteries fabriquées à partir d’autres matériaux. Il est donc logique de disposer d’un système qui s’y adapte. (Le modèle a d’abord été testé sur des cathodes d’oxyde de lithium et de nickel, puis a été transféré avec succès à l’oxyde de lithium et de cobalt.)

Évaluer avec précision l’état des batteries est également important pour apaiser les problèmes de sécurité lorsqu’il s’agit de matériaux de batterie émergents, car leur longévité et leur endurance n’ont pas été étudiées de manière aussi approfondie, mais elles seront probablement utilisées pour s’adapter à un nombre croissant de véhicules.

L’une des ressources les plus utiles pour l’avenir de ce domaine de recherche réside dans les données extraites des batteries de véhicules électriques en circulation. L’utilisation de chiffres réels et de réseaux neuronaux complexes permettra aux systèmes de gestion de batterie de faire des prévisions de charge et de décharge avec une précision croissante, ce qui aura un effet d’entraînement sur la façon dont les véhicules électriques sont entretenus à mesure qu’ils deviennent plus courants.

Jayan et ses collaborateurs ont déposé une demande de brevet pour cette recherche, et un article détaillant les capacités de ce modèle a été récemment publié dans Sciences avancées.