Une méthode d'apprentissage automatique pour la détection précoce des défauts pourrait rendre les batteries lithium-ion plus sûres

L’utilisation sûre des batteries lithium-ion, telles que celles utilisées dans les véhicules électriques et les systèmes de stockage d’énergie stationnaires, dépend essentiellement de la surveillance de l’état et de la détection précoce des défauts. Les défaillances des cellules individuelles de la batterie peuvent entraîner de graves problèmes, notamment des incendies.

Pour atténuer ces risques, des chercheurs de la TU Darmstadt et du Massachusetts Institute of Technology (MIT) ont développé de nouvelles méthodes d'analyse et de surveillance des batteries qui exploitent des approches d'apprentissage automatique physiquement contraintes.

L'équipe de Joachim Schaeffer, Eric Lenz et le professeur Rolf Findeisen de l'Institut de technologie d'automatisation et de mécatronique de la TU Darmstadt, ainsi que les groupes du professeur Richard Braatz et du professeur Martin Bazant du MIT, ont développé une méthode combinant des méthodes physiques avec l'apprentissage automatique. .

Grâce à des processus gaussiens récursifs, ils peuvent détecter des changements opérationnels et dépendants du temps dans les cellules de la batterie. Ces méthodes récursives peuvent être appliquées en temps réel et traiter efficacement de grandes quantités de données, permettant ainsi une surveillance en ligne continue des systèmes de batteries à l'avenir.

Pour cette recherche, les scientifiques ont pu utiliser un ensemble de données unique : un partenaire de recherche a fourni de manière anonyme les données de 28 systèmes de batteries qui avaient été renvoyés au fabricant en raison de problèmes. L'ensemble de données comprend plus de 133 millions de lignes de données provenant de 224 cellules de batterie et est l'un des premiers du genre à être rendu public.

Les résultats des développements et analyses méthodiques, récemment publiés dans Rapports cellulaires Sciences physiquesconfirment que souvent, une seule cellule d'un système de batterie présente un comportement anormal, qui peut affecter l'ensemble du système. Ces résultats contribuent à une meilleure compréhension de la façon dont les batteries vieillissent et dans quelles conditions elles tombent en panne. Les méthodes permettent de surveiller en permanence les batteries à l'avenir, augmentant ainsi la sécurité.

Joachim Schaeffer, doctorant au Laboratoire de systèmes de contrôle et de systèmes cyber-physiques du Département de génie électrique et de technologie de l'information de la TU Darmstadt et du MIT, a reçu le MIT Open Data Prize pour les données en libre accès produites au cours du projet. Parmi plus de 70 candidatures, 10 lauréats ont été sélectionnés.