L'intelligence artificielle améliore la santé et la sécurité de la batterie

Les chercheurs ont conçu une nouvelle façon de surveiller les batteries en leur envoyant des impulsions électriques et en mesurant la réponse. Les mesures sont ensuite traitées par un algorithme d'apprentissage automatique pour prédire l'état de santé et la durée de vie utile de la batterie. La méthode est non invasive et constitue un simple complément à tout système de batterie existant.

Prédire l'état de santé et la durée de vie utile restante des batteries lithium-ion est l'un des grands problèmes limitant l'adoption généralisée des véhicules électriques et affecte également la sécurité des téléphones mobiles. Au fil du temps, les performances de la batterie se dégradent via un réseau complexe de processus chimiques subtils. Individuellement, chacun de ces processus n'a pas beaucoup d'effet sur les performances de la batterie, mais collectivement, ils peuvent réduire considérablement les performances et la durée de vie d'une batterie.

Les méthodes actuelles de prédiction de l'état de la batterie sont basées sur le suivi du courant et de la tension pendant la charge et la décharge de la batterie. Cela manque des fonctionnalités importantes qui indiquent la santé de la batterie. Le suivi des nombreux processus qui se produisent dans la batterie nécessite de nouvelles façons de sonder les batteries en action ainsi que de nouveaux algorithmes capables de détecter des signaux subtils lorsqu'ils sont chargés et déchargés.

Les chercheurs ont conçu un moyen de surveiller une batterie en lui envoyant des impulsions électriques et en mesurant sa réponse. Un modèle d'apprentissage automatique est ensuite utilisé pour découvrir des caractéristiques spécifiques de la réponse électrique qui sont le signe révélateur du vieillissement de la batterie. Les chercheurs ont effectué plus de 20 000 mesures expérimentales pour former le modèle. Surtout, le modèle apprend à distinguer les signaux importants du bruit non pertinent. La méthode est non invasive et constitue un simple complément à tout système de batterie existant.

Les chercheurs ont également montré que le modèle d'apprentissage automatique peut être interprété pour donner des indications sur le mécanisme physique de dégradation. Le modèle peut indiquer quels signaux électriques sont les plus corrélés au vieillissement, ce qui leur permet de concevoir des expériences spécifiques pour sonder pourquoi et comment les batteries se dégradent.

La plate-forme d'apprentissage automatique est utilisée pour comprendre la dégradation de différentes chimies de batterie. Des protocoles de charge de batterie optimaux sont en cours de développement, alimentés par l'apprentissage automatique, pour permettre une charge rapide et minimiser la dégradation.