Prédiction précise de la durée de vie de la batterie avec des modèles d'apprentissage automatique

• Un nouveau modèle d'intelligence artificielle peut déterminer avec précision l'état de santé d'une batterie.
• Il utilise les données capturées à partir de la batterie dans ses phases initiales et prédit si la batterie aura une durée de vie longue ou courte.

Les batteries lithium-ion sont utilisées dans une large gamme d'applications en raison de leur densité énergétique élevée, de leur longue durée de vie et de leurs faibles coûts. Au cours des dernières années, la commercialisation des véhicules hybrides et électriques a stimulé une demande croissante de batteries de qualité. Ainsi, l'analyse de la « santé » de la batterie est devenue de plus en plus importante.

Cependant, l'un des principaux obstacles au développement de la technologie des batteries est la surveillance et le test de l'état de la batterie, ce qui prend beaucoup de temps et le processus affecte la durée de vie de la batterie.

Un paramètre appelé State Of Health (SOH) représente la capacité de la batterie à stocker de l'énergie, par rapport à ses conditions idéales ou initiales. Pour une batterie neuve, le SOH est généralement de 100 % mais diminue avec le temps. L'évaluation du SOH est importante pour une utilisation sûre et correcte de la batterie. Cependant, aucune technique ne peut déterminer avec précision cette valeur sans endommager la durée de vie de la batterie.

Déterminer SOH n'est pas facile

Le SOH d'une batterie est associé à deux facteurs qui surviennent à mesure que les batteries vieillissent -

1. Capacity Fade :perte progressive de la capacité de stockage
2. Résistance électrique :augmentation progressive de l'impédance qui entraîne une baisse de la puissance de la batterie.

Dans les batteries lithium-ion, l'augmentation de l'impédance et la perte de capacité de stockage résultent de nombreux processus en interaction. Étant donné que ces processus se produisent à des échelles de temps similaires, il est très difficile de les analyser indépendamment. Ainsi, on ne peut pas utiliser une seule mesure directe pour évaluer SOH.

Les techniques traditionnelles [de détermination du SOH] consistent à évaluer les interactions entre les électrodes de la batterie. Mais comme cela rend la batterie instable, ces techniques sont inacceptables.

À l'heure actuelle, il existe deux approches pour déterminer le SOH de manière moins destructive :les modèles adaptatifs et les méthodes expérimentales. La première approche utilise les données de performance de la batterie pour s'auto-ajuster et réduire les erreurs. Cependant, ce type de méthodes doit être formé sur des données expérimentales avant de pouvoir être réellement utilisé dans un environnement de production.

La seconde approche, en revanche, peut être utilisée pour déterminer des mécanismes de défaillance ou des processus physiques particuliers qui se produisent dans une batterie. Cela fournit une bonne estimation du taux futur de dégradation de la capacité. Cependant, ces méthodes ne parviennent pas à identifier les dysfonctionnements intermittents.

L'IA peut prédire avec précision la durée de vie des batteries

Aujourd'hui, des chercheurs du MIT, de l'Université de Stanford et du Toyota Research Institute ont mis au point un modèle d'intelligence artificielle (IA) capable de déterminer avec précision le SOH d'une batterie.

L'équipe a créé un ensemble de données complet caractérisant les performances de 124 batteries lithium-ion. Les données ont été enregistrées alors que les batteries subissaient différentes conditions de charge rapide. Un large éventail de cycles de charge et de décharge (250 à 2 300) a été inclus dans les données.

Référence :Nature | doi:10.1038/s41560-019-0356-8

Ils ont ensuite utilisé la méthode Machine Learning (ML) pour examiner les données et générer des modèles capables d'estimer avec précision la durée de vie des batteries. Ils n'ont analysé que les 100 premiers cycles de chaque batterie (avant qu'il y ait des indications claires de perte de capacité de stockage).

Durée de vie estimée vs observée des batteries | La ligne pointillée montre où les estimations et les observations sont égales, pour référence | Avec l'aimable autorisation des chercheurs 

Le meilleur modèle généré par ML a pu estimer correctement la durée de vie de 91 % des batteries. Les chercheurs ont également utilisé cette méthode pour étudier les données des 5 premiers cycles de chaque batterie. Il s'agissait cette fois de déterminer si les batteries auraient une durée de vie longue ou courte (supérieure ou inférieure à 550 cycles de charge-décharge). Dans ce cas, le modèle a fait des prédictions correctes pour 95% des batteries.

Bien que les nouveaux modèles aient été plus efficaces que les méthodes traditionnelles de détermination du SOH, ils étaient moins précis pour prédire la durée de vie des batteries dont les capacités de stockage étaient déjà dans une certaine mesure réduites.

Lire :La nouvelle batterie aluminium-graphène peut être chargée en 5 secondes

L'équipe de recherche pense que sa nouvelle approche est un moyen prometteur d'estimer les cycles de vie des batteries lithium-ion et pourrait aider au développement/à l'amélioration de la technologie émergente des batteries.