Surveillance de la santé des batteries pilotée par l'IA améliore longévité et sécurité

Des chercheurs ont conçu une nouvelle façon de surveiller les batteries en envoyant des impulsions électriques dans celles-ci et en mesurant la réponse. Les mesures sont ensuite traitées par un algorithme d'apprentissage automatique pour prédire la santé de la batterie et sa durée de vie utile. La méthode est non invasive et est un ajout simple 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 gros problèmes limitant l'adoption généralisée des véhicules électriques et affecte aussi la sécurité des téléphones mobiles. Au fil du temps, la performance de la batterie se dégrade via un réseau complexe de processus chimiques subtils. Individuellement, chacun de ces processus n'a pas beaucoup d'effet sur la performance de la batterie, mais collectivement, ils peuvent sévèrement raccourcir la performance et la durée de vie d'une batterie.

Les méthodes actuelles pour prédire la santé des batteries sont basées sur le suivi du courant et de la tension pendant la charge et la décharge de la batterie. Cela manque des caractéristiques importantes qui indiquent la santé de la batterie. Suivre les nombreux processus qui se produisent à l'intérieur de la batterie nécessite de nouvelles façons de sonder les batteries en action ainsi que de nouveaux algorithmes qui peuvent détecter des signaux subtils pendant qu'elles sont chargées et déchargées.

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

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

La plateforme d'apprentissage automatique est utilisée pour comprendre la dégradation dans différentes chimies de batteries. Des protocoles de charge optimaux sont en développement, alimentés par l'apprentissage automatique, pour permettre une charge rapide et minimiser la dégradation.