Modèles d'apprentissage automatique prédisant précisément la santé et la longévité des batteries

Un nouveau modèle d'intelligence artificielle peut déterminer avec précision l'état de santé (State Of Health - SOH) d'une batterie. Il utilise les données capturées au stade initial de la batterie et prédit si elle aura une durée de vie longue ou courte.

L'importance du diagnostic batterie

Les batteries lithium-ion sont utilisées dans une large gamme d'applications en raison de leur haute densité énergétique, de leur longue durée de vie et de leur faible coût. 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 » des batteries 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 leur santé, ce qui prend beaucoup de temps et affecte la durée de vie de la batterie.

Un paramètre appelé État de Santé (SOH) représente la capacité de la batterie à stocker 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, il n'existe aucune technique capable de déterminer cette valeur avec précision sans endommager la durée de vie de la batterie.

Déterminer le SOH n'est pas simple

Le SOH d'une batterie est associé à deux facteurs qui apparaissent avec le vieillissement des batteries :

1. Perte de capacité : perte progressive de la capacité de stockage
2. Résistance électrique : augmentation progressive de l'impédance qui cause le déclin de la puissance de la batterie.

Dans les batteries lithium-ion, l'augmentation de l'impédance et la perte de capacité de stockage proviennent de nombreux processus en interaction. Comme 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 le SOH.

Les techniques traditionnelles [pour déterminer le SOH] impliquent d'évaluer les interactions entre les électrodes de la batterie. Mais comme cela rend la batterie instable, ces techniques sont inacceptables.

Actuellement, 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 entraîné sur des données expérimentales avant de pouvoir être réellement utilisé en environnement de production.

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

L'IA prédit avec précision la durée de vie des batteries

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

L'équipe a créé un ensemble de données complet caractérisant la performance de 124 batteries lithium-ion. Les données ont été enregistrées alors que les batteries subissaient différentes conditions de charge rapide. Une large gamme de cycles de charge et décharge (250 – 2 300) était incluse dans les données.

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

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

Durée de vie estimée vs observée des batteries | La ligne pointillée montre où estimations et 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 en cycles pour 91 % des batteries. Les chercheurs ont également utilisé cette méthode pour étudier les données des 5 premiers cycles seulement de chaque batterie. Cette fois, l'objectif était de déterminer si les batteries auraient une durée de vie longue ou courte (plus ou moins de 550 cycles charge-décharge). Dans ce cas, le modèle a fait des prédictions correctes pour 95 % des batteries.

Bien que les nouveaux modèles soient plus efficaces que les méthodes traditionnelles de détermination du SOH, ils étaient moins précis pour prédire la durée de vie en cycles des batteries dont les capacités de stockage étaient déjà quelque peu dégradées.

L'équipe de recherche pense que leur nouvelle approche est une voie prometteuse pour estimer les cycles de vie des batteries lithium-ion, et pourrait aider au développement/amélioration des technologies de batteries émergentes.