Les chercheurs ont conçu une méthode d'apprentissage automatique qui peut prédire l'état de la batterie avec une précision 10 fois supérieure à la norme actuelle de l'industrie, qui pourraient aider au développement de batteries plus sûres et plus fiables pour les véhicules électriques et l'électronique grand public.

Les chercheurs, des universités de Cambridge et de Newcastle, 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 la santé et la durée de vie utile de la batterie. Leur méthode est non invasive et constitue un simple ajout à tout système de batterie existant. Les résultats sont publiés dans le journal Communication Nature .

Prévoir 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 :c'est aussi une gêne familière aux utilisateurs de téléphones portables. Heures supplémentaires, 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 considérablement raccourcir les performances et la durée de vie d'une batterie.

Les méthodes actuelles pour prédire 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 déroulent au sein de 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.

"La sécurité et la fiabilité sont les critères de conception les plus importants car nous développons des batteries qui peuvent contenir beaucoup d'énergie dans un petit espace, " a déclaré le Dr Alpha Lee du laboratoire Cavendish de Cambridge, qui a codirigé la recherche. "En améliorant le logiciel qui surveille la charge et la décharge, et en utilisant un logiciel basé sur les données pour contrôler le processus de charge, Je pense que nous pouvons apporter une grande amélioration aux performances de la batterie."

Les chercheurs ont conçu un moyen de surveiller les batteries en y 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 entraîner le modèle, le plus grand ensemble de données du genre. Surtout, le modèle apprend à distinguer les signaux importants du bruit non pertinent. Leur méthode est non invasive et constitue un simple ajout 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 la dégradation. Le modèle peut indiquer quels signaux électriques sont les plus corrélés avec le vieillissement, ce qui leur permet à leur tour de concevoir des expériences spécifiques pour sonder pourquoi et comment les batteries se dégradent.

"L'apprentissage automatique complète et augmente la compréhension physique, " a déclaré le co-premier auteur, le Dr Yunwei Zhang, également du Laboratoire Cavendish. "Les signaux interprétables identifiés par notre modèle d'apprentissage automatique sont un point de départ pour de futures études théoriques et expérimentales."

Les chercheurs utilisent maintenant leur plate-forme d'apprentissage automatique pour comprendre la dégradation dans différentes chimies de batterie. Ils développent également des protocoles de charge de batterie optimaux, alimenté par l'apprentissage automatique, pour permettre une charge rapide et minimiser la dégradation.