Prédire la durée de vie restante des batteries lithium-ion : une approche par apprentissage profond

L’estimation précise de la durée de vie restante (RUL) des batteries lithium-ion est cruciale pour une maintenance efficace. Cet article présente une nouvelle approche pour prédire la RUL en utilisant les données des cycles de charge-décharge récents. Cette méthode combine un pipeline innovant de traitement du signal et un modèle d’apprentissage profond hybride.

Un pipeline de traitement du signal amélioré

Le pipeline prétraite les signaux de courant, de tension et de capacité. Une nouvelle caractéristique, la capacité dérivée, est calculée à partir des signaux de courant et de capacité. Ces caractéristiques sont ensuite débruités et améliorés en utilisant des métriques statistiques et une méthode delta pour mettre en évidence les différences entre les cycles successifs. Ce processus permet de mieux capturer les nuances des données et d’améliorer la précision du modèle prédictif.

Un modèle d’apprentissage profond hybride

Le modèle d’apprentissage profond combine des réseaux neuronaux convolutifs 1D (CNN), des LSTM avec attention (A-LSTM) et des LSTM basés sur les équations différentielles ordinaires (ODE-LSTM). Cette architecture hybride est conçue pour capturer à la fois les caractéristiques locales du signal et les dépendances temporelles à long terme, tout en modélisant la dynamique continue de la dégradation de la batterie. L’utilisation de l’apprentissage par transfert permet d’adapter le modèle à différents scénarios de données et de stratégies d’apprentissage, garantissant ainsi une robustesse élevée même avec des données limitées.

Résultats et performances

Les résultats sur deux ensembles de données publiques montrent que la méthode proposée surpasse les approches classiques d’apprentissage profond et les techniques d’apprentissage automatique, atteignant une erreur quadratique moyenne (RMSE) de 101.59. Cette performance souligne le fort potentiel de cette approche pour la prédiction de la RUL dans des applications réelles. Imaginez l’impact sur la gestion des flottes de véhicules électriques ou des systèmes de stockage d’énergie, où une prédiction précise de la RUL permet d’optimiser la maintenance et d’éviter les pannes coûteuses.

Points clés

✓ Une nouvelle approche pour prédire la RUL des batteries lithium-ion.
✓ Un pipeline de traitement du signal amélioré pour une meilleure extraction des caractéristiques.
✓ Un modèle d’apprentissage profond hybride pour capturer les dépendances temporelles et les dynamiques continues.
✓ Des performances supérieures aux approches existantes.