Un cadre pour Li

Rapports scientifiques volume 13, Numéro d'article : 13856 (2023) Citer cet article

1043 Accès

1 Altmétrique

Détails des métriques

Les batteries Li-ion sont la principale source d'énergie utilisée dans les applications de propulsion électrique (par exemple, les voitures électriques, les véhicules aériens sans pilote et les avions de mobilité aérienne avancés). La surveillance et la prévision basées sur des analyses pour des mesures telles que l'état de charge et l'état de santé, basées sur des données d'utilisation spécifiques à la batterie, sont essentielles pour garantir des niveaux de fiabilité élevés. Cependant, l’électrochimie complexe qui régit le fonctionnement des batteries conduit à des modèles basés sur la physique, coûteux en termes de calcul ; qui deviennent impropres aux applications de pronostic et de gestion de la santé. Nous proposons une approche hybride d'apprentissage automatique basée sur la physique qui simule les réponses dynamiques en mettant directement en œuvre l'intégration numérique d'équations gouvernantes basées sur des principes via des réseaux de neurones récurrents. Alors que les modèles d'ordre réduit décrivent une partie de la décharge de tension dans des conditions de charge constantes ou variables, l'incertitude de la forme du modèle est capturée par des perceptrons multicouches et l'incertitude aléatoire d'une batterie à l'autre est modélisée par des perceptrons multicouches variationnels. De plus, nous utilisons une approche bayésienne pour fusionner les données à l'échelle de la flotte sous forme d'a priori avec les cycles de décharge spécifiques à la batterie, où la capacité de la batterie est entièrement disponible ou seulement partiellement disponible. Nous illustrons l'efficacité du cadre proposé en utilisant l'ensemble de données NASA Prognostics Data Repository Battery, qui contient des données de décharge expérimentales sur des batteries Li-ion obtenues dans un environnement contrôlé.

Les systèmes de propulsion électrique et hybride sont des éléments clés de la transformation avancée de la mobilité aérienne, dans laquelle les petits et grands avions s'appuieront sur des batteries Li-ion pour répondre à une partie de tous les besoins en énergie. En tant que composant essentiel du groupe motopropulseur, le fonctionnement sûr de ces batteries nécessitera des méthodes robustes de pronostic et de gestion de la santé1,2. La littérature actuelle présente un éventail de méthodes de surveillance des batteries avec des modèles basés sur les premiers principes3,4, l'apprentissage automatique5,6,7 et une combinaison des deux8,9,10. Cependant, les approches de modélisation existantes se heurtent souvent à des obstacles, notamment : (a) les équations régissant sont complexes ; et lorsqu'elles sont disponibles, les simulations haute fidélité sont coûteuses en calcul à exécuter à bord ; (b) les modèles purement basés sur des données n'obéissent pas nécessairement à la physique qui les régit, et ne se généralisent pas bien à des scénarios sur lesquels ils n'ont pas été formés ; et (c) collecter suffisamment de données de haute qualité pour former correctement des modèles basés sur les données pour un système complexe est souvent un défi. En fait, les données disponibles pour ajuster les modèles d'ordre réduit ou construire des modèles d'apprentissage automatique peuvent être médiocres (en proie à du bruit, des données manquantes). données, observations déséquilibrées des entrées et des sorties, etc.). Ces défis sont communément partagés dans de nombreuses applications de pronostic ; créant le besoin d'une approche de modélisation robuste, efficace sur le plan informatique, tout en étant fondée sur les premiers principes et pouvant prendre en compte des ensembles de données non structurés.

Dans ce contexte, les réseaux neuronaux fondés sur la physique11,12,13 ont le potentiel de révolutionner le pronostic et la gestion de la santé. Cette classe de méthodes d'apprentissage automatique peut potentiellement atténuer le manque de données ainsi que d'autres problèmes tels qu'une mauvaise interprétabilité des modèles purement basés sur les données, tout en offrant une précision comparable aux simulations haute fidélité pour une fraction du coût de calcul. En fait, les développements récents des opérateurs neuronaux14,15 indiquent que pour les problèmes dans lesquels les équations aux dérivées partielles sont connues, les réseaux neuronaux entraînés peuvent être réutilisés pour faire des prédictions même en dehors des conditions limites/initiales utilisées dans la formation. Cependant, de nombreux systèmes complexes ne peuvent pas être décrits uniquement par des équations aux dérivées partielles, mais plutôt par un ensemble d’équations directrices et de lois empiriques qui pourraient ne pas être entièrement caractérisées en même temps que les données disponibles sont rares. Cela explique l’intérêt croissant pour l’apprentissage automatique hybride basé sur la physique16,17 en tant que cadre de modélisation prometteur pour des applications complexes telles que les systèmes de propulsion électriques et hybrides. Le cadre hybride que nous proposons utilise un paradigme différent par rapport aux fonctions de perte basées sur la physique comme dans11. Il exploite les équations existantes d'un système pour créer un modèle et introduit stratégiquement de petits noyaux basés sur les données dans le modèle. Les parties du modèle basées sur les données compensent l'absence de physique, l'incertitude de la forme du modèle et la méconnaissance des paramètres du modèle.