Ein verbessertes MobileNet basierend auf einem modifizierten Poor-and-Rich-Optimierungsalgorithmus zur Schätzung des Zustands von Lithium-Ionen-Batterien

Warum intelligentere Batterie‑Checks wichtig sind

Lithium-Ionen-Batterien versorgen still und zuverlässig unsere Telefone, Laptops, Elektroautos und sogar Teile des Stromnetzes. Aber wie Menschen altern auch Batterien, und wenn ihr Zustand falsch eingeschätzt wird, kann das von ärgerlichem Reichweitenverlust bis zu gefährlichen Ausfällen und Bränden reichen. Diese Arbeit stellt eine neue Methode vor, den "Puls" von Batterien zu prüfen, mithilfe eines kompakten KI-Modells, das schnell genug für reale Batterie-Management-Systeme läuft und den Batteriezustand mit bemerkenswert geringer Fehlerquote schätzt.

Den wahren Zustand einer Batterie im Blick behalten

Batteriepacks werden von einem Batterie‑Management‑System (BMS) überwacht, das Spannung, Strom und Temperatur kontinuierlich beobachtet, um alles in sicheren Grenzen zu halten. Eine der schwierigsten Aufgaben ist die Schätzung des State-of-Health (SOH) – im Wesentlichen, wie viel nutzbare Lebensdauer eine Batterie im Vergleich zum Neuzustand noch besitzt. SOH lässt sich während des normalen Betriebs nicht direkt messen, daher muss er aus diesen Routinesignalen abgeleitet werden. Traditionelle physikbasierte Modelle können genau sein, sind jedoch oft komplex, langsam und empfindlich gegenüber der genauen Batterieausführung und den Betriebsbedingungen. Datengetriebene Ansätze auf Basis von Machine Learning versprechen mehr Flexibilität, doch viele leistungsstarke Deep‑Learning‑Modelle sind zu schwerfällig, um auf kleinen, energiearmen Chips in Fahrzeugen oder stationären Speichersystemen zu laufen.

Von Rohsignalen zu feinen Alterungsanzeigen

Die Autorinnen und Autoren beginnen damit, reale Testdaten aus Lithium‑Ionenzellen aus mehreren bekannten Forschungsdatensätzen sorgfältig aufzubereiten, darunter die weit verbreiteten Batterie‑Alterungsexperimente der NASA. Während jedes Lade‑Entlade‑Zyklus zeichnen sie Spannung, Strom und Temperatur einmal pro Sekunde über Tausende von Zyklen auf. Aus diesen Rohsignalen extrahieren sie Merkmale, die besonders empfindlich gegenüber Alterung sind. Beispielsweise analysieren sie die Form der Spannungskurve während des Konstantstromladens und berechnen inkrementelle Kapazitätskurven, die kleine Verschiebungen hervorheben, wie viel Ladung bei jeder Spannung fließt. Wenn Batterien verschleißen, verändern sich diese Kurven subtil in Form und Lage und liefern so eine Art Fingerabdruck der inneren Degradation. Das Ergebnis ist ein sauberes, normalisiertes Set eindimensionaler Zeitreihen, das in ein neuronales Netzwerk eingespeist werden kann.

Ein schlankes neuronales Netzwerk, zugeschnitten auf Batterie-Signale

Um diese Signale in SOH‑Schätzungen zu überführen, passt die Studie eine Familie leichtgewichtiger Bild‑Erkennungsnetzwerke namens MobileNet an. Anstatt mit Bildern zu arbeiten, gestalten die Autorinnen und Autoren das Modell um eindimensionale Faltungsschichten, die entlang der Zeitscales scannen, sodass Muster in der Entwicklung von Spannung und Strom während eines Ladevorgangs erkannt werden können. Sie fügen zudem kleine Aufmerksamkeitsblöcke namens "Squeeze‑and‑Excitation"‑Einheiten hinzu, die dem Netzwerk helfen, sich auf die informativsten Teile des Signals zu konzentrieren, etwa Spannungsbereiche, die sich mit der Alterung deutlich verschieben. Schließlich formen sie den Output so, dass das Netzwerk einen kontinuierlichen SOH‑Wert statt einer Kategorie vorhersagt und trainieren es darauf, den Unterschied zwischen vorhergesagtem und tatsächlichem Zustand zu minimieren. Trotz dieser Verfeinerungen bleibt das Modell klein: etwa 1,1 Millionen Parameter und eine durchschnittliche Vorhersagezeit von nur wenigen Millisekunden.

Ein Algorithmus, der die Stellschrauben justiert

Deep‑Learning‑Modelle haben viele Designentscheidungen bzw. Hyperparameter: Lernrate, Anzahl der Filter, Dropout‑Stärke und mehr. Anstatt diese von Hand abzustimmen, nutzen die Autorinnen und Autoren einen metaheuristischen Optimierer namens Modified Poor and Rich Optimization (MPRO). Inspiriert von Wechselwirkungen zwischen wohlhabenderen und ärmeren Gruppen in einer Gesellschaft hält dieser Algorithmus eine Population von Kandidaten‑Hyperparameter­sätzen und verbessert sie iterativ. Die "reichen" Kandidaten bewegen sich von den "armen" weg, während die "armen" sich in Richtung der bei den Erfolgreichen beobachteten Muster verschieben. Die Arbeit erweitert dieses Schema mit chaotischen mathematischen Abbildungen, die die Erkundung des Suchraums verbessern. Für jeden Kandidaten wird das MobileNet‑Modell trainiert und anhand seines Fehlers auf Validierungsdaten bewertet, und MPRO konvergiert schrittweise zu einer Konfiguration, die Genauigkeit und Einfachheit ausbalanciert.

Wie gut funktioniert es in der Praxis?

Getestet an mehreren Batterien und drei unabhängigen Datensätzen (NASA, CALCE und Oxford) schätzt das kombinierte MPRO‑verbesserte MobileNet‑System den SOH mit einem durchschnittlichen Root‑Mean‑Square‑Fehler von etwa einem halben Prozentpunkt auf NASA‑Daten und übertrifft mehrere starke Alternativen, darunter größere Transformer‑Netzwerke, rekurrente Netze, Random Forests und Support‑Vector‑Machines. Selbst der schlechteste einzelne Vorhersagefehler bleibt nahe einem Prozentpunkt, ein Genauigkeitsniveau, das für die Verwaltung von Garantien, die Planung von Batteriewechseln und die Vermeidung unsicherer Betriebszustände wertvoll ist. Wichtig ist, dass das Modell diese Leistung hält und dabei deutlich weniger Speicher und Rechenleistung benötigt als schwergewichtigere Deep‑Learning‑Methoden, was eine praktische Einsetzbarkeit auf eingebetteter BMS‑Hardware in Elektrofahrzeugen und Speichernetzen ermöglicht.

Was das für den täglichen Batterieeinsatz bedeutet

Für Nicht‑Spezialisten ist die Kernbotschaft: Diese Arbeit zeigt, wie eine schlanke, aber intelligente KI zuverlässig nachverfolgen kann, wie "alt" eine Batterie wirklich ist – und zwar nur mit Daten, die ein Standard‑Batteriesystem ohnehin misst. Bessere SOH‑Schätzungen erlauben es Autoherstellern und Netzbetreibern, Batterielebensdauer sicher zu strecken, Wartungen rechtzeitig zu planen und zu entscheiden, wann gebrauchte Batterien noch für eine zweite Nutzung in weniger anspruchsvollen Anwendungen geeignet sind. Zwar braucht die Methode noch Feldtests unter lauteren, realen Bedingungen, doch sie ist ein Schritt hin zu Batteriesystemen, die ihren eigenen Zustand mit nahezu klinischer Präzision verstehen und so im Hintergrund Sicherheit, Leistung und Nachhaltigkeit verbessern.

Zitation: Hajlaoui, R., Shalaby, M., Alfilh, R.H.C. et al. An improved MobileNet based on a modified poor and rich optimization algorithm for lithium-ion battery state-of-health estimation. Sci Rep 16, 7689 (2026). https://doi.org/10.1038/s41598-026-38275-3

Schlüsselwörter: Lithium-Ionen-Batterien, Zustand der Batterie, Batterie-Management-Systeme, Tiefes Lernen, MobileNet