Un MobileNet amélioré basé sur un algorithme modifié Poor and Rich pour l’estimation de l’état de santé des batteries lithium-ion

Pourquoi des contrôles de batterie plus intelligents comptent

Les batteries lithium‑ion alimentent discrètement nos téléphones, ordinateurs portables, voitures électriques et même une partie du réseau électrique. Mais, comme les êtres humains, les batteries vieillissent, et une mauvaise estimation de leur état peut aller d’une perte d’autonomie gênante à des défaillances dangereuses ou des incendies. Cet article présente une nouvelle méthode pour « prendre le pouls » des batteries en utilisant un modèle d’intelligence artificielle compact, assez rapide pour des systèmes de gestion de batterie réels, tout en estimant l’état de santé avec une erreur remarquablement faible.

Suivre la véritable condition d’une batterie

Les packs de batteries sont surveillés par un système de gestion de batterie, ou BMS, qui observe en continu la tension, le courant et la température pour maintenir tout dans des limites sûres. L’une de ses tâches les plus difficiles est l’estimation de l’état de santé (SOH) – en substance, combien de vie utile il reste à une batterie par rapport à son état neuf. Le SOH ne peut pas être mesuré directement en usage normal ; il doit donc être inféré à partir de ces signaux de routine. Les modèles fondés sur la physique peuvent être précis, mais ils ont tendance à être complexes, lents et sensibles au design exact de la batterie et aux conditions d’exploitation. Les approches fondées sur les données et l’apprentissage automatique offrent plus de souplesse, mais de nombreux modèles d’apprentissage profond puissants sont trop lourds pour tourner sur les petites puces à faible consommation des véhicules ou des systèmes de stockage stationnaires.

Des signaux bruts aux signes subtils de vieillissement

Les auteurs commencent par traiter soigneusement des données expérimentales réelles issues de cellules lithium‑ion provenant de plusieurs jeux de données de recherche bien connus, y compris les expériences d’altération des batteries largement utilisées de la NASA. Lors de chaque cycle de charge–décharge, ils enregistrent la tension, le courant et la température une fois par seconde sur des milliers de cycles. À partir de ces signaux bruts, ils extraient des caractéristiques particulièrement sensibles au vieillissement. Par exemple, ils analysent la forme de la courbe de tension pendant la charge à courant constant et calculent des courbes de capacité incrémentale, qui mettent en évidence de subtils déplacements dans la quantité de charge circulant à chaque tension. À mesure que les batteries s’usent, ces courbes changent légèrement de forme et de position, fournissant une sorte d’empreinte du vieillissement interne. Le résultat est un ensemble propre et normalisé de séries temporelles unidimensionnelles pouvant être alimentées dans un réseau de neurones.

Un réseau neuronal léger adapté aux signaux de batterie

Pour transformer ces signaux en estimations de SOH, l’étude adapte une famille de réseaux de reconnaissance d’images légers connue sous le nom de MobileNet. Plutôt que de travailler sur des images, les auteurs repensent le modèle autour de convolutions unidimensionnelles qui balayent le temps, afin de capter des motifs dans l’évolution de la tension et du courant pendant une charge. Ils ajoutent également de petits blocs d’attention appelés unités « Squeeze‑and‑Excitation », qui aident le réseau à se concentrer sur les parties les plus informatives du signal, comme les régions de tension qui se déplacent de façon significative avec le vieillissement. Enfin, ils ajustent la sortie pour que le réseau prédise une valeur continue de SOH plutôt qu’une catégorie, et ils l’entraînent pour minimiser l’écart entre la santé prédite et la santé réelle. Malgré ces raffinement, le modèle reste petit : environ 1,1 million de paramètres et un temps de prédiction moyen de seulement quelques millisecondes.

Laisser un algorithme régler les paramètres

Les modèles d’apprentissage profond comportent de nombreux choix de conception, ou hyperparamètres : taux d’apprentissage, nombre de filtres, intensité du dropout, et plus encore. Plutôt que de les régler manuellement, les auteurs utilisent un optimiseur métaheuristique appelé Modified Poor and Rich Optimization (MPRO). Inspiré des interactions entre groupes plus aisés et plus modestes dans une société, cet algorithme maintient une population de jeux de hyperparamètres candidats et les améliore itérativement. Les candidats « riches » s’éloignent des « pauvres », tandis que les « pauvres » se rapprochent des schémas observés chez les candidats performants. L’article améliore ce schéma avec des maps chaotiques mathématiques qui renforcent l’exploration de l’espace de recherche. Pour chaque candidat, le modèle MobileNet est entraîné et évalué selon son erreur sur des données de validation, et MPRO converge progressivement vers une configuration qui équilibre précision et simplicité.

Quelle est l’efficacité en pratique ?

Testé sur plusieurs batteries et trois jeux de données indépendants (NASA, CALCE et Oxford), le système combiné MPRO‑MobileNet amélioré estime le SOH avec une erreur quadratique moyenne d’environ un demi‑point de pourcentage sur les données NASA, surpassant plusieurs alternatives solides, y compris des réseaux neuronaux plus volumineux basés sur Transformer, des réseaux récurrents, des forêts aléatoires et des machines à vecteurs de support. Même la pire erreur individuelle reste proche d’un point de pourcentage, un niveau de précision utile pour gérer les garanties, planifier le remplacement des batteries et éviter des opérations dangereuses. Fait important, le modèle conserve cette performance tout en utilisant beaucoup moins de mémoire et de calcul que les méthodes d’apprentissage profond plus lourdes, ce qui le rend pratique pour un déploiement sur le matériel embarqué des BMS dans les véhicules électriques et les systèmes de stockage réseau.

Ce que cela signifie pour l’usage quotidien des batteries

Pour un public non spécialisé, le message clé est que ce travail montre comment une IA intelligente mais efficace peut suivre de manière fiable à quel point une batterie est « vieille », en n’utilisant que des données déjà mesurées par un système de batterie standard. De meilleures estimations de SOH permettent aux constructeurs automobiles et aux opérateurs de réseau d’allonger la durée de vie des batteries en toute sécurité, de programmer la maintenance avant l’apparition de problèmes et de décider quand des batteries usagées sont encore suffisamment fiables pour une seconde vie dans des rôles moins exigeants. Bien que la méthode doive encore être testée sur le terrain dans des conditions réelles plus bruyantes, elle constitue une étape vers des systèmes de batterie capables de comprendre leur propre état avec une précision quasi‑clinique, améliorant en silence la sécurité, la performance et la durabilité en coulisses.

Citation: 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

Mots-clés: batteries lithium‑ion, état de santé, systèmes de gestion de batterie, apprentissage profond, MobileNet