Una MobileNet migliorata basata su un algoritmo modificato Poor and Rich per la stima dello stato di salute delle batterie agli ioni di litio

Perché contano controlli delle batterie più intelligenti

Le batterie agli ioni di litio alimentano silenziosamente i nostri telefoni, laptop, auto elettriche e persino parti della rete elettrica. Ma, come le persone, le batterie invecchiano e, se la loro salute viene valutata male, le conseguenze possono andare da una seccante perdita di autonomia a guasti pericolosi e incendi. Questo articolo presenta un nuovo modo di “controllare il battito” delle batterie usando un modello di intelligenza artificiale compatto che gira abbastanza velocemente per i sistemi di gestione della batteria reali, stimando lo stato di salute con un margine d’errore notevolmente basso.

Tenere traccia della vera condizione di una batteria

I pacchi batteria sono sorvegliati da un Battery Management System, o BMS, che monitora continuamente tensione, corrente e temperatura per mantenere tutto entro limiti di sicurezza. Uno dei suoi compiti più difficili è stimare lo State-of-Health (SOH) – in sostanza, quanta vita utile rimane a una batteria rispetto a quando era nuova. Lo SOH non può essere misurato direttamente durante l’uso normale, perciò deve essere inferito da quei segnali di routine. I modelli tradizionali basati sulla fisica possono essere accurati, ma tendono a essere complessi, lenti e sensibili al design specifico della batteria e alle condizioni operative. Gli approcci basati sui dati e sull’apprendimento automatico offrono maggiore flessibilità, tuttavia molti potenti modelli di deep learning sono troppo pesanti per girare su chip piccoli e a basso consumo all’interno di veicoli o sistemi di accumulo stazionari.

Dai segnali grezzi ai sottili segni dell’invecchiamento

Gli autori partono elaborando con cura dati sperimentali reali di celle agli ioni di litio presenti in diversi dataset di ricerca noti, incluse le ampiamente utilizzate esperienze di invecchiamento batteria della NASA. Durante ogni ciclo di carica–scarica registrano tensione, corrente e temperatura una volta al secondo per migliaia di cicli. Da questi segnali grezzi estraggono caratteristiche particolarmente sensibili all’invecchiamento. Per esempio, analizzano la forma della curva di tensione durante la carica a corrente costante e calcolano curve di capacità incrementale, che evidenziano piccoli spostamenti nella quantità di carica che scorre a ciascuna tensione. Man mano che le batterie si usurano, queste curve cambiano sottilmente forma e posizione, fornendo una sorta di impronta dello degrado interno. Il risultato è un insieme pulito e normalizzato di serie temporali monodimensionali che può essere fornito a una rete neurale.

Una rete neurale snella su misura per i segnali delle batterie

Per trasformare questi segnali in stime di SOH, lo studio adatta una famiglia di reti leggere per il riconoscimento delle immagini note come MobileNet. Invece di lavorare con immagini, gli autori riprogettano il modello attorno a convoluzioni monodimensionali che scorrono nel tempo, così da cogliere i pattern nell’evoluzione di tensioni e correnti durante una carica. Aggiungono inoltre piccoli blocchi di attenzione chiamati unità “Squeeze-and-Excitation”, che aiutano la rete a concentrarsi sulle parti più informative del segnale, come regioni di tensione che si spostano sensibilmente con l’invecchiamento. Infine rimodellano l’output in modo che la rete predica un valore SOH continuo invece che una categoria, e la addestrano per minimizzare la differenza fra salute predetta e reale. Nonostante questi perfezionamenti, il modello resta piccolo: circa 1,1 milioni di parametri e un tempo medio di predizione di pochi millisecondi.

Lasciare che un algoritmo regoli le manopole

I modelli di deep learning hanno molte scelte progettuali, o iperparametri: tasso di apprendimento, numero di filtri, intensità del dropout e altri. Invece di sintonizzarli manualmente, gli autori usano un ottimizzatore metaeuristico chiamato Modified Poor and Rich Optimization (MPRO). Ispirato alle interazioni fra gruppi più ricchi e più poveri di una società, questo algoritmo mantiene una popolazione di candidati per gli insiemi di iperparametri e li migliora iterativamente. I candidati “ricchi” si allontanano da quelli “poveri”, mentre i “poveri” si spostano verso schemi osservati tra i più abili. L’articolo migliora questo schema con mappe matematiche caotiche che potenziano l’esplorazione dello spazio di ricerca. Per ogni candidato, il modello MobileNet viene addestrato e valutato dall’errore sui dati di validazione, e MPRO converge gradualmente su una configurazione che bilancia accuratezza e semplicità.

Quanto funziona nella pratica?

Testato su più batterie e tre dataset indipendenti (NASA, CALCE e Oxford), il sistema combinato MPRO-Improved MobileNet stima lo SOH con un errore quadratico medio (RMSE) di circa mezzo punto percentuale sui dati NASA, superando diverse alternative robuste, incluse reti neurali più grandi basate su Transformer, reti ricorrenti, foreste casuali e macchine a vettori di supporto. Anche il peggior errore individuale resta vicino a un punto percentuale, un livello di precisione prezioso per gestire garanzie, pianificare la sostituzione delle batterie ed evitare funzionamenti non sicuri. Importante, il modello mantiene questa performance usando molta meno memoria e calcolo rispetto a metodi di deep learning più pesanti, rendendolo pratico per il dispiegamento su hardware BMS embedded in veicoli elettrici e sistemi di accumulo di rete.

Che cosa significa per l’uso quotidiano delle batterie

Per i non specialisti, il messaggio chiave è che questo lavoro dimostra come un’IA intelligente ma efficiente possa tracciare con affidabilità quanto una batteria sia “invecchiata”, usando solo i dati che un sistema batteria standard già misura. Stime di SOH migliori permettono a costruttori di auto e operatori di rete di prolungare la vita delle batterie in sicurezza, programmare manutenzioni prima che emergano problemi e decidere quando batterie usate sono ancora adatte per una seconda vita in ruoli meno esigenti. Sebbene il metodo richieda ancora test sul campo in condizioni più rumorose e reali, rappresenta un passo verso sistemi batteria che comprendono il proprio stato con precisione quasi clinica, migliorando silenziosamente sicurezza, prestazioni e sostenibilità dietro le quinte.

Citazione: 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

Parole chiave: batterie agli ioni di litio, stato di salute, sistemi di gestione della batteria, apprendimento profondo, MobileNet