Een verbeterde MobileNet gebaseerd op een aangepast Poor and Rich Optimalisatie-algoritme voor schatting van de staat-van-gezondheid van lithium-ionbatterijen

Waarom slimmere batterijcontroles belangrijk zijn

Lithium-ionbatterijen voeden geruisloos onze telefoons, laptops, elektrische auto's en zelfs delen van het elektriciteitsnet. Maar net als mensen verouderen batterijen, en als hun toestand verkeerd wordt ingeschat kan dat variëren van vervelende actieradiusverlies tot gevaarlijke storingen en branden. Dit artikel introduceert een nieuwe manier om de "pols" van batterijen te meten met een compact kunstmatig-intelligentie­model dat snel genoeg draait voor echte batterijbeheersystemen, terwijl het de batterijgezondheid met opmerkelijk lage fout schat.

Het ware batterij­toestand bijhouden

Batterijpacks worden bewaakt door een Battery Management System (BMS), dat continu spanning, stroom en temperatuur volgt om alles binnen veilige grenzen te houden. Een van de lastigste taken is het schatten van de State-of-Health (SOH) – in essentie hoeveel nuttige levensduur een batterij nog heeft vergeleken met toen deze nieuw was. SOH kan niet direct worden gemeten tijdens normaal gebruik, dus moet worden afgeleid uit die routinematige signalen. Traditionele fysische modellen kunnen nauwkeurig zijn, maar zijn vaak complex, traag en gevoelig voor het exacte batterijontwerp en de bedrijfsomstandigheden. Data-gedreven benaderingen op basis van machine learning bieden meer flexibiliteit, maar veel krachtige deep-learningmodellen zijn te zwaar om te draaien op kleine, energiezuinige chips in voertuigen of stationaire opslagsystemen.

Van ruwe signalen naar subtiele tekenen van veroudering

De auteurs beginnen met het zorgvuldig verwerken van echte testgegevens van lithium-ioncellen uit meerdere bekende onderzoeksdatasets, waaronder de veelgebruikte batterijverouderingsexperimenten van NASA. Tijdens elke laad–ontlaadcyclus registreren ze spanning, stroom en temperatuur eenmaal per seconde over duizenden cycli. Uit deze ruwe signalen halen ze kenmerken die bijzonder gevoelig zijn voor veroudering. Zo analyseren ze de vorm van de spanningscurve tijdens constante-stroomladen en berekenen ze incrementele capaciteitscurven, die kleine verschuivingen benadrukken in hoeveel lading bij elke spanning stroomt. Naarmate batterijen slijten, veranderen deze curves subtiel van vorm en positie, wat een soort vingerafdruk van interne degradatie oplevert. Het resultaat is een schone, genormaliseerde set eendimensionale tijdreeksen die aan een neuraal netwerk kunnen worden aangeboden.

Een slank neuraal netwerk op maat van batterij­signalen

Om deze signalen om te zetten in SOH-schattingen past de studie een familie van lichtgewicht beeldherkenningsnetwerken aan, bekend als MobileNet. In plaats van met afbeeldingen te werken, herontwerpen de auteurs het model rond eendimensionale convoluties die langs de tijd as schuiven, zodat het patronen kan oppikken in hoe spanningen en stromen tijdens een laadcyclus evolueren. Ze voegen ook kleine aandachtblokken toe, zogenaamde "Squeeze-and-Excitation"-eenheden, die het netwerk helpen zich te concentreren op de meest informatieve delen van het signaal, zoals spanningsregio's die duidelijk verschuiven met veroudering. Ten slotte herschikken ze de output zodat het netwerk een continue SOH-waarde voorspelt in plaats van een categorie, en trainen ze het om het verschil tussen voorspelde en werkelijke gezondheid te minimaliseren. Ondanks deze verfijningen blijft het model klein: ongeveer 1,1 miljoen parameters en een gemiddelde voorspeltijd van slechts enkele milliseconden.

Een algoritme de knoppen laten afstellen

Deep-learningmodellen hebben veel ontwerpskeuzes, of hyperparameters: leersnelheid, aantal filters, dropout-sterkte en meer. In plaats van deze handmatig af te stemmen, gebruiken de auteurs een metaheuristische optimizer genaamd Modified Poor and Rich Optimization (MPRO). Geïnspireerd door interacties tussen rijkere en armere groepen in een samenleving, onderhoudt dit algoritme een populatie van kandidaat-hyperparametersets en verbetert die iteratief. De "rijke" kandidaten bewegen zich weg van de "arme" en de "arme" verschuiven naar patronen die gezien worden bij succesvolle kandidaten. Het artikel verbetert dit schema met chaotische wiskundige kaarten die de verkenning van de zoekruimte verbeteren. Voor elke kandidaat wordt het MobileNet-model getraind en beoordeeld op zijn fout op validatiegegevens, en MPRO convergeert geleidelijk naar een configuratie die nauwkeurigheid en eenvoud in balans brengt.

Hoe goed werkt het in de praktijk?

Getest op meerdere batterijen en drie onafhankelijke datasets (NASA, CALCE en Oxford) schat het gecombineerde MPRO-Improved MobileNet-systeem de SOH met een gemiddelde root-mean-square fout van ruwweg een halve procentpunt op NASA-gegevens, waarmee het meerdere sterke alternatieven verslaat, waaronder grotere transformer-gebaseerde neurale netwerken, recurrente netwerken, random forests en support vector machines. Zelfs de slechtste individuele voorspellingsfout blijft dicht bij één procentpunt, een nauwkeurigheidsniveau dat waardevol is voor het beheren van garanties, het plannen van batterijvervanging en het voorkomen van onveilige werking. Belangrijk is dat het model deze prestatie behoudt terwijl het veel minder geheugen en rekenkracht gebruikt dan zwaardere deep-learningmethoden, wat het praktisch maakt voor inzet op ingebedde BMS-hardware in elektrische voertuigen en netopslagsystemen.

Wat dit betekent voor dagelijks batterijgebruik

Voor niet‑specialisten is de kernboodschap dat dit werk laat zien hoe een slimme maar efficiënte AI betrouwbaar kan bijhouden hoe "oud" een batterij in werkelijkheid is, met alleen data die een standaard batterijsysteem al meet. Betere SOH-schattingen stellen autofabrikanten en netbeheerders in staat de batterijduur veilig te rekken, onderhoud te plannen voordat problemen ontstaan en te bepalen wanneer gebruikte batterijen nog goed genoeg zijn voor een tweede leven in minder veeleisende toepassingen. Hoewel de methode nog veldtesten nodig heeft in luidruchtigere, reële omstandigheden, is het een stap richting batterijsystemen die hun eigen toestand met bijna klinische precisie begrijpen en stilletjes veiligheid, prestaties en duurzaamheid achter de schermen verbeteren.

Bronvermelding: 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

Trefwoorden: lithium-ionbatterijen, staat van gezondheid, batterijbeheersystemen, deep learning, MobileNet