Udoskonalony MobileNet oparty na zmodyfikowanym algorytmie Poor and Rich Optimization do estymacji stanu zdrowia akumulatorów litowo-jonowych

Dlaczego inteligentniejsze kontrolowanie baterii ma znaczenie

Akumulatory litowo-jonowe cicho zasilały nasze telefony, laptopy, samochody elektryczne, a także fragmenty sieci energetycznej. Ale podobnie jak ludzie, baterie się starzeją, a błędna ocena ich stanu może skutkować od uciążliwej utraty zasięgu po groźne awarie i pożary. W artykule przedstawiono nowy sposób „sprawdzania pulsu” baterii przy użyciu zwartego modelu sztucznej inteligencji, który działa wystarczająco szybko dla rzeczywistych systemów zarządzania baterią, jednocześnie estymując stan zdrowia z zaskakująco niskim błędem.

Śledzenie rzeczywistego stanu baterii

Paki baterii nadzoruje System Zarządzania Baterią (BMS), który ciągle monitoruje napięcie, prąd i temperaturę, aby utrzymać wszystko w bezpiecznych granicach. Jednym z jego najtrudniejszych zadań jest estymacja State-of-Health (SOH) – w praktyce ile użytecznej żywotności pozostało w baterii w porównaniu z jej nowym stanem. SOH nie da się zmierzyć bezpośrednio podczas normalnej eksploatacji, więc trzeba go wywnioskować z tych rutynowych sygnałów. Tradycyjne modele oparte na fizyce mogą być dokładne, ale zwykle są złożone, wolne i wrażliwe na specyficzną konstrukcję baterii oraz warunki pracy. Podejścia oparte na danych z uczenia maszynowego dają większą elastyczność, lecz wiele wydajnych modeli głębokiego uczenia jest zbyt ciężkich, by działać na małych, energooszczędnych układach wewnątrz pojazdów czy stacjonarnych systemów magazynowania energii.

Od surowych sygnałów do subtelnych oznak starzenia

Autorzy zaczynają od starannego przetwarzania rzeczywistych danych testowych z ogniw litowo-jonowych pochodzących z kilku dobrze znanych zestawów badawczych, w tym szeroko wykorzystywanych eksperymentów NASA dotyczących starzenia baterii. Podczas każdego cyklu ładowania i rozładowania rejestrują napięcie, prąd i temperaturę z częstotliwością raz na sekundę przez tysiące cykli. Z tych surowych sygnałów wydobywają cechy szczególnie wrażliwe na starzenie. Na przykład analizują kształt krzywej napięcia podczas ładowania stałoprądowego i obliczają przyrostowe krzywe pojemności, które uwydatniają drobne przesunięcia w ilości ładunku przepływającego przy określonym napięciu. W miarę zużywania się baterii te krzywe subtelnie zmieniają kształt i położenie, tworząc swoisty odcisk palca degradacji wewnętrznej. Rezultatem jest czysty, znormalizowany zestaw jednowymiarowych szeregów czasowych, który można podać do sieci neuronowej.

Szczupła sieć neuronowa dostosowana do sygnałów baterii

Aby przekształcić te sygnały w estymaty SOH, badanie adaptuje rodzinę lekkich sieci rozpoznawania obrazów znanych jako MobileNet. Zamiast pracować z obrazami, autorzy przeprojektowali model wokół jednowymiarowych konwolucji przesuwających się wzdłuż czasu, dzięki czemu potrafi wychwycić wzorce ewolucji napięć i prądów podczas ładowania. Dodali także niewielkie bloki uwagi zwane jednostkami „Squeeze-and-Excitation”, które pomagają sieci skupić się na najbardziej informatywnych fragmentach sygnału, takich jak obszary napięcia przesuwające się zauważalnie wraz ze starzeniem. Na końcu przekształcili wyjście tak, by sieć przewidywała ciągłą wartość SOH zamiast kategorii, trenując ją w celu minimalizacji różnicy między przewidywanym a rzeczywistym stanem zdrowia. Pomimo tych ulepszeń model pozostaje niewielki: około 1,1 miliona parametrów i średni czas predykcji rzędu kilku milisekund.

Pozwolenie algorytmowi na strojenie ustawień

Modele głębokiego uczenia mają wiele wyborów projektowych, czyli hiperparametrów: tempo uczenia, liczba filtrów, siła dropout i inne. Zamiast ręcznego strojenia, autorzy używają metaheurystycznego optymalizatora nazwanego Modified Poor and Rich Optimization (MPRO). Zainspirowany interakcjami między zamożniejszymi i biedniejszymi grupami w społeczeństwie, algorytm utrzymuje populację kandydatów na zestawy hiperparametrów i iteracyjnie je poprawia. „Bogatsi” kandydaci oddalają się od „biedniejszych”, podczas gdy „biedni” przesuwają się w kierunku schematów obserwowanych wśród odnoszących sukcesy. Artykuł wzbogaca ten schemat o chaotyczne odwzorowania matematyczne, które poprawiają eksplorację przestrzeni poszukiwań. Dla każdego kandydata trenowany jest model MobileNet i oceniany na podstawie błędu na danych walidacyjnych, a MPRO stopniowo zbiega do konfiguracji równoważącej dokładność i prostotę.

Jak dobrze to działa w praktyce?

Testowany na wielu bateriach i trzech niezależnych zbiorach danych (NASA, CALCE i Oxford), połączony system MPRO-Udoskonalony MobileNet estymuje SOH z średnim błędem średniokwadratowym rzędu około pół punktu procentowego na danych NASA, przewyższając kilka mocnych alternatyw, w tym większe sieci oparte na Transformerach, sieci rekurencyjne, lasy losowe i maszyny wektorów nośnych. Nawet najgorszy pojedynczy błąd predykcji pozostaje bliski jednego punktu procentowego, co jest precyzją cenną dla zarządzania gwarancjami, planowania wymiany baterii i unikania niebezpiecznej eksploatacji. Co istotne, model utrzymuje tę wydajność przy znacznie mniejszym zużyciu pamięci i obliczeń niż cięższe metody głębokiego uczenia, co czyni go praktycznym do wdrożenia na wbudowanym sprzęcie BMS w pojazdach elektrycznych i systemach magazynowania sieciowego.

Co to znaczy dla codziennego użycia baterii

Dla osób niebędących specjalistami kluczowy przekaz jest taki: praca ta pokazuje, że inteligentna, lecz wydajna sztuczna inteligencja może niezawodnie śledzić, jak „stara” jest bateria, używając jedynie danych, które standardowy system baterii już mierzy. Lepsze estymaty SOH pozwalają producentom samochodów i operatorom sieci bezpiecznie wydłużać żywotność baterii, planować konserwację zanim pojawią się problemy oraz decydować, kiedy używane baterie nadają się jeszcze do ponownego użytku w mniej wymagających zastosowaniach. Choć metoda wciąż wymaga testów polowych w bardziej zaszumionych, rzeczywistych warunkach, stanowi krok w kierunku systemów baterii, które rozumieją własny stan z niemal kliniczną precyzją, cicho poprawiając bezpieczeństwo, wydajność i trwałość za kulisami.

Cytowanie: 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

Słowa kluczowe: akumulatory litowo-jonowe, stan zdrowia, systemy zarządzania baterią, uczenie głębokie, MobileNet