Um MobileNet melhorado com um algoritmo modificado Poor and Rich Optimization para estimativa do estado de saúde de baterias de íon-lítio

Por que check-ups de bateria mais inteligentes importam

Baterias de íon-lítio alimentam discretamente nossos telefones, laptops, carros elétricos e até partes da rede elétrica. Mas, como as pessoas, as baterias envelhecem e, se sua saúde for mal avaliada, as consequências podem variar desde perda irritante de autonomia até falhas perigosas e incêndios. Este artigo apresenta uma nova forma de “checar o pulso” das baterias usando um modelo compacto de inteligência artificial que roda rápido o suficiente para sistemas reais de gerenciamento de baterias, estimando o estado de saúde com erro notavelmente baixo.

Acompanhando a condição real de uma bateria

Os packs de bateria são supervisionados por um Sistema de Gerenciamento de Bateria, ou BMS, que monitora continuamente tensão, corrente e temperatura para manter tudo dentro de limites seguros. Uma das tarefas mais difíceis é estimar o Estado de Saúde (SOH) – essencialmente, quanto de vida útil útil resta à bateria em comparação com quando era nova. O SOH não pode ser medido diretamente durante o uso normal, então precisa ser inferido a partir desses sinais rotineiros. Modelos tradicionais baseados em física podem ser precisos, mas tendem a ser complexos, lentos e sensíveis ao desenho exato da bateria e às condições de operação. Abordagens orientadas por dados, baseadas em aprendizado de máquina, prometem mais flexibilidade, porém muitos modelos de deep learning poderosos são pesados demais para rodar em chips pequenos e de baixo consumo dentro de veículos ou sistemas de armazenamento estacionário.

De sinais brutos a sinais sutis de envelhecimento

Os autores começam processando cuidadosamente dados de teste reais de células de íon-lítio em vários conjuntos de dados de pesquisa bem conhecidos, incluindo os experimentos de envelhecimento de baterias amplamente usados da NASA. Durante cada ciclo de carga–descarga, eles registram tensão, corrente e temperatura uma vez por segundo ao longo de milhares de ciclos. A partir desses sinais brutos, extraem características particularmente sensíveis ao envelhecimento. Por exemplo, analisam a forma da curva de tensão durante a carga em corrente constante e calculam curvas de capacidade incremental, que destacam pequenas variações em quanta carga flui em cada tensão. À medida que as baterias se desgastam, essas curvas mudam sutilmente de forma e posição, fornecendo uma espécie de impressão digital da degradação interna. O resultado é um conjunto limpo e normalizado de séries temporais unidimensionais que pode ser alimentado em uma rede neural.

Uma rede neural enxuta feita sob medida para sinais de bateria

Para transformar esses sinais em estimativas de SOH, o estudo adapta uma família de redes leves de reconhecimento de imagens conhecidas como MobileNet. Em vez de trabalhar com imagens, os autores redesenham o modelo em torno de convoluções unidimensionais que percorrem o tempo, permitindo capturar padrões em como tensões e correntes evoluem durante uma carga. Eles também adicionam pequenos blocos de atenção chamados unidades “Squeeze-and-Excitation”, que ajudam a rede a focalizar as partes mais informativas do sinal, como regiões de tensão que se deslocam visivelmente com o envelhecimento. Finalmente, reformulam a saída para que a rede preveja um valor contínuo de SOH em vez de uma categoria, e a treinam para minimizar a diferença entre saúde prevista e real. Apesar desses refinamentos, o modelo permanece pequeno: cerca de 1,1 milhão de parâmetros e um tempo médio de previsão de apenas alguns milissegundos.

Deixando um algoritmo ajustar os controles

Modelos de deep learning têm muitas escolhas de projeto, ou hiperparâmetros: taxa de aprendizagem, número de filtros, intensidade do dropout e outros. Em vez de ajustar isso manualmente, os autores usam um otimizador metaheurístico chamado Modified Poor and Rich Optimization (MPRO). Inspirado em interações entre grupos mais ricos e mais pobres numa sociedade, esse algoritmo mantém uma população de conjuntos candidatos de hiperparâmetros e os melhora iterativamente. Os candidatos “ricos” se afastam dos “pobres”, enquanto os “pobres” se aproximam de padrões observados entre os bem-sucedidos. O artigo aprimora esse esquema com mapas caóticos matemáticos que melhoram a exploração do espaço de busca. Para cada candidato, o modelo MobileNet é treinado e avaliado pelo erro em dados de validação, e o MPRO converge gradualmente para uma configuração que equilibra precisão e simplicidade.

Qual é o desempenho na prática?

Testado em múltiplas baterias e três conjuntos de dados independentes (NASA, CALCE e Oxford), o sistema combinado MPRO-MobileNet melhorado estima o SOH com um erro quadrático médio (RMSE) de cerca de meio ponto percentual nos dados da NASA, superando várias alternativas fortes, incluindo redes maiores baseadas em Transformers, redes recorrentes, random forests e máquinas de vetor de suporte. Mesmo o pior erro individual de previsão fica próximo a um ponto percentual, um nível de precisão valioso para gerenciar garantias, planejar substituição de baterias e evitar operação insegura. Importante, o modelo mantém esse desempenho usando muito menos memória e computação do que métodos pesados de deep learning, tornando-o prático para implantação em hardware embarcado de BMS em veículos elétricos e sistemas de armazenamento de rede.

O que isso significa para o uso cotidiano de baterias

Para não especialistas, a mensagem principal é que este trabalho mostra como uma IA inteligente, porém eficiente, pode acompanhar de forma confiável quão “velha” uma bateria realmente está, usando apenas dados que um sistema de bateria padrão já mede. Estimativas de SOH melhores permitem que fabricantes de automóveis e operadores de rede estendam a vida útil das baterias com segurança, programem manutenção antes que problemas ocorram e decidam quando baterias usadas ainda servem para uma segunda vida em funções menos exigentes. Embora o método ainda precise de testes de campo em condições do mundo real, mais ruidosas, ele marca um avanço rumo a sistemas de bateria que entendem sua própria condição com precisão quase clínica, melhorando silenciosamente segurança, desempenho e sustentabilidade nos bastidores.

Citação: 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

Palavras-chave: baterias de íon-lítio, estado de saúde, sistemas de gerenciamento de baterias, aprendizado profundo, MobileNet