En förbättrad MobileNet baserad på en modifierad Poor and Rich-optimeringsalgoritm för uppskattning av litiumjonbatteriers hälsotillstånd

Varför smartare batterikontroller är viktiga

Litiumjonbatterier driver diskret våra telefoner, bärbara datorer, elbilar och till och med delar av elnätet. Men precis som människor åldras batterier, och om deras tillstånd felbedöms kan konsekvenserna variera från irriterande räckviddsförlust till farliga fel och bränder. Denna artikel presenterar ett nytt sätt att "ta batteriets puls" med en kompakt artificiell intelligensmodell som körs tillräckligt snabbt för verkliga batterihanteringssystem, samtidigt som den uppskattar batterihälsan med anmärkningsvärt låg felmarginal.

Att hålla koll på ett batteris verkliga skick

Batteripaket övervakas av ett Batterihanteringssystem, eller BMS, som kontinuerligt bevakar spänning, ström och temperatur för att hålla allt inom säkra gränser. En av dess svåraste uppgifter är att uppskatta State-of-Health (SOH) – i praktiken hur mycket kvarvarande nytt liv ett batteri har jämfört med när det var nytt. SOH kan inte mätas direkt under normal användning, så det måste härledas från dessa rutinmässiga signaler. Traditionella fysikbaserade modeller kan vara exakta, men de tenderar att vara komplexa, långsamma och känsliga för exakt batteridesign och driftförhållanden. Datadrivna metoder baserade på maskininlärning lovar större flexibilitet, men många kraftfulla djuplärande modeller är för tunga för att köras på små, strömsnåla kretsar i fordon eller stationära lagringssystem.

Från råa signaler till subtila tecken på åldrande

Författarna börjar med att noggrant bearbeta verkliga testdata från litiumjonceller i flera välkända forskningsdatabaser, inklusive NASAs ofta använda batteriåldringsförsök. Under varje laddnings–urladdningscykel registrerar de spänning, ström och temperatur en gång per sekund över tusentals cykler. Från dessa råa signaler extraherar de funktioner som är särskilt känsliga för åldrande. Till exempel analyserar de formen på spänningskurvan under konstantströmsladdning och beräknar inkrementella kapacitetskurvor, vilka framhäver små skift i hur mycket laddning som flödar vid varje spänningsnivå. När batterier slits förändras dessa kurvor subtilt i form och läge, vilket ger ett slags fingeravtryck av intern nedbrytning. Resultatet är en ren, normaliserad uppsättning endimensionella tidsserier som kan matas in i ett neuralt nätverk.

Ett slimmat neuralt nät anpassat till batterisignaler

För att omvandla dessa signaler till SOH-uppskattningar anpassar studien en familj av lättviktiga bildigenkänningsnätverk kända som MobileNet. I stället för att arbeta med bilder omformar författarna modellen kring endimensionella konvolutioner som skannar längs tiden, så att den kan fånga mönster i hur spänningar och strömmar utvecklas under en laddning. De lägger också till små uppmärksamhetsblock kallade "Squeeze-and-Excitation"-enheter, som hjälper nätverket att fokusera på de mest informativa delarna av signalen, till exempel spänningsområden som skiftar märkbart vid åldrande. Slutligen omformas utdata så att nätverket predicerar ett kontinuerligt SOH-värde istället för en kategori, och det tränas för att minimera skillnaden mellan förutspådd och verklig hälsa. Trots dessa förfiningar förblir modellen liten: cirka 1,1 miljoner parametrar och en genomsnittlig prediktionstid på bara några millisekunder.

Låta en algoritm ställa in rattarna

Djuplärande modeller har många designval, eller hyperparametrar: inlärningshastighet, antal filter, dropout-styrka med mera. Istället för att finjustera dessa för hand använder författarna en metaheuristisk optimerare kallad Modified Poor and Rich Optimization (MPRO). Inspirerad av interaktioner mellan rikare och fattigare grupper i ett samhälle, upprätthåller denna algoritm en population av kandidatuppsättningar av hyperparametrar och förbättrar dem iterativt. De "rika" kandidaterna rör sig bort från de "fattiga", medan de "fattiga" skiftar mot mönster som ses bland de framgångsrika. Artikeln förbättrar detta schema med kaotiska matematiska mappar som förbättrar utforskningen av sökrymden. För varje kandidat tränas MobileNet-modellen och bedöms efter dess fel på valideringsdata, och MPRO konvergerar gradvis mot en konfiguration som balanserar noggrannhet och enkelhet.

Hur bra fungerar det i praktiken?

Testat på flera batterier och tre oberoende dataset (NASA, CALCE och Oxford) uppskattar det kombinerade MPRO-förbättrade MobileNet-systemet SOH med ett genomsnittligt rotmedelkvadratfel på ungefär en halv procentenhet på NASA-data, och slår flera starka alternativ, inklusive större Transformer-baserade neurala nätverk, rekurrenta nätverk, random forests och support vector machines. Även det största enskilda prognosfelet förblir nära en procentenhet, en precisionsnivå som är värdefull för hantering av garantier, planering av batteribyte och undvikande av osäker drift. Viktigt är att modellen behåller denna prestanda samtidigt som den använder avsevärt mindre minne och beräkningsresurser än tyngre djuplärande metoder, vilket gör den praktisk att driftsätta på inbyggd BMS-hårdvara i elfordon och nätlagringssystem.

Vad detta betyder för vardagligt batterianvändande

För icke-specialister är huvudbudskapet att denna studie visar hur en smart men effektiv AI pålitligt kan spåra hur "gammalt" ett batteri verkligen är, med endast de data som ett standardbatterisystem redan mäter. Bättre SOH-uppskattningar gör det möjligt för biltillverkare och nätoperatörer att förlänga batteriets liv på ett säkert sätt, schemalägga underhåll innan problem uppstår och avgöra när begagnade batterier fortfarande är tillräckligt bra för ett andra liv i mindre krävande roller. Även om metoden fortfarande behöver fältprovning i bullrigare, verkliga förhållanden markerar den ett steg mot batterisystem som förstår sitt eget skick med nästan klinisk precision, och tyst förbättrar säkerhet, prestanda och hållbarhet bakom kulisserna.

Citering: 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

Nyckelord: litiumjonbatterier, hälsotillstånd, batterihanteringssystem, djuplärande, MobileNet