Rivoluzione nel Rilevamento Guasti Batterie: Focus su Rischi Estivi e Invernali
Con l’adozione globale di veicoli elettrici in rapida crescita, un nuovo approccio basato sull’analisi dati per la diagnosi dei guasti delle batterie sta offrendo a produttori e gestori di flotte uno strumento potente per prevenire malfunzionamenti, specialmente durante i mesi estivi e invernali ad alto rischio. Sviluppato dai ricercatori dell’Università di Scienza e Tecnologia di Kunming e dell’Università di Chongqing, il metodo utilizza l’analisi di big data e il machine learning non supervisionato per rilevare, localizzare e classificare le anomalie nei pacchi batteria agli ioni di litio con precisione senza precedenti, senza fare affidamento su complessi modelli elettrochimici.
L’innovazione arriva in un momento cruciale. Nonostante i progressi nella chimica delle batterie e nei sistemi di gestione (BMS), eventi imprevisti di fuga termica e degrado delle prestazioni continuano a minare la fiducia dei consumatori e aumentare i costi di garanzia. I metodi diagnostici tradizionali spesso faticano a identificare le deviazioni sottili nelle prime fasi che precedono il guasto catastrofico. Questo nuovo framework, validato su tre anni di dati operativi reali provenienti da più veicoli elettrici, dimostra una solida capacità di identificare sia difetti di progettazione sistemici che guasti improvvisi causati da incidenti, fornendo una doppia protezione per la mobilità di prossima generazione.
Al centro del sistema si trova una pipeline analitica multi-fase che trasforma i dati grezzi di telemetria della tensione provenienti da veicoli elettrici connessi al cloud in informazioni azionabili. Il processo inizia con il t-distributed Stochastic Neighbor Embedding (t-SNE), una tecnica non lineare di riduzione della dimensionalità che comprime sequenze di tensione ad alta dimensionalità provenienti da dozzine di singole celle in una mappa bidimensionale. Questa fase di visualizzazione rivela cluster nascosti e valori anomali che altrimenti rimarrebbero sepolti in terabyte di dati temporali.
Dopo la riduzione della dimensionalità, il team applica il clustering K-means per suddividere i dati in gruppi comportamentali distinti. Le celle normali si concentrano strettamente attorno ai centroidi dei cluster, mentre le unità anomale appaiono come punti isolati o formano piccoli cluster divergenti. Per individuare l’esatta cella difettosa, i ricercatori introducono un nuovo coefficiente diagnostico basato sulle statistiche dello Z-score. Misurando quante deviazioni standard la tensione di una cella si discosta dalla media del pacco in un dato momento, l’algoritmo segnala i valori anomali con alta sensibilità, anche quando la differenza di tensione assoluta è piccola.
“Ciò che rende pratico questo approccio per l’implementazione nel mondo reale è la sua natura libera da modelli”, spiega Jiangwei Shen, autore principale e sperimentatore senior presso l’Università di Scienza e Tecnologia di Kunming. “Non abbiamo bisogno di simulare reazioni elettrochimiche o calibrare parametri basati sulla fisica. Lavoriamo direttamente con i dati che il veicolo già raccoglie”.
Una volta che un’anomalia viene rilevata e localizzata, il sistema ne valuta la gravità utilizzando un meccanismo di punteggio ibrido che fonde la ponderazione entropica con il coefficiente di variazione. Questa metrica composita tiene conto sia della casualità che della dispersione delle fluttuazioni di tensione nel tempo, restituendo un “punteggio di anormalità” normalizzato per ogni cella. Nei test di validazione, la settima cella in un pacco di 30 celle ha registrato costantemente il punteggio di prestazione più basso, corroborando l’ispezione visiva della sua curva di tensione irregolare, che ha mostrato un calo di 236 millivolt durante la scarica.
Lo strato diagnostico finale utilizza un filtro statistico raffinato noto come 3σ-MSS (Strategia di Screening Multi-livello 3-sigma). A differenza delle convenzionali regole 3-sigma che presuppongono una distribuzione gaussiana statica, il 3σ-MSS ricalcola iterativamente la media e la deviazione standard dopo ogni ciclo di rimozione dei valori anomali. Questa ricalibrazione dinamica previene distorsioni del centro di massa causate da valori estremi, risultando in stime più accurate della probabilità di guasto.
Applicato a dati longitudinali di quattro veicoli elettrici identici in un periodo di un mese, il metodo ha chiaramente distinto due tipologie di guasto. In un veicolo, una singola cella (numero 20) ha mostrato una probabilità di guasto dell’1,7%, significativamente superiore a quella delle altre (<0,5%), senza uno schema ricorrente nel tempo. I ricercatori hanno classificato questo come un guasto transitorio, probabilmente innescato da uno shock esterno o da un difetto di fabbricazione attivato sotto stress. Al contrario, altri tre veicoli hanno mostrato probabilità di guasto uniformemente basse (<2%) in tutte le celle, con modelli spaziali consistenti. Questi sono stati etichettati come guasti sistemici, indicando inconsistenze intrinseche di progettazione o assemblaggio.
In modo cruciale, il team ha confrontato il 3σ-MSS con due algoritmi consolidati di rilevamento valori anomali: Local Outlier Factor (LOF) e Connectivity-based Outlier Factor (COF). Sebbene tutti e tre i metodi abbiano identificato le stesse celle problematiche, il 3σ-MSS ha dimostrato una stabilità superiore attraverso le diverse gamme di probabilità. Il LOF tendeva a sovrastimare gli eventi ad alta probabilità, mentre il COF sottostimava le anomalie a bassa frequenza. L’algoritmo 3σ-MSS ha mantenuto una calibrazione coerente, rendendolo più adatto per la pianificazione della manutenzione basata sul rischio.
La convalida più convincente è emersa dall’analisi stagionale. Utilizzando tre anni di dati operativi di dieci veicoli elettrici, i ricercatori hanno segmentato le occorrenze dei guasti per stagione meteorologica. I risultati hanno rivelato un marcato modello bimodale: le probabilità medie di guasto in primavera e autunno si aggiravano rispettivamente attorno all’1,54% e al 3,07%, condizioni relativamente benigne. Ma in estate, la media è salita al 4,31%, con un picco di probabilità per singola cella del 4,95%. L’inverno è stato ancora più severo, con una media del 4,59% e un massimo del 9,52%.
Questi risultati sono in linea con il comportamento elettrochimico noto. Le alte temperature ambientali accelerano le reazioni parassite, degradano le interfacce solido-elettrolita e aumentano la resistenza interna, aumentando il rischio di fuga termica. Al contrario, le temperature fredde ostacolano la mobilità ionica, promuovono la placcatura del litio durante la carica e aggravano gli squilibri di tensione durante la scarica. I dati confermano che questi stress ambientali si traducono direttamente in segnali di guasto misurabili.
Un caso di studio illustra il potere diagnostico del metodo. Nel quarto veicolo di prova, il primo anno ha mostrato una modesta probabilità di guasto del 2% nella cella 19, suggerendo un problema cronico a bassa gravità. Ma nel secondo anno, la cella 28 è schizzata al 12,69% il giorno 36, superando di gran lunga la media giornaliera del pacco del 4,17%. Un picco simile si è verificato nel terzo anno, con la cella 16 che ha raggiunto il 14,14% il giorno 6 contro un baseline del 3,71%. La posizione non ripetitiva e la deviazione estrema indicano fortemente un trauma esterno, forse una collisione o un impatto stradale severo, che ha compromesso l’integrità della cella.
Per i produttori di automobili, diagnosi così granulari consentono strategie di manutenzione predittiva personalizzate in base al clima e ai modelli di utilizzo. Le flotte operative in Arizona o Texas potrebbero ricevere avvisi specifici per l’estate per ispezionare i sistemi di raffreddamento o limitare le velocità di ricarica rapida. In Scandinavia o Canada, i protocolli invernali potrebbero includere routine di pre-riscaldamento o controlli del bilanciamento della tensione prima delle escursioni sotto zero.
Dal punto di vista della sicurezza, la capacità di distinguere tra guasti sistemici e transitori ha implicazioni profonde. I problemi sistemici richiedono revisioni progettuali o richiami di lotto, mentre gli eventi transitori possono richiedere solo la sostituzione isolata della cella. Questa precisione riduce i tempi di inattività non necessari e abbassa i costi del ciclo di vita.
Inoltre, l’intera pipeline funziona con dati già raccolti dalla maggior parte dei veicoli elettrici moderni tramite bus CAN e trasmessi alle piattaforme cloud ogni 10 secondi. Non sono necessari sensori aggiuntivi o modifiche hardware, rendendo la soluzione altamente scalabile.
Gli esperti del settore notano che la pressione normativa sta aumentando per una reportistica più trasparente sullo stato di salute delle batterie. La prossima Battery Regulation dell’Unione Europea impone passaporti digitali per le batterie che traccino le metriche di prestazione e sicurezza durante l’intera vita di una cella. Allo stesso modo, la National Highway Traffic Safety Administration (NHTSA) statunitense ha intensificato lo scrutinio sugli incidenti da incendio di veicoli elettrici. Strumenti come questo potrebbero aiutare i produttori a soddisfare i requisiti di conformità migliorando al contempo la fiducia nel marchio.
“Questo non è solo accademico”, afferma Zheng Chen, professore e autore corrispondente presso l’Università di Scienza e Tecnologia di Kunming. “Abbiamo dimostrato che, con le giuste analisi, i flussi di dati esistenti possono diventare sistemi di allerta precoce. Il prossimo passo è integrare questo nel firmware BMS in tempo reale, non solo per l’analisi post-hoc”.
Il team di ricerca sta ora esplorando l’integrazione con gli stimatori dello stato di carica (SOC) e dello stato di salute (SOH) per creare una suite diagnostica unificata. I lavori futuri si concentreranno anche sulla previsione della vita utile residua delle celle anomale e sullo sviluppo di protocolli di intervento che si attivino prima che le probabilità di guasto superino le soglie critiche.
Man mano che i veicoli elettrici evolvono in piattaforme definite dal software, il confine tra veicolo e prodotto dati si offusca. Questo studio esemplifica come la scienza dei dati, applicata con competenza di dominio, possa estrarre valore latente dalla telemetria operativa, trasformando il monitoraggio passivo in mitigazione attiva del rischio. Per un’industria che corre per offrire una mobilità elettrica più sicura e affidabile, tali innovazioni potrebbero rivelarsi tanto vitali quanto i progressi nella chimica delle celle stesse.
Shen Jiangwei¹, Yan Chuan¹, Liu Yonggang², Shen Shiquan¹, Chen Zheng¹
¹Dipartimento di Ingegneria dei Trasporti, Università di Scienza e Tecnologia di Kunming, Kunming 650000, Cina
²Dipartimento di Ingegneria Meccanica e Veicoli, Università di Chongqing, Chongqing 400030, Cina
Transactions of China Electrotechnical Society, Vol. 39, No. 24, Dic. 2024
DOI: 10.19595/j.cnki.1000-6753.tces.231983