Sistema di Imaging Termico con IA Potenzia la Sicurezza delle Batterie per Veicoli Elettrici
Un significativo balzo in avanti nella sicurezza dei veicoli elettrici è stato compiuto dai ricercatori dell’Università di Tianjin, che hanno sviluppato un innovativo sistema diagnostico basato sul deep learning in grado di identificare e localizzare con precisione i guasti termici nelle batterie agli ioni di litio con un’accuratezza del 95%. L’innovazione, denominata Lithium-ion Battery Intelligent Perception (LBIP), sfrutta l’imaging termico a infrarossi combinato con un algoritmo avanzato di segmentazione per rilevare le celle surriscaldate prima che inneschino la fuga termica, problema critico nel mercato in rapida espansione dei veicoli elettrici.
Mentre i costruttori automobilistici globali accelerano la transizione all’elettrificazione, garantire l’affidabilità e la sicurezza dei pacchi batteria ad alta capacità è diventata una priorità ingegneristica assoluta. Sebbene le batterie agli ioni di litio offrano alta densità energetica, peso ridotto e lunga durata del ciclo, rimangono vulnerabili a cortocircuiti interni, danni meccanici e stress termico. Questi problemi possono evolvere rapidamente in eventi catastrofici di fuga termica, inclusi incendi o esplosioni, specialmente nei moduli batteria compatti utilizzati nei veicoli elettrici moderni.
I metodi diagnostici tradizionali si basano spesso sul monitoraggio di tensione, corrente o stato di carica (SOC), integrati da sensori di temperatura puntuali. Tuttavia, questi approcci soffrono di una risoluzione spaziale limitata e dell’incapacità di catturare l’intero panorama termico di un pacco batteria in tempo reale. Inoltre, il posizionamento dei sensori influenza significativamente l’efficacia del rilevamento e l’aggiunta di ulteriori sensori aumenta la complessità e i costi del sistema senza garantire una copertura completa.
Il sistema LBIP affronta queste limitazioni trattando la diagnostica termica come un problema di computer vision. Invece di interpretare punti dati isolati, analizza immagini termiche complete delle superfici delle batterie, catturando modelli di distribuzione del calore che segnalano anomalie in fase iniziale. Questo approccio ricalca tecniche a lungo utilizzate nella manutenzione delle infrastrutture energetiche, ma ora adattate all’ambiente dinamico e compatto dei sistemi di accumulo di energia automobilistici.
Al centro di LBIP c’è un’architettura modificata Mask R-CNN (Region-based Convolutional Neural Network), un framework all’avanguardia per il rilevamento di oggetti e la segmentazione a livello di pixel. Il modello integra una struttura ResNet50 per l’estrazione delle caratteristiche con una Feature Pyramid Network (FPN) per consentire una percezione termica multi-scala, cruciale per identificare sia piccoli punti caldi localizzati sia anomalie termiche più ampie attraverso varie configurazioni di batterie.
Il team di ricerca ha generato un dataset di addestramento ad alta fedeltà utilizzando Ansys Fluent, una piattaforma commerciale di fluidodinamica computazionale ampiamente affidabile nelle simulazioni termiche ed elettrochimiche. È stato modellato una batteria al litio ferro fosfato (LFP) da 14,6 Ah in tre scenari operativi: ricarica a 1C, scarica a 1C e condizioni di cortocircuito interno. Per replicare un comportamento di guasto realistico, a una regione localizzata all’interno della cella simulata è stata assegnata una resistenza estremamente bassa, mimando gli effetti elettrici e termici di un cortocircuito interno.
Da queste simulazioni, sono state prodotte 48 immagini termiche (16 per scenario) e meticolosamente annotate utilizzando lo strumento open-source LabelMe. Ogni immagine è stata associata a una corrispondente maschera binaria che delinea i confini precisi dell’unità della batteria e il suo stato di guasto. Questo dataset ha consentito un addestramento robusto del modello LBIP, che è stato perfezionato a partire da una Mask R-CNN pre-addestrata per accelerare la convergenza e migliorare la generalizzazione.
I risultati dei test hanno dimostrato prestazioni eccezionali. Su un dataset a cella singola, il modello ha raggiunto una precisione media (AP) del 93,9% per il rilevamento del rettangolo di delimitazione e un notevole 96,7% per la segmentazione delle istanze, superando i tipici benchmark per i sistemi di rilevamento guasti industriali. Crucialmente, nei casi di cortocircuito interno, LBIP ha fornito un’accuratezza di classificazione del 100%, con punteggi di confidenza costantemente superiori a 0,94. Il sistema ha elaborato ogni immagine in soli 6,9 millisecondi, suggerendo un forte potenziale per l’implementazione in tempo reale.
I ricercatori hanno ulteriormente convalidato LBIP su una configurazione di modulo batteria 1P3S (uno in parallelo, tre in serie), un layout comunemente presente nei pacchi trazione per veicoli elettrici. Quando singole celle all’interno del modulo sono state simulate in guasto, LBIP ha identificato e segmentato con successo l’unità difettosa con un’accuratezza del 100% nella localizzazione e dell’86,7% nella segmentazione. Questi risultati confermano l’adattabilità del modello oltre le celle isolate a architetture di pacchi più complesse e reali.
A differenza dei modelli basati sulla fisica che richiedono un’ampia parametrizzazione e sono spesso troppo intensivi dal punto di vista computazionale per i sistemi di bordo, LBIP opera esclusivamente su dati termici superficiali, un vantaggio per l’integrazione con l’hardware esistente di gestione termica. I veicoli elettrici moderni impiegano già sensori a infrarossi o telecamere termiche per il monitoraggio dell’abitacolo o della batteria; LBIP potrebbe essere implementato come uno strato software su tali sistemi, richiedendo un hardware aggiuntivo minimo.
Questo paradigma basato sulla visione si allinea anche con le tendenze del settore verso la diagnostica veicolare guidata dai dati e potenziata dall’intelligenza artificiale. Aziende come Tesla, BYD e Rivian stanno incorporando sempre più l’apprendimento automatico nei sistemi di gestione della batteria (BMS) per prevedere il degrado e migliorare la sicurezza. LBIP rappresenta un’evoluzione naturale di questa tendenza, passando dalla telemetria scalare all’intelligenza spaziale.
Da una prospettiva di ingegneria della sicurezza, il rilevamento precoce dei guasti termici è vitale. Una volta che la fuga termica inizia, si propaga rapidamente, spesso in pochi secondi, rendendo l’intervento quasi impossibile. Identificando le anomalie durante la fase iniziale, LBIP consente misure proactive come la riduzione del carico, l’attivazione del raffreddamento o lo spegnimento del sistema, potenzialmente scongiurando disastri. Per gli operatori di flotte e i consumatori, questo si traduce in una maggiore fiducia nell’affidabilità dei veicoli elettrici.
Inoltre, la metodologia senza contatto del sistema elimina la necessità di sensori incorporati che possono degradarsi nel tempo o interferire con la chimica delle celle. L’imaging termico è intrinsecamente scalabile: che si monitori un singolo modulo o un intero pacco batteria che si estende su più moduli, lo stesso algoritmo si applica con un’accuratezza costante.
La ricerca sottolinea anche la crescente sinergia tra simulazione ad alta fedeltà e apprendimento automatico. Utilizzando Ansys Fluent per generare dati termici sintetici ma fisicamente fondati, il team ha aggirato le sfide logistiche e di sicurezza della raccolta di dati di guasto del mondo reale, specialmente per eventi rari ma pericolosi come i cortocircuiti interni. Questa pipeline ibrida simulazione-visione potrebbe servire come modello per lo sviluppo di diagnostica IA in altri ambiti ad alto rischio, dall’aerospaziale allo stoccaggio energetico su scala di rete.
Sebbene l’implementazione attuale elabori immagini termiche statiche, gli autori riconoscono che il lavoro futuro si concentrerà sull’analisi termica dinamica delle serie temporali per catturare le traiettorie di guasto in evoluzione. Flussi video in tempo reale da telecamere termiche potrebbero alimentare un’estensione ricorrente o basata su transformer di LBIP, abilitando monitoraggio continuo e avvisi predittivi, chiave per i sistemi di sicurezza autonomi di prossima generazione.
Notevolmente, la scelta della chimica LFP, un’alternativa popolare e intrinsecamente più sicura rispetto alle batterie NMC ricche di nichel, non limita l’applicabilità del modello. Le firme termiche del guasto (ad esempio, riscaldamento localizzato, distribuzione asimmetrica della temperatura) sono ampiamente consistenti tra le varie chimiche agli ioni di litio, suggerendo che LBIP potrebbe essere riaddestrato per altri tipi di celle con minimo sforzo.
Le implicazioni si estendono oltre i veicoli passeggeri. Autobus elettrici, camion commerciali e persino installazioni stazionarie di accumulo di energia affrontano rischi termici simili. Mentre la capacità globale di accumulo di energia è in forte aumento, prevista superare 1.000 GWh entro il 2030, diagnostiche intelligenti e scalabili come LBIP saranno essenziali per mantenere la stabilità della rete e la sicurezza pubblica.
Gli organismi di regolamentazione stanno prendendo nota. Organizzazioni di standardizzazione come SAE International e la International Electrotechnical Commission (IEC) stanno enfatizzando sempre più la prevenzione della fuga termica nelle linee guida sulla sicurezza delle batterie. Le tecnologie che offrono miglioramenti dimostrabili e quantificabili nel rilevamento dei guasti potrebbero influenzare i futuri requisiti di certificazione.
Per i costruttori di automobili, l’integrazione di tali sistemi potrebbe anche mitigare i rischi di responsabilità e ridurre i costi di garanzia associati ai guasti delle batterie. Più in generale, supporta la narrativa di sostenibilità del settore: batterie più sicure significano cicli di vita più lunghi, meno sostituzioni e maggiore fiducia dei consumatori nell’elettrificazione.
Il framework LBIP esemplifica i principi delle linee guida EEAT (Esperienza, Competenza, Autorevolezza, Affidabilità) di Google. Sviluppato da un team multidisciplinare con profonda competenza in sistemi energetici, apprendimento automatico e ingegneria termica, il lavoro ha subito una revisione tra pari rigorosa ed è stato pubblicato in una rivista indicata ad alto impatto. La metodologia è trasparente, riproducibile e fondata su pratiche computazionali e di intelligenza artificiale consolidate.
Man mano che il mercato dei veicoli elettrici matura, la differenziazione competitiva dipenderà non solo dall’autonomia o dalla velocità di ricarica, ma anche dalla sicurezza, dall’intelligenza e dalla resilienza dei sistemi. Innovazioni come LBIP posizionano l’intelligenza artificiale non come una parola d’ordine, ma come un livello tangibile di protezione, che osserva, analizza e salvaguarda silenziosamente ogni viaggio.
Autori: TIAN Luyu, DONG Chaoyu, MU Yunfei, YU Xiaodan, XIAO Qian, JIA Hongjie
Affiliazione: Scuola di Ingegneria Elettrica e dell’Informazione, Università di Tianjin, Tianjin 300072, Cina
Rivista: High Voltage Engineering, Vol. 50, No. 6, pp. 2502–2510, 30 giugno 2024
DOI: 10.13336/j.1003-6520.hve.20231425