Nuovo Metodo Senza IA Monitora l’Invecchiamento delle Batterie
Un approccio rivoluzionario per tracciare il degrado della capacità delle batterie agli ioni di litio nei veicoli elettrici è stato sviluppato da ricercatori dell’Università di Jiangsu, offrendo una soluzione promettente a una delle sfide più persistenti nella gestione delle batterie: stimare accuratamente l’invecchiamento senza dipendere da test di laboratorio estesi o modelli pre-addestrati.
Lo studio, guidato dal dottor Paolo Lei dell’Istituto di Ricerca di Ingegneria Automobilistica dell’Università di Jiangsu, presenta una metodologia innovativa che ricostruisce una superficie tridimensionale – nota come superficie OCV – utilizzando dati operativi reali raccolti dai sistemi di gestione delle batterie (BMS) dei veicoli. Questo metodo consente l’estrazione continua e online delle traiettorie di capacità della batteria, essenziali per valutarne lo stato di salute, prevedere la vita utile residua e garantire affidabilità e sicurezza a lungo termine dei veicoli elettrici.
A differenza delle tecniche convenzionali che dipendono fortemente da esperimenti offline e ampi set di dati per addestrare modelli di machine learning, questo nuovo framework opera completamente senza addestramento. Sfrutta esclusivamente il comportamento tensionale naturale delle batterie durante i periodi di inattività, specificamente la tensione a circuito aperto (OCV), che riflette lo stato termodinamico della cella quando non scorre corrente. Analizzando come l’OCV evolve con lo stato di carica (SOC) e il numero di cicli nel tempo, i ricercatori hanno sviluppato un sistema autonomo in grado di mappare l’intero percorso di invecchiamento di una batteria dal primo utilizzo fino alla fine del ciclo vitale.
L’innovazione risiede nel modo in cui le misurazioni OCV sparse – spesso incomplete e rumorose a causa dei modelli di guida reali – vengono trasformate in una superficie coerente ed evolutiva. Nell’uso tipico del veicolo, le batterie raramente vengono caricate o scaricate completamente, e i periodi di riposo sono brevi e irregolari. Di conseguenza, i sistemi BMS raccolgono solo istantanee frammentate della curva OCV in vari punti della vita della batteria. Questi frammenti, sebbene individualmente insufficienti, contengono collettivamente ricche informazioni sul processo di invecchiamento.
Il team di Paolo ha riconosciuto che questi frammenti, sebbene sparsi, conservano caratteristiche di forma locali della relazione SOC-OCV sottostante. Ancora più importante, i frammenti dello stesso stadio di invecchiamento condividono caratteristiche di forma coerenti, mentre quelli di stadi diversi divergono a causa della diminuzione di capacità e del degrado degli elettrodi. Sfruttando questo principio – definito “compatibilità di forma” all’interno dello stesso livello di invecchiamento ed “esclusività di forma” tra livelli diversi – l’algoritmo può allineare e riposizionare intelligentemente ogni frammento sia nelle dimensioni SOC che nel conteggio dei cicli.
Questo allineamento viene ottenuto attraverso un processo di ottimizzazione iterativa che applica la relazione monotona fondamentale tra SOC e OCV. Per la maggior parte delle chimiche agli ioni di litio, comprese le celle al litio ferro fosfato (LFP) ampiamente utilizzate nello studio, un OCV più alto corrisponde sempre a un SOC più elevato. Qualsiasi deviazione da questo ordine indica un disallineamento dovuto a errori di stima o differenze di invecchiamento. L’algoritmo corregge queste deviazioni regolando l’offset SOC di interi frammenti – piuttosto che singoli punti – per preservarne la forma intrinseca migliorando al contempo la coerenza globale.
Una volta che tutti i frammenti sono correttamente allineati, formano una superficie 3D continua dove l’asse x rappresenta il conteggio dei cicli, l’asse y il SOC e l’asse z l’OCV. Questa superficie OCV ricostruita diventa uno strumento diagnostico potente. Una sezione orizzontale attraverso la superficie al valore OCV massimo rivela la traiettoria di capacità della batteria nel tempo – mostrando essenzialmente quanta capacità viene persa con ogni ciclo di carica-scarica. Nel frattempo, le sezioni verticali lungo l’asse del ciclo producono precise curve SOC-OCV in specifici stadi di invecchiamento, fondamentali per una stima accurata dello stato di carica nelle batterie che invecchiano.
Uno dei vantaggi più convincenti di questo metodo è la sua indipendenza dalla conoscenza preliminare. I modelli tradizionali basati sui dati richiedono migliaia di cicli di carica-scarica in condizioni controllate per generare dati di addestramento. Anche in questo caso, le loro prestazioni spesso si degradano quando applicate a diversi tipi di batterie, temperature o modelli di utilizzo. Al contrario, il metodo di ricostruzione della superficie OCV non necessita di tale preparazione. Impara direttamente dalla storia operativa del veicolo, rendendolo intrinsecamente adattabile a diverse condizioni reali.
Per convalidare il loro approccio, il team di ricerca ha progettato un framework di simulazione completo basato su esperimenti reali di invecchiamento condotti su celle LFP/GIC tipo 32650 con una capacità nominale di 5 Ah. Queste celle sono state ciclate a 2C (10 A) in condizioni di temperatura ambiente e curve OCV ad alta risoluzione sono state registrate a intervalli regolari. Da questa baseline sperimentale, hanno generato un set di dati sintetico che imita la natura frammentata e soggetta a errori dei dati BMS reali – aggiungendo rumore casuale nella stima del SOC e limitando ogni frammento OCV a soli 5-8 punti dati, coerenti con le tipiche durate di sosta.
Quando testato su questo set di dati realistico, l’algoritmo ha dimostrato un’accuratezza eccezionale. La superficie OCV ricostruita corrispondeva alla superficie reale con un errore assoluto medio (MAE) inferiore a 4,2 mV e un errore quadratico medio (RMSE) inferiore a 7,9 mV lungo l’intera vita della batteria. Ancora più importante, la traiettoria di capacità estratta ha mostrato un errore percentuale assoluto massimo di solo il 3,51%, con un errore percentuale assoluto medio (MAPE) inferiore allo 0,35% e un errore percentuale quadratico medio (RMSPE) inferiore allo 0,70%. Queste cifre indicano che il metodo può tracciare in modo affidabile la diminuzione di capacità entro un margine di errore accettabile sia per le applicazioni consumer che per i sistemi di gestione delle flotte.
Le implicazioni di questo lavoro vanno oltre la semplice stima della capacità. Fornendo una visione continua e fedele dell’evoluzione SOC-OCV della batteria, il metodo apre nuove strade per comprendere i meccanismi di invecchiamento. Ad esempio, gli spostamenti nei punti di flesso della curva OCV possono rivelare cambiamenti nella cinetica degli elettrodi, come la placcatura del litio o la crescita dell’interfaccia dell’elettrolita solido (SEI). Tali intuizioni sono preziose per i progettisti di batterie che cercano di migliorare la longevità e per gli operatori che mirano a ottimizzare le strategie di ricarica.
Inoltre, l’efficienza computazionale del metodo lo rende adatto all’implementazione onboard. L’algoritmo converge entro 30 iterazioni, richiedendo una potenza di elaborazione minima – fondamentale per l’integrazione in piattaforme BMS embedded con risorse limitate. Poiché non memorizza o trasmette grandi volumi di dati grezzi, si allinea bene anche con i vincoli di privacy e larghezza di banda nei veicoli connessi.
Un altro punto di forza chiave è la sua universalità. Il metodo non è legato a nessuna chimica, dimensione o produttore specifico di batterie. Finché la batteria presenta una relazione monotona SOC-OCV – valida per quasi tutte le celle commerciali agli ioni di litio – l’algoritmo può essere applicato. Questa cross-compatibilità è un vantaggio significativo in un’industria dove coesistono multiple tipologie di batterie e emergono costantemente nuove chimiche.
La ricerca affronta anche una limitazione comune negli strumenti diagnostici esistenti: la necessità di ricalibrazione periodica utilizzando cicli completi di carica-scarica. Nella pratica, tali cicli vengono raramente eseguiti nella guida quotidiana, rendendo impraticabili molti metodi offline. Il metodo di ricostruzione della superficie OCV supera questo problema lavorando con dati parziali e intermittenti, trasformando efficacemente ogni evento di sosta in un potenziale punto dati per la valutazione dello stato di salute.
Da una prospettiva di integrazione sistemica, il metodo complementa le funzionalità BMS esistenti piuttosto che sostituirle. Migliora l’accuratezza della stima dello stato di salute (SOH) senza interferire con i calcoli in tempo reale dello stato di carica (SOC) o con i sistemi di gestione termica. In effetti, le curve SOC-OCV raffinate prodotte dal metodo possono essere reinserite nel BMS per migliorare la precisione della stima del SOC con l’invecchiamento della batteria – un fattore critico nel prevenire sovraccarichi e scariche profonde, che accelerano il degrado.
Sebbene l’implementazione attuale si concentri sull’invecchiamento ciclico, le fondamenta teoriche del metodo suggeriscono che potrebbe essere esteso anche all’invecchiamento calendariale. L’invecchiamento calendariale, guidato dal tempo e dalla temperatura piuttosto che dall’utilizzo, è un importante contributore alla perdita di capacità nei veicoli guidati raramente. Il lavoro futuro potrebbe incorporare dati di temperatura e durata di conservazione nel modello di superficie OCV, consentendo una valutazione dello stato di salute più completa.
Il team riconosce una limitazione: il metodo presuppone che il conteggio dei cicli o una metrica di invecchiamento equivalente sia disponibile per ogni frammento OCV. In alcuni casi, specialmente con batterie di seconda vita o riconvertite, queste informazioni potrebbero essere incomplete o mancanti. Tuttavia, i ricercatori suggeriscono che indicatori di invecchiamento alternativi – come la portata cumulativa di carica o il tempo di utilizzo – potrebbero fungere da proxy, consentendo al metodo di funzionare anche in scenari con scarsi dati.
Questo lavoro si distingue nel campo in crescita della diagnostica delle batterie per il suo solido fondamento teorico e l’applicabilità pratica. Piuttosto che affidarsi a modelli AI di tipo black box le cui decisioni sono difficili da interpretare, il metodo è radicato in principi elettrochimici e logica trasparente. Ogni passo – dall’allineamento dei frammenti al taglio della superficie – è spiegabile e verificabile, migliorando la fiducia nei suoi output.
In un’era in cui l’intelligenza artificiale viene spesso acclamata come la soluzione a ogni sfida ingegneristica, questo studio dimostra il valore duraturo degli approcci basati su regole e informati dalla fisica. Dimostra che la profonda conoscenza del dominio, combinata con un design algoritmico intelligente, può superare le prestazioni di modelli affamati di dati in ambienti complessi e reali.
Per i produttori di automobili e batterie, la tecnologia offre un percorso verso garanzie più affidabili, riciclaggio più intelligente delle batterie e maggiore fiducia dei clienti. Per gli operatori di flotte e i fornitori di infrastrutture di ricarica, consente manutenzione predittiva e programmi di ricarica ottimizzati. E per i singoli conducenti, significa maggiore trasparenza sulle condizioni della batteria del proprio veicolo – senza la necessità di attrezzature specializzate o visite di servizio.
Con l’adozione continua dei veicoli elettrici in aumento, la domanda di diagnostiche batteristiche accurate, a basso costo e scalabili crescerà solo. Metodi come quello sviluppato da Paolo Lei e i suoi colleghi dell’Università di Jiangsu rappresentano un passo critico verso una mobilità sostenibile e guidata dai dati. Trasformando i dati operativi di routine in intuizioni attuabili sullo stato di salute, ci avvicinano a un futuro dove il degrado della batteria non è più un mistero – ma una parte misurabile e gestibile dell’esperienza di guida.
La ricerca è stata supportata da diversi programmi di finanziamento nazionali e regionali, tra cui il National Natural Science Foundation of China, lo Jiangsu Provincial Natural Science Foundation, la China Postdoctoral Science Foundation e lo Zhenjiang Municipal Science and Technology Program. Questi investimenti sottolineano l’importanza strategica della gestione avanzata delle batterie nella transizione verso i trasporti puliti.
Guardando avanti, il team prevede di testare il metodo su flotte di veicoli reali ed esplorarne l’applicazione nella valutazione delle batterie di seconda vita e nei sistemi di accumulo di energia su scala di rete. Con ulteriori perfezionamenti, la tecnica di ricostruzione della superficie OCV potrebbe diventare una caratteristica standard nelle architetture BMS di prossima generazione, stabilendo un nuovo benchmark per il monitoraggio dello stato di salute delle batterie.
In sintesi, questo studio introduce un metodo robusto e senza addestramento per estrarre le traiettorie di degrado della capacità della batteria ricostruendo la superficie conteggio cicli-SOC-OCV da dati operativi discreti. L’approccio è universale, accurato e computazionalmente efficiente, rendendolo altamente adatto all’implementazione online in veicoli elettrici e altri sistemi alimentati a batteria.
Paolo Lei, Chen Bin, Wang Tiansi, Li Huanhuan, Università di Jiangsu, Journal of Power Sources, DOI: 10.3969/j.issn.1002-087X.2024.12.017