Team dell’Università Tongji Riduce la Calibrazione delle Batterie EV da Giorni a Minuti con Estrazione OCV guidata dall’IA
I produttori di veicoli elettrici affrontano un ostacolo persistente nella gestione delle batterie: l’impossibilità di valutare rapidamente e con precisione lo stato di carica (SoC) reale di una batteria senza interrompere il funzionamento per giorni. Un nuovo studio dell’Università Tongji, pubblicato sul Journal of Tongji University (Natural Science), dimostra un metodo rivoluzionario che riduce drasticamente questa finestra di calibrazione, eliminando la necessità dei tradizionali test di riposo per la tensione a circuito aperto (OCV) e consentendo aggiornamenti in tempo reale sullo stato di salute della batteria utilizzando solo i dati di guida standard.
L’innovazione si basa su un’intuizione semplice ma potente: durante una scarica normale, la curva OCV sottostante di una cella agli ioni di litio dovrebbe essere intrinsecamente regolare. Le deviazioni dalla regolarità—picchi, tremolii o oscillazioni erratiche—segnale di errori nel modello della batteria assunto, non della realtà fisica. Sfruttando questo principio, i ricercatori Jinwei Xue, Xuzhi Du, Zhigang Yang, Lei Zhao e Chao Xia hanno progettato un algoritmo che tratta l’estrazione dell’OCV come un problema di ottimizzazione, utilizzando la regolarità della curva OCV ricostruita come metrica di idoneità. Il loro approccio bypassa il requisito decennale della misurazione statica della tensione a riposo, aprendo la porta a diagnosi batteristiche continue e in situ.
Per gli ingegneri automobilistici e gli architetti dei sistemi di batterie, questo rappresenta un cambio di paradigma. Gli attuali sistemi di gestione della batteria (BMS) si affidano pesantemente a tabelle di ricerca OCV-SoC precaricate—curve generate meticolosamente in condizioni di laboratorio utilizzando protocolli OCV incrementali (IO) o a bassa corrente (LO). Questi test richiedono spesso da 48 a 72 ore per cella per mitigare l’isteresi e raggiungere l’equilibrio elettrochimico. Peggio ancora, quelle curve perdono accuratezza con l’invecchiamento della batteria. La crepatura degli elettrodi, la crescita dell’interfaccia elettrolito solido (SEI), la placcatura del litio e l’esaurimento dell’elettrolita rimodellano sottilmente la relazione OCV-SoC. Una tabella calibrata al 10% di diminuzione di capacità può introdurre errori di SoC superiori al 5%—sufficienti per innescare falsi avvisi di carica bassa o, più pericolosamente, mascherare un imminente evento di scarica eccessiva.
Fino ad ora, l’industria aveva due scelte insoddisfacenti: rieseguire cicli di calibrazione di più giorni durante la manutenzione programmata (costosa, dirompente e comunque superata dall’intervallo di servizio successivo), o implementare stimatori adattativi—come i minimi quadrati ricorsivi (RLS) o i filtri di Kalman adattativi—che tentano di aggiornare l’OCV insieme ad altri parametri in tempo reale. Ma questi schemi di stima congiunta soffrono di accoppiamento dei parametri: errori nella resistenza o nelle costanti di tempo di polarizzazione si riversano nelle stime OCV, e viceversa. Inoltre, poiché dipendono da ipotesi iniziali per SoC e stati del modello, la loro convergenza può essere lenta o inaffidabile durante transitori aggressivi—proprio quando un SoC accurato conta di più.
Il metodo del team Tongji elude entrambi i problemi. Invece di cercare di stimare simultaneamente OCV e resistenza e polarizzazione, isola la ricostruzione dell’OCV come obiettivo primario. I ricercatori hanno adottato un modello di circuito equivalente (ECM) del primo ordine—una resistenza (R₀) in serie con un ramo parallelo resistenza-condensatore (Rₚ–Cₚ) che alimenta una sorgente OCV—come framework computazionalmente snello ma sufficientemente espressivo. Dato qualsiasi segmento di dati reali di tensione e corrente (ad esempio, da un ciclo di guida urbana UDDS), l’algoritmo regola iterativamente R₀, Rₚ e Cₚ fino a quando la traiettoria OCV derivata raggiunge una regolarità massima.
Crucialmente, la “regolarità” qui non è un vago giudizio estetico. Il team l’ha formalizzata attraverso un vincolo matematicamente rigoroso: su una scarica completa dal 100 allo 0 percento di SoC, la variazione totale della curva OCV—la somma dei passi di tensione assoluti tra punti temporali consecutivi—deve essere uguale alla differenza tra gli altipiani di alta e bassa tensione noti della cella, rettificati per eventuali eventi di frenata rigenerativa. Questo trasforma la regolarità in un obiettivo di ottimizzazione quantificabile: minimizzare la deviazione tra la variazione totale calcolata e il limite teorico.
Per risolvere in modo robusto questo problema non lineare e non convesso, il gruppo ha implementato NSGA-II (Non-dominated Sorting Genetic Algorithm II), un ottimizzatore evolutivo multi-obiettivo noto per navigare in paesaggi di ricerca accidentati senza rimanere intrappolato in minimi locali. In esperimenti di convalida utilizzando il noto dataset di invecchiamento delle batterie di Stanford (celle INR21700-M50T, 23 mesi di ciclatura a 23°C), l’algoritmo convergeva rapidamente—entro 100 generazioni—anche quando inizializzato con parametri ECM molto imprecisi (ad esempio, R₀ = 10⁻⁵ Ω, Cₚ = 1 F). Con un’inizializzazione informata (utilizzando parametri di un test precedente), la convergenza avveniva in meno di 50 iterazioni.
Le curve OCV-SoC estratte hanno mostrato un’alta fedeltà. Quando sovrapposte a curve di riferimento ricostruite tramite conteggio ampere-ora (assumendo un’efficienza Coulombica del 100% a 23°C), le curve ottimizzate seguivano il declino monotono previsto per celle NMC-grafite sane, con solo piccoli residui ad alta frequenza—probabilmente attribuibili a rumore del sensore o semplificazione del modello, non a non-regolarità fisica. Per affinare ulteriormente la stabilità per l’uso a valle, il team ha applicato un adattamento polinomiale di ottavo ordine ai punti OCV-SoC grezzi, producendo una funzione pulita e differenziabile pronta per l’integrazione negli stimatori SoC standard.
La vera prova è arrivata nell’accoppiare questo modello OCV con un filtro di Kalman esteso (EKF). Utilizzando la curva estratta come tabella di ricerca OCV-SoC, l’EKF ha stimato il SoC su un ciclo UDDS completo. I risultati sono stati sorprendenti: l’errore massimo di SoC è rimasto inferiore al 2 percento durante l’intera scarica—anche quando lo stato SoC interno del filtro è stato deliberatamente corrotto a metà test, reimpostandolo all’80 percento mentre il valore reale era vicino al 40 percento. In circa 1.000 secondi (~17 minuti di guida urbana), l’EKF si auto-correggeva, riportando la stima entro l’1 percento del valore reale. Questa resilienza sottolinea un vantaggio chiave: poiché la curva OCV è pre-ottimizzata per la plausibilità fisica, agisce come un forte vincolo a priori, guidando il filtro verso la correttezza anche in mezzo a malfunzionamenti del sensore o errori di inizializzazione.
La convalida indipendente si è estesa oltre il tracciamento nel dominio del tempo. Il team ha confrontato incrociato i loro parametri ECM ottimizzati con i dati di spettroscopia di impedenza elettrochimica (EIS) acquisiti attraverso gli stessi lotti di invecchiamento. Tracciando l’impedenza prevista dal modello (utilizzando R₀, Rₚ, Cₚ adattati) rispetto ai diagrammi di Nyquist misurati nella banda di frequenza 0–0,2 Hz—dove risiedono la maggior parte delle dinamiche di guida—si è mostrato un eccellente accordo. Questa coerenza nel dominio della frequenza conferma che l’ottimizzazione guidata dalla regolarità non si limita a “livellare” gli errori; recupera parametri del circuito che riflettono un genuino comportamento elettrochimico.
Dal punto di vista dell’integrazione di sistema, il metodo è eccezionalmente snello. Non richiede hardware specializzato oltre ai sensori standard di tensione e corrente già incorporati in ogni BMS per EV. Computazionalmente, NSGA-II è più pesante di un semplice aggiornamento RLS, ma gli autori notano che l’ottimizzazione non deve essere eseguita continuamente: un singolo processo in batch di 5-10 minuti sui recenti dati di guida—eseguito durante la notte o in periodi di inattività—può aggiornare il modello OCV settimanalmente o addirittura mensilmente. Una volta aggiornata, la curva OCV-SoC statica funge da spina dorsale ad alta fedeltà per filtri in tempo reale leggeri (EKF, UKF, filtri particellari) durante il funzionamento quotidiano.
Questa capacità si allinea con le tendenze emergenti della manutenzione predittiva e dei gemelli digitali. Man mano che i produttori di automobili si muovono verso diagnosi batteristiche over-the-air (OTA), la capacità di estrarre indicatori di salute—inclusi spostamenti della curva OCV, crescita della resistenza e perdita di capacità—direttamente dai log di guida diventa inestimabile. Ad esempio, uno spostamento a destra nella curva OCV-SoC (cioè, tensione più bassa a SoC fisso) è una firma nota della perdita di inventario di litio, mentre una maggiore resistenza di polarizzazione si correla con l’ispessimento del SEI. Con questo metodo, una piattaforma di gestione della flotta potrebbe contrassegnare automaticamente le batterie che mostrano un’evoluzione OCV anomala, programmando servizi preventivi prima che le prestazioni si degradino in modo evidente per il conducente.
Le implicazioni si estendono oltre i veicoli elettrici passeggeri. Le flotte commerciali—furgoni per le consegne, autobus, attrezzature portuali—operano sotto cicli di servizio intensivi dove i tempi di inattività sono proibitivamente costosi. La calibrazione OCV tradizionale è praticamente impossibile per questi veicoli. Abilitare la calibrazione tramite il normale funzionamento rimuove una barriera maggiore agli aggiornamenti diffusi del BMS, potenzialmente estendendo la vita del pacco batteria del 10-15 percento attraverso un controllo di carica e una gestione termica più precisi.
Tuttavia, rimangono sfide prima di un’adozione ampia. L’attuale convalida ha utilizzato dati di invecchiamento da laboratorio a temperatura costante (23°C). Le batterie del mondo reale subiscono oscillazioni giornaliere e stagionali; gli spostamenti OCV dipendenti dalla temperatura—sebbene minori degli effetti SoC—devono essere separati nel lavoro futuro. Lo studio ha anche assunto un formato a cella singola. In moduli multi-cella, le variazioni cella-cella e i gradienti termici potrebbero complicare l’assunzione di regolarità. Il team suggerisce un’applicazione gerarchica: eseguire l’ottimizzazione per modulo (o per gruppo parallelo) dove è disponibile il rilevamento della tensione, o aumentare la funzione di idoneità con penalità di consistenza inter-cella.
Un’altra frontiera è l’integrazione con la stima dello stato di salute (SoH). Poiché la distorsione OCV-SoC si correla con i meccanismi di invecchiamento, la forma della curva estratta—non solo il suo offset verticale—potrebbe servire come biomarcatore di salute. Modelli di apprendimento automatico addestrati su librerie di curve OCV ottimizzate per la regolarità attraverso stadi di invecchiamento potrebbero prevedere la vita utile rimanente in modo più accurato del solo decadimento di capacità.
Per gli OEM delle batterie, la tecnologia offre un vantaggio competitivo. Le celle abbinate a BMS capaci di auto-calibrazione comandano prezzi premium, specialmente in mercati come Europa e California, dove le durate di garanzia superano ora di routine gli otto anni o i 160.000 chilometri. Anche gli organismi di regolamentazione stanno prendendo nota: il prossimo emendamento UN ECE R100 Rev. 3 enfatizza la “verifica continua delle funzioni di sicurezza critiche”, un requisito che questo approccio aiuta a soddisfare.
Gli investitori nella catena del valore dell’elettrificazione dovrebbero monitorare da vicino gli sviluppi successivi. L’Università Tongji non ha divulgato piani di licenza IP, ma la dipendenza del metodo da algoritmi aperti (NSGA-II è di dominio pubblico) e sensori standard abbassa le barriere alla replica. Le startup specializzate in software BMS—come TWAICE, Voltaiq o Accure—potrebbero integrare rapidamente tecniche simili. Al contrario, i produttori di chip BMS incumbent (ad esempio, Analog Devices, Texas Instruments, NXP) potrebbero incorporare co-processori per gestire l’ottimizzazione a bordo.
La lezione più ampia trascende le batterie: a volte, le innovazioni più potenti nascono non dall’aggiungere complessità, ma dal riesaminare i primi principi. Per decenni, gli ingegneri hanno accettato che l’OCV richiedesse riposo. Il team Tongji ha chiesto: Perché deve? Riconoscendo la regolarità come un’inevitabilità fisica—non un artefatto della misurazione—hanno trasformato un vincolo in uno strumento. Così facendo, hanno dato all’industria dei veicoli elettrici un percorso più veloce, economico e resiliente verso la trasparenza delle batterie.
— Autori: Jinwei Xue¹, Xuzhi Du², Zhigang Yang³, Lei Zhao¹, Chao Xia⁴ ¹ Shanghai Automotive Wind Tunnel Center, Università Tongji, Shanghai 201804, Cina ² Dipartimento di Ingegneria Meccanica e Scienza, University of Illinois Urbana-Champaign, Urbana, IL 61801, USA ³ Istituto di Ricerca sulla Tecnologia degli Aeromobili di Pechino COMAC, Pechino 102211, Cina ⁴ Scuola di Studi Automobilistici, Università Tongji, Shanghai 201804, Cina Pubblicato su Journal of Tongji University (Natural Science), Vol. 52, No. S1, Ottobre 2024 DOI: 10.11908/j.issn.0253-374x.24778