Un dipinto di Li

Rapporti scientifici volume 13, numero articolo: 13856 (2023) Citare questo articolo

1043 accessi

1 Altmetrico

Dettagli sulle metriche

Le batterie agli ioni di litio sono la principale fonte di energia utilizzata nelle applicazioni di propulsione elettrica (ad esempio, automobili elettriche, veicoli aerei senza pilota e velivoli avanzati per la mobilità aerea). Il monitoraggio e la previsione basati su analisi per parametri quali lo stato di carica e lo stato di salute basati sui dati di utilizzo specifici della batteria sono fondamentali per garantire livelli elevati di affidabilità. Tuttavia, la complessa elettrochimica che governa il funzionamento della batteria porta a modelli basati sulla fisica computazionalmente costosi; che diventano inadatti per applicazioni di prognosi e gestione sanitaria. Proponiamo un approccio ibrido di machine learning basato sulla fisica che simula risposte dinamiche implementando direttamente l'integrazione numerica di equazioni governative basate su principi attraverso reti neurali ricorrenti. Mentre i modelli di ordine ridotto descrivono parte della scarica di tensione in condizioni di carico costanti o variabili, l'incertezza della forma del modello viene catturata tramite perceptron multistrato e l'incertezza aleatoria da batteria a batteria è modellata tramite perceptron variazionali multistrato. Inoltre, utilizziamo un approccio bayesiano per unire i dati dell’intera flotta sotto forma di dati a priori con cicli di scarica specifici della batteria, in cui la capacità della batteria è completamente disponibile o solo parzialmente disponibile. Illustriamo l'efficacia del quadro da noi proposto utilizzando il set di dati Prognostics Data Repository Battery della NASA, che contiene dati sperimentali sullo scarico delle batterie agli ioni di litio ottenuti in un ambiente controllato.

I sistemi di propulsione elettrica e ibrida sono fattori chiave per la trasformazione avanzata della mobilità aerea, in cui gli aerei piccoli e grandi faranno affidamento su batterie agli ioni di litio per soddisfare parte di tutto il fabbisogno energetico. Essendo un componente critico del gruppo propulsore, il funzionamento sicuro di queste batterie richiederà una prognosi solida e metodi di gestione della salute1,2. La letteratura attuale mostra una serie di metodi per il monitoraggio delle batterie con modelli basati sui principi primi3,4, sull'apprendimento automatico5,6,7 e su una combinazione di entrambi8,9,10. Tuttavia, gli approcci di modellizzazione esistenti spesso trovano ostacoli tra cui: (a) le equazioni che governano sono complesse; e, quando disponibili, le simulazioni ad alta fedeltà sono computazionalmente costose da eseguire a bordo; (b) i modelli puramente basati sui dati non obbediscono necessariamente alla fisica dominante, né si generalizzano bene a scenari sui quali non sono stati addestrati; e (c) raccogliere dati di qualità sufficientemente elevata per addestrare adeguatamente modelli basati sui dati per un sistema complesso è spesso impegnativo: in effetti, i dati disponibili per adattare modelli di ordine ridotto o costruire modelli di apprendimento automatico possono essere scarsi (afflitti da rumore, dati mancanti) dati, osservazioni sbilanciate di input e output, ecc.). Queste sfide sono comunemente condivise in molte applicazioni di prognosi; creando la necessità di un approccio di modellazione robusto che sia efficiente dal punto di vista computazionale, pur essendo basato su principi primi e in grado di tenere conto di set di dati non strutturati.

Con queste premesse, le reti neurali basate sulla fisica11,12,13 hanno il potenziale per rivoluzionare la prognosi e la gestione della salute. Questa classe di metodi di apprendimento automatico può potenzialmente mitigare la mancanza di dati e altri problemi come la scarsa interpretabilità di modelli puramente basati sui dati, offrendo allo stesso tempo una precisione paragonabile alle simulazioni ad alta fedeltà a una frazione del costo computazionale. Infatti, recenti sviluppi negli operatori neurali14,15 indicano che per problemi in cui sono note le equazioni differenziali alle derivate parziali, le reti neurali addestrate possono essere riutilizzate per fare previsioni anche al di fuori delle condizioni al contorno/iniziali utilizzate nell'addestramento. Tuttavia, molti sistemi complessi non possono essere descritti esclusivamente da equazioni alle derivate parziali, ma piuttosto da un insieme di equazioni governative e leggi empiriche che potrebbero non essere completamente caratterizzate nel momento in cui i dati disponibili sono scarsi. Ciò spiega il crescente interesse per l’apprendimento automatico basato sulla fisica ibrida16,17 come promettente quadro di modellazione per applicazioni complesse come i sistemi di propulsione elettrici e ibridi. Il quadro ibrido che proponiamo utilizza un paradigma diverso rispetto alle funzioni di perdita guidate dalla fisica come in11. Sfrutta le equazioni esistenti di un sistema per costruire un modello e introduce strategicamente piccoli kernel basati sui dati all'interno del modello. Le parti del modello basate sui dati compensano la fisica mancante, l’incertezza della forma del modello e l’ignoranza dei parametri del modello.