Percée dans la détection des défauts de batterie ciblant les pics de risque estivaux et hivernaux
Alors que l’adoption des véhicules électriques (VE) s’accélère mondialement, une nouvelle approche de diagnostic des défauts de batterie, fondée sur les données, offre aux constructeurs automobiles et aux gestionnaires de flottes un outil puissant pour anticiper les défaillances, particulièrement durant les mois à haut risque de l’été et de l’hiver. Développée par des chercheurs de l’Université des sciences et technologies de Kunming et de l’Université de Chongqing, cette méthode exploite l’analyse du Big Data et l’apprentissage automatique non supervisé pour détecter, localiser et classer les anomalies dans les packs de batteries lithium-ion avec une précision inédite, sans recourir à des modèles électrochimiques complexes.
Cette innovation arrive à un moment charnière. Malgré les progrès en chimie des batteries et les systèmes de gestion de batterie (BMS), les événements imprévisibles d’emballement thermique et la dégradation des performances continuent d’éroder la confiance des consommateurs et d’augmenter les coûts de garantie. Les méthodes de diagnostic traditionnelles peinent souvent à détecter les déviations subtiles et précoces qui précèdent une défaillance catastrophique. Ce nouveau cadre, validé sur trois années de données opérationnelles réelles provenant de multiples VE, démontre une capacité robuste à identifier à la fois les défauts systémiques de conception et les pannes soudaines induites par un accident, offrant ainsi un filet de sécurité à double couche pour la mobilité de nouvelle génération.
Au cœur du système se trouve une pipeline analytique multi-étapes qui transforme la télémétrie brute de tension des VE connectés en informations exploitables. Le processus commence par le t-distributed Stochastic Neighbor Embedding (t-SNE), une technique de réduction de dimensionnalité non linéaire qui compresse les séquences de tension à haute dimensionnalité provenant de dizaines de cellules individuelles en une carte bidimensionnelle. Cette étape de visualisation révèle des clusters cachés et des valeurs aberrantes qui resteraient autrement enfouies dans des téraoctets de données chronologiques.
Suite à la réduction de dimensionnalité, l’équipe applique un clustering K-means pour segmenter les données en groupes comportementaux distincts. Les cellules normales se regroupent étroitement autour des centroïdes des clusters, tandis que les unités anormales apparaissent comme des points isolés ou forment de petits clusters divergents. Pour identifier la cellule défectueuse exacte, les chercheurs introduisent un coefficient de diagnostic novateur basé sur les statistiques du Z-score. En mesurant combien d’écarts-types la tension d’une cellule s’écarte de la moyenne du pack à un moment donné, l’algorithme signale les valeurs aberrantes avec une haute sensibilité, même lorsque la différence de tension absolue est faible.
« Ce qui rend cette approche pratique pour un déploiement réel est son caractère exempt de modèle », explique Jiangwei Shen, auteur principal et expérimentateur senior à l’Université des sciences et technologies de Kunming. « Nous n’avons pas besoin de simuler des réactions électrochimiques ou de calibrer des paramètres physiques. Nous travaillons directement avec les données que le véhicule collecte déjà. »
Une fois une anomalie détectée et localisée, le système évalue sa gravité à l’aide d’un mécanisme de scoring hybride qui fusionne la pondération par entropie avec le coefficient de variation. Cette métrique composite tient compte à la fois du caractère aléatoire et de la dispersion des fluctuations de tension dans le temps, produisant un « score d’anormalité » normalisé pour chaque cellule. Lors des tests de validation, la septième cellule d’un pack de 30 cellules a systématiquement enregistré la plus faible performance, corroborant l’inspection visuelle de sa courbe de tension erratique, qui a présenté une chute de 236 millivolts pendant la décharge.
La couche de diagnostic finale utilise un filtre statistique raffiné connu sous le nom de 3σ-MSS (Stratégie de criblage multi-niveaux 3-sigma). Contrairement aux règles 3-sigma conventionnelles qui supposent une distribution gaussienne statique, le 3σ-MSS recalcule itérativement la moyenne et l’écart-type après chaque tour d’élimination des valeurs aberrantes. Cette recalibration dynamique empêche les centres de masse biaisés causés par les valeurs extrêmes, conduisant à des estimations de probabilité de défaut plus précises.
Lorsqu’elle est appliquée à des données longitudinales de quatre VE identiques sur une période d’un mois, la méthode a clairement distingué deux archétypes de défauts. Dans un véhicule, une seule cellule (numéro 20) a montré une probabilité de défaut de 1,7 % – significativement plus élevée que ses pairs (<0,5 %) – sans schéma récurrent dans le temps. Les chercheurs ont classé cela comme un défaut transitoire, probablement déclenché par un choc externe ou un défaut de fabrication activé sous contrainte. En revanche, trois autres véhicules ont affiché des probabilités de défaut uniformément faibles (<2 %) sur toutes les cellules, avec des schémas spatiaux cohérents. Celles-ci ont été étiquetées défauts systémiques, pointant vers des incohérences inhérentes à la conception ou à l’assemblage.
De manière cruciale, l’équipe a comparé le 3σ-MSS à deux algorithmes établis de détection des valeurs aberrantes : le Local Outlier Factor (LOF) et le Connectivity-based Outlier Factor (COF). Bien que les trois méthodes aient identifié les mêmes cellules problématiques, le 3σ-MSS a démontré une stabilité supérieure sur toute la plage de probabilités. Le LOF avait tendance à surestimer les événements à haute probabilité, tandis que le COF sous-déclarait les anomalies à basse fréquence. L’algorithme 3σ-MSS a maintenu une calibration constante, le rendant plus adapté à la planification de maintenance basée sur le risque.
La validation la plus convaincante est ressortie de l’analyse saisonnière. En utilisant trois années de données opérationnelles de dix VE, les chercheurs ont segmenté les occurrences de défauts par saison météorologique. Les résultats ont révélé un schéma bimodal marqué : les probabilités moyennes de défaut au printemps et en automne oscillaient autour de 1,54 % et 3,07 % respectivement – des conditions relativement bénignes. Mais en été, la moyenne grimpait à 4,31 %, avec un pic de probabilité sur une seule cellule à 4,95 %. L’hiver était encore plus sévère, avec une moyenne de 4,59 % et un maximum de 9,52 %.
Ces résultats concordent avec le comportement électrochimique connu. Les températures ambiantes élevées accélèrent les réactions secondaires parasites, dégradent les interfaces solide-électrolyte et augmentent la résistance interne, élevant le risque d’emballement thermique. Inversement, les basses températures entravent la mobilité ionique, favorisent la formation de lithium métallique (lithium plating) pendant la charge et exacerbent les déséquilibres de tension pendant la décharge. Les données confirment que ces facteurs de stress environnementaux se traduisent directement en signaux de défaut mesurables.
Une étude de cas illustre la puissance diagnostique de la méthode. Dans le quatrième véhicule testé, la première année a montré une probabilité de défaut modeste de 2 % dans la cellule 19 – suggérant un problème chronique de faible gravité. Mais la deuxième année, la cellule 28 a grimpé à 12,69 % au jour 36, dépassant de loin la moyenne quotidienne du pack de 4,17 %. Une augmentation similaire s’est produite la troisième année, la cellule 16 atteignant 14,14 % au jour 6 contre une base de référence de 3,71 %. L’emplacement non répétitif et la déviation extrême indiquent fortement un traumatisme externe – peut-être une collision ou un impact routier sévère – qui a compromis l’intégrité de la cellule.
Pour les constructeurs automobiles, des diagnostics aussi granulaires permettent des stratégies de maintenance prédictive adaptées au climat et aux modes d’utilisation. Les flottes opérant en Arizona ou au Texas pourraient recevoir des alertes spécifiques à l’été pour inspecter les systèmes de refroidissement ou limiter les taux de charge rapide. En Scandinavie ou au Canada, les protocoles hivernaux pourraient inclure des routines de préchauffage ou des vérifications d’équilibrage de la tension avant les excursions en conditions glaciales.
D’un point de vue sécurité, la capacité à distinguer les défauts systémiques des défauts transitoires a des implications profondes. Les problèmes systémiques exigent des révisions de conception ou des rappels de lots, tandis que les événements transitoires peuvent ne nécessiter qu’un remplacement de cellule isolé. Cette précision réduit les temps d’arrêt inutiles et abaisse les coûts du cycle de vie.
De plus, l’ensemble de la pipeline fonctionne avec des données déjà collectées par la plupart des VE modernes via le bus CAN et transmises aux plateformes cloud toutes les 10 secondes. Aucun capteur supplémentaire ou modification matérielle n’est nécessaire, rendant la solution hautement évolutive.
Les experts de l’industrie notent que la pression réglementaire monte pour une reporting plus transparent de l’état de santé des batteries. La future Réglementation européenne sur les batteries mandatera des passeports batterie numériques qui suivront les métriques de performance et de sécurité tout au long de la vie d’une cellule. De même, la National Highway Traffic Safety Administration (NHTSA) américaine a intensifié son examen des incidents d’incendie de VE. Des outils comme celui-ci pourraient aider les fabricants à répondre aux exigences de conformité tout en renforçant la confiance dans la marque.
« Ce n’est pas seulement académique », déclare Zheng Chen, professeur et auteur correspondant à l’Université des sciences et technologies de Kunming. « Nous avons montré qu’avec la bonne analyse, les flux de données existants peuvent devenir des systèmes d’alerte précoce. La prochaine étape est l’intégration de cela dans le firmware temps réel des BMS – pas seulement pour l’analyse post-hoc. »
L’équipe de recherche explore maintenant l’intégration avec les estimateurs d’état de charge (SOC) et d’état de santé (SOH) pour créer une suite de diagnostic unifiée. Les travaux futurs se concentreront également sur la prédiction de la durée de vie utile restante des cellules anormales et sur le développement de protocoles d’intervention qui se déclenchent avant que les probabilités de défaut ne franchissent des seuils critiques.
Alors que les VE évoluent vers des plateformes logicielles, la frontière entre le véhicule et le produit de données s’estompe. Cette étude exemplifie comment la science des données – appliquée avec une expertise métier – peut extraire une valeur latente de la télémétrie opérationnelle, transformant la surveillance passive en atténuation active des risques. Pour une industrie qui court pour offrir une mobilité électrique plus sûre et plus fiable, de telles innovations pourraient s’avérer aussi vitales que les progrès en chimie des cellules elles-mêmes.
Shen Jiangwei¹, Yan Chuan¹, Liu Yonggang², Shen Shiquan¹, Chen Zheng¹
¹College of Transportation Engineering, Kunming University of Science and Technology, Kunming 650000, Chine
²College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400030, Chine
Transactions of China Electrotechnical Society, Vol. 39, No. 24, Dec. 2024
DOI: 10.19595/j.cnki.1000-6753.tces.231983