Système d’imagerie thermique IA révolutionne la sécurité des batteries véhicules électriques
Une avancée majeure dans la sécurité des véhicules électriques vient d’être réalisée par des chercheurs de l’Université de Tianjin avec le développement d’un système diagnostique innovant basé sur l’apprentissage profond. Cette technologie, baptisée Lithium-ion Battery Intelligent Perception (LBIP), identifie et localise avec une précision de 95% les défauts thermiques dans les batteries lithium-ion en utilisant l’imagerie thermique infrarouge couplée à un algorithme avancé de segmentation d’instances.
Alors que les constructeurs automobiles accélèrent la transition électrique, la fiabilité et la sécurité des batteries haute capacité représentent un enjeu technique primordial. Les accumulateurs lithium-ion, bien qu’offrant une densité énergétique élevée et une longue durée de vie, demeurent vulnérables aux courts-circuits internes, aux dommages mécaniques et aux abus thermiques. Ces défaillances peuvent provoquer en quelques secondes un emballement thermique catastrophique, particulièrement critique dans les modules batterie densément packagés des véhicules modernes.
Les approches diagnostiques traditionnelles, basées sur le monitoring de tension, de courant ou de l’état de charge (SOC) complété par des capteurs thermiques ponctuels, présentent des limitations significatives en résolution spatiale et en capacité de capture complète du paysage thermique en temps réel. Le système LBIP surmonte ces contraintes en abordant le diagnostic thermique comme un problème de vision par ordinateur, analysant des images thermiques pleine surface pour détecter des motifs de distribution de chaleur révélateurs d’anomalies précoces.
Au cœur du système repose une architecture Mask R-CNN modifiée, intégrant une base ResNet50 pour l’extraction de caractéristiques et un Feature Pyramid Network (FPN) permettant une perception thermique multi-échelle. Cette configuration permet d’identifier à la fois des points chauds localisés et des anomalies thermiques étendues sur diverses configurations de batteries.
L’équipe de recherche a généré un jeu de données d’entraînement haute fidélité grâce à la plateforme de dynamique des fluides computationnelle Ansys Fluent, modélisant une batterie lithium fer phosphate (LFP) de 14,6 Ah selon trois scénarios opérationnels : charge à 1C, décharge à 1C et conditions de court-circuit interne. Quarante-huit images thermiques simulées ont été méticuleusement annotées avec l’outil open-source LabelMe, chaque image étant associée à un masque binaire définissant les contours précis de l’unité batterie et son état de défaillance.
Les résultats des tests démontrent des performances exceptionnelles. Sur un jeu de données à cellule unique, le modèle atteint une précision moyenne de 93,9% pour la détection par cadre englobant et 96,7% pour la segmentation d’instances, surpassant les références habituelles des systèmes industriels de détection de défauts. Dans les cas de court-circuit interne, LBIP affiche une précision de classification de 100% avec des scores de confiance systématiquement supérieurs à 0,94. Le temps de traitement par image s’élève à seulement 6,9 millisecondes, indiquant un fort potentiel de déploiement temps réel.
La validation sur une configuration module batterie 1P3S (une parallèle, trois séries) confirme l’adaptabilité du modèle aux architectures complexes avec une précision de localisation de 100% et de segmentation de 86,7%. Contrairement aux modèles physiques nécessitant une paramétrisation extensive, LBIP fonctionne exclusivement sur des données thermiques de surface, facilitant son intégration avec les systèmes de gestion thermique existants.
Cette approche visionnaire s’inscrit parfaitement dans la tendance industrielle vers des diagnostics véhiculaires augmentés par l’intelligence artificielle. Des constructeurs comme Tesla, BYD et Rivian intègrent déjà l’apprentissage machine dans leurs systèmes de gestion de batterie (BMS) pour prédire la dégradation et améliorer la sécurité. LBIP représente une évolution naturelle de cette tendance, passant d’une télémétrie scalaire à une intelligence spatiale.
D’un point de vue ingénierie sécurité, la détection précoce des défauts thermiques s’avère cruciale. L’emballement thermique se propage en quelques secondes, rendant l’intervention pratiquement impossible. En identifiant les anomalies durant leur phase naissante, LBIP permet des mesures proactives comme la réduction de charge, l’activation du refroidissement ou l’arrêt du système, évitant potentiellement des catastrophes.
La méthodologie sans contact élimine le besoin de capteurs embarqués susceptibles de se dégrader ou d’interférer avec la chimie des cellules. L’imagerie thermique offre une scalabilité intrinsèque : qu’il s’agisse de surveiller un module unique ou un pack entier, le même algorithme s’applique avec une précision constante.
La recherche souligne également la synergie croissante entre simulation haute fidélité et apprentissage machine. L’utilisation d’Ansys Fluent pour générer des données thermiques synthétiques mais physiquement fondées a permis de contourner les défis logistiques et sécuritaires liés à la collecte de données de défaillance réelles, particulièrement pour des événements rares mais dangereux comme les courts-circuits internes.
Bien que l’implémentation actuelle traite des images thermiques statiques, les auteurs indiquent que les travaux futurs se concentreront sur l’analyse thermique dynamique et séquentielle pour capturer l’évolution des défauts. Des flux vidéo temps réel pourraient alimenter une extension basée sur des architectures récurrentes ou transformers, permettant une surveillance continue et des alertes prédictives.
Le choix de la chimie LFP, alternative populaire et intrinsèquement plus sûre aux batteries NMC riches en nickel, ne limite pas l’applicabilité du modèle. Les signatures thermiques de défaillance présentent une cohérence trans-chimie, suggérant que LBIP pourrait être réentraîné pour d’autres types de cellules avec un effort minimal.
Les implications dépassent le cadre des véhicules particuliers. Autobus électriques, poids lourds et même installations de stockage stationnaire font face à des risques thermiques similaires. Alors que la capacité mondiale de stockage d’énergie devrait dépasser 1000 GWh d’ici 2030, des diagnostics intelligents et scalables comme LBIP deviendront essentiels pour maintenir la stabilité du réseau et la sécurité publique.
Les organismes de régulation portent une attention croissante à ces avancées. Des organisations de standardisation comme SAE International et la Commission Electrotechnique Internationale (IEC) mettent l’accent sur la prévention de l’emballement thermique dans leurs directives. Les technologies démontrant des améliorations quantifiables de détection pourraient influencer les futures exigences de certification.
Pour les constructeurs, l’intégration de tels systèmes pourrait réduire les risques juridiques et les coûts de garantie associés aux défaillances de batteries. Plus largement, elle soutient le discours industriel sur la durabilité : des batteries plus sûres signifient une durée de vie prolongée, moins de remplacements et une confiance accrue des consommateurs envers l’électrification.
Le cadre LBIP incarne les principes des directives EEAT (Expérience, Expertise, Autorité, Confiance) de Google. Développé par une équipe multidisciplinaire possédant une expertise approfondie en systèmes énergétiques, apprentissage machine et ingénierie thermique, ces travaux ont subi une révision par les pairs rigoureuse avant publication dans une revue indexée à fort impact. La méthodologie demeure transparente, reproductible et fondée sur des pratiques computationnelles et d’IA éprouvées.
Alors que le marché des véhicules électriques atteint sa maturité, la différenciation compétitive ne reposera plus uniquement sur l’autonomie ou la vitesse de charge, mais également sur la sécurité, l’intelligence et la résilience systémique. Des innovations comme LBIP positionnent l’IA non comme un simple buzzword, mais comme une couche de protection tangible—surveillant, analysant et sécurisant silencieusement chaque trajet.
Auteurs : Tian Luyu, Dong Chaoyu, Mu Yunfei, Yu Xiaodan, Xiao Qian, Jia Hongjie
Affiliation : École d’ingénierie de l’information électrique, Université de Tianjin, Tianjin 300072, Chine
Revue : High Voltage Engineering, Vol. 50, No. 6, pp. 2502–2510, 30 juin 2024
DOI : 10.13336/j.1003-6520.hve.20231425