Une nouvelle méthode d’IA révolutionne le diagnostic des batteries de véhicules électriques

Alors que les véhicules électriques quittent progressivement leur statut de curiosité technologique pour s’imposer comme solution de transport mainstream, un défi crucial persiste sous le capot : l’état de santé des batteries. Au cœur de chaque véhicule électrique, la batterie lithium-ion détermine l’autonomie, la sécurité, les performances et, in fine, la valeur de revente et l’économie des flottes. Pourtant, malgré des années de progrès en chimie des batteries et en systèmes de gestion, aucune méthode fiable, rapide et scalable n’avait émergé pour évaluer la santé des batteries au niveau groupe dans des conditions réelles. Jusqu’à aujourd’hui.

Une équipe de l’Université Jiaotong de Beijing a dévoilé une approche novatrice s’inspirant de l’imagerie médicale, traitant les courbes de tension des batteries comme des radiographies capables de révéler des indices morphologiques subtiles invisibles aux diagnostics conventionnels. Leur méthode, fondée sur l’apprentissage profond et ancrée dans un réalisme électrochimique rigoureux, promet de réduire radicalement les temps d’inspection, d’améliorer la prise de décision concernant la réutilisation ou le retrait des batteries, et d’apporter une transparence inédite sur le marché des batteries de seconde vie.

À première vue, l’idée semble radicale : alimenter un réseau neuronal avec des images de courbes de charge pour lui faire diagnostiquer l’état de santé des batteries. Mais la prouesse ne réside pas dans l’aspect spectaculaire de l’IA, mais dans l’ancrage profond du système dans la physique, les statistiques et les contraintes techniques pratiques. Les chercheurs n’ont pas simplement jeté des données dans une boîte noire – ils ont d’abord construit un monde virtuel.

Pour entraîner tout modèle basé sur les données, il faut des données. Beaucoup de données. Mais collecter des données de dégradation réelles sur des milliers de batteries dans des conditions contrôlées de variabilité s’avère prohibitivement coûteux et lent. Les études de vieillissement peuvent prendre des années. Pire encore, les batteries réelles ne présentent rarement des défaillances standards. Leur détérioration est influencée par les variations de température, les habitudes de charge erratiques, les tolérances de fabrication et, surtout, les interactions entre les cellules individuelles.

C’est là que commence l’innovation de l’équipe : au lieu d’attendre que le temps dégrade les batteries, ils ont simulé la dégradation. En utilisant un modèle de circuit équivalent Rint simplifié mais validé – choisi délibérément pour son équilibre entre fidélité et efficacité computationnelle – ils ont construit un jumeau numérique d’une batterie de 60 cellules en série. La capacité, la résistance interne et l’état de charge initial (SOC) de chaque cellule ont été variés non pas aléatoirement, mais intelligemment. Guidés par des mesures de terrain issues de la littérature scientifique, ils ont modélisé ces paramètres comme des variables à distribution gaussienne, avec des corrélations réalistes : par exemple, les cellules plus faibles tendent à présenter un SOC légèrement inférieur dans les batteries vieillissantes – une relation confirmée par l’analyse statistique copula des batteries de véhicules électriques retraités.

Résultat ? Une base de données de 6 480 scénarios uniques de batteries, chacun représentant une empreinte sanitaire distincte façonnée par une incohérence multidimensionnelle. Pour chaque batterie simulée, l’équipe a extrait non seulement des métriques scalaires comme la capacité totale, mais quatre indicateurs de performance nuancés :

Capacité disponible
Énergie disponible
Taux d’utilisation de la capacité
Taux d’utilisation de l’énergie

Pourquoi quatre ? Parce que dans les systèmes complexes, la simplification excessive induit en erreur. Une batterie pourrait conserver 90% de sa capacité initiale – mais si sa cellule la plus faible réduit la fenêtre d’utilisation à cause d’un déséquilibre, sa livraison effective d’énergie pourrait être bien pire. C’est là qu’interviennent les taux d’utilisation : ils quantifient le potentiel récupérable encore présent, indiquant si une simple intervention de rééquilibrage pourrait prolonger la durée de vie – ou si la dégradation est trop avancée.

Ces quatre métriques ont ensuite été fusionnées en un score de santé unique et pondéré grâce au processus analytique hiérarchique (AHP), un cadre décisionnel éprouvé qui intègre le jugement d’expert dans la pondération quantitative. La disponibilité énergétique a reçu le poids le plus important (57,2%), reflétant son lien direct avec l’autonomie ; la capacité a suivi (20,92%) ; et les deux métriques d’utilisation ont partagé le reste (10,94% chacune), reconnaissant leur rôle de signaux d’alerte précoce pour les opportunités de maintenance.

Les batteries obtenant un score inférieur à 85 sur 100 ont été étiquetées « mauvais état de santé » – un seuil choisi non arbitrairement, mais avec pragmatisme opérationnel : il signale les unités où la perte de performance commence à affecter la fiabilité de la flotte ou la viabilité en seconde vie.

Maintenant, le vrai test : une machine peut-elle apprendre à reconnaître ces signatures sanitaires rien qu’en observant comment la tension évolue pendant la charge ?

Intervient alors la torsion visuelle.

Plutôt que d’alimenter des données brutes de série temporelle de tension dans un modèle récurrent ou basé sur des transformateurs – courant dans l’analyse des batteries – l’équipe a pris un virage audacieux inspiré par la vision par ordinateur. Ils ont converti le segment local de la courbe de charge à courant constant de chaque batterie en une image en niveaux de gris : 128 × 128 pixels, standardisés et normalisés. Imaginez cela comme un « ECG » haute résolution du comportement de charge de la batterie – où des bosses, des pentes ou des points d’inflexion subtils codent le stress collectif des déséquilibres internes.

Pour interpréter ces portraits de tension, ils ont déployé ResNet-18, une architecture de réseau neuronal convolutif (CNN) légère mais robuste, réputée pour ses blocs d’apprentissage résiduels – des caractéristiques de conception qui empêchent la dégradation des performances à mesure que la profondeur du réseau augmente. Essentiellement, ResNet permet au modèle d’apprendre les différences par rapport aux mappings d’identité, rendant l’entraînement stable et l’extraction de caractéristiques hautement sensible.

Le réseau a été entraîné à effectuer une classification binaire : bon vs mauvais état de santé, basée uniquement sur la morphologie visuelle de la courbe de charge. Aucune télémétrie au niveau cellulaire. Aucune spectroscopie d’impédance. Aucun démontage. Juste un segment de charge propre et standardisé de 30 minutes – exactement le type de données déjà enregistrées par la plupart des systèmes modernes de gestion de batterie (BMS).

Les résultats ont stupéfié les chercheurs eux-mêmes.

Sur un ensemble de tests de 648 échantillons – jamais vus pendant l’entraînement – le modèle a atteint une exactitude globale de 97,07%. Plus impressionnant encore, pour la classe critique – les batteries en mauvais état, celles nécessitant une attention urgente – la précision était de 94,92% et le rappel de 95,31%. En termes simples :

Quand le système signalait une batterie comme malsaine, il avait raison près de 95% du temps (faibles fausses alertes).
Et il détectait plus de 95% des batteries véritablement dégradées (menaces manquées minimales).

Un coefficient Kappa de 93,06% a confirmé un accord quasi parfait entre les étiquettes prédites et réelles – malgré un déséquilibre de classes (seulement ~30% des échantillons étaient en mauvais état), un écueil courant dans l’IA diagnostique.

Crucialement, les erreurs de classification se sont regroupées uniquement près de la frontière décisionnelle de 85 points – exactement où les experts humains pourraient aussi hésiter. Ceci suggère que le modèle ne devine pas ; il détecte de réelles transitions physiologiques dans le comportement de la batterie.

Alors, qu’est-ce que cela signifie pour l’écosystème du véhicule électrique ?

Pour les constructeurs automobiles et les gestionnaires de flottes, la vitesse et l’évolutivité sont existentielles. Imaginez une entreprise de logistique gérant 10 000 véhicules électriques de livraison. Aujourd’hui, évaluer l’état des batteries pourrait impliquer des tests de cyclage de niveau laboratoire – prenant des heures par unité – et manquer encore des incohérences latentes. Avec cette nouvelle méthode, un instantané de santé pourrait être généré automatiquement après chaque charge au dépôt, en utilisant les données existantes du BMS. Aucun matériel supplémentaire. Aucun temps d’arrêt. Juste des tableaux de bord en temps réel signalant les batteries qui dérivent vers le déséquilibre.

Pour les reconstructeurs de batteries et les intégrateurs de seconde vie – ceux qui réutilisent les batteries de véhicules électriques pour le stockage sur réseau – les enjeux sont encore plus élevés. Une batterie mal évaluée peut entraîner une défaillance systémique ou un risque d’incendie. Le classement actuel repose souvent sur les spécifications nominales ou des vérifications de tension ponctuelles, ignorant l’hétérogénéité interne. Ce criblage basé sur le CNN offre un « test de stress » non invasif qui voit la batterie comme un système, pas une somme de parties.

Et pour les consommateurs ? De la transparence. Un score de santé standardisé – soutenu par une IA consciente de la physique – pourrait devenir partie intégrante des rapports de garantie de batterie ou des divulgations de véhicules d’occasion, restaurant la confiance dans les affirmations de longévité des véhicules électriques.

Surtout, la méthode évite deux défauts fatals de nombreux outils d’IA pour batteries :

La surdépendance aux données de laboratoire idéales – en ancrant la simulation dans des modèles d’incohérence empiriques.
L’opacité de la « boîte noire » – en utilisant des inputs interprétables (courbes de tension) et en validant par rapport à des définitions de santé multiparamétriques.

Il ne s’agit pas de l’IA remplaçant les ingénieurs. C’est l’IA amplifiant l’expertise technique – transformant des variations de signal subtiles, autrefois considérées comme du bruit, en intelligence exploitable.

Bien sûr, aucune simulation ne remplace indéfiniment la validation en conditions réelles. L’équipe reconnaît les prochaines étapes : tester le modèle sur des batteries vieillies sous divers profils thermiques et de cyclage, l’étendre aux architectures parallèles, et explorer l’apprentissage par transfert pour s’adapter à de nouvelles chimies de cellules (par exemple, LFP vs NMC) avec un recyclage minimal.

Mais les fondations sont solides. En mariant la physique des circuits équivalents avec l’intuition de la vision par ordinateur, les chercheurs ont comblé un fossé de longue date entre la modélisation théorique des batteries et les diagnostics de première ligne.

Dans un domaine souvent déchiré entre le zèle purement axé sur les données et le dogme rigide des premiers principes, ce travail se distingue par sa synthèse. Ce n’est ni un modèle purement physique trop lent pour une utilisation à l’échelle de la flotte, ni un modèle purement basé sur les données qui s’effondre face au changement de distribution. C’est un hybride – soigneusement calibré, informé par des experts, et résolument pratique.

Alors que les ventes mondiales de véhicules électriques dépassent les 14 millions d’unités annuellement – et que la première vague de batteries des années 2010 arrive en fin de vie – des outils comme celui-ci ne seront pas simplement utiles. Ils seront essentiels.

Parce que quand vous gérez des millions de kilowattheures de stockage d’énergie mobile, deviner n’est pas une option. Vous devez voir la santé – clairement, rapidement et confiantemente.

Et maintenant, grâce à une réinterprétation intelligente d’une ancienne forme d’onde, nous le pouvons enfin.

—

Zhiwei Chen, Weige Zhang, Junwei Zhang, Yanru Zhang
Centre national de recherche et développement technologique pour les réseaux de distribution d’énergie active, Université Jiaotong de Beijing, Beijing 100044, Chine
Science and Technology of Energy Storage, 2023, 12(7): 2211–2219
DOI: 10.19799/j.cnki.2095-4239.2023.0286