Automated Battery Database
Déterminer le comportement de vieillissement des batteries secondaires est difficile & prend beaucoup de temps. Cela complique leur utilisation de seconde vie. Le projet Innosuisse Automated Battery Database a pour objectif de changer cela.
Fiche signalétique
- Département responsable Technique et informatique
- Institut(s) Institut des systèmes industriels intelligents (I3S)
- Unité(s) de recherche I3S / Prozessoptimierung in der Fertigung
- Organisation d'encouragement Innosuisse
- Durée (prévue) 01.07.2021 - 31.12.2024
- Responsable du projet Prof. Dr. Axel Fuerst
- Direction du projet Prof. Dr. Axel Fuerst
-
Équipe du projet
Michael Stalder
BSc Maschinentechnik Marcel-David Zwahlen
Matthias Steck
Yanis Joël Lupberger
Martin Böll - Partenaire Battronics Engineering
- Mots-clés Vieillissement des batteries, diagnostic, machine learning
Situation
Déterminer et prédire le comportement de vieillissement des batteries est difficile et prend beaucoup de temps. Pour connaitre exactement leur comportement, près de 60 à 120 batteries du même type doivent subir plusieurs milliers de cycles de charge et de décharge. Les données relatives à ces tests sont souvent dispersées sur différents serveurs et ne sont pas toujours faciles à trouver. Les batteries ont une zone de vieillissement linéaire qui, à partir d’un certain point, cède assez soudainement la place à une zone présentant un comportement non linéaire. Ce point est pratiquement impossible à prédire avec les méthodes actuelles, étant donné que de nombreux modèles utilisent des courbes polynomiales pour prévoir la perte de capacité et l’augmentation de la résistance. Et ces courbes ne sont rien d’autre que des extrapolations du comportement connu. Il est donc extrêmement difficile, voire impossible, de déterminer le potentiel des batteries dans des utilisations de seconde vie.
Approche
Le projet utilise comme point de départ des données existantes, en accès libre et provenant de sources scientifiques. Ces données sont compilées dans un format homogène. Les erreurs sont corrigées et le tout est enregistré dans une base de données SQL. Ces données permettent de faire différentes prédictions linéaires qui, dans un premier temps, ne reposent encore sur aucun modèle physique. En outre, des données actuelles et des données dites « teardown » sont collectées afin d’élaborer des modèles physiquement adaptés. Des algorithmes de machine learning sont ensuite associés à ces modèles afin de récolter des informations plus précises sur le vieillissement et l’état des batteries. Enfin, les client e s peuvent charger leurs propres données dans la base de données et les faire analyser. L’objectif consiste en outre à trouver la meilleure batterie pour une l’utilisation recherchée.
