Главная проблема подержанных электромобилей решена? Создан метод мгновенной проверки состояния батареи

Литий-ионные аккумуляторы стали основой мобильной электроники, электротранспорта и стационарных накопителей энергии. По мере их распространения перед инженерами встает прикладная задача: как точно определить степень износа батареи непосредственно в процессе ее работы.

Этот показатель в технической литературе называют состоянием исправности — State of Health, или сокращенно SoH. Он отражает отношение текущей емкости аккумулятора к его исходной паспортной величине и выражается в процентах либо в долях единицы: единица соответствует новому устройству, а значения ниже 0,7-0,8 обычно указывают на необходимость замены или перевода батареи из тягового режима в стационарный буферный накопитель.

Сложность оценки SoH состоит в том, что внутри работающего аккумулятора нельзя установить датчики прямого контроля химических изменений. Диагностику приходится строить исключительно на косвенных параметрах — напряжении на клеммах, силе тока и температуре корпуса. Существующие методы либо требуют слишком сложных математических вычислений, которые не помещаются в память встроенных микроконтроллеров, либо дают недопустимо высокую погрешность.

Исследователи из Технологического института Веллора (Индия) разработали гибридную вычислительную систему под названием CNN-AM-APO. Она объединяет одномерные сверточные нейросети, алгоритм адаптивного взвешивания признаков (механизм внимания) и метод оптимизации, воспроизводящий принципы перемещения одноклеточных организмов (Artificial Protozoa Optimization). Описание архитектуры и результаты тестов опубликованы в научном издании Scientific Reports.

Новый подход позволил снизить среднюю абсолютную погрешность прогноза до 1,7% при объеме модели всего 3,4 мегабайта и времени отклика менее четырех миллисекунд.

Физика и химия деградации: почему емкость падает нелинейно

Внутри литий-ионного элемента электрический ток создается направленным перемещением ионов лития между катодом и анодом через жидкий электролит. Этот процесс неизбежно сопровождается побочными явлениями, которые постепенно ухудшают характеристики ячейки:

1. Образование и рост пассивирующего слоя (Solid Electrolyte Interphase, SEI). В ходе первых циклов заряда часть жидкого электролита разлагается на поверхности графитового анода, формируя защитную пленку. Со временем эта пленка продолжает утолщаться. Она связывает и выводит из оборота свободные ионы лития и перекрывает микропоры электрода, что приводит к росту внутреннего электрического сопротивления батареи.
2. Механическая деформация электродов. В процессе внедрения и извлечения ионов кристаллическая решетка активных материалов циклически расширяется и сжимается. Со временем в структуре электродов появляются микротрещины. Площадь эффективного контакта падает, а часть активного материала полностью изолируется от токопроводящих дорожек.
3. Эффект частичной релаксации емкости. Если после интенсивной нагрузки дать аккумулятору отдохнуть, напряжение на его клеммах частично возрастает за счет естественного выравнивания концентрации ионов в объеме электролита. Для простых измерительных приборов это выглядит как внезапное увеличение емкости, хотя фактический износ ячейки никуда не исчезает.

Скорость деградации зависит от условий эксплуатации: температуры окружающей среды, величины зарядных токов, глубины разряда и вибрационных нагрузок. Из-за этого зависимость падения емкости от числа циклов оказывается строго нелинейной. Аккумулятор может работать сотни циклов с минимальными изменениями, а затем продемонстрировать лавинообразное падение характеристик.

Ограничения стандартных методов диагностики

В системах управления батареями (Battery Management System, BMS) традиционно применяют два основных направления оценки состояния ячеек.

1. Физико-химические модели и эквивалентные схемы

Инженеры пытаются описать работу батареи с помощью дифференциальных уравнений или схем замещения, состоящих из резисторов, конденсаторов и источников ЭДС. К этой же категории относится электрохимическая импедансная спектроскопия — измерение комплексного сопротивления батареи при подаче переменного тока разной частоты.

Главное преимущество таких методов — их физическая понятность: каждый параметр схемы соотносится с конкретным физическим явлением, например сопротивлением электролита или емкостью двойного электрического слоя.

Однако на практике эти схемы теряют устойчивость при изменении внешних условий. Колебания температуры требуют постоянного ручного пересчета коэффициентов. Решение систем нелинейных уравнений в реальном времени требует значительных аппаратных мощностей, которыми встроенные автомобильные микроконтроллеры просто не располагают.

2. Традиционные нейросетевые модели

Методы машинного обучения не требуют детального описания электрохимических реакций. Они ищут устойчивые зависимости в массивах измерений: как именно форма кривой разряда или динамика падения напряжения связана с реальным остаточным ресурсом.

Для этих целей применялись различные подходы: метод опорных векторов, рекуррентные нейросети (LSTM, GRU) и архитектуры с механизмом самовнимания (трансформеры).

Однако глубокие нейросети сложны в обучении и громоздки. Трансформеры требуют сотен мегабайтов памяти, огромных размеченных выборок и мощных графических процессоров.

Кроме того, стандартные алгоритмы оптимизации градиентного спуска часто застревают в локальных минимумах функции ошибки. Это состояние, при котором алгоритм находит удовлетворительное, но далеко не самое лучшее сочетание внутренних параметров и прекращает дальнейший поиск. В результате нейросеть начинает совершать грубые ошибки при малейшем отклонении температуры или профиля нагрузки от обучающей выборки.

Архитектура CNN-AM-APO: разделение вычислительного конвейера

Чтобы преодолеть эти ограничения, авторы исследования разделили задачу диагностики на три последовательных этапа: первичное извлечение признаков, оценка их важности и глобальная оптимизация параметров.

Этап 1. Извлечение признаков через одномерные свертки (1D-CNN)

Входные временные ряды предварительно нормализуются, приводясь к единому диапазону от нуля до единицы. Это устраняет дисбаланс между разнородными величинами — например, напряжением в несколько вольт и токами в десятки ампер.

Затем непрерывный поток данных разделяется на отдельные фрагменты методом скользящего окна. Длина каждого окна составляет 50 измерений, а шаг смещения — 10 измерений. В результате соседние сегменты перекрываются на 80%. Это сохраняет непрерывность временного ряда и существенно увеличивает объем обучающих данных.

Одномерные сверточные фильтры последовательно сдвигаются вдоль временной шкалы, рассчитывая скалярные произведения между значениями сигналов и внутренними весами ядер свертки. Сеть фиксирует локальные изменения формы сигналов — кратковременные перепады напряжения и всплески тока. Последующие операции выбора максимального значения (пулинга) сжимают размерность данных, сохраняя только наиболее выраженные параметры деградации.

Этап 2. Выравнивание весов через механизм внимания

Сверточный блок извлекает множество характеристик, однако их практическая ценность неравномерна. На среднем участке разряда напряжение аккумулятора изменяется крайне медленно, поэтому снятые в этот момент данные несут минимум информации о старении ячейки. Напротив, резкий перепад напряжения в начале нагрузки и крутой спад в конце цикла разряда содержат основные признаки снижения емкости.

Блок канального внимания автоматически вычисляет коэффициент полезности каждого отдельного признака. Процесс устроен следующим образом:

1. Исходные признаки пропускаются через линейное преобразование и функцию гиперболического тангенса. Это позволяет оценить промежуточную информационную ценность каждого канала в нелинейном масштабе.
2. Полученные оценки нормализуются специальной функцией экспоненциального распределения (softmax). Она преобразует набор произвольных чисел в единую шкалу коэффициентов от нуля до единицы, сумма которых строго равна единице.
3. Исходный вектор признаков поэлементно умножается на вычисленные коэффициенты.

В результате признаки, отражающие критические фазы разряда ячейки, получают максимальные весовые коэффициенты. Признаки с малоинформативных участков или каналы, содержащие аппаратный шум измерений, принудительно занижаются практически до нуля.

Этап 3. Глобальная настройка параметров алгоритмом искусственных простейших (APO)

На выходе системы полносвязный слой переводит обработанные признаки в единое итоговое число — расчетное значение SoH. Итоговый результат зависит от того, насколько точно подобраны коэффициенты этого слоя и общие гиперпараметры сети: количество сверточных ядер, число блоков внимания, скорость обучения и размер порции данных.

Вместо классического градиентного спуска, склонного к застреванию в субоптимальных точках, авторы применили стохастический популяционный алгоритм Artificial Protozoa Optimization.

Логика алгоритма APO: преодоление локальных тупиков

Традиционные алгоритмы оптимизации оперируют группой виртуальных агентов — набором пробных решений, которые перемещаются в многомерном пространстве поиска и пытаются найти точку с минимальной ошибкой прогноза. Главный недостаток методов вроде алгоритма роя частиц — быстрое вырождение разнообразия. Как только несколько агентов находят относительно глубокую точку снижения ошибки, вся остальная группа устремляется вслед за ними. Если этот минимум оказывается локальным, а не абсолютным, процесс обучения останавливается с неудовлетворительным результатом.

Алгоритм APO воспроизводит базовые поведенческие реакции одноклеточных организмов (инфузорий и амеб), формализуя их в виде строгих математических правил:

1. Хемотаксис. В биологии это направленное перемещение клетки в сторону более высокой концентрации питательных веществ. В вычислительной модели каждый агент анализирует текущие результаты всей группы, определяет координаты наилучшего решения (с минимальной ошибкой предсказания износа) и выполняет направленное смещение в эту сторону.
2. Адаптивная регуляция масштаба поиска. Алгоритм динамически изменяет величину расчетного шага. На начальных итерациях шаг выбирается большим для быстрого сканирования всего пространства параметров. По мере стабилизации результатов шаг автоматически уменьшается для плавной локальной доводки весовых коэффициентов.
3. Стохастическое возмущение координат. Это главное правило, защищающее модель от преждевременной остановки. Позиция каждого агента на каждом шаге рассчитывается как сумма трех слагаемых: текущего положения агента;вектора направленного движения к глобально лучшему решению популяции, умноженного на постоянный коэффициент притяжения (авторы зафиксировали его на значении 0,7);случайного возмущающего воздействия.

Воздействующий компонент формируется из малого коэффициента случайности (0,03) и вектора случайных чисел, подчиняющихся стандартному нормальному распределению Гаусса.

Если основная формула непрерывно стягивает агентов к текущей лучшей точке, то случайное гауссовское воздействие постоянно сбивает их траектории в произвольных направлениях. Это искусственно удерживает популяцию от преждевременного скопления в одной точке.

В результате алгоритм непрерывно проверяет соседние области и покидает локальные тупики. Процесс сходимости занимает всего 12-15 шагов, после чего ошибка стабилизируется на минимальной отметке.

Экспериментальная проверка на эталонных данных

Для верификации метода авторы взяли открытый набор данных деградации литий-ионных элементов Центра прогностики NASA, размещенный в репозитории Kaggle. Набор содержит непрерывные синхронные замеры напряжения, тока и температуры для четырех коммерческих аккумуляторов типоразмера 18650. Ячейки циклировали на лабораторных стендах до полной выработки ресурса, суммарный объем составил 672 полных цикла заряда и разряда.

Методология разделения данных без утечек (Battery-wise split)

В исследованиях по машинному обучению распространена методическая ошибка: случайное перемешивание измерений разных батарей между обучающей и проверочной выборками. В таком случае в проверочную часть попадают данные тех же самых физических аккумуляторов, из-за чего сеть просто воспроизводит ранее заученные индивидуальные характеристики конкретных образцов.

Авторы применили строгое разделение по отдельным ячейкам:

• 70% общего объема данных использовались исключительно для обучения;
• 10% — для промежуточной валидации и ранней остановки при угрозе переобучения;
• 20% (одна независимая батарея) — оставались полностью изолированными и использовались только на финальном этапе тестирования.

Таким образом проверялась способность системы оценивать деградацию батареи, с характеристиками которой сеть никогда прежде не сталкивалась.

Результаты сравнительного тестирования

Точность оценивали по коэффициенту детерминации (R², показывающему долю объясненной дисперсии данных в процентах), среднеквадратичной ошибке (RMSE), средней абсолютной ошибке (MAE) и средней абсолютной процентной ошибке (MAPE).

Анализ результатов позволяет сделать следующие выводы:

• Изолированное применение одномерных сверток (1D-CNN) дает невысокую точность (R² = 70,70%). Сверточные слои находят локальные всплески сигналов, но плохо удерживают долговременный контекст деградации.
• Сети с механизмом самовнимания (Transformer Encoder) превосходят классические рекуррентные схемы (R² = 86,88%), однако требуют чрезмерных вычислительных затрат.
• Комбинация сверточных слоев, механизма канального внимания и оптимизатора APO обеспечивает наивысшую точность (R² = 95,60%). Среднеквадратичная ошибка модели снизилась на 61,2% по сравнению с базовой CNN, а абсолютная ошибка предсказания составила всего 0,017 единицы от диапазона SoH.

Аппаратная эффективность: параметры для встраиваемых систем

Точность нейросети бесполезна для инженеров, если ее невозможно развернуть на серийном микроконтроллере системы BMS. Авторы провели детальный замер производительности архитектуры:

• Размер обученного файла модели: 3,4 мегабайта.
• Общее число настраиваемых параметров: 410 000 (0,41 миллиона).
• Время расчета одного окна данных (инференс): 3,8 миллисекунды.
• Пиковый объем оперативной памяти видеокарты при обучении: 2,3 гигабайта.
• Суммарное время обучения на стандартной видеокарте RTX 3060: 18,4 минуты.

Вычислительно сложный поиск параметров с помощью алгоритма искусственных простейших проводится лишь один раз — на этапе предварительной заводской калибровки на компьютере.

В реальном устройстве алгоритм оптимизации не запускается. Микроконтроллер выполняет только прямой математический расчет (forward pass) через уже настроенные слои свертки и внимания. Задержка в 3,8 миллисекунды дает возможность автомобильной системе последовательно опрашивать сотни отдельных ячеек батарейного блока в режиме реального времени, не создавая критической нагрузки на внутреннюю цифровую шину управления.

Прикладные задачи и практическое значение

Повышение точности расчета SoH до 95,6% решает три конкретные прикладные проблемы современной электротехники.

1. Балансировка элементов и предотвращение теплового разгона

Тяговый аккумулятор электромобиля состоит из сотен ячеек, соединенных в последовательно-параллельные модули. Внутри герметичного корпуса температура распределяется неравномерно: ячейки в центре блока нагреваются сильнее, чем элементы по краям. В результате деградация идет с разной скоростью.

Если система управления не способна своевременно распознать потерявшую емкость ячейку, она продолжит заряжать весь блок стандартным общим током. Изношенная ячейка начнет перезаряжаться, перегреваться, что ведет к разрушению разделительного полимерного сепаратора и риску короткого замыкания с последующим самовоспламенением. Точный расчет SoH позволяет контроллеру вовремя перераспределить балансировочные токи между ячейками.

2. Достоверная диагностика на вторичном рынке

Определение остаточного ресурса подержанных электромобилей остается сложной задачей: бортовые системы большинства машин пересчитывают SoH только при редких полных циклах заряда от нуля до ста процентов. Компактная нейросеть способна вычислить износ аккумулятора по фрагментарным данным коротких поездок в произвольных режимах, обеспечивая объективную техническую оценку батарейных сборок.

3. Вторичное использование аккумуляторов (программы Second Life)

Когда емкость тяговой батареи снижается до 70-80% от начального значения, запас хода автомобиля падает, и аккумулятор подлежит демонтажу. При этом ячейки сохраняют значительный ресурс и могут эксплуатироваться еще 10-15 лет в составе буферных накопителей солнечных и ветровых электростанций.

Главное препятствие для их повторного применения — дороговизна сортировки: чтобы разделить отработанные аккумуляторы по фактическому состоянию, их приходится тестировать на стационарных стендах на протяжении многих часов. Архитектура CNN-AM-APO позволяет провести первичную оценку состояния ячейки за доли секунды по коротким телеметрическим логам.

Направления дальнейших исследований

В текущей версии система формирует точечный прогноз: она рассчитывает конкретную величину SoH, но пока не определяет доверительные интервалы для единичных нестандартных ситуаций — например, при резких скачках температуры или аномальных импульсах тока.

В дальнейшем разработчики планируют добавить вероятностные методы оценки неопределенности (байесовские нейросети или метод Монте-Карло с прореживанием). Это позволит алгоритму не просто сообщать степень износа, но и информировать бортовой компьютер о степени статистической уверенности в полученном результате.

Исследование наглядно демонстрирует: для достижения высокой точности диагностики износа необязательно наращивать вычислительную сложность нейросетей. Четкое разделение функций между сверточными слоями, механизмами подавления шума и стохастическими методами глобальной оптимизации позволяет создавать компактные и быстрые модели, полностью совместимые с серийной микроэлектроникой.

Источник: Scientific Reports