Big data analytics per la diagnostica predittiva e proattiva di sistemi batteria di auto elettriche

L'idea alla base del progetto è stata quella di sviluppare una metodologia di analisi e di sviluppo di tecniche per la diagnosi e la previsione dello stato di carica e di salute delle batterie agli ioni di litio per applicazioni automobilistiche. Per le batterie agli ioni di litio, la funzionalità residua è misurata in termini di stato di salute, tuttavia questo valore non può essere direttamente associato ad un valore misurabile, di conseguenza è necessario stimarlo. Lo sviluppo degli algoritmi è basato sull'identificazione delle cause di degrado delle batterie, al fine di modellarne e prevederne il comportamento. Sono stati dunque sviluppati modelli in grado di prevedere il comportamento elettrico e termico, e di invecchiamento della batteria. Oltre al modello, è stato necessario sviluppare algoritmi in grado di monitorare lo stato della batteria, online e offline, questo è stato possibile con l'utilizzo di algoritmi basati su filtri di Kalman, che permettono la stima dello stato del sistema in tempo reale. Attraverso algoritmi di machine learning, che consentono di analizzare offline il deterioramento della batteria con un approccio statistico, è possibile analizzare le informazioni dell'intera flotta di veicoli. Entrambi i sistemi lavorano in sinergia al fine di ottenere le migliori prestazioni. La validazione è stata eseguita con test di laboratorio su diverse batterie e in diverse condizioni. Lo sviluppo del modello ha permesso di ridurre il tempo delle prove sperimentali. Alcuni fenomeni specifici sono stati testati in laboratorio, e gli altri casi sono stati generati artificialmente.