L'état de santé (SoH) d'une batterie est la part de sa capacité d'origine qu'elle peut encore fournir, et une batterie de drone est considérée en fin de vie à 80 pour cent. La recherche de Vozwin avec l'Université McGill et l'Université de Sherbrooke montre que l'apprentissage automatique peut prédire le SoH d'une batterie de drone à 2,26 pour cent près en utilisant uniquement la tension, le courant et les gaz enregistrés pendant des vols normaux, sans capteur supplémentaire, en convertissant les journaux de vol en images et en transférant les connaissances d'un type de batterie à l'autre.
C'est important parce que les batteries au lithium sont le composant le plus susceptible d'écourter le vol d'un drone, et celui que les exploitants connaissent le moins. Ce guide explique ce que la recherche cherchait à résoudre, comment les données ont été recueillies, pourquoi les journaux de vol ont été transformés en images, ce qu'a apporté l'apprentissage par transfert, et ce que signifient les résultats si vous exploitez une flotte. L'article évalué par les pairs est lié sous Sources.
Ce que signifie l'état de santé d'une batterie pour un drone
Chaque cycle de charge et de décharge dégrade un peu une batterie au lithium. L'état de santé suit cette dégradation sous forme de capacité restante : une batterie de 2 200 mAh qui n'en retient plus que 1 980 est à 90 pour cent de SoH. La pratique de l'industrie, et l'article, considèrent 80 pour cent comme la fin de vie, le point où une batterie devrait être retirée avant qu'une cellule ne lâche. La résistance interne est l'autre indicateur de santé, mais ni elle ni la capacité restante ne peuvent être mesurées directement en vol.
Pour un drone, cela fait du SoH le chiffre qui décide de tout le reste : combien de temps une mission peut durer en sécurité, quand une batterie doit sortir de la rotation, et si le budget de pièces de rechange d'une flotte part en batteries qui avaient encore de la vie. Prédisez-le avec précision et la maintenance prédictive de la batterie devient un problème de planification plutôt qu'un jeu de devinettes. Trompez-vous et le mode de défaillance est un appareil qui tombe du ciel.
Pourquoi les batteries de drones sont plus difficiles à modéliser que celles des véhicules électriques
La prédiction du SoH par apprentissage automatique est bien étudiée pour les véhicules électriques. Les drones ont été largement négligés, et pas par manque d'intérêt. Les contraintes sont différentes :
- Rareté des données. Les essais de cycle de vie jusqu'à la panne sont la façon d'obtenir des données d'entraînement, et pour les batteries de drones il n'y en avait presque aucune de publiée. Chaque batterie doit être volée à répétition jusqu'à sa mort.
- Variété. Un drone est compatible avec de nombreuses batteries de marques, tailles, capacités et tensions de fonctionnement différentes, et un exploitant en possède typiquement plusieurs. Un seul modèle doit composer avec toutes.
- Pas de place pour des capteurs. La température est l'un des signaux les plus informatifs sur la santé d'une batterie, mais un capteur de température est du poids en plus, alors l'article travaille délibérément sans. Les entrées se limitent à ce que le contrôleur de vol enregistre déjà.
- Bruit humain et environnemental. Les habitudes du pilote, la charge utile, le vent et la météo changent la sollicitation d'une batterie d'un vol à l'autre, d'une façon que le groupe motopropulseur d'un véhicule électrique ne voit jamais.
- La vérité terrain coûte cher. La capacité restante ne peut être mesurée qu'en déchargeant complètement la batterie, ce qui l'endommage, alors les étiquettes ne peuvent pas être recueillies après chaque vol.
Les gros modèles de séries temporelles comme les transformeurs, l'état de l'art pour la prévision de batteries quand les données abondent, surapprennent gravement sur des jeux de données aussi petits. La recherche avait besoin d'une méthode capable d'apprendre à partir de quelques centaines de vols, pas de quelques centaines de milliers.
Comment les données ont été recueillies : 631 essais en vol
Plutôt que de cycler les batteries sur un banc, l'équipe les a déchargées comme le ferait un exploitant : en volant. Un quadricoptère léger équipé d'un contrôleur de vol Holybro Pixhawk 4 Mini, de quatre moteurs de 2300 kV et d'un contrôleur de vitesse électronique 4-en-1 a effectué des profils de décollage, de vol stabilisé et d'atterrissage, le contrôleur enregistrant la tension et le courant de sortie à 10 Hz. Les vols couvraient des masses totales de 150 à 250 grammes et des durées de 5 à 15 minutes pour représenter un éventail réaliste de missions. Après chaque vol, la batterie était rechargée sur un chargeur équilibreur selon le même protocole.
| Batterie | Marque | Capacité | Cellules | Taux de décharge | Batteries testées | Expériences de vol |
|---|---|---|---|---|---|---|
| Type 1 | SIGP | 1 100 mAh | 3S, 11,1 V | 20C | 5 | 289 |
| Type 2 | RoaringTop | 2 200 mAh | 3S, 11,1 V | 25C | 3 | 342 |
Les deux sont des batteries lithium-polymère typiques des drones légers. Les batteries de 2 200 mAh ont produit plus de vols chacune parce qu'elles prennent plus de cycles pour atteindre la fin de vie.
Parce qu'une décharge complète endommage la batterie, la capacité restante n'a été mesurée avec un testeur qu'après chaque dixième vol, les dix vols intermédiaires étant effectués à la même masse et à la même durée. La capacité de chaque vol intermédiaire a été interpolée linéairement entre les deux mesures encadrantes. C'est une hypothèse raisonnable que l'article énonce ouvertement, et c'est ainsi que 631 vols se sont retrouvés avec une étiquette utilisable chacun.
Transformer les journaux de vol en images
L'idée centrale de l'article est un contournement de la rareté des données : plutôt que d'entraîner un gros modèle de séries temporelles à partir de zéro, on remodèle les données de capteurs de chaque vol en une image et on laisse un modèle de vision qui a déjà vu 14 millions d'images faire l'extraction de caractéristiques. Chaque vol passe par les étapes suivantes :
- Chaque signal (tension, courant, gaz) est un tableau unidimensionnel de mesures sur la durée du vol. Il est normalisé sur une plage de 0 à 255, l'échelle d'un pixel en niveaux de gris.
- Le tableau est remodelé en une matrice bidimensionnelle de 112 colonnes et arrondi en nombres entiers, ce qui donne une image en niveaux de gris par signal. La résolution est réduite, mais les images distinguent encore des variations de tension de 0,05 V et de courant de 0,0075 A.
- Les trois images en niveaux de gris sont empilées en une seule image à trois canaux, un canal par signal, comme le rouge, le vert et le bleu d'une photographie.
- Comme les vols n'ont pas tous la même durée, les images sont complétées en noir jusqu'à une taille commune puis redimensionnées à 80 par 80 pixels, la taille d'entrée utilisée pour ResNet-50.
- Un ResNet-50 préentraîné sur ImageNet, aux poids gelés, transforme chaque image en un vecteur de 2 048 caractéristiques. Aucun entraînement propre aux batteries ne se fait ici.
- De petites couches entièrement connectées, entraînables, font correspondre ces 2 048 caractéristiques à un seul nombre : la capacité restante prédite après ce vol.
- La capacité restante du vol précédent est fournie comme entrée supplémentaire (autorégression), pour que le modèle transporte l'historique plutôt que de juger chaque vol isolément.
Parce que ResNet-50 fait le gros du travail avec des poids que personne n'a à entraîner, le nombre de paramètres entraînables est assez petit pour apprendre à partir de quelques centaines de vols sans surapprentissage. Les hyperparamètres ont été réglés en échantillonnant 500 configurations candidates par hypercube latin et en retenant celle qui affichait la plus faible erreur de validation sur 2 000 époques.
L'apprentissage par transfert entre deux types de batteries
La deuxième idée répond à la variété. La cible était la batterie de 1 100 mAh, qui avait le plus petit jeu de données : 4 batteries et 203 vols pour l'entraînement, et 1 batterie mise de côté avec 86 vols pour le test. Les 342 vols des batteries de 2 200 mAh ont d'abord servi à préentraîner les couches entièrement connectées, puis le modèle a été affiné sur les données d'entraînement des 1 100 mAh. En pratique, le modèle a appris à quoi ressemble la dégradation d'une batterie sur une chimie et une taille, puis a adapté ces connaissances à une autre.
L'effet se voit dans la courbe d'entraînement. Juste après le passage aux nouvelles données de batterie, la perte a brièvement augmenté, puis est descendue sous celle du modèle entraîné sans transfert. À la dernière époque, la perte d'entraînement avec transfert était de 28 pour cent inférieure à celle sans transfert. Pour un exploitant, c'est la propriété qui compte : un modèle entraîné sur les batteries que vous avez peut être adapté à un nouveau type avec bien moins de vols qu'en repartant de zéro.
Les résultats
L'approche proposée a été comparée à deux modèles couramment utilisés pour la prédiction du SoH des batteries, un réseau de neurones convolutif entraîné à partir de zéro et un transformeur, chacun réglé avec la même recherche d'hyperparamètres. Tous ont été évalués sur la même batterie de test jamais vue :
| Modèle | MSE en test | Erreur en test (MAPE) |
|---|---|---|
| CNN | 0,0102 | 7,83 % |
| Transformeur | 0,0175 | 9,22 % |
| ResNet-50, sans apprentissage par transfert | 0,0053 | 3,47 % |
| ResNet-50 avec apprentissage par transfert | 0,0027 | 2,26 % |
MSE : erreur quadratique moyenne; MAPE : erreur absolue moyenne en pourcentage, soit l'ampleur moyenne de l'écart de prédiction par rapport à la vraie capacité restante. Jeu de test : une batterie de 1 100 mAh et 86 vols que le modèle n'a jamais vus à l'entraînement.
Deux choses ressortent. Le transformeur, le modèle le plus sophistiqué de la comparaison, a fait le pire résultat en test et a lourdement surappris les données d'entraînement, exactement l'échec dû à la rareté des données que l'article voulait éviter. Et le modèle de vision préentraîné seul battait déjà les deux références par une large marge; l'apprentissage par transfert a ensuite réduit son erreur restante d'un tiers.
Depuis la publication, Vozwin a poursuivi l'entraînement du modèle sur un jeu de données plus grand, et l'erreur en test se situe actuellement à 1,57 pour cent.
Ce que ça signifie pour les exploitants de flottes
- Ça fonctionne avec les données que vous avez déjà. La tension, le courant et les gaz sont enregistrés par tout contrôleur de vol moderne. Aucun matériel à ajouter, aucune pénalité de poids.
- Ça fonctionne avec de petits jeux de données. Quelques centaines de vols sur une poignée de batteries ont suffi pour une précision de 2,26 pour cent. Pas besoin d'années d'historique pour commencer.
- Les nouveaux types de batteries s'ajoutent à peu de frais. L'apprentissage par transfert signifie qu'un modèle entraîné sur vos batteries actuelles s'adapte à un nouveau type avec une fraction des vols.
- La mise au rancart devient une décision fondée sur les données. Au lieu de retirer les batteries à un nombre de cycles prudent, vous les retirez quand leur capacité prédite approche 80 pour cent, et pas avant.
- C'est une fondation, pas une ligne d'arrivée. Le même pipeline s'étend aux moteurs et à d'autres composants, et c'est la direction qu'a prise le travail depuis.
Les limites et la suite
L'article est prudent sur sa portée, et quiconque le lit devrait l'être aussi :
- Seuls les cycles de décharge ont été modélisés. Les données de charge sont rarement disponibles pour les batteries de drones en pratique, alors elles n'ont pas été recueillies.
- Une seule cellule, deux types de batteries. Une validation plus large sur d'autres drones et chimies est la suite évidente, et c'est ce que fait l'entraînement continu depuis la publication.
- Les étiquettes entre les vérifications par décharge complète sont interpolées, ce qui suppose une dégradation à peu près uniforme sur dix vols semblables.
- La température, l'un des signaux de santé les plus forts, a été écartée volontairement pour respecter la contrainte de poids. Là où une plateforme l'enregistre, elle devrait aider.
Le moteur est le prochain composant. Les travaux subséquents de Vozwin prédisent l'état de santé des moteurs à partir des accéléromètres, gyroscopes, baromètre et GPS qu'un drone transporte déjà, plus les images de la caméra pour capter l'instabilité visuelle que produit un moteur qui se dégrade. Le contexte plus large, et quoi chercher dans une solution à l'échelle de la flotte, est dans notre guide sur la maintenance prédictive des flottes de drones.
Qui a mené la recherche
L'article a été rédigé par Jiarui Xie, Lingchen Kong et Yaoyao Fiona Zhao du Département de génie mécanique de l'Université McGill; Mohamed Rami Latreche et Elaine Mosconi du Département de systèmes d'information et méthodes quantitatives de gestion de l'Université de Sherbrooke; et Sean Smith de Vozwin. Il s'inscrit dans le projet PHUMS établi par Vozwin, avec la conception du drone et les expériences guidées par Fabio Bandera de Vozwin, et a été soutenu par le programme Accélération de Mitacs et les projets collaboratifs de R-D en transformation numérique, intelligente et durable du Réseau SDG Innovation Network.
Vozwin possède la technologie présentée dans la recherche. Elle a été menée par la division Laboratoires de Vozwin, et la plateforme commerciale de maintenance prédictive qui en est issue, Vermilion, a été incubée dans le studio de création d'entreprises de Vozwin et fonctionne maintenant comme sa propre entreprise.