La santé des batteries à partir des seuls journaux de vol.

Ce que signifie l’état de santé sur la ligne de vol

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 doit sortir de la rotation 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.

Sur la ligne de vol, cela fait du SoH le chiffre dont tout le reste dépend. Une batterie à 85 pour cent a perdu un sixième de l’endurance sur laquelle la mission a été planifiée, et si la planification supposait une batterie neuve, la réserve que le pilote croit avoir n’existe pas. Retirez les batteries trop tôt et le budget de pièces paie pour de la capacité jamais utilisée. Retirez-les trop tard, ou à un nombre de cycles qui traite toutes les batteries de la même façon, et le mode de défaillance est un appareil qui tombe en pleine mission. Prédisez le SoH avec précision et ces deux décisions deviennent des décisions de planification appuyées par des preuves.

Pourquoi les batteries de drones sont plus difficiles à modéliser que celles des véhicules électriques

La prédiction du SoH par apprentissage automatique est un sujet mature pour les véhicules électriques. Les drones avaient été largement négligés, et pas par manque d’intérêt. Les contraintes diffèrent de cinq façons :

• Rareté des données. Les données d’entraînement viennent d’essais de cycle de vie jusqu’à la panne, 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. Une même cellule accepte des batteries de nombreuses marques, tailles, capacités et tensions, 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 connaît jamais.
• Une vérité terrain coûteuse. La capacité restante ne peut être mesurée qu’en déchargeant complètement la batterie, ce qui l’endommage, alors une étiquette ne peut pas être recueillie 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 plutôt que 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 bâti autour 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 pendant que le contrôleur enregistrait la tension et le courant de sortie à 10 Hz. Les vols couvraient des masses au décollage 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 chaque fois.

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 sur 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. L’article énonce cette hypothèse ouvertement, et c’est ainsi que les 631 vols se sont retrouvés avec une étiquette utilisable.

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 image et on laisse un modèle de vision qui a déjà appris de 14 millions de photos faire l’extraction de caractéristiques. Chaque vol passe par les étapes suivantes :

1. Chaque signal (tension, courant, gaz) est une série unidimensionnelle de mesures sur la durée du vol. Elle est normalisée sur une plage de 0 à 255, l’échelle d’un pixel en niveaux de gris.
2. La série est remodelée en une matrice bidimensionnelle de 112 colonnes et arrondie 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.
3. 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.
4. 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.
5. 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 à cette étape.
6. De petites couches entièrement connectées, entraînables, font correspondre ces 2 048 caractéristiques à un seul nombre : la capacité restante prédite après ce vol.
7. 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 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 une flotte, c’est la propriété qui compte : quand un nouveau type de batterie entre en service, un modèle entraîné sur les batteries que vous faites déjà voler s’y adapte 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. Les trois ont été évalués sur la même batterie de test jamais vue :

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, l’entraînement s’est poursuivi sur un jeu de données plus grand, et l’erreur en test du modèle actuel se situe à 1,57 pour cent.

Ce que ça change sur la ligne de vol

• 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 la capacité prédite approche 80 pour cent, et pas avant. C’est de là que viennent les économies sur les pièces, et c’est une décision que vous pouvez documenter au dossier de maintenance avec les preuves qui la soutiennent.
• La rotation suit la santé, pas l’âge. Deux batteries achetées le même jour ne se dégradent pas au même rythme. Un SoH par batterie permet aux plus saines de porter les longues missions et aux plus usées de faire des travaux locaux courts jusqu’à leur retrait, au lieu de traiter chaque batterie comme la moyenne de la flotte.
• Les marges d’endurance redeviennent réelles. Planifier la mission sur la capacité prédite de la batterie réellement installée, plutôt que sur sa valeur nominale, rétablit la réserve sur laquelle le pilote compte. Une erreur de prédiction de 2 pour cent est une marge qu’on peut planifier; un nombre de cycles ne l’est pas.
• 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, alors toute solution qui vous demande d’instrumenter vos appareils d’abord devrait expliquer pourquoi.
• Les nouveaux types de batteries s’ajoutent à peu de frais. L’apprentissage par transfert signifie qu’un modèle entraîné sur les batteries que vous faites déjà voler s’adapte à un nouveau type avec une fraction des vols, alors une flotte n’est pas captive d’une marque ou d’une capacité.
• La précision doit être rapportée sur des batteries jamais vues. Le chiffre de 2,26 pour cent est mesuré sur une batterie sur laquelle le modèle n’a jamais été entraîné, et c’est le seul chiffre qui prédit la performance réelle. Une précision vedette mesurée sur les batteries d’entraînement n’est pas comparable.

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 portrait à l’échelle de la flotte, y compris ce que la réglementation exige de vos dossiers et quoi exiger de toute solution avant qu’elle ne touche à vos appareils, est dans le guide compagnon sur la maintenance prédictive des flottes de drones.

Qui a mené la recherche, et où se situe Vermilion

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, fondateur de Vermilion. 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, menée par sa division Laboratoires. Vermilion est la plateforme de production qui en est issue : un modèle de raisonnement informé par la physique, incubé dans le studio de création d’entreprises de Vozwin, fonctionnant maintenant comme sa propre entreprise, et disponible pour un déploiement en périphérie, dans le nuage ou hors réseau. Dans Vermilion, une estimation fondée sur les données comme celle-ci est livrée avec le raisonnement et la confiance dont un responsable de maintenance a besoin pour agir; la plateforme est décrite sur la page Vermilion de ce site. Vozwin Aérospatiale travaille le côté aéronef : les plateformes UAV que nous construisons enregistrent ces signaux dès le premier vol, et pour les exploitants d’une flotte mixte nous pouvons définir comment les batteries que vous faites voler, les dossiers que vous tenez et le modèle s’articulent.

Questions fréquentes

À lire ensuite

• Maintenance prédictive des flottes de drones : navigabilité, carnets et planification fondée sur les faits
• Vermilion : IA informée par la physique pour la maintenance aérospatiale
• Plateformes UAV et gammes de produits Vozwin

Sources

• Xie, Kong, Latreche, Smith, Mosconi, Zhao : Machine Learning-Based Battery State-of-health Prediction for UAV Predictive Maintenance (arXiv:2607.06791, en anglais)
• He, Zhang, Ren, Sun : Deep Residual Learning for Image Recognition (l’article ResNet, en anglais)
• Vozwin : le programme de recherche derrière ces travaux, dans le guide de la société mère
• Vermilion : la recherche expliquée pour les acheteurs, le guide produit compagnon de celui-ci
• Programme Accélération de Mitacs