Apprendimento Automatico per la Classificazione degli Stati di Degrado delle Celle

Articolo in Italiano:Il sistema di classificazione del degrado di AFAX POWER utilizza un ensemble di 9 modelli di machine learning specializzati nel categorizzare lo stato di degrado delle celle in 12 classi distinte, dalla "cella nuova" alla "cella a fine vita con rischi specifici". L'architettura combina Random Forest per feature selection, SVM per classificazione binaria iniziale e reti neurali profonde per la categorizzazione finale.

Il processo inizia con l'estrazione di 234 feature da 5 diverse modalità di dati: elettriche (curve di carica/scarica, EIS), termiche (mappe di distribuzione), meccaniche (espansione/contrazione), chimiche (analisi gassosa per batterie con sensori) e temporali (pattern di degrado storico). Un algoritmo di riduzione della dimensionalità (t-SNE) proietta queste feature in uno spazio 3D dove le classi di degrado sono naturalmente separate.

La classificazione avviene su due livelli: il primo identifica il tipo dominante di degrado (loss di litio, crescita SEI, ossidazione dell'elettrolita, ecc.), il secondo quantifica la severità su una scala da 1 a 10. Il sistema assegna anche un "indice di rischio composito" che combina la probabilità di guasto con le conseguenze potenziali.

Una caratteristica avanzata è il "Degradation Pathway Analysis": invece di classificare solo lo stato attuale, il sistema identifica il percorso di degrado più probabile che la cella sta seguendo, predice lo stato futuro a 100 e 500 cicli, e suggerisce interventi per modificare il percorso verso esiti più favorevoli.

Il sistema utilizza active learning: quando incontra pattern di degrado ambigui o nuovi, segnala la necessità di etichettatura umana, migliorando continuamente il proprio database di conoscenza. Dopo 18 mesi di implementazione, l'accuratezza di classificazione è aumentata dal 91% al 96,7%.