Rilevamento Anomalie nella Distribuzione di Temperatura con Reti Bayesiane

Articolo in Italiano:Il sistema di rilevamento anomalie termiche di AFAX POWER utilizza reti bayesiane dinamiche (DBN) per modellare le relazioni probabilistiche tra 28 punti di misurazione della temperatura in un pacco batteria. A differenza dei metodi basati su soglie fisse, questo approccio considera la struttura di correlazione termica normale e rileva deviazioni dai pattern attesi anche quando tutte le temperature rientrano nei range nominali.

La DBN modella la distribuzione congiunta delle temperature come una rete di dipendenze condizionali che evolve nel tempo. Durante la fase di apprendimento (primi 20 cicli di una nuova batteria), il sistema costruisce un "thermal fingerprint" che include: gradienti termici tipici, profili di riscaldamento/raffreddamento, correlazioni spazio-temporali e risposta a diversi carichi.

L'algoritmo di inferenza utilizza message passing per calcolare in tempo reale la probabilità che le temperature osservate siano coerenti con il modello. Quando questa probabilità scende sotto lo 0,1%, il sistema genera allarmi precoci, identificando anche il tipo di anomalia: hotspot localizzato, raffreddamento insufficiente, isolamento termico difettoso o contatto elettrico problematico.

Una caratteristica unica è il "Causal Anomaly Localization": invece di limitarsi a segnalare l'anomalia, la rete bayesiana traccia le relazioni causali per identificare il punto di origine del problema. Questo permette di distinguere tra cause primarie (es. cella difettosa) e effetti secondari (es. riscaldamento di celle vicine per conduzione).

Il sistema include anche modelli di anomalia specifici per diverse chimiche di batteria, riconoscendo che pattern termici anomali per celle NMC possono essere normali per celle LFP, e viceversa. La capacità di adattamento contestuale riduce i falsi positivi del 73% rispetto ai sistemi generici.