A method for estimating the Remaining Useful Life of lithium-ion batteries when nearing end of life

Batteries, and in particular lithium-ion batteries, have recently begun to play a significant role in many everyday technologies, from portable electronics to electric vehicles and renewable energy storage systems. The estimation of the battery's Remaining Useful Life (RUL), which is a gauge of how long the battery can be used before its life ends, is a crucial component of battery technology. Accurate estimation of RUL can help optimizing the use of batteries and reduce the costs of maintenance and replacement. If a battery's RUL can be determined with sufficient accuracy, especially when approaching the end of its life, it can be replaced before it degrades and harms the system it powers. As a consequence, the likelihood of failure or downtime is lowered and the system lasts longer. In this thesis, we propose a method for RUL estimation based on a convolutional and Long Short-Term Memory (LSTM) neural network with attention. The attention mechanism allows to identify the portion of input that impacts on the estimate the most. We also employ a data augmentation method to improve estimation accuracy in case of unbalanced data or in case of a dataset with few batteries, and a customized loss function to give more relevance to errors made in the last life cycles of batteries during training in order to improve the model estimation accuracy near the battery End of Life (EoL). To evaluate the proposed method we employ three different datasets, one from a MIT-Toyota collaboration, one from Sandia National Laboratories, and a proprietary one, which contain different types of lithium-ion batteries, charged and discharged under different conditions.

Le batterie, in particolare quelle agli ioni di litio, hanno recentemente iniziato a svolgere un ruolo significativo in molte tecnologie di uso quotidiano, dall'elettronica portatile, ai veicoli elettrici, e ai sistemi di accumulo di energia. La stima della vita utile residua (Remaining Useful Life, RUL) della batteria, che indica quanto ancora la batteria può essere utilizzata prima di terminare la sua vita, è una componente cruciale della tecnologia delle batterie. Una stima accurata della RUL può aiutare a ottimizzare l'uso delle batterie e a ridurre i costi di manutenzione e sostituzione. Se è possibile determinare con sufficiente precisione la RUL di una batteria, soprattutto quando si avvicina alla fine della sua vita, è possibile sostituirla prima che si degradi e danneggi il sistema che alimenta. Di conseguenza, la probabilità di guasto o di fermo macchina si riduce e il sistema dura più a lungo. In questo lavoro proponiamo un metodo per la stima della RUL basato su una rete neurale convoluzionale e Long Short-Term Memory (LSTM) con attenzione. Il meccanismo di attenzione permette di identificare la porzione di input che influisce maggiormente sulla stima in output. Proponiamo inoltre un metodo di data augmentation per migliorare l'accuratezza della stima in caso di dati sbilanciati o in presenza di un dataset con poche batterie, e applichiamo al modello una loss function personalizzata, in modo da dare più importanza agli errori commessi negli ultimi cicli di vita delle batterie, migliorando così la precisione della stima del modello vicino al fine vita (EoL) della batteria. Per valutare il metodo proposto sono stati utilizzati tre diversi dataset, uno proveniente da una collaborazione MIT-Toyota, uno dai Sandia National Laboratories e uno proprietario, in modo da testare le prestazioni su diversi modelli di batterie al litio, caricate e scaricate in condizioni differenti.