Machine learning-based estimation of state of health in lithium-ion battery exploiting in-operando impedance and operational measurements

Lithium-ion batteries are the reference technology for energy storage in electric vehicles, playing a key role in the decarbonization of the transport sector, which accounts for more than 20% of CO₂ emissions in Europe. With stricter regulations and declining costs, their market share is expected to steadily grow. In this context, ensuring reliability and safety requires accurate State of Health (SoH) monitoring, making on-board diagnostics essential for real-time assessment and optimal battery management. This work explores machine learning-based solutions for SoH estimation, leveraging experimental data from cyclic and calendar aging campaigns. The dataset includes full equivalent cycles, electrochemical impedance spectroscopy (EIS) measurements, and differential voltage (DV) curves. The main predictors were identified via single-cell analysis, while repeatability tests assessed manufacturing variability. Furthermore, the influence of operational factors such as driving cycle type, charging C-rate, SoC window, and temperature was investigated. Subsequently, an analysis of more specific degradation parameters, such as LLI and LAM, was conducted. The proposed approach contributes to the development of scalable algorithms for on-board SoH estimation, improving battery diagnostics in electric vehicles.

Le batterie agli ioni di litio rappresentano la tecnologia di riferimento per l'accumulo di energia nei veicoli elettrici, svolgendo un ruolo chiave nella decarbonizzazione del settore dei trasporti, responsabile di oltre il 20% delle emissioni di CO₂ in Europa. Con normative più stringenti e una riduzione dei costi, si prevede che la loro quota di mercato continui a crescere costantemente. In questo contesto, garantire affidabilità e sicurezza richiede un monitoraggio accurato dello stato di salute (SoH), rendendo la diagnostica a bordo essenziale per una valutazione in tempo reale e una gestione ottimale della batteria. Questo lavoro esplora soluzioni basate sul machine learning per la stima dello stato di salute, sfruttando dati sperimentali provenienti da campagne di invecchiamento: cycling aging e calendar aging. Il dataset comprende cicli equivalenti completi, misurazioni di spettroscopia di impedenza elettrochimica (EIS) e curve di tensione differenziale (DV). I principali predittori sono stati identificati mediante l'analisi di singole celle, mentre i test di ripetibilità hanno valutato la variabilità di produzione. Inoltre, è stata studiata l'influenza di fattori operativi quali il tipo di ciclo di guida, il C-rate di carica, la finestra di SoC e la temperatura. Successivamente, è stata condotta un'analisi di parametri di degrado più specifici, come la perdita di inventario di litio (LLI) e la perdita di materiale attivo (LAM). L'approccio proposto contribuisce allo sviluppo di algoritmi scalabili per la stima a bordo dello stato di salute, migliorando la diagnostica delle batterie nei veicoli elettrici.