Systèmes de gestion des batteries
La batterie est passée d’un composant de stockage d’énergie passif à un actif actif capable de générer des données. Le BMS évolue d’un contrôleur axé sur la sécurité à un système d’exploitation intelligent capable de prévision, d’adaptation et d’optimisation économique. Cette transformation est stimulée par trois forces convergentes : la complexité des chimies de batteries modernes, la prolifération de la connectivité et du cloud computing, ainsi que la reconnaissance croissante du fait que l’intelligence des batteries représente une valeur économique importante.
Cependant, cette évolution soulève d’importants défis techniques. Un secteur fondé sur une sécurité déterministe doit désormais faire face à la nature probabiliste de l’IA. Il est confronté au défi de concilier les exigences computationnelles des modèles physiques haute fidélité avec les besoins en scalabilité des flottes mondiales. Il doit également s’assurer qu’une batterie reste sûre lorsqu’elle est déconnectée du cloud. De plus, il doit concevoir des systèmes capables de s’adapter aux chimies de batteries qui ne sont pas encore mises en service ou même entièrement développées.
L’IA comme outil d’amélioration, non de remplacement
Le consensus le plus frappant au sein du secteur est que l’IA ne peut – et ne doit pas – remplacer les fonctions de sécurité déterministes. Chaque dirigeant technique interrogé a souligné que les décisions critiques en matière de sécurité doivent rester traçables, vérifiables et, en fin de compte, compréhensibles pour les ingénieurs responsables d’elles.
Cette fonction reflète une compréhension avancée tant des capacités que des limites de l’IA. L’apprentissage automatique excelle à identifier des motifs dans des données complexes et à haute dimension. Il peut extraire des informations à partir de conditions opérationnelles difficiles à modéliser à partir de principes fondamentaux. Il peut s’adapter à de nouvelles données et s’améliorer avec le temps. Cependant, il reste opaque, sujet à des comportements inattendus lorsqu’il est confronté à des conditions hors de sa distribution d’entraînement – l’ensemble de données historiques concernant le comportement des batteries en termes de courbes de tension, de fluctuations de température, de charges électriques, de modes d’usure, etc., fournies à l’IA – et est fondamentalement de nature probabiliste.
La culture de sécurité de l’industrie automobile, fondée sur des décennies d’expérience avec la norme ISO 26262 et des processus de vérification rigoureux, n’est pas adaptée pour accepter des résultats qui ne peuvent être rattachés à des causes déterministes.
La solution qui émerge dans l’industrie est une architecture hybride. Des modèles basés sur les lois de la physique – fondés sur une compréhension électrochimique et validés par des tests approfondis – constituent la base des fonctions de sécurité essentielles. L’IA agit comme une couche d’amélioration, permettant d’optimiser la qualité des prédictions pour des phénomènes complexes tels que le vieillissement, la dégradation et la détection d’anomalies. Il est crucial que chaque résultat généré par l’IA soit vérifié au regard des contraintes physiques et des modèles déterministes afin d’en assurer la plausibilité.
Cette approche est particulièrement utile pour les chimies de batteries modernes. Les cellules au phosphate de fer et de lithium, par exemple, avec leurs courbes de tension caractéristiquement plates, posent des défis importants pour l’estimation conventionnelle du niveau de charge. L’apprentissage automatique peut extraire des informations à partir de schémas d’exploitation historiques qui sont difficiles à obtenir uniquement avec des méthodes conventionnelles. Cependant, les résultats de l’IA sont constamment vérifiés par rapport à la compréhension physique, empêchant ainsi le modèle de produire des résultats impossibles.
Le principe d’ingénierie est clair : la confiance s’instaure grâce à la vérification, à la traçabilité et à la possibilité d’auditer les décisions. Les architectures les plus réussies seront celles où la science des données et la physique des batteries se complètent plutôt que de se concurrencer. Les décisions critiques en matière de sécurité continueront de reposer sur des modèles explicables et fondés sur les lois physiques, tandis que la contribution de l’IA porte principalement sur le diagnostic prédictif et l’apprentissage collectif des flottes.
Une hiérarchie de modèles
Le concept de jumeau numérique est devenu omniprésent dans les discussions sur la gestion des batteries, mais il est souvent mal compris. Les leaders du secteur sont de plus en plus clairs quant au fait qu’un jumeau numérique n’est pas un seul modèle, mais une hiérarchie de modèles fonctionnant à différents niveaux de fidélité et de complexité computationnelle.
Au niveau du véhicule, le BMS utilise des modèles embarqués efficaces, optimisés pour un fonctionnement en temps réel. Ces modèles doivent fournir des estimations précises du SoC, du SoH, de l’état de fonctionnement et de l’état d’énergie, tout en opérant dans les strictes limites computationnelles des microcontrôleurs automobiles.
Parallèlement, les « jumeaux » de batterie basés dans le cloud exploitent des données de flotte, des modèles électrochimiques avancés et des techniques d’apprentissage automatique pour analyser les tendances de dégradation, les schémas d’utilisation et les comportements anormaux. L’environnement cloud offre la scalabilité nécessaire pour traiter en même temps les données de milliers ou de millions de batteries connectées.
Le défi d’ingénierie majeur réside dans la synchronisation entre ces différentes couches. Les informations générées dans le cloud – des paramètres de calibration améliorés, des modèles d’usure mis à jour, des données relatives à la maintenance prédictive – doivent être transformées en informations exploitables pouvant être transférées back vers le véhicule. Cela exige une attention particulière portée aux formats de données, aux processus de validation ainsi qu’au moment des mises à jour.
Un goulot d’étranglement particulièrement important lors du passage des jumeaux au niveau du modèle à ceux au niveau du pack est la qualité et l’observabilité des données. Un jumeau au niveau d’une cellule peut se concentrer sur le comportement d’une cellule individuelle dans des conditions de laboratoire strictement contrôlées. Un jumeau au niveau d’un pack doit quant à lui représenter avec précision des milliers de variables interagissant dans des conditions réelles très dynamiques.
La solution adoptée par les principales organisations d’ingénierie est une stratégie de modélisation hiérarchique. Plutôt que d’essayer de modéliser chaque phénomène physique au plus haut niveau de détail, elles combinent de manière sélective des modèles à haute fidélité lorsque c’est nécessaire avec des modèles à ordre réduit là où la scalabilité est plus importante. La validation est tout aussi cruciale – un jumeau numérique n’a de valeur que dans la mesure où il est corrélé à la réalité – et elle exige des investissements importants en tests de caractérisation, méthodologies type cellule dans le circuit, tests matériel dans le circuit ainsi que validation des données de flotte.
La vision pour l’avenir consiste en des jumeaux numériques qui apprennent continuellement et s’améliorent tout au long de la durée de vie opérationnelle de la batterie. L’optimisation des batteries ne s’arrêtera pas au début de la production, mais deviendra un processus d’ingénierie continu, rendu possible par un écosystème connecté comprenant des systèmes intelligents embarqués et des outils d’apprentissage basés sur le cloud.
Sécurité dans un monde connecté
L’intégration d’outils intelligents basés sur le cloud soulève une question fondamentale : que se passe-t-il lorsque le cloud n’est pas disponible ? La latence réseau, la perte de connexion ou des incidents de cybersécurité pourraient potentiellement compromettre les fonctions dépendant du cloud.
La réponse de l’industrie est sans équivoque : les fonctions critiques pour la sécurité doivent rester entièrement embarquées et ne doivent en aucun cas dépendre d’une connexion externe.
Ce principe favorise une séparation claire de l’architecture. Le BMS embarqué déterministe est chargé du contrôle en temps réel et de la sécurité fonctionnelle – contrôle des contacteurs, protection thermique, surveillance de l’isolation, limitation de la puissance et gestion des pannes.
L’intelligence cloud a un objectif différent. Elle améliore les diagnostics, précise la prédiction de la dégradation, permet l’apprentissage au sein d’une flotte et crée des possibilités d’optimisation du cycle de vie. Ces fonctions peuvent supporter des retards de communication car elles sont consultatives et non critiques pour la sécurité.
Certaines organisations affinent encore cette approche en adoptant un scepticisme approprié vis-à-vis des paramètres et mises à jour provenant du cloud. Les mises à jour ne sont acceptées qu’après vérification de leur authenticité, intégrité, version et plausibilité. Tant que ces vérifications ne sont pas réussies, la configuration locale validée reste en vigueur.
Adapter aux environnements variés
L’électrification s’étend au-delà des véhicules de tourisme vers les transports commerciaux, les applications maritimes et l’aviation. Chaque environnement présente des défis uniques que le BMS doit relever.
Le défi fondamental réside dans le fait que la physique des batteries reste identique tandis que les conditions d’exploitation évoluent de manière spectaculaire. Pour les applications automobiles, les principales préoccupations concernent les variations de température, les charges mécaniques, le vieillissement et les conditions d’usure. Dans l’aéronautique, les changements rapides d’altitude affectent le comportement thermique, l’efficacité du refroidissement ainsi que les phénomènes liés à la pression. Les effets des rayonnements sont également cruciaux en haute altitude, un risque particulier étant celui d’une perturbation due à un événement unique affectant l’électronique du BMS. La compréhension de l’impact des rayonnements sur les chimies lithium-ion provient des applications spatiales, mais des études supplémentaires sont nécessaires dans le domaine de l’aéronautique. Dans les applications maritimes, l’exposition à l’eau de mer introduit des risques supplémentaires liés à la corrosion, au suivi de l’isolation et à la fiabilité à long terme.
La réponse à cette diversité est une approche modulaire. Les mêmes algorithmes de batterie de base peuvent être adaptés grâce à des processus de calibration et de validation spécifiques à l’application. Cela permet aux organisations d’ingénierie de prendre en charge les véhicules particuliers, les véhicules commerciaux, les systèmes de stockage stationnaires, les applications maritimes et les plateformes aérospatiales tout en conservant une base technologique commune.
La gestion thermique se révèle être un facteur de différenciation particulièrement important. Les batteries futures nécessiteront des modèles de prédiction thermique de plus en plus sophistiqués, capables de détecter les points chauds locaux, les risques de propagation thermique et les conditions de fonctionnement anormales avant qu’ils ne deviennent des problèmes de sécurité. Cela est d’autant plus crucial dans les applications aéronautiques, où l’efficacité du refroidissement varie en fonction de l’altitude et où les contraintes de poids limitent les options de gestion thermique.
Les diagnostics revêtent une importance équivalente. À mesure que les groupes de batteries deviennent intégrés sur le plan structurel et plus difficiles d’accès, la détection précoce des anomalies ainsi que les capacités de maintenance prédictive deviennent essentielles. Le BMS doit être capable d’identifier les problèmes naissants sans inspection physique.
L’évolution vers des applications diversifiées pousse le BMS à adopter une supervision encore plus basée sur des modèles.
Contraintes informatiques, solutions architecturales
Les exigences computationnelles des fonctions modernes de BMS augmentent rapidement. Les ingénieurs en batteries ont des besoins ambitieux en matière de diagnostic, d’estimation de l’état, de cybersécurité, de prédiction thermique, de détection d’anomalies et de connectivité des flottes. Toutes ces fonctions doivent être exécutées dans le respect de contraintes strictes propres à l’automobile en termes de puissance de traitement, de mémoire, de coût, de consommation d’énergie et de sécurité.
La contrainte la plus stricte se trouve généralement au niveau du pack, où des modèles électrochimiques avancés, des outils d’observation, des systèmes de diagnostic et des algorithmes d’intelligence artificielle doivent fonctionner en temps réel dans le cadre de budgets prédéfinis.
La solution ne consiste pas simplement à déplacer tout cela dans le cloud. Les ingénieurs doivent allouer soigneusement les fonctions à travers l’échelle des capacités de calcul, en utilisant des modèles à ordre réduit, en simplifiant les effets non linéaires, en réduisant le nombre de dimensions et en planifiant l’exécution des fonctions à différents rythmes.
Le coût et la consommation d’énergie restent les principaux obstacles dans la conception matérielle, affectant directement la quantité de mémoire et de puissance de calcul disponibles au sein du BMS. L’exécution en temps réel constitue le deuxième goulot d’étranglement majeur. Les fonctions critiques pour la sécurité exigent une surveillance continue et déterministe, ce qui implique de gérer simultanément plusieurs tâches et interruptions. L’architecture logicielle doit prioriser les tâches en fonction de la puissance de calcul et du nombre de cœurs disponibles.
Les algorithmes avancés, tels que les estimateurs d’état ou les modèles de jumeau numérique, dépassent rapidement les limites de calcul habituellement présentes dans un microcontrôleur standard de BMS. Cela a entraîné une tendance croissante à distribuer la charge de travail : les fonctions critiques pour la sécurité restent intégrées au BMS, tandis que les algorithmes complexes s’exécutent sur des microprocesseurs à haute performance.
La cybersécurité ajoute une couche supplémentaire de exigences. La communication sécurisée, le chiffrement, l’authentification et les mécanismes de mise à jour consomment des ressources supplémentaires et doivent être pris en compte dès la conception du matériel afin d’éviter un obsolescence rapide de la plateforme.
Au niveau des semi-conducteurs, plusieurs tendances convergent pour relever ces défis. La sécurité fonctionnelle est améliorée grâce à une utilisation accrue du traitement synchronisé, des diagnostics matériels, de mémoires protégées et d’un suivi indépendant. La cybersécurité est abordée par le biais de modules de sécurité matérielle, d’un démarrage sécurisé, d’un stockage de clés protégé et de mises à jour logicielles authentifiées. Les architectures de calcul hétérogènes combinent des cœurs de sécurité polyvalents avec des accélérateurs mathématiques et vectoriels dédiés, permettant ainsi au contrôle basé sur des modèles et à l’IA de fonctionner localement et de manière déterministe.
L’efficacité énergétique est également cruciale. Le BMS doit rester vigilant pendant la conduite, la charge, le stockage et les périodes de stationnement prolongées. Cela exige une attention particulière à la consommation d’énergie dans tous ces cas.
La tendance architecturale va vers un écosystème de puces et de logiciels coordonnés, plutôt que d’optimiser chaque composant isolément.
Se préparer à l’inconnu
Les chimies des batteries évoluent rapidement. Le phosphate de fer lithium, les chimies à haut taux de nickel et les futures batteries à état solide présentent toutes des comportements fondamentalement différents. L’industrie ne peut se permettre de redessiner l’intégralité du BMS pour chaque nouvelle chimie.
La solution réside dans une architecture modulaire des fonctions de noyau de batterie. L’objectif est de maintenir le cadre logiciel stable tout en adaptant le comportement de la batterie grâce à des modèles, à une calibration et à une paramétrisation.
Au lieu de créer des logiciels distincts pour chaque type de chimie, les organisations leaders utilisent une architecture de plateforme commune dotée de modèles de batterie et de workflows de calibration adaptables. Cette approche permet à la même structure logicielle de base de prendre en charge plusieurs technologies de cellules tout en maintenant une grande précision.
Cette séparation est assurée par des frontières architecturales claires. Les services de plateforme – acquisition des mesures, diagnostics, communication, mécanismes de sécurité, gestion des données non volatiles et planification – restent communs à tous les types de chimie. Les modèles dépendant du type de chimie – cartes de tension en circuit ouvert, paramètres d’impédance, comportement thermique, modèles de vieillissement et limites de fonctionnement – sont encapsulés en tant que composants calibrés.
Une nouvelle chimie peut être introduite en validant et en mettant en œuvre l’ensemble de modèles et de paramètres correspondants, plutôt que de redessiner toute la plateforme logicielle. Les capacités matérielles sont tout aussi importantes, car des chimies plus complexes peuvent nécessiter des modèles de haut ordre ou non linéaires.
Être agnostique vis-à-vis de la chimie ne signifie pas être inconscient des aspects liés à celle-ci. Chaque ensemble de paramètres, chaque estimateur et chaque limite doit encore être validés en fonction de la cellule spécifique, du design du pack et du profil de mission. L’architecture permet l’adaptation, tandis qu’une ingénierie rigoureuse assure la correction.
Le BMS en tant que créateur de valeur
Historiquement, le BMS a été conçu pour maximiser la sécurité et la durée de vie. Ces objectifs restent essentiels, mais les opérateurs attendent désormais que les batteries contribuent activement à la création de valeur tout au long de leur cycle de vie.
Le fonctionnement véhicule-réseau (V2G) en est un exemple frappant. Un système de gestion de batterie capable d’évaluer avec une grande précision l’état de la batterie peut optimiser les décisions de charge et de décharge en fonction à la fois de la demande du réseau et de l’état de santé de la batterie. L’objectif est d’obtenir des revenus supplémentaires sans accélérer sa dégradation.
La gestion du cycle de vie des batteries constitue un autre domaine plein de possibilités. Une estimation précise de l’état de santé de la batterie assure une transparence quant à sa valeur résiduelle, ce qui est essentiel pour les modèles de location, l’utilisation dans des applications secondaires, la gestion des garanties et les systèmes de stockage d’énergie.
Les analyses de batterie connectées au cloud deviennent particulièrement importantes dans ce contexte. Les données relatives aux flottes permettent aux opérateurs de comprendre le vieillissement des batteries, de prévoir les besoins en entretien et de prendre de meilleures décisions économiques. L’IA élargit encore ces possibilités en identifiant des schémas d’utilisation cachés et en les transformant en recommandations opérationnelles.
Le futur BMS sera un système d’exploitation intelligent pour batteries qui non seulement protégera les batteries et optimisera leurs performances, mais aidera également les clients à maximiser la valeur économique de l’actif tout au long de son cycle de vie. Au cours de la prochaine décennie, la capacité à tirer profit des données relatives aux batteries pourrait devenir tout aussi importante que les métriques traditionnelles de performance des batteries.
La voie à suivre
La transformation du BMS d’un contrôleur de sécurité en un système d’exploitation intelligent représente l’un des défis ingénierie les plus importants dans l’industrie de l’électromobilité. Elle exige l’intégration de disciplines qui fonctionnaient traditionnellement séparément : la physique des batteries, l’ingénierie logicielle, les sciences des données, la technologie des semi-conducteurs et les connaissances sectorielles spécifiques aux applications.
Plusieurs principes se révèlent essentiels pour réussir cette transformation.
Tout d’abord, la sécurité doit rester une exigence incontournable. L’intelligence artificielle peut améliorer les capacités de diagnostic et de prédiction, mais les décisions critiques en matière de sécurité doivent rester déterministes, traçables et vérifiables.
Deuxièmement, les jumeaux numériques ne sont pas des modèles uniques mais des hiérarchies de modèles. L’avenir réside dans un écosystème connecté d’intelligence embarquée et d’apprentissage basé sur le cloud, et non dans une simulation monolithique.
Troisièmement, l’architecture est tout aussi importante que la chimie. La capacité à s’adapter à de nouvelles chimies, de nouvelles applications et de nouveaux paradigmes informatiques dépendra d’architectures modulaires et évolutives qui séparent les services de plateforme des modèles spécifiques aux applications.
Quatrièmement, le matériel permet au logiciel de fonctionner. Une meilleure capacité de détection, des performances informatiques accrues et des architectures flexibles ouvrent la voie à de nouvelles fonctionnalités logicielles. L’innovation matérielle la plus précieuse est celle qui permet l’apparition de nouvelles fonctions.
Les ingénieurs qui conçoivent ces systèmes doivent faire face à des compromis complexes, en équilibrant la précision et l’interprétabilité, l’intensité de calcul et l’évolutivité, l’innovation et la validation, ainsi que la richesse des fonctionnalités et le coût. Ils doivent concevoir pour des chimies qui n’existent pas encore et des applications qui n’ont pas encore été imaginées.
Les organisations d’ingénierie qui réussiront seront celles qui accepteront cette complexité, en concevant des systèmes à la fois robustes et adaptables, sûrs et intelligents, déterministes et basés sur les données. L’avenir de la gestion des batteries ne consiste pas à choisir entre la physique et l’intelligence artificielle, ou entre le calcul embarqué et le cloud computing. Il s’agit plutôt de les combiner dans des architectures qui offrent le meilleur des deux mondes.
Remerciements
L’auteur tient à remercier les personnes suivantes pour leur aide dans la rédaction de cet article : des experts d’AVL ; Jaume Prat Terradas, directeur de l’ingénierie pour la mobilité électrique chez Ficosa ; et Mahmoud Ismail, directeur du marketing des applications – gestion de l’énergie automobile chez Infineon Technologies AG.
Cliquez ici pour lire le dernier numéro de E-Mobility Engineering.
Quelques fournisseurs de systèmes de gestion des batteries
AVL
www.avl.com
BorgWarner
www.borgwarner.com
Bosch
www.bosch-mobility.com
CATL
www.catl.com
Eberspächer
www.eberspaecher.com
ElringKlinger
www.elringklinger.com
Ficosa
www.ficosa.com
Infineon Technologies
www.infineon.com
Leclanché
www.leclanche.com
Pulsetrain
www.pulsetrain.com
Potenza Technology