Sistemi di gestione delle batterie
Arriva il BMS intelligente
I sistemi di gestione delle batterie stanno subendo una trasformazione significativa, come rivelato da Peter Donaldson
Per decenni, il sistema di gestione della batteria (BMS) ha svolto una funzione relativamente semplice: proteggere la batteria dal funzionamento al di fuori dei suoi limiti di sicurezza, stimare il suo livello di carica e garantire che il veicolo potesse avviarsi e fermarsi in modo affidabile. Queste funzioni erano deterministiche, basate su regole e, cosa fondamentale, completamente comprensibili dagli ingegneri che le avevano progettate. Ogni decisione poteva essere ricondotta a un input specifico, a una soglia definita o a un modello calibrato. Oggi, però, le cose stanno diventando notevolmente più complesse di così.
La batteria è passata da un componente passivo per la conservazione dell’energia a un asset attivo in grado di generare dati. Il BMS sta evolvendo da un controller orientato alla sicurezza a un sistema operativo intelligente capace di effettuare previsioni, adattamenti e ottimizzazioni economiche. Questa trasformazione è guidata da tre fattori convergenti: la complessità delle chimie batteriche moderne, la diffusione della connettività e del cloud computing, e la crescente consapevolezza che l’intelligenza delle batterie rappresenti un valore economico significativo.
Tuttavia, questa evoluzione comporta profonde sfide ingegneristiche. Un settore basato su principi di sicurezza deterministica deve ora affrontare la natura probabilistica dell’AI. Deve trovare un equilibrio tra le esigenze computazionali dei modelli fisici ad alta fedeltà e i requisiti di scalabilità legati alle flotte globali. Inoltre, deve garantire che la batteria rimanga sicura anche quando disconnessa dalla cloud. Infine, deve progettare sistemi in grado di adattarsi a chimie batteriche ancora non impiegate o nemmeno completamente sviluppate.
L’AI come strumento di potenziamento, non di sostituzione
Il consenso più evidente emerso nel settore è che l’AI non può – e non dovrebbe – sostituire le funzioni di sicurezza deterministiche. Ogni responsabile ingegneristico intervistato ha sottolineato che le decisioni critiche per la sicurezza devono rimanere tracciabili, verificabili e, in ultima analisi, comprensibili dagli ingegneri incaricati di prenderle.
Questa posizione riflette una comprensione matura sia delle capacità che dei limiti dell’AI. L’apprendimento automatico eccelle nell’identificare pattern in dati complessi e ad alta dimensionalità. Può estrarre informazioni da condizioni operative difficili da modellare partendo dai principi fondamentali. Può adattarsi a nuovi dati e migliorare nel tempo. Tuttavia è anche opaco, soggetto a comportamenti inaspettati quando viene esposto a condizioni al di fuori della sua distribuzione di addestramento – il dataset relativo al comportamento storico delle batterie in termini di curve di tensione, fluttuazioni di temperatura, carichi di corrente, pattern di invecchiamento, ecc., fornito all’AI – e per natura fondamentalmente probabilistico.
La cultura della sicurezza nell’industria automobilistica, basata su decenni di esperienza con lo standard ISO 26262 e su processi di verifica rigorosi, non è adatta ad accettare output che non possono essere ricondotti a cause deterministiche.
La soluzione che sta emergendo in tutto il settore è un’architettura ibrida. Modelli basati sulla fisica – fondati su una comprensione elettrochimica e verificati attraverso test approfonditi – costituiscono la base per le funzioni di sicurezza fondamentali. L’AI agisce come strato di miglioramento, ottimizzando la qualità delle previsioni per fenomeni complessi come invecchiamento, degrado e rilevamento di anomalie. È fondamentale che ogni output fornito dall’AI venga verificato rispetto ai vincoli fisici e ai modelli deterministici per garantirne la plausibilità.
Questo approccio è particolarmente utile per le chimie batteriche moderne. Le celle al fosfato di ferro-litio, ad esempio, con le loro curve di tensione caratteristicamente piatte, presentano sfide significative per la stima convenzionale del SoC. L’apprendimento automatico può estrarre informazioni dai modelli operativi storici che è difficile ottenere soltanto con i metodi tradizionali. Tuttavia, l’output dell’intelligenza artificiale viene costantemente verificato in base alla comprensione fisica, impedendo al modello di generare risultati impossibili.
Il principio ingegneristico è chiaro: la fiducia si costruisce attraverso la verifica, la tracciabilità e la possibilità di auditare le decisioni. Le architetture più efficaci saranno quelle in cui la scienza dei dati e la fisica delle batterie si completano a vicenda, invece di competere tra loro. Le decisioni critiche per la sicurezza continueranno a basarsi su modelli esplicabili e fondati sulla fisica, mentre il contributo dell’AI si concentra sulle diagnosi predittive e sull’apprendimento collettivo delle flotte.
Una gerarchia di modelli
Il concetto di gemello digitale è diventato onnipresente nelle discussioni sulla gestione delle batterie, ma viene spesso frainteso. I leader del settore sono sempre più chiari sul fatto che un gemello digitale non è un singolo modello, bensì una gerarchia di modelli che operano a diversi livelli di fedeltà e complessità computazionale.
A livello di veicolo, il BMS utilizza modelli integrati efficienti ottimizzati per un funzionamento in tempo reale. Questi modelli devono fornire stime precise di SoC, SoH, stato di funzionamento e stato energetico operando entro i rigorosi limiti computazionali dei microcontrollori automobilistici.
In parallelo, i “gemelli batteria” basati sul cloud sfruttano i dati relativi alle flotte, modelli elettrochimici avanzati e tecniche di machine learning per analizzare le tendenze di degrado, i modelli di utilizzo e i comportamenti anomali. L’ambiente cloud offre la scalabilità necessaria per elaborare simultaneamente i dati di migliaia o milioni di batterie collegate.
La sfida ingegneristica fondamentale è la sincronizzazione tra questi strati. Le informazioni ottenute nella cloud – parametri di calibrazione migliorati, modelli di invecchiamento aggiornati, dati per la manutenzione predittiva – devono essere trasformate in informazioni utili che possano essere trasferite nuovamente al veicolo. Ciò richiede una attenta gestione dei formati dei dati, dei processi di validazione e dei tempi di aggiornamento.
Un ostacolo particolarmente significativo nel passaggio dai modelli a livello di singola cella a quelli a livello di intero insieme è la qualità e l’osservabilità dei dati. Un modello a livello di cella può concentrarsi sul comportamento di una singola cella in condizioni di laboratorio attentamente controllate. Un modello a livello di insieme, invece, deve rappresentare con precisione migliaia di variabili interconnesse che operano in condizioni reali estremamente dinamiche.
La visione per il futuro prevede che i gemelli digitali diventino sistemi in grado di apprendere continuamente e migliorare per tutta la durata di vita operativa della batteria. L’ottimizzazione delle batterie non si fermerà all’inizio della produzione, ma diventerà un processo ingegneristico continuo reso possibile da un ecosistema connesso basato su intelligenza integrata a bordo e apprendimento cloud-based.
Sicurezza in un mondo connesso
L’integrazione di soluzioni basate sul cloud solleva una domanda fondamentale: cosa succede quando il cloud non è disponibile? La latenza di rete, la perdita di connettività o gli incidenti di sicurezza informatica potrebbero compromettere le funzioni che dipendono dal cloud.
La risposta del settore è inequivocabile: le funzioni critiche per la sicurezza devono rimanere interamente a bordo e non devono mai dipendere da una connettività esterna.
Questo principio favorisce una chiara separazione tra le componenti architetturali. Il BMS a bordo, di tipo deterministico, è responsabile del controllo in tempo reale e della sicurezza funzionale: gestione dei contattori, protezione termica, monitoraggio dell’isolamento, limitazione della potenza e gestione degli errori.
L’intelligenza basata sul cloud ha uno scopo diverso: migliora la diagnosi, ottimizza le previsioni di degrado, permette l’apprendimento attraverso i dati delle flotte e offre opportunità per l’ottimizzazione del ciclo di vita. Queste funzioni possono tollerare ritardi nella comunicazione poiché hanno carattere consultivo e non sono critiche per la sicurezza.
Alcune organizzazioni perfezionano ulteriormente questo approccio trattando con un adeguato scetticismo i parametri e gli aggiornamenti derivanti dalla cloud. Gli aggiornamenti vengono accettati solo dopo verifiche sull’autenticità, l’integrità, la versione e la plausibilità. Finché queste verifiche non sono superate, la configurazione locale validata rimane in vigore.
Adattamento a ambienti diversificati
L’elettrificazione si sta estendendo oltre i veicoli passeggeri al trasporto commerciale, alle applicazioni marittime e all’aviazione. Ogni ambiente presenta sfide uniche che il BMS deve affrontare.
La sfida fondamentale è che la fisica delle batterie rimane invariata nonostante le condizioni operative cambino drasticamente. Per le applicazioni automobilistiche, i problemi principali sono le variazioni di temperatura, i carichi meccanici, l’invecchiamento e le condizioni di uso intensivo. Nell’aviazione, i rapidi cambiamenti di altitudine influenzano il comportamento termico, l’efficacia del raffreddamento e i fenomeni legati alla pressione. Anche gli effetti della radiazione sono critici ad alta quota, con un rischio specifico rappresentato da eventi singoli in grado di danneggiare l’elettronica del BMS. La comprensione degli impatti della radiazione sulle chimiche delle batterie al litio-ioni deriva dalle applicazioni spaziali, ma sono necessari ulteriori studi per quanto riguarda l’aviazione. Nelle applicazioni marine, l’esposizione all’acqua salata introduce rischi aggiuntivi legati alla corrosione, al monitoraggio dell’isolamento e all’affidabilità a lungo termine.
La risposta a questa diversità è un approccio modulare. Gli stessi algoritmi di base per le batterie possono essere adattati attraverso processi di calibrazione e validazione specifici per l’applicazione. Ciò permette alle organizzazioni ingegneristiche di supportare veicoli passeggeri, veicoli commerciali, sistemi di stoccaggio fissi, applicazioni marine e piattaforme aeronautiche, mantenendo al contempo una base tecnologica comune.
La gestione termica emerge come un fattore distintivo particolarmente importante. Le batterie future richiederanno modelli di previsione termica sempre più sofisticati, in grado di rilevare aree locali a temperature elevate, rischi di propagazione termica e condizioni operative anomale prima che diventino problemi di sicurezza. Questo è particolarmente cruciale nelle applicazioni aeronautiche, dove l’efficacia del raffreddamento varia con l’altitudine e dove i vincoli di peso limitano le opzioni per la gestione termica.
Anche la diagnostica è altrettanto importante. Man mano che i pannelli batteria diventano sempre più integrati strutturalmente e difficili da accedere, la rilevazione precoce delle anomalie e le funzionalità di manutenzione predittiva diventano essenziali. Il BMS deve essere in grado di individuare i problemi in fase di insorgenza senza effettuare ispezioni fisiche.
L’evoluzione verso applicazioni sempre più varie spinge il BMS verso una supervisione ancora più approfondita basata su modelli.
Restrizioni computazionali, soluzioni architetturali
Le esigenze computazionali delle funzioni moderne dei sistemi BMS stanno crescendo rapidamente. Gli ingegneri delle batterie hanno requisiti ambiziosi per quanto riguarda la diagnosi, la stima dello stato, la sicurezza informatica, la previsione termica, il rilevamento delle anomalie e la connettività tra le batterie. Tutte queste funzioni devono essere eseguite rispettando rigorosi limiti automobilistici in termini di potenza di elaborazione, memoria, costo, consumo energetico e sicurezza.
Il limite più stringente si trova solitamente ai bordi del pacco batterie, dove modelli elettrochimici avanzati, strumenti di osservazione, sistemi di diagnosi e algoritmi di intelligenza artificiale devono funzionare in tempo reale entro budget prestabiliti.
La soluzione non consiste semplicemente nel spostare tutto sul cloud. Gli ingegneri devono allocare con cura le funzioni lungo l’intero spettro computazionale, utilizzando modelli a ordine ridotto, semplificando le componenti non lineari, riducendo le dimensioni e programmando l’esecuzione delle funzioni a ritmi diversi.
I costi e il consumo di energia rimangono i principali vincoli nella progettazione hardware, influenzando direttamente la quantità di memoria e di potenza computazionale disponibile all’interno del BMS. L’esecuzione in tempo reale rappresenta il secondo ostacolo principale. Le funzioni critiche per la sicurezza richiedono un monitoraggio continuo e deterministico, il che implica la gestione simultanea di più task e interruzioni. L’architettura software deve dare priorità ai task in base alla potenza computazionale e ai core disponibili.
Gli algoritmi avanzati, come gli stimatori di stato o i modelli digital twin, superano rapidamente i limiti computazionali tipicamente disponibili nei microcontrollori standard dei BMS. Ciò ha portato a una tendenza crescente verso la distribuzione del carico di lavoro: le funzioni critiche per la sicurezza rimangono all’interno del BMS, mentre gli algoritmi complessi vengono eseguiti su microprocessori ad alte prestazioni.
Anche l’efficienza energetica è fondamentale. Il BMS deve rimanere vigile durante la guida, la carica, lo stoccaggio e i periodi di parcheggio prolungati. Ciò richiede un’attenta attenzione al consumo di energia in tutte queste fasi.
La tendenza architetturale è verso un ecosistema di chipset e software coordinato, piuttosto che ottimizzare ciascun componente in modo isolato.
Prepararsi all’ignoto
Le chimie delle batterie stanno evolvendo rapidamente. Il fosfato di ferro-litio, le chimie ad alto nichel e le future batterie a stato solido presentano tutti comportamenti fondamentalmente diversi. Il settore non può permettersi di ridisegnare l’intero BMS per ogni nuova chimica.
La soluzione è un’architettura modulare per le funzioni principali della batteria. L’obiettivo è mantenere stabile il framework software, adattando al contempo il comportamento della batteria tramite modelli, calibrazione e parametrizzazione.
Invece di creare software separati per ciascuna tecnologia chimica, le organizzazioni leader utilizzano un’architettura di piattaforma comune dotata di modelli di batteria e flussi di calibrazione adattabili. Questo approccio permette alla stessa struttura software di base di supportare diverse tecnologie di celle, mantenendo al contempo un’elevata precisione.
Questa separazione viene realizzata attraverso chiari confini architetturali. I servizi della piattaforma – acquisizione delle misurazioni, diagnosi, comunicazione, meccanismi di sicurezza, gestione dei dati non volatili e pianificazione – rimangono comuni a tutte le tecnologie chimiche. I modelli legati alla specifica tecnologia – mappe di tensione a circuito aperto, parametri di impedenza, comportamento termico, modelli di invecchiamento e limiti operativi – vengono invece racchiusi come componenti calibrati.
È possibile introdurre una nuova chimica validando e rilasciando il modello e l’insieme di parametri pertinenti, invece di ridisegnare l’intera piattaforma software. Anche la capacità hardware è altrettanto importante, poiché chimie più sofisticate potrebbero richiedere modelli di ordine superiore o non lineari.
Avere un approccio indipendente dalla chimica non significa essere ignari di essa. Ogni insieme di parametri, stimatore e limite deve comunque essere validato in base alla cella specifica, al design del pacco e al profilo della missione. L’architettura permette l’adattamento, mentre un’ingegneria rigorosa garantisce la correttezza.
BMS come creatore di valore
Storicamente, il BMS è stato progettato per massimizzare sicurezza e durata. Questi obiettivi rimangono essenziali, ma gli operatori ora si aspettano che le batterie contribuiscano attivamente alla creazione di valore durante tutto il loro ciclo di vita.
L’operazione veicolo-reti (V2G) ne è un esempio significativo. Un BMS in grado di valutare con elevata precisione lo stato della batteria può ottimizzare le decisioni di carica e scarica in base sia alla domanda della rete che allo stato di salute della batteria stessa. L’obiettivo è ottenere entrate aggiuntive senza accelerare il suo degrado.
La gestione del ciclo di vita della batteria rappresenta un’altra area di opportunità. Una stima precisa dello stato di salute della batteria garantisce trasparenza sul suo valore residuo, elemento fondamentale per i modelli di noleggio, l’utilizzo in applicazioni secondarie, la gestione delle garanzie e le soluzioni di storage energetico.
Gli strumenti di analisi delle batterie connessi al cloud stanno diventando particolarmente importanti in questo contesto. I dati relativi alle flotte permettono agli operatori di comprendere come invecchiano le batterie, prevedere i requisiti di manutenzione e prendere decisioni economiche più sagge. L’AI amplia ulteriormente queste possibilità, identificando modelli di utilizzo nascosti e traducendoli in raccomandazioni operative.
Il futuro BMS sarà un sistema operativo intelligente per batterie che non solo protegge la batteria e ottimizza le sue prestazioni, ma aiuta anche i clienti a massimizzare il valore economico dell’asset per tutto il suo ciclo di vita. Nel corso del prossimo decennio, la capacità di monetizzare le informazioni raccolte sulle batterie potrebbe diventare altrettanto importante quanto i tradizionali indicatori di prestazione delle batterie.
La strada da percorrere
La trasformazione del BMS da un controller di sicurezza a un sistema operativo intelligente rappresenta una delle sfide ingegneristiche più significative nell’industria dell’e-mobilità. Richiede l’integrazione di discipline che tradizionalmente operavano separatamente: fisica delle batterie, ingegneria del software, scienza dei dati, tecnologia dei semiconduttori e conoscenze specifiche per l’applicazione.
Diversi principi stanno emergendo come essenziali per il successo di questa trasformazione.
In primo luogo, la sicurezza deve rimanere una priorità assoluta. L’AI può migliorare le capacità di diagnosi e previsione, ma le decisioni critiche per la sicurezza devono rimanere deterministiche, tracciabili e verificabili.
In secondo luogo, i gemelli digitali non sono modelli singoli ma gerarchie di modelli. Il futuro è un ecosistema connesso di intelligenza a bordo e apprendimento basato sul cloud, non una simulazione monolitica.
In terzo luogo, l’architettura è importante quanto la chimica. La capacità di adattarsi a nuove tecniche chimiche, a nuove applicazioni e a nuovi paradigmi informatici dipenderà da architetture modulari e scalabili che separano i servizi di piattaforma dai modelli specifici per l’applicazione.
In quarto luogo, l’hardware abilita il software. Una migliore capacità di rilevamento, prestazioni computazionali più elevate e architetture flessibili aprono la strada a nuove funzionalità software. L’innovazione hardware più preziosa è quella che consente lo sviluppo di nuove funzioni.
Gli ingegneri che progettano questi sistemi devono affrontare un complesso equilibrio, bilanciando precisione e interpretabilità, intensità computazionale e scalabilità, innovazione e validazione, nonché ricchezza di funzionalità e costo. Devono progettare per tecniche chimiche ancora inesistenti e applicazioni che non sono state ancora immaginate.
Le organizzazioni ingegneristiche di successo saranno quelle che accoglieranno questa complessità, creando sistemi che siano allo stesso tempo robusti e flessibili, sicuri e intelligenti, deterministici e basati sui dati. Il futuro della gestione delle batterie non consiste nel scegliere tra fisica e intelligenza artificiale o tra calcolo on-board e cloud computing. Consiste invece nel combinare questi elementi in architetture che offrano il meglio di entrambi i mondi.
Ringraziamenti
L’autore desidera ringraziare le seguenti persone per il loro aiuto nella stesura di questo articolo: esperti di AVL; Jaume Prat Terradas, direttore ingegneristico per l’e-mobilità presso Ficosa; e Mahmoud Ismail, direttore marketing applicativo – gestione dell’energia automobilistica presso Infineon Technologies AG.
Clicca qui per leggere l’ultima edizione di E-Mobility Engineering.
Alcuni fornitori di sistemi per la gestione delle batterie
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