A Graph Theoretic Approach in Combination With Dynamic Mode Decomposition With Control (DMDc) to Analyze Battery Degradation

Cet article propose un cadre novateur axé sur les données qui intègre la décomposition modale dynamique avec contrôle (DMDc) et l'analyse théorique des graphes pour caractériser et interpréter efficacement la dégradation des batteries lithium-ion en modélisant les données opérationnelles comme un réseau évolutif qui passe d'une structure cohérente à une structure fragmentée à mesure que le vieillissement progresse.

L'essentiel

Imaginez une batterie lithium-ion non pas comme une simple boîte de produits chimiques, mais comme une ville animée où des millions de « citoyens » minuscules (électrons et ions) interagissent, se déplacent et communiquent constamment les uns avec les autres. Lorsque la batterie est neuve et en bonne santé, cette ville est bien organisée : les citoyens disposent de lignes de communication fortes et claires, et tous travaillent ensemble dans un rythme fluide et coordonné.

Ce papier propose une nouvelle façon d'observer cette ville vieillir et se désagréger, en utilisant un mélange de deux outils puissants : DMDc (une caméra mathématique qui prend des instantanés du mouvement de la ville) et la Théorie des Graphes (une méthode pour dessiner des cartes de connexions).

Voici comment les auteurs décomposent cela :

1. Le Problème : La « Boîte Noire » de la Batterie

Les batteries vieillissent et perdent de la puissance au fil du temps. Nous savons qu s elles se dégradent, mais il est difficile de voir comment elles se dégradent à l'intérieur. Les méthodes traditionnelles sont comme essayer de comprendre une ville en ne regardant que sa facture d'électricité (tension et courant). Elles vous donnent un chiffre, mais elles ne montrent pas les embouteillages, les ponts brisés ou les quartiers qui ont cessé de communiquer entre eux.

2. La Solution : Prendre un « Film » de la Batterie

Les chercheurs ont utilisé une technique appelée Décomposition en Modes Dynamiques avec Contrôle (DMDc). Imaginez cela comme une caméra haute vitesse qui enregistre la réponse en tension de la batterie à un test spécifique (comme une impulsion rapide de puissance).

Au lieu de simplement regarder la vidéo brute, la DMDc décompose la vidéo en ses « mouvements fondamentaux » ou modes.

• L'Analogie : Imaginez une troupe de danse. La DMDc ne regarde pas seulement le spectacle dans son ensemble ; elle identifie les pas spécifiques que chaque danseur exécute et comment ils se déplacent par rapport aux autres. Elle crée une « matrice de modes » (une liste de ces pas de danse).

3. Transformer les Mouvements en Carte (Le Graphique)

C'est la partie ingénieuse. Les auteurs ont pris cette liste de pas de danse (la matrice de modes) et l'ont transformée en une carte de réseau (un graphe).

• Les Nœuds (Points) : Chaque point sur la carte représente une partie spécifique de l'état interne de la batterie.
• Les Arêtes (Lignes) : Les lignes reliant les points représentent la force avec laquelle ces parties s'influencent mutuellement. Une ligne épaisse et sombre signifie qu'elles parlent fort et clairement. Une ligne fine ou absente signifie qu'elles communiquent à peine.

4. Observer la Décadence de la Ville

Les chercheurs ont effectué ce test sur une batterie au fur et à mesure qu'elle vieillissait, passant de « toute neuve » à « usée » (après 360 cycles de charge). Ils ont examiné deux aspects principaux sur leur carte :

A. Connectivité (Combien de lignes y a-t-il ?)

• Batterie Saine : La carte ressemble à une toile d'araignée dense. Presque chaque point est connecté à beaucoup d'autres par des lignes fortes. La ville est unifiée ; l'information circule partout facilement.
• Batterie Vieillissante : À mesure que la batterie vieillit, les lignes commencent à s'estomper et disparaître. La toile devient clairsemée. Les « citoyens » cessent de se parler. Les auteurs ont constaté que le nombre de connexions fortes diminuait régulièrement à mesure que la batterie se dégradait.
  • Conclusion Simple : Une batterie saine est une communauté soudée ; une vieille batterie est un groupe d'individus isolés.

B. Modularité (Les groupes deviennent-ils désordonnés ?)

• Batterie Saine : Les connexions sont réparties uniformément. Aucun groupe unique ne domine, et aucune partie de la ville n'est laissée dans l'obscurité. C'est un quartier équilibré et uniforme.
• Batterie Vieillissante : La carte commence à paraître chaotique. Certaines zones deviennent sur-connectées (cliques), tandis que d'autres deviennent complètement déconnectées. L'équilibre est perdu. L'« hétérogénéité » (désordre) augmente.
  • Conclusion Simple : Une batterie saine est une ville bien planifiée ; une vieille batterie est une ville où certains quartiers sont chaotiques et d'autres abandonnés.

5. Ce qu'ils ont Découvert

En observant l'évolution de cette carte au fil du temps, les chercheurs ont vu une histoire claire :

1. Le « Fluide » devient « Haché » : Dans une batterie neuve, les mouvements internes sont fluides et coordonnés. Dans une vieille batterie, les mouvements deviennent erratiques, avec des pics soudains et des motifs irréguliers.
2. Le Réseau se Fragment : La batterie ne fait pas simplement devenir « plus faible » d'un coup ; elle perd sa structure interne. Le réseau fort et unifié se brise en morceaux plus petits, plus faibles et déconnectés.

Le Point Essentiel

Ce papier ne nous dit pas seulement que une batterie est en train de mourir ; il nous offre une nouvelle façon de visualiser comment elle meurt. En transformant des données électriques complexes en une simple « carte de connectivité », ils ont montré que le vieillissement de la batterie est essentiellement la rupture des connexions et la perte d'ordre au sein du système.

Au lieu de simplement deviner la santé de la batterie sur la base d'un seul chiffre, cette méthode examine la « structure sociale » de la physique interne de la batterie pour voir si la communauté travaille encore ensemble ou si elle se désagrège.

Résumé technique

Résumé technique : Une approche par la théorie des graphes combinée à la décomposition modale dynamique avec contrôle (DMDc) pour analyser la dégradation des batteries

Énoncé du problème
La surveillance précise de la dégradation des batteries lithium-ion (LIB) est cruciale pour la sécurité et les performances, mais elle reste difficile en raison de la nature complexe, non linéaire et variable dans le temps du vieillissement électrochimique. Les modèles physiques traditionnels offrent une grande fidélité mais sont intensifs en calculs et difficiles à calibrer pour une utilisation en temps réel. À l'inverse, les approches basées sur les données, telles que les modèles de circuits équivalents (ECM), sont efficaces mais reposent sur des topologies fixes qui échouent à capturer les mécanismes internes de dégradation évolutifs et les changements structurels. Bien que les méthodes d'apprentissage automatique aient amélioré l'estimation de l'état de santé (SOH), il manque des cadres exploitant les approches par la théorie des graphes pour comprendre fondamentalement l'évolution structurelle de la dégradation des batteries à partir des seules données opérationnelles.

Méthodologie
Les auteurs proposent un cadre basé sur les données qui intègre la décomposition modale dynamique avec contrôle (DMDc) et la théorie des graphes pour caractériser la dégradation des batteries. La méthodologie se déroule comme suit :

1. Acquisition des données : Une batterie LIB de 30 Ah est soumise à des tests de caractérisation de puissance par impulsions hybrides (HPPC). La cellule subit un cyclage continu de charge-décharge jusqu'à 360 cycles, avec des tests HPPC répétés tous les 20 cycles pour capturer les réponses en tension sous des entrées de courant contrôlées.
2. Identification du système DMDc : L'algorithme DMDc est appliqué aux données opérationnelles pour identifier une représentation d'espace d'état linéaire ($x_{k+1} \approx A x_k + B u_k$). Par la décomposition en valeurs singulières (SVD) et la décomposition en valeurs propres, la méthode extrait une matrice de modes ($\Phi$). Cette matrice encode les relations d'amplitude et de phase entre les modes dynamiques, représentant l'évolution spatio-temporelle du système.
3. Construction du graphe : La matrice de modes $\Phi$ est réinterprétée comme une matrice d'adjacence pondérée pour un graphe $G(V, E)$. Dans cette représentation, les nœuds correspondent aux coordonnées d'état intégrées par retard (déduites des réponses en tension), et les poids des arêtes quantifient l'intensité et la directionnalité du couplage dynamique entre les états.
4. Analyse des métriques du graphe : Deux métriques principales sont calculées pour quantifier les changements structurels :
   • Connectivité (Densité du réseau) : Un seuil adaptatif basé sur la magnitude moyenne des entrées de la matrice est utilisé pour convertir la matrice pondérée en une matrice d'adjacence binaire. La connectivité est définie comme la fraction d'arêtes actives par rapport aux connexions totales possibles.
   • Proximité de modularité (Hétérogénéité du réseau) : Puisqu'une détection explicite de communautés n'est pas effectuée, une proximité de modularité est définie comme la dispersion normalisée (écart-type divisé par la moyenne) des forces des nœuds. Cette métrique capture l'hétérogénéité de la structure du réseau.

Contributions clés

• Intégration d'un cadre novateur : Ce travail établit un lien fondé sur des principes entre la théorie des systèmes dynamiques basée sur les données (spécifiquement DMDc) et l'analyse par la théorie des graphes pour modéliser la dégradation des batteries.
• Représentation sans topologie préétablie : Contrairement aux ECM, cette approche construit un réseau directement à partir des données sans imposer une topologie de circuit prédéfinie, lui permettant de capturer des motifs de couplage émergents associés au vieillissement.
• Métriques interprétables : L'étude introduit des mesures spécifiques basées sur les graphes (connectivité et proximité de modularité) qui fournissent des insights au niveau du système sur la manière dont la dégradation se propage et réorganise la dynamique interne de la batterie.

Résultats
L'application de ce cadre aux données HPPC d'une batterie en dégradation a produit les observations suivantes :

• Cohérence spatio-temporelle : À l'état sain, les modes DMD présentent des variations d'amplitude lisses et continues et un comportement de phase organisé, indiquant une dynamique de système cohérente. À mesure que la dégradation progresse, la distribution spatiale devient irrégulière et dispersée, l'énergie se redistribuant des modes dominants vers ceux qui étaient précédemment inactifs, reflétant une perte de cohérence structurelle.
• Déclin de la connectivité : La connectivité du réseau diminue progressivement avec le vieillissement. Partant d'une valeur élevée de 0,68 à l'état sain, la connectivité chute à 0,653 au 40e cycle et davantage à 0,623 au 340e cycle. Cela indique une transition d'un réseau hautement connecté et stable vers une structure fragmentée avec des interactions affaiblies.
• Augmentation de l'hétérogénéité : La proximité de modularité augmente avec la dégradation. L'état sain montre une valeur faible (~0,3), indiquant une distribution uniforme des interactions. À mesure que la batterie se dégrade, la valeur augmente, signifiant que les interactions deviennent inégalement distribuées et que la structure du réseau devient plus hétérogène et dispersée.

Signification et affirmations
Les auteurs affirment que ce travail démontre l'efficacité des représentations par la théorie des graphes pour capturer la dynamique évolutive de la dégradation des batteries. En transformant la matrice de modes DMDc en un réseau évolutif, l'approche fournit des insights interprétables sur le comportement de vieillissement au niveau du système que les modèles traditionnels pourraient manquer. L'étude postule que la dégradation se manifeste par un changement systématique d'un réseau cohérent et hautement connecté vers une structure plus faible, fragmentée et hétérogène.

L'article conclut que ce cadre offre une nouvelle voie pour comprendre les processus de dégradation dans les LIB et potentiellement d'autres systèmes de stockage d'énergie. Cependant, les auteurs restent modestes concernant les limitations actuelles, notant que les résultats dépendent des choix de modélisation (par exemple, troncature du rang, dimension d'intégration) et que la matrice d'adjacence représente des interactions modales abstraites plutôt que des connexions physiques directes. Ils suggèrent que les travaux futurs devraient se concentrer sur le lien rigoureux de ces matrices avec des structures physiques et l'exploration de techniques DMD avancées pour améliorer la robustesse face au bruit.