L'état de santé (SoH) d'une batterie est la part de sa capacité d'origine qu'elle peut encore fournir, et une batterie de drone est considérée en fin de vie à 80 %. La recherche évaluée par les pairs de Vozwin avec l'Université McGill et l'Université de Sherbrooke a prédit l'état de santé à 2,26 % près sur une batterie que le modèle n'avait jamais vue, en utilisant uniquement la tension, le courant et les gaz qu'un contrôleur de vol enregistre déjà, à partir de 631 vols. Elle y est arrivée sans grand jeu de données en transformant chaque vol en image pour qu'un modèle de vision préentraîné puisse la lire, et en transférant ce que le modèle avait appris sur un type de batterie à un autre.
Pour quiconque se demande si ses propres données suffisent pour l'apprentissage automatique, la méthode compte plus que la batterie. Ce guide explique le problème que la recherche voulait résoudre, comment les données et les étiquettes ont été recueillies, pourquoi les journaux de vol ont été transformés en images, ce que l'apprentissage par transfert a apporté, et comment les résultats se comparent aux modèles conventionnels. Il en tire ensuite les leçons qui s'appliquent à tout projet avec peu de données, ce que les résultats changent en exploitation, et où se situent les limites de l'article. L'article lui-même est lié sous Sources.
Ce qu'est l'état de santé, et pourquoi il vaut la peine de le prédire
Chaque cycle de charge et de décharge dégrade un peu une batterie au lithium. L'état de santé suit cette dégradation sous forme de capacité restante : une batterie de 2 200 mAh qui ne peut plus contenir que 1 980 mAh est à 90 %. La pratique de l'industrie, comme l'article, fixe la fin de vie à 80 %, le point où une batterie devrait quitter le service avant qu'une cellule ne lâche. Le problème, c'est que la capacité restante ne peut pas être mesurée en vol, seulement estimée.
Cela fait de l'état de santé une cible de prédiction classique : un chiffre qui guide de vraies décisions et qui coûte cher à mesurer directement. Retirez les batteries trop tôt et le budget de rechange paie une capacité jamais utilisée. Retirez-les trop tard et un appareil tombe en pleine mission. La plupart des flottes coupent la poire en deux avec un nombre de cycles qui traite chaque batterie comme la moyenne. Une prédiction précise, batterie par batterie, transforme cette estimation en décision appuyée par des preuves.
Pourquoi c'est un problème d'apprentissage automatique difficile
La prédiction de l'état de santé par apprentissage automatique est un sujet mûr pour les véhicules électriques. Les drones avaient été largement négligés, parce que les contraintes diffèrent de cinq façons :
- La rareté des données. Les données d'entraînement viennent d'essais jusqu'à la défaillance, et pour les batteries de drones, presque rien n'avait été publié. Chaque batterie doit voler à répétition jusqu'à sa fin de vie.
- La variété. Une même cellule accepte des batteries de nombreuses marques, tailles, capacités et tensions, et un exploitant en possède habituellement plusieurs. Un seul modèle doit composer avec toutes.
- Aucune place pour de nouveaux capteurs. La température est l'un des signaux les plus révélateurs de la santé d'une batterie, mais un capteur ajoute du poids, alors l'article s'en passe délibérément. Les entrées se limitent à ce que le contrôleur de vol enregistre déjà.
- Des conditions d'exploitation bruitées. Les habitudes de pilotage, la charge utile, le vent et la météo changent la façon dont une batterie est sollicitée d'un vol à l'autre.
- Des étiquettes coûteuses. La capacité restante ne peut être mesurée qu'en déchargeant complètement la batterie, ce qui l'endommage, donc on ne peut pas recueillir une étiquette après chaque vol.
Remplacez « batterie » par « pompe », « compresseur » ou « convoyeur », et la plupart de cette liste reste vraie. Peu d'historique par type d'équipement, de nombreuses variantes, aucun appétit pour de nouveaux instruments, des conditions d'exploitation désordonnées et une vérité terrain coûteuse : c'est l'état normal des données industrielles. C'est pourquoi cette étude mérite d'être lue au-delà des drones.
Comment les données et les étiquettes ont été recueillies
Plutôt que de faire cycler les batteries sur un banc, l'équipe les a déchargées comme le ferait un exploitant : en volant. Un quadricoptère léger bâti autour d'un contrôleur de vol Holybro Pixhawk 4 Mini a effectué des profils de décollage, de vol stable et d'atterrissage pendant que le contrôleur enregistrait la tension et le courant de sortie à 10 Hz. Les vols couvraient des masses au décollage de 150 à 250 grammes et des durées de 5 à 15 minutes, et chaque batterie était rechargée selon le même protocole après chaque vol.
| Batterie | Marque | Capacité | Cellules | Taux de décharge | Batteries testées | Expériences de vol |
|---|---|---|---|---|---|---|
| Type 1 | SIGP | 1 100 mAh | 3S, 11,1 V | 20C | 5 | 289 |
| Type 2 | RoaringTop | 2 200 mAh | 3S, 11,1 V | 25C | 3 | 342 |
Les deux sont des batteries lithium-polymère typiques des drones légers. Les batteries de 2 200 mAh ont produit plus de vols chacune parce qu'elles prennent plus de cycles pour atteindre leur fin de vie.
La conception de l'étiquetage est la partie à copier. Comme une décharge complète endommage la batterie, la capacité restante n'a été mesurée sur un testeur qu'après chaque dixième vol, les dix vols intermédiaires étant effectués à la même masse et durée. La capacité de chaque vol intermédiaire a été interpolée entre les deux mesures qui l'encadrent. L'article énonce cette hypothèse ouvertement, et c'est ainsi que les 631 vols ont tous obtenu une étiquette utilisable pour une fraction du coût de mesure.
Transformer les journaux de vol en images
L'idée centrale est un contournement de la rareté des données : plutôt que d'entraîner un gros modèle de séries temporelles à partir de zéro, on remodèle les données de capteurs de chaque vol en image et on laisse un modèle de vision qui a déjà appris sur 14 millions de photos faire l'extraction de caractéristiques. Chaque vol passe par ces étapes :
- Chaque signal (tension, courant, gaz) est normalisé sur une plage de 0 à 255, l'échelle d'un pixel en niveaux de gris.
- La série est remodelée en une matrice de 112 colonnes, ce qui donne une image en niveaux de gris par signal. Les images distinguent encore des variations de tension de 0,05 V et de courant de 0,0075 A.
- Les trois images en niveaux de gris sont empilées en une seule image à trois canaux, un canal par signal, comme le rouge, le vert et le bleu d'une photo.
- Comme les vols n'ont pas tous la même durée, les images sont complétées à une taille commune et redimensionnées à 80 par 80 pixels pour ResNet-50.
- Un ResNet-50 préentraîné sur ImageNet, aux poids figés, transforme chaque image en 2 048 caractéristiques. Aucun entraînement propre aux batteries n'a lieu à cette étape.
- De petites couches entraînables ramènent ces caractéristiques à un seul chiffre : la capacité restante prédite après ce vol.
- La capacité restante du vol précédent est ajoutée comme entrée, pour que le modèle porte l'historique vers l'avant plutôt que de juger chaque vol isolément.
Comme le modèle préentraîné fait le gros du travail avec des poids que personne n'a à entraîner, le nombre de paramètres entraînables est assez petit pour apprendre à partir de quelques centaines de vols sans surapprentissage. Les hyperparamètres ont été ajustés en échantillonnant 500 configurations candidates et en gardant celle qui avait la plus faible erreur de validation sur 2 000 époques.
L'apprentissage par transfert entre deux types de batteries
La deuxième idée s'attaque à la variété. La cible était la batterie de 1 100 mAh, qui avait le plus petit jeu de données : 4 batteries et 203 vols pour l'entraînement, et 1 batterie mise de côté avec 86 vols pour le test. Les 342 vols des batteries de 2 200 mAh ont servi à préentraîner le modèle, qui a ensuite été ajusté sur les données d'entraînement de 1 100 mAh. Le modèle a appris à quoi ressemble la dégradation sur un type de batterie, puis a adapté ce savoir à un autre.
À la dernière époque, la perte d'entraînement avec apprentissage par transfert était 28 % plus faible que sans. Concrètement, un nouveau type de batterie n'oblige pas à repartir de zéro : un modèle entraîné sur l'équipement que vous avez déjà s'adapte à la variante suivante avec beaucoup moins de données.
Les résultats
L'approche a été comparée à deux modèles couramment utilisés pour prédire l'état de santé des batteries, un réseau de neurones convolutif entraîné à partir de zéro et un transformeur, chacun ajusté avec la même recherche d'hyperparamètres. Tous ont été évalués sur la même batterie de test jamais vue :
| Modèle | MSE en test | Erreur en test (MAPE) |
|---|---|---|
| CNN | 0,0102 | 7,83 % |
| Transformeur | 0,0175 | 9,22 % |
| ResNet-50, sans apprentissage par transfert | 0,0053 | 3,47 % |
| ResNet-50 avec apprentissage par transfert | 0,0027 | 2,26 % |
La MSE est l'erreur quadratique moyenne; la MAPE est l'erreur absolue moyenne en pourcentage, la taille moyenne de l'écart de prédiction par rapport à la capacité restante réelle. Jeu de test : une batterie de 1 100 mAh et 86 vols que le modèle n'a jamais vus à l'entraînement.
Le transformeur, le modèle le plus sophistiqué de la comparaison, a fait le pire résultat en test et a fortement surappris les données d'entraînement. Le modèle de vision préentraîné seul a battu les deux références par une large marge, et l'apprentissage par transfert a ensuite réduit son erreur restante d'un autre tiers. Depuis la publication, l'entraînement s'est poursuivi sur un jeu de données plus grand, et l'erreur en test du modèle actuel est de 1,57 %.
Six leçons pour tout projet d'IA avec peu de données
- Emprunter avant de bâtir. Un modèle préentraîné sur des millions d'exemples, même d'un autre domaine, peut faire l'extraction de caractéristiques à votre place. N'entraîner qu'une petite couche par-dessus, c'est ce qui rend quelques centaines d'enregistrements suffisants.
- Reformuler les données pour qu'elles conviennent à l'outil. Rien dans un journal de batterie ne dit « image ». Le remodeler en image a ouvert l'accès à une famille de modèles de vision mûre et éprouvée. Demandez-vous quelle forme vos données devraient prendre pour utiliser des outils éprouvés, pas quel nouvel outil convient à vos données.
- Transférer à partir de là où vous avez plus de données. Si une variante d'équipement a plus d'historique qu'une autre, entraînez d'abord sur elle et ajustez ensuite sur la variante rare. C'est habituellement moins cher que de recueillir plus de données sur celle qui vous intéresse.
- Budgéter l'étiquetage, et concevoir sa collecte. Les étiquettes sont habituellement la partie coûteuse. Mesurer un cycle sur dix et interpoler, en énonçant l'hypothèse, est un modèle qui se transpose partout où la vérité terrain coûte cher.
- Évaluer sur des unités que le modèle n'a jamais vues. Le chiffre de 2,26 % porte sur une batterie mise de côté. La précision sur l'équipement d'entraînement ne dit rien sur l'unité suivante, et c'est pourtant le chiffre que les fournisseurs citent le plus souvent.
- La sophistication n'est pas le but. Le transformeur a perdu. Sur de petits jeux de données, le modèle qui a le moins de paramètres entraînables tout en captant le signal gagne habituellement. Choisissez la méthode selon les données que vous avez, pas selon l'état de l'art.
Ce que les résultats changent en exploitation
- Le retrait devient une décision fondée sur les données. Les batteries sont retirées quand la capacité prédite approche 80 %, pas à un nombre de cycles prudent, et les preuves peuvent être consignées au dossier de maintenance.
- La rotation suit la santé, pas l'âge. Deux batteries achetées le même jour ne se dégradent pas au même rythme. Les prédictions par batterie permettent de confier les missions les plus longues aux batteries les plus saines.
- Les marges d'autonomie redeviennent réelles. Planifier selon la capacité prédite de la batterie à bord, plutôt que sa capacité nominale, rétablit la réserve sur laquelle le pilote compte.
- Aucun matériel à ajouter. La tension, le courant et les gaz sont enregistrés par tout contrôleur de vol moderne, donc aucune pénalité de poids et aucun projet d'instrumentation avant que la valeur apparaisse.
Le guide compagnon sur la maintenance prédictive par apprentissage automatique explique comment transformer un résultat comme celui-ci en projet : le diagnostic de préparation, la décision de bâtir, d'acheter ou de s'associer, la conception du pilote, le financement et l'adoption par l'équipe.
Limites et suite des travaux
L'article est prudent quant à sa portée, et quiconque applique ses leçons devrait l'être aussi :
- Seuls les cycles de décharge ont été modélisés. Les données de recharge sont rarement disponibles pour les batteries de drones en pratique.
- Une seule cellule, deux types de batteries. Une validation plus large sur d'autres drones et d'autres chimies est la prochaine étape, et c'est ce que fait l'entraînement continu depuis la publication.
- Les étiquettes entre les mesures de décharge complète sont interpolées, ce qui suppose une dégradation à peu près uniforme sur dix vols semblables.
- La température a été volontairement écartée pour respecter la contrainte de poids. Là où une plateforme l'enregistre, elle devrait aider.
Le moteur est le composant suivant. Les travaux de suivi de Vozwin prédisent l'état de santé des moteurs à partir des accéléromètres, gyroscopes, baromètre et GPS qu'un drone transporte déjà, plus les images de la caméra pour saisir l'instabilité visuelle que produit un moteur qui se dégrade.
Qui a mené la recherche, et où se situe Vozwin AI
L'article est signé par Jiarui Xie, Lingchen Kong et Yaoyao Fiona Zhao du Département de génie mécanique de l'Université McGill; Mohamed Rami Latreche et Elaine Mosconi du Département de systèmes d'information et méthodes quantitatives de gestion de l'Université de Sherbrooke; et Sean Smith de Vozwin, fondateur de Vermilion. Il fait partie du projet PHUMS établi par Vozwin, avec la conception des drones et les expériences dirigées par Fabio Bandera de Vozwin, et il a été soutenu par le programme Accélération de Mitacs et par les projets de R-D collaboratifs du Réseau SDG Innovation en transformation numérique, intelligente et durable.
Vozwin possède la technologie, développée par sa division Laboratoires. Vermilion est la plateforme de production qui en est issue, un modèle de raisonnement informé par la physique qui fonctionne maintenant comme sa propre entreprise, et Vozwin Aérospatiale construit des plateformes UAV qui enregistrent ces signaux dès le premier vol. Vozwin AI apporte la méthode à d'autres exploitations : évaluer si vos données et vos étiquettes peuvent soutenir un modèle comme celui-ci, choisir entre un produit et un développement, concevoir le pilote, et structurer le travail autour du financement canadien de la R-D. Si on a dit à votre équipe qu'elle n'avait pas assez de données, c'est une affirmation qui vaut la peine d'être vérifiée.