Développer des analyses fiables des batteries à partir de données télémétriques réelles : le rôle du prétraitement et du post-traitement

Une analyse fiable des batteries commence avant même la conception du modèle

L'analyse avancée des batteries ne repose pas seulement sur la sophistication des modèles analytiques, mais aussi sur la qualité et l'interprétabilité des données télémétriques sous-jacentes. Même les modèles analytiques les plus performants peuvent produire des résultats peu fiables lorsque les données entrantes sont incomplètes, incohérentes, bruitées ou difficiles à interpréter sur le plan opérationnel.

Dans les environnements opérationnels réels, la qualité des données influe directement sur la fiabilité des indicateurs clés de performance (KPI), des alarmes, des notifications et des recommandations opérationnelles. Si elles ne sont pas traitées correctement, des données de mauvaise qualité peuvent entraîner une augmentation des fausses alarmes, masquer des signaux importants et réduire la fiabilité des conclusions analytiques.

C'est pourquoi un prétraitement et un post-traitement intelligents sont essentiels pour transformer les données brutes de télémétrie en informations exploitables sur l'état de la batterie.

1. Des données brutes aux informations exploitables

Pour transformer les données télémétriques brutes en informations exploitables, il faut passer par plusieurs étapes de préparation, de validation et d'interprétation tout au long du processus d'analyse.

Le processus de traitement des données qui sous-tend la solution Battery Analytics de PowerUp s'articule autour de quatre étapes clés :

1.Télémétrie : Données chronologiques collectées sur le terrain (courant, tension, température, état de charge).

2. Télémétrie pré-traitée : Série chronologique sélectionnée et validée dans laquelle les données non physiques ou incohérentes ont étéidentifiéesetsupprimées.

3. Résultats : Principaux résultats analytiques, y compris les indicateurs clés de performance tels que la sécurité, la performance et l'endurance ,et les.. 

4. Informations issues du post-traitement : Indicateurs clés de performance (KPI) finaux, alertes et notifications, affinés pour éliminer le bruit et mettre en évidence ce qui compte vraiment.

Parallèlement, une couche de configuration dédiée définit les paramètres des algorithmes, l'architecture des ressources et la topologie du système, garantissant ainsi que les analyses restent entièrement contextualisées en fonction de la flotte de chaque client:

2. Prétraitement : Préparation Télémétrie pour des analyses fiables

Prépartion télétélétélé fou fiabilitébfiable analyics est nn nne un matter df retirer bad data points. Til obobjetest est d’ améliorer la cohérence, interprétabilitéet facilité d'utilisation de télémétrie tout en en préservant la signaux signaux nécessaires en l'analyse modèles modèles et opérationnels . 

Pré-traitement n'est pas un simple exercice de filtrage. Il s'agit d'un compromis soigneusement équilibré, fondé sur une solide ::

• Supprimer trop de données, et vous risquez de perdre des informations essentielles sur le comportement de la batterie;
• Gardez tout, et vous exposez vos analyses à des fausses alertes, à des indicateurs de performance trompeurs et à une perte de confiance des utilisateurs.

C'est là que la propriété intellectuelle et l'expérience de PowerUp en électrochimie, en science des données et en ingénierie des données entrent en jeu. Notre logique de prétraitement est conçue pour ne conserver que les données physiquement significatives pour l'objectif spécifique des modèles analytiques cibles, tout en préservant à la fois les tendances à long terme et les événements transitoires de courte durée mais importants.

3. Mesurer la qualité des données : la transparence dès la conception

Afin de rendre la qualité des données à la fois visible et exploitable, PowerUp propose une section dédiée à la qualité des données au sein de Battery Insight. Structurée autour de trois indicateurs, elle aide les utilisateurs à mieux comprendre la fiabilité des données télémétriques et à interpréter les résultats analytiques en tenant compte du contexte opérationnel approprié.

3.1 Exhaustivité des données — Avons-nous reçu les données attendues ?

Cet indicateur représente le pourcentage de points de télémétrie attendus qui ont été correctement collectés et reçus. Il permet d'identifier rapidement les problèmes de communication, les pannes de capteurs ou les difficultés d'acquisition de données susceptibles d'affecter les analyses en aval.

3.2 Cohérence des données — Quelle part des données reçues est réellement exploitable ?

Toutes les données télémétriques reçues ne peuvent pas être utilisées en toute sécurité à des fins d'analyse. Certains points de données doivent être supprimés car ils sont non physiques, incohérents ou peu fiables pour d'autres raisons. La cohérence des données correspond au pourcentage des données télémétriques reçues qui restent valides après le prétraitement et qui peuvent être utilisées en toute sécurité pour alimenter les modèles analytiques en aval.

3.3 Détails sur les incohérences dans les données — Pourquoi ces données ont-elles été supprimées ?

Au cours de la phase de prétraitement, chaque ligne de données supprimée est marquée en fonction de la métrique physique à l'origine de l'incohérence, par exemple :

• Tension
• Actuel
• Température
• État de charge (SoC)
• Autres (signaux contextuels)

Ces indicateurs sont agrégés quotidiennement et présentés sous forme de graphique chronologique, offrant ainsi une vue claire et intuitive de l'évolution de la qualité des données télémétriques au fil du temps.

Le graphique chronologique se compose de cinq courbes parallèles, chacune correspondant à un indicateur clé (SoC, tension, courant, température).

• La hauteur de la ligne indique le volume de données incohérentes pour un jour donné :
  • Ligne proche du fond : peu d'incohérences
  • Ligne proche du sommet : de nombreuses incohérences

Interprétation de la chronologie

La chronologie est conçue pour aider les utilisateurs à identifier rapidement les problèmes récurrents liés à la qualité des données de télémétrie, les anomalies isolées et les tendances à long terme susceptibles d'affecter la fiabilité des analyses.

• Une courbe qui ne tombe jamais à zéro pour un indicateur donné peut indiquer un problème récurrent (par exemple, un capteur défectueux).
• Les pics soudains indiquent généralement un événement ou une anomalie spécifique.
• La faible variation dans le temps témoigne d'une qualité des données stable et fiable.

Cette visualisation offre un moyen rapide et intuitif de contrôler la cohérence des données de télémétrie, de détecter des tendances et de faciliter la prise de décisions éclairées, sans nécessiter de connaissances approfondies en matière de données.

4. Post-traitement : affiner les résultats analytiques pour obtenir des informations fiables

Même lorsque les données télémétriques ont été parfaitement prétraitées, l'analyse peut encore être affectée par du bruit, des artefacts transitoires ou des cas limites spécifiques au contexte. C'est pourquoi le post-traitement est tout aussi essentiel que le prétraitement.

Le post-traitement applique des règles définies par des experts pour :

• Éliminer le bruit résiduel
• Agréguer les signaux de manière pertinente et utile sur le plan opérationnel
• Éviter les faux positifs
• Tenir compte des signes avant-coureurs

Une fois encore, la clé du succès réside dans la recherche du juste équilibre : éliminer ce qui n'est pas pertinent tout en conservant ce qui est important. Atteindre cet équilibre nécessite de combiner une expertise en physique des batteries, en science des données et en ingénierie des données.

5. Relever les défis liés aux données du monde réel à grande échelle

Les données opérationnelles relatives aux batteries sont par nature désordonnées :

• Il n'y a pas deux clients qui collectent les données télémétriques exactement de la même manière
• Il n'y a pas deux problèmes de qualité des données qui se ressemblent
• Les cas marginaux sont la règle, pas l'exception

L'approche de PowerUp est conçue pour s'adapter à divers environnements opérationnels tout en réduisant au minimum le besoin d'un prétraitement des données coûteux et spécifique à chaque client.

Notre pipeline de données comprend :

Mise en forme : normalisation des structures de données de télémétrie, des unités, des identifiants et des conventions de nommage

Filtrage : suppression des valeurs non physiques (signaux hors plage, lignes plates, dérivées anormales, etc.)

Amélioration : rééchantillonnage, détection de phase et calculs intermédiaires servant de base aux modèles analytiques en aval

6. Avantages concrets

Assurer la transparence en matière de qualité des données apporte une valeur ajoutée concrète :

• Les clients font clairement la distinction entre les limites de la plateforme analytique et les problèmes de qualité liés à la télémétrie sous-jacente
• Les indicateurs de qualité des données permettent de mettre en évidence les faiblesses générales des systèmes et des processus d'acquisition de données télémétriques
• La fiabilité des indicateurs clés de performance (KPI), des alertes et des notifications est considérablement renforcée

À l'inverse, sans un prétraitement et un post-traitement rigoureux :

• Les fausses alertes se multiplient
• Des signaux importants risquent de passer inaperçus
• Les utilisateurs pourraient interpréter à tort l'absence d'informations comme un dysfonctionnement de la plateforme

Dans de nombreux cas, la mauvaise qualité des données de télémétrie détectée par PowerUp est révélatrice de problèmes plus généraux liés à la surveillance et à l'instrumentation au sein de l'écosystème du client.

Conclusion

L'analyse approfondie des batteries ne repose pas uniquement sur des algorithmes et des modèles plus performants ; elle dépend également d'une gestion intelligente des données de télémétrie tout au long du processus d'analyse.

En combinant des indicateurs transparents de qualité des données, un prétraitement réalisé par des experts et un post-traitement intelligent, PowerUp garantit que les analyses reposent sur des bases solides.

Le résultat est clair : des informations plus fiables, moins de faux positifs et une plus grande assurance dans chaque décision fondée sur les données de la batterie.