AI-teknikker, der bruges til at forbedre batteriets sundhed og sikkerhed

Forskere har designet en maskinlæringsmetode, der kan forudsige batteriets sundhed med 10 gange højere nøjagtighed end den nuværende industristandard, som kunne hjælpe med udviklingen af ​​sikrere og mere pålidelige batterier til elektriske køretøjer og forbrugerelektronik.

Forskerne, fra Cambridge og Newcastle Universiteter, har designet en ny måde at overvåge batterier på ved at sende elektriske impulser ind i dem og måle responsen. Målingerne behandles derefter af en maskinlæringsalgoritme for at forudsige batteriets sundhed og brugbare levetid. Deres metode er ikke-invasiv og er en simpel tilføjelse til ethvert eksisterende batterisystem. Resultaterne er rapporteret i journalen Naturkommunikation .

At forudsige sundhedstilstanden og den resterende brugbare levetid for lithium-ion-batterier er et af de store problemer, der begrænser udbredt brug af elektriske køretøjer:det er også en velkendt irritation for mobiltelefonbrugere. Over tid, batteriets ydeevne forringes via et komplekst netværk af subtile kemiske processer. Individuelt, hver af disse processer har ikke meget af en effekt på batteriets ydeevne, men tilsammen kan de forkorte et batteris ydeevne og levetid alvorligt.

Nuværende metoder til at forudsige batteriets sundhed er baseret på sporing af strøm og spænding under batteriopladning og -afladning. Dette går glip af vigtige funktioner, der indikerer batteriets sundhed. Sporing af de mange processer, der sker i batteriet, kræver nye måder at sondere batterier i aktion, samt nye algoritmer, der kan registrere subtile signaler, når de oplades og aflades.

"Sikkerhed og pålidelighed er de vigtigste designkriterier, da vi udvikler batterier, der kan pakke en masse energi på et lille rum, " sagde Dr. Alpha Lee fra Cambridges Cavendish Laboratory, som var med til at lede forskningen. "Ved at forbedre softwaren, der overvåger opladning og afladning, og bruge datadrevet software til at styre opladningsprocessen, Jeg tror på, at vi kan drive en stor forbedring af batteriets ydeevne."

Forskerne designet en måde at overvåge batterier ved at sende elektriske impulser ind i det og måle dets respons. En maskinlæringsmodel bruges derefter til at opdage specifikke egenskaber i den elektriske respons, der er det afslørende tegn på batteriældning. Forskerne udførte over 20, 000 eksperimentelle målinger for at træne modellen, det største datasæt af sin art. Vigtigt, modellen lærer at skelne vigtige signaler fra irrelevant støj. Deres metode er ikke-invasiv og er en simpel tilføjelse til alle eksisterende batterisystemer.

Forskerne viste også, at maskinlæringsmodellen kan tolkes til at give hints om den fysiske nedbrydningsmekanisme. Modellen kan informere om, hvilke elektriske signaler der er mest korreleret med aldring, hvilket igen giver dem mulighed for at designe specifikke eksperimenter for at undersøge hvorfor og hvordan batterier nedbrydes.

"Maskinlæring supplerer og øger den fysiske forståelse, " sagde den første forfatter Dr. Yunwei Zhang, også fra Cavendish Laboratory. "De fortolkbare signaler identificeret af vores maskinlæringsmodel er et udgangspunkt for fremtidige teoretiske og eksperimentelle undersøgelser."

Forskerne bruger nu deres maskinlæringsplatform til at forstå nedbrydning i forskellige batterikemier. De udvikler også optimale batteriopladningsprotokoller, drevet af maskinlæring, for at muliggøre hurtig opladning og minimere nedbrydning.