用于改善电池健康和安全性的AI技术

研究人员设计了一种机器学习方法,可以以比当前行业标准高10倍的准确度预测电池的健康状况,从而有助于开发用于电动汽车和消费电子产品的更安全,更可靠的电池。

来自剑桥大学和纽卡斯尔大学的研究人员设计了一种通过向电池发送电脉冲并测量响应来监视电池的新方法。然后,通过机器学习算法处理测量结果,以预测电池的健康状况和使用寿命。他们的方法是非侵入性的,并且是任何现有电池系统的简单补充。结果发表在《自然通讯》杂志上。

预测锂离子电池的健康状况和剩余使用寿命是限制电动汽车广泛采用的主要问题之一:这也是移动电话用户的烦恼。随着时间的流逝,电池性能会通过复杂的精细化学过程网络而降低。单独地,这些过程中的每一个对电池性能都没有太大影响,但是总的来说,它们会严重缩短电池的性能和寿命。

当前的预测电池健康的方法是基于跟踪电池充电和放电期间的电流和电压。这错过了指示电池状态的重要功能。跟踪电池中发生的许多过程需要探测电池实际运行情况的新方法,以及可以在充电和放电时检测出细微信号的新算法。

剑桥大学卡文迪许实验室的Alpha Lee博士说:“安全性和可靠性是最重要的设计标准,因为我们开发的电池可以在很小的空间内盘点大量能量。” “通过改进监视充电和放电的软件,并使用数据驱动的软件来控制充电过程,我相信我们可以大大改善电池性能。”

研究人员设计了一种通过向电池发送电脉冲并测量其响应来监视电池的方法。然后,使用机器学习模型来发现电响应中的特定特征,这些特征是电池老化的迹象。研究人员进行了20,000多次实验测量,以训练该模型,这是同类最大的数据集。重要的是,该模型学习了如何区分重要信号和无关噪声。他们的方法是非侵入性的,并且是任何现有电池系统的简单补充。

研究人员还表明,机器学习模型可以被解释为给出退化的物理机制的提示。该模型可以告知哪些电信号与老化最相关,这反过来又使它们可以设计特定的实验来探究电池退化的原因和方式。

共同第一作者,来自卡文迪许实验室的张云伟博士说:“机器学习补充并增强了对身体的理解。” “我们的机器学习模型识别出的可解释信号是未来理论和实验研究的起点。”

研究人员现在正在使用他们的机器学习平台来了解不同电池化学性质的退化。他们还开发了最佳的电池充电协议,通过机器学习来供电,以实现快速充电并最大程度地降低降级。

这项工作是在法拉第研究所的资助下进行的。李博士也是圣凯瑟琳学院的研究员。

有所作为:赞助机会

故事来源:

用料 由…提供 剑桥大学。原始故事是根据《 知识共享许可。注意:可以编辑内容的样式和长度。

资讯来源:由0x资讯编译自SCIENCEDAILY,版权归作者所有,未经许可,不得转载
你可能还喜欢