De vraag naar elektrificatie van transport is de afgelopen jaren ontstaan ​​als gevolg van toenemende zorgen over de opwarming van de aarde. De wijdverbreide invoering van elektrische voertuigen zal leiden tot minder schadelijke uitstoot en schonere lucht, naast andere sociale en economische voordelen. De batterij-industrie heeft behoefte aan softwareoplossingen voor batterijfabrikanten om de fabricage- en ontwikkelingskosten te verlagen en tegelijkertijd de belangrijkste batterijstatistieken te verbeteren.

AI ontgrendelt batterijtechnologie die de toekomst van schoon transport zal aandrijven, zorgt voor een verschuiving in de auto-industrie. Echter, laadvermogen, de energiedichtheid en de kosten zullen drastisch moeten verbeteren. AI heeft het potentieel om de ontwikkeling van batterijen te beïnvloeden en de relatie tussen gegevens en batterijparameters te begrijpen.

Het optreden, kosten, en veiligheid van batterijen bepalen de succesvolle ontwikkeling van elektrische voertuigen (EV's) en momenteel, Lithium-ion (Li-ion) batterijen hebben de voorkeur voor EV's vanwege hun levensduur en redelijke energiedichtheid.

Echter, verder onderzoek van Li-ion-batterijen zal resulteren in meer gecompliceerde batterijdynamiek, waar veiligheid en efficiëntie een punt van zorg zullen worden.

Daarom, een geavanceerd batterijbeheersysteem dat de veiligheid kan optimaliseren en bewaken, is cruciaal voor de elektrificatie van voertuigen.

Een samenwerking tussen Dr. Gareth Conduit (Cavendish Laboratory, Universiteit van Cambridge en medeoprichter van Intellegens), het Institute of Materials Research and Engineering bij A*STAR, en Nanyang Technological University hebben verschillende benaderingen voor machine learning (ML) beoordeeld voor snelle en nauwkeurige voorspelling van de batterijstatus. Het overzichtsartikel is gepubliceerd in Intelligentie van de natuurmachine .

Gegevensgestuurde machine learning voor optimalisatie van EV-batterijen

Machine learning-algoritmen zijn geïmplementeerd om de gezondheidstoestand te voorspellen, staat van het opladen, en resterende gebruiksduur.

Datagedreven modellen hebben de afgelopen jaren de aandacht getrokken, en gecombineerd met machine learning-technieken, deze modellen lijken krachtiger en kunnen voorspellen zonder a priori kennis van het systeem en hebben het potentieel om een ​​hoge nauwkeurigheid te bereiken met lage rekenkosten.

Batterijen hebben verschillende belangrijke parameters, inclusief spanning, temperatuur, en staat van verandering. Batterijstoringen zijn geassocieerd met abnormale schommelingen in deze parameters, daarom is het van cruciaal belang om ze nauwkeurig te voorspellen om ervoor te zorgen dat elektrische voertuigen in de loop van de tijd betrouwbaar en veilig werken.

Eenmaal op zijn plaats, voorspellende modellen kunnen worden gebruikt om processen te standaardiseren, alle belanghebbenden toegang geven tot dezelfde kennis en tools, en de kosten verlagen, zowel wat betreft het aantal experimenten dat moet worden uitgevoerd als het optimaliseren van experimenten om de noodzaak van dure componenten of processen te minimaliseren.

Dit resulteert in een verminderde milieu-impact door experimenten en producten te ontwerpen die minder afhankelijk zijn van toxische elementen of processen.

Hoe ziet de toekomst van de batterij-industrie eruit?

Met de lagere kosten van apparaten voor gegevensopslag en de vooruitgang van computertechnologieën, datagedreven machine learning lijkt in de toekomst de meest veelbelovende benadering te zijn voor geavanceerde batterijmodellering.

Deze aanpak is gebruikt om veel hoogwaardige problemen op te lossen en de belangrijkste variabelen voor een succesvolle implementatie zijn zowel de beschikbaarheid van gegevens als de gegevenskwaliteit. Hoe dan ook, er is een recente toename geweest in het toepassen van machine learning-methoden om verschillende aspecten van de batterij-industrie te helpen optimaliseren.

In beide gevallen, het gebruik van gegevens uit meerdere domeinen, inclusief gegevens van mislukte experimenten, een cruciale rol spelen bij het versnellen en optimaliseren van het batterijontwerp, scheikunde en managementsystemen.

Dr. Gareth Conduit (Royal Society University Research Fellow aan de Universiteit van Cambridge en CTO bij Intellegens) gaf commentaar

"Onze machine learning-technologie, alchemiet, correlaties kan zien tussen alle beschikbare parameters, zowel in- als uitgangen, in schaarse en luidruchtige datasets. Het resultaat is nauwkeurige modellen die ontbrekende waarden kunnen voorspellen, fouten vinden en doeleigenschappen optimaliseren. In staat om te werken met gegevens die slechts 0,05% compleet zijn, Alchemite kan dataproblemen ontrafelen die niet toegankelijk zijn voor traditionele machine learning-benaderingen."

Alchemite levert baanbrekende oplossingen voor het ontdekken van medicijnen, geavanceerde materialen, patiëntanalyse, predictive maintenance and batteries—enabling organizations to break through data analysis bottlenecks, reduce the amount of time and money spent on research, and support better, faster decision-making.

The insights in this review article could have a transformative effect on the battery industry. Highlighting how machine learning can accurately predict and improve the health and life of a battery will enable manufacturers to embed this software straight into their battery devices and improve their in-life service for the consumer.