Onderzoekers hebben een machine learning-methode ontworpen die de batterijstatus kan voorspellen met een 10x hogere nauwkeurigheid dan de huidige industriestandaard. die zouden kunnen helpen bij de ontwikkeling van veiligere en betrouwbaardere batterijen voor elektrische voertuigen en consumentenelektronica.

De onderzoekers, van de universiteiten van Cambridge en Newcastle, hebben een nieuwe manier ontworpen om batterijen te controleren door er elektrische pulsen in te sturen en de respons te meten. De metingen worden vervolgens verwerkt door een machine learning-algoritme om de gezondheid en nuttige levensduur van de batterij te voorspellen. Hun methode is niet-invasief en is een eenvoudige toevoeging aan elk bestaand batterijsysteem. De resultaten worden gerapporteerd in het tijdschrift Natuurcommunicatie .

Het voorspellen van de gezondheidstoestand en de resterende nuttige levensduur van lithium-ionbatterijen is een van de grote problemen die de wijdverbreide acceptatie van elektrische voertuigen in de weg staan:het is ook een bekende ergernis voor gebruikers van mobiele telefoons. Overuren, batterijprestaties nemen af ​​via een complex netwerk van subtiele chemische processen. individueel, elk van deze processen heeft niet veel effect op de batterijprestaties, maar samen kunnen ze de prestaties en levensduur van een batterij aanzienlijk verkorten.

Huidige methoden voor het voorspellen van de batterijstatus zijn gebaseerd op het volgen van de stroom en spanning tijdens het opladen en ontladen van de batterij. Dit mist belangrijke functies die de batterijstatus aangeven. Het volgen van de vele processen die in de batterij plaatsvinden, vereist nieuwe manieren om batterijen in actie te onderzoeken, evenals nieuwe algoritmen die subtiele signalen kunnen detecteren terwijl ze worden opgeladen en ontladen.

"Veiligheid en betrouwbaarheid zijn de belangrijkste ontwerpcriteria omdat we batterijen ontwikkelen die veel energie kunnen verpakken in een kleine ruimte, " zei Dr. Alpha Lee van Cambridge's Cavendish Laboratory, die het onderzoek mede leidde. "Door de software te verbeteren die het laden en ontladen bewaakt, en het gebruik van datagestuurde software om het laadproces te sturen, Ik geloof dat we een grote verbetering van de batterijprestaties kunnen bewerkstelligen."

De onderzoekers ontwierpen een manier om batterijen te monitoren door er elektrische pulsen in te sturen en de respons ervan te meten. Een machine learning-model wordt vervolgens gebruikt om specifieke kenmerken in de elektrische respons te ontdekken die het veelbetekenende teken zijn van veroudering van de batterij. De onderzoekers voerden meer dan 20, 000 experimentele metingen om het model te trainen, de grootste dataset in zijn soort. belangrijk, het model leert belangrijke signalen te onderscheiden van irrelevante ruis. Hun methode is niet-invasief en is een eenvoudige aanvulling op bestaande batterijsystemen.

De onderzoekers toonden ook aan dat het machine learning-model kan worden geïnterpreteerd om hints te geven over het fysieke mechanisme van degradatie. Het model kan aangeven welke elektrische signalen het meest gecorreleerd zijn met veroudering, waardoor ze op hun beurt specifieke experimenten kunnen ontwerpen om te onderzoeken waarom en hoe batterijen degraderen.

"Machine learning is een aanvulling op en vergroot het fysieke begrip, " zei co-eerste auteur Dr. Yunwei Zhang, ook van het Cavendish-laboratorium. "De interpreteerbare signalen die door ons machine learning-model worden geïdentificeerd, zijn een startpunt voor toekomstige theoretische en experimentele studies."

De onderzoekers gebruiken nu hun machine learning-platform om degradatie in verschillende batterijchemieën te begrijpen. Ze ontwikkelen ook optimale oplaadprotocollen voor batterijen, aangedreven door machine learning, om snel opladen mogelijk te maken en degradatie te minimaliseren.