Kunstmatige intelligentie verbetert de gezondheid en veiligheid van de batterij

Onderzoekers hebben een nieuwe manier ontworpen om batterijen te monitoren 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. De methode is niet-invasief en is een eenvoudige toevoeging aan elk bestaand batterijsysteem.

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 beperken en heeft ook invloed op de veiligheid van mobiele telefoons. Na verloop van tijd nemen de prestaties van de batterij af via een complex netwerk van subtiele chemische processen. Elk van deze processen afzonderlijk heeft niet veel invloed 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 wanneer ze worden opgeladen en ontladen.

De onderzoekers ontwierpen een manier om een ​​batterij 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 uit om het model te trainen. Belangrijk is dat het model leert belangrijke signalen te onderscheiden van irrelevante ruis. De 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, wat hen in staat stelt specifieke experimenten te ontwerpen om te onderzoeken waarom en hoe batterijen verslechteren.

Het machine learning-platform wordt gebruikt om degradatie in verschillende batterijchemieën te begrijpen. Er worden optimale protocollen voor het opladen van batterijen ontwikkeld, mogelijk gemaakt door machine learning, om snel opladen mogelijk te maken en degradatie tot een minimum te beperken.