accuduur nauwkeurig voorspellen met machine learning-modellen

• Een nieuw model voor kunstmatige intelligentie kan de gezondheidstoestand van een batterij nauwkeurig bepalen.
• Het gebruikt gegevens die in de beginfase van de batterij zijn vastgelegd en voorspelt of de batterij een lange of korte levensduur zal hebben.

Lithium-ionbatterijen worden in een breed toepassingsgebied gebruikt vanwege hun hoge energiedichtheid, lange levensduur en lage kosten. De afgelopen jaren heeft de commercialisering van hybride en elektrische voertuigen geleid tot een toenemende vraag naar kwaliteitsbatterijen. Het analyseren van de "gezondheid" van de batterij is dus steeds belangrijker geworden.

Een van de grootste obstakels bij de ontwikkeling van batterijtechnologie is echter het bewaken en testen van de batterijstatus, wat veel tijd kost en het proces beïnvloedt de levensduur van de batterij.

Een parameter genaamd State Of Health (SOH) vertegenwoordigt het vermogen van de batterij om energie op te slaan, in verhouding tot de ideale of initiële omstandigheden. Voor een nieuwe batterij is de SOH meestal 100%, maar deze neemt na verloop van tijd af. Het beoordelen van SOH is belangrijk voor een veilig en correct gebruik van de batterij. Er is echter geen enkele techniek die deze waarde nauwkeurig kan bepalen zonder de levensduur van de batterij te schaden.

SOH bepalen is niet gemakkelijk

De SOH van een batterij wordt geassocieerd met twee factoren die optreden naarmate batterijen ouder worden –

1. Capacity Fade:progressief verlies van opslagcapaciteit
2. Elektrische weerstand:geleidelijke toename van de impedantie waardoor het batterijvermogen afneemt.

In lithium-ionbatterijen vindt de toename van de impedantie en het verlies van opslagcapaciteit plaats door tal van op elkaar inwerkende processen. Aangezien deze processen op vergelijkbare tijdschalen plaatsvinden, is het erg moeilijk om ze onafhankelijk te analyseren. Men kan dus geen enkele directe meting gebruiken om SOH te evalueren.

Traditionele technieken [voor het bepalen van SOH] omvatten het beoordelen van interacties tussen de elektroden van de batterij. Maar aangezien dit de batterij onstabiel maakt, zijn deze technieken onaanvaardbaar.

Op dit moment zijn er twee benaderingen om SOH op een minder destructieve manier te bepalen:adaptieve modellen en experimentele methoden. De eerste benadering maakt gebruik van gegevens over de batterijprestaties om zichzelf aan te passen en fouten te verminderen. Dit soort methoden moeten echter worden getraind op experimentele gegevens voordat ze daadwerkelijk in een productieomgeving kunnen worden gebruikt.

De tweede benadering daarentegen kan worden gebruikt om bepaalde faalmechanismen of fysieke processen in een batterij te bepalen. Dit geeft een goede schatting van het toekomstige tempo van capaciteitsdegradatie. Dergelijke methoden slagen er echter niet in om intermitterende storingen te identificeren.

AI kan de levensduur van batterijen nauwkeurig voorspellen

Nu hebben onderzoekers van MIT, Stanford University en Toyota Research Institute een model voor kunstmatige intelligentie (AI) bedacht waarmee de SOH van een batterij nauwkeurig kan worden bepaald.

Het team creëerde een uitgebreide dataset die de prestaties van 124 lithium-ionbatterijen karakteriseert. De gegevens werden geregistreerd terwijl batterijen verschillende snellaadcondities ondergingen. Een breed scala aan laad- en ontlaadcycli (250 – 2.300) werd in de gegevens opgenomen.

Referentie:Natuur | doi:10.1038/s41560-019-0356-8

Vervolgens gebruikten ze de Machine Learning-methode (ML) om de gegevens te onderzoeken en modellen te genereren die de levensduur van de batterijcyclus nauwkeurig kunnen schatten. Ze analyseerden alleen de eerste 100 cycli van elke batterij (voordat er duidelijke aanwijzingen waren voor verlies van opslagcapaciteit).

Geschatte vs. waargenomen levensduur van batterijen | De stippellijn laat zien waar schattingen en waarnemingen gelijk zijn, ter referentie | Met dank aan onderzoekers 

Het beste model dat door ML is gegenereerd, was in staat om de levensduur van 91% van de batterijen correct in te schatten. Onderzoekers gebruikten deze methode ook om gegevens van alleen de eerste 5 cycli van elke batterij te bestuderen. Dit keer was het doel om erachter te komen of batterijen een lange of korte levensduur zouden hebben (meer dan of minder dan 550 laad-ontlaadcycli). In dit geval deed het model correcte voorspellingen voor 95% van de batterijen.

Hoewel de nieuwe modellen effectiever waren dan traditionele SOH-bepalingsmethoden, waren ze minder nauwkeurig in het voorspellen van de levensduur van batterijen waarvan de opslagcapaciteit al enigszins was vervaagd.

Lees:nieuwe aluminium-grafeenbatterij kan in 5 seconden worden opgeladen

Het onderzoeksteam is van mening dat hun nieuwe aanpak een veelbelovende manier is om de levenscyclus van lithium-ionbatterijen te schatten en kan helpen bij de ontwikkeling/verbetering van opkomende batterijtechnologie.