AI-gestuurde batterij gezondheidsmonitoring verbetert levensduur en veiligheid

Onderzoekers hebben een nieuwe manier ontworpen om batterijen te monitoren door elektrische pulsen in ze te sturen en de respons te meten. De metingen worden vervolgens verwerkt door een machine learning algoritme om de gezondheid en bruikbare levensduur van de batterij te voorspellen. De methode is non-invasief en is een simpele add-on aan elk bestaand batterijsysteem.

Het voorspellen van de staat van gezondheid en de resterende bruikbare levensduur van lithium-ion batterijen is een van de grote problemen die wijdverspreide adoptie van elektrische voertuigen beperkt en ook de veiligheid van mobiele telefoons beïnvloedt. Over tijd degradeert batterijprestaties via een complex netwerk van subtiele chemische processen. Individueel heeft elk van deze processen niet veel effect op batterijprestaties maar collectief kunnen ze de prestaties en levensduur van een batterij ernstig verkorten.

Huidige methoden voor het voorspellen van batterijgezondheid zijn gebaseerd op het bijhouden van de stroom en spanning tijdens batterij laden en ontladen. Dit mist belangrijke kenmerken die batterijgezondheid aangeven. Het bijhouden van de vele processen die binnen de batterij gebeuren vereist nieuwe manieren om batterijen in actie te proberen alsook nieuwe algoritmes die subtiele signalen kunnen detecteren terwijl ze geladen en ontladen worden.

De onderzoekers ontwierpen een manier om een batterij te monitoren door elektrische pulsen in het te sturen en de respons ervan te meten. Een machine learning model wordt dan gebruikt om specifieke kenmerken in de elektrische respons te ontdekken die de duidelijke teken zijn van batterijveroudering. De onderzoekers voerden meer dan 20.000 experimentele metingen uit om het model te trainen. Belangrijk is dat het model leert hoe belangrijke signalen van irrelevante ruis te onderscheiden. De methode is non-invasief en een simpele add-on aan elk bestaand batterijsysteem.

De onderzoekers toonden ook aan dat het machine learning model geïnterpreteerd kan worden om hints te geven over het fysieke mechanisme van degradatie. Het model kan informeren welke elektrischen signalen meest gecorreleerd zijn met veroudering, wat hen weer in staat stelt om specifieke experimenten te ontwerpen om te proberen waarom en hoe batterijen degraderen.

Het machine learning platform wordt gebruikt om degradatie in verschillende batterijchemieën te begrijpen. Optimale batterij oplaadprotocollen worden ontwikkeld, aangedreven door machine learning, om snelladen mogelijk te maken en degradatie te minimaliseren.