AI-gestuurde voorspelling van de levensduur van de batterij verbetert de validatie van nieuwe ontwerpen

De AI-tool die aan de Universiteit van Michigan is gebouwd, is gebaseerd op tests van eerdere batterijen om de prestaties van nieuwe ontwerpen te voorspellen. (Afbeelding:Xin Zou, Universiteit van Wisconsin-Madison)

Technische instructies: Wat motiveerde je om dit project te starten?

Ziyou-nummer: Ik heb zowel in de academische wereld als in de industrie gewerkt, dus ik weet dat er een pijnpunt is met betrekking tot het testen en valideren van batterijen. Als we een nieuw batterijontwerp hebben, ook al verschilt het niet zoveel van het vorige, voeren we alle laboratoriumtests altijd uit onder vergelijkbare omstandigheden. Dat kost minimaal een half jaar en kost veel energie. Dus als we een nieuw ontwerp hebben dat niet te veel verschilt, vroegen we ons af of we die eerdere datasets konden gebruiken. Kunnen we de kennis en datapatronen uit het vorige ontwerp benutten om de levensduur van ons nieuwe ontwerp te voorspellen? Dat zou veel tijd en energie besparen.

We bekijken dit probleem vanuit het perspectief van AI voor de wetenschap, een opkomend vakgebied – wetenschappelijke voorspellingen zijn een van de belangrijkste problemen. We richten ons specifiek op de kosteneffectiviteit van de machine learning-methode. Hoe kunnen we zo min mogelijk gegevens gebruiken om betere of vergelijkbare voorspellingsprestaties te bereiken.

Technische instructies: Hoe ga je om met het feit dat het batterijontwerp niet hetzelfde is als de vorige?

Lied: Voor deze vraag moeten we ons verdiepen in ons specifieke raamwerk. We hebben een concept uit een onderzoek van enkele decennia geleden gebruikt om na te bootsen hoe mensen de wereld waarnemen en kennis te vergaren. We leren bijvoorbeeld veel dingen grofweg door onze observaties, nauwkeurig door lessen te volgen of door het aan anderen te vragen. Ons raamwerk maakt gebruik van een onderwijsaanpak die ontdekkend leren wordt genoemd. Als we een nieuw batterijontwerp hebben, willen we dit koppelen aan bestaande batterijcellen om te zien hoe we hun datasets kunnen gebruiken voor ons nieuwe ontwerp, zodat we een levenslange voorspelling kunnen doen zonder langdurig testen.

We testen het nieuwe ontwerp om de initiële parameters te observeren en hoe deze evolueren tijdens de eerste tientallen cycli. Vervolgens proberen we dit patroon in kaart te brengen met eerdere batterijen, omdat we daar de volledige datasets voor hebben. Als we soortgelijke patronen zien, weten we dat ons nieuwe ontwerp vergelijkbaar is met het eerdere. We kunnen die kennis, de datapatronen, vervolgens gebruiken om de levensduur van onze nieuwe batterij te voorspellen.

Technische instructies: U zegt dat u veel energie verbruikt wanneer u de batterijen test. Is dat omdat je batterijen onder belasting test?

Lied: Ja, precies. Wanneer we onze batterijcellen testen, specifiek voor het testen van laboratoriumcycli, moeten we heel vaak opladen en ontladen, bijvoorbeeld 1000 cycli, 2000 cycli, wat veel energie zal verbruiken. Dus als je maar 50 cycli kunt doen, kan dat veel besparen.

We valideren niet alleen over minder cycli, maar valideren ook minder cellen. Omdat u voorheen bijvoorbeeld verschillende bedrijfsomstandigheden wilde dekken, moest u misschien 100 cellen en 100 kanalen gebruiken om onder verschillende omstandigheden te testen. Maar nu hoeven we er maar een paar te behandelen – bijvoorbeeld 10 cellen, 10 bedrijfsomstandigheden, 50 cycli. We besparen dus energie, zowel door kortere cyclustijden als door minder batterijcellen te testen.

Technische instructies: Op welke aandoeningen test u?

Lied: Temperatuur is een zeer belangrijke maatstaf. Een andere is hoe we onze batterijen gebruiken. Als u bijvoorbeeld een mobiele telefoon heeft en ik een mobiele telefoon, gebruiken we deze waarschijnlijk op heel verschillende manieren. Ik wil mijn telefoon de hele tijd volledig opladen, dus de batterij van mijn mobiele telefoon gaat erg snel leeg. Maar als u uw mobiele telefoon alleen in het midden van het laadstatusbereik (SOC) gebruikt, gaat deze waarschijnlijk langer mee. Omdat verschillende mensen een batterij verschillend gebruiken, willen we zoveel mogelijk omstandigheden dekken.

Technische instructies: Ik heb gelezen dat uw systeem uit drie componenten bestaat:leerling, tolk en orakel. Kunt u deze beschrijven?

Lied: Dat zijn de drie componenten van ons ontdekkend leren. De eerste is de leerling:degene die de vraag stelt, die beslist welke celontwerpen en celprototypes er getest moeten worden. De leerling geeft het commando door aan de tolk, die de vroege cyclustestgegevens zal gebruiken om een ​​kenmerkruimte te bouwen die bestaat uit fysieke parameters, d.w.z. kenmerken, die vervolgens kunnen worden geïnterpreteerd door een batterij-expert. We gebruiken dus niet alleen maar betekenisloze statistische kenmerken; we gebruiken functies die kunnen worden geïnterpreteerd door een batterijingenieur of wetenschapper. Vervolgens zal de tolk deze kenmerken aan het orakel doorgeven. Het orakel zal aan zogenaamde zero-shot learning doen, wat alleen maar betekent dat het de levensduur van nieuwe batterijontwerpen voorspelt zonder aanvullende experimenten. Het orakel geeft de voorspellingsresultaten vervolgens door aan de leerling, die deze resultaten zal vertrouwen en ervan zal leren. Na een aantal runs zal de leerling in staat zijn om zelf nieuwe batterijontwerpen te voorspellen. En ten slotte zullen de leerling en het orakel samen voorspellingen doen voor alle batterijmonsters.

Technische instructies: Professor Song, u zei dat u batterijen uitkiest om van te leren, die vergelijkbare patronen hadden als wat u nu doet. Hoe kiest u welke batterijen u in uw modellen wilt gebruiken?

Lied: Het komt vooral van de tolk. Als we bijvoorbeeld de evoluerende parameterset van het nieuwe ontwerp hebben, kunnen we die toewijzen aan een eerder batterijontwerp om te zien hoe de patronen zich verhouden. En we maken ook gebruik van het orakel omdat het is getraind met behulp van eerdere ontwerpen. Ook kan de tolk ons ​​vertellen over de parameters die voor ons van belang zijn. Als we bijvoorbeeld denken dat er 11 of 14 parameters zijn die erg belangrijk zijn voor de levensduur van de batterij, gebruiken we de interpreter om die parameters uit onze eerste testgegevens te halen.

Vervolgens gebruiken we het orakel om deze parametersets als invoer te gebruiken en de levensduur van ons ontwerp te voorspellen. Maar het orakel kan ons natuurlijk geen precieze resultaten geven in de eerste ronde, dus moeten we herhalen om de onzekerheid te verminderen en in de loop van de tijd betere resultaten te krijgen.

Omdat we weten dat dit niet al te nauwkeurig is, doen we een tweede run vanaf de leerling. Ik krijg de resultaten en u vertelt mij de levensduur van de drie batterijontwerpen die ik heb geselecteerd. Maar ik ben nog steeds onzeker over bepaalde ontwerpen of testomstandigheden. Ik zou dus nog twee cellen kunnen kiezen en de procedure opnieuw kunnen uitvoeren – zo leren mensen. We herhalen dit voor verschillende omstandigheden.

Technische instructies: Als u eenmaal met uw voorspelling bent gekomen, hoe bewijst u dan dat u gelijk heeft?

Lied: Daarom kiezen we in de eerste ronde voor nieuwe batterijen intuïtief de representatieve testomstandigheden. We geven bijvoorbeeld om prestaties bij lage temperaturen, prestaties bij hoge temperaturen, prestaties bij gemiddelde temperaturen, hoge ontladingssnelheid en lage ontladingssnelheid. In de tweede ronde hebben we enkele kwantitatieve gegevens die ons helpen bij het kiezen van verdere cellen. Vervolgens gebruiken we Gaussiaanse procesregressie om ons de onzekerheid van de voorspellingen te geven. Vervolgens kiezen we de meest onzekere voorspellingen en voeren we die omstandigheden opnieuw uit om de oorspronkelijke voorspellingen te bevestigen.

Dit is een gangbare praktijk in het veld, dus de meeste mensen vertrouwen erop. Toen we ons artikel publiceerden, kregen we echter een opmerking met de vraag hoe we kunnen bevestigen dat onze onzekerheidskwantificering correct is? Eerlijk gezegd zijn er verschillende methoden, en hoewel we ze niet allemaal hebben geprobeerd, zijn we van plan dit in de toekomst te doen.

Technische instructies: Stel dat een batterijfabrikant geïnteresseerd is in uw resultaten. Zal hij je genoeg vertrouwen om op basis van jouw voorspelling batterijen te gaan bouwen aan de lopende band?

Lied: Dat is een goede vraag. Ik denk het wel, in ieder geval voor één accubedrijf waar we al bijna vier jaar mee samenwerken. En in onze samenwerking verstrekken zij ons alle gegevens. We hebben de resultaten besproken met hun ingenieurs en zij denken dat de resultaten betrouwbaar zijn. Dus als ze een nieuw batterijontwerp hebben, vooral als het een ontwerp is dat niet veel verschilt van een eerder ontwerp, kan ons raamwerk werken.

Maar ik wil ook wijzen op de beperkingen van ons onderzoek, wat erg belangrijk is. We kunnen de beperkingen bijvoorbeeld niet positief specificeren als het nieuwe batterijontwerp heel anders is dan de vorige. Het raamwerk is geen magie. Als de domeinkennis die je nu hebt heel anders is dan die van een nieuw ontwerp, hoe kun je dan een voorspelling doen?

We hebben nog geen methodologie gevonden om deze vragen te kwantificeren; dat valt buiten de reikwijdte van dit werk. Maar ik denk dat het de moeite waard is om verder te gaan. Ons onderzoek heeft bijvoorbeeld alleen betrekking op traditionele lithiumbatterijen en niet op enkele van de meer geavanceerde technologieën zoals solid-state of lithium-metaal.

Technische instructies: Dus je hebt het alleen over standaard lithium-ionbatterijen?

Lied: Precies. Momenteel gebruiken de meeste producten standaard lithium-ionbatterijen. Maar zelfs voor veelgebruikte lithiumbatterijcellen zal een bedrijf voor elektrische voertuigen of batterijen, als u nieuwe ontwerpen heeft, voor elk ontwerp een jaar lang testen. Onze tool is dus op dit moment erg handig. Maar de beperking is wat we moeten doen als we heel verschillende ontwerpen hebben.

Technische instructies: Je hebt ook op fysica gebaseerde analyses genoemd. Wat betekent dat?

Lied: Het betekent dat we gebruik maken van een op fysica gebaseerd model – een zogenaamd eerste-principemodel. Bijvoorbeeld enkele zeer basale fysische vergelijkingen, zoals de diffusievergelijking van de wet van Fick. Met behulp hiervan kunnen we kenmerken genereren die fysiek interpreteerbaar zijn. In veel eerdere artikelen gebruiken ze bijvoorbeeld alleen kenmerken die zijn afgeleid van spannings- en stroommetingen, maar ze kennen de specifieke fysieke betekenis van die kenmerken niet.

Door fysieke modellering op te nemen in combinatie met de parameterkalibratie, gebaseerd op de parameter die een bepaalde trend volgt, kan ik u vertellen waarom uw batterijcel duurzaam genoeg is, of dat er mogelijk sprake is van een soort degradatiemechanisme. Het maakt de voorspelling betrouwbaarder en beter verklaarbaar.

Als je alleen machine learning gebruikt en geen aandacht besteedt aan natuurkunde, kan de dataset waarop je je machine learning-model traint je een voorspelling geven die in 95 procent van de gevallen kan werken. Maar dat betekent dat, hoewel het misschien voor jou werkt, het misschien niet voor mij werkt. En als het voor mij niet werkt, kan het me een belachelijke voorspelling opleveren, die niet strookt met de natuurkunde, en dat is in de praktijk niet te tolereren. Wat de nauwkeurigheid betreft, is een fout van één procent waarschijnlijk prima, misschien zelfs een fout van twee procent. Ik wil je alleen betrouwbare schattingen geven, geen belachelijke, gekke schattingen.

Technische instructies: Hoe voert u de fysieke parameters in uw systeem in?

Lied: We hebben een model dat de systeemreactie aangeeft. Ik weet dat de parameters een relatie hebben met de respons. We gebruiken dus onze tolk om een ​​statistische verdeling van die parameters te krijgen, omdat het erg moeilijk is om zo’n groot aantal parameters precies te kalibreren. Voor een bestaand goed ontwerp en een bestaande dataset voer je gewoon de parameterkalibratie en de distributie uit, en probeer je de parameterdistributie en trends in kaart te brengen aan de levensduur van je batterijcellen. Omdat u bij het bestaande batterijontwerp over de testgegevens van de hele levenscyclus beschikt, kunt u de daadwerkelijke relaties zien. Vervolgens proberen we dit soort relaties te benutten voor onze nieuwe batterijontwerpen.

Technische instructies: Wat zijn je volgende stappen?

Lied: Mijn plan met betrekking tot dit werk is om de beperkingen van het raamwerk te achterhalen. We kunnen slechts een beperkt aantal batterijontwerpen testen, niet allemaal afzonderlijk. Op dit moment hebben we het over vastestofbatterijen, lithiummetaal, lithiumzwavelbatterijen en andere, en ze hebben allemaal een verschillende chemische samenstelling. We willen dus zien of dit raamwerk goed kan werken voor nieuwe soorten batterijen. Zo niet, dan willen we onderzoeken wat we moeten doen. Ik denk dat het raamwerk nog steeds goed zal werken, maar we zullen veranderingen moeten aanbrengen omdat de verschillende batterijchemie heel verschillende interne fysica zal hebben.

Voor batterijmensen is het belangrijkste onderdeel de tolk. Er is op dit gebied veel te doen. We kunnen bijvoorbeeld onze op fysica gebaseerde modellering verbeteren om de prestaties voor het modelleren van vaste-stofbatterijen te verbeteren.