Machine learning modellen voorspellen batterijgezondheid en levensduur nauwkeurig

• Een nieuw AI-model kan de State Of Health (SOH) van een batterij nauwkeurig bepalen.
• Het gebruikt data uit de beginfase van de batterij en voorspelt of de batterij een lange of korte levensduur zal hebben.

Lithium-ionbatterijen worden in een brede toepassingsreeks gebruikt vanwege hun hoge energiedichtheid, lange levensduur en lage kosten. De afgelopen jaren heeft de commercialisatie van hybride en elektrische voertuigen de vraag naar kwaliteitsbatterijen gestimuleerd. Het analyseren van de 'gezondheid' van batterijen is daarom steeds belangrijker geworden.

Eén van de grootste obstakels in de ontwikkeling van batterijtechnologie is het monitoren en testen van de batterijgezondheid, wat veel tijd kost en het proces de batterijlevensduur beïnvloedt.

Een parameter genaamd State Of Health (SOH) vertegenwoordigt het vermogen van de batterij om energie op te slaan, ten opzichte van de ideale of initiële omstandigheden. Voor een nieuwe batterij is de SOH meestal 100%, maar daalt deze over tijd. Het beoordelen van SOH is belangrijk voor veilig en correct gebruik van de batterij. Er is echter geen techniek die deze waarde nauwkeurig kan bepalen zonder de batterijlevensduur te schaden.

Bepalen van SOH is niet makkelijk

De SOH van een batterij is gerelateerd aan twee factoren die optreden naarmate batterijen ouder worden –

1. Capaciteitsverlies: progressieve verlies van opslagcapaciteit
2. Elektrische weerstand: progressieve toename van impedantie die zorgt dat de batterijvermogen afneemt.

In lithium-ionbatterijen treden de toename van impedantie en het verlies van opslagcapaciteit op door talloze interactieve processen. Omdat deze processen op vergelijkbare tijdschalen gebeuren, 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. Omdat dit de batterij onstabiel maakt, zijn deze technieken onacceptabel.

Op dit moment zijn er twee benaderingen om SOH op een minder destructieve manier te bepalen: adaptieve modellen en experimentele methoden. De eerste benadering gebruikt batterijprestatiedata om zichzelf aan te passen en fouten te verminderen. Dit type methoden moet echter getraind worden op experimentele data voordat ze daadwerkelijk in een productieomgeving gebruikt kunnen worden.

De tweede benadering kan gebruikt worden om specifieke falingsmechanismen of fysische processen in een batterij te bepalen. Dit geeft een goede schatting van de toekomstige snelheid van capaciteitsdegradatie. Zulke methoden faillen echter bij het identificeren van intermittente storingen.

AI kan de levensduur van batterijen nauwkeurig voorspellen

Nu hebben onderzoekers van MIT, Stanford University en Toyota Research Institute een AI-model ontwikkeld dat de SOH van een batterij nauwkeurig kan bepalen.

Het team creëerde een uitgebreide dataset die de prestaties van 124 lithium-ionbatterijen karakteriseert. De data werd vastgelegd terwijl de batterijen verschillende snellaadcondities ondergingen. Een breed bereik van laad- en ontladcycli (250 – 2.300) was in de data opgenomen.

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

Vervolgens gebruikten ze de Machine Learning (ML) methode om de data te onderzoeken en modellen te genereren die de batterijcycli levensduur nauwkeurig kunnen schatten. Ze analyseerden alleen de eerste 100 cycli van elke batterij (voordat er duidelijke indicaties van capaciteitsverlies waren).

Geschatte vs waargenomen batterijlevensduur | De gestippelde lijn toont waar schattingen en waarnemingen gelijk zijn, ter referentie | Credits: onderzoekers

Het beste door ML gegenereerde model kon de cycli levensduur voor 91% van de batterijen correct schatten. Onderzoekers gebruikten deze methode ook om data van slechts de eerste 5 cycli van elke batterij te bestuderen. Dit keer was het doel om te bepalen of batterijen een lange of korte levensduur zouden hebben (meer of minder dan 550 laad-ontladcycli). In dit geval maakte het model correcte voorspellingen voor 95% van de batterijen.

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

Het onderzoeksteam gelooft dat hun nieuwe benadering een veelbelovende manier is om levenscycli van lithium-ionbatterijen te schatten, en kan helpen bij de ontwikkeling/verbetering van opkomende batterijtechnologie.