Een team van wetenschappers onder leiding van Dr.Gareth Conduit van het Institute of Materials Research and Engineering van A * STAR en de Nanyang Technological University hebben AI gebruikt voor het voorspellen van de batterijstatus van elektrische voertuigen en om een 'nauwkeurige' voorspelling te doen voor de toestand van lithium-ioncellen van kosten en gezondheid.
Volgens het gepubliceerde artikel zou de datagestuurde machine learning-modeltechnologie fabrikanten in staat kunnen stellen de software rechtstreeks in hun batterij-apparaten in te bedden om de levensduur tot 6% te verbeteren ten opzichte van typische batterijmodellen die de levensduur met ongeveer 10% verkeerd inschatten.
De prestaties, kosten en veiligheid van batterijen zijn de factoren die de succesvolle ontwikkeling van elektrische voertuigen (EV's) bepalen. Vanaf nu hebben lithium-ion (Li-ion) batterijen de voorkeur boven andere batterijen vanwege hun levensduur en redelijke energiedichtheid. Als er echter verder onderzoek wordt gedaan naar Li-ion-batterijen, zal dit leiden tot meer gecompliceerde batterijdynamiek, waarbij veiligheid en efficiëntie een punt van zorg worden. Daarom is een geavanceerd accubeheersysteem dat de veiligheid kan optimaliseren en bewaken cruciaal voor de elektrificatie van voertuigen.
Er zijn algoritmen voor machine learning geïmplementeerd om de gezondheidstoestand, de laadtoestand en de resterende levensduur te voorspellen. Er is een focus geweest op datagedreven modellen en deze zijn gecombineerd met machine learning-technieken. Deze modellen lijken krachtiger te zijn en kunnen zonder a priori kennis van het systeem voorspellen, naast het bereiken van een hoge nauwkeurigheid met lage computerkosten. Met de lagere kosten van gegevensopslagapparaten en de vooruitgang van computationele technologieën, lijkt datagestuurd machine learning de meest veelbelovende benadering voor geavanceerde batterijmodellering in de toekomst.
Het doel van de studie is om een transformerend effect op de batterij-industrie te bewerkstelligen en te benadrukken hoe machine learning de gezondheid en levensduur van een batterij nauwkeurig kan voorspellen en verbeteren. Hierdoor kunnen fabrikanten de software rechtstreeks in hun batterijapparatuur integreren en hun in-life service voor de consument verbeteren.