Модели машинного обучения точно прогнозируют состояние и долговечность батарей

Новая ИИ-модель точно определяет состояние здоровья батареи (SOH)

Она использует данные, полученные от батареи на начальных стадиях, и предсказывает, будет ли у батареи долгая или короткая жизнь.

Литий-ионные батареи используются в широком спектре применений благодаря их высокой энергетической плотности, долгому сроку службы и низкой стоимости. За последние несколько лет коммерциализация гибридных и электромобилей стимулировала растущий спрос на качественные батареи. Таким образом, анализ «здоровья» батареи стал все более важным.

Однако одно из главных препятствий в развитии технологии батарей — мониторинг и тестирование их здоровья, что занимает много времени, а сам процесс влияет на срок службы батареи.

Параметр, называемый State Of Health (SOH), представляет способность батареи накапливать энергию относительно ее идеальных или начальных условий. Для новой батареи SOH обычно составляет 100%, но со временем снижается. Оценка SOH важна для безопасного и правильного использования батареи. Однако не существует методики, которая могла бы точно определить это значение без ущерба для срока службы батареи.

Определение SOH — непростая задача

SOH батареи связан с двумя факторами, возникающими при старении батарей:

1. Потеря емкости: прогрессивная потеря емкости накопления
2. Электрическое сопротивление: прогрессивное увеличение импеданса, приводящее к снижению мощности батареи.

В литий-ионных батареях рост импеданса и потеря емкости происходят из множества взаимодействующих процессов. Поскольку эти процессы происходят в схожих временных масштабах, очень трудно анализировать их независимо. Таким образом, нельзя использовать одно прямое измерение для оценки SOH.

Традиционные методы [для определения SOH] предполагают оценку взаимодействий между электродами батареи. Но так как это делает батарею нестабильной, эти методы неприемлемы.

В настоящее время есть два подхода к определению SOH менее деструктивным способом: адаптивные модели и экспериментальные методы. Первый подход использует данные о производительности батареи для саморегулирования и уменьшения ошибок. Однако такие методы должны быть обучены на экспериментальных данных перед тем, как их можно будет использовать в производственной среде.

Второй подход, с другой стороны, может использоваться для определения конкретных механизмов отказа или физических процессов, происходящих в батарее. Это дает хорошую оценку будущего темпа деградации емкости. Однако такие методы не выявляют прерывистые неисправности.

ИИ может точно предсказать срок службы батарей

Теперь исследователи из MIT, Стэнфордского университета и Toyota Research Institute разработали модель искусственного интеллекта (ИИ), которая может точно определить SOH батареи.

Команда создала исчерпывающий набор данных, характеризующий производительность 124 литий-ионных батарей. Данные записывались, пока батареи проходили различные режимы быстрой зарядки. В данные включен широкий диапазон циклов зарядки-разрядки (250–2300).

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

Затем они использовали метод машинного обучения (ML) для анализа данных и построения моделей, которые могут точно оценивать циклы жизни батарей. Они анализировали только первые 100 циклов каждой батареи (до появления явных признаков потери емкости).

Оцененное и наблюдаемое время жизни батарей | Пунктирная линия показывает, где оценки и наблюдения равны | Источник: исследователи

Лучшая модель, созданная ML, смогла правильно оценить циклы жизни для 91% батарей. Исследователи также использовали этот метод для изучения данных только первых 5 циклов каждой батареи. На этот раз цель состояла в том, чтобы выяснить, будут ли у батарей долгая или короткая жизнь (более или менее 550 циклов зарядки-разрядки). В этом случае модель сделала правильные предсказания для 95% батарей.

Хотя новые модели были эффективнее традиционных методов определения SOH, они были менее точны в предсказании циклического срока службы для батарей, емкость которых уже частично снизилась.

Исследовательская команда считает, что их новый подход — многообещающий способ оценки циклов жизни литий-ионных батарей и может помочь в разработке/улучшении передовых технологий батарей.