Künstliche Intelligenz verbessert Batteriegesundheit und -sicherheit

Forscher haben eine neue Methode zur Überwachung von Batterien entwickelt, indem sie elektrische Impulse in sie senden und die Reaktion messen. Die Messungen werden dann von einem maschinellen Lernalgorithmus verarbeitet, um den Zustand und die Nutzungsdauer der Batterie vorherzusagen. Die Methode ist nicht-invasiv und lässt sich einfach zu jedem bestehenden Batteriesystem hinzufügen.

Die Vorhersage des Gesundheitszustands und der verbleibenden Nutzungsdauer von Lithium-Ionen-Batterien ist eines der großen Probleme, die die Verbreitung von Elektrofahrzeugen einschränken, und wirkt sich auch auf die Sicherheit von Mobiltelefonen aus. Im Laufe der Zeit lässt die Batterieleistung durch ein komplexes Netzwerk subtiler chemischer Prozesse nach. Jeder dieser Prozesse hat einzeln keinen großen Einfluss auf die Batterieleistung, aber zusammengenommen können sie die Leistung und Lebensdauer einer Batterie erheblich verkürzen.

Gegenwärtige Verfahren zum Vorhersagen des Batteriezustands basieren auf dem Verfolgen des Stroms und der Spannung während des Ladens und Entladens der Batterie. Dadurch fehlen wichtige Merkmale, die den Batteriezustand anzeigen. Das Verfolgen der vielen Prozesse, die innerhalb der Batterie ablaufen, erfordert neue Wege, um Batterien in Aktion zu untersuchen, sowie neue Algorithmen, die subtile Signale erkennen können, während sie geladen und entladen werden.

Die Forscher entwickelten eine Möglichkeit, eine Batterie zu überwachen, indem sie elektrische Impulse hineinsendeten und ihre Reaktion maßen. Ein maschinelles Lernmodell wird dann verwendet, um spezifische Merkmale in der elektrischen Reaktion zu entdecken, die das verräterische Zeichen für die Batteriealterung sind. Die Forscher führten mehr als 20.000 experimentelle Messungen durch, um das Modell zu trainieren. Wichtig ist, dass das Modell lernt, wichtige Signale von irrelevantem Rauschen zu unterscheiden. Die Methode ist nicht invasiv und lässt sich einfach zu bestehenden Batteriesystemen hinzufügen.

Die Forscher zeigten auch, dass das Modell des maschinellen Lernens so interpretiert werden kann, dass es Hinweise auf den physikalischen Abbaumechanismus gibt. Das Modell kann Aufschluss darüber geben, welche elektrischen Signale am stärksten mit der Alterung korrelieren, was es ihnen wiederum ermöglicht, spezifische Experimente zu entwerfen, um zu untersuchen, warum und wie sich Batterien verschlechtern.

Die Plattform für maschinelles Lernen wird verwendet, um die Degradation in verschiedenen Batteriechemien zu verstehen. Es werden optimale Batterieladeprotokolle entwickelt, die durch maschinelles Lernen unterstützt werden, um ein schnelles Laden zu ermöglichen und die Verschlechterung zu minimieren.