KI-gestütztes Batterie-Health-Monitoring erhöht Langlebigkeit & Sicherheit

Forscher haben einen neuen Weg entworfen, Batterien zu überwachen, indem sie elektrische Pulse in sie senden und die Antwort messen. Die Messungen werden dann von einem Machine-Learning-Algorithmus verarbeitet, um den Gesundheitszustand und die verbleibende Nutzlebensdauer der Batterie vorherzusagen. Die Methode ist nicht-invasiv und ein einfacher Add-on zu jedem bestehenden Batteriesystem.

Die Vorhersage des Gesundheitszustands und der verbleibenden Nutzlebensdauer von Lithium-Ionen-Batterien ist eines der großen Probleme, das die breite Adoption von Elektrofahrzeugen limitiert und auch die Sicherheit von Mobiltelefonen betrifft. Über Zeit degradiert Batterieleistung via ein komplexes Netzwerk subtiler chemischer Prozesse. Individuell hat jeder dieser Prozesse nicht viel Effekt auf Batterieleistung, aber kollektiv können sie die Leistung und Lebensdauer einer Batterie stark verkürzen.

Aktuelle Methoden zur Vorhersage der Batteriegesundheit basieren auf Tracking von Strom und Spannung während Laden und Entladen. Das verpasst wichtige Features, die Batteriegesundheit anzeigen. Das Tracking der vielen Prozesse, die innerhalb der Batterie passieren, erfordert neue Wege, Batterien in Aktion zu sondieren, sowie neue Algorithmen, die subtile Signale detektieren können, während sie geladen und entladen werden.

Die Forscher entwarfen einen Weg, eine Batterie zu überwachen, indem sie elektrische Pulse hineinsenden und ihre Antwort messen. Ein Machine-Learning-Modell wird dann genutzt, um spezifische Features in der elektrischen Antwort zu entdecken, die die verräterischen Zeichen von Batteriealterung sind. Die Forscher führten mehr als 20.000 experimentelle Messungen durch, um das Modell zu trainieren. Wichtig: Das Modell lernt, wichtige Signale von irrelevantem Rauschen zu unterscheiden. Die Methode ist nicht-invasiv und ein einfacher Add-on zu jedem bestehenden Batteriesystem.

Die Forscher zeigten auch, dass das Machine-Learning-Modell interpretiert werden kann, um Hinweise auf den physikalischen Mechanismus der Degradation zu geben. Das Modell kann informieren, welche elektrischen Signale am stärksten mit Alterung korrelieren, was wiederum erlaubt, spezifische Experimente zu designen, um zu sondieren, warum und wie Batterien degradieren.

Die Machine-Learning-Plattform wird genutzt, um Degradation in verschiedenen Batteriechemien zu verstehen. Optimale Ladeprotokolle werden entwickelt, angetrieben durch Machine Learning, um Schnellladen zu ermöglichen und Degradation zu minimieren.