Machine Learning prognostiziert Batteriegesundheit und Lebensdauer präzise aus Frühphasendaten

KI-Modell bestimmt State of Health (SOH) von Lithium-Ionen-Batterien

Forscher von MIT, Stanford und Toyota Research Institute entwickelten ein KI-Modell, das den Gesundheitszustand (SOH) von Batterien präzise vorhersagt – basierend nur auf Daten der ersten Ladezyklen.

Herausforderung: SOH-Bestimmung ist komplex

SOH korreliert mit zwei Alterungsfaktoren:

1. Kapazitätsverlust: Progressiver Speicherkapazitätsabfall
2. Widerstandszunahme: Impedanzanstieg mindert Leistungsfähigkeit

Bei Lithium-Ionen-Batterien verlaufen diese Prozesse auf ähnlichen Zeitskalen und sind schwer separat zu messen. Klassische Methoden (Elektroden-Interaktion) beschädigen die Batterie. Adaptive Modelle brauchen Trainingsdaten; experimentelle Methoden erkennen intermittierende Fehler nicht.

KI-Lösung: Frühe Zyklen vorhersagen Lebensdauer

Das Team erstellte einen Datensatz von 124 Lithium-Ionen-Batterien unter verschiedenen Schnellladebedingungen (250–2.300 Zyklen). Ein Machine-Learning-Modell analysierte nur die ersten 100 Zyklen (vor sichtbarem Kapazitätsverlust).

Ergebnisse

• Bestes Modell schätzte Zyklenleben für 91 % der Batterien korrekt.
• Mit nur den ersten 5 Zyklen klassifizierte es „lange“ vs. „kurze“ Lebensdauer (>550 Zyklen) zu 95 % richtig.
• Weniger präzise bei bereits teilentladenen Batterien.

Der Ansatz verspricht schnellere, weniger zerstörungsfreie Lebensdauervorhersage und könnte die Entwicklung neuer Batterietechnologien beschleunigen.

Quelle: Nature Energy | doi:10.1038/s41560-019-0356-8