Efterfrågan på elektrifiering av transporter har vuxit fram de senaste åren på grund av ökande oro för den globala uppvärmningen. Det utbredda införandet av elfordon kommer att resultera i minskade skadliga utsläpp och renare luft, bland andra sociala och ekonomiska fördelar. Batteriindustrin är i behov av mjukvarulösningar för batteritillverkare för att minska tillverknings- och utvecklingskostnaderna och samtidigt förbättra nyckelbatterier.

AI låser upp batteriteknik som kommer att driva framtiden för rena transporter, orsakar en förändring i bilindustrin. Dock, laddningskapacitet, energitäthet och kostnader måste förbättras dramatiskt. AI har potential att påverka batteriutvecklingen och förstå sambandet mellan data och batteriparametrar.

Uppträdandet, kosta, och batteriernas säkerhet avgör den framgångsrika utvecklingen av elfordon (EV) och för närvarande, Litiumjonbatterier är det bästa valet för elbilar på grund av deras livslängd och rimliga energitäthet.

Dock, ytterligare forskning av Li-ion-batterier kommer att resultera i mer komplicerad batteridynamik, där säkerhet och effektivitet kommer att bli ett problem.

Därför, ett avancerat batterihanteringssystem som kan optimera och övervaka säkerheten är avgörande för elektrifiering av fordon.

Ett samarbete mellan Dr. Gareth Conduit (Cavendish Laboratory, University of Cambridge och medgrundare av Intellegens), Institute of Material Research and Engineering på A*STAR, och Nanyang Technological University bedömde olika metoder för maskininlärning (ML) för snabb och exakt förutsägelse av batteritillstånd. Recensionsartikeln publicerades i Nature Machine Intelligence .

Datadriven maskininlärning för EV-batterioptimering

Maskininlärningsalgoritmer har implementerats för att förutsäga hälsotillstånd, laddningsstatus, och återstående livslängd.

Datadrivna modeller har uppmärksammats de senaste åren, och i kombination med maskininlärningstekniker, dessa modeller verkar vara mer kraftfulla och kunna förutsäga utan förhandskunskap om systemet och har potential att uppnå hög noggrannhet med låg beräkningskostnad.

Batterier har flera nyckelparametrar, inklusive spänning, temperatur, och förändringstillstånd. Batterifel är förknippade med onormala fluktuationer i dessa parametrar, Därför är det viktigt att exakt förutse dem för att säkerställa att elfordon fungerar pålitligt och säkert över tiden.

Väl på plats, prediktiva modeller kan användas för att standardisera processer, att ge alla intressenter tillgång till samma kunskap och verktyg, och minska kostnaderna både vad gäller antalet experiment som behöver utföras och att optimera experiment för att minimera behovet av dyra komponenter eller processer.

Detta resulterar i minskad miljöpåverkan genom att designa experiment och produkter som är mindre beroende av giftiga ämnen eller processer.

Hur ser framtiden ut för batteriindustrin?

Med de minskade kostnaderna för datalagringsenheter och utvecklingen av beräkningsteknik, datadriven maskininlärning verkar vara det mest lovande tillvägagångssättet för avancerad batterimodellering i framtiden.

Detta tillvägagångssätt har använts för att lösa många högvärdsproblem och de viktigaste variablerna för dess framgångsrika implementering är både datatillgänglighet och datakvalitet. Ändå, Det har nyligen skett en ökning av tillämpningen av maskininlärningsmetoder för att hjälpa till att optimera olika aspekter av batteriindustrin.

I båda fallen, användningen av data från flera domäner, inklusive data från experiment som misslyckats, spelar en avgörande roll för att accelerera och optimera batteridesign, kemi och ledningssystem.

Dr Gareth Conduit (Royal Society University Research Fellow vid University of Cambridge och CTO vid Intellegens) kommenterade

"Vår maskininlärningsteknik, Alkemit, kan se korrelationer mellan alla tillgängliga parametrar, både ingångar och utgångar, i glesa och bullriga datamängder. Resultatet är exakta modeller som kan förutsäga saknade värden, hitta fel och optimera målegenskaper. Kan arbeta med data som är så lite som 0,05 % komplett, Alchemite kan avveckla dataproblem som inte är tillgängliga för traditionella metoder för maskininlärning. "

Alchemite is delivering ground breaking solutions in drug discovery, advanced materials, patient analytics, predictive maintenance and batteries—enabling organizations to break through data analysis bottlenecks, reduce the amount of time and money spent on research, and support better, faster decision-making.

The insights in this review article could have a transformative effect on the battery industry. Highlighting how machine learning can accurately predict and improve the health and life of a battery will enable manufacturers to embed this software straight into their battery devices and improve their in-life service for the consumer.