Zespół naukowców pod kierownictwem dr Garetha Conduita z Instytutu Badań i Inżynierii Materiałowej w A * STAR oraz Nanyang Technological University wykorzystał sztuczną inteligencję do przewidywania stanów akumulatorów pojazdów elektrycznych i dawania `` dokładnych '' prognoz stanu ogniw litowo-jonowych opłat i zdrowia.
Zgodnie z opublikowanym artykułem technologia modelu uczenia maszynowego oparta na danych może pozwolić producentom na osadzenie oprogramowania bezpośrednio w ich urządzeniach akumulatorowych, aby poprawić jego żywotność do 6% w porównaniu z typowymi modelami akumulatorów, które błędnie obliczają żywotność o około 10%.
Wydajność, koszt i bezpieczeństwo akumulatorów to czynniki determinujące pomyślny rozwój pojazdów elektrycznych (EV). Obecnie akumulatory litowo-jonowe (Li-ion) są preferowane w stosunku do innych akumulatorów ze względu na ich żywotność i rozsądną gęstość energii. Jeśli jednak dalsze badania nad akumulatorami litowo-jonowymi będą kontynuowane, doprowadzi to do bardziej skomplikowanej dynamiki akumulatorów, w których bezpieczeństwo i wydajność staną się przedmiotem troski. Z tego powodu zaawansowany system zarządzania akumulatorem, który może optymalizować i monitorować bezpieczeństwo, ma kluczowe znaczenie dla elektryfikacji pojazdów.
Zaimplementowano algorytmy uczenia maszynowego w celu przewidywania stanu zdrowia, stanu naładowania i pozostałego okresu użytkowania. Skoncentrowano się na modelach opartych na danych i połączono je z technikami uczenia maszynowego. Modele te wydają się być potężniejsze i mogą przewidywać bez wiedzy a priori o systemie, poza osiąganiem wysokiej dokładności przy niskim koszcie obliczeniowym. Przy zmniejszonych kosztach urządzeń do przechowywania danych i postępie technologii obliczeniowych uczenie maszynowe oparte na danych wydaje się być najbardziej obiecującym podejściem do zaawansowanego modelowania baterii w przyszłości.
Celem badania jest wywarcie transformacyjnego wpływu na branżę akumulatorów i podkreślenie, w jaki sposób uczenie maszynowe może dokładnie przewidywać i poprawiać stan i żywotność baterii. Pozwoli to producentom na wbudowanie oprogramowania bezpośrednio w ich urządzenia bateryjne i poprawi ich żywotność dla konsumenta.