Ein Team von Wissenschaftlern unter der Leitung von Dr. Gareth Conduit vom Institut für Materialforschung und -technik bei A * STAR und der Nanyang Technological University hat AI verwendet, um den Batteriezustand von Elektrofahrzeugen vorherzusagen und den Zustand von Lithium-Ionen-Zellen „genau“ vorherzusagen von Ladung und Gesundheit.
Laut dem veröffentlichten Artikel könnten Hersteller mithilfe der datengesteuerten Modelltechnologie für maschinelles Lernen die Software direkt in ihre Batteriegeräte einbetten, um ihre Lebensdauer gegenüber typischen Batteriemodellen, bei denen die Lebensdauer um etwa 10% falsch berechnet wird, um bis zu 6% zu verbessern.
Die Leistung, die Kosten und die Sicherheit von Batterien sind die Faktoren, die die erfolgreiche Entwicklung von Elektrofahrzeugen bestimmen. Ab sofort werden Lithium-Ionen- (Li-Ionen-) Batterien aufgrund ihrer Lebensdauer und angemessenen Energiedichte gegenüber anderen Batterien bevorzugt. Wenn jedoch weitere Forschungen zu Li-Ionen-Batterien durchgeführt werden, führt dies zu einer komplizierteren Batteriedynamik, bei der Sicherheit und Effizienz Anlass zur Sorge geben. Aus diesem Grund ist ein fortschrittliches Batteriemanagementsystem, das die Sicherheit optimieren und überwachen kann, für die Elektrifizierung von Fahrzeugen von entscheidender Bedeutung.
Algorithmen für maschinelles Lernen wurden implementiert, um den Gesundheitszustand, den Ladezustand und die verbleibende Nutzungsdauer vorherzusagen. Der Schwerpunkt lag auf datengesteuerten Modellen, die mit Techniken des maschinellen Lernens kombiniert wurden. Diese Modelle scheinen leistungsfähiger zu sein und können ohne vorherige Kenntnis des Systems vorhersagen. Außerdem erzielen sie eine hohe Genauigkeit bei geringem Rechenaufwand. Angesichts der geringeren Kosten für Datenspeichergeräte und der Weiterentwicklung der Computertechnologien scheint datengesteuertes maschinelles Lernen der vielversprechendste Ansatz für die zukünftige Modellierung von Batterien zu sein.
Ziel der Studie ist es, einen transformativen Effekt auf die Batterieindustrie zu erzielen und aufzuzeigen, wie maschinelles Lernen die Gesundheit und Lebensdauer einer Batterie genau vorhersagen und verbessern kann. Auf diese Weise können Hersteller die Software direkt in ihre Batteriegeräte einbetten und ihren In-Life-Service für den Verbraucher verbessern.