Литий-ионные аккумуляторы являются основным источником питания для многих наших любимых устройств, таких как сотовые телефоны и ноутбуки, и их присутствие будет продолжать расширяться по мере того, как электромобили станут новым стандартом, заменяя автомобили с бензиновым двигателем.
Использование портативного источника питания требует первоклассных средств обеспечения безопасности и технического обслуживания. Команда исследователей из Карнеги-Меллона и Техасского университета в Остине разработала систему управления аккумуляторами для проведения важной диагностики состояния аккумулятора, чтобы водители могли принимать обоснованные решения. Модель рассматривает две ключевые диагностики: состояние заряда и состояние здоровья.
В краткосрочной перспективе анализ уровня заряда позволяет водителям узнать, достаточно ли у них энергии, чтобы добраться до места назначения, в то время как в долгосрочной перспективе данные о состоянии аккумулятора могут определить, пришло ли время заменить батарею, исходя из ее способности удерживать заряд по сравнению с тем, когда она была новой.
Риджа Джаян объясняет, что, хотя системы управления аккумуляторами уже существуют в большинстве электромобилей, есть несколько качеств, которые отличают эту новую модель от остальных.
“У нас была база данных, содержащая около 11 000 экспериментально собранных кривых заряда для конкретного химического состава катода батареи”, – сказал Джаян, доцент кафедры машиностроения. “Мы использовали их для обучения модели машинного обучения для прогнозирования полных кривых зарядки с использованием разреженных входных данных”.
Уникальность и практичность этого исследования заключается в том, что эта система управления батареей, основанная на машинном обучении, использует минимум данных – всего пять процентов кривой заряда батареи – и выдает прогноз заряда, погрешность которого составляет два процента. Сам сбор данных также намного проще, поскольку для расчета кривой и определения состояния батареи требуется всего около 15 минут зарядки.
Эта информация может даже собираться поэтапно, так что даже если зарядка была прервана, это не испортило бы проводимый анализ. Обладая таким впечатляющим показателем точности, эта модель была использована для прогнозирования совершенно другого химического состава катода. Обновленная версия будет в меньшей степени зависеть от данных и вместо этого будет включать физические компоненты в расчет кривых заряда батареи.
В то время как собранные лабораторией наборы данных были полезны для обучения оригинальной модели машинного обучения делать прогнозы, у этого источника также были ограничения, поскольку он не помогал исследователям точно определить конкретные факторы, которые приводят к выходу батарей из строя.
“Кривые заряда, которые мы использовали в исследовании, были получены при постоянной температуре c и при комнатной температуре, – сказал Джаян, – но ток заряда и температура сильно варьируются в реальных приложениях для аккумуляторов. Сбор и использование реальных данных в качестве входных данных для моделей машинного обучения станет важным следующим шагом по совершенствованию модели”.
Использование факторов окружающей среды для расчета кривых заряда и, в конечном счете, разряда батареи вышло бы за рамки уровня сложности, который мог бы создать человек.
“Прямо сейчас у нас есть модель, которая использует неконтролируемый алгоритм распознавания пиков для определения специфических особенностей кривых зарядки аккумулятора”, – говорит Джаян. “Модели нейронных сетей делают еще один шаг вперед, изучая, почему может измениться форма кривой зарядки аккумулятора — например, если частица разобьется. Такая корреляция между формами кривой и различными механизмами деградации батареи будет иметь решающее значение для прогнозирования как производительности батареи, так и безопасности в будущем”.
Система teams не только является интерпретирующей и прогнозирующей, но и может быть перенесена на батареи, изготовленные из различных катодных материалов. Хотя оксид кобальта лития был золотым стандартом на протяжении десятилетий, он также может быть дорогим. Все больше и больше производителей выпускают аккумуляторы из других материалов, поэтому имеет смысл иметь систему, которая может быть адаптирована к ним. (Модель была впервые протестирована на катодах из оксида лития и никеля, а затем успешно перенесена на оксид лития и кобальта.)
Точная оценка состояния аккумуляторной батареи также важна для устранения проблем безопасности при работе с новыми материалами для аккумуляторных батарей, поскольку их долговечность и износостойкость изучались не так тщательно, но, вероятно, на них будут полагаться при эксплуатации все большего числа транспортных средств.
Одним из наиболее полезных ресурсов для будущего этой области исследований являются данные, полученные от аккумуляторов электромобилей, которые находятся в пути. Использование реальных данных и сложных нейронных сетей позволит системам управления аккумуляторами прогнозировать заряд и разрядку с возрастающей точностью, что создаст волновой эффект на то, как обслуживаются электромобили, поскольку они становятся все более распространенными.
Джаян и ее сотрудники подали заявку на патент на это исследование, и недавно в журнале Advanced Science была опубликована статья, подробно описывающая возможности этой модели.