Μια ομάδα επιστημόνων επικεφαλής του Δρ. Gareth Conduit στο Ινστιτούτο Έρευνας και Μηχανικής Υλικών στο A * STAR και το Nanyang Technological University έχουν χρησιμοποιήσει AI για την πρόβλεψη καταστάσεων μπαταριών ηλεκτρικών οχημάτων και για να δώσουν μια «ακριβή» πρόβλεψη για την κατάσταση των κυττάρων ιόντων λιθίου επιβάρυνσης και υγείας.
Σύμφωνα με το δημοσιευμένο άρθρο, η τεχνολογία μοντέλου μηχανικής εκμάθησης βάσει δεδομένων θα μπορούσε να επιτρέψει στους κατασκευαστές να ενσωματώσουν το λογισμικό απευθείας στις συσκευές μπαταρίας τους για να βελτιώσουν τη διάρκεια ζωής του κύκλου έως και 6% σε σχέση με τα τυπικά μοντέλα μπαταριών που υπολογίζουν εσφαλμένα τη διάρκεια ζωής κατά περίπου 10%.
Η απόδοση, το κόστος και η ασφάλεια των μπαταριών είναι οι παράγοντες που καθορίζουν την επιτυχή ανάπτυξη των ηλεκτρικών οχημάτων (EV). Από τώρα, οι μπαταρίες ιόντων λιθίου (ιόντων λιθίου) προτιμώνται από άλλες μπαταρίες λόγω της διάρκειας ζωής τους και της εύλογης ενεργειακής πυκνότητας. Ωστόσο, εάν πραγματοποιηθεί περαιτέρω έρευνα για τις μπαταρίες ιόντων λιθίου, θα οδηγήσει σε πιο περίπλοκη δυναμική της μπαταρίας, όπου η ασφάλεια και η αποδοτικότητα θα αποτελέσουν θέμα ανησυχίας. Λόγω αυτού, ένα προηγμένο σύστημα διαχείρισης μπαταρίας που μπορεί να βελτιστοποιήσει και να παρακολουθεί την ασφάλεια είναι ζωτικής σημασίας για την ηλεκτροδότηση των οχημάτων.
Οι αλγόριθμοι μηχανικής μάθησης έχουν εφαρμοστεί για την πρόβλεψη της κατάστασης της υγείας, της κατάστασης φόρτισης και της υπολειπόμενης ωφέλιμης ζωής. Έχει δοθεί έμφαση σε μοντέλα που βασίζονται σε δεδομένα και αυτά έχουν συνδυαστεί με τεχνικές μηχανικής μάθησης. Αυτά τα μοντέλα φαίνεται να είναι πιο ισχυρά και μπορούν να προβλέψουν χωρίς εκ των προτέρων γνώση του συστήματος, εκτός από την επίτευξη υψηλής ακρίβειας με χαμηλό υπολογιστικό κόστος. Με το μειωμένο κόστος των συσκευών αποθήκευσης δεδομένων και την πρόοδο των υπολογιστικών τεχνολογιών, η μηχανοκίνητη εκμάθηση βάσει δεδομένων φαίνεται να είναι η πιο υποσχόμενη προσέγγιση για προηγμένη μοντελοποίηση μπαταριών στο μέλλον.
Ο στόχος της μελέτης είναι να επιφέρει μετασχηματιστική επίδραση στη βιομηχανία μπαταριών και να επισημάνει πώς η μηχανική εκμάθηση μπορεί να προβλέψει και να βελτιώσει με ακρίβεια την υγεία και τη ζωή μιας μπαταρίας. Αυτό θα επιτρέψει στους κατασκευαστές να ενσωματώσουν το λογισμικό απευθείας στις συσκευές μπαταρίας τους και να βελτιώσουν την υπηρεσία ζωής τους για τον καταναλωτή.