Nuovo studio sull’IA utilizza dati minimi per valutare la salute delle batterie e i livelli di carica

Nuovo studio sull'IA valuta la salute delle batterie e la carica con dati minimi

Le batterie al litio-ionico hanno raggiunto un’ampia diffusione in tutto il mondo, alimentando dispositivi mobili, automobili a benzina e una vasta gamma di applicazioni. Queste batterie rappresentano la scelta preferita per alimentare i nostri preziosi dispositivi. Con l’aumento del numero di veicoli elettrici, le batterie al litio-ionico sono destinate a svolgere un ruolo importante.

Dato l’ampio utilizzo di queste batterie, la valutazione dello stato di salute della batteria è fondamentale per affrontare i problemi di sicurezza associati ai nuovi materiali delle batterie. Ciò diventa cruciale a causa della limitata ricerca sulla loro durata e resistenza a lungo termine. Considerando il ruolo previsto nel supporto a un numero crescente di veicoli, diventa ancora più essenziale garantire metodi efficaci di valutazione dello stato di salute.

Tuttavia, anche se una sola batteria fallisce, l’intero pacco batterie fallisce, il che disturba il sistema della batteria e può causare problemi di sicurezza come fumo, fuoco ed esplosioni. Pertanto, diventa importante monitorare lo stato delle batterie, inclusi parametri come lo stato di carica (SOC) e l’energia residua, nonché i loro stati, come la condizione generale di salute.

• YouTube Music lancia un incubatore di intelligenza artificiale in collaborazione con Universal Music
• Come automatizzare i pipeline PySpark su AWS EMR con Airflow
• Una Derivazione Accessibile della Regressione Lineare

Per affrontare questo problema, un team di ricercatori della Carnegie Mellon e dell’Università del Texas ad Austin ha sviluppato un sistema di gestione delle batterie per facilitare la diagnostica sulla salute delle batterie in modo che i conducenti possano prendere decisioni informate. Hanno studiato le curve di carica e le hanno utilizzate per l’analisi e la previsione dello stato di salute delle batterie. Queste curve indicano la capacità massima che può essere utilizzata per calcolare la capacità disponibile della batteria, che può essere utilizzata per stimare lo stato di carica e altri stati energetici correlati. I ricercatori hanno sottolineato che, sebbene esistano già sistemi di gestione delle batterie nella maggior parte dei veicoli elettrici, alcune qualità rendono questo nuovo modello unico rispetto agli altri.

Per condurre questa ricerca, i ricercatori hanno studiato un totale di 10066 curve di carica di batterie a base di LiNiO2 con un tasso C costante. Per sottolineare ciò, Jayan, professore associato di ingegneria meccanica, ha affermato di avere un database di circa 11.000 curve di carica raccolte sperimentalmente per una particolare chimica del catodo della batteria. Le hanno utilizzate per addestrare un modello di apprendimento automatico per prevedere curve di carica complete utilizzando dati di input scarsi.

Questo modello analizza solo il primo cinque percento del processo di carica di una batteria. Utilizzando questo approccio, possono prevedere come la batteria si caricherà con un margine di errore incredibilmente preciso del solo due percento. In modo impressionante, questo livello di precisione è raggiunto utilizzando solo il 10% iniziale della curva di carica come dati di input.

I ricercatori hanno affermato che raccogliere e utilizzare dati reali come input per i modelli di apprendimento automatico sarà un importante prossimo passo per migliorare il modello. Inoltre, i ricercatori sono disposti ad incorporare variabili ambientali nel calcolo della carica della batteria e dei successivi profili di scarica. Sono anche disposti a prendere dati dalle batterie dei veicoli elettrici che sono in circolazione e ad esplorarli. Utilizzando dati effettivi del mondo reale e reti neurali avanzate, i sistemi di gestione delle batterie possono migliorare nella previsione del momento in cui caricare e scaricare le batterie.