機械学習モデルを使用してバッテリー寿命を正確に予測する
- 新しい人工知能モデルは、バッテリーの状態を正確に判断できます。
- 初期段階でバッテリーから取得したデータを使用して、バッテリーの寿命が長いか短いかを予測します。
リチウムイオン電池は、エネルギー密度が高く、寿命が長く、コストが低いため、幅広い用途で使用されています。過去数年にわたって、ハイブリッド車と電気自動車の商品化は、高品質のバッテリーに対する需要の高まりを刺激してきました。したがって、バッテリーの「健全性」の分析はますます重要になっています。
ただし、バッテリー技術の開発における主要な障害の1つは、バッテリーの状態の監視とテストです。これには多くの時間がかかり、プロセスがバッテリーの寿命に影響します。
State Of Health(SOH)と呼ばれるパラメーターは、理想的な状態または初期状態と比較して、バッテリーがエネルギーを蓄える能力を表します。新しいバッテリーの場合、SOHは通常100%ですが、時間の経過とともに減少します。 SOHの評価は、バッテリーを安全かつ正しく使用するために重要です。ただし、バッテリーの寿命を損なうことなくこの値を正確に判断できる手法はありません。
SOHの決定は簡単ではありません
バッテリーのSOHは、バッテリーの経年劣化に伴って発生する2つの要因に関連しています–
- 容量フェード:ストレージ容量の漸進的な喪失
- 電気抵抗:インピーダンスが徐々に増加し、バッテリーの電力が低下します。
リチウムイオン電池では、インピーダンスの増加とストレージ容量の損失は、相互作用する多数のプロセスから発生します。これらのプロセスは同様のタイムスケールで発生するため、個別に分析することは非常に困難です。したがって、SOHを評価するために単一の直接測定を使用することはできません。
[SOHを決定するための]従来の手法では、バッテリーの電極間の相互作用を評価します。ただし、これによりバッテリーが不安定になるため、これらの手法は受け入れられません。
現在、より破壊的でない方法でSOHを決定するための2つのアプローチがあります:適応モデルと実験方法。最初のアプローチでは、バッテリー性能データを使用して自己調整し、エラーを減らします。ただし、このタイプのメソッドは、実稼働環境で実際に使用する前に、実験データでトレーニングする必要があります。
一方、2番目のアプローチは、バッテリーで発生する特定の障害メカニズムまたは物理プロセスを判別するために使用できます。これにより、将来の容量低下率を適切に見積もることができます。ただし、このような方法では、断続的な誤動作を特定できません。
AIはバッテリーの寿命を正確に予測できます
現在、MIT、スタンフォード大学、およびトヨタ研究所の研究者は、バッテリーのSOHを正確に決定できる人工知能(AI)モデルを考案しました。
チームは、124個のリチウムイオン電池の性能を特徴付ける包括的なデータセットを作成しました。データは、バッテリーがさまざまな急速充電条件を経たときに記録されました。広範囲の充電および放電サイクル(250〜2,300)がデータに含まれていました。
参照:自然| doi:10.1038 / s41560-019-0356-8
次に、機械学習(ML)メソッドを使用してデータを調べ、バッテリーサイクルの寿命を正確に推定できるモデルを生成しました。彼らは、各バッテリーの最初の100サイクルのみを分析しました(ストレージ容量の損失の明確な兆候が現れる前)。
推定バッテリーと観測バッテリーの寿命|破線は、参考のために、推定値と観測値が等しい場所を示しています。研究者の礼儀
MLによって生成された最良のモデルは、バッテリーの91%のサイクル寿命を正しく推定することができました。研究者はまた、この方法を使用して、各バッテリーの最初の5サイクルからのデータを研究しました。今回の目的は、バッテリーの寿命が長いか短いか(550回以上または550回未満の充電-放電サイクル)を把握することでした。この場合、モデルはバッテリーの95%について正しい予測を行いました。
新しいモデルは、従来のSOH決定方法よりも効果的でしたが、ストレージ容量がすでにある程度低下しているバッテリーのサイクル寿命を予測する際の精度は低くなりました。
読む:新しいアルミニウム-グラフェンバッテリーは5秒で充電できます
研究チームは、彼らの新しいアプローチがリチウムイオン電池のライフサイクルを推定する有望な方法であり、新しい電池技術の開発/改善に役立つ可能性があると信じています。
産業技術