Zustand und Lebensdauer von Batterien vorhersagen

Künstliche Intelligenz zur Verbesserung von Batterien entwickelt

08.04.2020 - Großbritannien

Forscher haben eine maschinelle Lernmethode entwickelt, die den Batteriezustand mit einer 10-mal höheren Genauigkeit als der derzeitige Industriestandard vorhersagen kann, was bei der Entwicklung sicherer und zuverlässigerer Batterien für Elektrofahrzeuge und Unterhaltungselektronik hilfreich sein könnte.

Die Forscher von den Universitäten Cambridge und Newcastle haben eine neue Methode zur Überwachung von Batterien entwickelt, indem sie elektrische Impulse in die Batterien senden und die Reaktion messen. Die Messungen werden dann von einem Algorithmus für maschinelles Lernen verarbeitet, um den Zustand und die Lebensdauer der Batterie vorherzusagen. Ihre Methode ist nicht invasiv und stellt eine einfache Ergänzung zu jedem bestehenden Batteriesystem dar.

Die Vorhersage des Gesundheitszustands und der verbleibenden Lebensdauer von Lithium-Ionen-Batterien ist eines der großen Probleme, die die breite Akzeptanz von Elektrofahrzeugen einschränken: Sie ist auch ein bekanntes Ärgernis für Mobiltelefonnutzer. Mit der Zeit verschlechtert sich die Leistung der Batterien über ein komplexes Netzwerk subtiler chemischer Prozesse. Jeder dieser Prozesse hat einzeln keine großen Auswirkungen auf die Batterieleistung, aber zusammengenommen können sie die Leistung und Lebensdauer einer Batterie stark verkürzen.

Maschinelles Lernen beschleunigt die Suche nach sichereren und besseren Batterien

Schnellere und kostengünstigere Entwicklung neuer Festkörperelektrolytmaterialien

News lesen

Aktuelle Methoden zur Vorhersage des Batteriezustands basieren auf der Verfolgung von Strom und Spannung während des Lade- und Entladevorgangs der Batterie. Dabei werden wichtige Merkmale, die den Zustand der Batterie anzeigen, übersehen. Die Verfolgung der vielen Prozesse, die innerhalb der Batterie ablaufen, erfordert neue Methoden zur Sondierung von Batterien in Aktion sowie neue Algorithmen, die subtile Signale beim Laden und Entladen erkennen können.

"Sicherheit und Zuverlässigkeit sind die wichtigsten Designkriterien bei der Entwicklung von Batterien, die viel Energie auf kleinem Raum aufnehmen können", sagte Dr. Alpha Lee vom Cavendish-Labor in Cambridge, der die Forschung mit geleitet hat. "Durch die Verbesserung der Software zur Überwachung des Lade- und Entladevorgangs und die Verwendung datengesteuerter Software zur Steuerung des Ladevorgangs können wir meiner Meinung nach eine große Verbesserung der Batterieleistung erzielen.

Die Forscher entwickelten eine Möglichkeit, Batterien zu überwachen, indem sie elektrische Impulse in sie hineinschicken und ihre Reaktion messen. Ein maschinelles Lernmodell wird dann verwendet, um spezifische Merkmale in der elektrischen Reaktion zu entdecken, die das verräterische Zeichen der Batteriealterung sind. Die Forscher führten über 20.000 experimentelle Messungen durch, um das Modell zu trainieren, den größten Datensatz seiner Art. Wichtig ist, dass das Modell lernt, wie man wichtige Signale von irrelevantem Rauschen unterscheiden kann. Ihre Methode ist nicht invasiv und stellt eine einfache Ergänzung zu allen bestehenden Batteriesystemen dar.

Die Forscher zeigten auch, dass das Modell des maschinellen Lernens so interpretiert werden kann, dass es Hinweise auf den physikalischen Mechanismus der Degradation gibt. Das Modell kann Aufschluss darüber geben, welche elektrischen Signale am stärksten mit der Alterung korreliert sind, was es ihnen wiederum ermöglicht, spezifische Experimente zu entwerfen, um zu untersuchen, warum und wie sich Batterien verschlechtern.

"Maschinelles Lernen ergänzt und erweitert das physikalische Verständnis", sagte Mit-Erstautor Dr. Yunwei Zhang, ebenfalls vom Cavendish-Labor. "Die von unserem Modell des maschinellen Lernens identifizierten interpretierbaren Signale sind ein Ausgangspunkt für zukünftige theoretische und experimentelle Studien".

Die Forscher verwenden nun ihre maschinelle Lernplattform, um die Degradation in verschiedenen Batteriechemien zu verstehen. Sie entwickeln auch optimale Batterieladeprotokolle, die durch maschinelles Lernen angetrieben werden, um ein schnelles Aufladen zu ermöglichen und die Degradation zu minimieren.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Yunwei Zhang et al.; "Identifying degradation patterns of lithium ion batteries from impedance spectroscopy using machine learning"; Nature Communications; 2020

https://www.chemie.de/news/1165750/zustand-und-lebensdauer-von-batterien-vorhersagen.html

Originalveröffentlichung

Yunwei Zhang et al.; "Identifying degradation patterns of lithium ion batteries from impedance spectroscopy using machine learning"; Nature Communications; 2020

Themen

maschinelles Lernen Batterien künstliche Intelligenz

Alle anzeigen