3 Minutės
DI žemėlapiuoja baterijų senėjimą, pratęsia tarnavimo laiką ir gerina saugumą
Elektrinių transporto priemonių (EV) baterijos dažnai yra pirmasis didelis komponentas, kuris suprastėja, didindamas keitimo išlaidas ir lėtindamas perėjimą prie elektrinės mobilumo. Uppsalos universiteto tyrėjai, bendradarbiaudami su Aalborgo universitetu, sukūrė naują dirbtiniu intelektu (DI) paremtą modelį, kuris pateikia daug tikslesnį baterijų senėjimo ir vidinių cheminių procesų vaizdą. Paskelbta žurnale Energy & Environmental Science, šis modelis, palyginti su esamais metodais, žada iki 70 % didesnį baterijos sveikatos (SoH) prognozių patikimumą.
Kaip veikia hibridinis DI modelis
Tyrėjų komanda sujungė tūkstančius trumpų įkrovimo segmentų matavimų su išsamiu, fizikos principais grįstu ląstelės vidinės chemijos atvaizdavimu. Vietoje to, kad baterijas būtų laikoma „juodosiomis dėžėmis“, šis hibridinis požiūris sujungia mašininį mokymąsi su elektrocheminiu modeliavimu, kad būtų atsekami konkretūs procesai, generuojantys energiją ir sukeliantys degradaciją. Pasak studijos vadovo prof. Danielio Brandello, tokia matomybė leidžia taikyti išmanesnes valdymo strategijas, kurios ilgiau išlaiko elementus sveikesnius.
Pagrindinės technologijos savybės
- Fiziką atitinkantis mašininis mokymasis: derina empirinius duomenis su cheminių procesų modeliais, kad tiksliai nustatytų baterijos sveikatos (SoH) būklę.
- Trumpų segmentų įkrovimo analizė: naudoja trumpus įkrovimo ir iškrovimo fragmentus, kurie sumažina duomenų jautrumą ir palengvina diegimą lauke.
- Aukštas prognozių patikimumas: tyrėjai nurodo iki 70 % didesnį baterijos sveikatos prognozių patikimumą.
- Suderinamumas su baterijų valdymo sistemomis (BMS): sukurta papildyti esamas BMS ir prognozinės priežiūros įrankius.
Pranašumai prieš tradicinius metodus
Tradiciniai „juodosios dėžės" DI modeliai dažnai reikalauja didelių, nuolatinių duomenų rinkinių ir gali praleisti cheminių senėjimo priežasčių nustatymą. Priešingai, šis hibridinis modelis suteikia:
- Pagerintą SoH įvertinimą ir gyvenimo trukmės prognozę, mažinančią priešlaikinius keitimus.
- Geresnę saugumo prognozę, aptinkant dizaino trūkumus ir kenksmingas šalutines reakcijas pagal įkrovimo/iškrovimo modelius.
- Mažesnę duomenų privatumo riziką — naudingos analizės gaunamos iš trumpų, anonimizuojamų segmentų, o ne iš visų važiavimo įrašų.
Palyginimas ir rinkos reikšmė
Palyginti su grynuoju mašininiu mokymusi ir vien elektrocheminiais analitiniais modeliais, hibridinis metodas mainais už ekstremalų duomenų poreikį ir neaiškius sprendimus siūlo paaiškinamumą ir efektyvumą. Automobilių gamintojams ir baterijų tiekėjams ši prieiga gali sumažinti garantines išlaidas, pratęsti naudojamą baterijos tarnavimo laiką ir paskatinti EV plitimą sumažinant bendrą nuosavybės kainą (TCO). Reguliuotojams ir saugumo inžinieriams modelis siūlo priemonę proaktyviai rizikai identifikuoti ir mažinti.
Panaudojimo sritys ir realus poveikis
Galimos taikymo sritys:
- OEM integracija į naujos kartos baterijų valdymo sistemas, kad būtų įmanomos adaptyvios įkrovimo strategijos.
- Flotės operatoriai ir užsakomosios transporto paslaugos, naudojančios prognozinę priežiūrą, kad pailgintų akumuliatorių tarnavimo trukmę ir sumažintų prastovas.
- Įkrovimo stočių tinklai optimizuojantys greito įkrovimo profilius, kad sumažintų degradaciją.
- Antrinės gyvavimo rinkos ir perdirbimo centrai patikimiau vertinantys likutinę talpą ir saugumą.
Perspektyvos: spartinti elektrifikaciją su saugesnėmis baterijomis
Atverdami, kas vyksta ląstelėse, ir generuodami patikimas baterijos sveikatos prognozes iš ribotų, privatumo saugančių duomenų rinkinių, šis DI modelis siūlo pragmatišką kelią į saugesnes ir ilgaamžiškesnes EV baterijas. Didėjant transporto priemonių elektrifikacijai, įrankiai, derinantys mašininį mokymąsi su elektrocheminėmis įžvalgomis, bus esminiai optimizuojant baterijų gyvavimo ciklus, mažinant sąnaudas ir atitinkant saugumo standartus pasaulinėse rinkose.
Šaltinis: techxplore
Komentarai