Инструмент искусственного интеллекта для тестеров аккумуляторов использует данные предыдущих разработок для прогнозирования срока службы новых концепций аккумуляторов.
Рассматривая информацию всего за 50 циклов, этот искусственный интеллект, разработанный в инженерном отделе Мичиганского университета, может предсказать, сколько циклов зарядки-разрядки сможет продержаться батарея, прежде чем ее емкость упадет ниже 90% от заявленной.
Это поможет исследователям сэкономить месяцы или даже годы исследований, в зависимости от условий циклических экспериментов. Это также позволит сэкономить значительное количество электроэнергии, используемой для исследования прототипов и испытаний батарей. По оценкам команды разработчиков, срок службы новых батарей можно предсказать, используя всего 5% энергии и 2% времени по сравнению с традиционными методами тестирования.
«Изучая исторические конструкции аккумуляторов, мы используем физические принципы для построения обобщенной взаимосвязи между производительностью на ранней стадии и в течение жизненного цикла. Мы можем свести к минимуму экспериментальные усилия и добиться высокоточных прогнозов для новых конструкций батарей.— отмечает Джию Сонг, научный сотрудник кафедры электротехники и вычислительной техники Мичиганского университета и ведущий автор исследования.
Исследование было поддержано калифорнийским производителем аккумуляторов Farasis Energy US. Производитель также предоставил аккумуляторы, а также данные проектирования и испытаний для оценки производительности модели, обучение которой осуществляется исключительно на свободно доступных общедоступных данных.
Модель основана на педагогическом подходе, известном как обучение открытиям или обучение действием. В этом типе обучения модели даются задачи и ресурсы, которые помогут ей найти решения, опираясь на собственный опыт и приобретенные знания. После решения большого количества задач модель больше не требует ресурсов для решения таких задач.
«Обучение Discovery — это общий подход к машинному обучению, который можно распространить на другие области науки и техники.— говорит первый автор исследования Цзявэй Чжан.
Команда разработала модель искусственного интеллекта для прогнозирования срока службы батареи при заданных условиях конструкции и цикла эксплуатации, включая температуру и ток. Система выбирает несколько вариантов аккумуляторов, которые заполняют пробелы в знаниях, для сборки и тестирования в течение примерно 50 циклов. Результаты экспериментов передаются интерпретатору, который получает доступ к историческим данным и выполняет расчеты с использованием физического симулятора батареи. Система прогнозирует срок службы экспериментальных батарей на основе предоставленных исторических данных и расчетов.
Модель обучения объединяет новую информацию с предыдущими прогнозами для оценки срока службы батареи новой конструкции. Даже во время экспериментов система обучения экономит значительное время и энергию и имеет потенциал для дальнейшего совершенствования.
Литий-ионные аккумуляторы нового поколения существенно отличаются от предыдущих версий по своему химическому составу, структуре и материалам. Однако исследователи говорят, что между ними есть параллели, которые могут дать представление о том, как будут работать новейшие разработки. Вместо использования простых статистических характеристик сигналов тока и напряжения интерпретатор использует основные физические свойства всех конструкций батарей для обнаружения общих черт между отдельными батареями.
Используя эту информацию, искусственный интеллект анализирует батареи двумя способами: с точки зрения их внутренних характеристик, включая физические и химические свойства ячеек, и с точки зрения условий их эксплуатации. Например, при высоких температурах некоторые химические процессы могут вызвать деградацию элементов аккумуляторной батареи, однако при более низких температурах этот механизм такой роли не играет.
Исследователи протестировали свою собственную модель искусственного интеллекта, используя данные и аккумуляторные элементы от Farasis Energy. После обучения на наборе данных, который включал только цилиндрические элементы, похожие на батареи типа АА, модель успешно предсказала производительность более крупных элементов. Если полные испытания длятся до тысячи циклов и занимают от нескольких месяцев до нескольких лет, то 50-цикловые испытания могут длиться всего несколько дней или недель. Для тестирования потребовалось меньше ячеек и меньше циклов, что привело к экономии энергии на 95%. Исследователи намерены распространить тот же подход на другие аспекты производительности, в частности на безопасность и скорость зарядки.
