Ett forskargrupp leder av Dr. Gareth Conduit vid Institute of Materials Research and Engineering vid A * STAR, och Nanyang Technological University har använt AI för att förutsäga elektriska fordonsbatteritillstånd och för att ge en "exakt" förutsägelse för litiumjoncellstillstånd av avgift och hälsa.
Enligt den publicerade artikeln kan den datadrivna tekniken för maskininlärningsmodell tillåta tillverkare att bädda in programvaran direkt i sina batterienheter för att förbättra dess livslängd upp till 6% jämfört med typiska batterimodeller som felberäknar livstider med cirka 10%.
Batteriernas prestanda, kostnad och säkerhet är de faktorer som avgör den framgångsrika utvecklingen av elfordon. Från och med nu föredras litiumjonbatterier (Li-ion) framför andra batterier på grund av deras livslängd och rimliga energitäthet. Om vidare forskning om Li-ion-batterier bedrivs kommer det dock att leda till mer komplicerad batteridynamik, där säkerhet och effektivitet kommer att bli ett problem. På grund av detta är ett avancerat batterihanteringssystem som kan optimera och övervaka säkerheten avgörande för elektrifiering av fordon.
Maskininlärningsalgoritmer har implementerats för att förutsäga hälsotillstånd, laddningstillstånd och återstående livslängd. Det har varit fokus på datadrivna modeller och dessa har kombinerats med maskininlärningstekniker. Dessa modeller verkar vara mer kraftfulla och kan förutsäga utan föregående kunskap om systemet förutom att uppnå hög noggrannhet med låga beräkningskostnader. Med de minskade kostnaderna för datalagringsenheter och utvecklingen av beräkningsteknik verkar datadriven maskininlärning vara det mest lovande sättet för avancerad batterimodellering i framtiden.
Syftet med studien är att åstadkomma en transformerande effekt på batteriindustrin och belysa hur maskininlärning kan förutsäga och förbättra batteriets hälsa och livslängd. Detta gör det möjligt för tillverkare att bädda in programvaran direkt i sina batterienheter och förbättra deras livstjänst för konsumenten.