Araştırmacılar, elektrikli araçlar ve tüketici elektroniği için daha güvenli ve daha güvenilir pillerin geliştirilmesine yardımcı olabilecek mevcut endüstri standardından 10 kat daha yüksek doğrulukta pil sağlığını tahmin edebilen bir makine öğrenme yöntemi tasarladılar.
Lityum iyon pillerin sağlık durumunu ve kalan yararlı ömrünü tahmin etmek, elektrikli araçların yaygın olarak benimsenmesini sınırlayan büyük sorunlardan biridir : aynı zamanda cep telefonu kullanıcıları için tanıdık bir sıkıntıdır. Zamanla, pil performansı karmaşık bir ince kimyasal proses ağı üzerinden düşer. Bireysel olarak, bu işlemlerin her birinin pil performansı üzerinde pek bir etkisi yoktur, ancak toplu olarak bir pilin performansını ve ömrünü ciddi şekilde kısaltabilirler.
Akü sağlığını tahmin etmek için mevcut yöntemler, akünün şarj edilmesi ve boşaltılması sırasında akım ve voltajın izlenmesine dayanır. Bu, pil sağlığını gösteren önemli özellikleri kaçırır. Bataryada gerçekleşen birçok işlemi izlemek, bataryaları çalışırken incelemek için yeni yollar ve ayrıca ince sinyalleri şarj edip deşarj ederken algılayabilen yeni algoritmalar gerektirir.
Araştırmacılar, içine elektrik darbeleri göndererek ve tepkisini ölçerek pilleri izlemek için bir yol tasarladılar. Daha sonra elektriksel yanıtta pil yaşlanmasının en belirgin belirtisi olan belirli özellikleri keşfetmek için bir makine öğrenme modeli kullanılır. Araştırmacılar, türünün en büyük veri seti olan modeli eğitmek için 20.000'den fazla deneysel ölçüm gerçekleştirdiler. Önemlisi, model önemli sinyallerin alakasız gürültüden nasıl ayırt edileceğini öğrenir. Yöntemleri invaziv değildir ve mevcut akü sistemlerine basit bir eklentidir.
Ayrıca makine öğrenme modelinin fiziksel bozulma mekanizması hakkında ipuçları vermek üzere yorumlanabileceğini de gösterdiler. Model, hangi elektrik sinyallerinin yaşlanma ile en fazla ilişkili olduğunu bildirebilir, bu da pillerin neden ve nasıl bozulduğunu araştırmak için belirli deneyler tasarlamalarına izin verir.
Araştırmacılar şimdi farklı pil kimyalarındaki bozulmayı anlamak için makine öğrenme platformlarını kullanıyorlar. Ayrıca hızlı şarj sağlamak ve bozulmayı en aza indirmek için makine öğrenimi ile çalışan optimum pil şarj protokolleri geliştiriyorlar.
frigs paylaştı