人工智能正在解锁电池技术这将推动清洁运输的未来,导致汽车工业的转变。然而,充电能力、能量密度和成本需要大幅提高。人工智能有影响的潜力电池开发和理解数据和电池参数之间的关系。
电池的性能、成本和安全性决定了电动汽车的成功发展。目前,锂离子电池因其循环寿命和合理的能量密度成为电动汽车的首选。
然而,对锂离子电池的进一步研究将导致更复杂的电池动力学,其中安全性和效率将成为一个问题。
因此,能够优化和监控安全性的先进电池管理系统对于车辆的电气化至关重要。
加雷思·导管博士(剑桥大学卡文迪许实验室和智能体的共同创始人)、A*STAR材料研究与工程学院和南洋理工大学合作,评估了各种快速准确预测电池状态的机器学习(ML)方法。这篇评论文章发表于自然机器智能。
电动汽车电池优化的数据驱动机器学习
机器学习算法已经被用于预测健康状态、充电状态和剩余使用寿命。
近年来,数据驱动模型引起了人们的关注,并且与机器学习技术相结合,这些模型看起来更强大并且能够在没有系统先验知识的情况下进行预测,并且具有以低计算成本实现高精度的潜力。
电池有几个关键参数,包括电压、温度和变化状态。电池故障与这些参数的异常波动有关,因此准确预测这些参数对于确保电动车辆长期可靠安全运行至关重要。
一旦到位,预测模型可用于标准化流程,允许所有利益相关者获得相同的知识和工具,并降低需要执行的实验数量和优化实验的成本,以最大限度地减少对昂贵组件或流程的需求。
通过设计不太依赖有毒元素或工艺的实验和产品,减少了对环境的影响。
电池行业的未来是什么样的?
随着数据存储设备成本的降低和计算技术的进步,数据驱动的机器学习似乎是未来先进电池建模最有前途的方法。
这种方法已被用于解决许多高价值的问题,其成功实施的关键变量是数据可用性和数据质量。然而,最近在应用机器学习方法来帮助优化电池行业的不同方面方面出现了激增。
在这两种情况下,使用来自多个领域的数据,包括来自失败实验的数据,在加速和优化电池设计、化学和管理系统方面发挥着至关重要的作用。
加雷思·坎特博士(剑桥大学皇家社会大学研究员兼智能大学首席技术官)评论道
“我们的机器学习技术Alchemite可以在稀疏和有噪声的数据集中看到所有可用参数之间的相关性,包括输入和输出。结果是可以预测缺失值、发现错误和优化目标属性的精确模型。Alchemite能够处理只有0.05%完整的数据,它可以解决传统机器学习方法无法解决的数据问题。”
Alchemite在药物发现、先进材料、患者分析、预测性维护和电池方面提供突破性解决方案,使组织能够突破数据分析瓶颈,减少研究时间和资金,并支持更好、更快的决策。
这篇综述文章中的见解可能会对电池行业产生变革性的影响。强调机器学习如何能够准确预测和改善电池的健康和寿命,将使制造商能够将该软件直接嵌入到他们的电池设备中,并改善他们为消费者提供的终身服务。
(转载:www.idcew.com)