数据驱动的机器学习是高级电池建模的最佳方法

科技 2020-03-31 14:25:32

近年来,由于对全球变暖的担忧日益加剧,对运输电气化的需求出现了。 电动汽车的广泛使用将减少有害排放和清洁空气,以及其他社会和经济效益。 电池行业需要电池制造商的软件解决方案,以降低制造和开发成本,同时改进关键电池指标。

人工智能正在解锁电池技术,这将为清洁运输的未来提供动力,导致汽车行业的转变。 然而,充电能力、能量密度和成本需要大幅提高。 人工智能有可能影响电池的发展,了解数据与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(EVS)的成功发展,目前锂离子(Li-离子)电池由于其循环寿命和合理的能量密度,是电动汽车的首选。

然而,进一步研究锂离子电池将导致更复杂的电池动力学,其中安全和效率将成为一个关注的问题。

因此,一个先进的电池管理系统,可以优化和监测安全是至关重要的电气化车辆。

加雷思·康杜伊博士(剑桥大学卡文迪什实验室和Intellegens的联合创始人)、A*STAR材料研究和工程研究所和南阳技术大学之间的合作评估了各种机器学习(M L)方法,用于快速和准确的电池状态预测。 这篇评论文章发表在“自然机器智能”上。

电动汽车电池优化的数据驱动机器学习

已经实现了机器学习算法来预测健康状态、充电状态和剩余使用寿命。

数据驱动模型近年来引起了人们的关注,并结合机器学习技术,这些模型似乎更强大,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,因此准确预测它们对于确保电动汽车随着时间的推移可靠和安全地运行至关重要。

一旦建立,预测模型就可以用来标准化流程,允许所有利益相关者获得相同的知识和工具,并在需要进行的实验数量和优化实验方面降低成本,以尽量减少对昂贵组件或过程的需求。

通过设计不太依赖有毒元素或工艺的实验和产品,这将减少环境影响。

电池行业的未来是什么样子的?

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。

该方法已被用于解决许多高价值问题,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帮助优化电池行业的不同方面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,包括来自失败的实验的数据,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。

Gare th Conduit博士(英国皇家学会剑桥大学研究员和Intellegens的首席技术官)发表评论

我们的机器学习技术,炼金石,可以看到所有可用参数之间的相关性,包括输入和输出,在稀疏和嘈杂的数据集中。 结果是精确的模型,可以预测缺失值,发现错误并优化目标属性.. 炼金术士能够处理几乎不到0.05%的完整数据,可以解决传统机器学习方法无法访问的数据问题。

炼金术士正在提供药物发现、先进材料、病人分析、预测维护和电池方面的突破性解决方案,以突破数据分析瓶颈,减少用于研究的时间和金钱,并支持更好、更快的决策。

这篇评论文章中的见解可能会对电池行业产生变革性的影响。 强调机器学习如何准确地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,并提高他们为消费者提供的寿命服务。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢