Técnicas de IA utilizadas para mejorar la salud y la seguridad de la batería.
Investigadores de la Universidad de Cambridge han diseñado un método de aprendizaje automático que puede predecir el estado de la batería con una precisión 10 veces mayor que el estándar actual de la industria, lo que podría ayudar en el desarrollo de baterías más seguras y fiables para vehículos eléctricos y productos electrónicos de consumo.
Los investigadores, de las universidades de Cambridge y Newcastle, han diseñado una nueva forma de controlar las baterías enviando pulsos eléctricos y midiendo la respuesta. Luego, las mediciones son procesadas por un algoritmo de aprendizaje automático para predecir la salud de la batería y la vida útil. Su método no es invasivo y es un complemento simple para cualquier sistema de batería existente. Los resultados se han publicado en la revista Nature Communications.
La predicción del estado de salud y la vida útil restante de las baterías de iones de litio es uno de los grandes problemas que limitan la adopción generalizada de vehículos eléctricos: también es una molestia normal para los usuarios de teléfonos móviles. Con el tiempo, el rendimiento de la batería se degrada a través de una red compleja de procesos químicos sutiles. Individualmente, cada uno de estos procesos no tiene mucho efecto en el rendimiento de la batería, pero colectivamente pueden acortar severamente el rendimiento y la vida útil de la batería.
Los métodos actuales para predecir el estado de la batería se basan en el seguimiento de la corriente y el voltaje durante la carga y descarga de la batería. Esto pierde características importantes que indican el estado de la batería. El seguimiento de los muchos procesos que están ocurriendo dentro de la batería requiere nuevas formas de probar las baterías en acción, así como nuevos algoritmos que pueden detectar señales sutiles a medida que se cargan y descargan.
"La seguridad y la fiabilidad son los criterios de diseño más importantes a medida que desarrollamos baterías que pueden acumular mucha energía en un espacio pequeño", afirma el Dr. Alpha Lee del Laboratorio Cavendish de Cambridge, quien dirigió la investigación. "Al mejorar el software que monitoriza la carga y descarga, y al usar software basado en datos para controlar el proceso de carga, creo que podemos impulsar una gran mejora en el rendimiento de la batería".
Los investigadores diseñaron una forma de monitorizar las baterías enviando pulsos eléctricos y midiendo su respuesta. Luego se usa un modelo de aprendizaje automático para descubrir características específicas en la respuesta eléctrica que son el signo revelador del envejecimiento de la batería. Los investigadores realizaron más de 20.000 mediciones experimentales para entrenar el modelo, el conjunto de datos más grande de su tipo. Es importante destacar que el modelo aprende a distinguir las señales importantes del ruido irrelevante. Su método no es invasivo y es un complemento simple para cualquier sistema de batería existente.
Los investigadores también mostraron que el modelo de aprendizaje automático puede interpretarse para dar pistas sobre el mecanismo físico de degradación. El modelo puede informar qué señales eléctricas están más relacionadas con el envejecimiento, lo que a su vez les permite diseñar experimentos específicos para investigar por qué y cómo se degradan las baterías.
"El aprendizaje automático complementa y aumenta la comprensión física", dijo el coautor principal, el Dr. Yunwei Zhang, también del Laboratorio Cavendish. "Las señales interpretables identificadas por nuestro modelo de aprendizaje automático son un punto de partida para futuros estudios teóricos y experimentales".
Los investigadores ahora están utilizando su plataforma de aprendizaje automático para comprender la degradación en diferentes químicas de batería. También están desarrollando protocolos óptimos de carga de la batería, alimentados por aprendizaje automático, para permitir una carga rápida y minimizar la degradación.
Este trabajo se realizó con financiación de la Institución Faraday. El Dr. Lee también es investigador en el St Catharine’s College.
Referencia:
YYunwei Zhang et al. ‘Identifying degradation patterns of lithium ion batteries from impedance spectroscopy using machine learning.’ Nature Communications (2020). DOI: 10.1038/s41467-020-15235-7
Articulos Electrónica Relacionados
- Un nuevo chip para descodifica... Imagine que utiliza una aplicación de banca electrónica para ingresar dinero en su cuenta. Como toda la información que se envía por Internet, esas comunicacion...
- Optoelectrónica, sensores / ac... Después de dos años letárgicos de bajo crecimiento y algunos reveses, las ventas mundiales de optoelectrónica, sensores, actuadores y semiconductores discretos ...
- Gestión energética, crecimient... Mouser Electronics Inc. ha anunciado hoy el segundo número de la serie de 2021 de su programa Empowering Innovation Together™ y del podcast The Tech Between Us....
- Las ventas de Sensores / Actua... Después de varios años de tasas de crecimiento bajas e incoherentes, debido principalmente a la intensa presión de precios, el mercado de s...
- IDTechEx analiza las múltiples... Es fácil fabricar vehículos eléctricos con baterías de 1000 millas (el equivalente a 1600 kms), y el efecto en la aceptación del mercado será alto. Por ejemplo,...
- Tecnologías avanzadas de encap... Las tecnologías avanzadas de envasado de semiconductores son cruciales debido a la ralentización de la ley de Moore y al aumento de los costes de desarrollo y f...
- La SGeT presenta el UIC o Cone... A lo largo de una demostración en vivo en la Embedded World 2018 en Nuremberg, el SGET o Grupo de Estandarización para Tecnologías Embebida...
- ¿Qué podemos esperar de los nu... La energía renovable es la clave para la descarbonización y un planeta más sostenible. Las turbinas eólicas y los paneles solares son solo dos de las formas en ...
- IDTechEx prevé que la innovaci... En una era marcada por un cambio global hacia soluciones energéticas sostenibles, la industria del hidrógeno está a la vanguardia de esta ola transformadora. El...
- Los ingenieros usan el grafeno... En 2016, las ventas anuales mundiales de semiconductores alcanzaron su punto más alto, con 339.000 millones de dólares en todo el mundo. En ese mi...
- El proyecto EROS desarrolla nu... El sector del transporte es actualmente el mayor emisor de gases de efecto invernadero, seguido de la industria y de la generación de electricidad. En este cont...
- Proyecto europeo cloud SmartCL... ¿Cómo se pueden implementar soluciones en la nube de forma rápida, operar de forma segura y expandirse fácilmente? CONTACT Software, la Fundación Eclipse y otro...