Tecnología

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

Convertronic

GM2 Publicaciones Técnicas, S.L.
Tel.: +34 91 706 56 69
Poema Sinfónico, 27. Esc B. Planta 1 Pta 5
28054 (Madrid - SPAIN)
e-mail: gm2@gm2publicacionestecnicas.com ó consultas@convertronic.net

Suscríbete a nuestro boletín de noticias

© 2019 Convertronic electrónica para ingenierías e integradores de sistemas. Todos los derechos reservadosIT FREAK COMPANY OnServices

Search