Los investigadores 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 contribuir al desarrollo de baterías más seguras y fiables para vehículos eléctricos y electrónica de consumo.

Los investigadores, de las universidades de Cambridge y Newcastle, han diseñado una nueva forma de controlar las baterías enviándoles pulsos eléctricos y midiendo la respuesta. Luego, las mediciones son procesadas por un algoritmo de aprendizaje automático para predecir el estado de la batería y su vida útil. Su método no es invasivo y es un simple complemento a cualquier sistema de batería existente. Los resultados se informan en la revista. Comunicaciones de la naturaleza .

Predecir el 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 familiar para los usuarios de teléfonos móviles. Tiempo extraordinario, El rendimiento de la batería se degrada a través de una compleja red de sutiles procesos químicos. Individualmente, cada uno de estos procesos no tiene mucho efecto en el rendimiento de la batería, pero colectivamente pueden acortar gravemente el rendimiento y la vida útil de una 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 pasa por alto características importantes que indican el estado de la batería. El seguimiento de los muchos procesos que están sucediendo 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 confiabilidad son los criterios de diseño más importantes a medida que desarrollamos baterías que pueden almacenar mucha energía en un espacio pequeño, "dijo el Dr. Alpha Lee del Laboratorio Cavendish de Cambridge, quien codirigió la investigación. "Al mejorar el software que supervisa la carga y descarga, y el uso de 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 monitorear las baterías enviándoles pulsos eléctricos y midiendo su respuesta. Luego, se utiliza 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 mayor conjunto de datos de su tipo. En tono rimbombante, el modelo aprende a distinguir señales importantes del ruido irrelevante. Su método no es invasivo y es un simple complemento a cualquier sistema de batería existente.

Los investigadores también demostraron que el modelo de aprendizaje automático se puede interpretar para dar pistas sobre el mecanismo físico de degradación. El modelo puede informar qué señales eléctricas están más correlacionadas 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 co-primer autor, 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 la batería. También están desarrollando protocolos de carga de batería óptimos, impulsando el aprendizaje automático, para permitir una carga rápida y minimizar la degradación.