Darbo eiga, skirta nuspėti visą akumuliatoriaus įkrovimo kreivę pagal įkrovimo kreivės dalį. Kaip įvestis gali būti naudojamas tiek ištisinis segmentas, tiek keli atskirti segmentai. Išėjimo įkrovos kreivė gali nustatyti daugybę pagrindinių būsenų (SOC, SOH ir likusią energiją) ir netgi akumuliatoriaus senėjimo mechanizmą naudojant dQ dV.−1 analizė. Kreditas: Pažangus mokslas (2023). DOI: 10.1002/advs.202301737 Ličio jonų baterijos yra daugelio mūsų mėgstamiausių įrenginių, pvz., mobiliųjų telefonų ir nešiojamųjų kompiuterių, maitinimo šaltinis, o jų buvimas ir toliau plėsis, kai elektrinės transporto priemonės taps nauju standartu, pakeičiančiu benzinu varomus automobilius.
Naudojant nešiojamąjį maitinimo šaltinį, reikalingos aukščiausios klasės saugos ir priežiūros funkcijos. Tyrėjų komanda iš Carnegie Mellon ir Teksaso universiteto Ostine sukūrė akumuliatoriaus valdymo sistemą, kuri atlieka esminę akumuliatoriaus būklės diagnostiką, kad vairuotojai galėtų priimti pagrįstus sprendimus. Modelyje nagrinėjamos dvi pagrindinės diagnostikos – įkrovos būsena ir sveikatos būklė.
Trumpuoju laikotarpiu, žvelgdami į įkrovimo būseną, vairuotojai žino, ar jie turi pakankamai energijos, kad pasiektų tikslą, o ilgalaikėje perspektyvoje akumuliatoriaus būklės duomenys gali nustatyti, ar laikas pakeisti akumuliatorių, atsižvelgiant į jo gebėjimą išlaikyti akumuliatorių. mokestis, palyginti su tuo, kai jis buvo naujas.
Reeja Jayan paaiškina, kad nors baterijų valdymo sistemos jau yra daugumoje elektromobilių, yra keletas savybių, dėl kurių šis naujasis modelis išsiskiria iš kitų.
„Turėjome maždaug 11 000 eksperimentiškai surinktų tam tikros baterijos katodo chemijos įkrovimo kreivių duomenų bazę“, – sakė mechanikos inžinerijos docentas Jayanas. „Mes juos panaudojome mokydami mašininio mokymosi modelį, kad galėtume numatyti visas įkrovimo kreives, naudojant negausius duomenų įvestis.”
Šio tyrimo unikalumas ir praktiškumas yra tas, kad ši mašininiu mokymusi pagrįsta akumuliatoriaus valdymo sistema sunaudoja minimalų duomenų – tik penkis procentus akumuliatoriaus įkrovimo kreivės – ir sukuria įkrovimo prognozę, kurios paklaida yra du procentai. Pats duomenų rinkimas taip pat yra daug paprastesnis, norint apskaičiuoti kreivę ir nustatyti akumuliatoriaus būklę, reikia tik apie 15 minučių įkrovimo.
Šią informaciją galima rinkti net pakopomis, todėl net ir nutrūkus įkrovimui, tai nesugadintų vykdomos analizės. Su tokiu įspūdingu tikslumo rodikliu šis modelis buvo naudojamas prognozuoti visiškai kitokią katodo chemiją. Atnaujinta versija bus mažiau pagrįsta duomenimis, o į baterijos įkrovimo kreivių skaičiavimą bus įtraukti fiziniai komponentai.
Nors laboratorijoje surinkti duomenų rinkiniai buvo naudingi mokant pradinį mašininio mokymosi modelį, kad būtų galima numatyti, šis šaltinis taip pat turėjo apribojimų, nes jis nepadėjo tyrėjams tiksliai nustatyti konkrečių veiksnių, dėl kurių sugenda akumuliatoriai.
„Įkrovimo kreivės, kurias naudojome tyrime, buvo renkamos esant pastoviam c greičiui ir kambario temperatūrai”, – sakė Jayanas, „tačiau įkrovimo srovė ir temperatūra labai skiriasi realiose baterijų programose. Renkant ir naudojant tikrus duomenis kaip įvestis mašininio mokymosi modeliai bus svarbus kitas žingsnis tobulinant modelį.
Aplinkos veiksnių naudojimas akumuliatoriaus įkrovimo ir galiausiai iškrovimo kreivėms apskaičiuoti būtų sudėtingesnis nei žmonės galėtų sukurti.
„Šiuo metu turime modelį, kuris naudoja neprižiūrimą piko atpažinimo algoritmą, kad nustatytų specifines akumuliatoriaus įkrovimo kreivių savybes“, – sako Jayanas. „Neuroninių tinklų modeliai žengia dar vieną žingsnį į priekį, sužinodami, kodėl gali pasikeisti akumuliatoriaus įkrovimo kreivės forma, pavyzdžiui, jei dalelė sulūžtų. Tokia kreivės formų ir įvairių akumuliatoriaus gedimo mechanizmų koreliacija bus labai svarbi akumuliatoriaus veikimo ir saugumo prognozė ateityje.
Komandų sistema yra ne tik interpretacinė ir nuspėjama, bet ir perkeliama į baterijas, pagamintas iš skirtingų katodų cheminių medžiagų. Nors ličio kobalto oksidas dešimtmečius buvo aukso standartas, jis taip pat gali būti brangus. Vis daugiau gamintojų gamina baterijas iš kitų medžiagų, todėl prasminga turėti jiems pritaikytą sistemą. (Modelis pirmą kartą buvo išbandytas ant ličio nikelio oksido katodų ir sėkmingai perkeltas į ličio kobalto oksidą.)
Tikslus akumuliatoriaus būklės įvertinimas taip pat svarbus siekiant sumažinti susirūpinimą dėl saugos, kai susiduriama su naujomis baterijų medžiagomis, nes jų ilgaamžiškumas ir patvarumas nebuvo taip plačiai ištirtas, tačiau tikėtina, kad jais bus galima pasikliauti, kad tilptų vis daugiau transporto priemonių.
Vienas iš naudingiausių išteklių šios tyrimų srities ateičiai yra duomenys, paimti iš kelyje esančių elektromobilių akumuliatorių. Naudojant realaus pasaulio figūras ir sudėtingus neuroninius tinklus, baterijų valdymo sistemos galės vis tiksliau prognozuoti įkrovimą ir išsikrovimą, o tai turės įtakos elektrinių transporto priemonių priežiūrai, kai jos tampa vis įprastesnės.
Jayan ir jos bendradarbiai pateikė paraišką dėl šio tyrimo patento, o dokumentas, kuriame išsamiai aprašomos šio modelio galimybės, neseniai buvo paskelbtas m. Pažangus mokslas.
Daugiau informacijos: Laisuo Su ir kt., Akumuliatoriaus įkrovimo kreivės numatymas naudojant funkcijų ištraukimą ir prižiūrimą mašininį mokymąsi, Pažangus mokslas (2023). DOI: 10.1002/advs.202301737
Citata: Numatoma nešiojama galia: naujas mašininio mokymosi modelis nustato akumuliatoriaus įkrovą ir būklę naudodamas minimalius duomenis (2023 m. rugpjūčio 21 d.), gautas 2023 m. rugpjūčio 21 d. iš https://techxplore.com/news/2023-08-portable-power-machine-battery- sveikata.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
