08.04.2020 - University of Cambridge

Técnicas de IA utilizadas para mejorar la salud y seguridad de las baterías

Los investigadores han diseñado un método de aprendizaje de la máquina que puede predecir la salud de la batería con una precisión 10 veces superior a la norma actual de la industria, lo que podría ayudar en el desarrollo de baterías más seguras y fiables para los vehículos eléctricos y la electrónica de consumo.

Los investigadores, de las Universidades de Cambridge y Newcastle, han diseñado una nueva forma de monitorear las baterías enviando pulsos eléctricos a ellas y midiendo la respuesta. Las mediciones son procesadas por un algoritmo de aprendizaje de máquina para predecir la salud y la vida útil de la batería. Su método no es invasivo y es un simple complemento para cualquier sistema de baterías existente.

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 los vehículos eléctricos: también es una molestia familiar para los usuarios de teléfonos móviles. Con el tiempo, el rendimiento de las baterías 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 severamente el rendimiento y la vida útil de una batería.

Los métodos actuales para predecir la salud de las baterías se basan en el seguimiento de la corriente y el voltaje durante la carga y descarga de las baterías. De esta manera se pasan por alto importantes características que indican la salud de la batería. El seguimiento de los muchos procesos que están ocurriendo dentro de la batería requiere nuevas formas de sondear las baterías en acción, así como nuevos algoritmos que puedan 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 empacar mucha energía en un espacio pequeño", dijo el Dr. Alpha Lee del Laboratorio Cavendish de Cambridge, quien co-dirigió la investigación. "Al mejorar el software que monitorea la carga y la 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 las baterías".

Los investigadores diseñaron una forma de monitorear las baterías enviando pulsos eléctricos y midiendo su respuesta. Un modelo de aprendizaje de la máquina se utiliza para descubrir características específicas en la respuesta eléctrica que son el signo revelador del envejecimiento de las baterías. Los investigadores realizaron más de 20.000 mediciones experimentales para entrenar el modelo, el mayor conjunto de datos de su clase. Es importante que el modelo aprenda a distinguir las señales importantes del ruido irrelevante. Su método no es invasivo y es un simple complemento para cualquier sistema de baterías existente.

Los investigadores también demostraron que el modelo de aprendizaje de la máquina puede ser interpretado para dar pistas sobre el mecanismo físico de la 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 por máquina complementa y aumenta la comprensión física", dijo el Dr. Yunwei Zhang, también del Laboratorio Cavendish. "Las señales interpretables identificadas por nuestro modelo de aprendizaje de máquinas son un punto de partida para futuros estudios teóricos y experimentales".

Los investigadores están usando ahora su plataforma de aprendizaje automático para entender la degradación en las diferentes químicas de las baterías. También están desarrollando protocolos óptimos de carga de baterías, alimentados por el aprendizaje automático, para permitir una carga rápida y minimizar la degradación.

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Hechos, antecedentes, expedientes
  • baterías
  • inteligencia artificial
Más sobre University of Cambridge