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
- Plataforma con tecnología euro... Mediante la combinación de un sistema en chip multinúcleo creado por Cobham Gaisler junto con XtratuM, el hypervisor de fentISS cualificado para el espacio, De...
- Bobinas superconductoras para ... Un equipo dirigido por los físicos de la Universidad Técnica de Múnich (TUM) Christoph Utschick y el profesor Rudolf Gross ha conseguido fabricar una bobina con...
- Televés logra la certificación... Televés ha sido uno de los fabricantes en obtener la certificación Certificación Zhaga D4i a nivel de luminaria, para sus series Cies, Urban (Alameda y Maia), y...
- Un modelo de IA acelera la vis... Un vehículo autónomo debe reconocer con rapidez y precisión los objetos que encuentra, desde un camión de reparto aparcado en la esquina hasta un ciclista que s...
- El radar de automoción: miniat... El radar ha sido una de las incorporaciones más importantes a los vehículos en las dos últimas décadas. Proporciona lujosos sistemas avanzados de asistencia al ...
- El uso combinado de sistemas d... Según datos del Banco Mundial, el consumo de energía se incrementará en un 35% de cara a 2035. Por ello, la búsqueda de formas de producción que consigan increm...
- Nuevos composites sostenibles ... AIMPLAS participa en el proyecto ECOXY bajo la coordinación de CIDETEC para desarrollar composites reforzados que cumplan con las altas exigencias de sec...
- Oportunidades de diseño del Io... Mouser ha publicado un nuevo libro electrónico en colaboración con Renesas Electronics, donde se explora el uso de la inteligencia artificial (IA) y el aprendiz...
- Impresión con nanopartículas d... Xaar plc y Lawter, junto con su compañía matriz Harima Chemicals Group (HCG), anuncia una colaboración para optimizar el rendimiento de una...
- Primer laboratorio industrial ... El mundo digital y las relaciones comerciales caminan de la mano desde hace más de una década y el nuevo reto al que se enfrentan es conseguir que...
- La electrónica impresa permite... Los avances en electrónica impresa están facilitando innovadores desarrollos como pantallas flexibles y enrollables para diferentes aplicaciones c...
- Bioplásticos para automoción, ... AIMPLAS, Instituto Tecnológico del Plástico, ha coordinado el proyecto europeo DAFIA cuyo objetivo era valorizar residuos sólidos urbanos y desechos de la indus...