AI可以对电池进行分类

基于仅在几个早期充电和放电循环中测量的因素，可以使用新的机器学习过程来预测锂离子电池循环寿命。显着的变化。通常，锂离子电池的容量在急剧下降之前会稳定一段时间。减少发生的点变化很大。预测哪些电池将持续时间最长是有问题的但如果制造商能够确定哪些电池将持续时间最长，他们可以将这些电池发送到更关键的应用(例如手机)，并将其余电池用于要求较低的设备。现在斯坦福大学，麻省理工学院和丰田研究所的科学家已经开发出一种技术，使用人工智能(AI)和机器学习过程来预测每个电池可以持续的循环次数，基于电压下降和一些其他因素在早期的周期中。根据斯坦福大学新闻稿提供的信息，机器学习方法也可用于加速新电池设计的研究和开发。

Atlantic Design&Manufacturing是东海岸领先的设计工程师贸易展，提供最新的3D打印，自动化和CAD / CAM软件，包括FedEx，GE Appliances，Procter&Gamble以及其他数百种软件。

“测试新电池设计的标准方法是对电池充电和放电，直到它们发生故障。由于电池使用寿命长，这个过程可能需要数月甚至数年，“斯坦福大学材料科学与工程博士候选人Peter Attia研究的共同主要作者说。“这是电池研究中的一个昂贵的瓶颈。”

根据新闻稿，“在研究人员用几亿个电池充电和放电数据点训练他们的机器学习模型后，该算法根据电压下降和其他一些因素预测每个电池可以持续多少个周期。早期的周期。“

算法所做的预测在细胞实际达到的循环次数的9%以内。该算法能够根据前五个充电/放电周期将电池分类为长寿命或短寿命，并且预测在95%的时间内都是正确的。研究人员已经将数据集 - 这是同类中最大的数据集 - 公开发布。

斯坦福大学的新闻稿称，“新方法有许多潜在的应用。例如，它可以缩短验证新型电池的时间，这对于材料的快速发展尤为重要。通过分选技术，确定具有短寿命的电动车辆电池 - 对于汽车来说太短 - 可以用来代替为街灯或备份数据中心供电。回收商可以从二手电动车电池组中找到电池，剩余容量可以用于第二次生命。“

麻省理工学院的项目团队由化学工程教授Richard Braatz领导，他的团队负责机器学习工作。“计算能力和数据生成的进步最近使机器学习能够加速各种任务的进展。这些包括材料特性的预测，“Braatz说。“我们的结果显示了我们如何能够预测未来复杂系统的行为。”

另一种可能性是优化电池制造。“制造电池的最后一步被称为'形成'，可能需要数天到数周，”Attia说。“使用我们的方法可以显着缩短这一点并降低生产成本。”

在形成期间，电池单元必须经过至少一个精确控制的充电和放电循环，该循环用于激活工作材料。代替使用典型的正常恒定电流 - 恒定电压充电曲线，在形成期间，充电开始于低电压，其逐渐累积。该过程用于在电池阳极上产生SEI(固体电解质界面)。

收集并记录容量和阻抗等数据，以便在形成阶段进行质量分析，并给出制造过程是否受控制的一些指示。它还应该能够剔除预期在其生命早期失败的细胞。

使用新数据集和AI推进电池测试是一大步。“对于电池开发所花费的所有时间和金钱来说，进步仍然是几十年来的进步，”丰田研究所的科学家帕特里克赫林说，他是研究团队的一员。“在这项工作中，我们正在减少一个最耗时的步骤 - 电池测试 - 一个数量级。”

高级编辑凯文克莱门斯30多年来一直在撰写有关能源，汽车和交通主题的文章。他拥有材料工程和环境教育硕士学位以及机械工程博士学位，专攻空气动力学。他在他的工作室里建立了几个关于电动摩托车的世界陆地速度记录。