AI 기반 배터리 건강 모니터링으로 수명·안전성 향상

연구자들은 전기 펄스를 배터리에 보내고 응답을 측정하여 배터리를 모니터링하는 새로운 방법을 설계했습니다. 측정값은 머신러닝 알고리즘으로 처리되어 배터리 건강 상태와 유용 수명을 예측합니다. 이 방법은 비침습적이며 기존 배터리 시스템에 간단히 추가할 수 있습니다.

리튬이온 배터리 건강 상태와 잔여 유용 수명 예측은 전기차 광범위한 채택을 제한하는 큰 문제 중 하나이며 모바일폰 안전에도 영향을 미칩니다. 시간이 지남에 따라 복잡한 미세 화학 공정 네트워크로 배터리 성능이 저하됩니다. 개별적으로는 각 공정이 배터리 성능에 큰 영향을 주지 않지만 집합적으로는 배터리 성능과 수명을 심각하게 단축할 수 있습니다.

배터리 건강 예측 현재 방법은 충방전 중 전류와 전압 추적에 기반합니다. 이는 배터리 건강을 나타내는 중요한 특징들을 놓칩니다. 배터리 내부에서 일어나는 많은 공정 추적에는 배터리를 작동 중 탐침하는 새로운 방식과 충방전 중 미세 신호 탐지 새 알고리즘이 필요합니다.

연구자들은 전기 펄스를 배터리에 보내고 응답을 측정하는 배터리 모니터링 방법을 설계했습니다. 머신러닝 모델로 전기 응답에서 배터리 노화의 명백한 징후인 특정 특징들을 발견합니다. 연구자들은 모델 훈련을 위해 20,000회 이상 실험 측정을 수행했습니다. 중요한 건 모델이 중요한 신호를 무관한 노이즈에서 구별하는 법을 배운다는 점입니다. 이 방법은 비침습적이며 기존 배터리 시스템에 간단한 추가입니다.

연구자들은 머신러닝 모델이 해석 가능해 열화 물리적 메커니즘에 대한 힌트도 줄 수 있음을 보였습니다. 모델은 노화와 가장 상관관계 높은 전기 신호가 무엇인지 알려주며, 이는 배터리가 왜 어떻게 열화되는지 탐구하기 위한 특정 실험 설계로 이어집니다.

머신러닝 플랫폼은 다양한 배터리 화학에서 열화 이해에 사용되고 있습니다. 머신러닝으로 구동되는 최적 배터리 충전 프로토콜이 개발되어 고속 충전 가능하게 하고 열화 최소화합니다.