인공 지능으로 배터리 상태 및 안전 개선

연구원들은 배터리에 전기 펄스를 보내고 응답을 측정하여 배터리를 모니터링하는 새로운 방법을 설계했습니다. 그런 다음 측정값은 기계 학습 알고리즘에 의해 처리되어 배터리의 상태와 사용 수명을 예측합니다. 이 방법은 비침습적이며 기존 배터리 시스템에 간단히 추가할 수 있습니다.

리튬 이온 배터리의 건강 상태와 남은 수명을 예측하는 것은 전기 자동차의 보급을 제한하는 큰 문제 중 하나이며 휴대 전화의 안전성에도 영향을 미칩니다. 시간이 지남에 따라 배터리 성능은 미묘한 화학 공정의 복잡한 네트워크를 통해 저하됩니다. 이러한 각 프로세스는 개별적으로는 배터리 성능에 큰 영향을 미치지 않지만 전체적으로는 배터리의 성능과 수명을 심각하게 단축시킬 수 있습니다.

배터리 상태를 예측하는 현재 방법은 배터리 충전 및 방전 중 전류 및 전압 추적을 기반으로 합니다. 이것은 배터리 상태를 나타내는 중요한 기능을 놓칩니다. 배터리 내에서 발생하는 많은 프로세스를 추적하려면 작동 중인 배터리를 조사하는 새로운 방법과 충전 및 방전 시 미묘한 신호를 감지할 수 있는 새로운 알고리즘이 필요합니다.

연구원들은 전기 펄스를 배터리에 보내고 응답을 측정하여 배터리를 모니터링하는 방법을 설계했습니다. 그런 다음 기계 학습 모델을 사용하여 배터리 노화의 징후인 전기적 응답의 특정 기능을 발견합니다. 연구원들은 모델을 훈련시키기 위해 20,000회 이상의 실험적 측정을 수행했습니다. 중요한 것은 이 모델이 중요한 신호와 관련 없는 잡음을 구별하는 방법을 배운다는 것입니다. 이 방법은 비침습적이며 기존 배터리 시스템에 간단히 추가할 수 있습니다.

연구원들은 또한 기계 학습 모델이 물리적 성능 저하 메커니즘에 대한 힌트를 제공하기 위해 해석될 수 있음을 보여주었습니다. 이 모델은 어떤 전기 신호가 노화와 가장 관련이 있는지 알려줄 수 있으며, 이를 통해 배터리 성능이 저하되는 이유와 방법을 조사하기 위한 특정 실험을 설계할 수 있습니다.

기계 학습 플랫폼은 다양한 배터리 화학 물질의 성능 저하를 이해하는 데 사용됩니다. 빠른 충전을 가능하게 하고 성능 저하를 최소화하기 위해 머신 러닝으로 구동되는 최적의 배터리 충전 프로토콜이 개발되고 있습니다.