Monitorización de Salud de Baterías Impulsada por IA Mejora Longevidad y Seguridad

Investigadores han diseñado una nueva forma de monitorizar baterías enviando pulsos eléctricos en ellas y midiendo la respuesta. Las mediciones son luego procesadas por un algoritmo de aprendizaje automático para predecir la salud y vida útil restante de la batería. El método es no invasivo y es un complemento simple para cualquier sistema de batería existente.

Predecir el estado de salud y la vida útil restante de baterías de iones de litio es uno de los grandes problemas que limitan la adopción generalizada de vehículos eléctricos y también afecta la seguridad de teléfonos móviles. Con el tiempo, el rendimiento de la batería se degrada a través de una compleja red 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 vida útil de la batería.

Los métodos actuales para predecir la salud de la batería se basan en rastrear la corriente y voltaje durante la carga y descarga de la batería. Esto pierde características importantes que indican salud de la batería. Rastrear los muchos procesos que ocurren dentro de la batería requiere nuevas formas de sondear baterías en acción así como nuevos algoritmos que puedan detectar señales sutiles mientras se cargan y descargan.

Los investigadores diseñaron una forma de monitorizar una batería enviando pulsos eléctricos en ella y midiendo su respuesta. Un modelo de aprendizaje automático se usa luego para descubrir características específicas en la respuesta eléctrica que son la señal reveladora del envejecimiento de la batería. Los investigadores realizaron más de 20.000 mediciones experimentales para entrenar el modelo. Importante, el modelo aprende a distinguir señales importantes de ruido irrelevante. El método es no 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 correlacionadas con el envejecimiento, lo que a su vez les permite diseñar experimentos específicos para sondear por qué y cómo se degradan las baterías.

La plataforma de aprendizaje automático se está usando para entender la degradación en diferentes químicas de baterías. Protocolos óptimos de carga de baterías están siendo desarrollados, impulsados por aprendizaje automático, para permitir carga rápida y minimizar degradación.