Monitoramento de Saúde de Baterias Impulsionado por IA Aumenta Longevidade e Segurança

Pesquisadores projetaram uma nova maneira de monitorar baterias enviando pulsos elétricos nelas e medindo a resposta. As medições são então processadas por um algoritmo de aprendizado de máquina para prever a saúde da bateria e vida útil restante. O método é não invasivo e é um adendo simples a qualquer sistema de bateria existente.

Prever o estado de saúde e a vida útil restante útil de baterias de íon-lítio é um dos grandes problemas limitando adoção generalizada de veículos elétricos e também afeta a segurança de telefones móveis. Ao longo do tempo, o desempenho da bateria degrada via uma complexa rede de processos químicos sutis. Individualmente, cada um desses processos não tem muito efeito no desempenho da bateria, mas coletivamente, eles podem encurtar severamente o desempenho e vida útil da bateria.

Métodos atuais para prever saúde de baterias baseiam-se no rastreamento de corrente e tensão durante carregamento e descarregamento da bateria. Isso perde características importantes que indicam saúde da bateria. Rastrear os muitos processos que estão acontecendo dentro da bateria requer novas maneiras de sondar baterias em ação, bem como novos algoritmos que podem detectar sinais sutis enquanto são carregadas e descarregadas.

Os pesquisadores projetaram uma maneira de monitorar uma bateria enviando pulsos elétricos nela e medindo sua resposta. Um modelo de aprendizado de máquina é então usado para descobrir características específicas na resposta elétrica que são o sinal revelador de envelhecimento da bateria. Os pesquisadores realizaram mais de 20.000 medições experimentais para treinar o modelo. Importantemente, o modelo aprende como distinguir sinais importantes de ruído irrelevante. O método é não invasivo e é um adendo simples a qualquer sistema de bateria existente.

Os pesquisadores também mostraram que o modelo de aprendizado de máquina pode ser interpretado para dar dicas sobre o mecanismo físico de degradação. O modelo pode informar quais sinais elétricos são mais correlacionados com envelhecimento, o que por sua vez permite que eles projetem experimentos específicos para sondar por que e como as baterias degradam.

A plataforma de aprendizado de máquina está sendo usada para entender degradação em diferentes químicas de bateria. Protocolos ótimos de carregamento de bateria estão sendo desenvolvidos, alimentados por aprendizado de máquina, para permitir carregamento rápido e minimizar degradação.