Et team af forskere ledet af Dr. Gareth Conduit ved Institute of Materials Research and Engineering på A * STAR, og Nanyang Technological University har brugt AI til at forudsige elektriske køretøjs batteritilstande og til at give en 'nøjagtig' forudsigelse for tilstanden af lithiumionceller af afgift og sundhed.
Ifølge den offentliggjorte artikel kunne den datadrevne maskinindlæringsmodel teknologi give producenter mulighed for at integrere softwaren lige ind i deres batterienheder for at forbedre dets cyklustid op til 6% i forhold til typiske batterimodeller, der forkert beregner levetiden med omkring 10%.
Batteriets ydeevne, pris og sikkerhed er de faktorer, der bestemmer den vellykkede udvikling af elektriske køretøjer (EV'er). Fra nu af foretrækkes lithium-ion (Li-ion) batterier frem for andre batterier på grund af deres cyklustid og rimelig energitæthed. Men hvis der foretages yderligere undersøgelser af Li-ion-batterier, vil det føre til mere komplicerede batteridynamikker, hvor sikkerhed og effektivitet bliver et anliggende. På grund af dette er et avanceret batteristyringssystem, der kan optimere og overvåge sikkerheden afgørende for elektrificering af køretøjer.
Maskinindlæringsalgoritmer er blevet implementeret for at forudsige helbredstilstand, ladningstilstand og resterende brugstid. Der har været fokus på datadrevne modeller, og disse er blevet kombineret med maskinlæringsteknikker. Disse modeller ser ud til at være mere kraftfulde og kan forudsige uden forudgående kendskab til systemet udover at opnå høj nøjagtighed med lave beregningsomkostninger. Med de reducerede omkostninger ved datalagringsenheder og fremskridt inden for beregningsteknologier synes datadrevet maskinindlæring at være den mest lovende tilgang til avanceret batterimodellering i fremtiden.
Formålet med undersøgelsen er at skabe en transformerende effekt på batteribranchen og fremhæve, hvordan maskinindlæring nøjagtigt kan forudsige og forbedre batteriets sundhed og levetid. Dette gør det muligt for producenterne at integrere softwaren direkte i deres batterienheder og forbedre deres in-life service for forbrugeren.