แนวทางหลักของอนาคตระบบจัดการแบตเตอรี่ (BMS): การคาดการณ์สุขภาพของแบตเตอรี่ที่ใช้ AI

เมื่อความต้องการในการทํางานของแบตเตอรี่ของรถไฟฟ้า ระบบเก็บพลังงาน อุปกรณ์พลังงาน เครื่องมือพลังงาน เป็นต้น เพิ่มขึ้นข้อจํากัดของ BMS แบตเตอรี่ลิเดียมแบบดั้งเดิม กําลังเป็นที่สําคัญมากขึ้นและการนําเทคโนโลยี AI มาใช้กําลังปรับเปลี่ยนขอบเขตของการคาดการณ์สุขภาพของแบตเตอรี่ต่อไปนี้คือการวิเคราะห์ที่ครบถ้วนบนพื้นฐานของความก้าวหน้าทางเทคโนโลยีและแนวโน้มในอุตสาหกรรม:

อันดับแรก ความจํากัดของ BMS แบตเตอรี่ลิเดียมแบบดั้งเดิม ทําให้การนําเทคโนโลยี AI มาใช้งาน

ฟังก์ชันหลักของ BMS แบตเตอรี่ลิเดียมแบบดั้งเดิมประกอบด้วยการติดตามสภาพ (การประเมิน SOC / SOH) การจัดการการปรับปรุงความเย็น, การควบคุมอุณหภูมิ, เป็นต้น แต่ข้อจํากัดของมันมีความสําคัญ:

1การพึ่งพาแบบสถิติ:การประเมิน SOC/SOH แบบดั้งเดิมจะพัฒนาขึ้นจากความสอดคล้องระหว่างความกระชับกําลังและการชาร์จ หรือการบูรณาการกระแสปัจจุบันง่ายๆที่ปรับตัวได้ยากต่อสภาพการทํางานแบบไดนามิก และมีอัตราความผิดพลาดสูง (เฉพาะอย่างยิ่งในกรณีอุณหภูมิต่ําหรือการคูณสูง)2. การใช้ข้อมูลไม่เพียงพอ: มันพึ่งพาการเชื่อมโยงความกระชับกําลัง-การชาร์จหรือการบูรณาการกระแสปัจจุบันง่าย ๆ เท่านั้น
2การใช้ข้อมูลไม่เพียงพอ เพียงพึ่งพากลักษณะพื้นฐาน เช่น ความตึงเครียด แบตเตอรี่ แพค, ปัจจุบัน, อุณหภูมิ, ฯลฯ และการขาดการวิเคราะห์การหลอมรวมของข้อมูลที่ไม่เหมือนกันจากหลายแหล่ง (เช่น อุปสรรค, ความเครียด,การเปลี่ยนแปลงชั้น SEI).
3ความสามารถในการทํานายและเวลาจริงที่ไม่เพียงพอ อัลกอริทึมแบบดั้งเดิมส่วนใหญ่คือการจัดการแบบปฏิกิริยา ไม่สามารถเตือนถึงการเก่าของแบตเตอรี่ หรือความเสี่ยงจากการหลุดจากอุณหภูมิ และความเสี่ยงต่อความปลอดภัยล่วงหน้า
4. ข้อจํากัดของฮาร์ดแวร์ BMSสถาปัตยกรรมสายและพลังงานคอมพิวเตอร์ท้องถิ่นที่ไม่เพียงพอ ส่งผลให้มีต้นทุนการบํารุงรักษาที่สูงและการปรับขนาดที่ไม่ดี

นวัตกรรมในเทคโนโลยีการคาดการณ์สุขภาพของแบตเตอรี่ลิตยูที่ขับเคลื่อนด้วย AI

1. นวัตกรรมอัลการิทึม: การเรียนรู้ลึกและการเรียนรู้การย้าย

- LSTM และ BiLSTM:ข้อดีที่สําคัญในการประมวลผลข้อมูลชุดเวลา เช่น การศึกษาที่บรรลุความผิดพลาดการคาดการณ์อายุการใช้งานที่เหลือ < 5% ด้วยเพียง 15 วงจรการชาร์จข้อมูลผ่านแบบ LSTMและการทดลองอื่นที่ควบคุมความผิดพลาด SOH ภายใน 1% ภายใต้กรอบการเรียนรู้การย้าย.
- การรวมข้อมูลหลายแบบการรวมข้อมูลเซ็นเซอร์แรงดัน อุณหภูมิ และความเครียด เพื่อปรับปรุงความแข็งแกร่งของโมเดล เช่น ข้อมูลความเครียดทางเครื่องกลสามารถทํานายได้ดีกว่าข้อมูลอุณหภูมิในสภาพกระแสไฟฟ้าสูง
- การเรียนรู้การอพยพการแก้ไขปัญหาการสรุปทั่วไปสําหรับประเภทแบตเตอรี่ / สภาพที่แตกต่างกัน เช่น รูปแบบที่ได้รับการฝึกล่วงหน้าสามารถปรับปรุงให้กับประเภทแบตเตอรี่ใหม่ที่มีความผิดพลาดเฉลี่ยต่ํากว่า 1.4%

2. เซนเซอร์ฟิวชั่นและเอจคอมพิวเตอร์

- การบูรณาการเซ็นเซอร์ใหม่ตัวอย่างเช่น การติดตามความหนาชั้น SEI การตรวจสเปคโทรสโปติก impedance เพื่อให้มีมาตรฐานการแก่ตัวของแบตเตอรี่โดยตรงมากขึ้น
- AI-on-chip ที่ขอบ:การแก้ไข AI-BMS-on-chip ของ Eatron และ Syntiant ทําให้การตัดสินใจในเวลาจริงในท้องถิ่นสามารถผ่านโปรเซสเซอร์พลังงานต่ําสุดที่ขยายอายุการใช้งานแบตเตอรี่ถึง 25% และปลดปล่อย 10% ของกําลัง

3อาร์คิเทคชันการทํางานร่วมกันใน End-Cloud

- การฝึกอบรมข้อมูลขนาดใหญ่ในเมฆ + การพิจารณาในเวลาจริงตัวอย่างเช่น ระบบ AI-BMS ของ Wuling ที่ใช้ระบบเมฆรวมข้อมูลรถยนต์เป็นล้านๆ รายการ เพื่อทําการติดตามความปลอดภัยระดับสอง และกลยุทธ์เตือนก่อน 240 ครั้งAI BMS ของ Huawei เตือนถึงการสูญเสียการควบคุมทางความร้อน 24 ชั่วโมงล่วงหน้าโดยมีอัตราการเตือนเท็จเพียง 0.1%

การนําไปใช้ในอุตสาหกรรมและความก้าวหน้าในการพาณิชย์

1การจัดวางของผู้ผลิตหลัก

- วูลิง:แบตเตอรี่มี AI-BMS ที่พัฒนาเอง มียอดยอดรวม 2 ล้านยานยนต์ และไม่มีสถิติการเผาไหม้ด้วยตัวเองและสนับสนุนอัลการิทึมการเติมเต็มลิเดียมแบบไดนามิก เพื่อรักษาระดับสุขภาพ > 95%.
- ฮาวเวย์AI BMS ผสมผสานกลไกแบตเตอรี่และการเรียนรู้เครื่องจักร, ใช้กับการสอบถามชุดของรุ่น, ด้วยอัตราการตรวจสอบความเสี่ยงที่ 90%.
- นิงเด่ ทายส์:อัลกอริทึมการเติมของลิเดียมแบบไดนามิคถูกเชื่อมโยงอย่างลึกซึ้งกับ BMS เพื่อปรับปรุงผลงานของวงจรชีวิตทั้งหมดของแบตเตอรี่

2การค้นพบทางวิชาการ

- การวินิจฉัยแบบคาดการณ์ชิป AI-BMS ของอีทรอน สามารถระบุความล้มเหลวได้หลายเดือนก่อน
- การออกแบบวัสดุระดับโมเลกุลการพัฒนาของสารประกอบไฟฟ้าใหม่ (เช่น CF3SO2Li) ที่ได้รับความช่วยเหลือจาก AI เพื่อปรับปรุงความมั่นคงทางเคมีของแบตเตอรี่

ปัญหาและแนวโน้มในอนาคต

1ปัญหาทางเทคนิค

- ความเป็นส่วนตัวและความปลอดภัยของข้อมูลการฝึกข้อมูลในเมฆต้องปฏิบัติตาม GDPR และกฎหมายอื่น ๆ คอมพิวเตอร์ขอบสามารถบรรเทาปัญหานี้ได้บางส่วน
- การตีความแบบ:รูปแบบกล่องดําแทบจะไม่สามารถตอบสนองความต้องการของการรับรองความปลอดภัยรถยนต์ได้ และจําเป็นต้องนําไปผสมผสานกับรูปแบบทางกายภาพ (ตัวอย่างเช่น รูปแบบไฮบริดไฟฟ้าเคมี-AI)
- ค่าใช้จ่ายและการนับ:ค่าใช้จ่ายในการผลิตชิป AI ที่มีประสิทธิภาพสูงในขนาดใหญ่ยังคงสูง

2. แนวโน้มในอนาคต

- ระบบการเรียนรู้แบบปรับตัวปรับปรุงกลยุทธ์การชาร์จและการชาร์จให้ดีที่สุด ด้วยการเรียนรู้การเสริมทน เพื่อขยายอายุการใช้งานของแบตเตอรี่
- การจัดการวงจรชีวิตทั้งหมดจากการออกแบบวัสดุจนถึงการรีไซเคิล อีไอใช้ได้ทุกด้านของการวิจัยและพัฒนาแบตเตอรี่ การผลิต การใช้งานและการใช้งานในระดับรอง
- การจัดมาตรฐานและสิ่งแวดล้อมแหล่งเปิดสร้างชุดข้อมูลแบตเตอรี่ที่รวมกัน (เช่น CALCE, NASA Extension) เพื่อส่งเสริมการเปรียบเทียบและการทบทวนอัลการิธึมที่เที่ยงธรรม

สรุป

BMS ที่ใช้ AI ในการจัดการแบตเตอรี่ Li-ion กําลังเปลี่ยนจากการติดตามแบบปาสิฟ เป็นการคาดการณ์และปรับปรุงแบบมีสรรค์ โดยมีคุณค่าหลักของข้อมูลที่ใช้เพื่อปรับปรุงความปลอดภัย ความยาวนานและประสิทธิภาพพลังงานถึงแม้ว่าจะมีค่าใช้จ่าย ความเป็นส่วนตัว และความท้าทายในการจัดมาตรฐาน เทคโนโลยีจะขยายตัวเร็วกว่าแนวทางทางดั้งเดิมAI-BMS จะไม่ใช่เพียงแค่ "แม่บ้านฉลาด" สําหรับแบตเตอรี่แต่ยังเป็นหน่วยงานหลักในการดิจิตอลระบบพลังงาน ขับเคลื่อนอุตสาหกรรมรถพลังงานใหม่และอุตสาหกรรมเก็บพลังงานไปสู่ความน่าเชื่อถือและประหยัดสูงกว่า