数据驱动的机器学习是高级电池建模的最佳方法

 
近年来，由于对全球变暖的日益关注，对运输电气化的需求不断增长。电动汽车的广泛采用将导致减少有害排放物和清洁空气，以及其他社会和经济利益。电池行业需要用于电池制造商的软件解决方案，以减少制造和开发成本，同时改善关键电池指标。
AI正在释放电池技术，这将为清洁运输的未来提供动力，从而导致汽车行业的转变。但是，充电能力，能量密度和成本将需要大大提高。人工智能有可能影响电池开发并了解数据与电池参数之间的关系。
电池的性能，成本和安全性决定了电动汽车(EV)的成功开发，目前，锂离子(Li-ion)电池因其循环寿命和合理的能量密度而成为电动汽车的首选。
然而，对锂离子电池的进一步研究将导致更复杂的电池动力学，其中安全性和效率将成为人们关注的问题。
因此，能够优化和监控安全性的先进电池管理系统对于车辆电气化至关重要。
Gareth Conduit博士(剑桥大学文华实验室，Intellegens的共同创始人)，A * STAR材料研究与工程学院和南洋理工大学的合作评估了各种机器学习(ML)方法的快速性和准确性电池状态预测。该评论文章发表在《自然机器智能》上。
数据驱动的机器学习可优化电动汽车电池
机器学习算法已经实现，可以预测健康状态，收费状态和剩余使用寿命。
数据驱动的模型近年来引起了人们的关注，并且与机器学习技术相结合，这些模型似乎更强大并且能够在无需先验系统知识的情况下进行预测，并且具有以较低的计算成本实现高精度的潜力。
电池具有几个关键参数，包括电压，温度和变化状态。电池故障与这些参数的异常波动有关，因此准确预测它们对于确保电动汽车随着时间的推移安全可靠地运行至关重要。
一旦建立，预测模型就可以用于标准化流程，使所有利益相关者都可以使用相同的知识和工具，并在需要执行的实验数量和优化实验以最大程度减少对昂贵组件的需求方面降低成本或过程。
通过设计较少依赖有毒元素或工艺的实验和产品，可以减少对环境的影响。
电池行业的未来是什么样的?
随着数据存储设备成本的降低和计算技术的进步，数据驱动的机器学习似乎是未来高级电池建模的最有前途的方法。
此方法已用于解决许多高价值问题，成功实施的关键变量是数据可用性和数据质量。然而，最近出现了应用机器学习方法来帮助优化电池行业各个方面的浪潮。
在这两种情况下，来自多个领域的数据(包括来自失败实验的数据)的使用在加速和优化电池设计，化学和管理系统中都起着至关重要的作用。
Gareth Conduit博士(剑桥大学皇家学会研究研究员，Intellegens首席技术官)评论
“我们的机器学习技术Alchemite可以在稀疏和嘈杂的数据集中看到输入和输出中所有可用参数之间的相关性。结果是可以预测缺失值，发现错误并优化目标属性的精确模型。能够处理数据只需完成0.05%的完成，Alchemite就能解决传统机器学习方法无法解决的数据问题。”
Alchemite在药物发现，先进材料，患者分析，预测性维护和电池方面提供突破性的解决方案，使组织能够突破数据分析瓶颈，减少花费在研究上的时间和金钱，并支持更好，更快的决策。
这篇评论文章中的见解可能会对电池行业产生变革性的影响。强调机器学习如何能够准确地预测和改善电池的健康状况和寿命，将使制造商能够将此软件直接嵌入其电池设备中，并改善其为消费者提供的使用寿命服务。