基于僅在幾個早期充電和放電循環中測量的因素，可以使用新的機器學習過程來預測鋰離子電池循環壽命。雖然商業鋰離子電池生產是一種高度自動化的過程，但是從裝配線上下來的產品仍然存在顯著的變化。通常，鋰離子電池的容量在急劇下降之前會穩定一段時間。減少發生的點變化很大。預測哪些電池將持續時間最長是有問題的但如果制造商能夠確定哪些電池將持續時間最長，他們可以將這些電池發送到更關鍵的應用(例如手機)，并將其余電池用于要求較低的設備。

現在斯坦福大學，麻省理工學院和豐田研究所的科學家已經開發出一種技術，使用人工智能(AI)和機器學習過程來預測每個電池可以持續的循環次數，基于電壓下降和一些其他因素在早期的周期中。根據斯坦福大學新聞稿提供的信息，機器學習方法也可用于加速新電池設計的研究和開發。

加拿大設計與制造部門專注于對您而言至關重要的最新軟件和產品。深入探索生成設計，電子元件，3D打印，快速原型設計和機器學習等令人興奮的創新。學到更多!

“測試新電池設計的標準方法是對電池充電和放電，直到它們發生故障。由于電池使用壽命長，這個過程可能需要數月甚至數年，“斯坦福大學材料科學與工程博士候選人Peter Attia研究的共同主要作者說。“這是電池研究中的一個昂貴的瓶頸。”

根據新聞稿，“在研究人員用幾億個電池充電和放電數據點訓練他們的機器學習模型后，該算法根據電壓下降和其他一些因素預測每個電池可以持續多少個周期。早期的周期。“

算法所做的預測在細胞實際達到的循環次數的9%以內。該算法能夠根據前五個充電/放電周期將電池分類為長壽命或短壽命，并且預測在95%的時間內都是正確的。研究人員已經將數據集 - 這是同類中最大的數據集 - 公開發布。

許多潛在的應用

斯坦福大學的新聞稿稱，“新方法有許多潛在的應用。例如，它可以縮短驗證新型電池的時間，這對于材料的快速發展尤為重要。通過分選技術，確定具有短壽命的電動車輛電池 - 對于汽車來說太短 - 可以用來代替為街燈或備份數據中心供電?；厥丈炭梢詮亩蛛妱榆囯姵亟M中找到電池，剩余容量可以用于第二次生命。“

麻省理工學院的項目團隊由化學工程教授Richard Braatz領導，他的團隊負責機器學習工作。“計算能力和數據生成的進步最近使機器學習能夠加速各種任務的進展。這些包括材料特性的預測，“Braatz說。“我們的結果顯示了我們如何能夠預測未來復雜系統的行為。”

另一種可能性是優化電池制造。“制造電池的最后一步被稱為'形成'，可能需要數天到數周，”Attia說。“使用我們的方法可以顯著縮短這一點并降低生產成本。”

在形成期間，電池單元必須經過至少一個精確控制的充電和放電循環，該循環用于激活工作材料。代替使用典型的正常恒定電流 - 恒定電壓充電曲線，在形成期間，充電開始于低電壓，其逐漸累積。該過程用于在電池陽極上產生SEI(固體電解質界面)。

收集并記錄容量和阻抗等數據，以便在形成階段進行質量分析，并給出制造過程是否受控制的一些指示。它還應該能夠剔除預期在其生命早期失敗的細胞。

使用新數據集和AI推進電池測試是一大步。“對于電池開發所花費的所有時間和金錢來說，進步仍然是幾十年來的進步，”豐田研究所的科學家帕特里克赫林說，他是研究團隊的一員。“在這項工作中，我們正在減少一個最耗時的步驟 - 電池測試 - 一個數量級。”

高級編輯凱文克萊門斯30多年來一直在撰寫有關能源，汽車和交通主題的文章。他擁有材料工程和環境教育碩士學位以及機械工程博士學位，專攻空氣動力學。他在他的工作室里建立了幾個關于電動摩托車的世界陸地速度記錄。