مسیر اصلی آیندهسیستم های مدیریت باتری (BMS): پیش بینی سلامت باتری با هوش مصنوعی

با افزایش الزامات عملکرد باتری خودروهای الکتریکی، سیستم های ذخیره سازی انرژی، تجهیزات برق، ابزار الکتریکی و غیره،محدودیت های باتری لیتیوم سنتی BMS ها به طور فزاینده ای برجسته می شوند، و معرفی تکنولوژی هوش مصنوعی در حال تعریف مجدد مرزهای پیش بینی سلامت باتری است.در زیر یک تحلیل جامع بر اساس پیشرفت های تکنولوژیکی موجود و روند صنعت ارائه شده است:

اول، محدودیت های باتری لیتیوم سنتی BMS، کاربرد فناوری هوش مصنوعی را هدایت می کند.

توابع اصلی BMS باتری لیتیوم سنتی شامل نظارت بر وضعیت (ارزیابی SOC / SOH) ، مدیریت تعادل فعال، کنترل دمای و غیره است، اما محدودیت های آن قابل توجه است.:

1وابستگی مدل استاتیک:برآورد سنتی SOC/SOH بر اساس رابطه ولتاژ و بار یا یکپارچه سازی جریان ساده است.که سازگاری با شرایط عملیاتی پویا دشوار است و میزان خطای بالایی دارد (به ویژه در سناریوهای دمای پایین یا تکثیر بالا)استفاده ناکافی از داده ها: این تنها به همبستگی ولتاژ-شارژ یا یکپارچه سازی جریان ساده تکیه می کند.
2استفاده ناکافی از داده ها: تنها به پارامترهای اساسی مانند ولتاژ باتری، جریان، دمای و غیره تکیه می کنند و عدم تجزیه و تحلیل فیوژن از داده های ناهمگن از منابع متعدد (به عنوان مثال، مقاومت، فشار،تغییرات لایه SEI).
3. قابلیت زمان واقعی و پیش بینی ناکافی: الگوریتم های سنتی عمدتاً مدیریت واکنشی هستند، قادر به هشدار دادن در مورد پیری باتری یا خطر فرار حرارتی و خطرات ایمنی از قبل نیستند.
4محدودیت های سخت افزاری BMS:معماری سیم کشی و قدرت محاسبات محلی ناکافی، که منجر به هزینه های نگهداری بالا و مقیاس پذیری ضعیف می شود.

نوآوری در فناوری پیش بینی سلامت باتری لیتیوم مبتنی بر هوش مصنوعی

1نوآوری الگوریتم: یادگیری عمیق و یادگیری مهاجرت

- LSTM و BiLSTM:مزایای قابل توجهی در پردازش داده های سری زمانی، به عنوان مثال یک مطالعه با تنها 15 چرخه شارژ داده ها از طریق مدل LSTM، خطا پیش بینی عمر باقی مانده < 5٪ را به دست آورد.و یک آزمایش کنترل شده دیگر خطا SOH در حدود 1٪ در چارچوب یادگیری مهاجرت.
- همجوشی اطلاعات چند روشی:ترکیب داده های سنسور ولتاژ، درجه حرارت و فشرده سازی برای بهبود پایداری مدل. به عنوان مثال، داده های فشرده سازی مکانیکی پیش بینی کننده تر از داده های دمایی در شرایط جریان بالا است.
- آموزش مهاجرت:حل مسئله تعمیم برای انواع مختلف باتری ها / شرایط. به عنوان مثال یک مدل از پیش آموزش دیده می تواند با یک خطای متوسط کمتر از 1.4٪ به انواع جدید باتری ها سازگار شود.

2فيوژن حسگرها و محاسبات کناري

- ادغام حسگر هاي جديد:به عنوان مثال، نظارت بر ضخامت لایه SEI، طیف سنجی مقاومت برای ارائه معیارهای مستقیم پیر شدن باتری.
- هوش مصنوعی روی تراشه در کنار:راه حل AI-BMS-on-chip Eatron و Syntiant تصمیم گیری های محلی در زمان واقعی را از طریق یک پردازنده بسیار کم مصرف که طول عمر باتری را 25٪ افزایش می دهد و 10٪ ظرفیت را آزاد می کند، امکان پذیر می کند.

3. معماری همکاری End-Cloud

- آموزش داده های بزرگ ابری + استدلال در زمان واقعی:به عنوان مثال، سیستم هوش مصنوعی-BMS مبتنی بر ابر Wuling میلیون ها داده خودرو را برای تحقق نظارت ایمنی سطح دوم و 240 استراتژی هشدار زودهنگام ترکیب می کند.سیستم هوش مصنوعی هواوی از از دست دادن کنترل حرارتی 24 ساعت پیش از آن از طریق همجوشی ابری از سر به سر هشدار می دهد، با نرخ هشدار نادرست تنها 0.1٪

پیشرفت کاربرد و تجاری سازی در صنعت

1ساختار تولید کنندگان اصلی

-ولينگ:باتري مجهز به AI-BMS خود توسعه داده شده است، با مجموع مجموع 2 میلیون خودرو و صفر سوابق احتراق خود به خود،و از الگوریتم های پُر کردن لیتیوم پویا پشتیبانی می کند تا درجه سلامت >95٪ را حفظ کند.
- هواوی:AI BMS مکانیسم باتری و یادگیری ماشینی را به صورت یکپارچه در نظر می گیرد که در مجموعه سوالات مدل ها به کار گرفته شده است و نرخ بررسی ریسک 90٪ است.
-ننگده تایمز:الگوریتم پر کردن لیتیوم پویا به شدت با BMS همراه است تا عملکرد کل چرخه عمر باتری را بهینه کند.

2پیشرفت های علمی

-تشخيص پيش بيني:تراشه AI-BMS ی ایترون می تونه ماه ها قبل از شکست های احتمالی رو تشخیص بده
- طراحي مواد در سطح مولکولي:توسعه ی الکترولیت های جدید با کمک هوش مصنوعی (به عنوان مثال CF3SO2Li) برای بهبود ثبات شیمیایی باتری.

چالش ها و روند آینده

1چالش های فنی

- حریم خصوصی و امنیت اطلاعات:آموزش داده های ابری باید با GDPR و سایر مقررات مطابقت داشته باشد، محاسبات لبه ای می تواند تا حدودی این مشکل را کاهش دهد.
- قابل تفسیر بودن مدل:مدل های جعبه سیاه به سختی می توانند الزامات صدور گواهینامه ایمنی خودرو را برآورده کنند و باید با مدل های فیزیکی ترکیب شوند (به عنوان مثال، مدل های ترکیبی الکتروشیمی-AI).
-هزینه و حساب:هزینه تولید مقیاس بزرگ تراشه های هوش مصنوعی با عملکرد بالا هنوز بالاست.

2روند آینده

- سيستم یادگیری سازگاري:استراتژی های شارژ و تخلیه را به طور پویا با یادگیری تقویت برای افزایش عمر باتری بهینه کنید.
- مدیریت کل چرخه زندگی:از طراحی مواد تا بازیافت، هوش مصنوعی از طریق تمام جنبه های تحقیق و توسعه باتری، تولید، استفاده و استفاده ثانویه انجام می شود.
- استاندارد سازی و محیط زیست منبع باز:ایجاد یک مجموعه داده باتری واحد (به عنوان مثال CALCE، NASA Extension) برای ترویج مقایسه منصفانه و تکرار الگوریتم ها.

نتیجه گیری

BMS مبتنی بر هوش مصنوعی برای مدیریت باتری های لیتیوم یون در حال تغییر از "مراقبت منفعل" به "پیش بینی و بهینه سازی فعال" است، با ارزش اصلی بینش های مبتنی بر داده برای بهبود ایمنی، طول عمر،و بهره وری انرژیبا وجود هزینه، حریم خصوصی و چالش های استاندارد سازی، این تکنولوژی بسیار سریعتر از رویکردهای سنتی تکرار می شود.AI-BMS فقط یک "خدمتکار هوشمند" برای باتری نخواهد بود، اما همچنین یک گره اصلی در دیجیتالی سازی سیستم انرژی است که باعث می شود صنایع خودروهای انرژی جدید و ذخیره سازی انرژی به سمت قابلیت اطمینان و اقتصاد بالاتر حرکت کنند.