الاتجاه الأساسي للمستقبلأنظمة إدارة البطارية (BMS): التنبؤ بصحة بطارية محمولة بالذكاء الاصطناعي
مع زيادة متطلبات أداء البطارية للسيارات الكهربائية، وأنظمة تخزين الطاقة، ومعدات الطاقة، والأدوات الكهربائية، الخ.القيود المفروضة على بطاريات الليثيوم التقليدية أصبحت أكثر وضوحاً، وتقديم تكنولوجيا الذكاء الاصطناعي يعيد تعريف حدود التنبؤ بصحة بطارية.فيما يلي تحليل شامل مبني على التقدم التكنولوجي الحالي واتجاهات الصناعة:
أولاً، قيود بطارية الليثيوم التقليدية BMS تدفع تطبيق تكنولوجيا الذكاء الاصطناعي
وتشمل الوظائف الأساسية لـ BMS بطارية الليثيوم التقليدية مراقبة الحالة (تقدير SOC / SOH) ، وإدارة الموازنة النشطة ، والتحكم في درجة الحرارة ، إلخ ، ولكن قيودها كبيرة:
1الاعتماد على النموذج الساكن:يستند تقدير SOC/SOH التقليدي إلى علاقة الجهد والشحنة أو تكامل التيار البسيط.من الصعب التكيف مع ظروف التشغيل الديناميكية ولديها معدل خطأ مرتفع (وخاصة في سيناريوهات درجات الحرارة المنخفضة أو الارتفاع)عدم كفاية استخدام البيانات: فإنه يعتمد فقط على علاقة الجهد والشحنة أو مجرد تكامل التيار.
2عدم كفاية استخدام البيانات: يعتمد فقط على المعلمات الأساسية مثل فولتاج بطارية الحزمة، والتيار، ودرجة الحرارة، الخ، وعدم وجود تحليل الاندماج من البيانات غير المتجانسة من مصادر متعددة (على سبيل المثال، العائق، التوتر،تغييرات طبقة SEI).
3عدم كفاية في الوقت الحقيقي والقدرة على التنبؤ: الخوارزميات التقليدية هي في الغالب إدارة تفاعلية، غير قادرة على تحذير البطارية من الشيخوخة أو خطر الهروب الحراري ومخاطر السلامة مقدما.
4قيود أجهزة BMS:الهندسة المعمارية السلكية وقوة الحوسبة المحلية غير الكافية، مما يؤدي إلى ارتفاع تكاليف الصيانة وضعف قابلية التوسع.
الابتكار في تكنولوجيا التنبؤ بصحة بطارية الليثيوم القائمة على الذكاء الاصطناعي
1الابتكار في الخوارزميات: التعلم العميق والتعلم الهجري.
- LSTM و BiLSTM:المزايا الكبيرة في معالجة بيانات السلسلة الزمنية، على سبيل المثال دراسة حققت خطأ تخمين الحياة المتبقية < 5٪ مع 15 دورة شحن فقط للبيانات من خلال نموذج LSTM،وتجربة أخرى التحكم في خطأ SOH داخل 1٪ في إطار التعلم الهجرة.
- دمج البيانات متعددة الوسائط:الجمع بين بيانات مستشعرات الجهد ودرجة الحرارة والإجهاد لتحسين صلابة النموذج. على سبيل المثال ، بيانات الإجهاد الميكانيكي أكثر تنبؤًا من بيانات درجة الحرارة في ظل ظروف التيار العالي.
- تعلم الهجرة:حل مشكلة التعميم لأنواع البطارية المختلفة / الظروف. على سبيل المثال ، يمكن تكييف نموذج تم تدريبه مسبقًا لأنواع البطارية الجديدة مع متوسط خطأ أقل من 1.4٪.
2. انصهار المستشعرات وحوسبة الحافة
- تكامل جديد للمستشعرات:على سبيل المثال مراقبة سمك طبقة SEI ، تنظير الطيف العازل لتوفير مقاييس أكثر مباشرة لشيخوخة البطارية.
- الذكاء الاصطناعي على الشريحة على الحافة:يُمكّن حلّ "AI-BMS-on-chip" لشركة Eatron و"Syntiant" من اتخاذ القرارات المحلية في الوقت الحقيقي من خلال معالج منخفض الكهرباء يُطيل عمر البطارية بنسبة 25% ويحرر 10% من السعة.
3الهندسة المعمارية التعاونية للسحابة النهائية
- تدريب البيانات الضخمة السحابية + الحافة في الوقت الحقيقي التفكير:على سبيل المثال ، يجمع نظام AI-BMS القائم على السحابة من Wuling بين ملايين بيانات المركبات لتحقيق مراقبة السلامة من المستوى الثاني واستراتيجيات الإنذار المبكر 240.نظام التحكم الذكي لشركة هواوي يحذر من فقدان السيطرة الحرارية قبل 24 ساعة من خلال اندلاع السحابة، مع معدل إنذار كاذب من 0.1٪ فقط
التطبيق الصناعي وتقدم التسويق
1تصميم الشركات المصنعة الرئيسية
- وولينج:البطارية مجهزة بـ AI-BMS التي طورتها نفسها، مع إجمالي تراكمي 2 مليون سيارة و صفر سجلات احتراق تلقائي،ويدعم خوارزميات إعادة تزويد الليثيوم الديناميكية للحفاظ على درجة صحة > 95%.
- هواوييدمج AI BMS آلية البطارية والتعلم الآلي ، المطبقة على سلسلة الأسئلة من النماذج ، مع معدل فحص المخاطر بنسبة 90٪.
- نيويورك تايمز:الخوارزمية الديناميكية لإعادة شحن الليثيوم مرتبطة بشكل عميق مع BMS لتحسين أداء دورة حياة البطارية بأكملها.
2الاختراقات الأكاديمية
- التشخيص التنبؤي:شريحة الذكاء الاصطناعي لـ (إيترون) يمكنها التعرف على الإخفاقات المحتملة قبل أشهر
- تصميم المواد على المستوى الجزيئي:تطوير مادة كهربائية جديدة بمساعدة الذكاء الاصطناعي (مثل CF3SO2Li) لتحسين الاستقرار الكيميائي للبطارية.
التحديات والاتجاهات المستقبلية
1التحديات التقنية
- خصوصية البيانات وأمنها:يتعين على تدريب البيانات السحابية أن يتوافق مع GDPR واللوائح الأخرى ، يمكن للحوسبة الحافة تخفيف هذه المشكلة جزئياً.
- تفسير النموذج:النماذج السوداء بالكاد يمكن أن تلبي متطلبات شهادة سلامة السيارات ، وتحتاج إلى الجمع بينها مع النماذج المادية (على سبيل المثال ، النماذج الهجينة الكهروكيميائية الذكية).
- التكلفة والحساب:تكلفة الإنتاج على نطاق واسع لرقائق الذكاء الاصطناعي عالية الأداء لا تزال مرتفعة.
2الاتجاهات المستقبلية
- نظام التعلم التكيفي:تحسين استراتيجيات الشحن والتفريغ بشكل ديناميكي مع التعلم بالتعزيز لتمديد عمر البطارية.
- إدارة دورة الحياة الكاملةمن تصميم المواد إلى إعادة التدوير، يعمل الذكاء الاصطناعي من خلال جميع جوانب أبحاث البطارية وتطويرها وتصنيعها واستخدامها واستخدامها الثانوي.
- التوحيد القياسي والبيئة مفتوحة المصدر:إنشاء مجموعة بيانات موحدة للبطارية (على سبيل المثال ، CALCE ، NASA Extension) لتعزيز المقارنة العادلة والتكرار من الخوارزميات.
الاستنتاج
نظام BMS القائم على الذكاء الاصطناعي لإدارة بطارية ليثيوم أيون يتحول من "المراقبة السلبية" إلى "التنبؤ والتحسين النشط" ، مع القيمة الأساسية للنظرات القائمة على البيانات لتحسين السلامة وطول العمر ،وكفاءة الطاقةعلى الرغم من التكلفة، والخصوصية، وتحديات التوحيد القياسي، فإن التكنولوجيا تتكرر بشكل أسرع بكثير من النهج التقليدية.AI-BMS لن تكون فقط "مدبرة منزل ذكية" للبطاريات، ولكن أيضاً عقدة أساسية في رقمنة نظام الطاقة، مما يدفع صناعات مركبات الطاقة الجديدة وتخزين الطاقة نحو أعلى موثوقية واقتصادية.