電池知識
鋰離子、磷酸鐵鋰、錳酸鋰、新能源
電池知識
鋰離子、磷酸鐵鋰、錳酸鋰、新能源
電池性能可以決定電動車的使用體驗，從行駛里程到充電時間再到汽車的使用壽命。今朝，人工智能已經使像在加油站給電動車充電這樣的夢想更加有可能成為實際，并可能有助于改善電池技術的其他方面。
幾十年來，電動車電池的發展一直受到一個緊要瓶頸的限制:評估時間。在電池開發過程的每個階段，新技術都非得經過數月甚至數年的探測，才能確定它們的壽命。但是今朝，由斯坦福大學教授斯特凡諾埃爾蒙和威廉覺領導的一個團隊開發了一種基于機器學習的辦法，可以將這些探測時間減少98%。研究小組探測了他們的電池充電速度的辦法，他們說，該辦法可以使用于電池開發管道的許多其他部分，甚至非能源技術。
“在電池探測中，你非得嘗試大量的東西，因為你得到的性能會有很大的不同，”計算機科學助理教授埃爾蒙說。“有了人工智能，我們能夠迅速找出最有前途的辦法，并省去許多不必要的試驗。”
這項研究發表在二月十九日的《自然》雜志上，是斯坦福大學、麻省理工學院和豐田研究院科學家之間更大規模合作的一部分。他們的目標是:找到在10分鐘內為電動車電池充電的最佳辦法，使電池的整體壽命最大化。研究人員編寫了一個程序，依據幾個充電周期預測電池對不同充電方式的反應。該軟件還可以實時決定關注或忽略什么收費方式。通過縮短實驗時間和次數，研究人員將實驗時間從近兩年縮短到16天。
彼得阿提亞是這項研究的聯合負責人，當時他還是一名研究生。然而，真正令人興奮的是這種辦法。我們可以把這種辦法使用到其他許多問題上，而這些問題目前正妨礙電池的發展達數月或數年之久。”
更智能的電池探測辦法
設計超高速充電電池是一個緊要的挑戰，緊要是因為它很難持久。快速充電的強度會給電池帶來更大的壓力，這通常會導致電池過早失效。電池包的成本占電動車總成本的很大一部分，為了戒備電池包受損，電池工程師非得探測一系列詳細的充電辦法，以找到最有效的充電辦法。
新的研究試圖優化這一過程。在一開始，團隊就發現快速充電的優化意味著要進行很多的反復實驗——這對人類來說是低效的，但對機器來說是毫無問題的。
“機器學習是一種反復嘗試的過程，但它們更聰明，”參與領導這項研究的計算機科學研究生阿蒂亞格羅弗說。“在何時探索——嘗試新的和不同的辦法——以及何時開發(或瞄準)最有前途的辦法方面，計算機比我們做得好得多。”
該團隊在兩個關鍵方面采用了機器學習。首先，他們用機器學習來減少每次循環試驗的時間。在之前的一項研究中，研究人員發現，他們可以預測電池在第一次充電100次后的續航時間。這是因為機器學習系統在接受了幾次電池循環失靈的訓練后，可以從早期數據中發現預測電池壽命的模式。
第二，機器學習減少了他們非得探測的辦法的數量。計算機從以往的相關經驗中吸取教訓，迅速找到最佳的協議進行探測，而不是對每一種可能的充電辦法都進行同等的探測，或者依賴直覺。
通過在更少的周期內探測更少的辦法，研究團隊很快找到了一種最優的超高速充電辦法。埃爾蒙說，除了顯著加快探測過程之外，這臺計算機的處理辦法也比電池科學家可能設計出的辦法更好，而且更不尋常。
埃爾蒙說:“它給我們帶來了一種意想不到的簡單充電協議。”該算法的處理辦法不是在充電開始時以最高電流充電，而是在充電過程中使用最高電流。“這就是人與機器的差別:機器不受人類直覺的影響，雖然人類直覺是強大的，但有時會誤導人。”
更廣泛的使用
研究人員表示，他們的辦法可以加速電池開發的幾乎每一個環節:從設計電池的化學成分，到確定電池的大小和形狀，再到尋找更好的制造和存儲系統。這不僅會對電動車出現廣泛影響，還會對其他類型的能源存儲出現廣泛影響，而這是全球范圍轉向風能和太陽能的關鍵要求。
“這是一種進行電池開發的新辦法，”該研究的作者之一、豐田研究院的科學家帕特里克赫林說。“你可以與學術界和工業界的許多人共享數據，并自動分解這些數據，這將大大加快創新的速度。”
赫林補充說，這項研究的機器學習和數據收集系統以后將供電池科學家免費使用。他說，通過使用這個系統來優化機器學習過程的其他部分，電池的發展——以及更新更好的技術的到來——可能會加快一個數量級甚至更多。
埃爾蒙說，這項研究辦法的潛力甚至超出了電池范疇。其他大數據探測問題，從藥物開發到優化x射線和激光的性能，也可以通過使用機器學習優化技術來實現。最終，他說：”隨著我們得到越來越好的算法，我們希望整個科學發現過程能夠大大加快。”
聲明： 本站所發布文章部分圖片和內容自于互聯網，如有侵權請聯系刪除
