Diagnósticos com dados parciais… Vários materiais catódicos podem ser usados
[인더스트리뉴스 이건오 기자] Com o aumento do número de dispositivos eletrônicos que usam baterias, pesquisas estão sendo realizadas ativamente em um modelo para diagnosticar o estado de saúde da bateria. Recentemente, um modelo de diagnóstico de integridade de bateria que pode ser aplicado aos três materiais de cátodo de baterias de íon-lítio, LFP, NCA e NMC, foi lançado e está atraindo a atenção.
A UNIST anunciou que uma equipe de pesquisa liderada pelos professores Donghyuk Kim e Yunseok Choi, do Departamento de Energia e Engenharia Química, e pelo professor Hankwon Lim, da Graduate School of Carbon Neutrality, conduziu um estudo sobre o “Modelo de diagnóstico de integridade da bateria de íons de lítio”.
Com base em um modelo de aprendizado profundo em inteligência artificial, que atualmente está sendo pesquisado ativamente, a equipe de pesquisa desenvolveu uma ‘abordagem gráfica baseada em aprendizado profundo para estimativa de baterias SOH (D-GELS) de íons de lítio’ e desenvolveu um modelo.
O modelo D-GELS cria uma imagem convertendo dados de tensão, corrente e temperatura em valores RGB. Este modelo pode ser aplicado a baterias LFP (fosfato de ferro lítio), baterias NCA (alumínio de níquel cobalto) e baterias NMC (níquel cobalto).
“Usamos o valor do erro quadrático médio (RMSE) como um indicador da precisão do valor do estado de saúde da bateria previsto pelo D-GELS”, explicou um funcionário da equipe de pesquisa, que disse que o valor foi confirmado como 0,0088.
“Ao usar os três materiais do cátodo, ele mostrou valores de erro quadrático médio de 0,0081 (LFP), 0,012 (NCA) e 0,0097 (NMC), disse ele. Ele mostrou alta precisão em comparação com
Além disso, de acordo com a equipe de pesquisa, os dados perdidos devido à carga/descarga parcial podem ser restaurados para dados totalmente carregados/descarregados usando o modelo de diagnóstico de condição da bateria D-GELS. A equipe de pesquisa diagnosticou a condição de integridade restaurando os dados de carga/descarga que perderam 12,5%, 25%, 50% e 75%, respectivamente, para os dados de carga/descarga atuais. Os valores de erro quadrático médio do experimento foram 0,030, 0,044, 0,046 e 0,18, respectivamente. Apesar de ser o primeiro resultado de pesquisa a diagnosticar a integridade da bateria usando dados parciais de carga/descarga, a alta precisão foi confirmada.
Neste estudo, foi enfatizado que quanto maior o volume de dados de carga/descarga perdidos, menor a acurácia diagnóstica. Além disso, foi confirmado que o valor da raiz quadrada do erro tende a aumentar quando os dados brutos de despejo são perdidos. Com isso, confirma-se que os dados de descarga inicial têm grande influência no diagnóstico do estado de saúde da bateria de íon-lítio.
Seojeong Park, autor sênior do Departamento de Energia e Engenharia Química da UNIST, pesquisador conjunto no programa de mestrado e doutorado, disse: “Aprendemos o modelo de aprendizado profundo atribuindo dados de carga e descarga a baterias de íon-lítio com características de série temporal, como como imagens.” É um modelo de uso geral que pode ser aplicado, sem restrições quanto aos termos de carga e descarga.
O co-primeiro autor, Dr. Hyeonjun Lee, do Departamento de Energia e Engenharia Química da UNIST, disse: “Se pudermos diagnosticar baterias usando dados parciais de carga/descarga, poderemos economizar muito tempo e dinheiro no diagnóstico de baterias usadas antes que elas possam ser reciclado no futuro.” A base para expandir a aplicação em vários campos no futuro.”
Enquanto isso, esta pesquisa é financiada pelo Ministério do Comércio, Indústria e Energia e apoiada pelo Instituto Coreano de Avaliação e Planejamento de Tecnologia Industrial, o Projeto de Inovação Tecnológica, o Projeto de Desenvolvimento de Tecnologia de Melhoria de Desempenho Personalizado de Alta Potência (Ultracapacitor) e Defesa. Instituto de Pesquisas Científicas com recursos financeiros do governo (Defense Acquisition Program Administration). recebido e implementado. Esta pesquisa foi publicada na edição de fevereiro da revista internacional Materials Horizons.
Copyright © Industry News A reprodução e redistribuição não autorizadas são proibidas
“Leitor implacável. Especialista em mídia social. Amante de cerveja. Fanático por comida. Defensor de zumbis. Aficionado por bacon. Praticante da web.”