Диагностика аккумуляторных батарей в реальных условиях на основе искусственного интеллекта

Artificial intelligence-driven real-world battery diagnostics
Xudong Qu, Michael William Fowler, Jingyuan Zhao, Andrew Burke, Yuyan Wu
2024-08-29

диагностика аккумуляторных батарейассимиляция данныхглубокое обучениецифровые двойникиобъяснимый искусственный интеллект
Решение практических задач диагностики аккумуляторных батарей, особенно при неполных или несогласованных граничных условиях, с помощью традиционных методологий, таких как расчёты из первых принципов и атомистическое моделирование, оказалось сложным. Несмотря на прогресс в методах усвоения данных, огромный объём и разнообразие данных в сочетании с отсутствием общепринятых моделей подчёркивают ограничения традиционных подходов. В последнее время глубокое обучение стало высокоэффективным инструментом преодоления сохраняющихся проблем диагностики аккумуляторных батарей, поскольку оно позволяет работать с обширными пространствами проектирования и выявлять сложные многомерные взаимосвязи. Этот подход решает ранее считавшиеся непреодолимыми задачи, особенно связанные с потерянными, нерегулярными или зашумлёнными данными, благодаря разработке специализированных архитектур сетей, сохраняющих физические инварианты. Однако между академическими достижениями и их практическим применением сохраняется разрыв, включая проблемы интерпретируемости и вычислительные затраты, связанные с решениями на основе искусственного интеллекта. Новые технологии, такие как объяснимый искусственный интеллект (XAI), искусственный интеллект для эксплуатации информационных технологий (AIOps), непрерывное машинное обучение для смягчения катастрофического забывания и облачные цифровые двойники, открывают новые возможности для интеллектуальной оценки жизненного цикла аккумуляторных батарей. В этой статье мы рассматриваем эти проблемы и возможности, подчёркивая потенциал инновационных технологий для преобразования диагностики аккумуляторных батарей, что демонстрируется нашими недавними практическими результатами и прогрессом, достигнутым в данной области. К ним относятся многообещающие результаты академических и промышленных натурных демонстраций моделирования и прогнозирования динамики мультифизических и многомасштабных аккумуляторных систем. Для этих систем характерны неоднородные каскады масштабов, описание которых основывается на нашем физическом, электрохимическом, наблюдательном, эмпирическом и/или математическом понимании аккумуляторной системы. Благодаря усвоению данных, тщательной разработке и сложной реализации...
1
Методы на основе ИИ моделируют и прогнозируют мультифизическую и многомасштабную динамику батарей в неоднородных каскадах физических, электрохимических, наблюдательных, эмпирических и математических масштабов.
2
Глубокое обучение эффективнее традиционных подходов решает задачи диагностики батарей при неполных, нерегулярных, зашумлённых или противоречивых данных и граничных условиях.
3
Объяснимый ИИ, AIOps, непрерывное обучение и облачные цифровые двойники рассматриваются как перспективные технологии для интеллектуальной оценки жизненного цикла и диагностики батарей.
4
Практическое внедрение ограничивают недостаточная объяснимость и высокие вычислительные затраты, что создаёт разрыв между академическими достижениями и реальными применениями.
5
Специализированные архитектуры нейронных сетей, сохраняющие физические инварианты, позволяют получать полезную диагностику даже при утраченных, нерегулярных или зашумлённых измерениях.

Реальные аккумуляторные системы на протяжении их жизненного цикла

Диагностика, моделирование и прогнозирование многополевой и многомасштабной динамики аккумуляторных систем с применением ИИ при неполных, нерегулярных, зашумлённых или непоследовательных данных и граничных условиях

Publication Details
Publication Date
2024-08-29
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Xudong Qu
Michael William Fowler
Jingyuan Zhao
Andrew Burke
Yuyan Wu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%