Диагностика аккумуляторных батарей в реальных условиях на основе искусственного интеллекта
Artificial intelligence-driven real-world battery diagnostics
2024-08-29
SCID: 54.1/t2tsx9yh
Discuss with AI
диагностика аккумуляторных батарейассимиляция данныхглубокое обучениецифровые двойникиобъяснимый искусственный интеллект
Figures from the paper
Abstract (AI)
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...
Key Findings
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.
Research Object
Реальные аккумуляторные системы на протяжении их жизненного цикла
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest