Tutkijaryhmä, jota johtaa Dr.Gareth Conduit A * STAR -materiaalitutkimuksen ja -tekniikan instituutissa, ja Nanyangin teknillinen yliopisto ovat käyttäneet tekoälyä sähköautojen akkutilojen ennustamiseen ja litiumionikennojen '' tarkan '' ennusteen antamiseen. maksu ja terveys.
Julkaistun artikkelin mukaan datalähtöinen koneoppimismalliteknologia voi antaa valmistajille mahdollisuuden upottaa ohjelmisto suoraan akkuihinsa, mikä parantaa sen käyttöikää jopa 6% verrattuna tyypillisiin akkumalleihin, jotka laskevat käyttöiän väärin noin 10%.
Akkujen suorituskyky, kustannukset ja turvallisuus ovat tekijöitä, jotka määräävät sähköajoneuvojen (EV) onnistuneen kehityksen. Tästä lähtien litiumioniakut (litiumioniakut) ovat parempia kuin muut paristot niiden käyttöiän ja kohtuullisen energiatiheyden vuoksi. Kuitenkin, jos litiumioniakkujen lisätutkimuksia jatketaan, se johtaa monimutkaisempaan paridynamiikkaan, jossa turvallisuus ja tehokkuus ovat huolenaiheita. Tämän vuoksi edistyksellinen akunhallintajärjestelmä, joka voi optimoida ja valvoa turvallisuutta, on ratkaisevan tärkeää ajoneuvojen sähköistämisen kannalta.
Koneoppimisalgoritmeja on käytetty ennustamaan terveydentila, lataustila ja jäljellä oleva käyttöikä. Tietopohjaisiin malleihin on keskitytty, ja ne on yhdistetty koneoppimistekniikoihin. Nämä mallit näyttävät olevan tehokkaampia ja voivat ennustaa ilman järjestelmän etukäteen tuntemusta sen lisäksi, että ne saavuttavat korkean tarkkuuden ja pienet laskennalliset kustannukset. Tietovälineiden pienentyneiden kustannusten ja laskennallisen tekniikan kehittyessä datalähtöinen koneoppiminen näyttää olevan lupaavin lähestymistapa edistyneeseen akkumallinnukseen tulevaisuudessa.
Tutkimuksen tavoitteena on saada aikaan muutosvaikutus akkuteollisuuteen ja korostaa, kuinka koneoppiminen voi ennustaa ja parantaa tarkasti akun terveyttä ja käyttöikää. Tämä antaa valmistajille mahdollisuuden upottaa ohjelmisto suoraan akkulaitteisiinsa ja parantaa elämänsä palvelua kuluttajille.