header-logo

Comunicación de marketing impulsada por inteligencia artificial

iCrowdNewswire Spanish

La carga de la batería se une al aprendizaje automático

Feb 21, 2020 12:53 AM ET

Los algoritmos ayudan a probar el hardware a encontrar la mejor manera de una recarga rápida.

Image of a car plugged into charging hardware.

Las baterías tienden a implicar muchas compensaciones. Usted puede tener alta capacidad, pero significa más peso y una carga más lenta. O puede cargar rápidamente y ver la vida útil de su batería caer con cada ciclo. Hay maneras de optimizar el rendimiento , calculando la carga más rápida que puede hacer sin reducir la duración de la batería, pero eso varía de un producto a un producto y requiere pruebas exhaustivas para identificar.

Pero tal vez esa prueba no es tan extensa, gracias a un nuevo sistema descrito en la revista Nature. El sistema utiliza una combinación de aprendizaje automático e inferencia bayesiana para centrarse rápidamente en el patrón de carga óptimo para cualquier batería, reduciendo considerablemente la cantidad de pruebas necesarias.

No tan rápido

La carga rápida es obviamente útil para todo, desde teléfonos hasta coches. Pero cuando una batería está sujeta a una carga rápida, no almacena sus iones de manera tan eficiente. La capacidad total bajará, y existe la posibilidad de daños permanentes, ya que parte del litio termina precipitándose y dejen de estar disponibles para su uso futuro.

Sin embargo, hay formas de alterar el perfil de carga para evitar este problema. Por ejemplo, podría ser posible comenzar a cargar lentamente y generar un poco de almacenamiento de litio ordenado y luego cambiar a carga rápida que se basa en estos antes de ralentizar la tasa de carga de nuevo para empaquetar el último bit de litio de manera eficiente. Los cargadores modernos tienen suficiente potencia de procesamiento para gestionar un proceso de carga diseñado para optimizar la velocidad contra el rendimiento de la batería. Todas las baterías ven que el rendimiento baja con el tiempo, pero el perfil correcto lo minimizará.

El problema es identificar el perfil de carga correcto. Por el momento, la única manera que tenemos de encontrarlo es haciendo pruebas empíricas: ejecutar un montón de baterías a través de una gran cantidad de ciclos de carga / descarga y monitorear cómo cambia su rendimiento con el tiempo. Dado que hay una gran cantidad de perfiles de carga potenciales, y la descomposición del rendimiento es gradual, el proceso termina requiriendo que cientos de baterías tienen que ser enviadas a través de suficientes ciclos de carga / descarga para llevarlos a cerca de su punto de fin de vida útil. Para empeorar las cosas, el perfil será diferente para cada tipo de batería, por lo que aprender qué tipo de carga funciona bien para su teléfono celular no necesariamente nos dirá cómo cargar un teléfono de un fabricante diferente.

El nuevo trabajo, realizado por una gran colaboración, fue un intento de reducir el tiempo involucrado en la prueba de una batería dada.

Aprendizaje bayesianos

La configuración que utilizan los investigadores implica hardware estándar de prueba de batería, lo que les permite enviar varias baterías a través de ciclos de carga / descarga repetidos al mismo tiempo. Pero más allá de eso, la mayor parte de la acción tiene lugar en el software.

Un componente de software clave se llama Bayesian Optimizer, o BO. El BO equilibra dos intereses en competencia: encontrar el mejor perfil de carga significará probar tantos perfiles como sea posible, y es probable que el mejor perfil esté cerca de uno que ya has identificado como bueno. Maneja este equilibrio mal y terminarás explorando toda el área alrededor de una solución decente, pero echarás un cluster de mejores soluciones en otras partes del conjunto de perfiles de carga.

Estadísticas bayesianas está diseñada para tener en cuenta la información previa para que pueda utilizar los conocimientos adquiridos de las primeras rondas de pruebas para asegurar que ambas rondas futuras exploren simultáneamente más soluciones mientras se centran pruebas adicionales cerca de la mejor soluciones de rondas anteriores.

Por sí solo, un optimizador bayesiano simplemente aumentaría la eficiencia con la que se prueba un conjunto de perfiles de carga: bueno, pero no especialmente emocionante. Pero en este caso, los investigadores lo acopló con un algoritmo de aprendizaje automático que toma el perfil de voltaje visto durante las descargas y utiliza eso para predecir la vida útil futura de la batería. En trabajos anteriores, este algoritmo fue capaz de predecir con éxito el rendimiento de por vida utilizando solo 100 ciclos de datos. Esto tiene el efecto de las pruebas de corte de un conjunto de baterías de 40 días a 16.

Eso es bueno para una sola ronda de pruebas. Pero recuerde que el objetivo es explorar la mayoría del conjunto de perfiles de carga y probar todos los perfiles en torno a las soluciones exitosas que se encuentran en la primera ronda. Hacer sólo unas cuantas rondas de ese tipo de pruebas podría significar casi medio año dedicado a identificar el mejor perfil de carga. Y para cuando han pasado seis meses, la mayoría de las empresas se están preparando para trabajar en un nuevo diseño de producto, a menudo uno que involucra una batería completamente diferente.

Pruebas del mundo real

Para demostrar que el sistema realmente funciona, el equipo de investigación utilizó un dispositivo de prueba de 48 baterías y probó un conjunto de 224 perfiles de carga rápida que realizaron una carga de 17 minutos. Esto normalmente acorta drásticamente la vida útil de la batería. Después de sólo dos rondas de pruebas utilizando 100 ciclos, los investigadores fueron capaces de entender los esquemas generales de las mejores soluciones y habían explorado la mayoría de los perfiles potenciales considerados.

Resulta que, en este caso, las mejores soluciones eran perfiles de carga lineal, donde la tasa de carga se mantuvo constante durante todo el ciclo. Como se mencionó anteriormente, sin embargo, eso probablemente será diferente si se utiliza una batería diferente. E incluso un solo tipo de batería como el iones de litio puede diferir drásticamente en términos de su estructura física, el electrolito utilizado, las químicas de electrodos, y así sucesivamente. Por último, hay claramente aplicaciones en las que diferentes perfiles de carga terminarían siendo priorizados. Un coche eléctrico puede necesitar una carga rápida mientras está en tránsito, pero cuando está estacionado en casa, puede hacerlo mejor con un perfil que optimiza la vida útil de la batería. No hay ninguna razón por la que esta configuración de prueba no pueda manejar ambas cosas.

Una de las cosas más llamativas de esto es que, incluso si todo este trabajo de optimización está hecho, terminará siendo completamente invisible para la mayoría de los usuarios. Aunque los usuarios pueden notar que su dispositivo se carga más rápido de lo que están acostumbrados, no sabrán nada sobre la electrónica en su hardware de carga que altera el perfil de carga mientras reciben comentarios sobre el estado de la batería.

Contact Information:

JOHN TIMMER
Keywords:  afds, afdsafds

Tags:  Spanish, United States, Wire