header-logo

Communication marketing basée sur l'intelligence artificielle

Avis de non-responsabilité : le texte affiché ci-dessous a été traduit automatiquement à partir d'une autre langue à l'aide d'un outil de traduction tiers.


La charge de batterie rencontre l’apprentissage automatique

Feb 21, 2020 12:54 AM ET

Les algorithmes aident à tester le matériel pour trouver la meilleure façon de recharger rapidement.

Image of a car plugged into charging hardware.

Les batteries ont tendance à impliquer beaucoup de compromis. Vous pouvez avoir une grande capacité, mais cela signifie plus de poids et une charge plus lente. Ou vous pouvez charger rapidement et voir la durée de vie de votre batterie tomber à chaque cycle. Il existe des moyens d’optimiser les performances, c’est-à-dire de déterminer la charge la plus rapide que vous pouvez faire sans couper dans la durée de vie de la batterie, mais cela varie d’un produit à l’autre et nécessite des tests approfondis pour l’identifier.

Mais peut-être que les tests ne sont pas si étendus, grâce à un nouveau système décrit dans la revue Nature. Le système utilise une combinaison d’apprentissage automatique et d’inférence bayésienne pour se concentrer rapidement sur le modèle de charge optimal pour n’importe quelle batterie, réduisant considérablement la quantité de tests nécessaires.

Pas si vite

La recharge rapide est évidemment utile pour tout, des téléphones aux voitures. Mais quand une batterie est soumise à une charge rapide, elle ne stocke pas ses ions aussi efficacement. La capacité globale va baisser, et il ya le potentiel de dommages permanents, comme une partie du lithium finit par précipiter et devenir indisponible pour une utilisation future.

Il existe cependant des moyens de modifier le profil de charge pour éviter ce problème. Par exemple, il pourrait être possible de commencer à charger lentement et de générer un stockage au lithium commandé, puis passer à la charge rapide qui s’appuie sur ces avant de ralentir le taux de charge à nouveau pour emballer le dernier bit de lithium en efficacité. Les chargeurs modernes ont assez de puissance de traitement pour gérer un processus de charge conçu pour optimiser la vitesse par rapport aux performances de la batterie. Toutes les batteries voient les performances chuter avec le temps, mais le bon profil le minimisera.

Le problème est d’identifier le bon profil de charge. À l’heure actuelle, la seule façon de le trouver est de faire des tests empiriques: exécuter un tas de batteries à travers un grand nombre de cycles de charge / décharge et de surveiller la façon dont leurs performances changent au fil du temps. Étant donné qu’il existe beaucoup de profils de charge potentiels, et la dégradation des performances est progressive, le processus finit par exiger que des centaines de batteries doivent être envoyées par suffisamment de cycles de charge / décharge pour les emmener à proximité de leur point de fin de vie. Pire encore, le profil sera différent pour chaque type de batterie, afin d’apprendre quel type de charge fonctionne bien pour votre téléphone cellulaire ne sera pas nécessairement nous dire comment charger un téléphone d’un fabricant différent.

Le nouveau travail, effectué par une grande collaboration, a été une tentative de réduire le temps nécessaire à l’essai d’une batterie donnée.

Apprendre les Bayésiens

La configuration utilisée par les chercheurs implique du matériel standard de test de batterie, leur permettant d’envoyer plusieurs batteries par le biais de cycles de charge/décharge répétés en même temps. Mais au-delà de cela, la plupart de l’action se déroule dans le logiciel.

Un composant logiciel clé est appelé un Optimiseur Bayesian, ou BO. Le BO équilibre deux intérêts concurrents: trouver le meilleur profil de charge signifie tester autant de profils que possible, et le meilleur profil est susceptible d’être quelque part près de celui que vous avez déjà identifié comme étant bon. Gérer cet équilibre mal et vous finirez par explorer toute la zone autour d’une solution décente, mais manquer un groupe de meilleures solutions ailleurs dans l’ensemble des profils de charge.

Les statistiques bayésiennes sont conçues pour tenir compte des informations préalables afin qu’elles puissent utiliser les connaissances acquises lors des premières séries de tests afin de s’assurer que les deux cycles futurs explorent simultanément plus de solutions tout en concentrant des tests supplémentaires près des meilleurs solutions des tours précédents.

À lui seul, un optimiseur bayésien augmenterait simplement l’efficacité avec laquelle un ensemble de profils de charge est testé, bon, mais pas particulièrement excitant. Mais dans ce cas, les chercheurs l’ont couplé avec un algorithme d’apprentissage automatique qui prend le profil de tension vu pendant les décharges et l’utilise pour prédire la durée de vie future de la batterie. Dans des travaux antérieurs, cet algorithme a été en mesure de prédire avec succès les performances à vie en utilisant seulement 100 cycles de données. Cela a pour effet de couper les tests d’un ensemble de batteries de 40 jours à 16.

C’est bon pour une seule série de tests. Mais n’oubliez pas que l’objectif est à la fois d’explorer la plupart des profils de charge et de tester tous les profils autour des solutions réussies trouvées dans le premier tour. Faire quelques tours de ce genre de test pourrait signifier près d’une demi-année passée à identifier le meilleur profil de charge. Et au moment où six mois se sont écoulés, la plupart des entreprises se préparent à travailler sur une nouvelle conception de produit, souvent celui impliquant une batterie différente entièrement.

Tests du monde réel

Pour montrer que le système fonctionne réellement, l’équipe de recherche a utilisé un dispositif d’essai de 48 batteries et a testé un ensemble de 224 profils de charge rapide qui a effectué une charge de 17 minutes. Cela raccourcit généralement la durée de vie de la batterie de façon spectaculaire. Après seulement deux séries d’essais utilisant 100 cycles, les chercheurs ont pu comprendre les grandes lignes des meilleures solutions et ont exploré la plupart des profils potentiels à l’étude.

Comme il s’avère, dans ce cas, les meilleures solutions étaient des profils de charge linéaire, où le taux de charge a été maintenu constant tout au long du cycle. Comme mentionné précédemment, cependant, ce sera probablement différent si une batterie différente est utilisée. Et même un seul type de batterie comme le lithium-ion peut différer considérablement en termes de sa structure physique, l’électrolyte utilisé, les chimies d’électrode, et ainsi de suite. Enfin, il existe clairement des applications dans lesquelles différents profils de charge finiraient par être priorisés. Une voiture électrique peut avoir besoin de charge rapide pendant le transit, mais lorsqu’il est garé à la maison, il pourrait faire mieux avec un profil qui a optimisé la durée de vie de la batterie. Il n’y a aucune raison que cette configuration de test ne pourrait pas gérer les deux.

Une des choses les plus frappantes à ce sujet est que, même si tout ce travail d’optimisation est fait, il finira par être complètement invisible pour la plupart des utilisateurs. Bien que les utilisateurs puissent remarquer que leur appareil se recharge plus rapidement qu’ils ne le font, ils ne sauront rien sur l’électronique dans leur matériel de recharge qui modifie le profil de charge tout en recevant des commentaires sur l’état de la batterie.

Contact Information:

JOHN TIMMER
Tags:   French, United States, Wire