Machine Learning für frühzeitige Fehlererkennung könnte Lithium-Ionen-Batterien sicherer machen - IT BOLTWISE® x Artificial Intelligence

MÜNCHEN (IT BOLTWISE) – Neue maschinelle Lernmethoden zur frühzeitigen Fehlererkennung könnten Lithium-Ionen-Batterien in Zukunft sicherer machen.



Die sichere Nutzung von Lithium-Ionen-Batterien, wie sie in Elektrofahrzeugen und stationären Energiespeichersystemen zum Einsatz kommen, erfordert eine kontinuierliche Zustandsüberwachung und eine frühzeitige Fehlererkennung. Defekte in einzelnen Batteriezellen können schwerwiegende Folgen haben und sogar Brände auslösen.

Forscher der TU Darmstadt und des Massachusetts Institute of Technology (MIT) haben hierzu innovative Methoden entwickelt, die auf physikalisch gestütztem maschinellen Lernen basieren. Das Team um Joachim Schaeffer, Eric Lenz und Professor Rolf Findeisen von der TU Darmstadt sowie die Arbeitsgruppen von Professor Richard Braatz und Professor Martin Bazant am MIT entwickelten ein Verfahren, das physikalische Modelle mit maschinellem Lernen kombiniert.

Durch den Einsatz rekursiver Gaußscher Prozesse können zeit- und betriebsabhängige Veränderungen in Batteriezellen frühzeitig erkannt werden. Diese rekursiven Methoden ermöglichen eine Echtzeitanalyse und die effiziente Verarbeitung großer Datenmengen, wodurch eine kontinuierliche Online-Überwachung von Batteriesystemen in der Zukunft realisierbar wird.

Für ihre Forschung konnte das Team auf einen einzigartigen Datensatz zurückgreifen: Ein Forschungspartner stellte anonymisierte Daten von 28 Batteriesystemen zur Verfügung, die aufgrund von Problemen an den Hersteller zurückgeschickt worden waren. Der Datensatz umfasst mehr als 133 Millionen Datenzeilen von 224 Batteriezellen und ist einer der ersten seiner Art, der öffentlich zugänglich gemacht wurde.

Die in *Cell Reports Physical Science* veröffentlichten Forschungsergebnisse zeigen, dass oft nur eine einzelne Zelle in einem Batteriesystem anormal reagiert, was das gesamte System beeinträchtigen kann. Diese Erkenntnisse tragen dazu bei, das Verständnis über die Alterung und die Ausfallbedingungen von Batterien zu verbessern. Die neuen Methoden bieten die Möglichkeit, Batterien kontinuierlich zu überwachen und so die Sicherheit zu erhöhen.

Joachim Schaeffer, Doktorand am Control and Cyber-Physical Systems Laboratory, Fachbereich Elektrotechnik und Informationstechnik an der TU Darmstadt und am MIT, wurde für die im Projekt produzierten und öffentlich zugänglichen Daten mit dem MIT Open Data Prize ausgezeichnet. Aus über 70 Einsendungen wurden zehn Preisträger ausgewählt.

Machine Learning für frühzeitige Fehlererkennung könnte Lithium-Ionen-Batterien sicherer machen
Machine Learning für frühzeitige Fehlererkennung könnte Lithium-Ionen-Batterien sicherer machen (Foto: DALL-E, IT BOLTWISE)
Hinweis: Teile dieses Textes könnten mithilfe Künstlicher Intelligenz generiert worden sein.



Ergänzungen und Infos bitte an die Redaktion per eMail an de-info[at]it-boltwise.de
Stichwörter
Alle Märkte in Echtzeit verfolgen - 30 Tage kostenlos testen!


#Abo
LinkedIn
Facebook
Twitter
#Podcast
YouTube
Spotify
Apple

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert



Es werden alle Kommentare moderiert!

Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.

Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.

Du willst nichts verpassen?

Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.