Согласно прогнозу Electric Vehicle Outlook 2018 Bloomberg New Energy Finance, к 2030 году ожидается, что общий объем продаж электромобилей (EV) по всему миру превысит 30 миллионов, а стоимостные параметры наконец-то придут в соответствие с двигателем внутреннего сгорания. Электромобиль представляет собой сейсмический сдвиг в автомобильной промышленности, и его потенциальное влияние на бизнес и окружающую среду неотразимо. Сегодня дебаты о внедрении и долговечности электромобилей широко распространены, и не более, чем о потенциальной производительности аккумуляторов для электромобилей. Перед учеными все еще остается много проблем, включая безопасность аккумуляторов, плотность энергии, возможности зарядки и их производительность в автомобиле.
В этой статье д-р Дорон Майерсдорф, генеральный директор StoreDot, исследует, как ИИ может просто держать ключ к решению этих проблем, и потенциал этого подхода для будущего хранения энергии и электромобилей.
Ставки на мировом рынке аккумуляторов невероятно высоки. По словам генерального директора DG Connect в Европейской комиссии Роберто Виолы, по оценкам, с 2025 года он будет стоить более 250 миллиардов фунтов стерлингов в год с возможным созданием 4 миллионов рабочих мест только в ЕС. Эти батареи, которые уже необходимы для большинства потребительских товаров, будут еще более важны для электромобилей, поскольку их широкое распространение зависит от производительности.
«В настоящее время ни один производитель автомобилей или аккумуляторов не может претендовать на то, чтобы предложить аккумулятор для электромобиля, который заряжается так же быстро, как это необходимо для заполнения бака традиционного автомобиля, работающего на ископаемом топливе, и не может предложить такой же диапазон. Например, Volkswagen e-Up предлагает 99 миль при полной зарядке, а Tesla Model S 100D имеет запас хода 335 миль при полной зарядке. Однако ни один из этих автомобилей не может быть полностью заряжен за считанные минуты. Сегодня зарядной станции Tesla для полной зарядки требуется 75 минут, тогда как SP Group, крупнейшей сети электромобилей в Сингапуре, – всего полчаса.
«Потенциал литий-ионных аккумуляторов для решения некоторых из этих проблем огромен. Тем не менее, существует ряд проблем с литий-ионными батареями, которые препятствуют быстрой зарядке — от необходимости более высокой плотности энергии до выдающихся характеристик скорости и повышенных требований безопасности. Преодоление проблем в химии аккумуляторов — это медленный исследовательский процесс, в значительной степени основанный на итеративном планировании экспериментов и систематических пробах и ошибках. Действительно, многие новые достижения терпят неудачу, прежде чем они попадают на рынок.
«В научно-исследовательских центрах, таких как наш, велосипедисты каждую секунду собирают информацию с аккумуляторных батарей; эта информация включает важные рабочие параметры, такие как температура элемента, сопротивление в реальном времени, окно рабочего напряжения, зарядный и разрядный ток и уровни набухания. Информация собирается одновременно с тысяч батарей с терабайтами данных, собранных за эксперимент. В результате количество комбинаций для этих материалов бесконечно, и количество экспериментов, необходимых для проверки каждой комбинации, столь же велико. Это чрезвычайно сложно решить с помощью традиционных статистических или ручных методов.
«Однако целостный подход к использованию науки о данных при разработке аккумуляторов может стать ключом к решению таких сложных моделей. Искусственный интеллект (ИИ) сегодня является модным словом. Проще говоря, ИИ, или машинное обучение, может оценивать информацию и строить математическую модель гораздо быстрее, чем человеческий мозг. ИИ означает, что системы могут автоматически учиться и совершенствоваться на основе опыта без явного программирования.
«Текущее и потенциальное влияние ИИ во многих отраслях ошеломляет. В производстве некоторые из крупнейших компаний мира уже используют ИИ с впечатляющими результатами. Например, интеллектуальная производственная система Royal Dutch Shell использует ИИ для прогнозирования спроса на нефть, измерения нехватки предложения и анализа правильной смеси/смесей для точного процесса переработки. BASF и SAP заявили, что автоматизировали 94% обработки платежей с помощью ИИ. Потенциал применения ИИ широк —
от проектирования материалов и синтеза до планирования экспериментов, анализа неисправностей и минимизации отходов. Благодаря ИИ возможна более умная наука со значительными прорывами.
«Влияние этого на разработку аккумуляторов нельзя недооценивать. Технология может просматривать миллионы записей, чтобы описать взаимосвязь между измеренными данными и параметрами батареи. Как производители, мы можем использовать это для тестирования миллионов комбинаций электролитов, анодов и катодов в любой момент времени.
«Ученые могут не только оценивать батареи в процессе разработки, но и учиться на уже существующих батареях, чтобы лучше понять профиль их производительности и рекомендовать оптимальное решение. Возможность быстрого тестирования безграничных комбинаций означает, что окончательная рецептура материалов, используемых для изготовления элемента батареи, достигается гораздо быстрее. Это значительно сокращает количество необходимых экспериментов, тем самым значительно сокращая время разработки, а также значительно снижая затраты на разработку. Например, команда из 50 исследователей, работающих над определенной формулой батареи, может сэкономить до 1 млн долларов США на исследованиях и разработках в месяц, развернув возможности машинного обучения».
«В StoreDot первое знакомство с этой техникой дало замечательные результаты. Например, для первого поколения нашей технологии сверхбыстрой зарядки FlashBattery с машинным обучением наша команда обнаружила, что несколько простых изменений в конструкции могут удвоить количество циклов разрабатываемой батареи с 300 до более чем 600 циклов. Именно это открытие вдохновило StoreDot на разработку и выделение целой группы исследований и разработок только для наращивания наших возможностей в области машинного обучения. Этот впечатляющий результат теперь применяется к следующему поколению аккумуляторов для электромобилей. Сверхбыстрая зарядка представляет собой очень сложную проблему:в традиционной методологии батареи мы обычно меняем только один компонент, но здесь нам может потребоваться изменить гораздо больше, чтобы достичь желаемого прорыва. Объединив инновационную науку о данных, основанную на искусственном интеллекте, с опытом в области электрохимии, структуры ячеек, анодов, катодов и электролитов, можно прийти к гораздо более сложным выводам.
«Очевидно, что преимущества машинного обучения в процессе НИОКР оказываются неоценимыми. Однако это не единственный способ внедрения ИИ для улучшения электромобилей. Совершенно другим и интригующим применением машинного обучения было бы его внедрение в операционное программное обеспечение электромобиля, чтобы постоянно отслеживать производительность и состояние батареи, измерять данные в реальном времени, учиться на них и передавать их обратно для улучшения производительности продукта. Более того, создавая более интеллектуальные аккумуляторы со встроенными датчиками и функциями самовосстановления, система управления аккумуляторами может отслеживать их «состояние здоровья» и даже при необходимости восстанавливать аккумуляторные элементы или модули.
«В конечном счете, позволяя новаторам изменять более одного компонента за раз и быстрее анализировать данные, они могут прийти к выводам, которых не может достичь традиционный статистический анализ. Это свидетельство позволяет ускорить циклы разработки и дает возможность преодолевать проблемы, которые в противном случае не могли бы быть решены. Для внедрения электромобилей эта возможность имеет первостепенное значение для устранения одного из самых больших потребительских барьеров — «беспокойства по поводу диапазона». Сократив время зарядки аккумулятора с помощью технологии машинного обучения, можно буквально перестроить всю индустрию электромобилей».
Набор Electric Mini для производства Oxford
Ремонт вмятин на автомобиле и стоимость
Шаг назад, два шага вперед
Полное руководство по поиску и устранению неисправностей зарядного устройства AeroVironment