AI yra gerai pasirengęs sutrikdyti akumuliatoriaus tiekimo grandinę ir gyvavimo ciklą – automobilių bendruomenė

Grynojo nulio poreikis padidino spaudimą pasiekti pasaulinę elektrifikaciją, o tai išaugo įkraunamų baterijų paklausa. Augant elektromobilių (EV) ir baterijų energijos kaupimo sistemų (BESS) pramonei, reikalavimai jas maitinantiems akumuliatoriams tampa vis griežtesni. Energijos tankis yra labai svarbus, tačiau taip pat svarbios sąnaudos ir kritinės medžiagų proporcijos.

Spartesnis baterijų kūrimas ir veiksmingesni valdymo, gamybos bei perdirbimo metodai reikalingi, kad būtų galima pagaminti daugiau energijos naudojančių akumuliatorių, kurie nebūtų netvariai brangūs. Dirbtinis intelektas (AI) bus labai svarbus norint pasiekti šiuos tikslus, kaip aptarta neseniai paskelbtoje IDTechEx ataskaitoje „AI-varomos baterijos technologija 2025–2035 m.: technologijos, naujovės ir galimybės“.

AI, ypač mašininis mokymasis (ML), buvo pradėtas naudoti keliais akumuliatoriaus gyvavimo ciklo etapais:

• Kūrimo metu medžiagų informatika naudojant de novo dizainą ir virtualų atranką gali būti naudojama medžiagoms parinkti, o regresijos metodai leidžia numatyti ankstyvą gyvavimo trukmę ląstelių bandymų metu. Tai sumažina laiką ir pinigus, sugaištą dviračiu prototipų ląstelėmis, o tai gali sutrumpinti ląstelių vystymosi laiką nuo metų iki mėnesių.
• Vaizdo atpažinimas ir defektų sekimas gali užtikrinti aukštesnę kokybės kontrolę ir didesnį išeigą gamybos metu. Tai leistų beveik tobulai aptikti defektus ir sumažinti gedimų skaičių iki pusės. Regresijos metodai taip pat gali būti naudojami optimizuojant gamybos parametrus, pvz., norint numatyti optimalų tirpiklio tūrį.
• Mašininis mokymasis gali pagerinti gyvenimo diagnostiką. Mašininio mokymosi ir fizinio modeliavimo derinimas leidžia numatyti ir nustatyti ląstelių degradaciją, taip užkertant kelią ankstyvam ląstelių gedimui. Tai leidžia 10–20 % pailginti elementų tarnavimo laiką, tuo pačiu padidinant bendrą didesnių akumuliatorių sistemų saugumą, pvz., mobilumą ir BESS.
• Mašininio mokymosi metodai gali būti naudojami antrojo naudojimo įvertinimui, sveikatos būklės (SoH) įvertinimui gerinti ir tokiu būdu sudaryti sąlygas geriau ir patikimiau naudoti antrosios eksploatacijos transporto priemonių akumuliatorius.

Dirbtinio intelekto valdomos technologijos

BESS ir mobilumo pramonė yra geriausiai pasirengusi pasinaudoti šiomis dirbtinio intelekto valdomomis technologijomis, o jų panaudojimas jau buvo didelis. Kalbant apie diagnostiką ir antrojo naudojimo vertinimą, standartinis verslo modelis yra trečiosios šalies debesies pagrindu atliekama diagnostika / antrojo naudojimo testavimas. Bendras elementų, palaikomų dirbtiniu intelektu paremtos debesies diagnostikos, pajėgumas jau pasiekė 14 GWh ir, tikimasi, iki 2035 m. padidės iki 190 GWh.

Tuo tarpu ląstelių testavimo ir medžiagų atradimo rinkos yra padalintos į vidines platformas ir trečiųjų šalių debesies pagrindu teikiamas paslaugas. Kalbant apie medžiagų atradimą, bendrosios medžiagų informatikos žaidėjai per pastaruosius kelerius metus patyrė didelį susidomėjimą ir augimą baterijų pramonėje.

Ląstelių testavimas

Bandydami elementus, baterijų komponentų tiekėjai, kūrėjai ir originalios įrangos gamintojai išreiškė susidomėjimą bendru eksperimento plano optimizavimu ir į akumuliatorių orientuotu elementų modeliavimu. Tikėtina, kad būsto naudojimas taps norma garsesniems akumuliatorių grotuvams, ypač automobilių originalios įrangos gamintojams, nors trečiųjų šalių platformos vis tiek gali būti naudojamos kaip pagalbinis kūrimo srautas.

Gamyboje dirbtinio intelekto diegimas yra dviejų formų. Pirmasis apima fotoaparatų rinkinio ir vaizdo atpažinimo bei analizės programinės įrangos integravimą. Tai leidžia nedelsiant pastebėti defektus, užkertant kelią defektų plitimui ir galimai sutvarkyti sugedusias ląsteles prieš išsiunčiant.

Tačiau jis taip pat yra intensyvesnis CapEx. Tikėtina, kad jį naudos tik žymesni žaidėjai, o tik nedaugelis pradedančiųjų investuos į technologijas. Antroji forma apima mašininio mokymosi pagalba atliekamą gamyklos priėmimo testavimo (FAT) analizę – kokybės kontrolės testą prieš išsiuntimą.

Tai yra mažiau intensyvi CapEx. Tačiau sugedusias ląsteles šiame etape gali būti sunkiau ištaisyti. Vietoj to, tai leidžia patikimiau siųsti siuntas iš gamintojo į OĮG.

„IDTechEx“ prognozuoja, kad iki 2035 m. dirbtinis intelektas taps įprastas visoje baterijų pramonėje, bet ypač elementų kūrimo ir gamybos srityse bei stacionariose energijos kaupimo sistemose ir elektrinėse transporto priemonėse. Medžiagų informatika ir ankstyvo eksploatavimo laikotarpio numatymas yra perspektyviausios AI programos ir sudarys svarbią elektrifikavimo poreikių ir didėjančios baterijos paklausos sprendimo dalį.