Этот пост представляет собой отраслевой обзор обзорной статьи Применение методов, основанных на данных, и обучения, основанного на физике, для повышения безопасности аккумуляторов Финегана, Чжу, Фэна, Кейзера, Ульмефорса, Ли, Базанта и Купера (2021 г.) .

Литий-ионные аккумуляторы — это нелинейные и недетерминированные системы.

Поведение литий-ионных аккумуляторов на протяжении всего срока их службы нелинейно: в элементе в любой момент времени происходит множество динамических электрохимических и механических явлений, независимо от того, работает он или нет.

Две клетки с одинаковой геометрией, химическим составом и историей могут по-разному реагировать на одинаковые механические, тепловые или электрические раздражители.

Авторы также заявляют, что литий-ионные аккумуляторы представляют собой сложные системы. Я не согласен с этим. В то время как литий-ионные элементы имеют некоторые общие свойства со сложными системами, такие как гистерезис и нелинейность, клетки не ведут себя эмерджентным образом, который мы не можем предсказать, анализируя компоненты ячейки. Или, по крайней мере, мы так надеемся :)

Вызовите короткое замыкание в тестовых ячейках, чтобы получить больше данных для обучения модели

Авторы предполагают, что трудно обучить физически независимую модель для прогнозирования сбоев ячеек на основе данных, потому что слишком мало сбоев ячеек и данных для обучения. Я согласен с этим.

Чтобы получить больше данных для обучения модели, авторы предлагают искусственно вызывать короткие замыкания. Я думаю, что это практическая идея.

Авторы перечисляют несколько способов вызвать короткие замыкания в ячейках или увеличить их вероятность:

  • Заменить часть сепаратора воском с низкой температурой плавления;
  • Процедить сепаратор, опуская, сгибая или нажимая на ячейку;
  • Вставьте небольшой проводящий предмет в ячейку, а затем нажмите на ячейку, чтобы проколоть сепаратор;
  • Цикл ячейки при высокой температуре.

Я бы еще добавил в этот список:

  • Циклирование ячеек при температуре замораживания может привести к быстрому литиевому покрытию и вызвать сбои.
  • Подайте на элементы очень высокий зарядный или разрядный ток.

Я думаю, что механическая нагрузка на элемент и циклирование при экстремальных температурах и высоких токах являются наиболее практичными подходами, поскольку можно использовать элементы с основной производственной линии. Кроме того, оба являются реальными сценариями того, как ячейки могут на самом деле выйти из строя.

Недостатком этих подходов является то, что ячейки могут выходить из строя очень редко даже после таких злоупотреблений, поэтому, чтобы избежать потери большого количества ячеек, наведение короткого замыкания должно быть неотъемлемой частью общего процесса моделирования ячейки и проверки параметров ячейки. сильный>

По аналогичной идее мы можем взять клетки, плохо показавшие себя во время конечного тестирования, и зациклить их до смерти, надеясь, что эти клетки с большей вероятностью выйдут из строя в процессе, чем нормальные клетки.

Преднамеренная вставка небольшого проводящего предмета между фольгами ячейки также отражает возможный сценарий из реальной жизни, но ячейки должны быть созданы на заказ в лаборатории.

В противовес собственным идеям авторы пишут:

Однако может быть трудно с уверенностью связать [результаты, полученные для ячеек, в которых были искусственно вызваны сбои] с прогнозами для нормальных ячеек в стандартных условиях эксплуатации.

Я вижу, что статистика отказов элементов, подвергнутых циклированию при высокой температуре, может быть неприменима к элементам, подвергнутым циклированию при других температурах.

Однако я считаю, что отказы сепараторов должны характеризоваться фазовым переходом одного или нескольких параметров элемента (таких как Скорость саморазряда элемента и Внутреннее сопротивление элемента). Схемы перехода могут быть разными для разных типов отказов сепаратора (например, литиевый дендрит против скручивания или разрыва), но я не думаю, что схемы перехода зависят от того, как произошел отказ сепаратора. Таким образом, модели для раннего обнаружения отказов ячеек должны хорошо работать для ячеек в реальной эксплуатации, даже если эти модели обучаются на данных контролируемых экспериментов.

О записи и использовании физических данных помимо напряжения и тока

Авторы отмечают, что до сих пор модели прогнозирования на основе данных в основном использовали только данные о напряжении и токе от ячеек.

Необходимы альтернативные одновременные измеренияoperando, чтобы помочь получить физическое представление о системе и интерпретировать причины расхождений в поведении.

Авторы предлагают больше физических измерений:

  • Электрохимическая импедансная спектроскопия
  • Датчики силы или тонкопленочные тензометрические датчики для обнаружения набухания, расширения или сжатия клеток
  • Акустический анализ клеток
  • Мониторинг акустической эмиссии от растрескивания частиц
  • Измерение внешней и внутренней температуры ячеек с помощью термисторов и тепловизоров

Я думаю, что экономически нецелесообразно измерять что-либо из этого на значительной части элементов в реальных аккумуляторных батареях. Поэтому мы не можем использовать эти дополнительные данные для прогнозирования отказов ячеек в полевых условиях.

На самом деле, в реальных батареях из цилиндрических элементов даже напряжение и ток измеряются не для каждого отдельного элемента, а только для целых групп элементов, соединенных параллельно. Это значительно разбавляет сигнал, поступающий от каждой отдельной ячейки, и значительно затрудняет обнаружение переходов фраз параметра, происходящих в одной ячейке в группе. Из-за этого может быть невозможно даже применить существующие алгоритмы ячейки характеристики, мониторинг и прогнозирование, которые используют напряжение и ток в качестве входных данных.

Итак, я думаю, что у нас нет предсказания отказа ячеек в реальных стаях, главным образом потому, что мы не можем позволить себе добавить даже минимальное считывание к каждой ячейке внутри стаи по отдельности, а не потому, что мы не можем создавать алгоритмы или модели. Это напоминает мне высказывание Стюарта Рассела о том, что в середине девяностых существовали приличные алгоритмы автономного вождения, но главной проблемой было восприятие.

Собирать данные с определенной целью

Дополнительные физические данные можно получить в лаборатории и использовать для лучшего понимания физики ячеек и механизмов отказов. Однако не очевидно, как это лучшее понимание приведет к практическим достижениям в технологии аккумуляторов. Я думаю, что для практических целей разработки элементов или батарейных блоков очень важно сначала сформулировать точные вопросы, на которые мы хотим ответить, или точные способы, которыми лучше понять сценарий отказа или деградации того или иного элемента. режим может помочь нам сделать более надежные аккумуляторы. (Лично я ничего не могу придумать.) Затем мы должны сознательно подумать, какие данные нам нужно собрать, чтобы ответить на эти вопросы. Без этого первого шага весьма вероятно, что простой сбор дополнительных физических данных не приведет нас к какой-либо важной информации, и даже если это произойдет, полученная информация, вероятно, не поможет нам улучшить конструкцию батареи.

В связи с этим хочу привести еще одно мнение Стюарта Рассела:

Данные — это не новая нефть, это «змеиное масло». Накопить кучу данных, не думая о проблеме, которую вы хотите решить, или о цели более высокого уровня — это пустая трата денег, в этом нет никакой ценности.

Почему модели, основанные на физике?

Авторы пишут:

[Модель, не зависящая от физики], представляет ограниченную ценность для информирования исследователей и инженеров о возможностях проектирования для улучшения производительности ячеек.

Модели, основанные на физике или вдохновленные физикой (например, модели эквивалентных схем), могут помочь исследователям осознать пробелы в их понимании физики клетки, особенно когда эти модели не смогут уловить реакцию клетки по напряжению на входной электрический ток. Поэтому важно не добавлять произвольные изучаемые компоненты в модель, основанную на физике, или создавать нейронные сети, управляемые физикой. Такие модели могут легко компенсировать некоторые неверные предположения о физике клетки, которые, по сути, были бы переоснащением.

Но в реальной работе система управления батареями должна включать в себя максимально точную модель ячейки, какой бы «физической» она ни была. Так что это может быть нейронная сеть, т.е. е. модель, отличная от той, что использовалась разработчиками ячеек.

[Модели машинного обучения] по своей сути являются интерполяционными, и нельзя ожидать, что они будут предсказывать поведение за пределами конверта обучающих данных; в качестве альтернативы хорошо параметризованная модель, основанная на физике, должна иметь возможность экстраполировать, если выбрана правильная физика.

Здесь я занимаю более оборонительную позицию: по моему мнению, литий-ионные элементы достаточно предсказуемы, чтобы интерполяционные алгоритмы могли покрыть большинство возможных отказов элементов. Крайне непредсказуемо, выйдет ли из строя какая-либо конкретная ячейка и когда, но в целом сбои должны относиться к ограниченному числу узнаваемых сценариев.

Мне кажется, что наиболее практичный подход — «легко» использовать наше понимание электрохимии клетки, оценивая особенности клетки по клеточной телеметрии, вместо того, чтобы надеяться, что глубокая нейронная сеть сама вычислит все эти параметры:

Но затем, после оценки всех этих параметров ячейки (подробнее о том, как это сделать, см. ниже), я думаю, мы можем использовать более общие статистические алгоритмы и распознавание образов для оценки состояния работоспособности ячейки и риска отказа.

Однако я не уверен, что у нас достаточно информации в батареях из небольших цилиндрических элементов даже для оценки параметров элементов. Авторы пишут:

[Электромобили] имеют достаточную бортовую аппаратуру, телеметрию и вычислительную мощность, чтобы делиться подробной диагностикой и прогнозами.

Я думаю, что это может быть справедливо только для батарей с большими призматическими элементами, где мы можем контролировать напряжение и ток на каждом элементе отдельно. Для ячеек цилиндрических ячеек это неэкономично.

Авторы также пишут, что модели, основанные на физике, помогают определить критические условия эксплуатации:

Определение наиболее критического состояния [при котором наиболее вероятно возникновение механического отказа или короткого замыкания] имеет большое практическое значение для автомобильной промышленности, поскольку позволяет уменьшить размер тестовой матрицы, стандартизировать условия испытаний и направить конструкция пассивной безопасности электромобилей.

Я думаю, мы уже хорошо понимаем, что это за критические условия: экстремальные температуры (высокие и низкие) и сильные течения. Но я согласен, что полезно то, что BMS может вычислять более точные пределы мощности с хорошей моделью, основанной на физике.

Преобразуйте модель электрической ячейки в предиктор стохастического параметра

Авторы предлагают применить подход из [2]: вероятностно прогнозировать параметры клетки путем обучения модели вариационный автоэнкодер (ВАЭ) после предварительного обучения на выходе модели электрохимической ячейки. Предварительное обучение выходным данным электрохимической модели (т. е. выходным данным моделирования) существенно упорядочивает модель VAE.

Наличие стохастической основы для одновременной оценки всех параметров имеет важное значение, поскольку литий-ионный элемент имеет только один выходной сигнал: напряжение. Изменения отклика напряжения часто можно отнести к изменениям различных параметров элемента. (например, скорость саморазряда, зависимость напряжения холостого хода или зарядная емкость). Оценка всех параметров по отдельности (например, с помощью линейной регрессии) будет чрезмерно реагировать на изменения в ячейке, полностью приписывая их нескольким различным параметрам. Более того, дисперсии оценок различных параметров не будут когерентными.

Даже фильтр Калмана, оценивающий сразу все параметры ячейки, скорее всего, не сможет различить вклад различных параметров ячейки в седловые изменения отклика ячейки по напряжению. Это связано с тем, что классический фильтр Калмана сохраняет только последние оценочные параметры в качестве своего состояния и не рассматривает историю телеметрии целостно. Например, изменения кулоновского КПД и скорости саморазряда приводят примерно к одному и тому же эффекту, если только мы не прогнозируем параметры, учитывая хотя бы несколько циклов заряда/разряда разной длины.

использованная литература

[1] «Прогнозирование срока службы батареи до снижения емкости на основе данных» (2019 г.)

[2] Вариационное автоматическое выравнивание для управления Sim-to-Real (2020)

Эта статья изначально была опубликована на Substack. Подпишитесь, чтобы получать новые публикации на Battery Discovery без платного доступа к Medium.