| dc.description.abstract | Lithium-ione-batterier spiller en sentral rolle i det grønne skiftet gjennom bruk i energilagring og elektrifisering av transportsektoren. Det er midlertidig utfordringer knyttet til forringelse av lithium-ione-batterier, noe som medfører redusert ytelse og levetid. Dette er en høyst kompleks prosess, noe som gjør maskinlæringsmodeller spesielt egnet for å estimere helsetilstand og levetid til batterier. Nøyaktig estimering og modellering av batteriets helsetilstand er avgjørende for sikker og effektiv drift, samtidig som det åpner for økt innsikt i underliggende årsaker til batteriforringelse.
Dette arbeidet presenterer et enkelt 1D konvolusjonelt nevralt nettverk (CNN) for prediksjon av gjenværende levetid, både i antall ladesykler og normalisert mot total levetid, basert på informasjon fra inkrementell kapasitet (IC) under hurtigladning. Gjennom analyse av beslutningsprosessen til CNN-et undersøkes hvilke spenningsområder og inngangssignaler som modellen relaterer til redusert gjenværende levetid.
CNN-et oppnår en RMSE og MAD på henholdsvis 171 og 130 sykler. Ved prediksjon av normalisert gjenværende levetid, er RMSE og MAD på henholdsvis 0,075 og 0,057. Til tross for en enkel arkitektur og begrenset inngangssignal, demonstrerer modellen evnen til å identifisere relevante sammenhenger mellom IC kurver og levetid. Videre undersøkelse tyder på at CNN-et assosierer redusert levetid med IC-reduksjon i spenningsregionen forbundet med interkalering av anoden. Mønstrene gjenkjent av modellen kan dermed tilskrives redusert tilgjengelig kapasitet i dette spenningsvinduet. I tillegg ser også signal ved lavere spenninger ut til indikere redusert RUL.
Samlet sett demonstrere arbeidet hvordan CNN-prosesserte IC kurver fra hurtiglading kan benyttes for levetidsestimering. Funnene bidrar til en bedre forståelse av beslutningsprosessen og gir innsikt i forringelsesprosessen. | |
| dc.description.abstract | Lithium-ion batteries (LIBs) are essential in transitioning to clean and renewable energy, serving as energy storage and power sources in transportation. However, battery degradation poses a significant challenge to their durability and performance. Due to the inherent complexity of the degradation process, machine learning methods have emerged as a promising modeling approach for SOH estimation and lifetime prediction due to their ability to model complex processes solely from data. Accurate estimation of the state of health (SOH) is essential to ensuring safe and effective operation, potentially revealing new insights into the underlying degradation process.
In this work, we propose a shallow 1D convolutional neural network (CNN) architecture to leverage information in fast-rate incremental capacity (IC) curves for predicting the remaining useful life (RUL) of LIBs, both in units of cycles and normalized to the total lifetime. Additionally, we look into the decision-making process of the CNN by identifying voltage regions and input patterns that correlate with reduced RUL.
The CNN demonstrates a root mean squared error (RMSE) and a mean absolute deviation (MAD) of 171 cycles and 131 cycles, respectively, when predicting RUL. For normalized RUL, the predictive performance improves, achieving an RMSE and MAD of 0.075 and 0.057, respectively. Despite the shallow architecture and limited input features, the CNN demonstrates the ability to connect features in the IC curves to remaining life. Furthermore, The CNN identifies consistent patterns indicating cell degradation, particularly related to IC peak reductions in voltage regions associated with graphite staging. The patterns can be attributed to reduced accessible capacity in this voltage window. Furthermore, the appearance of peaks at lower voltages may also indicate decreased RUL.
Overall, this work demonstrates the effectiveness of CNN-processed fast-rate IC difference curves for lifetime predictions of LIBs. The findings contribute to a better understanding of the CNN's decision-making process and provide insights into degradation patterns in LIBs. | |
