El estudio propone un nuevo método para examinar baterías retiradas del mercado

En los últimos años, las ventas de vehículos eléctricos han experimentado un aumento significativo en muchos países, principalmente debido a la alta densidad de energía y las bajas propiedades de autodescarga de las baterías de iones de litio. Sin embargo, el reciclaje y la clasificación seguros y eficientes de las baterías de los vehículos eléctricos se han convertido en un tema crítico.

En un estudio publicado en Aplicaciones de ingeniería de la inteligencia artificial.El grupo del Dr. Lin Mingqiang del Instituto de Investigación sobre la Estructura de la Materia de Fujian de la Academia de Ciencias de China propuso un nuevo método para examinar baterías de retiro basado en campos de diferencia angular de Gram y ConvNeXt.

Los investigadores primero usaron una aproximación de agregación segmentaria para reducir la dimensionalidad del conjunto de datos de la batería retirado en una curva de voltaje de carga constante que usa una ventana deslizante para generar datos de secuencia corta que muestran una tendencia similar a los datos de secuencia larga originales. Este proceso resultó en la reducción de datos mientras se preservaba la información básica de las características y se reducía la sobrecarga computacional.

Luego, el equipo convirtió la curva de carga de CC simplificada en una imagen bidimensional utilizando una matriz Gramian (GM). Se utilizó el método de campos de diferencia angular de Gram (GADF) para codificar información en series temporales unidimensionales utilizando la matriz de Gram. Se aplicó normalización y procesamiento de coordenadas polares a los datos, seguido de una operación de producto interno para generar la imagen GADF. Esta técnica eliminó efectivamente la información multimodal redundante, redujo el impacto de la no linealidad de los datos y redujo el ruido.

Además, los científicos clasificaron las imágenes GADF para la detección de baterías retiradas del mercado. La red ConvNeXt actualizó dinámicamente los pesos de los núcleos convolucionales, las condiciones de sesgo, los factores de escala y otros parámetros de la red mediante el descenso de gradiente y el optimizador Adaptive Moment Estimation Weight Decay (AdamW) para lograr un rendimiento óptimo. El optimizador tuvo en cuenta la pérdida de peso para evitar el sobreajuste. Gracias al algoritmo de retropropagación, la red aprendió los pesos apropiados para las capas ocultas a partir de los datos de entrenamiento. Estos pesos se actualizaron y optimizaron constantemente durante el proceso de entrenamiento para minimizar la función de pérdida.

Al comparar GADF y los métodos tradicionales y evaluar diferentes redes de clasificación de imágenes, los investigadores descubrieron que el uso de GADF como entrada a la red ConvNeXt resultó en una mejor precisión de detección. Las direcciones de investigación futuras se centrarán principalmente en explorar estrategias de detección de baterías descontinuadas basadas en voltaje parcial y extender el conjunto de datos para probar la generalización del modelo.

Este estudio brinda orientación sobre cómo reducir la dependencia de la selección manual y aumentar la precisión de la detección basada en datos de las baterías retiradas del mercado.