Los ingenieros automotrices que utilizan inteligencia artificial (IA) pueden reducir las pruebas de baterías hasta en un 70 %, según el director ejecutivo y fundador de Monolith, un proveedor de software de IA para los equipos de ingeniería más importantes del mundo.
Durante un discurso de apertura hoy en Battery Show North America, el Dr. Richard Ahlfeld explicará a los asistentes cómo los ingenieros pueden utilizar la IA para acelerar el desarrollo y la integración de baterías y acelerar la transición del mercado hacia los vehículos eléctricos (EV).
En un extracto de su discurso, dice: “En el vertiginoso mercado de los vehículos eléctricos, las pruebas de baterías se han convertido en un importante cuello de botella, lo que dificulta el lanzamiento oportuno de los vehículos eléctricos. La creciente demanda y la intensa presión competitiva para mejorar el alcance y los tiempos de carga agravan este desafío de manera exponencial.
“Los ingenieros realizan pruebas de batería en miles de canales generando terabytes de datos por semana. Se están quedando sin bancos de pruebas y no saben qué pruebas óptimas ejecutar, y ciertamente no tienen la capacidad de aprender de esta gran cantidad de datos tan rápido como necesitan.
“Aquí es donde entra en juego la IA. A través de la capacidad de aprender de los datos, los ingenieros de pruebas pueden comprender características de comportamiento que son tan complejas que, sin las herramientas adecuadas, son increíblemente difíciles de descifrar. El software de inteligencia artificial que aprende de los datos de pruebas del mundo real es un medio confiable y eficaz para resolver la física intratable de las baterías que las herramientas actuales de simulación y planificación de pruebas no resuelven de manera eficiente.
“La promesa de la IA, por lo tanto, es simple: optimización del plan de pruebas que ofrezca una mayor eficiencia en I+D y un tiempo de comercialización más rápido. Para la industria del automóvil eléctrico, esto significa acelerar el desarrollo y la integración de baterías, y para los clientes, una transición más rápida y segura a los vehículos eléctricos”.
Monolith lanzó este año una importante actualización de producto basada en un nuevo enfoque patentado de aprendizaje automático llamado Next Test Recommender (NTR) que se basa en un sólido algoritmo de aprendizaje activo. NTR ofrece recomendaciones activas sobre las pruebas de validación que se deben realizar durante el desarrollo de productos no lineales difíciles de modelar, como baterías y pilas de combustible. Con este algoritmo de IA, los ingenieros pueden reducir las pruebas hasta en un 70%.
En un caso de uso de celda de combustible, un ingeniero que intentaba configurar un ventilador para proporcionar una refrigeración óptima en todas las condiciones de conducción tenía un plan de prueba para esta aplicación altamente compleja que incluía realizar una serie de 129 pruebas. Cuando este plan de prueba se insertó en el software Monolith, arrojó una lista clasificada de qué pruebas se debían realizar primero. De 129 pruebas, la plataforma recomendó que la última prueba (la número 129) debería estar entre las primeras cinco en ejecutarse y que 60 pruebas fueron suficientes para caracterizar el rendimiento completo del ventilador, lo que representa una reducción del 53 % en las pruebas.