فناوری انقلابی هوش مصنوعی با دقت ۹۴٪ آتش‌سوزی باتری‌های الکتریکی را قبل از اشتعال شناسایی می‌کند
آتش‌سوزی در باتری‌های لیتیوم خطری برای دستگاه‌های نوآورانه و خودروهای الکتریکی ایجاد می‌کند. تلاش‌های متعددی برای جلوگیری از آتش‌سوزی در این باتری‌ها انجام شده است.
روش جدیدی ارائه شده که با استفاده از صدا می‌تواند زمانی که باتری‌های لیتیوم-یون در شرف آتش‌سوزی هستند را شناسایی کند.
محققان ادعا کردند که یک واکنش شیمیایی باعث افزایش فشار درون باتری قبل از آتش‌سوزی می‌شود.
باتری شروع به باد کردن می‌کند. بسیاری از سلول‌های باتری‌های لیتیوم-یون نمی‌توانند گسترش یابند زیرا دارای قفسه‌های سختی هستند که دارای یک سوپاپ ایمنی برای شکستن و آزاد کردن این فشار است.
بر اساس گفته محققان، این سوپاپ ایمنی شکسته و صدای مشخصی را ایجاد می‌کند، مانند صدای باز کردن یک بطری نوشابه.
الگوریتم یادگیری ماشینی می‌تواند صدای شکستن سوپاپ ایمنی را شناسایی کند
محققان در مؤسسه ملی استاندارد و فناوری (NIST) یک الگوریتم یادگیری ماشینی را
آموزش دادند
که می‌تواند صدای شکستن سوپاپ ایمنی را شناسایی کند.
محققان ابتدا نیاز داشتند که نمونه‌های زیادی از صدا داشته باشند تا الگوریتم کار کند.
با همکاری یک
آزمایشگاه
در دانشگاه علوم و فناوری شی‌آن، صداها را از ۳۸ باتری منفجرشده ضبط کردند.
سپس، محققان سرعت و ارتفاع صداهای ضبط‌شده را تغییر دادند و آن‌ها را به بیش از ۱۰۰۰ نمونه صوتی منحصر به فرد تبدیل کردند که می‌توانستند برای تعلیم نرم‌افزار در مورد صدای شکستن سوپاپ ایمنی از آن‌ها استفاده کنند.
مانند
.
الگوریتم صدای باتری بیش‌گرم را ۹۴٪ مواقع شناسایی می‌کند
محققان ادعا کردند که الگوریتم به طرز شگفت‌انگیزی کار می‌کند زیرا آن‌ها
صدای
یک باتری بیش‌گرم را ۹۴٪ مواقع با استفاده از میکروفون نصب شده بر روی یک دوربین شناسایی کردند.
“من سعی کردم با استفاده از انواع صدای مختلف از جمله ضبط صدای افراد در حال راه رفتن، بستن درب، و باز کردن قوطی‌های نوشابه الگوریتم را دچار اشتباه کنم،”
وای چونگ “اندی” تام از NIST توضیح داد. “تنها تعداد کمی از آن‌ها تشخیص‌دهنده را دچار اشتباه کردند.”
محققان از ۱۱۲۸ نمونه داده صوتی از جمله فعالیت‌های مختلف انسانی برای تسهیل توسعه مدل تشخیص استفاده کردند که می‌تواند در شرایط واقعی استفاده شود.
“استفاده از داده صوتی ۱۰-ثانیه‌ای به عنوان ورودی و ساختار مدل شبکه عصبی پیچشی به عنوان ستون فقرات، مدل تشخیص دقت کلی ۹۳.۹٪ با نمره دقت و بازخوانی به ترتیب ۹۱.۶٪ و ۹۷.۷٪ دارد،” محققان در مطالعه خود توضیح دادند.
مطالعات پارامتری برای ارزیابی استحکام ساختار مدل پیشنهادی و اثربخشی روش‌های افزایش داده‌ها انجام می‌شود. علاوه بر این، عملکرد مدل در مقابل دو تست کامل با استفاده از کراس والیدیشن منفرد ارزیابی می‌شود، بر اساس گزارش محققان.
ادعا می‌شود که کار پیشنهادی می‌تواند به توسعه دستگاه تشخیص قوی کمک کند که قادر به ارائه هشدار زودهنگام در مورد فرار حرارتی است و به کاربران زمان بیشتری برای کاهش خطرات حریق شدید ممکن و/یا تخلیه امن می‌دهد.
پس از توسعه کامل، این فناوری می‌تواند برای ساخت نوع جدیدی از هشدار دهنده‌های حریق استفاده شود. این هشدارها می‌تواند در خانه‌ها و ساختمان‌های اداری یا در مکان‌هایی با تعداد زیادی باتری مانند انبارها و گاراژهای پارک وسایل نقلیه الکتریکی نصب شده و هشدارهای پیشرفته‌ای ارائه دهند که به افراد زمان بدهند تا تخلیه کنند.
بر اساس بیانیه مطبوعاتی NIST، کلید داشتن یک رابطه سالم با باتری‌های لیتیوم-یون گوش دادن دقیق به نظر می‌رسد.
