Les ingénieurs automobiles utilisant l’intelligence artificielle (IA) peuvent réduire les tests de batterie jusqu’à 70 %, selon le PDG et fondateur de Monolith, un fournisseur de logiciels d’IA pour les meilleures équipes d’ingénierie du monde.
Lors d’un discours prononcé aujourd’hui au Battery Show North America, le Dr Richard Ahlfeld expliquera aux participants comment les ingénieurs peuvent utiliser l’IA pour accélérer le développement et l’intégration des batteries et accélérer la transition du marché vers les véhicules électriques (VE).
Dans un extrait de son discours, il déclare : « Sur le marché en évolution rapide des véhicules électriques, les tests de batteries sont devenus un goulot d’étranglement majeur, ce qui rend difficile le lancement en temps opportun des véhicules électriques. La demande croissante et la pression concurrentielle intense pour améliorer l’autonomie et les temps de charge aggravent ce défi de manière exponentielle.
« Les ingénieurs effectuent des tests de batterie sur des milliers de canaux générant des téraoctets de données par semaine. Ils manquent de bancs d’essai et ne savent pas quels tests optimaux exécuter, et ils n’ont certainement pas la capacité d’apprendre de cette grande quantité de données aussi rapidement qu’ils le devraient.
« C’est là que l’IA entre en jeu. Grâce à leur capacité à apprendre des données, les ingénieurs de test peuvent comprendre des caractéristiques comportementales si complexes que, sans les bons outils, elles sont incroyablement difficiles à déchiffrer. Un logiciel d’intelligence artificielle qui apprend à partir de données de test réelles constitue un moyen fiable et efficace de résoudre les problèmes physiques complexes des batteries que les outils actuels de simulation et de planification des tests ne parviennent pas à résoudre efficacement.
« La promesse de l’IA est donc simple : une optimisation des plans de test qui offre une plus grande efficacité en R&D et une mise sur le marché plus rapide. Pour l’industrie de la voiture électrique, cela signifie accélérer le développement et l’intégration des batteries, et pour les clients, une transition plus rapide et plus sûre vers les véhicules électriques.
Monolith a publié cette année une mise à jour majeure du produit basée sur une nouvelle approche propriétaire d’apprentissage automatique appelée Next Test Recommender (NTR). qui est basé sur un algorithme d’apprentissage actif robuste. NTR fournit des recommandations actives sur les tests de validation qui doivent être effectués lors du développement de produits non linéaires difficiles à modéliser, tels que les batteries et les piles à combustible. Grâce à cet algorithme d’IA, les ingénieurs peuvent réduire les tests jusqu’à 70 %.
Dans un cas d’utilisation de pile à combustible, un ingénieur essayant de configurer un ventilateur pour fournir un refroidissement optimal dans toutes les conditions de conduite avait un plan de test pour cette application très complexe qui comprenait la réalisation d’une série de 129 tests. Lorsque ce plan de test a été inséré dans le logiciel Monolith, il a renvoyé une liste classée des tests à effectuer en premier. Sur 129 tests, la plateforme a recommandé que le dernier test (numéro 129) soit parmi les cinq premiers à être exécutés et que 60 tests suffisaient pour caractériser toutes les performances du ventilateur, ce qui représente une réduction de 53 % des tests.