研究人员设计了一种机器学习方法，可以预测电池的健康，比目前的行业标准高10倍，这可以帮助开发更安全和更可靠的电动汽车和消费电子电池。
来自剑桥大学和纽卡斯尔大学的研究人员设计了一种新的方法来监测电池，通过向它们发送电脉冲并测量响应。 然后用机器学习算法处理测量结果，以预测电池的健康和使用寿命。 他们的方法是非侵入性的，是一个简单的附加到任何现有的电池系统。 结果在“自然通讯”杂志上报道。
预测锂离子电池的健康状况和剩余的使用寿命是限制广泛使用电动汽车的一个大问题：这也是手机用户熟悉的烦恼。 随着时间的推移，电池的性能下降通过复杂的网络微妙的化学过程。 单独地，这些过程中的每一个对电池性能没有太大的影响，但总的来说，它们可以严重缩短电池的性能和寿命。
目前预测电池健康的方法是基于跟踪电池充放电过程中的电流和电压。 这忽略了表明电池健康的重要特性。 跟踪电池内部正在发生的许多过程需要新的方法来探测电池的作用，以及新的算法，可以检测微妙的信号，因为它们是充电和放电的。
剑桥大学Cavendish实验室的Alpha Lee博士说：“安全性和可靠性是最重要的设计标准，因为我们开发的电池可以在一个小空间内储存大量的能量。 我相信，通过改进监控充电和放电的软件，并使用数据驱动的软件来控制充电过程，我们可以大大提高电池的性能。
研究人员设计了一种监测电池的方法，通过向电池发送电脉冲并测量其响应。 然后使用机器学习模型来发现电气响应中的特定特征，这些特征是电池老化的明显标志。 研究人员进行了2万多次实验测量，以训练该模型，这是最大的数据集。 重要的是，该模型学习如何区分重要信号和无关噪声。 他们的方法是非侵入性的，是一个简单的附加到任何现有的电池系统。
研究人员还表明，机器学习模型可以被解释为给出关于退化的物理机制的提示。 该模型可以告知哪些电信号与老化最相关，这反过来允许他们设计特定的实验来探讨电池为什么和如何降解。
同样来自卡文迪什实验室的联合第一作者张云伟博士说：“机器学习是身体理解的补充和增强。” “我们的机器学习模型所识别的可解释信号是未来理论和实验研究的起点。”
研究人员现在正在使用他们的机器学习平台来了解不同电池化学中的降解情况。 他们还在开发最优的电池充电协议，通过机器学习供电，以实现快速充电和最小化退化。
进一步探讨