研究人員設計了一種機器學習方法，可以以比當前行業標準高10倍的準確度預測電池健康狀況，從而有助於開發用於電動汽車和消費電子產品的更安全，更可靠的電池。
來自劍橋大學和紐卡斯爾大學的研究人員設計了一種透過向電池傳送電脈衝並測量響應來監視電池的新方法。然後，透過機器學習演算法處理測量結果，以預測電池的健康狀況和使用壽命。他們的方法是非侵入性的，並且是任何現有電池系統的簡單補充。結果發表在《自然通訊》雜誌上。
預測鋰離子電池的健康狀態和剩餘使用壽命是限制電動汽車廣泛採用的主要問題之一：這也是行動電話使用者的煩惱。隨著時間的流逝，電池效能會透過複雜的精細化學過程網路而降低。單獨地，這些過程中的每一個都不會對電池效能產生太大影響，但是總的來說，它們會嚴重縮短電池的效能和使用壽命。
當前的預測電池健康的方法是基於跟蹤電池充電和放電期間的電流和電壓。這錯過了指示電池狀態的重要功能。跟蹤電池中發生的許多過程需要探測電池實際執行情況的新方法，以及可以在充電和放電時檢測出細微訊號的新演算法。
劍橋大學卡文迪許實驗室的博士說：“安全性和可靠性是最重要的設計標準，因為我們開發的電池可以在一個很小的空間內包裝大量能量。” “透過改進監視充電和放電的軟體，並使用資料驅動的軟體來控制充電過程，我相信我們可以大大改善電池效能。”
研究人員設計了一種透過向電池傳送電脈衝並測量其響應來監視電池的方法。然後使用機器學習模型發現電響應中的特定特徵，這些特徵是電池老化的跡象。研究人員進行了20，000多次實驗測量，以訓練該模型，這是同類最大的資料集。重要的是，該模型學習瞭如何區分重要訊號與無關噪聲。他們的方法是非侵入性的，並且是對任何現有電池系統的簡單補充。
研究人員還表明，機器學習模型可以解釋為退化的物理機制的提示。該模型可以告知哪些電訊號與老化最相關，這反過來又使它們可以設計特定的實驗來探究電池退化的原因和方式。
共同第一作者，來自卡文迪許實驗室的張雲偉博士說：“機器學習補充並增強了對身體的理解。” “我們的機器學習模型識別出的可解釋訊號是未來理論和實驗研究的起點。”
研究人員現在正在使用他們的機器學習平臺來了解不同電池化學性質的退化。他們還開發了最佳的電池充電協議，並透過機器學習進行供電，以實現快速充電並最大程度地降低退化。
這項工作是在法拉第研究所的資助下進行的。李博士也是聖凱瑟琳學院的研究員。
