人工智能技术可用于改善电池性能与安全

研究人员设计了一种机器学习方法，可以预测电池的健康状况，其准确度是目前行业标准的10倍，这可能有助于开发更安全、更可靠的电池，用于电动汽车和消费电子产品。

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，通过向电池发送电脉冲并测量其响应来监测电池。然后，这些测量数据被机器学习算法处理，以预测电池的健康状况和使用寿命。他们的方法是无创的，可简单的附加到任何现有的电池系统。研究结果发表在《自然通讯》（Nature Communications）杂志上。

预测锂离子电池的健康状况和剩余使用寿命是限制电动汽车广泛使用的一大难题:这也是手机用户熟悉的烦恼。随着时间的推移，电池性能会通过一系列复杂的精细化学过程而下降。单独来看，这些过程对电池性能没有太大的影响，但合在一起，它们会严重缩短电池的性能和寿命。

目前预测电池健康状况的方法是基于对电池充放电过程中电流和电压的跟踪。这忽略了显示电池健康状况的重要功能。追踪电池内部发生的许多过程需要新的方法来探测正在工作的电池，也需要新的算法来探测充电和放电时的细微信号。

“安全性和可靠性是最重要的设计标准，”来自剑桥卡文迪什实验室的阿尔法·李（Alpha Lee ）博士说，他是这项研究的负责人之一。“通过改进监测充放电的软件，并使用数据驱动软件来控制充电过程，我相信我们可以在电池性能上有很大的改善。”

研究人员设计了一种通过向电池发送电脉冲并测量其反应来监测电池的方法。然后使用一个机器学习模型来发现电反应的具体特征，这些特征是电池老化的信号。研究人员进行了超过20000次的实验测量来训练模型，这是同类数据中最大的数据集。重要的是，该模型学会了如何从无关的噪声中区分重要的信号。

研究人员还发现，机器学习模型可以为退化的物理机制提供线索。该模型可以告知哪些电信号与老化最相关，进而允许他们设计特定的实验来探究电池退化的原因和方式。

“机器学习是对物理理解的补充和增强，”第一作者之一、同样来自卡文迪什实验室的张云伟博士说。“我们的机器学习模型识别出的可解释信号是未来理论和实验研究的起点。”

研究人员现在使用他们的机器学习平台来了解不同电池化学物质的降解。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。