来自剑桥大学和纽卡斯尔大学的研究人员表示，这种新模式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。

 

该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，沐鸣测速地址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。根据该团队的说法，这种方法是非侵入性的，是对任何现有电池系统的简单附加。

 

专家表示，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最具挑战性的问题之一: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。然而，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。

 

剑桥大学卡文迪什实验室的Alpha Lee博士说:“安全可靠是最重要的设计标准，沐鸣测速因为我们开发的电池可以在一个小空间里储存大量能量。”“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。”

 

研究人员进行了超过20,000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，机器学习模型可以解释为退化的物理机制提供线索。它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。

 

同样来自卡文迪什实验室的张云伟博士说:“机器学习是对身体理解的补充和增强。”“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。他们还在开发最优的电池充电协议，沐鸣测速通过机器学习供电，以实现快速充电和最小化退化。