編輯 | 白菜葉

電池在其整個生命周期內的實時板載狀態(tài)監(jiān)測和估計，對于電池供電設備的安全和持久運行是必不可少的。

卡內基梅隆大學（Carnegie Mellon University）和德克薩斯大學奧斯汀分校（The University of Texas at Austin）的研究人員，開發(fā)了一種利用短時間內收集的有限輸入信息來預測整個恒流循環(huán)曲線的方法。

該團隊總共收集了 10 066 條 LiNiO2 基電池在恒定倍率下的充電曲線。通過特征提取步驟和多元線性回歸步驟的結合，該方法可以僅使用10%的充電曲線作為輸入信息來準確預測整個電池充電曲線，誤差<2%。該方法為實際應用中電池的快速車載健康狀態(tài)監(jiān)測評估鋪平了道路。

該研究以「Battery Charge Curve Prediction via Feature Extraction and Supervised Machine Learning」為題，于 2023 年 7 月 2 日發(fā)布在《Advanced Science》。

鋰離子電池（LIB）正在成為占主導地位的可充電電池，并廣泛用于便攜式電子設備和電動汽車（EV）。連接數(shù)百甚至數(shù)千個鋰離子電池，為電動汽車提供充足的能量。

例如，特斯拉 Model 3 的標準續(xù)航版本搭載 2,976 個鋰離子電池，排列為 96 組，每組 31 節(jié)電池，長續(xù)航版本則包含 4,416 個鋰離子電池，排列為 96 組，每組 46 節(jié)電池。一顆電池的故障可能會迅速傳播到整個電池組，從而引發(fā)電池系統(tǒng)故障，并可能導致冒煙、起火、爆炸等安全問題。

因此，需要準確監(jiān)測電池的荷電狀態(tài)（SOC）和剩余能量等狀態(tài)以及健康狀況等狀態(tài)，以確保其可靠、安全使用。

來自卡內基梅隆大學和德克薩斯大學奧斯汀分校的研究團隊設計了一種電池管理系統(tǒng)，可以對電池健康狀況進行關鍵診斷。該模型著眼于兩個關鍵的診斷：充電狀態(tài)和健康狀態(tài)。

從短期來看，查看充電狀態(tài)可以讓駕駛員知道他們是否有足夠的電量到達目的地，而從長遠來看，電池健康數(shù)據(jù)可以根據(jù)電池相對于新電池時的充電能力來確定是否需要更換電池。

圖示：根據(jù)充電曲線的一部分預測電池的整個充電曲線的工作流程。（來源：論文）

卡內基梅隆大學機械工程副教授 Reeja Jayan 解釋說，雖然電池管理系統(tǒng)已經(jīng)存在于大多數(shù)電動汽車中，但有一些品質使這款新車型脫穎而出。

「我們有一個數(shù)據(jù)庫，其中包含約 11,000 條通過實驗收集的特定電池陰極化學物質的充電曲線?！笿ayan 說， 「我們用它們來訓練機器學習模型，以使用稀疏數(shù)據(jù)輸入來預測完整的充電曲線?！?/p>

這項研究的獨特性和實用性在于，這種基于機器學習的電池管理系統(tǒng)只需要最少的數(shù)據(jù)——僅電池充電曲線的 5%——并產(chǎn)生誤差率為 2% 的充電預測。數(shù)據(jù)收集本身也簡單得多，只需要大約 15 分鐘的充電時間即可計算曲線并確定電池健康狀況。

圖示：使用無監(jiān)督學習算法提取和重建電池充電曲線特征。（來源：論文）

這些信息甚至可以增量收集，因此即使充電中斷，也不會破壞正在進行的分析。該模型具有如此令人印象深刻的準確率，可用于對完全不同的陰極化學進行預測。更新版本將減少數(shù)據(jù)驅動，而是將物理組件納入電池充電曲線的計算中。

雖然實驗室收集的數(shù)據(jù)集對于訓練原始機器學習模型進行預測很有用，但該來源也有局限性，因為它無法幫助研究人員查明導致電池故障的具體因素。

「我們在研究中使用的充電曲線是在室溫下以恒定的充電速率收集的?！笿ayan 說，「但充電電流和溫度在現(xiàn)實世界的電池應用中變化很大。收集和使用真實數(shù)據(jù)作為機器學習模型的輸入將是改進模型的重要的下一步?！?/p>

使用環(huán)境因素來計算電池的充電和最終放電曲線，將超出人類所能產(chǎn)生的復雜程度。研究人員比較了人類專家和機器學習算法量化電池老化機制的能力。其中無監(jiān)督學習算法在捕獲量化電池老化機制所需的特征方面表現(xiàn)更好。與之前的研究只能以一個連續(xù)的電荷曲線段作為輸入不同，該方法可以以多個獨立的段作為輸入，這將大大增加該方法的實際適用性。

「它使用無監(jiān)督峰值識別算法來識別電池充電曲線中的特定特征?！笿ayan 說， 「神經(jīng)網(wǎng)絡模型更進一步，了解為什么電池充電曲線的形狀可能會發(fā)生變化——例如，如果一個顆粒破裂。曲線形狀和各種電池退化機制之間的這種相關性對于預測未來電池的性能和安全性至關重要?！?/p>

該團隊的系統(tǒng)不僅具有解釋性和預測性，而且還可以轉移到由不同陰極化學物質制成的電池上。雖然 LiCoO2 電池幾十年來一直是黃金標準，但它也可能很昂貴。越來越多的制造商開始生產(chǎn)由其他材料制成的電池，因此擁有一個適用于它們的系統(tǒng)是有意義的。

該模型首先在 LiNiO2 陰極上進行測試，然后成功轉移到 LiCoO2 陰極上。對于 LiNiO2 電池，該模型僅使用 10% 的曲線作為輸入，即可實現(xiàn)整個充電曲線 2% 的預測誤差；對于基于 LiCoO2 的電池，該模型僅使用 5% 的曲線作為輸入，即可實現(xiàn)相同的精度。

在處理新興電池材料時，準確評估電池健康狀況對于緩解安全問題也很重要，因為它們的壽命和耐用性尚未得到如此廣泛的研究，但它們可能會被依賴來適應越來越多的車輛。

該研究領域未來最有用的資源之一是從路上行駛的電動汽車電池中獲取的數(shù)據(jù)。使用真實世界的數(shù)據(jù)和復雜的神經(jīng)網(wǎng)絡將使電池管理系統(tǒng)能夠以更高的精度進行充電和放電預測，隨著電動汽車變得越來越普遍，這將對電動汽車的維護方式產(chǎn)生連鎖反應。

論文鏈接：https://onlinelibrary.wiley.com/doi/10.1002/advs.202301737

相關報道：https://techxplore.com/news/2023-08-portable-power-machine-battery-health.html

相關知識

探索手機電池健康狀況的識別方法
環(huán)境適應性評分的機器學習模型
利用體脂預測數(shù)據(jù)集：探索健康評估的機器學習之旅
智能科技驅動：機器學習在健康數(shù)據(jù)分析中的創(chuàng)新應用與未來展望
如何智能評估EV電池健康狀況？【鉅大鋰電】
機器學習輔助圖像處理
手機電池健康狀況的多種測量方法
手機電池校準詳解：解決電量顯示問題，延長電池壽命
TinyML：輕量級機器學習技術及其在運動健康領域的革新應用
vivo手機電池如何校準電量

網(wǎng)址: 僅需少量數(shù)據(jù)，機器學習模型可準確識別電池健康狀況 ｜ 機器之心 http://m.u1s5d6.cn/newsview1293390.html