使用机器学习模型准确预测电池寿命

锂离子电池由于其能量密度高、寿命长和成本低而被用于广泛的应用。在过去几年中，混合动力和电动汽车的商业化刺激了对优质电池的需求不断增长。因此，分析电池“健康”变得越来越重要。

然而，电池技术发展的主要障碍之一是监测和测试电池健康状况，这需要大量时间，而且过程会影响电池寿命。

一个称为健康状态 (SOH) 的参数表示电池相对于其理想或初始条件的能量储存能力。对于新电池，SOH 通常为 100%，但会随着时间的推移而下降。评估 SOH 对于安全和正确使用电池很重要。但是，没有任何技术可以在不损害电池寿命的情况下准确确定该值。

电池的 SOH 与随着电池老化而出现的两个因素有关 –

在锂离子电池中，阻抗的增加和存储容量的损失发生在许多相互作用的过程中。由于这些过程发生在相似的时间尺度上，因此很难独立分析它们。因此，不能使用单一的直接测量来评估 SOH。

[用于确定 SOH] 的传统技术涉及评估电池电极之间的相互作用。但由于这会使电池不稳定，因此这些技术是不可接受的。

目前，有两种方法可以以破坏性较小的方式确定 SOH：自适应模型和实验方法。第一种方法使用电池性能数据进行自我调整并减少错误。但是，这类方法需要在实验数据上进行训练，然后才能在生产环境中实际使用。

另一方面，第二种方法可用于确定电池中发生的特定故障机制或物理过程。这提供了对未来容量退化率的良好估计。然而，这种方法无法识别间歇性故障。

现在，麻省理工学院、斯坦福大学和丰田研究所的研究人员已经提出了可以准确确定电池 SOH 的人工智能 (AI) 模型。

该团队创建了一个全面的数据集，用于表征 124 块锂离子电池的性能。当电池经历不同的快速充电条件时记录数据。数据中包含了广泛的充电和放电循环（250 - 2,300）。

参考：自然 | doi:10.1038/s41560-019-0356-8

然后，他们使用机器学习 (ML) 方法来检查数据并生成可以准确估计电池循环寿命的模型。他们只分析了每个电池的前 100 次循环（在有明显的存储容量损失迹象之前）。

估计与观察到的电池寿命 |虚线表示估计和观察相等的地方，供参考|研究人员提供

ML 生成的最佳模型能够正确估计 91% 电池的循环寿命。研究人员还使用这种方法来研究每个电池前 5 次循环的数据。这次的目标是弄清楚电池的寿命是长还是短（大于或小于 550 次充放电循环）。在这种情况下，模型对 95% 的电池做出了正确的预测。

虽然新模型比传统的 SOH 确定方法更有效，但它们在预测存储容量已经在一定程度上衰减的电池的循环寿命方面不太准确。

阅读：新型铝石墨烯电池5秒即可充满

研究团队认为，他们的新方法是估算锂离子电池生命周期的一种很有前景的方法，有助于新兴电池技术的开发/改进。

工业技术