研究人员利用人工智能延长电池的使用寿命并监测电池的健康

研究人员正在使用人工智能技术，旨在延长电池的使用寿命并监测电池的健康，为下一代电动车和消费电子产品供应动力。

剑桥大学和纽卡斯尔大学的研究人员已经设计了一种机器学习办法，可以预测电池的运行状况，其准确性是当前行业标准的十倍。承诺开发更安全、更可靠的电池。

为了监测电池，研究人员将电脉冲发送到电池中并监测应和。然后，通过机器学习算法解决测量结果，以便预测电池的运行状况和使用寿命。该办法是非侵入性的，可以添加到任何电池系统中。

无法预测锂电池的剩余有用电量是电动车采用的一个限制，也令手机用户烦恼。当前用于预测电池运行状况的办法基于跟踪电池充电和放电期间的电流和电压。新办法可以捕获更多有关电池内部发生的情况，并可以更好地测试纤细的变化。

“安全和可靠性是最紧要的设计标准，因为我们开发电池，可以包装大量的能量在一个小空间，”阿尔法李博士说，剑桥的卡文迪什试验室，谁共同领导了这项研究。“通过改进监控充电和放电的软件，并使用数据驱动软件控制充电过程，我相信我们可以为电池性能供应巨大的改进。

剑桥大学卡文迪什试验室阿尔法·李博士

研究人员进行了20，000多次试验测量，以训练模型要怎么样发现电池老化的迹象。该模型学习要怎么样区分紧要信号和不相关的噪声。该模型知道什么电信号与老化最相关，然后准许研究人员设计特定的试验，以更深入地探究电池降解的原由。

”机器学习补充和增进了物理理解，“同样来自卡文迪什试验室的合著者张云伟博士说。我们的机器学习模型识别的可解释信号是将来理论和试验研究的起点。

能源部研究人员使用人工智能计算机视觉技术

能源部SLAC国家加速器试验室的研究人员正在利用人工智能计算机视觉技术来研究电池寿命。依据《科技日报》的一个报道，科学家们正在将机器学习算法与X射线断层扫描数据相结合，以在一个电池包件——阴极——中出现具体的降解图。引用的研究发表在《自然通讯》上。

关于由镍锰钴（NMC）粒子制成的阴极，由导电碳基质结合在一起。研究人员猜测，电池性能下降的一个原由可能是粒子从该矩阵中分离。该团队在SLAC的斯坦福同步辐射光源（SSRL）获得高级能力，该系是斯坦福大学能源系的一个部门，欧洲同步辐射设施（ESRF）是欧洲为推进X射线而开展的协作机构，总部设在法国格勒诺布尔。目标是构建NMC粒子要怎么样分离和远离矩阵的图片，以及这与电池性能损失的关系。

该团队转向具有人工智能能力的计算机视觉，以帮助开展研究。他们要一个机器学习模型来训练数据要怎么样识别不同类型的粒子，这样他们就可以开发一个三维图像，知道NMC粒子（大或小）要怎么样从阴极中分离出来。

作者鼓励对电池健康进行更多研究。”我们的发现突出了精确量化电池电极微结构的演变性质的紧要性，具有统计信心，这是最大限度地提高有源粒子对更高电池容量效用的关键，“作者说。

声明： 本站所发布文章部分图片和内容自于互联网，如有侵权请联系删除