新的机器学习模型使用最少的数据识别电池电量和健康状况

基于充电曲线的一部分预测电池的整个充电曲线的工作流。连续段和多个分离段均可用作输入。输出电荷曲线可以使用dQ dV分析得出许多关键状态（SOC，SOH和剩余能量），甚至电池的老化机制

锂离子电池是我们最喜欢的许多设备（如手机和笔记本电脑）的首选电源，随着电动汽车取代汽油动力汽车成为新标准，锂离子电池的存在将继续扩大。

使用便携式电源需要一流的安全和维护功能。来自卡内基梅隆大学和德克萨斯大学奥斯汀分校的一组研究人员设计了一个电池管理系统，对电池健康状况进行关键诊断，以便驾驶员能够做出明智的决定。该模型着眼于两个关键诊断，即充电状态和健康状态。

在短期内，查看充电状态可以让驾驶员知道他们是否有足够的电量到达目的地，而从长远来看，电池健康数据可以根据电池保持充电的能力来确定是否是时候更换电池相对于新电池时。

Reeja Jayan解释说，虽然大多数电动汽车中已经存在电池管理系统，但有一些品质使这款新车型脱颖而出。

“我们有一个数据库，其中包含大约11，000条实验收集的特定电池阴极化学充电曲线，”机械工程副教授Jayan说。“我们使用它们来训练机器学习模型，以使用稀疏数据输入预测完整的充电曲线。

这项研究的独特性和实用性在于，这种基于机器学习的电池管理系统获取的数据最少 - 仅占电池充电曲线的百分之五 - 并产生误差幅度为15%的充电预测。数据收集本身也简单得多，只需要大约<>分钟的充电时间来计算曲线并确定电池健康状况。

这些信息甚至可以以增量收集，因此即使充电中断，也不会破坏正在进行的分析。凭借如此令人印象深刻的准确率，该模型用于预测完全不同的阴极化学。更新版本将减少数据驱动，而是将物理组件纳入电池充电曲线的计算中。

虽然实验室收集的数据集对于训练原始机器学习模型进行预测很有用，但该来源也有局限性，因为它无法帮助研究人员查明导致电池故障的具体因素。

“我们在研究中使用的充电曲线是在恒定的c速率和室温下收集的，”Jayan说，“但在实际电池应用中，充电电流和温度变化很大。收集和使用真实数据作为机器学习模型的输入将是改进模型的重要下一步。

使用环境因素来计算电池的电荷和最终放电曲线将超出人类可能产生的复杂程度。

“现在我们有一个模型，它使用无监督的峰值识别算法来识别电池充电曲线中的特定特征，”Jayan说。“神经网络模型更进一步，了解为什么电池充电曲线的形状可能会发生变化 - 例如，如果粒子破裂。曲线形状和各种电池退化机制之间的这种相关性对于预测未来的电池性能和安全性至关重要。

团队的系统不仅具有解释性和预测性，而且还可以转移到由不同阴极化学物质制成的电池上。虽然钴酸锂几十年来一直是黄金标准，但它也可能很昂贵。越来越多的制造商正在生产由其他材料制成的电池，因此拥有一个适应它们的系统是有意义的。（该模型首先在锂镍氧化物阴极上进行测试，然后成功转移到钴酸锂上。

在处理新兴电池材料时，准确评估电池健康状况对于减轻安全问题也很重要，因为它们的寿命和耐用性尚未得到如此广泛的研究，但可能会依靠它们来容纳越来越多的车辆。

该研究领域未来最有用的资源之一是从道路上的电动汽车电池中提取的数据。使用真实世界的数字和复杂的神经网络将使电池管理系统能够以更高的准确性进行充电和放电预测，这将对电动汽车的维护方式产生连锁反应，因为它们变得越来越普遍。