（：Cambridge官網(wǎng)）

據(jù)外媒報道，研究人員設計了一種可以預測電池健康狀況的機器學習方法，其準確度是目前行業(yè)標準的10倍，或將助力開發(fā)更安全、更可靠的電池，以用于電動汽車和消費電子產(chǎn)品。

劍橋大學和紐卡斯爾大學（NewcastleUniversities）的研究人員，通過向電池發(fā)送電脈沖并測量其響應來監(jiān)測電池，接著利用機器學習算法處理這些測量數(shù)據(jù)，預測電池的健康狀況和使用壽命。

鋰電池的健康狀況和剩余使用壽命難以預測，這是限制電動汽車推廣的一大難題。在運行過程中，電池內(nèi)會發(fā)生一系列復雜微妙的化學變化，長此以往將嚴重影響電池的性能和壽命。目前預測電池健康狀況的方法，重要以跟蹤充放電過程中的電流和電壓為基礎，但并不能顯示電池的具體狀態(tài)。想要追蹤電池內(nèi)部發(fā)生的一系列過程，要找到探測電池工作狀態(tài)的新方法，也要新的算法，探測充放電時的細微信號。

本項研究負責人之一、劍橋大學卡文迪許實驗室的Dr.AlphaLee表示：安全性和可靠性是最重要的設計標準，因為我們開發(fā)的電池體積小，容量大。通過改進監(jiān)測充放電的軟件，并利用數(shù)據(jù)驅動軟件控制充電過程，相信我們可以大幅提升電池性能。

研究人員設計了一種方法，通過向電池發(fā)送電脈沖并測量其響應來監(jiān)測電池。然后，利用機器學習模型，發(fā)現(xiàn)電反應的具體特點，找到電池老化的訊號。研究人員進行了20,000多次測量實驗來訓練模型，這是同類數(shù)據(jù)中最大的數(shù)據(jù)集。重要的是，該模型學會了如何區(qū)分無關噪聲和重要信號。這種非干預式方法，可以輕松應用至當前所有電池系統(tǒng)。

研究人員還發(fā)現(xiàn)，機器學習模型可以供應物理機制退化的線索。該模型能夠顯示，什么電信號最有可能和老化有關，幫助他們設計具體實驗，探究電池退化的原因和方式。

研究人員通過機器學習平臺，不斷了解電池中各種化學成份的退化過程，并通過機器學習開發(fā)最優(yōu)電池充電計劃，以實現(xiàn)快速充電，并盡量減緩電池退化。首席作者之一Dr.YunweiZhang稱：機器學習可以補充和提升物理理解。機器學習模型識別出的可解釋信號，是未來理論和實驗研究的起點。