Forskare har utformat en maskininlärningsmetod som kan förutsäga batteriets hälsa med 10x högre noggrannhet än nuvarande branschstandard, vilket kan hjälpa till att utveckla säkrare och mer tillförlitliga batterier för elfordon och konsumentelektronik.

Forskarna, från Cambridge och Newcastle universitet, har utformat ett nytt sätt att övervaka batterier genom att skicka in elektriska pulser i dem och mäta svaret. Mätningarna bearbetas sedan av en algoritm för maskininlärning för att förutsäga batteriets hälsa och användbara livslängd. Deras metod är icke-invasiv och är ett enkelt tillägg till alla befintliga batterisystem. Resultaten rapporteras i journalen Naturkommunikation .

Att förutsäga hälsotillståndet och återstående livslängd för litiumjonbatterier är ett av de stora problemen som begränsar utbredd användning av elfordon:det är också ett välbekant irritation för mobiltelefonanvändare. Över tid, batteriets prestanda försämras via ett komplext nätverk av subtila kemiska processer. Individuellt, var och en av dessa processer har ingen större effekt på batteriets prestanda, men tillsammans kan de kraftigt förkorta batteriets prestanda och livslängd.

Nuvarande metoder för att förutsäga batteriets hälsa bygger på att spåra ström och spänning under batteriladdning och urladdning. Detta saknar viktiga funktioner som indikerar batteriets hälsa. Att spåra de många processerna som sker inom batteriet kräver nya sätt att undersöka batterierna, liksom nya algoritmer som kan upptäcka subtila signaler när de laddas och urladdas.

"Säkerhet och tillförlitlighet är de viktigaste designkriterierna när vi utvecklar batterier som kan packa mycket energi i ett litet utrymme, "sa Dr. Alpha Lee från Cambridge Cavendish Laboratory, som ledde forskningen. "Genom att förbättra programvaran som övervakar laddning och urladdning, och använder datadriven programvara för att styra laddningsprocessen, Jag tror att vi kan ge en stor förbättring av batteriets prestanda. "

Forskarna utformade ett sätt att övervaka batterier genom att skicka in elektriska pulser i det och mäta dess respons. En maskininlärningsmodell används sedan för att upptäcka specifika funktioner i det elektriska svaret som är ett tecken på batteriets åldrande. Forskarna utförde över 20, 000 experimentella mätningar för att träna modellen, den största datamängden i sitt slag. Viktigt, modellen lär sig att skilja viktiga signaler från irrelevant brus. Deras metod är icke-invasiv och är ett enkelt tillägg till alla befintliga batterisystem.

Forskarna visade också att maskininlärningsmodellen kan tolkas för att ge tips om den fysiska nedbrytningsmekanismen. Modellen kan informera vilka elektriska signaler som är mest korrelerade med åldrande, vilket i sin tur låter dem utforma specifika experiment för att undersöka varför och hur batterier bryts ned.

"Maskininlärning kompletterar och förstärker fysisk förståelse, "sa den första författaren Dr Yunwei Zhang, även från Cavendish Laboratory. "De tolkbara signalerna som identifieras av vår maskininlärningsmodell är en utgångspunkt för framtida teoretiska och experimentella studier."

Forskarna använder nu sin maskininlärningsplattform för att förstå nedbrytning i olika batterikemi. De utvecklar också optimala batteriladdningsprotokoll, drivs av maskininlärning, för att möjliggöra snabb laddning och minimera nedbrytning.