基于机器学习的电池健康诊断技术 | 2023人工智能大会青年科学家论坛

张云蔚 中山大学

研究背景：电池健康诊断技术

• 电池老化机制：电极附近形成固态电解质层影响导电性
• 传统行为：通过经验公式模拟->通过大数据方法判断电池容量变化
• 通过机器学习评估容量变化显示老化过程

引入技术：电化学阻抗谱

• 该技术可以探测电池嫩不电池老化技术，可以获得电池内部的情况
• 检测机理：给定一变频激励信号，通过电池反应得到EIS阻抗谱
• 问题：数据量过大（高维数据）无法通过人工进行识别（如何分析该阻抗谱）
• 传统等效电路模型方法：不唯一，可变性差
• 基于大数据的机器学习方法：适应性强，不筛选，可以进行不确定性预测

算法方法

• 电池数据的手机与模型搭建

  • 输入：通过商用纽扣电池 固定循环速度和温度 进行充放电循环 建立数据库

  • 输出：输出健康状态和循环寿命

  • \[\mathrm{f(x)}=\sum^{N_{data}}_{n=1} \alpha K(x) \]

• 结果

算法验证

• 采集更大量级数据进行模型验证（柱状电池|软包电池）

• 均能实现较为准确的状态评估\(R^2=0.975\)

• 结合精准电化学参数预警电池危险操作