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