创新背景

无论是智能手机还是汽车，电池的健康状况远比屏幕上的单个数字复杂得多。电池健康和人类健康一样，是一个多维度的问题，它可以以多种方式退化。大多数监测电池健康状况的方法都假设电池总是以相同的方式使用。但在现实生活中，人们并不是这样使用电池的。如果使用手机观看电视节目，它的电量消耗速度会比用手机发信息快得多。这和电动汽车一样——驾驶方式会影响电池的退化程度。

许多人会在电池退化到无法使用之前更换手机，但对于汽车来说，电池需要使用5年、10年甚至更长时间，电池容量会在这段时间内会发生巨大变化，所以研究人员需要找到一种更好的方式来检查电池的健康状况。

创新过程

剑桥大学的研究人员开发了一种机器学习算法，可以通过预测不同的驾驶模式对电池性能的影响，帮助电动车减少充电时间，延长电池寿命，提高安全性和可靠性。其研究结果发表在《自然通讯》杂志上。

研究人员表示，他们的算法可以通过建议尽量减少电池退化和充电时间的路线和驾驶模式，帮助司机、制造商和企业最大限度地利用电动汽车的电池。

该团队开发了一种非侵入性的方法来探测电池，并获得电池健康状况的整体视图。然后，这些结果被输入到一个机器学习算法中，该算法可以预测不同的驾驶模式将如何影响电池未来的健康状况。

如果商业化开发，该算法可以用于推荐让司机在最短时间内从一个点到另一个点的路线，或者推荐在不损坏电池的情况下以最快的方式给电池充电。

研究人员开发了一种非侵入式探头，向电池发送高维电脉冲并测量反应，提供了一系列电池健康的“生物标记”。这种方法对电池是温和的，不会导致它进一步退化。

电池发出的电信号被转换成电池状态的描述，然后输入到机器学习算法中。该算法能够预测电池在下一个充放电循环中会如何反应，这取决于电池充电的速度和汽车下次上路时的速度。对88个商用电池的测试表明，该算法不需要任何关于电池以前使用情况的信息来做出准确的预测。

所提出的方法与以往研究工作的比较

这项实验的重点是锂钴氧化物(LCO)电池，这种电池广泛用于可充电电池，但该方法适用于当今电动汽车使用的不同类型的电池化学物质。

研究人员现在正与电池制造商合作，加快开发更安全、更持久的新一代电池。他们还在探索如何利用他们的框架来开发最佳的快速充电协议，以减少电动汽车充电时间，而不造成退化。

创新关键点

剑桥大学开发了一种新的机器学习算法，通过非侵入式探头，向电池发送高维电脉冲并测量反应，然后提供一系列电池健康的“生物标记”来预测不同的驾驶模式对电池性能的影响。