10月12日,我校丁汉院士、黄云辉教授、袁烨教授组成的创新交叉团队在英国皇家化学学会的旗舰期刊《Energy & Environmental Science》(能源材料领域国际顶级学术期刊,影响因子:39.714)上,发表了题为《Real-time personalized health status prediction of lithium-ion batteries using deep transfer learning(基于深度迁移学习的锂电池在线个性化健康评估)》原创性研究论文,被选为封面文章刊出。我校创新研究院、机械学院2017级博士生马贵君为第一作者,展现了我校机械、材料和人工智能双一流交叉学科的最新研究成果。
![](/__local/D/60/B0/CADE46568FBD8FCF6F5E5A9D008_CE0A5F67_16DED.png)
![](/__local/5/61/D9/440AB5E49EB6F683C6133CDD3DA_3C59EE0A_3766C.jpg)
在“双碳”国家战略大背景下,各行各业的动力系统电动化是必然趋势。作为“动力心脏”的电池健康评估是公认的高价值科研问题。电池健康评估技术结合电池材料修复和回收技术,可以优化能源产出率,有力推动“双碳”目标实现。近年来,以机器学习为代表的电池健康评估方法能够利用少量量测数据评估电池的循环寿命、健康状态以及在特定充放电循环的剩余有效寿命。然而,针对实际使用场景,现有电池健康评估技术存在以下两大共性问题:
(1) 不同用户使用电池习惯不同,放电策略的不一致性使得电池数据间的分布差异很大,通过利用其他放电策略的电池数据建立模型直接评估新电池会导致精度无法满足实际需求;
(2) 受限于对历史数据的严重依赖,无法实时评估任意充放电循环的电池健康。
因此,现有技术难以建立可靠的通用模型,做不到实时查验不同用户、不同电池的健康情况。产业界亟需可个性化定制的健康管理方案,通过提供通用的可规划电池使用策略,保障用户的使用安全,为制造商改进电池材料提供科学参考。
![](/__local/0/BC/AC/39477E5F5941DEDAEEAA1CCB56B_1A6F6DD1_E7FA.jpg)
在线为不同用户评估电池健康
丁汉院士团队长期致力于机械、材料、人工智能等多学科交叉研究,深入挖掘多学科的共性科学问题。面对难题,该团队创新性地引入人工智能中迁移学习的思想,为用户定制了实时个性化的电池健康评估方案。这种方法仅需使用30个历史循环数据,就能实现同一材料类型电池不同放电策略间的健康评估迁移,以及不同材料类型锂电池间的健康评估迁移,预测全部实时在线完成。相较于该团队2020年在《National Science Review》杂志上提出的通用框架《A general end-to-end diagnosis framework for manufacturing systems(机械系统通用诊断框架)》,文章提出的电池个性化健康评估的精度提高了3~5倍。相较于麻省理工学院和斯坦福大学联合在《Nature Energy》杂志上提出的电池健康评估方法,文章提出的方法不仅能为不同用户定制实时健康评估,使用的历史数据量减少了2/3。此外,文章公开了迄今为止全世界最大的锂电池多放电策略标准数据集,可为相关领域学者和工业界人士在本领域的研究提供数据标准。文章提出的“实时个性化”迁移方法为电池健康管理提供了新的思路,这项成果可拓展到固态电池、准固态电池、锂硫电池、钠离子电池等健康评估中,对于电池制造、测试、回收等领域具有重要意义。
该研究得到了国家自然科学基金 (92167201)和我校HCP登峰计划双一流交叉学科博士生培养项目的资助。
相关链接:https://pubs.rsc.org/en/content/articlelanding/2022/ee/d2ee01676a