用于早期故障检测的机器学习方法可以使锂离子电池更安全

Josiah02

锂离子电池（例如电动汽车和固定储能系统中使用的电池）的安全使用在很大程度上取决于状态监测和早期故障检测。单个电池单元的故障可能会导致严重问题，包括火灾。
为了降低这些风险，达姆施塔特工业大学和麻省理工学院 (MIT) 的研究人员开发了利用物理约束的机器学习方法进行电池分析和监控的新方法。
达姆施塔特工业大学自动化技术与机电一体化研究所的 Joachim Schaeffer、Eric Lenz 和 Rolf Findeisen 教授团队与麻省理工学院的 Richard Braatz 教授和 Martin Bazant 教授团队合作，开发了一种将物理方法与机器学习相结合的方法。
他们使用递归高斯过程来检测电池单元随时间和运行的变化。这些递归方法可以实时应用，并高效处理大量数据，从而实现未来对电池系统的持续在线监控。
在这项研究中，科学家们能够使用一个独特的数据集：一位研究伙伴匿名提供了 28 个因问题而退回制造商的电池系统的数据。该数据集包含来自 224 个电池单元的超过 1.33 亿行数据，是同类数据集中首批公开的数据集之一。
最近发表在《Cell Reports Physical Science》上的系统开发和分析结果证实，电池系统中通常只有一个电池表现出异常行为，这可能会影响整个系统。这些发现有助于更好地了解电池的老化方式以及它们在什么条件下失效。这些方法使得未来能够持续监测电池，从而提高安全性。
Joachim Schaeffer 是达姆施塔特工业大学电气工程与信息技术系控制与网络物理系统实验室和麻省理工学院的博士生，他因在该项目期间产生的开放访问数据而获得了麻省理工学院开放数据奖。在 70 多份提交的申请中，选出了 10 名获奖者。