据了解，研究人员设计了一种可以预测电池健康状况的机器学习方法，其准确度是目前行业标准的10倍，或将助力开发更安全、更可靠的电池，以用于电动汽车和消费电子产品。

剑桥大学和纽卡斯尔大学(NewcastleUniversities)的研究人员，通过向电池发送电脉冲并测量其响应来监测电池，接着利用机器学习算法处理这些测量数据，预测电池的健康状况和使用寿命。

锂离子电池的健康状况和剩余使用寿命难以预测，这是限制电动汽车推广的一大难题。在运行过程中，电池内会发生一系列复杂微妙的化学变化，长此以往将严重影响电池的性能和寿命。目前预测电池健康状况的方法，主要以跟踪充放电过程中的电流和电压为基础，但并不能显示电池的具体状态。想要追踪电池内部发生的一系列过程，需要找到探测电池工作状态的新方法，也需要新的算法，探测充放电时的细微信号。

本项研究负责人之一、剑桥大学卡文迪许实验室的Dr。AlphaLee表示：“安全性和可靠性是最重要的设计标准，因为我们开发的电池体积小，容量大。通过改进监测充放电的软件，并利用数据驱动软件控制充电过程，相信我们可以大幅提升电池性能。”

研究人员设计了一种方法，通过向电池发送电脉冲并测量其响应来监测电池。然后，利用机器学习模型，发现电反应的具体特征，找到电池老化的讯号。研究人员进行了20，000多次测量实验来训练模型，这是同类数据中最大的数据集。重要的是，该模型学会了如何区分无关噪声和重要信号。这种非干预式方法，可以轻松应用至当前所有电池系统。

研究人员还发现，机器学习模型可以提供物理机制退化的线索。该模型能够显示，哪些电信号最有可能与老化有关，帮助他们设计具体实验，探究电池退化的原因和方式。

研究人员通过机器学习平台，不断了解电池中各种化学成份的退化过程，并通过机器学习开发最优电池充电计划，以实现快速充电，并尽量减缓电池退化。首席作者之一Dr。YunweiZhang称：“机器学习可以补充和提升物理理解。机器学习模型识别出的可解释信号，是未来理论和实验研究的起点。”