锂离子电池已经在全球范围内得到广泛应用，为移动设备、汽油动力汽车和各种应用提供能量。这些电池成为为我们珍贵设备提供动力的首选之一。随着电动汽车的普及趋势逐渐增强，锂离子电池将扮演重要角色。
鉴于这些电池的广泛应用，评估电池健康状况对于解决新兴电池材料的安全问题至关重要。这一点尤为重要，因为对其长期耐久性和韧性的研究有限。考虑到它们在支持越来越多的车辆方面的预期角色，确保有效的健康评估方法变得更加重要。
但是，即使一个电池失效，也会导致整个电池组的故障，从而扰乱电池系统，可能引发烟雾、火灾和爆炸等安全问题。因此，监测电池状态变得很重要，包括参数如电荷状态（SOC）和剩余能量，以及它们的状态，例如整体健康状况。
为了解决这个问题，卡内基梅隆大学和德克萨斯大学奥斯汀分校的研究人员开发了一种电池管理系统，以促进对电池健康的诊断，以便驾驶员能够做出明智的决策。他们研究了充电曲线，并将其用于电池健康评估和预测。这些曲线给出了可用于计算SOC和其他与能量相关状态的SOH可用电池容量的最大容量。研究人员强调，虽然大多数电动汽车已经存在电池管理系统，但这个新模型具有一些与众不同的特点。
为了开展这项研究，研究人员研究了10066个LiNiO2基电池在恒定充放电倍率下的充电曲线。机械工程学副教授Jayan强调，他们拥有约11,000个实验收集的特定电池阴极化学的充电曲线数据库。他们使用这些曲线来训练机器学习模型，以使用稀疏数据输入预测完整的充电曲线。
这个模型仅分析电池充电过程的初始5%。通过这种方法，他们可以以仅有2%的极高精度预测电池的充电情况。令人印象深刻的是，这种精度水平仅利用初始充电曲线的10%作为输入数据就能达到。
研究人员表示，收集和使用真实数据作为机器学习模型的输入将是改进模型的重要下一步。此外，研究人员愿意将环境变量纳入电池充电和随后的放电曲线的计算中。他们还愿意获取在道路上行驶的电动汽车电池的数据并进行探索。通过使用真实世界的实际数据和先进的神经网络，电池管理系统可以更好地预测何时对电池进行充电和放电。