電池安全已日益備受關注，研發電池監測及故障診斷技術愈趨重要。嶺南大學（嶺大）科學教研組助理教授唐曉鵬博士，與上海理工大學、上海工程技術大學、同濟大學組成的研究團隊，利用極少量的真實電池樣本開發出嶄新的深度學習模型，可通過在線計算，測量電池的阻抗特性。這是一種低成本、高效率及高準繩度的電池檢測方法。

合著論文《基於小樣本學習的多場景電池阻抗譜在線生成》（Online multi-scenario impedance spectra generation for batteries based on small-sample learning）已在學術期刊《細胞報告物質科學》（Cell Reports Physical Science）發表。

研究背景

電化學阻抗譜（EIS）可以描述電池內部阻抗隨頻率的變化特性，從而反映電池的健康狀態、老化機理、功率特性和溫度等，是評估電池性能的重要測試指標。惟傳統測量技術需要採用專業儀器，涉及昂貴成本、複雜的管理系統及較長的測量時間，未能普及應用。

業界曾以深度學習技術研發電池監測技術，但不同電池的溫度、老化程度和效能差異大，需要獲取海量的參考數據，因此類似的方法未能得到普及。

更快、更經濟、更方便、誤差更低的新方法

唐曉鵬博士及其研究團隊，開發了一種嶄新的電池阻抗測量方法。研究人員提出「小樣本學習方法」（small-sample learning approach），利用模擬技術產生大量「虛擬電池」樣本數據以訓練深度學習模型，以解決電池數據不足的問題。這些樣本涵蓋大多數的電池狀況，包括不同的電池化學物質、老化程度、剩餘容量和溫度等。團隊其後再使用少量（少於 30 組）真實的電池樣本，以微調深度學習模型，獲得最終的在線電池檢測演算法。

通過該方法獲取的檢測結果，誤差低至 5%，優於大多數需要海量訓練數據的同類算法。

唐曉鵬博士表示，是次研究的突破在於利用極少量電池樣本來建立準繩度高的深度學習模型，較大多數涉及「大數據」的同類演算法更勝一籌。他表示：「我們只需要將電池數據上載到網上，就能自動檢測電池的阻抗信息，從而了解電池的健康狀態，突破了傳統使用儀器檢測的時間和地域限制。此外，新技術縮短了獲取電池阻抗性能所需的時間，更大大降低檢測成本，能在社會普及應用，全面提高電池系統的安全性和可靠性。」

以近年愈趨普及的電動車為例，唐曉鵬博士進一步解釋：「電動車中包含數百至數千個電池，任何一個單體電池的故障都會影響到整個電池組的性能，甚至產生安全隱患。新研發的技術降低了電化學阻抗技術在工程場景中的應用門檻，為分析電池失效機制提供了快速且廉價的工具，可以有效提升電池風險的預警能力，從而提升電動車安全性。」

另外，唐曉鵬博士合著的另一篇關於鋰離子電池的論文，於第 25 屆 IEEE 中國系統仿真技術及其應用學術會議（CCSSTA 2024）上，獲選為四篇「最佳論文獎」得獎論文之一。該論文提出透過半監督學習方法（Semi-Supervised Learning）來篩選退役電池，從而提升退役電池的重用率。

來源：嶺南大學

如欲知道更多教科相關消息，請留意京港 Facebook 專頁：https://www.facebook.com/BHKAEC