从间歇性能源的需求整合到通过电动汽车（EV），火车和轮船为运输行业解锁无碳动力，以及一系列先进的电子和机器人应用，电池在各种应用中的重要性日益提高。
然而，一个关键的挑战是电池会随着工作条件而迅速退化。当前难以在不中断电池 操作或不经历需要专门设备的漫长的充放电过程的情况下估计电池的健康状况。
在Nature Machine Intelligence最近发表的工作中，英国爱丁堡赫瑞瓦特大学智能系统小组的研究人员与美国马里兰大学CALCE小组的研究人员一起开发了一种新方法来估算电池的健康状况，无论通过向人工智能（AI）算法提供原始电池电压和当前运行数据，从而获得运行条件，电池设计或化学性质。
Darius Roman，博士 设计AI框架的学生说：“迄今为止，用于电池退化的数据驱动模型的进展取决于更快地进行推理的算法的开发。尽管研究人员通常在模型或算法开发上花费大量时间，但是很少有人花时间了解应用算法的工程环境，相比之下，我们的工作是从头开始的。我们首先通过与马里兰大学内部的CALCE小组的合作来了解电池的退化进行了电池的退化测试，然后我们专注于数据，在其中设计捕获电池退化的功能，选择最重要的功能，然后才部署AI技术来估计电池的运行状况。”
此外，研究人员发现，当前用于电池健康状况评估的数据驱动模型并未考虑模型置信度。但是，这对于决策者了解AI模型如何得出特定结论以及该模型是否可以信任通常至关重要。在他们的工作中，提出的AI模型能够量化其预测中的不确定性，以更好地支持运营决策。
所开发的框架将根据新的化学性质进行扩展，包括即将推出的新型固态电池，电池设计和工作条件，并且有可能解锁新的策略，说明如何使用电池以及应该如何使用电池。
Smart Systems Group的Valentin Robu表示：“电池对从机器人技术到可再生能源集成的各种应用都越来越关键。在这些领域中的主要挑战是对电池的健康状态进行准确，高可信度的估计。请考虑例如，在深海海底监控等远程环境中操作的机器人资产，在其中确保部署在机器人上的电池的健康状况至关重要，同样，对于能源应用，要准确估算机器人剩余的使用寿命电池通常对于项目的经济可行性至关重要。”
