從間歇性能源與需求的整合，到通過電動汽車、火車和船舶為運輸部門釋放無碳電力，再到一系列先進的電子產品和機器人應用，電池在各種應用中越來越重要。

然而，一個關鍵的挑戰是電池會隨著操作條件的變化而迅速退化。目前很難在不中斷電池運行或不經過專用設備的漫長充放電程序的情況下評估電池的健康狀況。

在《自然機器智能》雜志最近發表的一項研究中，來自愛丁堡赫瑞瓦特大學智能系統小組的研究人員，英國與美國馬里蘭大學CALCE小組的研究人員合作，通過向人工智能(AI)算法輸入原始電池電壓和電流運行數據，開發了一種新的方法，可以在不考慮電池運行條件、電池設計或化學成分的情況下評估電池健康狀況。

設計人工智能框架的博士生達利斯·羅曼(DariusRoman)表示，迄今為止，電池退化的數據驅動模型的進展，依賴于更快地進行推理的算法的開發。雖然研究人員經?；ㄙM大量時間在模型或算法開發上，但很少有人花時間去理解算法應用的工程環境。相比之下，我們的工作是從頭開始的。我們首先是通過與馬里蘭大學CALCE小組的合作了解電池退化問題的，該小組進行了內部電池退化測試。然后我們專注于數據，設計捕捉電池退化的功能，選擇最重要的功能，然后才部署AI技術來評估電池的健康狀況。

此外，研究人員發現，目前的電池健康評估數據驅動模型沒有考慮模型的置信度。然而，這對于理解AI模型如何得出某種結論以及該模型是否可信的決策制定來說通常是至關重要的。在他們的工作中，提出的人工智能模型能夠量化預測中的不確定性，從而更好地支持運營決策。

開發的框架與新的化學物質進行了擴展，包括即將到來的新型固態電池、電池設計和操作條件，并有潛力解鎖電池如何使用和應該如何使用的新策略。

智能系統集團(SmartSystemsGroup)的瓦倫丁?羅布(ValentinRobu)表示，從機器人到可再生能源集成，電池對各種應用越來越重要。這些領域的一個關鍵挑戰是對電池的健康狀態進行準確、高可信度的估計。例如，在遠程環境下作業的機器人設備(如深海水下監控)，確保部署在機器人上的電池的健康是關鍵任務。同樣，對于能源應用來說，準確估計電池的剩余使用壽命往往對項目的經濟可行性至關重要。