锂离子电池被广泛应用于日常生活中的电器产品，随著全球电动车盛行，电池安全议题备受关注，研发电池监测及故障诊断技术愈趋重要。由岭南大学（岭大）科学教研组助理教授唐晓鹏教授与上海理工大学、上海工程技术大学和同济大学组成的研究团队，利用极少量的真实电池样本开发出崭新的深度学习模型，以在线计算方法测量电池的阻抗特性，成为低成本、高效率及准绳度高的电池检测方法。该合著论文《基于小样本学习的多场景电池阻抗谱在线生成》（Online multi-scenario impedance spectra generation for batteries based on small-sample learning）近日在国际著名学术期刊《细胞报告物质科学》（Cell Reports Physical Science）发表。

电化学阻抗谱（EIS）可以描述电池内部阻抗随频率的变化特性，从而反映电池的健康状态、老化机理、功率特性和温度等，是评估电池性能的重要测试指标。惟传统测量技术需要采用专业仪器，涉及昂贵成本、复杂的管理系统及较长的测量时间，未能普及应用。业界亦曾以深度学习技术研发电池监测技术，但不同电池的温度、老化程度和效能差异大，需要获取海量的参考数据描述电池状态，因此类似方法未能得到普及。

唐晓鹏教授及其研究团队经深入分析及研究，开发了一种崭新的电池阻抗测量方法，研究人员提出以「小样本学习方法」（small-sample learning approach），利用模拟技术产生大量「虚拟电池」样本数据，训练深度学习模型，以解决电池数据不足的问题。这些样本涵盖大多数的电池状况，包括不同的电池化学物质、老化程度、剩余容量和温度等。团队其后再使用少量（少于30组）真实的电池样本，来微调深度学习模型，以获得最终的在线电池检测计算方法。通过该方法获取的检测结果误差低至百分之五，优于大多数需要海量训练数据的同类算法。

岭大科学教研组助理教授唐晓鹏教授表示，是次研究的突破在于利用极少量电池样本就能建立准绳度高的深度学习模型，较大多数需要涉及「大数据」的同类演算法更胜一筹。他表示：「我们只需要将电池数据上载到网上，就能自动检测电池的阻抗信息，从而了解电池的健康状态，突破了传统使用仪器检测的时间和地域限制。此外，新技术缩短了获取电池阻抗性能所需的时间，更大大降低检测成本，能在社会普及应用，全面提高电池系统的安全性和可靠性。」

以近年愈趋普及的电动车为例，唐教授作进一步解释：「电动汽车中包含数百至数千个电池，任何一个单体电池的故障都会影响到整个电池组的性能，甚至产生安全隐患。新研发的技术降低了电化学阻抗技术在工程场景中的应用门槛，为分析电池失效机制提供了快速且廉价的工具，可以有效提升电池风险的预警能力，从而提升电动汽车安全性。」

另外，唐晓鹏教授合著另一篇关于锂离子电池的论文于第25届IEEE中国系统仿真技术及其应用学术会议（CCSSTA 2024）上，在278份涵盖航空、模拟机械人、资讯处理、智慧决策、再生能源等多个主题的投稿论文中脱颖而出，成为仅四份获得「最佳论文奖」的得主之一。该论文研究提出透过半监督学习方法（Semi-Supervised Learning）来筛选退役电池，从而提升退役电池的重用率。

请按此阅读全文：Online multi-scenario impedance spectra generation for batteries based on small-sample learning： Cell Reports Physical Science