模拟真实世界循环协议下的化学感知电池退化预测

电池退化受复杂且随机的循环条件控制，然而现有的建模和预测框架通常依赖僵化、不变的协议，无法捕捉真实世界的动态性。随机电信号使这种预测极具挑战性，但另一方面，它们提供了丰富的附加信息，如电压波动，这可以探测退化机制。在此，我们提出了一种利用机器学习在动态条件下进行化学感知电池退化预测的方法，该方法集成了用于真实功率仿真的隐马尔可夫过程、在随机条件下生成大型电化学数据集的自动化批量测试系统、由高通量 X 射线光电子能谱导出的用于机制探测的界面化学数据库，以及用于预测的机器学习模型。通过从不规则电化学曲线中自动构建多项式尺度的特征空间，我们的模型准确预测了电池寿命和关键拐点。该特征空间还能预测固体电解质界面相的组成，揭示了六种不同的失效机制——展示了一种利用电信号推断界面化学的可行方法。这项工作建立了一个可扩展且自适应的框架，将化学工程与数据科学相结合，以推进无损诊断并优化工艺，从而实现更耐用、更可持续的储能技术。