近年來，得益于鋰離子電池的高能量密度和低自放電特性，電動汽車的銷量在許多國家都出現(xiàn)顯著增長。然而，電動汽車電池的安全高效回收和分類已成為關(guān)注的焦點(diǎn)。

據(jù)外媒報(bào)道，中國科學(xué)院（Chinese Academy of Sciences）福建物質(zhì)結(jié)構(gòu)研究所林名強(qiáng)博士課題組在期刊《Engineering Applications of Artificial Intelligence》發(fā)表了研究論文，提出一種基于格拉米角差場（Gramian angular difference fields，GADF）和ConvNeXt的退役電池篩選新方法。

研究人員首先應(yīng)用分段聚合近似技術(shù)（segmented aggregation approximation），以降低退役電池?cái)?shù)據(jù)集在恒流充電電壓曲線上的維數(shù)，利用滑動窗口生成與原始長序列數(shù)據(jù)表現(xiàn)出相似趨勢的短序列數(shù)據(jù)。該過程實(shí)現(xiàn)了數(shù)據(jù)縮減，同時(shí)保留了基本特征信息，并減輕了計(jì)算負(fù)擔(dān)。

然后，該團(tuán)隊(duì)使用格拉米矩陣（GM）將簡化的恒流充電曲線轉(zhuǎn)換為二維圖像。 采用GADF方法利用格拉米亞矩陣對一維時(shí)間序列信息進(jìn)行編碼。該技術(shù)對數(shù)據(jù)應(yīng)用歸一化和極坐標(biāo)處理，然后進(jìn)行內(nèi)積運(yùn)算來生成GADF圖像。該技術(shù)有效消除了冗余的多模態(tài)信息，降低了數(shù)據(jù)非線性的影響，并減輕了噪聲干擾。

此外，研究人員還對GADF圖像進(jìn)行了分類，以篩選退役電池。ConvNeXt網(wǎng)絡(luò)使用梯度下降和自適應(yīng)矩估計(jì)權(quán)重衰減（AdamW）優(yōu)化器，以動態(tài)更新卷積核的權(quán)重、偏差項(xiàng)、比例因子和其他網(wǎng)絡(luò)參數(shù)，從而實(shí)現(xiàn)最佳性能。該優(yōu)化器結(jié)合了權(quán)重衰減以防止過度擬合。通過反向傳播算法，該網(wǎng)絡(luò)從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)了隱藏層的適當(dāng)權(quán)重。這些權(quán)重在訓(xùn)練過程中不斷更新和優(yōu)化，以最小化損失函數(shù)。

通過比較GADF和傳統(tǒng)方法，以及對不同圖像分類網(wǎng)絡(luò)的評估，研究人員發(fā)現(xiàn)利用GADF作為ConvNeXt網(wǎng)絡(luò)的輸入可以提高篩選精度。未來的研究方向?qū)⒅饕杏谔剿骰诜謮旱耐艘垭姵睾Y選策略，并擴(kuò)展數(shù)據(jù)集以驗(yàn)證模型的普遍性。

這項(xiàng)研究為減少對手動選擇功能的依賴，并提高數(shù)據(jù)驅(qū)動的退役電池篩選的準(zhǔn)確性提供了指導(dǎo)。