科研成果随着全球电动车市场蓬勃发展，电池安全问题日益受到关注。电池的性能和健康状态直接关系到电动设备的运行效率和安全性。近日，岭南大学科学教研组的助理教授唐晓鹏教授携手上海理工大学、上海工程技术大学和同济大学的研究团队，在电池检测技术方面取得了重大突破。他们的研究成果《基于小样本学习的多场景电池阻抗谱在线生成》不仅发表在国际学术期刊《细胞报告物质科学》上，还因其创新性和实用性获得了业界的认可。

01研发背景：

电池安全至关重要锂离子电池作为现代电子产品和电动车的核心部件，其性能稳定性和安全性至关重要。然而，传统的电池检测方法往往需要依赖昂贵的专业仪器和复杂的管理系统，不仅成本高，而且检测周期长，难以普及应用。此外，不同电池之间的温度、老化程度和效能差异大，需要海量的数据来准确描述电池状态，这无疑增加了检测的难度和成本。

02创新方法：

小样本学习引领技术革新针对上述问题，唐晓鹏教授及其研究团队提出了一种创新的电池阻抗测量方法。他们采用“小样本学习方法”（small-sample learning approach），通过模拟技术生成大量“虚拟电池”样本数据，训练深度学习模型。这些虚拟样本涵盖了多种电池状况，包括不同的化学物质、老化程度、剩余容量和温度等。随后，研究团队再利用少量（少于30组）真实的电池样本，对模型进行微调，最终实现了高精度、低成本的在线电池检测。

03技术优势：

高效、低成本、高准确性这项技术的最大亮点是高效、低成本和高准确性。传统的电池检测方法需要大量数据支持或专业设备，而新方法则通过小样本学习和深度学习模型，显著降低了检测成本和时间。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。

04应用前景：

全面提升电池系统安全性这项技术的应用前景广阔。以电动车为例，一辆电动车包含数百至数千个电池，任何一个单体电池的故障都可能影响整个电池组的性能，甚至带来安全隐患。唐晓鹏教授表示，新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，从而提升电动车的安全性。

岭南大学唐晓鹏教授及其研究团队的创新成果，不仅为电池检测技术带来新的突破，也为电动车等电动设备的安全运行提供了有力保障，期待这项技术在未来能够得到更广泛的应用和推广。

此外，唐晓鹏教授在锂离子电池领域的另一项研究获得了第25届IEEE中国系统仿真技术及其应用学术会议（CCSSTA 2024）的“最佳论文奖”。会议共收到278份投稿论文，涵盖航空、模拟机器人、信息处理、智慧决策、再生能源等多个领域。在众多优秀论文中，唐教授的论文脱颖而出，成为仅有四份获得此殊荣的论文之一。这篇论文提出了通过半监督学习方法来筛选退役电池，提升退役电池的重用率。