商用锂电池的健康管理目前存在大量亟待解决的问题，其中循环寿命的有效预测是电池管理系统的核心目标。中国科学院力学研究所魏宇杰研究员团队通过利用商业锂电池不同快充倍率下循环寿命的实验结果，发现并提出了锂电池等效快充倍率c与循环寿命N之间的标度律关系， (即c-N准则), 其中c0表示电极材料极限充电倍率，b是与电池材料相关的常数。这一c-N准则类似于固体材料疲劳中所周知的S-N曲线，适用于不同类型的商业锂电池，并通过已有的文献数据获得了验证。结合c-N准则和机器学习方法，我们发展了一种物理增强的机器学习模型，基于前面提出的c-N准则，使用首圈的充放电测试即可实现对电池循环寿命的高精度预测。这一工作为锂电池循环寿命预测、健康管理和锂电池的优化提供了基于力学原理的新思路。

　　商用锂电池显著的个体性能差异是影响锂电池寿命评估的另一个挑战，这是由于锂电池退化性能涉及到多物理场和跨尺度作用下多种失效机制交织影响。本研究利用机器学习方法从商用锂电池首圈的充放电测试数据中提取影响电池寿命的因素，构建了商用电池个体差异的定量评价模型。结合c-N准则，建立了一种物理增强的机器学习模型（PA-ML model）。该模型实现了基于商用锂电池首圈的充放电测试数据即可实现对电池循环寿命的高精度预测，预测精度达到甚至超过其它依赖于上百圈测试信息的寿命预测模型(图14)。

　　研究工作通过建立锂电池循环充电倍率影响的c-N疲劳准则和评价电池性能个体差异的机器学习模型，实现了“出厂即预测”的商用锂电池高精度寿命评估模型。这一工作可直接应用于锂电池的健康状态估计及动力设备的可靠性评估，并为锂电池的使用管理、性能优化等方面提供了新的研究思路。论文发表于《Acta Mech. Sin.》。

　　论文链接：https://link.springer.com/article/10.1007/s10409-022-22108-x 

图14: 商用锂电池PA-ML寿命预测模型。