Lithium-ion batteries
PulseAugur coverage of Lithium-ion batteries — every cluster mentioning Lithium-ion batteries across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
Anaphite 的干法涂覆技术有望使电动汽车电池更便宜、更环保
英国电池技术公司 Anaphite 正在开发一种用于制造电动汽车电池电极的干法涂覆工艺。这项创新工艺旨在消除对含大量溶剂的浆料和大型烘箱的需求，而这些目前构成了电池制造成本和能耗的重要组成部分。该公司认为，其技术可以为某些类型的电芯降低超过 10% 的总体电池生产成本，并可能提高性能，尤其是在固态电芯出现之际。
-
AI模型利用有限数据改进锂离子电池健康状态估计
研究人员开发了新的锂离子电池健康状态（SOH）估计方法，特别是在标记数据稀缺的情况下。一种方法利用降解对齐的自监督学习和CNN-GRU模型，即使只有1%的标记数据也能实现低误差率。另一种方法采用物理信息神经网络，利用电池部分放电数据实时估计SOH并预测退化，为异构操作条件提供了更稳健的解决方案。
-
物理信息ML提升PHM性能，综述发现 · 跟踪1个来源
对212项研究的系统性文献综述显示，物理信息机器学习（PIML）越来越多地应用于预测与健康管理（PHM）任务。虽然PIML模型在预测性能上优于传统数据驱动方法，尤其是在锂离子电池和轴承方面，但其在增强泛化能力和因果推断方面的证据尚不充分。该综述建议未来的研究应侧重于开发可迁移的设计模式、用于集成策略的比较基准，以及用于实际部署的轻量级、鲁棒的、可感知不确定性的模型。
-
新的C2L-Net模型为锂离子电池SOC估算提供更快、更高效的解决方案
研究人员开发了C2L-Net，一个新颖的数据驱动框架，旨在实现锂离子电池荷电状态（SOC）的高效准确估算。该新模型通过使用显著缩短的历史数据窗口（20秒）并分离上下文编码与最新测量更新，解决了现有方法的局限性。C2L-Net集成了分块特征提取、Theta注意力池化和基于傅里叶的季节性基，以及使用门控循环单元和因果余弦注意力的因果上下文编码器。实验表明，C2L-Net在实现最先进的准确度的同时，速度比以往的基线模型快60倍，并且所需的参…
-
航空公司警告锂离子电池；铷频标解释
航空公司建议乘客在携带锂离子电池出行时要格外小心。另外，一篇解释性文章详细介绍了铷频标的功能和应用，这对于需要高精度时间或频率参考的应用至关重要。
-
宁德时代发布新型神行电动汽车电池，充电更快更安全
全球最大的电动汽车电池生产商Contemporary Amperex Technology Co. Limited (CATL) 发布了其新型神行产品系列。这些电池旨在提供更安全、更快速的充电体验，解决了锂离子电池在发热和性能衰减方面的担忧。CATL 强调其行业领先的测试方法和严格的质量控制体系，以确保产品可靠性。
-
智能手机关机后仍会消耗电池电量
即使在关机状态下，智能手机也会继续消耗少量电池电量。这种消耗主要是由于时钟和唤醒电路，它允许设备响应电源按钮并在启动时保持准确的时间。此外，锂离子电池会自然发生自放电，每月损失约1-2%的电量，高温会加速这一过程。对于长期存放，Apple建议将iPhone充电至约50%，并每六个月重新充电一次，以防止可能永久损坏电池容量的深度放电状态。
-
夏威夷颁布AI深度伪造法；俄亥俄州数据中心投票推迟；研究AI数据中心电池风险
夏威夷已颁布新立法，以打击生成式AI的滥用，允许声誉受损的深度伪造受害者提起民事诉讼并寻求赔偿。与此同时，在俄亥俄州，一项拟议的数据中心修正案不会出现在2026年的投票中，支持者计划在2027年提交。与此同时，滑铁卢大学的研究人员正在探索为AI数据中心供电的锂离子电池相关的隐藏风险，这是由其建设的全球激增所引发的。
-
AI模型高精度预测锂离子电池放电行为
研究人员开发了一种新的深度学习流程，使用Swin3D Transformer来预测锂离子电池的放电行为，与传统的基于物理的模拟相比，显著降低了计算成本。该方法集成了高斯位置编码以获得更好的空间特征表示，以及一个专门的时间编码模块来捕捉复杂的时间序列演变。该方法在电化学模拟（ES）数据集上进行了测试，其准确性优于现有的点云基线，并为电池设计和优化提供了更高效的框架。
-
新的RoSIP-Batt框架增强了锂离子电池健康和寿命预测
研究人员开发了一个名为RoSIP-Batt的新框架，以改进锂离子电池健康状态（SOH）和剩余使用寿命（RUL）的联合预测。该方法解决了SOH估计和RUL预测的独特噪声特征平衡的挑战。RoSIP-Batt利用具有新颖不确定性加权机制的贝叶斯多任务目标，并在Transformer架构中融入旋转位置嵌入（RoPE）来模拟时间退化模式。在多个数据集上的评估表明，RoSIP-Batt显著优于现有方法，SOH估计的平均绝对误差（MAE）为1.99…
-
新AI框架利用机械信号预测锂离子电池热失控
研究人员开发了一个新的物理引导框架，通过整合机械信号与温度和电压数据来预测锂离子电池的热失控。该方法使用卷积分类器识别不同的风险状态，并使用时间卷积骨干网络处理这些信号，旨在提供更早、更可靠的预警。该系统在F1分数上达到了0.89，并显著提高了预警提前期，优于现有方法，强调了机械前兆在预测电池故障中的重要性。
-
新AI框架增强电池健康诊断与设计
研究人员开发了两种新方法来改进电池健康诊断和设计。第一种方法RoSIP-Batt使用物理引导的Transformer网络，从充电曲线联合预测健康状态（SOH）和剩余使用寿命（RUL），在基准数据集上显著降低了误差。第二种框架采用物理信息学习与虚拟传感，从标准的BMS测量中推断难以测量的电池设计参数，从而实现更明智的电池设计并减少预测误差。
-
中国在行业增长之际结束对电动汽车电池、太阳能电池的税收减免
中国将对锂离子电池和太阳能电池征收消费税，结束了长达十年的免税期。自9月1日起，锂离子电池将征收2%的税，一年后升至4%，而太阳能电池将从4月1日起面临类似的逐步增长。财政部的这一举措旨在解决电动汽车和可再生能源行业的产能过剩和激烈价格战问题，标志着对它们成熟度的信心。
-
中国调整电池消费税政策，2026年起生效
中国财政部、海关总署和国家税务总局宣布调整各类电池的消费税政策。自2026年9月1日起，原电池、镍氢电池、锂原电池、锂离子电池和全钒液流电池将征收2%的税，2027年9月增至4%。光伏电池将从2027年4月起征收2%的税，2028年4月增至4%。值得注意的是，钠离子电池、固态电池、燃料电池和特定类型光伏电池将免征消费税直至2028年底。
-
新的迁移学习方法增强了锂离子电池状态估算的AI能力
研究人员开发了一个用于物理信息神经网络（PINNs）的迁移学习框架，以改进锂离子电池的状态估算。该方法通过预训练一个通用模型，然后针对特定电池进行微调，解决了为不同电池化学成分从头开始训练PINNs的挑战。使用PyBaMM进行的验证表明，该方法可以准确预测电压，保持电化学一致性，并显著缩短训练时间。
-
宁德时代董事长质疑固态电池在2030年前的商业可行性
Contemporary Amperex Technology Co. Limited (CATL)董事长Robin Zeng Yuqun对固态电池近期商业可行性表示怀疑。他指出该技术仍处于早期阶段，仅在九级开发规模中达到第四级。Zeng预测大规模生产要到2030年才能开始，并警告市场接受度和商业成功仍不确定。
-
人工智能热潮和电气化需求推动中国绿色出口激增至美国
在中国，绿色能源产品的出口到美国显著增加，这得益于全球对电气化和脱碳的需求。光伏电池、锂离子电池和铅酸电池等关键产品在近期内，其价值和出货量均实现了大幅的同比增长。分析人士认为，这种激增受到贸易紧张局势缓和以及美国能源系统潜在需求的共同影响，促使企业加速出货并补充库存。
-
康奈尔电极修复技术将废旧电池容量提升95%
康奈尔大学的研究人员开发了一种新颖的电极修复技术，能够使废旧锂离子电池恢复高达95%的容量。这项进展有望将回收成本降低56%，从而可能改变电动汽车行业的经济模式。该技术侧重于赋予电池第二次生命，符合循环经济原则。
-
迁移学习将X射线电池检测精度提升至94%
研究人员开发了一种用于在X射线图像中检测和分类电池的迁移学习方法。该方法利用预先训练的YOLOv5m模型，在一个用于电子设备检测的数据集上进行微调，然后识别出方形、软包和圆柱形锂离子电池。该技术在电池检测方面实现了94%的精度，比基础YOLOv5m模型提高了5%，推理时间为22毫秒。
-
锂离子电池火灾频发，专家提供安全建议
锂离子电池虽然通常是安全的，但在各种场合下发生的火灾正在增加。本文详细介绍了这一趋势背后的原因，并提供了如何处理此类事件的实用建议。文章强调了做好适当安全措施准备的重要性。