近年来，得益于锂离子电池的高能量密度和低自放电特性，电动汽车的销量在许多国家都出现显著增长。然而，电动汽车电池的安全高效回收和分类已成为关注的焦点。

 

       据外媒报道，中国科学院（Chinese Academy of Sciences）福建物质结构研究所林名强博士课题组在期刊《Engineering Applications of Artificial Intelligence》发表了研究论文，提出一种基于格拉米角差场（Gramian angular difference fields，GADF）和ConvNeXt的退役电池筛选新方法。

 

       研究人员首先应用分段聚合近似技术（segmented aggregation approximation），以降低退役电池数据集在恒流充电电压曲线上的维数，利用滑动窗口生成与原始长序列数据表现出相似趋势的短序列数据。该过程实现了数据缩减，同时保留了基本特征信息，并减轻了计算负担。

 

       然后，该团队使用格拉米矩阵（GM）将简化的恒流充电曲线转换为二维图像。 采用GADF方法利用格拉米亚矩阵对一维时间序列信息进行编码。该技术对数据应用归一化和极坐标处理，然后进行内积运算来生成GADF图像。该技术有效消除了冗余的多模态信息，降低了数据非线性的影响，并减轻了噪声干扰。

 

       此外，研究人员还对GADF图像进行了分类，以筛选退役电池。ConvNeXt网络使用梯度下降和自适应矩估计权重衰减（AdamW）优化器，以动态更新卷积核的权重、偏差项、比例因子和其他网络参数，从而实现最佳性能。该优化器结合了权重衰减以防止过度拟合。通过反向传播算法，该网络从训练数据中学习了隐藏层的适当权重。这些权重在训练过程中不断更新和优化，以最小化损失函数。

 

       通过比较GADF和传统方法，以及对不同图像分类网络的评估，研究人员发现利用GADF作为ConvNeXt网络的输入可以提高筛选精度。未来的研究方向将主要集中于探索基于分压的退役电池筛选策略，并扩展数据集以验证模型的普遍性。

 

        这项研究为减少对手动选择功能的依赖，并提高数据驱动的退役电池筛选的准确性提供了指导。