(资料图)

近期，中国科学院福建物质结构研究所林名强博士课题组在《Engineering Applications of Artificial Intelligence》期刊上发表了一项关于退役电池筛选的研究论文。该研究提出了一种基于格拉米角差场（Gramian angular difference fields，GADF）和ConvNeXt的新方法。

该研究团队首先采用分段聚合近似技术对退役电池数据集进行处理，以降低数据的维度，并通过生成与原始数据趋势相似的短序列数据来减轻计算负担。接下来，团队使用格拉米矩阵将简化后的恒流充电曲线转换为二维图像。利用GADF方法对一维时间序列数据进行编码，通过归一化和极坐标处理，然后进行内积运算，生成GADF图像，从而有效消除冗余信息和噪声干扰。

此外，研究团队还使用ConvNeXt网络对GADF图像进行分类，以实现退役电池的筛选。他们使用梯度下降和AdamW优化器来动态更新卷积核的权重、偏差项和其他网络参数，以达到最佳性能。通过反向传播算法，网络从训练数据中学习适当的隐藏层权重，并在训练过程中优化这些权重以最小化损失函数。

通过与传统方法和其他图像分类网络的比较和评估，研究人员发现使用GADF作为ConvNeXt网络的输入可以提高退役电池筛选的准确性。未来的研究将聚焦于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适性。

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。这对于电动汽车电池的安全高效回收和分类具有重要意义。

关键词：