电池测试仪随处可得，但我们不禁要问：它们效果如何？并非所有人都熟悉给出的测试结果，只知道电压与荷电状态（SoC）相关，而内阻（Ri）则与功率和负载条件相关。容量读数超出了大多数电池测试仪的能力范围。容量是主要的健康指标，当电池老化时，它决定了电池的寿命终点。能量存储能力的损失往往不被察觉，而电池测试仪上的读数却保持不变。这使得服务人员无法判断电池是否需要更换。

SoC（荷电状态）通过电压进行检测，但如果电池处于活跃状态，检测结果会出现偏差。充电后的电压会在一段时间内保持高位，而放电则会使电压下降。电压稳定通常需要几个小时。大多数电池测试仪通过施加

校准的放电脉冲并观察电压下降值来测量内阻（Ri）。根据欧姆定律（V=I x R），将电压下降值除以施加的电流即可得到内阻（Ri）。

电池内阻与容量相关性不高。Cadex实验室测试显示，容量与内阻的相关系数仅为51%。仅凭内阻无法全面评估电池状态。部分电池测试仪还会分析与健康状态（SoH）相关的电压恢复速度：性能良好的电池比衰减电池恢复更快。

上述现象同样适用于铅酸电池和锂电池体系。

电池制造商正在寻求先进的电池测试方法，以改进生产工艺并识别用户导致的故障。各行业也正将这些解决方案作为...以可靠性为中心的维护(RCM)体系的一部分。根据SAE标准JA1011定义，RCM是一种通过观察机械部件磨损情况来确保持续可靠性的维护方案。该标准于1960年代推出，航空公司率先采用以减少侵入性维护。1967年军方采纳该体系后，核电站、油气行业、地铁和医院等民用领域也开始应用。

目前，RCM（可靠性为中心的维护）不包含电池。部分原因是缺乏合适的测试方法。虽然可以使用电池管理系统（BMS），但仅监测电压、电流和温度只能检测到异常。电池的剩余使用寿命（RUL）所代表的容量是不可用的。数据时间戳也无法提供电池应何时更换的可靠指示。电池往往更换过早；然而，大多数电池在服务中停留的时间过长。

检查电池不仅仅是测量电压和内阻，这会变得复杂。电池就像一个有机体，由消耗活性材料、形成阻碍性能的薄膜并窃取功率、以及经历导致自放电增加的机械应力的组件组成。电池寿命可以通过这些特性来定义：

• 容量衰减，表现为能量存储能力减弱；

• 高内阻，表现为负载能力下降；以及

• 高自放电，由应力引起，可能导致锂离子电池的安全问题。

未被检测到的老化效应可能会导致热失控，这尤其令人担忧，特别是对于锂离子电池。为关键电池系统安装RCM时需要考虑以下问题：

1. 电池在什么容量下需要更换？

2. 监控器还必须识别哪些其他电池异常？

3. 电池故障的后果是什么？

现代测试技术

通过使用诸如电化学阻抗谱（EIS）等技术来表征电池的各种特性，相关研究正在取得进展。电化学阻抗谱（EIS）。EIS 向电池注入多频率的正弦信号，并以奈奎斯特图的形式测量阻抗响应。Cadex 已掌握将奈奎斯特图转化为电池健康状态（SoH）和荷电状态（SoC）的专有技术。其工作原理如下。

奈奎斯特图通过反映电池内部多样特性的电池模型进行拟合。通过扫描具有相似结构但性能状态各异的大量电池，已获取良好电池与劣质电池模型参数的参考图像。随后，模型参数将通过模糊逻辑等高级数据分析算法，以确定容量、Ri 和 So。图3 以简化的方式展示了多模型 EIS 技术的概念。多模型 EIS 也被称为 Spectro™。

采用Cadex开发的EIS技术的电池测试仪已部署于汽车行业，用于检测启动电池。容量测量更为优选，因为仅凭冷启动电流（CCA）无法提供剩余使用寿命（RUL）信息。大多数启动电池的CCA读数在容量衰减时仍保持正常，而人们对此并不知情。这往往会导致意外故障，因为强劲的发动机启动并不能反映容量已低。

Spectro™技术也可用于测试铅酸和锂化学体系的特定型号电池。每种电池型号首先会被扫描，以创建一个代表已知良好电池的“黄金样本”。通过将奈奎斯特图与新电池的镜像进行对比，分析老化症状的细微变化。

云端连接简化了流程，通过下载特定型号的参考样本以及各种老化电池数据。以手持测试仪（Cadex）和电池管理系统（BMS）安装形式存在的Spectro™设备提供测试结果，这些结果按日期和型号分类，并存储在Cadex云端。大数据通过机器学习和人工神经网络（ANN）进行处理，这是Spectro™提供的技术。

Cadex实验室正在测试ANN和机器学习算法（如高斯过程回归）的准确性，以确定电池的健康状态（SoH）。高斯方法在我们的铅酸电池数据集上效果更佳（准确率约90%），并且在数据量较少的情况下比ANN获得更优的结果。这些发现已得到UBC研究科学家的验证。Cadex正进一步探索这些发现在铅酸、镍氢和锂离子电池上的应用。

Advanced Battery Analytic System（ABAS）的典型应用场景包括：通过基于EIS的测试仪和配备EIS支持的BMS系统来追踪现场电池性能，从而实现车队监管。借助ABAS，监管人员可为每套电池系统设置基于计算得出的容量阈值作为目标选择器，旨在尽可能延长电池的服役时间，同时确保对系统的信心。此类系统能够充分利用每块电池，同时提高可靠性并降低因过早报废电池而造成的环境影响。

结论

测试方法越精密，技术就越能深入解析症状。
一个例子是天气预报，它观测温度、风速和湿度的变化。人脸识别是另一个例子，它通过比较锚点来实现。字母和语音识别是机器学习的进一步应用，它通过识别细微差别来找到整体含义。

借助更先进的估算工具，任何单一的读数都无法得出有限的结果。机器学习在无需明确指令的情况下提高了准确性。作为人工智能的一个子集，机器学习利用算法和统计模型来分析数据，并从数据模式中推断结论。科学家预测，电池分析的未来在于结合机器学习和云连接的EIS技术。海量数据将作为查询表，为主要电池型号提供惊人的准确评估。

先进电池分析的关键在于读取“化学电池”，而非依赖外围数字引擎处理数据。基于化学的电池分析技术发展速度远不及数字技术。结合机器学习、神经网络和云连接的EIS技术将电池分析提升到了新的水平。这些相关技术也将改善组织的车队监管。