然而电池存在一个重大问题，即其性能会随工作条件快速退化。而评估电池的当前健康状态非常困难，不仅需要中断电池工作，并且需要专用设备才能完成较长的充放电过程。

英国爱丁堡赫瑞-瓦特大学（Heriot-Watt University）智能系统小组（Smart Systems Group）的研究人员与美国马里兰大学（University of Maryland）计算机辅助寿命周期工程中心（CALCE）的研究人员共同开发出一种全新方法，可通过向人工智能（AI）算法提供原始电池电压和当前运行数据来估算电池健康状态，无需考虑工作环境及电池设计或化学性能。

AI框架设计Darius Roman博士表示：“目前，电池退化数据驱动模型的开发取决于进行更快推理的算法发展。尽管研究人员通常在模型或算法开发上花费大量时间，但很少有人会花时间理解算法应用的工程环境。相较之下，此次研究是从头开始。首先，马里兰大学CALCE小组内部进行了电池退化测试，我们通过与其合作了解电池退化。之后又利用数据设计可抓取电池退化信息的功能，随后选出最重要的功能，最终部署该AI技术评估电池健康状况。”

此外，研究人员发现，当前用于电池健康状况评估的数据驱动模型并未考虑模型置信度。而模型置信度对于决策理解AI模型如何得出特定结论以及该模型是否可以信任至关重要。在此项工作中，提出的AI模型能够量化其预测中的不确定性，以更好地支持运营决策。所开发的框架将根据新的化学性质进行扩展，包括即将推出的新型固态电池、电池设计和工作条件，并且有可能解锁电池使用的新策略。

智能系统小组的Valentin Robu表示：“从机器人到可再生能源集成等应用，电池越来越重要，但对电池健康状态进行准确、高可信度评估却很难。例如，对远程环境（如深海海底监控）中工作的机器人而言，确保其电池的健康状况至关重要。同理，对于项目经济可行性而言，准确评估能源应用中的电池剩余使用寿命也非常重要。”