9月4日，7003全讯入口登录、先进电池系统与安全重点实验室栾伟玲教授课题组与公司国家高层次人才、讲席教授陈浩峰教授合作，在全球交通科学与技术领域顶级期刊eTransportation发表了题为“Interpretable deep learning for accelerated fading recognition of lithium-ion batteries”的研究论文，首次提出了一个用于锂电池寿命预测相关的可解释性深度学习框架。

在锂电池寿命预测领域，建立全面的电池老化模型一直是一项艰巨任务，因此数据驱动方法正受到越来越多的关注。深度学习已被证明是电池应用领域中一种强大的数据驱动拟合方法。然而，可解释性仍然是该领域面临的挑战，限制了深度学习方法的实际应用。随着可解释技术的发展，深度学习不仅可以作为黑盒工具，还可以用于探索外部电池数据与内部电化学变化之间的关系。研究团队提出了一种可解释的深度学习框架，利用梯度加权类激活映射（Grad-CAM）来解释训练好的卷积神经网络（CNN）模型的输入和输出之间的联系。

研究团队通过锂电池容量衰退拐点识别任务对可解释的深度学习框架进行了演示。研究结果表明，该深度学习模型在有效预测电池容量衰退拐点的基础上，可以敏锐捕捉与电池老化机制相关的特征，其中包括人类尚未完全理解的关键特征。此外，通过在不同预测任务（考虑多种电池体系、实际工况和数据集）中验证该方法，展现了该框架优秀的可迁移性。在无先验知识的情况下，该可解释的深度学习框架可以为研究者理解复杂电池老化机理提供新见解。该可解释性深度学习方法的提出为电池相关领域的数据驱动研究提供了新的思路，将积极推动人工智能技术在先进电池设计开发及安全使用方面的广泛应用。

7003全讯入口登录博士研究生王畅和博士后陈莹为该论文的共同第一作者，栾伟玲教授和陈浩峰教授为共同通讯作者。该研究工作得到了国家自然科学基金和中国博士后科学基金等经费资助。值得一提的是，研究团队所在的先进电池系统与安全重点实验室，围绕电池安全评价理论、安全检测方法及安全保障技术等关键研究方向，致力于先进电池系统与安全的应用基础研究和核心技术攻关。

原文链接：https://doi.org/10.1016/j.etran.2023.100281