用于快速寿命预测的加速电池老化研究

该项目旨在开发一种新的闭环实验设计框架，以加速电池老化过程，同时准确保留正常条件下观察到的退化机制。该框架将实验性电池测试与先进的诊断技术、建模及机器学习相结合，从而降低预测电池寿命所涉及的成本与时间。

引言： 通过 SRAP 项目，位于考文垂的博士研究人员将在新加坡接受一至两年的研究培训，由考文垂大学与 ARTC 的研究人员共同指导。该项目为博士研究人员提供了获得国际研究经验的绝佳机会，同时他们还能参与针对全球技术与可持续发展挑战的综合性多学科研究。这一合作性博士项目使研究人员能够处于学术研究、先进工程与工业创新的交汇点进行工作。 研究人员将与两所机构的专业团队及设施合作，构建国际研究网络，并积累将先进研究成果转化为实际解决方案的经验，以服务于未来的移动交通和再制造系统。该项目特别适合那些希望塑造下一代电动交通系统和循环制造技术的雄心勃勃的研究人员，同时能在英国和新加坡获得宝贵的研究经验。 项目细节： 通常，可靠的电池寿命预测需要数月或数年的老化测试，这成为电池研发、认证及管理过程中的主要障碍。传统的加速老化方法会将电池置于高温、大电流或极端充电状态中，以缩短测试时间。 然而，强烈的加速作用可能会改变电池降解的底层模式与机制，这意味着在加速条件下观察到的老化现象可能无法准确反映正常运行过程中的退化情况。本博士项目将开发一种新的闭环实验设计（DoE）框架，用于电池加速老化及早期寿命预测研究。 核心研究问题为：如何在加速电池老化过程中保持正常老化条件下观察到的老化模式与机制？该项目将结合电池实验、先进诊断技术、老化建模、优化实验设计及机器学习方法。初步实验将确定具有代表性的运行条件下的参考老化行为，并识别与重要老化机制相关的可测量特征。 将采用闭环实验框架，根据先前实验的结果逐步选择具有指示意义的老化条件，从而平衡加速退化、最大化信息获取以及保持与正常老化机制相似性的相互矛盾目标。最终目标是大幅减少电池寿命表征所需的时间和实验成本，同时保留具有物理意义的退化行为，进而促进电池研发进程加快并提升寿命预测的准确性。 研究内容可能包括：• 在正常及加速条件下设计与实施电池老化实验。• 开发闭环优化实验设计算法，以自动选择后续实验条件。• 识别能够减少测试时间而不改变主要退化机制的加速因素。• 采用容量分析、增量/差分容量分析、脉冲测试及电化学阻抗谱等电池诊断技术。• 识别并量化各种退化模式，包括锂储备损失（LLI）、活性材料损失（LAM）以及电阻增加现象。• 开发定量指标，以评估加速老化与正常老化之间的退化机制相似性。• 从电学、热学和电化学测量数据中提取早期特征并识别预测指标。• 运用机器学习、贝叶斯方法及物理信息方法，早期预测电池健康状态、退化轨迹及剩余使用寿命。• 在不同电池单元、运行条件以及适用的电池化学类型下进行验证。

Entry requirements: A minimum of a 2:1 first degree in a relevant discipline/subject area with a minimum 60% mark in the project element or equivalent with a minimum 60% overall module average. PLUS The potential to engage in innovative research and to complete the PhD within 3.5 years. A minimum of English language proficiency (IELTS academic overall minimum score of 7.0 with a minimum of 6.5 in each component). Additional requirements: Applicants should have, or expect to obtain, a good undergraduate or Master's degree in a relevant discipline such as electrical/electronic engineering, control engineering, computer science, or a closely related subject. A strong interest in batteries, experimental research and data analysis is essential. Experience in one or more of the following areas would be advantageous: battery testing, electrochemistry, battery modelling, optimisation, design of experiments, machine learning, statistics, signal processing, MATLAB or Python. The successful candidate should be comfortable working across both experimental and computational research, including conducting laboratory battery tests, analysing large experimental datasets and developing modelling/optimisation algorithms. Good analytical and problem-solving skills, ability to work independently, and effective written and verbal communication skills are expected. Previous battery research experience is desirable but not essential, provided that the applicant has a strong quantitative background and motivation to develop expertise in battery ageing and prognostics. Candidates should demonstrate a strong interest in interdisciplinary research and an enthusiasm for addressing complex engineering and sustainability challenges. Candidates should be capable of working independently while also contributing effectively to a multidisciplinary research team. Strong analytical, problem-solving, communication and scientific writing skills are essential. As the programme involves international collaborative research and an extended research attachment in Singapore, candidates should also demonstrate adaptability, cultural awareness, effective communication and a willingness to work in an international research environment. Candidates may be required to satisfy the academic, English-language, immigration, security and other eligibility requirements of Coventry University, A*STAR and the Singapore Research Attachment Programme.

资助来源： 学费与奖学金 优势： 成功入选的申请人将获得全面的研究培训，包括技术、个人及职业技能方面的培养。考文垂大学的所有研究人员（从博士到教授）均属于博士学院与研究能力与发展中心，该机构将提供高质量的培训与职业发展支持。 您被邀请加入考文垂大学人工智能博士培训中心（C-CDT AI）：这是一个充满活力的合作平台，汇集了大学各处的人工智能研究人员与PGR研究人员。作为C-CDT成员，您将受益于系统的人工智能培训（涵盖核心研究方法至伦理与创新领域）、跨学科同行网络、专业指导、共享GPU/云资源、研讨会、讲座以及以行业为导向的挑战项目。这种额外的培训与社区支持可补充您的本研究所提供的课程，加速您的技术与职业发展，并让您融入一个广泛的人工智能研究生态系统，该体系致力于解决各领域的关键问题。

申请方式： 关于该项目的更多信息，请联系**[会员信息]** 所有申请者必须提供完整的辅助文件、推荐信，以及一篇2000字的说明文，以证明申请者的专业能力与兴趣与该项目具有相关性。 申请考文垂大学 申请流程：