Machine-learning based methods have been widely used for battery health state monitoring. However, the existing studies require sophisticated data processing for feature extraction, thereby complicating the implementation in battery management systems. This paper proposes a machine-learning technique, random forest regression, for battery capacity estimation. The proposed technique is able to learn the dependency of the battery capacity on the features that are extracted from the charging voltage and capacity measurements. The random forest regression is solely based on signals, such as the measured current, voltage and time, that are available onboard during typical battery operation. The collected raw data can be directly fed into the trained model without any pre-processing, leading to a low computational cost. The incremental capacity analysis is employed for the feature selection. The developed method is applied and validated on lithium nickel manganese cobalt oxide batteries with different ageing patterns. Experimental results show that the proposed technique is able to evaluate the health states of different batteries under varied cycling conditions with a root-mean-square error of less than 1.3% and a low computational requirement. Therefore, the proposed method is promising for online battery capacity estimation.

Abstract Proton exchange membranes with short-pathway through-plane orientated proton conductivity are highly desirable for use in proton exchange membrane fuel cells. Magnetic field is utilized to create oriented structure in proton exchange membranes. Previously, this has only been carried out by proton nonconductive metal oxide-based fillers. Here, under a strong magnetic field, a proton-conducting paramagnetic complex based on ferrocyanide-coordinated polymer and phosphotungstic acid is used to prepare composite membranes with highly conductive through-plane-aligned proton channels. Gratifyingly, this strategy simultaneously overcomes the high water-solubility of phosphotungstic acid in composite membranes, thereby preventing its leaching and the subsequent loss of membrane conductivity. The ferrocyanide groups in the coordinated polymer, via redox cycle, can continuously consume free radicals, thus helping to improve the long-term in situ membrane durability. The composite membranes exhibit outstanding proton conductivity, fuel cell performance and durability, compared with other types of hydrocarbon membranes and industry standard Nafion ® 212.

This paper proposes an advanced state of health (SoH) estimation method for high energy NMC lithium-ion batteries based on the incremental capacity (IC) analysis. IC curves are used due to their ability of detect and quantify battery degradation mechanism. A simple and robust smoothing method is proposed based on Gaussian filter to reduce the noise on IC curves, the signatures associated with battery ageing can therefore be accurately identified. A linear regression relationship is found between the battery capacity with the positions of features of interest (FOIs) on IC curves. Results show that the developed SoH estimation function from one single battery cell is able to evaluate the SoH of other batteries cycled under different cycling depth with less than 2.5% maximum errors, which proves the robustness of the proposed method on SoH estimation. With this technique, partial charging voltage curves can be used for SoH estimation and the testing time can be therefore largely reduced. This method shows great potential to be applied in reality, as it only requires static charging curves and can be easily implemented in battery management system (BMS).

Fabrication of MOF functionalized PA membranes with crumpled fishnet-like structures used for nanofiltration with rapid water transport and superior mono/divalent salt selectivity.