我们的自适应充电算法位是基于电池化学，数据和软件技术跨领域的整合
充电通常是加速电池劣化的最重要因素。 自适应算法利用实际充电对每个电池的内部特性作实时诊断。 所得的数据可用以持续监测电池的老化情况。 然后我们的算法优化充电速率和程度，以减少电池耗损并最大限度地延长电池寿命。 每次将电池插入充电器时，自适应充电算法都会重复此过程。
现场数据，化学模型和学习算法可准确预测电池健康状况
虽然在统计上很少发生，但电池会爆炸或引起致命的火灾。 我们的预测算法可预测此类危险故障 before 他们发生。 这些算法依赖于电池的详细化学模型以及从大量现场数据中进行的机器学习来检测潜在缺陷的存在或内部过度退化。 电池制造过程中或电池组或智能手机的组装过程中可能会产生缺陷。 缺陷可能包括电池内部存在锂金属镀层，外部机械损坏甚至使用假冒电池。
我们的创新
实时诊断 我们用装置本身对电池作电化学阻抗谱（EIS）测试。 在电池寿命期间收集的诊断数据提供了对老化和其他劣化机制的独特见解。
化学电池模型 我们使用实时诊断数据作为输入来确定最佳充电条件。 这些模型不断从积累的现场数据中学习。 它们是准确预测电池健康和安全性，确定最佳充电速率和充电程度，以及延长电池使用时间和电池寿命的核心。
闭环反馈 我们的算法根据化学电池模型并实时控制充电过程。 它可以改变每个电池的充电速率和充电程度，从而最大限度地延长电池使用时间和电池寿命。 闭环控制适应每种电池的独特性，并解决电池制造中无可避免的差异性。
预测健康和安全 我们的·算法将现场数据与化学电池模型相结合，以预测过度劣化或事故。 当预测到有安全事故障隐患，会在发生爆炸或火灾之前关闭电池。 我们的算法提供准确的当前和未来的电池健康状态。
实证。 可靠。 安全。
1
1
1
1
1
0
0
0
2
2
0
0
10
锂供应商测试
35
专利授予
140
电池型号测试
2000000
实验室测试周期
100000000
Qnovo启用了智能手机
0
安全失败