传统BMS
仅测量当前数值——体温计"当前电池剩余电量：72%"
—数值可见，但实际健康状态无从得知。
—问题严重化后才发出警告。
—无法提前预测电池寿命或风险。
(01)公司介绍
诊断电池内部肉眼不可见的状态
Battermachine 提供电池智能诊断与储能解决方案。位于中国常州的常州理界人工智能科技有限公司负责储能硬件，首尔团队负责智能平台开发，帮助客户了解电池当前状态与未来变化。
01
物理信息融合AI（Physics-Informed AI）
即使在数据匮乏环境下，也能实现高精度电池诊断。
02
云端持续学习
每天从真实车辆获取最新数据，持续提升模型精度。
03
韩国市场绝对领先
韩国唯一拥有大规模真实道路数据的公司。
传统BMS是体温计，Battermachine是AI主治医师。
12,000+注册车辆
400,000+充电会话
9韩国授权专利
5产品线
(02)问题与解决方案
为什么选择 Battermachine？
Battermachine
AI精准诊断——AI主治医师"3周前已检测到异常信号，预计2个月后需要更换。"
+AI持续自动监测电池内部状态。
+故障发生前数周主动预警。
+预测未来寿命、残值及风险等级。
→ Battery Diagnosis Analogy
Battermachine diagnoses batteries the same way doctors diagnose patients
| Stage | What a Doctor Does | What Battermachine Does |
|---|---|---|
| 1Capture | Record vital signsDoctors capture temperature, pulse, and blood pressure to read current condition. | Collect charging telemetryAutomatically collects voltage/current/temperature/SOC from real charging sessions. |
| 2Normalize | Standardize patient chartTransforms measurements into normalized records for comparison. | Data cleansing and normalizationTransforms charging sessions into fleet-comparable datasets. |
| 3Detect | Find abnormal symptomsDetects deviations from healthy patterns. | AI anomaly detectionIdentifies abnormal behavior across fleet-wide patterns automatically. |
| 4Diagnose | Run focused examinationsUses detailed tests to identify root causes. | Physical signal analysisExtracts imbalance/resistance signals and pinpoints true degradation causes. |
| 5Track | Long-term follow-upMonitors progression over weeks and months. | Continuous risk trackingTracks risk signal trajectories over full charging histories. |
| 6Prescribe | Clear action guidanceProvides next actions with rationale. | Risk alert and action playbookExplains what is risky, why, and what to do next with staged alerts. |
Conventional tools stop at a single health score. Battermachine executes all six diagnostic stages.
(03)核心技术
云端核心引擎
基于云端数据集的持续学习型电池诊断与预测系统。
System Architecturephysics-grounded · two-branch · deployment-ready
01 · Data Ingestion →
Cell DataEV DataESS DataCharging DataData Foundationunified per-vehicle session store
02 · Physics Layer →
Physics Signal LayerInterpretable signatures extracted from raw telemetry and shared by both branches.
03 · Two-Branch Intelligence →
Health & LifetimeDegradation Trends → Monotonic Transformer ×3 → SOH · RUL
Behavior & RiskEncoder → Decoder → Forecasterautoencoder reconstruction + recurrent forecaster
04 · Outputs
SOHRULAnomalyAlert
Example Outputper-vehicle diagnostics · fleet view
Mileage (k mi) · shaded = confidence band
months
cycles ×100
miles ×10k
Remaining useful life · point + interval
Normal
Watch
Early Warning
High Risk
Share of fleet by risk tier
Session #lowhigh
Representative fleet output. Validated accuracy in Validation & Reliability →
什么是 Physics-Informed AI？
将电化学物理定律与机器学习深度融合，学习电池运行底层机制。
Real-time IngestionCollect charging data from active vehicles.
Continuous LearningRefresh AI models automatically with new data.
Rising AccuracyMore vehicles lead to higher diagnostic precision.
01
云端数据集
Cloud Dataset持续采集车队数据、运营历史、电池化学特性及退化轨迹。
02
物理引导学习
Physics-Guided Learning物理信息特征提取与表征学习，将领域知识与数据驱动训练融合。
03
诊断与预测
Diagnosis & Prediction物理加权风险引擎、全局异常检测与时序退化模型协同输出。
04
输出与反馈
Outputs & Feedback输出状态评估、预测预报、分级告警和风险评分，并持续优化模型。
(04)知识产权
以持续扩展的全球专利组合支撑电池智能。
BatterMachine 正围绕 AI 状态估计、安全诊断、寿命预测与云端电池管理构建具有防御力的知识产权组合。
公司发明申请韩国专利申请
韩国授权专利公司持有授权
PCT 国际申请全球权利布局
美国申请国家阶段审查中
中国专利申请已提交申请
核心知识产权领域
AI 状态估计安全与可靠性云端与寿命智能
专利组合概要更新于 2026 年 10 月。不同司法管辖区的申请数可能涉及同一发明。专利申请不等同于授权专利。
(05)验证数据与可靠性
真实数据，真实结果
基于真实车辆数据，故障检测结果针对明确界定的研究样本报告。
12,000+注册车辆注册车辆规模
400,000+充电会话真实充电数据
9韩国授权专利公司持有授权
62×异常信号灵敏度相对健康车辆基准的最高值
Model Performancevalidated on real-world vehicles
SOH Estimation
State of HealthHigher R² = better · MAE in percentage points
NCM / NCAR² 0.838
MAE 1.84 ppLFPR² 0.795
MAE 1.37 ppRUL Estimation
Remaining LifeHigher R² = better · MAE in months
NCM / NCAR² 0.916
MAE 6.14 moLFPR² 0.900
MAE 7.07 mo电池包故障检测
使用 155 辆电池包故障车辆和 3,435 辆健康车辆的电压差残差，得到首个随机种子的初步结果。
VRE 检出率 · 目标误报率 1%
83.2%
155 辆故障车辆中检出 129 辆
实际误报率：0.990% · 3,435 辆健康车辆中误报 34 辆。
更新于 2026 年 10 月 13 日 · 首个随机种子的初步结果
提前预警间隔中位数
30–36天
此前研究：154 辆故障车辆。双模型与三模型集成在 0.1% 和 1% 目标误报率下的间隔中位数范围为 30.3–35.8 天。
仅统计已检出的故障车辆，测量首次预警至该电池包最后一次观测会话结束的间隔。实际故障起始时间未知。
VRE：变分响应集成，在 1% 目标误报率下选择。HRE：混合响应集成，在 0.1% 目标误报率下选择。每条曲线均保留同一个固定集成模型。
查看原尺寸图表 ↗| 目标误报率 | 实际误报率 | 变分响应集成 (VRE) | 混合响应集成 (HRE) |
|---|---|---|---|
| 0.1% | 0.087%3 / 3,435 | 38.7%60 / 155 | 46.5%72 / 155 |
| 1% | 0.990%34 / 3,435 | 83.2%129 / 155 | 65.8%102 / 155 |
真实车辆数据
12,000+辆注册车辆为电池分析提供广泛的数据基础。故障检测性能针对本节所述的研究样本报告。
物理验证异常检测
相比正常车辆中位值，异常信号灵敏度最高达62倍。
多车型 · 多化学体系覆盖
全面覆盖NCM与LFP，兼容2013~2026年款多品牌车型。
充电数据基础
400,000+次充电会话支持真实运行条件下的电池研究与模型开发。
Korea Market#1 Undisputed
Global Comparable Players1–2 Companies
Key DifferentiatorReal-Road Validation
(06)产品线
一个核心引擎，五大市场
单一AI诊断引擎，同时覆盖五个细分市场。
1 engine → 5 markets · 覆盖电池全生命周期的智能分析
1
Dr.EV
B2C · 电动汽车车主面向特斯拉等电动车车主的AI电池诊断应用，提供官方应用无法呈现的电池内部健康状态与未来寿命预测。
Model订阅制免费版 -> $5 / 月前往 Dr.EV 页面 ↗
2
Dr.ESS
B2B · 工商业储能按项目需求选择储能硬件、电池智能平台，或硬件与平台一体化方案。
Model硬件 · 平台 · 一体化硬件按项目报价 · 平台服务了解 Dr.ESS ↗
3
Dr.Charger
B2B · 充电运营商（CPO）充电枪接入即刻完成电池状态分析，充电行为本身即是诊断，无需任何额外硬件。
ModelAPI按会话收费
4
Dr.Fleet
B2B · 物流 · 客运 · 出租车全车队电池统一监控，提供主动维护排期，最大限度降低运营风险与计划外停运。
ModelSaaS按车辆月度计费前往 Dr.Fleet 页面 ↗
5
Dr.Prescription
B2B · 二手车 · 保险机构覆盖全生命周期的AI认证电池健康证书，构建可信交易与残值评估体系。
Model按证书收费按张计费
(07)合作提案
携手共赢，共同成长
一个AI引擎，多种合作方式。
技术合作
将AI电池诊断能力嵌入您的平台通过REST API对接，快速上线诊断能力。+发送充电数据即可获取SoH、风险评分和异常预警。
+无需自研AI，数周内即可集成。
+支持CPO与二手车平台场景。
商业合作
将电池诊断服务捆绑至现有方案面向Fleet和储能客户的联合提案。+将Dr.Fleet或Dr.ESS纳入现有服务。
+通过增值服务获得收入分成。
+适配EPC、SI与公共项目合作。
数据合作
共享数据协同构建专属AI模型构建车型/场景定制化诊断模型。+利用合作方数据训练定制模型。
+联合构建数据资产并共享洞察。
+支持保险和OEM定价/风控场景。
(08)媒体报道
Battermachine 新闻动态
BatterMachine Dr.ESS 平台获中国地方政府媒体报道
BatterMachine 中国分公司常州力杰人工智能科技有限公司，因推出面向工业及电网级储能系统的 AI 电池健康管理与智能运营平台 Dr.ESS，获得武进新闻报道。
报道重点介绍了 Dr.ESS 的监测、诊断、预测与决策能力，基于大规模全球电池数据构建的物理模型机器学习引擎，以及客户运营成果，包括99%诊断准确率、62倍异常检测灵敏度和约30%的应急替换成本降低。
来源：武进新闻网（中国常州）· 2026年5月13日阅读原文 →BatterMachine 中国分公司获中国地方政府媒体报道
BatterMachine 中国分公司常州力杰人工智能科技有限公司，因其融合物理机理的电池智能平台获得中国地方政府媒体报道。
报道重点介绍了 BatterMachine 的双模型架构、电池分析专利技术、消费者电池应用的全球商业化进展，以及与中国车企和电池企业持续合作的机会。
来源：武进新闻网（中国常州）· 2026年3月3日阅读原文 →(09)博客与洞察
Battermachine 最新动态
查看全部文章 →技术洞察2026.03.15
Physics-Informed AI 如何革新电池诊断
为什么将物理定律与机器学习结合优于纯数据驱动AI。
市场趋势2026.02.28充电站成为数据枢纽的时代——Dr.Charger 的愿景
插枪即诊断，充电基础设施成为电池智能数据核心。
电池全生命周期2026.02.10SOH 80% 意味着什么——梯次利用与 Dr.Prescription
电池达到80% SOH后的旅程以及认证价值。
产品更新2026.01.25Dr.EV 更新——每周AI电池报告功能正式上线
自动生成每周电池健康报告。
客户案例2026.01.10Dr.Fleet POC成果公开——电动客车车队运营商实证
避免计划外停运、降低维护成本。
储能与能源2025.12.20可再生能源储能电池管理新标准——Dr.ESS 详解
远程诊断光伏、风电配套储能电池并预测更换时间。
(10)联系我们
为每一个电池运行的现场提供AI智能诊断
联系常州理界人工智能科技有限公司与首尔团队，探讨电池智能平台、储能硬件或一体化方案。欢迎提交合作咨询、技术演示申请及 POC 提案。
地址韩国首尔 — 软件 · 中国常州 — 硬件