Los modelos físicos son adecuados para el desarrollo y la optimización de materiales y diseños de celdas, mientras que los modelos basados en datos experimentales y circuitos eléctricos equivalentes (CEE) son adecuados para el desarrollo de estimadores de operación, tanto para celdas como para baterías. Este trabajo de investigación desarrolla una innovadora función de coste de entrenamiento de redes neuronales artificiales (ANN) no supervisadas para identificar parámetros de circuitos equivalentes utilizando espectroscopia de impedancia electroquímica (EIS) para identificar y monitorear variaciones de parámetros asociadas con diferentes procesos fisicoquímicos que pueden estar relacionados con los estados o modos de fallo en las baterías. Muchas técnicas y algoritmos se utilizan para ajustar un parámetro predefinido de CEE, muchos requieren un alto nivel de apoyo de experiencia humana. Sin embargo, una vez que se selecciona el modelo de CEE apropiado para modelar los diferentes procesos fisicoquímicos asociados con una tecnología de batería dada, el desafío es implementar algoritmos que puedan calcular automáticamente las variaciones de parámetros en tiempo real para permitir la implementación de estimadores de capacidad, salud, seguridad y otros modos de degradación. Basado en estudios previos que utilizan técnicas de aumento de datos, el nuevo método de aprendizaje profundo de ANN introducido en este estudio produce mejores resultados que los algoritmos de entrenamiento clásicos. Los datos utilizados en este trabajo se basan en un conjunto de datos de envejecimiento y caracterización para baterías de plomo-ácido de 80 Ah y 12 V.