一種聯合數據驅動與專家經驗的電池包異常壓差動態監測方法

張春峰 李昱岐

摘 要：作為新能源汽車動力系統的核心部件之一，鋰離子電池包的質量特性與服役性能直接影響著新能源汽車的整車產品質量。面向新能源汽車總裝產線中的鋰離子電池包檢測安裝工序，通常將鋰離子電池單體的電壓極值差作為保障鋰離子電池包安全性性能的重要監控指標之一。然而，現有的鋰離子電池包電壓極值差的監測主要依賴專家經驗，監測形式單一且無法有效應用歷史監測信息實現動態調節。為克服上述問題，本文提出一種聯合數據驅動與專家經驗的電池包異常壓差動態監測方法。該方法通過累積鋰離子電池包電壓極值差歷史檢測數據，實現檢測閾值的動態調整，進而有效的完成異常壓差電池包的監測和臨近閾值壓差電池包的預警，實現鋰離子電池包壓差性能檢測的智能化。最后通過結合山西晉中吉利汽車部件有限公司的現場數據對模型的性能進行了驗證，結果表明了該方法的有效性和可行性。

關鍵詞：新能源電池 鋰離子電池 壓差監測 數據驅動

Abstract：As one of the core components of the power system of new energy vehicles， the quality characteristics and service performance of lithium-ion battery packs directly affect the product quality of new energy vehicles. For the detection and installation process of lithium-ion battery packs in the final assembly production line of new energy vehicles， the voltage difference of lithium-ion batteries is usually regarded as one of the important monitoring indicators to ensure the safety performance. However， the existing monitoring of voltage extreme difference of lithium-ion battery packs mainly relies on expert experience， and the monitoring form is single and cannot effectively apply historical monitoring information to achieve dynamic regulation. In order to overcome the above problems， this paper proposes a dynamic monitoring method of abnormal pressure difference of battery pack based on data driven and expert experience. This method achieves dynamic adjustment of detection threshold by accumulating historical detection data of extreme voltage difference of lithium-ion battery packs， and then effectively completes the monitoring of abnormal differential pressure battery packs and the early warning of battery packs near threshold differential pressure， so as to realize intelligent detection of differential pressure performance of lithium-ion battery packs. Finally， the performance of the model is verified by the field data. The results show the effectiveness and feasibility of the method.

Key words：Energy battery， lithium ion battery， differential pressure monitoring， data driven.

1 引言

隨著新能源汽車產業的快速發展與部署，作為核心部件的鋰離子電池包的安全、可靠、高效的運行成為影響新能源汽車產品質量的決定性因素之一[1]。相比于傳統動力電池包，鋰離子電池包因具備高作業電壓、高能量密度、大充放電功率、低環境污染等優異性能成為推動汽車工業向純電動化方法發展的不可或缺的一環[2]。通常，鋰離子電池包本體主要由控制模組、熱傳導模組，和以鋰離子電池單體為基礎單元的成套鋰離子電池模組等關鍵部分封裝構成，如圖1所示。

然而，受限于現有鋰離子電池單體的生產制造工藝等諸多內外部因素的耦合影響，鋰離子電池單體產品通常在相關性能評價指標層面呈現出分布差異現象，如：單體電壓、單體阻抗等[3，4]。在此基礎之上，通過將鋰離子電池單體按照一定的排列策略進行組集并封裝，所構建的各鋰離子電池模組彼此間的服役性能也呈現出不同程度的波動，進而影響到最終生產的鋰離子電池包的綜合性能。通常，在眾多針對鋰離子電池單體的評價指標中，單體電壓是衡量鋰離子電池單體放電性能的重要指標之一，常見的電壓關鍵特性包括理論電壓、額定電壓、工作電壓、開路電壓等，其中工作電壓直接關系到充放電的截止電壓，進而影響鋰離子電池模組和鋰離子電池包的性能。

在鋰離子電池包的實際應用中，組集于其中的鋰離子電池單體的最大電壓和最小電壓的電壓極值差是保障鋰離子電池包安全性性能的重要監控參數之一[5，6]。通常，在相同條件下進行工作的鋰離子電池包，其電壓極值差主要受到鋰離子電池單體的開路電壓、直流內阻（歐姆內阻以及極化內阻）的影響，該影響機制說明電壓極差值能夠在一定程度上表征鋰離子電池包的內部特性，進而關系著鋰離子電池包的整體安全性和是否能夠正常使用。因此，針對鋰離子電池包的電壓極值差監測對于鋰離子電池包的質量檢驗與評估、維保決策的制定和新能源汽車整車質保均扮演著至關重要的角色。

2 電池包異常壓差動態監測方法與驗證

2.1 基于歷史檢測數據的模型構建

通過結合山西吉利汽車部件有限公司總裝產線的鋰離子電池包檢測設備和數字化信息中心的服務器平臺，獲取得到了總裝產線上鋰離子電池包在安裝至車身底盤前的檢測數據庫，如圖2所示。

由圖2可以看出，該數據庫收集并匯總了鋰離子電池包在總裝產線上檢測所獲得的的大部分數據，主要包括端口電壓、電池包電荷健康狀態（BMSH_BattSOC）、電池包電壓信息（BMSH_BattVolt）、鋰離子電池單體最大電壓（BMSH_CellVoltMax）、鋰離子電池單體最小電壓（BMSH_CellVoltMin）、靜態壓差等關鍵信息。與此同時，針對每一項具體的鋰離子電池包檢測條目，均完整紀錄了理論最小值（From）、理論最大值（UpTo）、實際檢測值（RealValue）、檢測結果（RoutinePass）、電池包編號（BarCode）等信息。

基于上述獲取的鋰離子電池包檢測數據庫信息，首先提取到能夠表征鋰離子電池包內部特征的電壓極值差數據集，并按照歷史檢測順序對所提取到的電壓極值差數據進行整理，如圖3所示。

一般地，鋰離子電池包的實際檢測結果往往受到總裝產線檢測工人所采用的檢測方法、檢測設備等內外部因素的綜合影響。因此，在獲得鋰離子電池包電壓極值差的歷史檢測數據集后，需要對歷史檢測數據進行數據清洗，從而獲得滿足后續模型構建需要的合格數據集。通常，數據清洗主要包括數據一致性檢查、缺失值處理、不合理數據處理等環節。其中，電壓極值差數據的一致性已由數據庫進行保證，故該鋰離子電池包的電壓極值差歷史檢測數據集重點關注缺失值和不合理數據的處理。

如圖4所示，通過將所提取到的鋰離子電池包電壓極值差歷史檢測數據集進行散點可視化，能夠直觀的看出原始數據集中存在大量的不合理數據，這些數據的值遠遠大于專家所設定的30mV閾值。而這些不合理的數據會顯著降低所提取電壓極值差數據集的整體質量，造成數據污染，并嚴重影響后續的模型構建。所以，數據清洗的首要任務是針對原始電壓極值差歷史檢測數據集完成合格數據和不合格數據的劃分。具體地，鋰離子電池包電壓極值差一般規定為鋰離子電池單體最大電壓與鋰離子電池單體最最小電壓的差值，故合格鋰離子電池包電壓極值差的值非負。其次，所測量的鋰離子電池包電壓極值差的值應該位于閾值的特定范圍內。因此，鋰離子電池包電壓極值差歷史檢測數據是否合格由公式（1）判定，其具體表達式為：

式中，表示第i個鋰離子電池包電壓極值差歷史檢測數據，表示電壓極值差理論最小值，表示電壓極值差理論最大值，表示懲罰因子。

基于上述的電壓極值差檢測數據的合格判定準則，能夠獲得每一條鋰離子電池包電壓極值差歷史檢測數據是否合格的標簽，并依據此標簽實現了原始電壓極值差檢測數據集的數據清洗。其中，清洗后合格的鋰離子電池包電壓極值差歷史監測數據可以被進一步可視化，如圖5所示。

如上述數據散點可視化結果所示，經過數據清洗之后的鋰離子電池包電壓極值差歷史監測數據集的整體數據質量呈現出顯著的提升，為后續建立的鋰離子電池包的電壓極值差異常監測模型的構建提供了可靠的數據保障。一般地，在實際新能源汽車總裝產線的鋰離子電池包檢測環節，檢測人員通常僅依據專家給定的電壓極值差閾值完成鋰離子電池包電壓極值差異常與否的判定。然而，僅僅依據電壓極值差閾值的判定存在一定的局限性，其潛在的分配相同的注意力權重給所有檢測正常的鋰離子電池包，即認為檢測通過的鋰離子電池包彼此間是無差異的。然而，如圖5所示，對于檢測通過的鋰離子電池包，彼此之間的電壓極值差分布依舊存在著顯著的不同，應該對于電壓極值差檢測結果接近于電壓極值差閾值的鋰離子電池包給予更多的關注。因此，結合清洗后的合格的鋰離子電池包電壓極值差歷史檢測數據，提出一種聯合數據驅動與專家經驗的鋰離子電池包異常電壓極值差動態監測方法，具體實施策略如圖6所示。

首先，在新能源汽車總裝產線的本地服務器或信息管理中心的終端服務器中建立三個用于存儲鋰離子電池電壓極值差檢測結果的數據庫，分別命名為異常狀態的電壓極值差歷史數據庫、正常狀態的電壓極值差歷史數據庫和臨近閾值的電壓極值差歷史數據庫。其次，從清洗后的合格鋰離子電池包電壓極值差歷史檢測數據中依次抽取數據樣本來實現鋰離子電池包異常電壓極值差動態監測模型的構建。具體地，對于某一具體的鋰離子電池包電壓極值差數據樣本，先查詢保存至正常狀態的電壓極值差歷史數據庫的條目是否達到最小統計量30，若保存的條目數量未達到最小統計量，則針對具體的鋰離子電池包電壓極值差數據樣本采用專家經驗確定的理論最小值VLow和理論最大值VUp實現異常值檢測，并根據檢測結果將當前鋰離子電池包電壓極值差數據樣本保存至相對應的數據庫中，該過程被稱為初始監測環節。相反，若保存的條目數量達到最小統計量，則執行動態監測環節。

對于鋰離子電池包電壓極值差的動態監測環節，首先對保存至正常狀態的電壓極值差歷史數據庫中的所有歷史數據開展基于箱型圖的統計分析，獲得統計下限值QLow和統計上限值QUp，具體計算表達式如下：

式中，表示所有正常狀態歷史數據的下四分位數，表示所有正常狀態歷史數據的上四分位數，表示所有正常狀態歷史數據的上四分位數與下四分位數的距離。

與此同時，為了進一步克服因數據樣本分布的時變性而引發的統計上限值波動的問題，采用加權融合策略將專家經驗知識引入至電壓極值差上限值的聯合動態確定環節中，所構建的動態電壓極值差上限可以表示如下：

結合上述構建的統計下限QLow和動態電壓極值差上限Q，可以將某一具體的鋰離子電池包電壓極值差數據樣本依據其真實檢測值歸屬到相對應的電壓極值差歷史數據庫中。其中，若鋰離子電池包電壓極值差數據樣本的真實檢測值小于統計下限QLow或者大于電壓極值差理論最大值VUp，則將該樣本判定為異常樣本，并將所對應的鋰離子電池包電壓極值差數據等信息保存至異常狀態的電壓極值差歷史數據庫。相反，若鋰離子電池包電壓極值差數據樣本的真實檢測值大于統計下限QLow且小于動態電壓極值差上限Q，則將該樣本判定為正常樣本，將所對應的鋰離子電池包電壓極值差數據等信息追加至正常狀態的電壓極值差歷史數據庫。與此同時，將處于動態電壓極值差上限Q和電壓極值差理論最大值VUp間的數據樣本視為重點關注樣本，保存至相對應的臨近閾值的電壓極值差歷史數據庫。

2.2 電池包異常監測結果

基于上述的鋰離子電池包異常電壓極值差動態監測模型，能夠有效完成鋰離子電池包電壓極值差的異常監測，監測結果如圖7所示。

可以看出所提的聯合數據驅動與專家經驗的鋰離子電池包異常電壓極值差動態監測方法能夠有效的完成異常值的識別，為保障新能源汽車總裝產線電池包安裝工序的質量提供了依據。此外，如圖8所示，所提方法能夠進一步的實現臨近閾值的鋰離子電池包電壓極值差的識別任務，促使現場檢驗人員對該類鋰離子電池包給予更多的關注。

3 結論

本文提出了一種聯合數據驅動與專家經驗的電池包異常壓差動態監測方法，該方法能夠依據新能源汽車總裝產線的鋰離子電池包壓差監測歷史數據實現檢測閾值的動態調節，進而完成異常壓差電池包的監測和臨近閾值壓差電池包的預警，促進了新能源汽車的產品質量管控系統的智能化，并未后續的維保決策提供了有利的數據支撐。

資助項目：

國家重點研發計劃（2020YFB1713400）-新能源汽車制造產業集聚區域網絡協同制造集成技術研究與應用示范。

參考文獻：

[1]許志宇，嚴曉，黃碧雄，王影. 基于ARIMA模型對鋰離子電池電壓監測[J]. 農業裝備與車輛工程，2020，58（11）：97-99.

[2]馬非凡，黃碧雄，嚴曉，王東征，王炯耿. 基于LSTM的電動汽車SOC估算方法的研究[J].農業裝備與車輛工程，2020，58（11）：60-63.

[3]楊杰，解晶瑩，晏莉琴，尹鴿平.鋰離子電池健康狀態估計方法[J].電池，2019，49（3）：247-250.

[4]姚遠，陳志聰，吳麗君，程樹英，林培杰. 一種基于改進網格搜索和廣義回歸神經網絡的鋰離子電池健康狀態估計方法[J]. 電氣技術，2021，22（7）：32-37.

[5]薛撬.動力鋰離子電池剩余壽命預測與故障診斷研究[D]. 昆明理工大學，2021.

[6]潘岳，韓雪冰，歐陽明高，任華華，劉巍，閆月君. 鋰離子電池內短路檢測算法及其在實際數據中的應用研究[J]. 儲能科學與技術，2022，1-13.