大數據下電動汽車動力電池故障診斷技術現狀與發展趨勢

尹麗瓊　韋安定　韋財金

摘 要：高效精確的電動汽車動力電池故障診斷技術，不僅是電動汽車安全行駛的保證，也是電動汽車快速健康發展的重要技術支撐。本文將圍繞電池管理系統和熱管理系統，綜述這兩套系統在保證電動汽車安全行駛的最新研究進展；以獲取汽車運行數據為視角，介紹在電池系統運行時的數據傳輸的先進技術；以大數據驅動的角度，分析目前在多維度數據融合、故障識別、故障報警三方面的當前技術優缺點；在大數據和人工智能技術的背景下，對電動汽車故障診斷技術的發展進行展望。

關鍵詞：大數據 電池管理系統 故障診斷 故障預測

1 引言

隨著電動汽車的快速普及，消費者和汽車廠商對電池安全問題越來越重視，動力電池不僅是電動汽車的主要動力來源和核心零部件，也是其快速發展的主要技術壁壘。鋰離子電池在生產制造過程中不可避免的工藝問題，導致其各個單體電池存在差異性，為日后使用埋下安全隱患；隨著使用時間的延長其電池綜合性能不斷衰減，導致汽車的續駛里程縮短、電池一致性變差、動力性減弱等一系列問題。故對動力電池故障進行診斷和預測，是電動汽車安全、智能、便捷使用的重要技術保證[1]。

目前研究人員已經從故障發生的邊界條件、表現特征、內在原理和故障擴張等方面做了大量的研究工作，對電池系統故障有了較為深刻的認識，基于故障發生的表現特征和反應機理，對故障診斷和預測形成了較為完善的理論體系和初步解決方案。但在工況復雜多變的實際使用場景下，目前的解決方案難以診斷多故障耦合現象和對故障做出準確的預測。大數據分析技術在動力電池故障診斷領域的運用也不斷獲得成功，動力電池與大數據融合是未來行業大趨勢，也是我國汽車行業產業升級的戰略方向[2]。故，如何基于電動汽車使用過程中產生的海量數據，建立大數據分析視角下整個電池系統故障診斷和預測體系，是目前研究的重點與熱點。

本文論述了電池系統故障診斷與預測技術的研究現狀，首先圍繞汽車安全分別介紹了電池管理系統、電池熱管理系統和汽車數據安全傳輸等內容，并重點闡述了目前電池系統中故障技術的研究，從電池系統多維度數據融合特征提取、電池故障識別、電池故障預警三個方面進行分析總結；基于目前電動汽車智能化、網聯化和數字化的發展，對大數據分析下多維數據融合的故障診斷發展進行了展望；最后對電池診斷的關鍵技術和主要內容進行了總結，總體論文框架如圖1所示。

2 電動汽車動力電池安全管理

2.1 電池管理系統

當動力電池系統在安全的區域內運行時，才能保證電動汽車高效安全的行駛，電池管理系統（BMS）作為保證其安全運行的唯一設備，通過自身攜帶的傳感器獲得汽車各種特征參數，來實現對電池的安全管理。其傳感器可以獲得電池電壓、充放電電流、單體電池溫度、車速等各種參數，利用這些參數可以估計獲得包括電池荷電狀態（SOC）、健康狀態（SOH），剩余里程估計等電池多種狀態[3]。故，需要根據目的不同設計不同的電池模型和算法。

對于電池荷電狀態的估計較為傳統的方法是安時積分法，但此方法不但要求數據具有精確的初始值，而且無法避免由于數據誤差造成的積累誤差；開路電壓法可用于實現電池荷電狀態的準確估計，但由于此方法需要電池長時間的放置，并不適合實際情況的使用。隨著機器學習和深度學習的快速發展，神經網絡算法可以被用來對電池狀態進行在線估計，但該方法需要大量的數據對模型進行訓練，且模型精度受數據精度的直接影響。Liu等人針對串聯電池組，提出了一種基于模型的傳感器風險檢測與隔離方案，采用自適應擴展卡爾曼濾波（AEKF）估計每個單體電池的狀態，并將估計的輸出電壓與實測電壓進行比較產生殘差，用統計推理的方法對殘差進行估計，確定風險的存在程度，最后通過一個串聯電池組在UDDS驅動循環下的實驗驗證了該方案的有效性[4]。Yang等人通過對電動汽車的大量風險進行統計分析，將神經網絡算法與統計方法相結合，構建了電池風險診斷策略同時將統計結果和實際車輛進行了對比分析[5]。Wang等人針對電動汽車充電過程中的一些風險隱患，從一體化和安全角度出發提出了一種基于模糊層次綜合分析法的在線風險預測模型并通過專家經驗建立打分表的方式來確定各種風險因素對模型的影響，從而建立了風險診斷策略，結果表明該模型能對安全等級進行有效評估并對風險進行精準預測，從而保障了電動汽車的正常運行。

2.2 電池熱管理系統

電池熱管理系統（BTMS）的主要作用是，保證電池在過充、過壓或極端外部條件下，保證電池各單體、電池包和各個模組在正常的溫度下工作切溫度分布均勻，電池熱管理系統對于防止或延緩電池溫度失控和部分單體電池溫度過高，重要作用。目前電池管理系統按照冷卻方式可以分為主動冷卻和被動冷卻，按照冷卻介質分為空氣冷卻、液體冷卻、熱管冷卻等類型。其中無論是主動或被動冷卻系統，以空氣為介質的冷卻系統由于導熱系數的限制，都很難有效的滿足電池降溫散熱的實際需求。

目前的比較傳統的池熱管理系統都是利用電池管理系統的傳感器獲得電池各部分溫度數據。與存儲在ECU中提取設置好的閾值進行對比，當超過閾值時便會提高散熱體系工作力度。基于大數據分析，可以利用汽車運行的各種歷史數據對電池溫度狀態進行分析，并對電池包和各個單體電池溫度做出預測，當預測電池溫度將有過高的危險時，散熱系統將會提取提高工作力度，以防止電池出現溫度過高的危險。

2.3 電池系統安全管理

動力電池是電動汽車的主要動力來源，其充放電流有時高達上百安，工作輸出電壓高達數百伏，過高的充放電電流會導致電池內部溫度急速上升和電池性能加速衰退，過高的輸出電壓使電池輸出功率過大，會提高電池溫度和影響電池綜合性能。隨著電動汽車的發展，消費者和廠商對電動汽車的電器化、電機效率、能量傳輸效率等都有了更高的要求，電池高壓化是電動汽車發展的行業趨勢。故，對電池的電壓、溫度和電流進行分析是實現電池安全管理的重要途徑。目前在實際運用中我們只能獲得電池的表明實時溫度，但實際上其內部溫度是更能直接影響電池性能，且內部溫度相比表明溫度會更快到達臨界溫度。

雖然沒有較好的辦法直接獲得電池內部溫度，但是可以通過電池等效模型大致計算出電池內部的溫度，但這種方法很難適應電池復雜的使用場景；也可以基于機器學習或深度學習通過模型建立電壓電流與電池內部溫度的關系，這種方法使實時估計電池內部溫度成為了可能，但受到數據量和數據精度的影響。

2.4 電動汽車運行數據的傳輸安全

隨著互聯網技術的快速發展，目前電動汽車的數據傳輸不止通過車載設備進行，還包括基于網絡的遠程數據傳輸與存儲。工信部2017年7月起就要求對已售出車輛進行遠程監控，并記錄每輛新能源汽車使用、保養、維修等狀況并建立檔案。利用車載終端進行數據采集是實現數據遠程存儲和傳輸的基礎，其主要通過CAN總線傳輸電動汽車的各項數據，包括電池系統數據、電動機數據、經緯度信息等，并將采集的數據傳輸到大數據中心進行儲存。

與傳統汽車相比，電動汽車的電器化程度更高其配備的電控單元和傳感器也更多，對數據傳輸的網絡環境安全要求也更高，并隨著數據的增多對傳輸的效率、可靠性也有了更高的要求。對數據傳輸過程中的產生的安全問題研究應用也越來越多：寶馬等公司提出的FlexRay車載網絡應用越來越廣泛；為提高傳輸效率，利用分布式實時控制實現多通道多數據高速率傳輸；為提高信息安全利用冗余通信機制，并過通信監視器對系統進行監控正在得到應用。要保證數據傳輸過程的完整性、可用性、保密性，一旦數據遭遇盜竊輕則造成電動汽車電氣故障或充放電失效等重則造成汽車失控、起火爆炸等。故對電動汽車的一些敏感數據需要進行加密以確保安全。

3 電池故障診斷技術

隨著電動汽車電氣化和智能化的提高，對電池故障的診斷正在有電池單體級別向整個電池系統進行轉別，并融合多維數據對故障進行定位預測，根據實際情況的不同對故障進行定位預測所建立的模型也不盡相同，對數據維度和時間尺度上的要求也不盡相同。電池系統故障主要分為機械故障和電氣故障，其中汽車在行駛過程中受到撞擊或擠壓是機械故障的主要誘因，汽車受到撞擊或擠壓后電池包會發生形變，導致電池內部電解液和氣體溢出，電池出現鼓包現象內阻增大，電池內部熱量快速增加，若熱量沒有有效散發極易引起事故；當電池系統出現充放電過度、短路輸出功率過高等電氣故障時，會導致電池包溫度升高引起電池電解液和氣體溢出、火災、爆炸等事故。

3.1 數據驅動下電池系統故障識別與診斷

到目前為止，針對電池故障做了大量的研究工作，對于電池故障的定位與分析主要是對電池溫度和電壓的測量與分析，對其故障的診斷，主要判斷電池的電壓和溫度是否出現異常。

隨著大數據技術與機器學習的快速發展，基于大量電池實際數據的數據驅動電池故障診斷技術正在興起。

某公司車型針對故障定位研發的智慧專家系統，通過對汽車行駛過程中產生的故障碼進行解析分析，利用大數據算法將故障碼與故障一一對應，并基于維修手冊通過網絡返回維修建議。針對故障診斷，可基于大量汽車實際運行的數據，運用數據挖掘將數據之間的關系可視化，并提取特征（如電池SOH、單體溫度一致性、單體電壓一致性、駕駛風格和行駛工況等），利用機器學習建立模型來分析故障與這些特征之間的關系，來對電池故障進行診斷。Duan等人希望建立電池不一致評價機制，為電池的高效可靠管理提供依據，為了獲得準確的數據，搭建了測試平臺和方案，提出了一種電池不一致性的綜合評價方法，基于信息熵的方式來進行評價，并由12個電池單體組成的電池組的不一致性進行了綜合分析和判斷，實驗結果表明該方法能科學評價不同壽命下電池組的不一致性，具有廣泛適應性。

3.2 數據驅動下電池故障預測

對電動汽車電池故障的預測，不僅能預防重大事故的發生，更是電動汽車行業跨上新臺階的技術保證，對電池故障建立預測機制，并實施多級報警，已經成為目前研究的熱點和難點。目前多基于數據驅動對電池故障進行預測，在海量運行的數據基礎上提取數據特征，建立故障和特征的時間序列模型或融合模型，利用大量數據訓練模型獲得特征與故障之間的關系，最后基于這種關系對故障進行預測。Hong提出了一種基于大數據平臺和熵值法的電動汽車系統熱失控預測方案，通過對車輛運行過程中電池溫度進行監測，實現對由溫度風險引起的熱失控的診斷和預測，在此基礎上提出了基于Z-score方法的熱失控熱安全管理策略，引入異常系數，提出溫度異常的實時預防，結果表明方法能夠準確預測電池組溫度風險發生的時間和位置。

4 總結與展望

4.1 電池故障定位

現技術對于電池故障定位，在精度和實際運用的場景下的要求下，只對單個故障能夠做出比較精確的定位，對于多故障耦合的問題還不能很好解決，且對于電池內部故障機制和故障定位尚沒有很好地解決辦法。希望未來基于大數據進行多維數據融合，并建立電池完善的故障機制，對藕合故障和電池內部故障進行實時定位，并建立故障分析庫對故障發生的時間、地點、頻率等進行分析，為電池制造提供參考，進一步提高電池整體水平。

4.2 電池故障預警

目前對于電池故障的預測，在并不復雜的實際應用場景下能夠對一些故障做出準確預測，但對一些藕合故障的預測精度較低。汽車的使用場景復雜，且每位司機的駕駛習慣都不盡相同，對電池故障的預測依然是目前技術的難點。希望未來在能夠借助云平臺和大數據中心，能夠對電動汽車故障做出準確的實時故障預測。

參考文獻：

[1]萬鋼.新時代推進我國新能源汽車發展的新思考[J].汽車工程學報，2018，8（4）：235-238.

[2]李青.新能源汽車的發展現狀和前景[J]. 產業創新研究，2019（10）：14-17.

[3]姚建平. 電動汽車鋰離子動力電池性能分析與風險診斷研究[D].長沙：湖南大學，2017.

[4]Liu Zhentong，He Hongwen. Sensor fault detection and isolation for a lithium-ion battery pack in electric vehicles using adaptive extended Kalman filter[J]. Applied Energy， 2017， 185（P2）.? ?12

[5]Yang Zhao， Peng Liu， Zhenpo Wang， et al. Electric Vehicle Battery Fault Diagnosis Based on Statistical Method[J]. Energy Procedia， 2017， 105.? ?21