大数据下电动汽车动力电池故障诊断技术现状与发展趋势

尹丽琼　韦安定　韦财金

摘 要：高效精确的电动汽车动力电池故障诊断技术，不仅是电动汽车安全行驶的保证，也是电动汽车快速健康发展的重要技术支撑。本文将围绕电池管理系统和热管理系统，综述这两套系统在保证电动汽车安全行驶的最新研究进展；以获取汽车运行数据为视角，介绍在电池系统运行时的数据传输的先进技术；以大数据驱动的角度，分析目前在多维度数据融合、故障识别、故障报警三方面的当前技术优缺点；在大数据和人工智能技术的背景下，对电动汽车故障诊断技术的发展进行展望。

关键词：大数据 电池管理系统 故障诊断 故障预测

1 引言

随着电动汽车的快速普及，消费者和汽车厂商对电池安全问题越来越重视，动力电池不仅是电动汽车的主要动力来源和核心零部件，也是其快速发展的主要技术壁垒。锂离子电池在生产制造过程中不可避免的工艺问题，导致其各个单体电池存在差异性，为日后使用埋下安全隐患；随着使用时间的延长其电池综合性能不断衰减，导致汽车的续驶里程缩短、电池一致性变差、动力性减弱等一系列问题。故对动力电池故障进行诊断和预测，是电动汽车安全、智能、便捷使用的重要技术保证[1]。

目前研究人员已经从故障发生的边界条件、表现特征、内在原理和故障扩张等方面做了大量的研究工作，对电池系统故障有了较为深刻的认识，基于故障发生的表现特征和反应机理，对故障诊断和预测形成了较为完善的理论体系和初步解决方案。但在工况复杂多变的实际使用场景下，目前的解决方案难以诊断多故障耦合现象和对故障做出准确的预测。大数据分析技术在动力电池故障诊断领域的运用也不断获得成功，动力电池与大数据融合是未来行业大趋势，也是我国汽车行业产业升级的战略方向[2]。故，如何基于电动汽车使用过程中产生的海量数据，建立大数据分析视角下整个电池系统故障诊断和预测体系，是目前研究的重点与热点。

本文论述了电池系统故障诊断与预测技术的研究现状，首先围绕汽车安全分别介绍了电池管理系统、电池热管理系统和汽车数据安全传输等内容，并重点阐述了目前电池系统中故障技术的研究，从电池系统多维度数据融合特征提取、电池故障识别、电池故障预警三个方面进行分析总结；基于目前电动汽车智能化、网联化和数字化的发展，对大数据分析下多维数据融合的故障诊断发展进行了展望；最后对电池诊断的关键技术和主要内容进行了总结，总体论文框架如图1所示。

2 电动汽车动力电池安全管理

2.1 电池管理系统

当动力电池系统在安全的區域内运行时，才能保证电动汽车高效安全的行驶，电池管理系统（BMS）作为保证其安全运行的唯一设备，通过自身携带的传感器获得汽车各种特征参数，来实现对电池的安全管理。其传感器可以获得电池电压、充放电电流、单体电池温度、车速等各种参数，利用这些参数可以估计获得包括电池荷电状态（SOC）、健康状态（SOH），剩余里程估计等电池多种状态[3]。故，需要根据目的不同设计不同的电池模型和算法。

对于电池荷电状态的估计较为传统的方法是安时积分法，但此方法不但要求数据具有精确的初始值，而且无法避免由于数据误差造成的积累误差；开路电压法可用于实现电池荷电状态的准确估计，但由于此方法需要电池长时间的放置，并不适合实际情况的使用。随着机器学习和深度学习的快速发展，神经网络算法可以被用来对电池状态进行在线估计，但该方法需要大量的数据对模型进行训练，且模型精度受数据精度的直接影响。Liu等人针对串联电池组，提出了一种基于模型的传感器风险检测与隔离方案，采用自适应扩展卡尔曼滤波（AEKF）估计每个单体电池的状态，并将估计的输出电压与实测电压进行比较产生残差，用统计推理的方法对残差进行估计，确定风险的存在程度，最后通过一个串联电池组在UDDS驱动循环下的实验验证了该方案的有效性[4]。Yang等人通过对电动汽车的大量风险进行统计分析，将神经网络算法与统计方法相结合，构建了电池风险诊断策略同时将统计结果和实际车辆进行了对比分析[5]。Wang等人针对电动汽车充电过程中的一些风险隐患，从一体化和安全角度出发提出了一种基于模糊层次综合分析法的在线风险预测模型并通过专家经验建立打分表的方式来确定各种风险因素对模型的影响，从而建立了风险诊断策略，结果表明该模型能对安全等级进行有效评估并对风险进行精准预测，从而保障了电动汽车的正常运行。

2.2 电池热管理系统

电池热管理系统（BTMS）的主要作用是，保证电池在过充、过压或极端外部条件下，保证电池各单体、电池包和各个模组在正常的温度下工作切温度分布均匀，电池热管理系统对于防止或延缓电池温度失控和部分单体电池温度过高，重要作用。目前电池管理系统按照冷却方式可以分为主动冷却和被动冷却，按照冷却介质分为空气冷却、液体冷却、热管冷却等类型。其中无论是主动或被动冷却系统，以空气为介质的冷却系统由于导热系数的限制，都很难有效的满足电池降温散热的实际需求。

目前的比较传统的池热管理系统都是利用电池管理系统的传感器获得电池各部分温度数据。与存储在ECU中提取设置好的阈值进行对比，当超过阈值时便会提高散热体系工作力度。基于大数据分析，可以利用汽车运行的各种历史数据对电池温度状态进行分析，并对电池包和各个单体电池温度做出预测，当预测电池温度将有过高的危险时，散热系统将会提取提高工作力度，以防止电池出现温度过高的危险。

2.3 电池系统安全管理

动力电池是电动汽车的主要动力来源，其充放电流有时高达上百安，工作输出电压高达数百伏，过高的充放电电流会导致电池内部温度急速上升和电池性能加速衰退，过高的输出电压使电池输出功率过大，会提高电池温度和影响电池综合性能。随着电动汽车的发展，消费者和厂商对电动汽车的电器化、电机效率、能量传输效率等都有了更高的要求，电池高压化是电动汽车发展的行业趋势。故，对电池的电压、温度和电流进行分析是实现电池安全管理的重要途径。目前在实际运用中我们只能获得电池的表明实时温度，但实际上其内部温度是更能直接影响电池性能，且内部温度相比表明温度会更快到达临界温度。

虽然没有较好的办法直接获得电池内部温度，但是可以通过电池等效模型大致计算出电池内部的温度，但这种方法很难适应电池复杂的使用场景；也可以基于机器学习或深度学习通过模型建立电压电流与电池内部温度的关系，这种方法使实时估计电池内部温度成为了可能，但受到数据量和数据精度的影响。

2.4 电动汽车运行數据的传输安全

随着互联网技术的快速发展，目前电动汽车的数据传输不止通过车载设备进行，还包括基于网络的远程数据传输与存储。工信部2017年7月起就要求对已售出车辆进行远程监控，并记录每辆新能源汽车使用、保养、维修等状况并建立档案。利用车载终端进行数据采集是实现数据远程存储和传输的基础，其主要通过CAN总线传输电动汽车的各项数据，包括电池系统数据、电动机数据、经纬度信息等，并将采集的数据传输到大数据中心进行储存。

与传统汽车相比，电动汽车的电器化程度更高其配备的电控单元和传感器也更多，对数据传输的网络环境安全要求也更高，并随着数据的增多对传输的效率、可靠性也有了更高的要求。对数据传输过程中的产生的安全问题研究应用也越来越多：宝马等公司提出的FlexRay车载网络应用越来越广泛；为提高传输效率，利用分布式实时控制实现多通道多数据高速率传输；为提高信息安全利用冗余通信机制，并过通信监视器对系统进行监控正在得到应用。要保证数据传输过程的完整性、可用性、保密性，一旦数据遭遇盗窃轻则造成电动汽车电气故障或充放电失效等重则造成汽车失控、起火爆炸等。故对电动汽车的一些敏感数据需要进行加密以确保安全。

3 电池故障诊断技术

随着电动汽车电气化和智能化的提高，对电池故障的诊断正在有电池单体级别向整个电池系统进行转别，并融合多维数据对故障进行定位预测，根据实际情况的不同对故障进行定位预测所建立的模型也不尽相同，对数据维度和时间尺度上的要求也不尽相同。电池系统故障主要分为机械故障和电气故障，其中汽车在行驶过程中受到撞击或挤压是机械故障的主要诱因，汽车受到撞击或挤压后电池包会发生形变，导致电池内部电解液和气体溢出，电池出现鼓包现象内阻增大，电池内部热量快速增加，若热量没有有效散发极易引起事故；当电池系统出现充放电过度、短路输出功率过高等电气故障时，会导致电池包温度升高引起电池电解液和气体溢出、火灾、爆炸等事故。

3.1 数据驱动下电池系统故障识别与诊断

到目前为止，针对电池故障做了大量的研究工作，对于电池故障的定位与分析主要是对电池温度和电压的测量与分析，对其故障的诊断，主要判断电池的电压和温度是否出现异常。

随着大数据技术与机器学习的快速发展，基于大量电池实际数据的数据驱动电池故障诊断技术正在兴起。

某公司车型针对故障定位研发的智慧专家系统，通过对汽车行驶过程中产生的故障码进行解析分析，利用大数据算法将故障码与故障一一对应，并基于维修手册通过网络返回维修建议。针对故障诊断，可基于大量汽车实际运行的数据，运用数据挖掘将数据之间的关系可视化，并提取特征（如电池SOH、单体温度一致性、单体电压一致性、驾驶风格和行驶工况等），利用机器学习建立模型来分析故障与这些特征之间的关系，来对电池故障进行诊断。Duan等人希望建立电池不一致评价机制，为电池的高效可靠管理提供依据，为了获得准确的数据，搭建了测试平台和方案，提出了一种电池不一致性的综合评价方法，基于信息熵的方式来进行评价，并由12个电池单体组成的电池组的不一致性进行了综合分析和判断，实验结果表明该方法能科学评价不同寿命下电池组的不一致性，具有广泛适应性。

3.2 数据驱动下电池故障预测

对电动汽车电池故障的预测，不仅能预防重大事故的发生，更是电动汽车行业跨上新台阶的技术保证，对电池故障建立预测机制，并实施多级报警，已经成为目前研究的热点和难点。目前多基于数据驱动对电池故障进行预测，在海量运行的数据基础上提取数据特征，建立故障和特征的时间序列模型或融合模型，利用大量数据训练模型获得特征与故障之间的关系，最后基于这种关系对故障进行预测。Hong提出了一种基于大数据平台和熵值法的电动汽车系统热失控预测方案，通过对车辆运行过程中电池温度进行监测，实现对由温度风险引起的热失控的诊断和预测，在此基础上提出了基于Z-score方法的热失控热安全管理策略，引入异常系数，提出温度异常的实时预防，结果表明方法能够准确预测电池组温度风险发生的时间和位置。

4 总结与展望

4.1 电池故障定位

现技术对于电池故障定位，在精度和实际运用的场景下的要求下，只对单个故障能够做出比较精确的定位，对于多故障耦合的问题还不能很好解决，且对于电池内部故障机制和故障定位尚没有很好地解决办法。希望未来基于大数据进行多维数据融合，并建立电池完善的故障机制，对藕合故障和电池内部故障进行实时定位，并建立故障分析库对故障发生的时间、地点、频率等进行分析，为电池制造提供参考，进一步提高电池整体水平。

4.2 电池故障预警

目前对于电池故障的预测，在并不复杂的实际应用场景下能够对一些故障做出准确预测，但对一些藕合故障的预测精度较低。汽车的使用场景复杂，且每位司机的驾驶习惯都不尽相同，对电池故障的预测依然是目前技术的难点。希望未来在能够借助云平台和大数据中心，能够对电动汽车故障做出准确的实时故障预测。

参考文献：

[1]万钢.新时代推进我国新能源汽车发展的新思考[J].汽车工程学报，2018，8（4）：235-238.

[2]李青.新能源汽车的发展现状和前景[J]. 产业创新研究，2019（10）：14-17.

[3]姚建平. 电动汽车锂离子动力电池性能分析与风险诊断研究[D].长沙：湖南大学，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