电池智能管理专辑|锂离子电池故障诊断方法从实验室到实际应用的挑战与展望

 

摘要

 

 

锂离子电池故障诱发的安全事故严重阻碍了其在交通、储能等领域的大规模应用，而精准有效的故障诊断方法是解决这一问题的关键。然而，不同场景下锂离子电池主要故障模式、数据特点、诊断方法存在较大差异，如何实现锂离子电池故障诊断方法从实验室到实际场景的应用是该研究领域的痛点和难点之一。

      目前，锂离子电池故障数据来源主要包括：实验室场景、电动汽车场景、储能系统场景及仿真场景。探明四种场景下锂离子电池主要故障模式、诊断方法、数据特点的差异性及现有故障诊断方法的性能和局限性有利于明晰如何解决上述故障诊断领域的痛点和难点。因此，哈尔滨工业大学（威海）于全庆副教授课题组分别从实验室、电动汽车、储能系统和仿真四个场景对现有的故障诊断方法进行了详细的综述，并从故障诊断方法统一框架的建立、云端大数据融合、实验室先进测量技术的应用三个角度提出了实现锂离子电池故障诊断方法从实验室到实际应用的挑战和展望。研究成果发表于国际交通电动化杂志eTransportation。

 

 

1. 背景介绍

 

锂离子电池故障是诱发热失控进而导致重大安全事故的主要因素。实际场景中，锂离子电池故障诱因主要可以分为机械滥用、电滥用和热滥用，如图1所示。汽车追尾导致的电池碰撞、电池管理系统故障导致的过充和过放、散热风扇故障导致的电池异常温升等均为电池安全隐患。针对该系列实际诱因，在实验室场景下，可开展压缩、侵入、针刺等实验模拟实际电池机械滥用；开展内部短路、外部短路、过充和过放实验模拟实际电池电滥用；开展过热、低温充放电等实验模拟实际电池热滥用，进而建立电池故障数据集，开展故障诊断方法研究。

 

图1. 锂离子电池机械滥用、电滥用及热滥用条件下实际场景和实验室场景的详细故障诱因

 

      为明晰故障诊断研究领域的进展和未来发展方向，现有学者从故障类型、故障预警阶段及故障诊断方法类型等角度对现有文献进行了详细的综述，然而较少学者对故障诊断在不同场景下的差异性以及如何解决克服锂离子电池故障诊断方法从实验室到实际应用的痛点和难点。如图2所示，目前，锂离子电池故障数据来源主要包括：实验室场景、电动汽车场景、储能系统场景及仿真场景。本文对比分析了该四种场景下锂离子电池主要故障模式、数据特点、诊断方法的差异性及现有诊断方法的性能和局限性。进而从故障诊断方法统一框架的建立、云端大数据融合、实验室先进测量技术的应用三个角度提出了实现锂离子电池故障诊断方法从实验室到实际应用的挑战和展望。

 

图2. 从微观尺度到系统尺度锂离子电池数据的四种来源——实验室数据、电动汽车数据、储能系统数据和仿真数据（实线代表主要组成部分，虚线代表次要组成部分）

 

2. 多元锂离子电池数据源

 

2.1 实验室数据

锂离子电池实验室场景下进行模拟实际的故障实验获取的实验室数据是进行故障现象机理分析、故障诊断方法建立的主要数据支撑。如图3所示，按照数据是否可通过设备直接测量可分为测量数据和衍生数据。其中，测量数据又可按照不同特性表征分为：电热特性表征、材料成分表征、机械特性表征和微观结构表征。其中电压、电流和温度等数据可通过相关参数辨识、数学变换等方法获得衍生数据，如SOC、容量、容量增量曲线等。此外，电池模组电压数据可通过特殊的处理方法转换成图。

 

图3. 实验室数据的测量数据（电热特性表征，材料成分表征，机械特性表征和微观结构表征）和衍生数据

 

2.2 电动汽车数据

锂离子电池由于其优异的性能和寿命被用作电动汽车主要动力源。电动汽车场景下，锂离子电池数据可以分为在线数据和云端数据，然而受到车载数据储存能力的限制，一般应用于故障诊断方法建立的电动汽车数据主要为云端数据。如图5所示，其主要包括电池组电特性表征、热特性表征、驾驶行为表征等。此外，交通数据和气象数据亦可在云端平台中与之融合，进而提高故障诊断方法的性能。

 

图4. 其他数据资源平台(导航地图、气象云和交通云服务)支持下的电动汽车数据云平台的理想结构

 

2.3 储能系统数据

储能系统场景下，由于锂离子电池组的安装布局较大，工作环境相对稳定，易于安装先进的监测传感设备，因此相较于电动汽车数据而言拥有较为特殊的数据类型。如图5所示，其中主要包括电热特性表征、声音信号、气体信号、烟雾信号和图像信号。

 

图5. 储能系统数据主要类型：电热特性表征、声音信号、气体信号、烟雾信号、图像信号

 

2.4 仿真数据

得益于数字孪生技术在锂离子电池领域的发展，可在数字空间中建立锂离子电池模型，如等效电路模型、电化学模型、热模型、有限元模型，锂离子电池的真实状态可以通过传感器数据完全同步，进而获取大量锂离子电池故障数据用于深度学习模型训练，建立准确、高效的锂离子电池故障诊断模型。

 

3. 基于多源数据的锂离子电池故障诊断方法

3.1 实验室场景

       实验室场景下，机械滥用、电滥用及热滥用故障可人为触发从而获取相关的实验室数据。图6展示了基于实验室数据建立的三种主要故障诊断方法类型：基于模型、基于信号处理和基于机器学习的故障诊断方法。其中基于机器学习的故障诊断方法又可分为基于分类器、基于预测残差和基于重构误差三类。

 

3.2 电动汽车场景

电动汽车场景下，锂离子电池故障是否发生、类型、位置和发生的时间均具有不可预测性，使得标注电动汽车的故障数据标签变得困难。此外，由于电动汽车云端数据的采样频率一般为0.1 Hz左右，仅依赖于传统模型实现故障诊断较为困难。因此，基于电动汽车数据的故障诊断方法一般基于信号处理和基于机器学习的较多。

 

3.3 储能系统场景

 与电动汽车场景相似的是，储能系统中锂离子电池故障是否发生、类型、位置和发生时间亦具有不可预测性。而与电动汽车场景不同的是，储能系统中由于空间布局的限制较小、工作环境稳定等优点，易于布置传感监测设备，通过采集相关传感信号，并设定合理阈值便可实现安全监测和热失控预警。

 

3.4 仿真场景

   锂离子电池仿真数据基于相关模型（如等效电路模型、电化学模型等）获得，因此，可仿真的故障类型较少，主要由外部短路、内部短路、连接故障、传感器故障等。然而，通过仿真模型可产生海量数据用于机器学习模型的训练，进而提高模型的精度，但一般需要实验室数据或实际场景下的数据进行模型的测试，保证模型的性能。

图6. 实验室场景下锂离子电池故障诊断方法：（a）基于模型；（b）基于信号处理；（c）基于机器学习

 

4. 展望和挑战

如何实现锂离子电池故障诊断方法从实验室到实际场景的应用是该研究领域的痛点和难点之一。目前，主要有三条途径：故障诊断方法统一框架的建立、云大数据融合和实验室先进测量技术的应用。然而，三条途径均具有需要的克服的难点和挑战。如图7所示，故障诊断方法统一框架的建立必须考虑到实验室和实际场景之间数据分布不同造成模型泛化能力较弱的问题。云大数据融合避免不了不同数据源之间的采样频率不同的问题。进行稀疏数据的重构是解决该问题的方法之一。此外，开源云数据平台的建立还应考虑到数据管理标准、数据脱敏等相关问题。实验室先进测量技术（如电化学阻抗谱、内部温度传感等）的在线应用以及智能电池的发展必将给锂离子电池故障诊断领域带来新的转变，然而目前实验室先进测量技术的在线应用仍任重道远。

 

图7. 实现锂离子电池故障诊断从实验室到实际场景三条途径的挑战和目标：故障诊断方法的统一框架、云大数据融合和实验室测量技术的应用

 

5. 结论

本文对比分析了实验室场景、电动汽车场景、储能系统场景和仿真场景的主要故障模式、数据特点以及故障诊断方法的性能和局限性，明晰了锂离子电池故障诊断方法从实验室走向实际场景的三条途径：故障诊断方法的统一框架、云大数据融合及实验室测量技术的应用，并分别讨论了每条途径所面临的挑战和发展。如何解决锂离子电池故障诊断方法从实验室到实际场景的应用这一痛点和难点问题仍需学术界和工业界的研究人员的共同努力。

 

更多详细内容请参阅原文：https://doi.org/10.1016/j.etran.2023.100254