基于云端數據的電池系統連接異常診斷研究

【摘要】為有效識別新能源汽車電池系統連接異常問題，利用應急預警云端監測平臺和大數據分析方法，結合正常車輛和連接異常車輛的數據模式異同，挖掘電池系統連接異常缺陷因素。提出一種基于數據驅動的新能源汽車電池系統連接異常風險因子識別算法，根據風險因子對電池系統連接異常程度進行等級劃分，結果表明，所提出算法可以準確有效識別連接異常高風險車輛。

主題詞：連接異常 云端平臺 故障診斷 大數據

中圖分類號：TM911 " 文獻標志碼：A " DOI： 10.19620/j.cnki.1000-3703.20240627

Research on Diagnosis of Abnormal Connection in Battery Systems Based on Cloud Data

Wu Erdong1， Wang Peng1， Wan Xinming1，2， Zhao Xing1， Ma Liuke1

（1. China Automotive Engineering Research Institute Co.， Ltd， Chongqing 401122; 2. China Inspection and Certification Group Inspection Co.， Ltd， Beijing 100053）

【Abstract】It is crucial to effectively identify abnormal connections in the battery system of new energy vehicles in order to address their operational safety issues. By utilizing an emergency warning cloud monitoring platform and big data analysis methods， combined with the similarities and differences in data patterns between normal vehicles and vehicles with abnormal or faulty connections， this paper aim. to explore the factors contributing to abnormal defects in power battery connections. A data-driven algorithm for identifying abnormal risk factors in the connection of new energy vehicle battery systems is developed. According to the risk factors， the degree of abnormal connection in the battery system is classified into different levels， and the results show that the proposed algorithm can accurately and effectively identify high-risk vehicles with abnormal connections.

Key words： Connection anomaly， Cloud platform， Fault diagnosis， Big data

【引用格式】 吳二東， 王澎， 萬鑫銘， 等. 基于云端數據的電池系統連接異常診斷研究[J]. 汽車技術， 2024（9）： 46-50.

WU E D， WANG P， WAN X M， et al. Research on Diagnosis of Abnormal Connection in Battery Systems Based on Cloud Data[J]. Automobile Technology， 2024（9）： 46-50.

1 前言

故障診斷方法對新能源汽車安全風險識別十分必要，主要包括基于經驗判斷、失效模式診斷和數據驅動[1-2]。目前，主流車企和電池廠商均建立了云端車輛監控平臺，其數據字段及報警要求通常按照GB/ T 32960—2016《電動汽車遠程服務與管理技術規范》進行存儲。部分企業與第三方科研機構合作開展故障診斷算法研究，在實驗室試驗研究基礎上分析車輛運行數據，建立安全診斷模型[3]。國內外主流高校如美國辛辛那提大學、清華大學、重慶大學等均有相關研究[4-10]。其研究方向多集中于前沿理論，如融合機器學習與實車故障數據特征開發新理論算法。其中，重慶大學胡曉松等[7]開展了機器學習型動力電池系統安全風險預警研究，利用樣本熵和稀疏貝葉斯預測模型來預測動力電池健康狀態，預測精度較高。Shang等[11-13]采用改進樣本熵方法識別電池系統初期故障，提出的改進算法能夠較準確識別電池系統早期異常。然而，這些機器學習算法多集中于事故數據訓練，沒有從故障原理進行分析，且采用機器學習方法進行故障識別對服務器資源要求較高，運行時間較長。自放電、內短路、連接異常是電池系統常見故障模式[14]，其中對于自放電、內短路引起的起火事故研究較多，國內主流高校、主機廠均有涉及[5-6]。雖然連接異常直接引發起火事故較少，但電池系統出現連接異常時會引起連接件溫度過高，此時車輛會存在動力異常、高壓拉弧的風險。若連接異常故障長期未被有效識別并排除，連接異常部位過高的內阻會導致局部熱量持續累積，進而引發電池容量快速衰減甚至熱失控[14-16]，因此對連接異常進行提前識別與檢測維修十分必要。本文研究了云端故障診斷和安全預警分析方法，依據事故車數據分析經驗，提取連接異常故障數據特征，建立基于云端數據的連接異常故障診斷模型，實現電池系統連接異常車輛快速識別及風險等級判斷。

2 電池系統連接異常故障

連接異常屬于電池系統內較典型的故障類型，分為電芯內部連接異常和電芯外部連接異常兩種。電芯內部連接異常多為極耳焊接過程虛焊造成，電芯外部連接異常主要源于電芯與連接鋁巴之間，或是模組之間的連接銅排焊接不良，故障情況如圖1所示。

電芯外部連接異常問題通常由于高壓連接件設計缺陷或焊接工藝存在瑕疵所致。以模組間連接銅排為例，其通常采用螺栓固定，緊固至指定扭矩要求。若螺栓固定處存在異物或銅排不平整，會產生扭矩達標但緊固不到位的現象，長時間振動導致螺栓松脫。此外，栓接處通常存在接觸電阻，在大電流充電過程中發熱嚴重，觸發液冷開啟，在不斷地熱脹冷縮及伴隨振動條件下栓接固定松脫。另外，對于方形電芯，充放電循環過程產生的膨脹也會造成模組間或輸出極處產生位移，進而造成栓接松脫。

在車輛的日常使用中，長期的顛簸和振動會導致車輛電池系統內連接部位的強度逐漸減弱，接觸電阻增大，若連接點在電壓采樣范圍內，會導致鄰近電芯電壓出現波動。電池系統充放電時，存在連接異常問題的電芯會出現電壓離群現象，異常電芯的電壓離群程度與電流大小成正相關，呈現“充高放低”現象，靜置時無異常?！俺涓叻诺汀爆F象會導致電池系統充電容量偏低或者充電時間延長，同時還會引起電池系統容量無法完全釋放或者限制輸出功率。除行車過程中出現“充高放低”的現象外，連接異常還會造成電池系統容量虛高，行車過程荷電狀態（State of Charge，SOC）跳變進而導致車輛拋錨。

3 數據驅動的電池系統連接異常識別

新能源汽車安全風險的演變過程體現在運行監控數據中，包括電池電壓、電流、溫度、絕緣電阻和SOC等數據。本文基于典型事故車輛的運行數據特征構建動力電池安全特征參數空間矩陣，充分利用應急預警監測平臺和大數據分析方法，重點研究正常車輛和連接異常故障車輛的數據特征異同；挖掘動力電池連接異常缺陷風險因子，梳理各風險因子的相互關系和相應的特征參數表現，對各類參數表現進行風險評價和量化表示，構建風險監測指標體系，開發基于數據驅動的新能源電池系統連接異?？焖僮R別算法，能夠實現連接異常風險車輛的準確識別，并定位其風險等級。

4 基于云端數據的電池系統連接異常診斷

對于存在連接異常風險的車輛識別，本文采用云端歷史數據進行故障特征提取，然后根據故障等級特征判斷車輛風險等級。通過對電池系統連接異常車輛數據分析、提取4項連接異常相關風險因子，具體計算方法可表示為：

[Φ1=f（N1，I，Vmax，Vmin，Cs，S）] （1）

[Φ2=f（N2，I，Vmax，Vmin，Cs，S）] （2）

[Φ3=f（Vmax，Vmin，S）] （3）

[Φ4=f（I，Vmax，Vmin，S）] （4）

式中：N1為最低電壓單體號；N2為最高電壓單體號；I為運行電流；Vmax為電池系統最高單體電壓；Vmin為電池系統最低單體電壓；Cs為車輛充電狀態；S為車輛荷電狀態；Φ1～Φ4為計算所得連接異常風險因子，其中Φ1、Φ2表示特定放電電流與回饋電流條件下最低單體電壓、最高單體電壓出現次數占比，Φ3表示等效壓差，篩選數據片段極值壓差的滑動均值，Φ4表示極柱與銅巴/鋁巴等效接觸電阻，Φ3、Φ4均選取計算所得結果中極大值。

具體計算流程如圖2所示。

抽取行車狀態數據，采用式（1）計算滿足需求電流abs（I）gt;x（30lt;xlt;100，abs表示絕對值）的最低電壓單體號，并計算各單體號出現次數占比，記比值為Φ1。采用式（2）計算滿足需求電流abs（I）gt;x（30lt;xlt;100）的最高電壓單體號，并計算各單體號出現次數占比，記比值為Φ2；對占比進行排序，選取單體號占比大于90%的車輛。采用式（3）計算單體號對應滑動SOC區間內電壓極值壓差并進行歸一化處理，記值為Φ3。計算過程為抽取滿足式（1）、（2）中電流條件下極值電壓數據，采用移動平均值方式計算每相鄰10個點（即步長為10）極大值電壓平均值與極小值電壓平均值之差。采用式（4）計算滑動區間極值壓差值與電流的比值，并歸一化處理，記值為Φ4。計算過程為在式（3）基礎上計算所得滑動區間壓差與滑動區間均值電流之比，計算步長為10。然后依據4個計算值進行連接異常判斷。

本算法優點是采用電池管理系統（Battery Management System，BMS）上報的極值單體電壓和單體編號數據結合行車狀態及行車階段電流進行計算，避免對電池系統所有單體電壓進行拆分計算。為驗證算法有效性，在國家市場監管總局創新中心監控平臺進行算法部署，并對識別的異常車輛進行數據抽取，繪制車輛電池系統單體電壓時序圖，結合算法計算所得風險因子及線下拆箱檢測進行驗證。

5 云端數據排查

本文分析數據來自國家市場監管總局創新中心監控平臺，該平臺由國家創新中心（新能源汽車數字監管）承建，該平臺累計接入7款車型15萬輛新能源汽車，平臺功能主要為對市場風險車輛進行監控，排查風險車輛同時對涉及召回的車輛進行召回效果評估。該平臺數據包括車輛運行數據、車輛靜態信息、企業自定義報警信息等。通過對該平臺中2款車型總計2萬余輛車進行排查，篩選出8臺風險車輛，風險因子計算結果如表1所示。

車輛電池系統靜態信息如表2所示，8輛車均為純電動車型，配置三元鋰離子電芯。車輛01～03配置軟包電芯，單體容量為29 A·h，電池系統成組結構為5P96S，系統額定電壓為350 V，系統額定容量為145 A·h。電池系統模組間采用銅排連接，螺栓固定。電芯間為軟鋁巴連接，電芯為疊片式鋁塑膜包覆。車輛04～08配置方形硬殼三元鋰離子電芯，單體容量為55 A·h，電池系統成組結構為2P96S，系統額定電壓為355 V，系統額定容量為110 A·h。電芯間采用鋁巴焊接。電池系統模組間為銅排連接，螺栓固定。

結合表1風險因子計算結果，對風險因子Φ4數值較高的6臺車（編號01～06）進行單體電壓數據抽取并繪制故障點時刻單體電壓時序圖，如圖3所示（由于車輛單體總數較多，故圖例中僅展示異常單體），可以看出6臺車存在明顯的連接異常。根據表1中風險因子計算結果結合圖3中異常單體離群表現可知，Φx值越高，單體電壓偏離度越大，連接異常風險等級越高。

車輛03的Φ3為0.54，Φ4為2.2，其單體電壓時序圖如圖3c所示，可以看出26號單體（紅圈標注電芯）電壓呈現明顯離群現象，表現為放電時26號單體電壓顯著低于其他電芯，制動狀態下電流回饋26號單體電壓顯著高于其他電芯。車輛05與車輛03現象較為相似。由車輛01、02、04、06的電壓時序圖可以看出，該4輛車單體電壓偏離度較高，即存在明顯連接異?，F象，各車輛Φ4值均大于3。06車Φ4值為4.2，其單體電壓時序如圖3f所示，可以看出64號單體（紅圈標注電芯）電壓已偏離該車電池系統單體電壓中位數400 mV。從算法計算結果可以得出，Φ4值越大，異常單體電壓與電池系統單體電壓中位數的偏差越大，側面印證了車輛連接異常風險等級越高。

6 排查驗證

為準確評估車輛連接異常程度，依據風險因子對風險等級較高車輛進行電池系統拆箱排查。車輛01模組輸出極采用兩顆螺栓進行固定，模組間采用軟銅排相連。經拆解后發現模組間相連銅排固定螺栓扭矩殘余僅為1.7 N·m，電池系統下線檢測標準為扭矩應不低于10 N·m，連接銅排出現明顯松動。對連接異常處進行接觸電阻測量，靜態下該固定點接觸電阻高于正常連接點2倍左右，判斷為模組間連接銅排接觸異常。為避免連接處銅排螺栓再次松脫，在螺栓連接處采用結構膠固定。

對車輛06進行電池系統拆解后發現，該車65號電芯焊接處出現明顯缺口，量取電芯鋁巴上表面至電芯上蓋距離為2.7 mm，焊接鋁巴明顯松動。由于焊接處出現明顯松動且鋁巴無法進行二次焊接，對該車電池系統做報廢處理。為進一步排查風險，對02、04車輛進行電池系統拆解。02車與04車類似，拆解電池系統后發現，模組輸出端連接銅排固定螺栓殘余扭矩為2.7 N·m，通過售后服務站維修后重新密封電池包裝車運行。03車與05車類似，拆解電池系統后發現模組輸出端連接銅排固定螺栓殘余扭矩為4.7 N·m，通過售后服務站維修后重新密封電池包裝車運行。07、08兩輛車拆解電池系統檢測后發現模組輸出端連接銅排固定螺栓殘余扭矩為8.7 N·m，緊固后裝車運行。

結合線上排查及線下拆解檢測歸納風險因子與車輛故障等級映射關系，如表3所示。

7 結束語

通過對連接異常車輛電池系統數據分析，提取4個連接異常風險相關因子，結合線上排查風險因子較高的車輛拆解檢查，歸納總結風險因子與車輛風險等級對應關系：風險等級為1級時車輛需定期觀察，風險等級為2級時車輛需重點監控，必要時及時維護，風險等級為3級時車輛需進行電池系統拆解維修，風險等級為4級時車輛需立即停止運行，拖運至售后站維修。

本文提出的連接異常風險識別算法在檢測主流車型電芯集流排連接異常方面準確度高，可以精準定位故障電芯位置，但仍存在不足：受限于電壓采樣點，無法識別電池包總正總負銅排的連接異常情況；在小容量電芯多并電池系統內，單電芯連接發生異常受并聯模塊內電壓平衡補償影響，導致算法無法在早期識別出風險。后續將加強失效機理分析和數據挖掘技術融合，優化算法識別邏輯和故障數據特征提取方法，提高算法的準確性和通用性。

參 考 文 獻

[1] 雄博， 蔡君同. 新能源汽車安全預警技術現狀及未來展望[J]. 時代汽車， 2023（8）： 101-103.

HAO X B， CAI J T. Current Status and Future Prospect of New Energy Vehicle Safety Early Warning Technology[J]. New Energy Automobile， 2023（8）： 101-103.

[2] 張俊. 基于神經網絡的純電動汽車動力電池系統故障診斷[J]. 電子技術與軟件工程， 2018（24）： 2.

ZHANG J. Fault Diagnosis of Battery System of Pure Electric Vehicle Based on Neural Network[J]. Automotive Electronics， 2018（24）： 2.

[3] 李晗， 蕭德云. 基于數據驅動的故障診斷方法綜述[J]. 控制與決策， 2011， 26（1）： 10.

LI H， XIAO D Y. Survey on Data Driven Fault Diagnosis Methods[J]. Control and Dicision， 2011， 26（1）： 10.

[4] REZVANIZANIANI S M， LIU Z， CHEN Y， et al. Review and Recent Advances in battery Health Monitoring and Prognostics Technologies for Electric Vehicle （EV） Safety and Mobility[J]. Journal of Power Sources， 2014， 256： 110-124.

[5] ZHANG J， LEE J. A Review on Prognostics and Health Monitoring of Li-Ion Battery[J]. Journal of Power Sources， 2011， 196（15）： 6007-6014.

[6] 盧明哲. 動力電池 SOH 估計及故障預測方法研究[D]. 北京： 北京工業大學， 2015.

LU M Z. SOH Estimation and Failure Prediction Method Research for Power Batteries[D]. Beijing： Beijing University of Technology， 2015.

[7] HU X， JIANG J， CAO D， et al. Battery Health Prognosis for Electric Vehicles Using Sample Entropy and Sparse Bayesian Predictive Modeling[J]. IEEE Transactions on Industrial Electronics， 2015， 63（4）： 2645-2656.

[8] 時玉帥， 熊金峰， 樊海梅. 動力電池常見故障分析與預警方法[J]. 廣東化工， 2019 （13）： 115-116.

SHI Y S， XIONG J F， FAN H M. Common Fault Analysis and Early Warning Method for Power Battery[J]. Guangdong Chemical Industry， 2019 （13）： 115-116.

[9] LSKAAFI A M. Fault Diagnosis and Failure Prognostics of Lithium-Ion Battery Based on Least-Squares Support Vector Machine and Memory Particle Filter Framework. University of Tennessee[D]. Knoxville： University of Tennessee， 2015.

[10] 郭文超， 楊林， 鄧忠偉， 等. 云端數據驅動的鋰電池故障分級預警研究[J]. 汽車工程， 2023， 45（9）： 1677-1687.

GUO W C， YANG L， DENG Z W， et al. Research on Multi-Level Fault Warning Method for Lithiumion Batteries Driven by Cloud Data[J]. Automotive Engineering， 2023， 45（9）： 1677-1687.

[11] 李達， 鄧鈞君， 張照生， 等.電動車輛動力電池安全預警策略研究綜述[J]. 汽車工程， 2023， 45（8）： 1392-1407.

LI D， DENG J J， ZHANG Z S， et al. Review on Power Battery Safety Warning Strategy in Electric Vehicles[J]. Automotive Engineering， 2023， 45（8）： 1392-1407.

[12] CHEN Z， XIONG R， SUN F. Research Status and Analysis for Battery Safety Accidents in Electric Vehicles[J]. Journal of Mechanical Engineering， 2019（55）： 93-104.

[13] SHANG Y， LU G， KANG Y ，et al. A Multi-Fault Diagnosis Method Based on Modified Sample Entropy for Lithium-Ion Battery Strings[J]. Journal of Power Sources， 2020， 446.

[14] 蘇偉， 鐘國彬， 沈佳妮， 等. 鋰離子電池故障診斷技術進展[J]. 儲能科學與技術， 2019， 8（2）： 225-236.

SU W，ZHONG G B， SHEN J N， et al. The Progress in Fault Diag-Nosis Techniques for Lithium-Ion Batteries[J]. Energy Storage Science and Technology， 2019， 8（2）： 225-236.

[15] 徐佳寧， 梁棟濱， 魏國， 等. 串聯電池組接觸電阻故障診斷分析[J]. 電工技術學報， 2017， 32（18）： 106-112.

XU J N， LIANG D B， WEI G， et al. Series Battery Pack’s Contact Resistance Fault Diagnosis Analysis[J]. Transactions of China Electro Technical Society， 2017， 32（18）： 106-112.

[16] OFFER G J， YUFIT V ， HOWEY D A， et al. Module Design and Fault Diagnosis in Electric Vehicle Batteries[J]. Journal of Power Sources， 2012， 206： 383-392.

（責任編輯 王 一）

修改稿收到日期為2024年9月4日。