中车电动副总汪伟：基于大数据的新能源汽车电池健康评估

截至2018年9月份，中国新能源汽车保有量已经突破200万辆，位居全球第一。

在新能源汽车保有量快速增长的同时，新能源汽车电池安全的问题也开始引发越来越人的关注。

今年以来，我国已经陆续出现了多起电池的安全事故，行业意识到需要把电池安全提升到一个非常高的程度。目前国内的公交车、乘用车都出现一些冒烟起火的事故，国外的特斯拉汽车也因起火处在风口浪尖。

在近日召开的新能源汽车国家大数据联盟2018年会上，湖南中车时代电动汽车股份有限公司（以简称“中车电动”）副总经理汪伟表示，针对电池安全，中车电动主要做了两项探索：首先是针对电池安全的一些监控，包括故障的精准定位和故障的闭环处理，第二个层面针对故障和寿命的预测做这方面的探索。

今年以来，中车电动已经成功处理了106起电池的安全隐患，没有出现安全事故。

如何对电池安全有效监控

早在2015年，中车电动建立了一个智能网联平台——云智通。

截止到目前为止，接入云智通平台的车辆总数是17000万辆，整个存储数据量达到100TB，其中监控的数据项目有469项，其中电池数据占了165项，全面覆盖了整车和关键零部件的全部信息。

汪伟表示，不管是国家层面，还是中车公司层面，大家对于电池的安全都非常重视。中车电动已经成立了专门的网联中心，在后台对电池安全进行24小时不间断地监控。

根据海恩法则，每一期严重事故的背后必然都有29次轻微的事故和300起未遂先兆以及1000起事故的隐患。

目前中车公司对于电池的安全监控是怎么做的呢？“初步的层次是，车辆仪表上面会通过BMS推送故障码，司机会收到故障码对车辆进行检查看故障率怎么样。第一个层次报完故障以后，有些故障报一次之后现象就消失了，不再出现。”汪伟介绍。

第二个层次就利用云智通后台的数据，在后台检测到有故障之后，比如某一台车报了绝缘故障，这时在后台对这个车的历史数据，观察它一周和一个月的变化，或者它的报警频率来分析这个车是否是真的发生了绝缘故障，它的绝缘等级下降的严重程度是怎么样。

“先是通过人工对数据的处理和分析，对严重等级相对比较高的，比较紧急的我们会要求现场的人员对车辆进行开箱检查，实现故障精准地判断和处理，让我们的安全隐患消除在萌芽状态，同时减轻一定的工作量。”汪伟介绍。

第三，建立智能预警的模型，基于故障的历史数据和售后实际到现场去检查之后是否真实有效的故障进行一个比照对比，这样来反馈回来，对故障需求分析和挖掘的方法不断地改进和优化进行迭代，以此来建立信息化智能预警的模型，进一步提高我们故障判断的准确率。

为了确保电池的安全，中车电动在预防机制上主要做了三项工作。第一，全面监控所有车辆的电池故障。“我们出去的车有各家的电池、各种类型的电池，不同的区域、不同的应用场景。当运行的数据出现异常或者BMS报出故障时，及时分析，不留下任何安全隐患。”汪伟介绍。

第二，重点监控隐患电池高发故障。对电池历史故障数据进行统计分析，发现不同电池的高发故障类型，针对国内某品牌电池易发生单体过压故障，对该电池单体电压进行重点监控和分析、提醒。

第三，故障分级，降低售后工作强度。对于系统报出的电池故障，结合历史数据的参照，特别紧急、特别严重的车辆要发生事故的，马上车辆靠边停运。第二种情况处于有这种隐患，但是车辆还能够行驶，这时对车辆进行限制功率，停止载客运行，让车辆能够回到车库进行当天的维修。这种分级处理的方式最大的好处解放了售后的资源，不用说一接到报警，马上就去处理要去开箱，原来的方式至少有50%、60%的工作基本上是白做。

“基于电池的故障预警信息化，主要是这样一个模式，首先是实时不间断地自动采集电池的状态，主要的数据包括电池总电压、总电流、单体电压、单体温度、绝缘电阻，最后根据智能预警模型，检测到状态异常推送到用户和售后人员。经过今年的探索和研究，发现单体电压和绝缘电阻这两个值是引起对这个电池故障，这两个参数是最重要、最核心的参数。”汪伟介绍。

汪伟以某个品牌的电池为例。“通过对单体过压故障相关的电压数据进行聚类分析，会发现其中有部分故障电压虽然我们是报过压故障，但是过压已经超出了原则上合理的范围，这些不是真正的电池单体的过压，它引起的有传感器、软连接，甚至有BMS采量的问题，这会屏蔽掉一部分的问题。”

汪伟分析，对电池单体过压的故障进一步进行准确分析的话，有效区分单体和非单体问题，同时有些厂家电池在分布电压传感器、温度传感器、绝缘采样这块是不够精细的，比较粗放的，这块对我们整车厂和电池监控造成了一些不准确的因素，我们也是通过大数据的分析和对比挖掘精准的去定位这个故障。

如何对电池故障进行科学预测

在电池安全的有效监控之外，中车电动还在探索针对电池故障的预测。

所谓电池故障的预测就是电池还没有发生故障，甚至还没有报警，还没有发生绝缘，也还没有发生单体过压之前，根据大数据的分析和自学习，可以提前推断出这个电池可能还有一个星期，或者两个星期即将发生这样的过压，或者绝缘的问题。

为此，中车电动建立故障的基础大数据库，基于BMS报警数据以及历史故障的分析数据，结合售后反馈情况，找到故障样本，对故障样本建立基础大数据库，涵盖影响电池安全的关键故障和相关的参数，为真正的故障数据打上标签。

“我们可以提供丰富的数据样本，将故障预测可以从无监督的学习转化为半监督，最后到有监督的学习，这样提高了建模预测的准确率，也为基于大数据的电池故障预测奠定数据的基础。”汪伟介绍。

汪伟解释，基于大数据对故障隐患单体定位，是在整个电池生命周期内，每个单体出现最高电压的次数越多，或者越频繁，过压的峰值有一个趋势，我们能够根据这一些数据的分析和对比，能够大概预测出它即将发生过压故障的概率，就会对这些单体进行重点关注，这些车辆、这些线路，依此类推，同厂家、同线路、同工况的电池提前进行重点关注。

同时，对于电池的健康预测，主要是根据电池历史的运行状况和信息来识别电池性能退化情况，挖掘电池的退化规律。在这个基础上，结合智能算法，预测电池状态的演化趋势，预测性能失效时间。

传统的方法去预测单体电压和预测这个电池故障的话，需要对电池非常专业的了解，比如基于它退化的机理模型和等效电路模型。

“整车厂用了不同厂家的电池模型，不可能对每一家厂家电池模型进行了解，基于数据驱动的方法整车厂做这种预测是有基础和有优势的，首先不用太过深入了解电池单体本身的机理，而主机厂又存储了丰富的运营数据，不同电池厂、不同运用场景的数据，为这种驱动建模有这样的基础，对整车厂来说，用大数据进行电池故障的预测和分析是最有效，而且应该说是最直接的。”汪伟分析。

对于电池健康的问题，实际上最后聚焦还是在电池的不均衡，就基于大数据的单体进行了不均衡故障预测建模，引入不均衡度这样一个参数，进行从实时的不均衡事件，最后细化分布到不均衡程度天的情况。

汪伟介绍，最终通过这样的手段解决了几个问题：对主机厂对电池机理了解不深的问题，可以通过大数据分析的方式可以解决，同时解决模型适用性的问题，提出不均衡程度的指标，可以从很大程度上来说，有效地排除了不同电池种类之间的差异，不同厂家电池的差异，提高模型的通用度，也解决了预测精度不高的问题，基于故障的基础大数据库，把故障预测从无监督的学习转化为有监督的学习，提高模型的准确性。

“最后我们得到的效果是这种模型的通用性比较好，准确率比较高，最终理想可以达到80%左右的精度。”汪伟提出。

对于电池健康度的管理和运用，中车电动后续还将做这新一步，下一步正在采用边缘计算+云计算的架构模式，在我的服务器、云端分析模型和分析参数在云端，具体的数据分析和计算是在我的整车终端上进行计算，再把结果传回云端。这样的好处就是数据不需要远距离的传输，在边缘就可以了，具体的业务应用在边缘模型管理就可以运行，避开了网络通信瓶颈限制，提高了模型的运行效率，同时提高了数据的事实时性和维护处理能力。