SAECCE 2020 | 北京理工大学田金鹏：AI赋能动力电池老化多维评估与寿命快速评估

2020中国汽车工程学会年会暨展览会（SAECCE 2020）于2020年10月27-29日在嘉定上海国际汽车城-上海汽车会展中心举办，汇聚汽车及相关行业的企业高层、技术领军人物、资深专家学者、广大科技工作者。10月29日，电动车辆国家工程实验室博士田金鹏在本次大会上发表了主旨演讲。

 以下为演讲实录：

我是熊瑞老师带的一个博士，我今天来代替熊教授汇报一下我们组在动力电池老化评估方面的一些进展。跟刚才魏教授讲的主题类似，我们也是往下看，但是我们现在关注的点是电池的OCV，从热力学的角度反映电池的老化。

首先介绍一下研究背景，电池的老化大家都非常熟悉，重要性不需要多强调。电池的老化是非常复杂的一件事情，可能发生在正极也可能在负极甚至也可能在正负极的极流体或者是隔膜没有氧化化学反应的地方，如果我们用容量定义电池的老化会出现无法管理电池老化的现象，我们测了一款电池发现它的容量是呈线性衰退，然后呈非线衰退的一种表现，在前400个循环里容量衰退了20%，但是在后100个循环里加速衰退了30%，在这种情况下如果我们只去考虑电池容量的话很难去确定当前电池发生了什么，然后也无法确定下一步应该怎么做，把这个事情预防掉。所以我们这个研究思路就是从传统的对容量的估计转向对电池内部老化机理的估计，容易推断出电池的容量是怎么走的，因为电池的老化机理是决定了容量的变化。更为重要的是我们可以从内部的老化机理出发去确定一些更为具体的健康管理的措施，然后去预防加速老化的现象，目的就是实现电池寿命的延长，这是一个非常实在的效果。

接下来介绍一下大体的研究思路，事实上在电池老化机理诊断方面，研究思路有很多，一种就是基于OCV曲线拟合方式，通过测试正负及OCV、SOC曲线就可以获得正负极的容量，这样就可以实现正负极的容量衰退老化机理的解耦，这个研究非常好，但是它的问题就是我们小倍率的测试要做20个小时，比如需要用一个小倍率对电池进行充电，以保证电池保证在接近稳态的状态，对于电动汽车的场景，这样的20小时的测试是非常难得的，在电池的容量估计里面，像刚才丁主任讲到我们用日常的一些数据、充电片段等等去影射电池的容量，这里我们就考虑问题的一个进阶的版本，去怎么采用日常的充电数据去直接影射传统的基于OCV辨识才能得到四个电极的老化参数去评价电池的老化。

首先来看一下清华大学韩雪明教授传统的一个非常有效的研究，这个方法我们首先要对电池进行正负极的测试，这个是需要把电池拆解成正极钮扣电池和负极钮扣电池，小倍率的测试，这是在实验室环境下完成的。一旦完成了这个测试以后可以对全电池进行测试，这条曲线就表示全电池的充电OCV，在充电过程中首先给定这四个参数，就是正极容量以及正极的出始SOC，还有两个负极的两个量，在充电过程中可以用积分的形式获得充电过程正负极电量变化，我们知道初始SOC和容量，就可以知道正极定义的SOC与负极定义的SOC，这两个SOC带入到我们前面测到的OCV、SOC电极的曲线中，就得到了正负极的OCV的值。然后我们仿真全电池的OCV也就是正负极OCV之差，通过这样的仿真形式我们可以最小化仿真的误差然后确定这四个参数，这是韩教授在论文中的一个传统的研究。

下面看一下如何去使用充电片段去复现辨识的结果，传统的容量估计问题，流程也是非常的常见的，非常有效，就是我们采集电池的电压电流数据，去提取特征，比如容量增量曲线峰的面积、高度等等，采取机器学习的算法表达这个回位关系，回位关系的输出是电池的容量，或者说剩余寿命的预测也有这样一个形式，这种形式存在几个问题，第一个局限性就是它需要我们去手动提取一些特征，特征的提取固然是非常好的一件事情，帮助我们直观去理解电池衰退过程是发生了什么样的变化，但是问题是我们手动提取的特征是比较低维的，比如只能去发现容量增量峰跟电池的电压是有关系的，我只能在特定的电压区间里获得我的特征，而有一些高维的特征，比如它不仅依赖于电压也依赖于其他的温度、电流和电压之间的响应关系等等这些特征是无法发现的， 因此我们就转向了深度学习的理论，这是我们一直在做的，具有的特点就是自动从未经处理的数据当中提取特征，这样不再去关心到底是容量增量峰还是样本熵等等这种特征是怎么变化的。因为是自动提取特征不再需要确定特定的电压区间或者其他的特定的点去实现我们的估计。同时我们还解决了第三个问题，就是传统的预测或者是估计的方法是只输出一个标量，我们如果采取深度和神经网络的方式可以很轻松去拓展到一个向量或者矩阵的层面，这里我们确定的估计结果就是四个电极老化参数。

这是一个总体的流程，还是分为离线训练和后训练两部分。在传统的电池的老化循环测试中添加了一个电池的小倍率OCV测试，对芯电池的正负极材料进行了拆解，拆解获得正负极的OCV曲线，基于传统的方式对它进行参数辨识获得了充电初始SOC。我们也仿真了日常的充电，比如用横流进行充电，从中提取部分电压电流数据作为特征，深度神经网络就是去描述这个特征与四个得到参数之间的映射关系，一旦训练好这部分就可以在实际应用中采集电池日常的充电数据，作用于神经网络的输入直接估计这四个参数，评价电池的老化。同时如果确定了这四个参数在前面的拟合过程中也讲到，这四个参数直接决定了OCV曲线的变化，可以使用这四个参数去重构出正负极的OCV曲线，进而得到电池的OCV曲线。此外基于OCV曲线可以做一些其他的事情，比如电池的状态估计以及电池健康的管理。

这边是我们神经网络的估计结果，红色的线是通过离线的传统的方法，OCV辨识得到的参考值，蓝色的线是我们的神经网络输出值，可以看到同时输出这四个参数对神经网络来说并不是一件难事，具体看一下这四个参数的变化，这边第一个是正极的充电初始SOC，这个是负极的初始SOC，这两个变化表明了正负极的OCV曲线是有一个错开的现象，一般是由于锂离子的损失引起的。再一个是可以估计得到正负极的容量，发现这个正极容量一直在衰减，但是负极的容量在整个4000多次循环中是没有很大变化的。

总体来说基于这种方式就可以评价电池的老化的根本机理是因为正极的老化以及锂离子损失导致的正负极OCV错开的现象。再略微强调一下，因为传统的方式是我们通过OCV测试得到的，然后这个我们仅仅依赖于一个200毫伏的电池的充电片段作为输入我们就得到了估计结果。

下面就到了基于四个估计结构重构电池OCV曲线的阶段，方法很简单就是把参数辨识过程倒过来，得到的结果也是可以接受的，可以看到从零循环，1100次循环一直到4400次循环，我们的估计结果是很好的吻合了实测到的OCV，形状逐渐消失，我们的估计结果也是能抓住这种变化的。在整个电池的生命周期内我们的误差是小于15毫伏的，文献中也有很多学者包括我们组以前也做一些OCV曲线重构的事情，因为对于SOC估计以及电池建模都有非常重要的作用，传统的方法一般就是电视模型在动态工况下进行参数辨识，这样辨识结果可能会依赖于电流激励。再一个就是拟合过程一般依赖于SOC估计得到的，那样就可能引入到SOC估计中的误差，在我们的方法中我们是直接通过输出四个参数重构出一个曲线，这样的话我们的横坐标就是电池充入的电量，纵坐标就是OCV，不存在上面的这些限制。

基于我们的OCV重构的结果也可以做一些其他的事情，比如说容量的估计，事实上如果重构出一整条的OCV曲线，电池的容量仅仅是OCV曲线上的最后一个点，从OCV曲线中提取出来这个点，与实测的电池容量进行对比，这个误差也是可以在1%左右的。相比传统的直接从特征中去估计容量这种端到端的学习的话，我们的估计精度也是可以比拟的。

更为重要的是我们可以得到OCV和电池剩余电量所有的映射，电池SOC也就是剩余电量与电池总体容量的比值，这样我们只需要知道电池当前OCV是多少，就知道电池剩余电量是多少。

大家喜欢通过电池容量定义电池的性能衰退，实际上电池的容量个人认为可能跟续航里程或者充电成本有很大的关系，这里是新电池和老化以后电池的OCV曲线的变化，我们计算能量只需要对过程进行积分，可以看到电池的容量衰退是用横坐标的衰减表示的，电池能量衰退是积分面积表示的，容量衰退并不能完全反映电池容量的衰退，重构出SOC曲线就可以从曲线积分面积中得到电池所能存储的能量，估计结果也是不错的。一旦确定了这个能量，电池充电所能充入的能量，事实上可以对电池放出的能量做一个估计，比如电池的能量效率一般是大于90%的，就是放充的能量和充入能量的比值。

下一步是基于估计结果做一个耐久性的管理，思路非常简单，我们还是采集电池的日常充电过程中的充电片段作为我们训练过的算法的输入，去输出正负极OCV曲线，因为全电池的OCV曲线是正极和负极座差得到的，就可以确定电池正极和负极相应的工作范围，保证他们工作在一个合理的区间里，防止电池不太理想的老化。有两个效果，我们可以在电池工作初期提升电池的容量，第二可以避免常见的电池加速衰退的现象。有两个案例，左边这个案例代表了新电池，我们对它进行拆解试和OCV测试得到正负极OCV以及全电池OCV，厂家推荐的充电区间是2.7到4.2V，如果把电池仅仅充到4.2V正极还没有达到允许的上截止电压，负极也没有达到允许的电压范围的边界。如果我继续充电10%的话，这样的话大概10%才会达到截止点，这样的话事实上电池充到4.2V以上还没有达到过充的现象，所以我们通过动态的去控制电极的电压区间来实现电池能力的最大化。再一个问题就是我们对老化电池，这个电池的OCV曲线是负极受到了很严重的容量损失，如果我们把电池仍然充到4.2V的时候，它的负极电位会达到0，大家知道0V的时候电池会发生析锂反应，会有热失控的风险，还会导致试验结果加速衰退的现象。通过动态控制电池的截至电压以保证电极工作在合理范围之内就可以实现对电池老化的主动管理。举一个不太恰当的例子，对于一个20岁的人，每天可以工作12小时，但是对于60岁的人可能每天只工作8个小时就是他的极限，在这种情况下如果我们把一个人一生的工作能力都定为十个小时，让他从20岁到60岁都工作十个小时，这样可能是不太合理的，所以我们对于电池也是类似的，要对它进行动态工作量的调整。

这个是我们课题组目前在做的一些研究，因为我们前面一个案例就是讲深度学习的能力，我们基于深度学习的结果去估计一些我们感兴趣的参数，复现一些我们感兴趣的OCV曲线的特征，深度学习能力非常强大，但是所缺少的事实上是结果标签，我们所做的大部分都是回归跟分类的一些传统的机器学习的任务，所以这种学习要求我们获得新的数据集包括一些新的标签，比如这里考虑三个情形，第一个情形就是我们去组装钮扣电池，可以非常好的去控制电极的含有的活性材料的量，也就是控制电极的容量，以及整个电池中含有的锂离子的量，由此可以测到一些标签，比如正负极的容量，还可以测到全电池的电压、电流阻抗等等这些信息，这样的话就可以通过深度学习这些方式去建立一个二者之间的回归关系。当然我需要强调一下，这个实验已经被牛津大学的哈瑞教授做过了，他们去复现一些基于OCV的诊断方法。我们可以去考虑一些更为具体的反应，比如说析锂，析锂前面讲到可以会导致安全风险以及加速老化，在人为制作的电池场景里面可以通过减少负极的容量而增大锂离子量诱发析锂，对电池快速充电解剖电池就可以获得它是否析锂的标签，然后基于常规的实验信号与新的标签做一个回归的学习，前面的这两项研究当然都是为了诊断，第三项是为了电池的管理，比如我们可以去仿真电池的短路、快充、加热常见的电池管理的场景，让我们的深度网络去熟悉这种场景，让他来知道我们电池管理一些具体的参数，比如可以确定电池加热最大的温升速率应该控制在多少，或者电流充电最大的电流，或者充电上截止电压等等。右边是我们现在做的一些东西，对正负极的电池中插入一个电极去测正负极的电位信号，生产钮扣电池，这是我们目前在做的一些东西。

总结，基于日常的充电信号，结合了最近很火的深度学习的算法去做一些电池的状态估计和电池管理层面的比较有意思的事情，我们可以实现对正负极容量和正负极初始SOC参数的估计，基于这些估计结果重构出电池完整的OCV曲线，从OCV曲线中导出了一些传统的状态估计的信息，比如容量、剩余电量等等。根据重构出的OCV曲线的结果去确定了正负极的工作电压区间，从而确定了电池的工作电压区间，能够最大化垫支的能力，并且防止容量的加速衰退，我们后续的工作还是围绕着构建更加深入的电池老化数据集来开展。

谢谢大家！

敬请关注“2020中国汽车工程学会年会暨展览会（SAECCE 2020）”直播专题：https://auto.gasgoo.com/NewsTopicLive/282.html

（注：本文根据现场速记整理，未经演讲嘉宾审阅，仅作为参考资料，请勿转载！）