【摘要】為有效識(shí)別新能源汽車(chē)電池系統(tǒng)連接異常問(wèn)題，利用應(yīng)急預(yù)警云端監(jiān)測(cè)平臺(tái)和大數(shù)據(jù)分析方法，結(jié)合正常車(chē)輛和連接異常車(chē)輛的數(shù)據(jù)模式異同，挖掘電池系統(tǒng)連接異常缺陷因素。提出一種基于數(shù)據(jù)驅(qū)動(dòng)的新能源汽車(chē)電池系統(tǒng)連接異常風(fēng)險(xiǎn)因子識(shí)別算法，根據(jù)風(fēng)險(xiǎn)因子對(duì)電池系統(tǒng)連接異常程度進(jìn)行等級(jí)劃分，結(jié)果表明，所提出算法可以準(zhǔn)確有效識(shí)別連接異常高風(fēng)險(xiǎn)車(chē)輛。

主題詞：連接異常 云端平臺(tái) 故障診斷 大數(shù)據(jù)

中圖分類(lèi)號(hào)：TM911 " 文獻(xiàn)標(biāo)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(wàn)鑫銘， 等. 基于云端數(shù)據(jù)的電池系統(tǒng)連接異常診斷研究[J]. 汽車(chē)技術(shù)， 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(duì)新能源汽車(chē)安全風(fēng)險(xiǎn)識(shí)別十分必要，主要包括基于經(jīng)驗(yàn)判斷、失效模式診斷和數(shù)據(jù)驅(qū)動(dòng)[1-2]。目前，主流車(chē)企和電池廠商均建立了云端車(chē)輛監(jiān)控平臺(tái)，其數(shù)據(jù)字段及報(bào)警要求通常按照GB/ T 32960—2016《電動(dòng)汽車(chē)遠(yuǎn)程服務(wù)與管理技術(shù)規(guī)范》進(jìn)行存儲(chǔ)。部分企業(yè)與第三方科研機(jī)構(gòu)合作開(kāi)展故障診斷算法研究，在實(shí)驗(yàn)室試驗(yàn)研究基礎(chǔ)上分析車(chē)輛運(yùn)行數(shù)據(jù)，建立安全診斷模型[3]。國(guó)內(nèi)外主流高校如美國(guó)辛辛那提大學(xué)、清華大學(xué)、重慶大學(xué)等均有相關(guān)研究[4-10]。其研究方向多集中于前沿理論，如融合機(jī)器學(xué)習(xí)與實(shí)車(chē)故障數(shù)據(jù)特征開(kāi)發(fā)新理論算法。其中，重慶大學(xué)胡曉松等[7]開(kāi)展了機(jī)器學(xué)習(xí)型動(dòng)力電池系統(tǒng)安全風(fēng)險(xiǎn)預(yù)警研究，利用樣本熵和稀疏貝葉斯預(yù)測(cè)模型來(lái)預(yù)測(cè)動(dòng)力電池健康狀態(tài)，預(yù)測(cè)精度較高。Shang等[11-13]采用改進(jìn)樣本熵方法識(shí)別電池系統(tǒng)初期故障，提出的改進(jìn)算法能夠較準(zhǔn)確識(shí)別電池系統(tǒng)早期異常。然而，這些機(jī)器學(xué)習(xí)算法多集中于事故數(shù)據(jù)訓(xùn)練，沒(méi)有從故障原理進(jìn)行分析，且采用機(jī)器學(xué)習(xí)方法進(jìn)行故障識(shí)別對(duì)服務(wù)器資源要求較高，運(yùn)行時(shí)間較長(zhǎng)。自放電、內(nèi)短路、連接異常是電池系統(tǒng)常見(jiàn)故障模式[14]，其中對(duì)于自放電、內(nèi)短路引起的起火事故研究較多，國(guó)內(nèi)主流高校、主機(jī)廠均有涉及[5-6]。雖然連接異常直接引發(fā)起火事故較少，但電池系統(tǒng)出現(xiàn)連接異常時(shí)會(huì)引起連接件溫度過(guò)高，此時(shí)車(chē)輛會(huì)存在動(dòng)力異常、高壓拉弧的風(fēng)險(xiǎn)。若連接異常故障長(zhǎng)期未被有效識(shí)別并排除，連接異常部位過(guò)高的內(nèi)阻會(huì)導(dǎo)致局部熱量持續(xù)累積，進(jìn)而引發(fā)電池容量快速衰減甚至熱失控[14-16]，因此對(duì)連接異常進(jìn)行提前識(shí)別與檢測(cè)維修十分必要。本文研究了云端故障診斷和安全預(yù)警分析方法，依據(jù)事故車(chē)數(shù)據(jù)分析經(jīng)驗(yàn)，提取連接異常故障數(shù)據(jù)特征，建立基于云端數(shù)據(jù)的連接異常故障診斷模型，實(shí)現(xiàn)電池系統(tǒng)連接異常車(chē)輛快速識(shí)別及風(fēng)險(xiǎn)等級(jí)判斷。

2 電池系統(tǒng)連接異常故障

連接異常屬于電池系統(tǒng)內(nèi)較典型的故障類(lèi)型，分為電芯內(nèi)部連接異常和電芯外部連接異常兩種。電芯內(nèi)部連接異常多為極耳焊接過(guò)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(wèn)題通常由于高壓連接件設(shè)計(jì)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(huì)產(chǎn)生扭矩達(dá)標(biāo)但緊固不到位的現(xiàn)象，長(zhǎng)時(shí)間振動(dòng)導(dǎo)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(guò)程中發(fā)熱嚴(yán)重，觸發(fā)液冷開(kāi)啟，在不斷地?zé)崦浝淇s及伴隨振動(dòng)條件下栓接固定松脫。另外，對(duì)于方形電芯，充放電循環(huán)過(guò)程產(chǎn)生的膨脹也會(huì)造成模組間或輸出極處產(chǎn)生位移，進(jìn)而造成栓接松脫。

在車(chē)輛的日常使用中，長(zhǎng)期的顛簸和振動(dòng)會(huì)導(dǎo)致車(chē)輛電池系統(tǒng)內(nèi)連接部位的強(qiáng)度逐漸減弱，接觸電阻增大，若連接點(diǎn)在電壓采樣范圍內(nèi)，會(huì)導(dǎo)致鄰近電芯電壓出現(xiàn)波動(dòng)。電池系統(tǒng)充放電時(shí)，存在連接異常問(wèn)題的電芯會(huì)出現(xiàn)電壓離群現(xiàn)象，異常電芯的電壓離群程度與電流大小成正相關(guān)，呈現(xiàn)“充高放低”現(xiàn)象，靜置時(shí)無(wú)異常?！俺涓叻诺汀爆F(xiàn)象會(huì)導(dǎo)致電池系統(tǒng)充電容量偏低或者充電時(shí)間延長(zhǎng)，同時(shí)還會(huì)引起電池系統(tǒng)容量無(wú)法完全釋放或者限制輸出功率。除行車(chē)過(guò)程中出現(xiàn)“充高放低”的現(xiàn)象外，連接異常還會(huì)造成電池系統(tǒng)容量虛高，行車(chē)過(guò)程荷電狀態(tài)（State of Charge，SOC）跳變進(jìn)而導(dǎo)致車(chē)輛拋錨。

3 數(shù)據(jù)驅(qū)動(dòng)的電池系統(tǒng)連接異常識(shí)別

新能源汽車(chē)安全風(fēng)險(xiǎn)的演變過(guò)程體現(xiàn)在運(yùn)行監(jiān)控?cái)?shù)據(jù)中，包括電池電壓、電流、溫度、絕緣電阻和SOC等數(shù)據(jù)。本文基于典型事故車(chē)輛的運(yùn)行數(shù)據(jù)特征構(gòu)建動(dòng)力電池安全特征參數(shù)空間矩陣，充分利用應(yīng)急預(yù)警監(jiān)測(cè)平臺(tái)和大數(shù)據(jù)分析方法，重點(diǎn)研究正常車(chē)輛和連接異常故障車(chē)輛的數(shù)據(jù)特征異同；挖掘動(dòng)力電池連接異常缺陷風(fēng)險(xiǎn)因子，梳理各風(fēng)險(xiǎn)因子的相互關(guān)系和相應(yīng)的特征參數(shù)表現(xiàn)，對(duì)各類(lèi)參數(shù)表現(xiàn)進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)和量化表示，構(gòu)建風(fēng)險(xiǎn)監(jiān)測(cè)指標(biāo)體系，開(kāi)發(fā)基于數(shù)據(jù)驅(qū)動(dòng)的新能源電池系統(tǒng)連接異?？焖僮R(shí)別算法，能夠?qū)崿F(xiàn)連接異常風(fēng)險(xiǎn)車(chē)輛的準(zhǔn)確識(shí)別，并定位其風(fēng)險(xiǎn)等級(jí)。

4 基于云端數(shù)據(jù)的電池系統(tǒng)連接異常診斷

對(duì)于存在連接異常風(fēng)險(xiǎn)的車(chē)輛識(shí)別，本文采用云端歷史數(shù)據(jù)進(jìn)行故障特征提取，然后根據(jù)故障等級(jí)特征判斷車(chē)輛風(fēng)險(xiǎn)等級(jí)。通過(guò)對(duì)電池系統(tǒng)連接異常車(chē)輛數(shù)據(jù)分析、提取4項(xiàng)連接異常相關(guān)風(fēng)險(xiǎn)因子，具體計(jì)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?jiǎn)误w號(hào)；N2為最高電壓?jiǎn)误w號(hào)；I為運(yùn)行電流；Vmax為電池系統(tǒng)最高單體電壓；Vmin為電池系統(tǒng)最低單體電壓；Cs為車(chē)輛充電狀態(tài)；S為車(chē)輛荷電狀態(tài)；Φ1～Φ4為計(jì)算所得連接異常風(fēng)險(xiǎn)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(xiàn)次數(shù)占比，Φ3表示等效壓差，篩選數(shù)據(jù)片段極值壓差的滑動(dòng)均值，Φ4表示極柱與銅巴/鋁巴等效接觸電阻，Φ3、Φ4均選取計(jì)算所得結(jié)果中極大值。

具體計(jì)算流程如圖2所示。

抽取行車(chē)狀態(tài)數(shù)據(jù)，采用式（1）計(jì)算滿(mǎn)足需求電流abs（I）gt;x（30lt;xlt;100，abs表示絕對(duì)值）的最低電壓?jiǎn)误w號(hào)，并計(jì)算各單體號(hào)出現(xiàn)次數(shù)占比，記比值為Φ1。采用式（2）計(jì)算滿(mǎn)足需求電流abs（I）gt;x（30lt;xlt;100）的最高電壓?jiǎn)误w號(hào)，并計(jì)算各單體號(hào)出現(xiàn)次數(shù)占比，記比值為Φ2；對(duì)占比進(jìn)行排序，選取單體號(hào)占比大于90%的車(chē)輛。采用式（3）計(jì)算單體號(hào)對(duì)應(yīng)滑動(dòng)SOC區(qū)間內(nèi)電壓極值壓差并進(jìn)行歸一化處理，記值為Φ3。計(jì)算過(guò)程為抽取滿(mǎn)足式（1）、（2）中電流條件下極值電壓數(shù)據(jù)，采用移動(dòng)平均值方式計(jì)算每相鄰10個(gè)點(diǎn)（即步長(zhǎng)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(jì)算滑動(dòng)區(qū)間極值壓差值與電流的比值，并歸一化處理，記值為Φ4。計(jì)算過(guò)程為在式（3）基礎(chǔ)上計(jì)算所得滑動(dòng)區(qū)間壓差與滑動(dòng)區(qū)間均值電流之比，計(jì)算步長(zhǎng)為10。然后依據(jù)4個(gè)計(jì)算值進(jìn)行連接異常判斷。

本算法優(yōu)點(diǎn)是采用電池管理系統(tǒng)（Battery Management System，BMS）上報(bào)的極值單體電壓和單體編號(hào)數(shù)據(jù)結(jié)合行車(chē)狀態(tài)及行車(chē)階段電流進(jìn)行計(jì)算，避免對(duì)電池系統(tǒng)所有單體電壓進(jìn)行拆分計(jì)算。為驗(yàn)證算法有效性，在國(guó)家市場(chǎng)監(jiān)管總局創(chuàng)新中心監(jiān)控平臺(tái)進(jìn)行算法部署，并對(duì)識(shí)別的異常車(chē)輛進(jìn)行數(shù)據(jù)抽取，繪制車(chē)輛電池系統(tǒng)單體電壓時(shí)序圖，結(jié)合算法計(jì)算所得風(fēng)險(xiǎn)因子及線下拆箱檢測(cè)進(jìn)行驗(yàn)證。

5 云端數(shù)據(jù)排查

本文分析數(shù)據(jù)來(lái)自國(guó)家市場(chǎng)監(jiān)管總局創(chuàng)新中心監(jiān)控平臺(tái)，該平臺(tái)由國(guó)家創(chuàng)新中心（新能源汽車(chē)數(shù)字監(jiān)管）承建，該平臺(tái)累計(jì)接入7款車(chē)型15萬(wàn)輛新能源汽車(chē)，平臺(tái)功能主要為對(duì)市場(chǎng)風(fēng)險(xiǎn)車(chē)輛進(jìn)行監(jiān)控，排查風(fēng)險(xiǎn)車(chē)輛同時(shí)對(duì)涉及召回的車(chē)輛進(jìn)行召回效果評(píng)估。該平臺(tái)數(shù)據(jù)包括車(chē)輛運(yùn)行數(shù)據(jù)、車(chē)輛靜態(tài)信息、企業(yè)自定義報(bào)警信息等。通過(guò)對(duì)該平臺(tái)中2款車(chē)型總計(jì)2萬(wàn)余輛車(chē)進(jìn)行排查，篩選出8臺(tái)風(fēng)險(xiǎn)車(chē)輛，風(fēng)險(xiǎn)因子計(jì)算結(jié)果如表1所示。

車(chē)輛電池系統(tǒng)靜態(tài)信息如表2所示，8輛車(chē)均為純電動(dòng)車(chē)型，配置三元鋰離子電芯。車(chē)輛01～03配置軟包電芯，單體容量為29 A·h，電池系統(tǒng)成組結(jié)構(gòu)為5P96S，系統(tǒng)額定電壓為350 V，系統(tǒng)額定容量為145 A·h。電池系統(tǒng)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(chē)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(tǒng)成組結(jié)構(gòu)為2P96S，系統(tǒng)額定電壓為355 V，系統(tǒng)額定容量為110 A·h。電芯間采用鋁巴焊接。電池系統(tǒng)模組間為銅排連接，螺栓固定。

結(jié)合表1風(fēng)險(xiǎn)因子計(jì)算結(jié)果，對(duì)風(fēng)險(xiǎn)因子Φ4數(shù)值較高的6臺(tái)車(chē)（編號(hào)01～06）進(jìn)行單體電壓數(shù)據(jù)抽取并繪制故障點(diǎn)時(shí)刻單體電壓時(shí)序圖，如圖3所示（由于車(chē)輛單體總數(shù)較多，故圖例中僅展示異常單體），可以看出6臺(tái)車(chē)存在明顯的連接異常。根據(jù)表1中風(fēng)險(xiǎn)因子計(jì)算結(jié)果結(jié)合圖3中異常單體離群表現(xiàn)可知，Φx值越高，單體電壓偏離度越大，連接異常風(fēng)險(xiǎn)等級(jí)越高。

車(chē)輛03的Φ3為0.54，Φ4為2.2，其單體電壓時(shí)序圖如圖3c所示，可以看出26號(hào)單體（紅圈標(biāo)注電芯）電壓呈現(xiàn)明顯離群現(xiàn)象，表現(xiàn)為放電時(shí)26號(hào)單體電壓顯著低于其他電芯，制動(dòng)狀態(tài)下電流回饋26號(hào)單體電壓顯著高于其他電芯。車(chē)輛05與車(chē)輛03現(xiàn)象較為相似。由車(chē)輛01、02、04、06的電壓時(shí)序圖可以看出，該4輛車(chē)單體電壓偏離度較高，即存在明顯連接異?，F(xiàn)象，各車(chē)輛Φ4值均大于3。06車(chē)Φ4值為4.2，其單體電壓時(shí)序如圖3f所示，可以看出64號(hào)單體（紅圈標(biāo)注電芯）電壓已偏離該車(chē)電池系統(tǒng)單體電壓中位數(shù)400 mV。從算法計(jì)算結(jié)果可以得出，Φ4值越大，異常單體電壓與電池系統(tǒng)單體電壓中位數(shù)的偏差越大，側(cè)面印證了車(chē)輛連接異常風(fēng)險(xiǎn)等級(jí)越高。

6 排查驗(yàn)證

為準(zhǔn)確評(píng)估車(chē)輛連接異常程度，依據(jù)風(fēng)險(xiǎn)因子對(duì)風(fēng)險(xiǎn)等級(jí)較高車(chē)輛進(jìn)行電池系統(tǒng)拆箱排查。車(chē)輛01模組輸出極采用兩顆螺栓進(jìn)行固定，模組間采用軟銅排相連。經(jīng)拆解后發(fā)現(xiàn)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(tǒng)下線檢測(cè)標(biāo)準(zhǔn)為扭矩應(yīng)不低于10 N·m，連接銅排出現(xiàn)明顯松動(dòng)。對(duì)連接異常處進(jìn)行接觸電阻測(cè)量，靜態(tài)下該固定點(diǎn)接觸電阻高于正常連接點(diǎn)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(jié)構(gòu)膠固定。

對(duì)車(chē)輛06進(jìn)行電池系統(tǒng)拆解后發(fā)現(xiàn)，該車(chē)65號(hào)電芯焊接處出現(xiàn)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(dòng)。由于焊接處出現(xiàn)明顯松動(dòng)且鋁巴無(wú)法進(jìn)行二次焊接，對(duì)該車(chē)電池系統(tǒng)做報(bào)廢處理。為進(jìn)一步排查風(fēng)險(xiǎn)，對(duì)02、04車(chē)輛進(jìn)行電池系統(tǒng)拆解。02車(chē)與04車(chē)類(lèi)似，拆解電池系統(tǒng)后發(fā)現(xiàn)，模組輸出端連接銅排固定螺栓殘余扭矩為2.7 N·m，通過(guò)售后服務(wù)站維修后重新密封電池包裝車(chē)運(yùn)行。03車(chē)與05車(chē)類(lèi)似，拆解電池系統(tǒng)后發(fā)現(xiàn)模組輸出端連接銅排固定螺栓殘余扭矩為4.7 N·m，通過(guò)售后服務(wù)站維修后重新密封電池包裝車(chē)運(yùn)行。07、08兩輛車(chē)拆解電池系統(tǒng)檢測(cè)后發(fā)現(xiàn)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(chē)運(yùn)行。

結(jié)合線上排查及線下拆解檢測(cè)歸納風(fēng)險(xiǎn)因子與車(chē)輛故障等級(jí)映射關(guān)系，如表3所示。

7 結(jié)束語(yǔ)

通過(guò)對(duì)連接異常車(chē)輛電池系統(tǒng)數(shù)據(jù)分析，提取4個(gè)連接異常風(fēng)險(xiǎn)相關(guān)因子，結(jié)合線上排查風(fēng)險(xiǎn)因子較高的車(chē)輛拆解檢查，歸納總結(jié)風(fēng)險(xiǎn)因子與車(chē)輛風(fēng)險(xiǎn)等級(jí)對(duì)應(yīng)關(guān)系：風(fēng)險(xiǎn)等級(jí)為1級(jí)時(shí)車(chē)輛需定期觀察，風(fēng)險(xiǎn)等級(jí)為2級(jí)時(shí)車(chē)輛需重點(diǎn)監(jiān)控，必要時(shí)及時(shí)維護(hù)，風(fēng)險(xiǎn)等級(jí)為3級(jí)時(shí)車(chē)輛需進(jìn)行電池系統(tǒng)拆解維修，風(fēng)險(xiǎn)等級(jí)為4級(jí)時(shí)車(chē)輛需立即停止運(yùn)行，拖運(yùn)至售后站維修。

本文提出的連接異常風(fēng)險(xiǎn)識(shí)別算法在檢測(cè)主流車(chē)型電芯集流排連接異常方面準(zhǔn)確度高，可以精準(zhǔn)定位故障電芯位置，但仍存在不足：受限于電壓采樣點(diǎn)，無(wú)法識(shí)別電池包總正總負(fù)銅排的連接異常情況；在小容量電芯多并電池系統(tǒng)內(nèi)，單電芯連接發(fā)生異常受并聯(lián)模塊內(nèi)電壓平衡補(bǔ)償影響，導(dǎo)致算法無(wú)法在早期識(shí)別出風(fēng)險(xiǎn)。后續(xù)將加強(qiáng)失效機(jī)理分析和數(shù)據(jù)挖掘技術(shù)融合，優(yōu)化算法識(shí)別邏輯和故障數(shù)據(jù)特征提取方法，提高算法的準(zhǔn)確性和通用性。

參 考 文 獻(xiàn)

[1] 雄博， 蔡君同. 新能源汽車(chē)安全預(yù)警技術(shù)現(xiàn)狀及未來(lái)展望[J]. 時(shí)代汽車(chē)， 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(jīng)網(wǎng)絡(luò)的純電動(dòng)汽車(chē)動(dòng)力電池系統(tǒng)故障診斷[J]. 電子技術(shù)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(shù)據(jù)驅(qū)動(dòng)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(dòng)力電池 SOH 估計(jì)及故障預(yù)測(cè)方法研究[D]. 北京： 北京工業(yè)大學(xué)， 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(shí)玉帥， 熊金峰， 樊海梅. 動(dòng)力電池常見(jiàn)故障分析與預(yù)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(shù)據(jù)驅(qū)動(dòng)的鋰電池故障分級(jí)預(yù)警研究[J]. 汽車(chē)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(dá)， 鄧鈞君， 張照生， 等.電動(dòng)車(chē)輛動(dòng)力電池安全預(yù)警策略研究綜述[J]. 汽車(chē)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(guó)彬， 沈佳妮， 等. 鋰離子電池故障診斷技術(shù)進(jìn)展[J]. 儲(chǔ)能科學(xué)與技術(shù)， 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(guó)， 等. 串聯(lián)電池組接觸電阻故障診斷分析[J]. 電工技術(shù)學(xué)報(bào)， 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(zé)任編輯 王 一）

修改稿收到日期為2024年9月4日。