今天分享的是：动力电池系统健康评估及超前失效预警研究——哈工大 于全庆
报告共计：8页
该研究聚焦动力电池系统健康评估与超前失效预警，在电池SOH估计、剩余寿命预测、衰后行为预测及故障诊断安全预警等方面取得成果，为提升电池管理安全性和可靠性提供支撑。
电池SOH估计
- 评估方法多样：涵盖片段恒流工况、动态工况下基于模型误差谱和融合物理信息等方法，以及实车多阶恒流充电估计方法。研究针对非满充协议、复杂动态激励工况及多车大数据利用等问题，运用多种技术手段，如特征工程、机器学习、深度学习等，部分方法已应用于重庆新能源汽车检测平台。
- 单体健康评估：提出电池组内单体健康快速评估方法，为电池系统健康管理提供全面支持。
剩余寿命（RUL）预测
SOH和RUL联合预测方法势在必行，该方法在不同材料体系电池上得到有效验证，有助于准确把握电池未来衰退情况，对电池管理意义重大。
电池衰后行为预测
利用14个松弛电压点重构当前周期完整恒流Q - V曲线，通过大量云端数据进行场景迁移，包括不同电池材料间、不同截止电压后弛豫及不同采样条件下的迁移，对比不同机器学习算法，提升预测准确性与应用场景适应性。
故障诊断及安全预警
- 诊断方法创新：基于LOA的实时故障诊断方法可实现周级别热失控预警，部署于云端及车端，不受材料体系影响，通过多特征权重融合获得信息熵分数及多层预警机制避免误警，在处理数据缺失时性能良好。
- 多模态特征预警：基于多模态特征的周级别热失控预警方法，提取TSM、内阻、频谱图等特征，利用CNN - KPCA等技术实现故障诊断，对热失控车辆故障单体早期检测效果好，误报率低，预警时间早，适应性强。
以下为报告节选内容
返回搜狐，查看更多
