编辑推荐：
为解决现有电动汽车动力电池故障诊断方法的局限性问题，北京理工大学的研究人员开展基于风险积累识别电动汽车热失控的研究。结果表明该方法准确率高且可优化设计。推荐科研读者阅读，以了解前沿诊断技术。
在当今时代，能源危机和环境污染问题日益严重，就像两座沉甸甸的大山，压在人们的心头上。为了解决这些难题，同时满足对替代能源不断增长的需求，新能源技术的发展变得越来越紧迫。在汽车领域，传统发动机动力系统逐渐被电池驱动系统所取代，电动汽车（EV）凭借着零排放、无污染、低噪音和高效节能等优点，成为了这个领域的研究焦点，在主流市场中也越来越受欢迎。
不过，电动汽车的发展并非一帆风顺。电池，作为电动汽车的核心部件，尤其是锂离子电池，虽然有着能量密度高、重量轻、无记忆效应、自放电率低和循环寿命长等诸多优势，但它也存在着一些明显的短板，比如续航里程较短、在安全性和低温环境下的性能较差等。其中，安全性问题最为突出，就像一颗隐藏的 “定时炸弹”，严重阻碍了电动汽车行业的进一步发展。据研究，电动汽车火灾事故在车辆火灾事故总数中占比约 4.8%，而且随着电动汽车市场份额的不断增加，这个比例预计还会上升。大多数电动汽车火灾事故都是由锂离子电池的热失控（TR，Thermal Runaway 的缩写）引起的，热失控发生时，往往伴随着烟雾、燃烧甚至爆炸，不仅让公众对电动汽车的安全性充满担忧，也使得电动汽车在市场上的全面推广受到了很大的阻碍。
为了保障电池的安全性，许多国家都制定了严格的强制性测试标准，如 UN 38.3、UN R100、SAE - J2464、IEC - 62133、GB/T 31485 等。尽管如此，热失控相关的事故还是时有发生。这主要有两个原因，一是电池可能会出现自身引发的故障，但这种情况比较罕见；二是在实际使用过程中，电池会受到各种不当的使用条件影响，比如意外的过充和过放、车辆事故导致的穿刺、外部短路等。这些不当使用会引发一系列不良后果，像固体电解质界面（SEI，Solid Electrolyte Interface 的缩写）的降解、隔膜的穿透、锂镀层的形成，以及其他电化学材料或结构的变化，最终导致电池的热稳定性降低。
在电池安全性无法得到充分保障的情况下，识别高风险的电动汽车就显得尤为重要。众多研究人员为此进行了大量的研究，并提出了各种各样的故障诊断方法。这些方法大致可以分为三类：基于知识的方法，就像是让专家凭借专业知识来判断电池系统是否存在问题；基于模型的方法，通过建立数学或物理模型，来检测电池单元的异常反应；数据驱动的方法，则直接对数据进行处理，从而发现故障，不需要依赖电池模型或专家经验。然而，这些现有的方法大多依赖于对单个电池单元电压和电流的测量或计算，无法全面涵盖动力电池的各种风险运行场景，导致在实际应用场景中的灵敏度和准确性都比较低。
为了解决这些问题，北京理工大学的研究人员 Xuan Li、Ni Lin 等人在《Heliyon》期刊上发表了一篇名为《Identification of electric vehicle susceptible to thermal runaway based on risk accumulation》的论文。他们另辟蹊径，提出了一种全新的故障诊断方法，不再仅仅关注电池的当前状态，而是把目光投向了电动汽车整个使用过程中的风险积累。
研究人员在开展这项研究时，用到了几个关键的技术方法。首先是数据处理技术，他们从中国的新能源汽车国家监测与管理中心（NMMCNEV）这个大数据平台获取数据，对原始数据进行清洗、切片和重构等预处理操作。接着，他们针对低温高荷电状态（SOC，State of Charge 的缩写）快充、高倍率充放电、高温高 SOC 充放电这三种风险场景，提取相关特征，并通过自定义的累积风险度量公式来量化风险程度。最后，利用逻辑回归算法，结合实际正常和故障电动汽车的数据，计算出不同风险场景下的风险系数，从而得到用于分类的量化数学表达式。
下面我们来看看具体的研究结果。
累积风险度量
研究人员利用设定好的系数，计算了 16 辆故障电动汽车和 90 辆正常电动汽车在不同风险运行场景下的累积风险度量值。通过散点图可以明显看出，在各种风险场景下，故障车辆和正常车辆的累积风险度量值存在显著差异，这为后续逻辑回归算法的实施提供了很大的便利。就好像给每辆车都贴上了一个风险 “标签”，故障车和正常车的 “标签” 区别一目了然。
逻辑回归算法的初步结果
研究人员用 70% 的预处理后数据作为训练集，训练出分类边界的数学表达式。经过第一轮算法迭代，得到了五个特征对应的系数。把这些系数代入表达式后，得到了初步的算法输出结果。用剩下 30% 的数据作为测试集进行验证，发现该方法的准确率达到了 87.5%，成功识别出了大部分故障车辆和正常车辆，这表明这种方法具备区分故障车和正常车的能力，就像一把有一定精准度的 “尺子”，能够初步衡量车辆的风险状况。
模型的优化结果
在初步验证之后，研究人员把得到的数学表达式应用到所有车辆上，对每一辆误分类的车辆进行深入调查，以此来优化表达式。结果发现，误分类的原因多种多样。有些可能是算法设计不够完善，比如采用线性表达式无法准确区分故障车辆；有些则和车辆本身的情况有关，比如累积风险大的车辆可能因为热失控需要触发条件而暂时表现正常，或者某些异常车辆的风险因素没有被纳入到研究方法中。研究人员对这些误分类车辆进行分析后，将其从数据集中移除，然后得到了优化后的模型输出结果。令人欣喜的是，优化后的模型准确率达到了 100%，这进一步证明了风险积累这个思路的可行性，就好像给这把 “尺子” 进行了精细打磨，让它变得更加精准。
高风险车辆的对比分析
研究人员把这种方法应用到另一种类型的电动汽车上，以展示其通用性。同样地，计算出这种类型车辆的累积风险度量值，并通过逻辑回归得到初步结果，准确率为 84.8%。然后对模型进行优化，优化后的模型在测试集上的准确率也达到了 100%，这再次证明了风险积累思路在多种类型车辆上都具有可行性。而且，通过对比两种类型车辆的模型系数和累积风险度量的绝对值，研究人员发现 B 型车对五种风险运行场景都更为敏感，不过总体来说 B 型车更不容易出现故障，质量相对更高。这就好比在风险的 “考场” 上，B 型车虽然对风险更 “敏感”，但它自身的 “抗压能力” 更强，更能抵御风险。
在研究结论和讨论部分，这项研究提出的创新故障诊断方法具有重要意义。它打破了传统的诊断模式，将诊断重点从实时电池状态监测转移到了风险因素的累积分析上，这是一种全新的视角。通过引入基于逻辑回归的框架，对有害使用行为和恶劣环境条件带来的累积风险进行了量化建模，让人们对电池故障的诊断有了更深入的理解。这种方法不仅显著降低了对精确实时数据采集和高采样率的依赖，还能通过敏感性分析和对比研究，找出车辆设计中潜在的缺陷，为提高电动汽车的安全性和性能提供了有价值的思路。
不过，这项研究也存在一些局限性。比如，该方法需要车辆有全面的历史运行数据，但这对于某些车型或用户来说可能无法实现；虽然逻辑回归模型能够有效地对风险进行分类，但如果结合更复杂的机器学习技术，预测性能可能会进一步提升；而且目前该方法只在两种类型的电动汽车上进行了验证，还需要在更多不同的车型和运行条件下进行测试，以增强其通用性和稳健性。
尽管存在这些不足，但这项研究为未来的研究开辟了许多新的方向。比如，可以进一步完善风险量化框架，纳入更多的运行和环境因素，提高诊断的精度；还可以将这种方法与神经网络或集成方法等先进的机器学习算法相结合，挖掘非线性风险相互作用，提升预测能力；另外，将这种方法应用到不同制造商的车辆设计优化中，有望加速电动汽车安全性和竞争力的提升。总之，这项研究为电动汽车故障诊断领域奠定了新的基础，就像在黑暗中点亮了一盏明灯，为后续的研究和发展指明了方向。
