取消
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，弗迪电池有限公司电池管理系统工厂厂长邓林旺在本次大会上发表了主旨演讲。
以下为演讲实录：
我来自于弗迪电池，原比亚迪锂电池公司的邓林旺，非常高兴今天和大家在一起能够探讨一下全生命周期数字化的一个电池管理。
我今天主要从以下几个方面来讲，第一个就是电池管理系统的现状，第二讲一下数字化电池管理的BMS解决方案，接下来会讲三个方面的典型应用，最后讲一下弗迪发展的展望。
我们做电池管理的对象就是电池包，这个电池包从数字化的角度来讲目前还是有一些问题，甚至有一些痛点。首先就是追溯性做的并不特别的好，我们从制造到维护到回收，整个过程当中的数字化程度还是比较低的。一个是电池包整个生命周期的数据没有办法做到完整的追溯，现在还没有大家认可的快速进行残值评估的方法。现在在电池管理包上的性能可能相对来说是比较低的，因为受限于汽车电子的一些发展，所以很多时候一些高精度、复杂的算法现在用的还不是很成熟。电池老化以后很多时候都还是用的一些在线的技术，没有办法做到自适应。第三就是在车辆运行过程当中这个维护和保养比较难，没有办法做到很快的有效的去快速更新这些参数。
另外远程诊断现在做的并不是特别的理想，所以很多时候都还是处于客户有问题了，一个电话我们工程师24小时就要跑到现场去解决问题。对于整个问题，我们要做到电池的状态监控，把安全运行贯穿于制造、运营、回收的过程，包括梯次利用的整个过程当中，如果能够全套做下来，这样会有一个大的提升。针对电池管理我们觉得能够发挥很大的作用，我们现在做的电池管理更多还是只关注于包端的管理，没有办法进行特别准确的一些评估。另外我们电池管理在整车运营和梯次利用过程当中是不连续的，有时候还要额外去重新测数据，重新的去做应用。第三个就是很多策略和参数依赖于经验值，对于我们现在越来越多的一些个性化的体验并不是很佳。
所以我们在整个做的过程当中，作为一个电池管理的解决方案，应该把整个生命周期的管理都做起来。像我们做企业的，前面有很多的专家提到很多的解决方案，其实我们也很关心怎么样把各种各样的一些新技术快速的能够在未来的两三年之内能够成熟应用到我们的实车当中去，应用到我们成千上万的甚至几十万、上百万的产品里面去，这是关键，所以我们觉得还是要从模型建立开始做起，首先从设计阶段要做模型的建立，在电池制造阶段要把模型参数做一个初始化，另外在车的运营当中模型要不断的去运行和迭代，在回收的过程当中要把模型的参数迭代的整个过程都能提取出来。看一下整个的过程，我们也是基于数字孪生模型的概念，我们在云端建了一个这样的模型，实际上这个模型从设计开始到制造工厂就开始建立起来了，在我们车的实时运行过程当中这个模型在不停的运行，通过这样的方式我们认为可以解决很多的问题。
下面我就分享一下我们做的一些实际应用的工作，刚才这个模型，我们觉得可以结合现在的一些成果，包括经验模型，包括电化学模型，再到数据驱动的一个模型等把它结合起来，做成整个的一个模型。在这块我们在SOC的设计上面，包括SOH的设计上面，包括SOP的设计上面等等我们都可以得到很好的一个应用。
以SOC为例，通过模型的驱动能够对于我们现在的一些传感器的误差，比如说我们做了一个实验，传感器有一个0.1安的误差，我们通过这个模型做的话可以进行一些快速的收敛，也能够稳定运行，电流误差对最后的数据产生的一个结果是不敏感的。另外我们还做了一些实验是在包端的，我们给SOC做了一起初始的误差，把容量也做了一些初始的误差，比如老化了还许多校正过来，最后通过这个模型驱动也能够实现一些快速的收敛和一些稳定的追踪，让它对SOC的初始误差和对容量的误差都不敏感，这样的话我们得到这些数据可以更好的应用于我们整个的系统里面来。
再讲一下在全生命周期电池寿命的预测及优化，很多时候更多还是基于经验的模型来做老化，我们知道它的温度条件，它的SOC的存储状态，还有循环次数等等都会影响到我们的老化，这个经验模型可能对于大部分的电池，对于80%、90%的电池是适用的，但是对于一小部分电池就不是那么适用，对于有一些状态稍微异常一点的就更加不适用了，所以这块我们想应该把寿命预测通过这种云数据的方式做一个测算，通过老化模型做训练，最终得到一个老化的预测，这是我们对于整个实车的一个过程。可以看到我们无论是仿真还是实车，我们整个的预测知信度还是比较高的，而且也初步达到了实用化的水平。
在数据训练的过程当中，前面有很多专家提到，要解决很多的问题，解决数据上的一些长时间掉线、短时间掉线等很多问题的解决，如果把这些问题解决好，实际上我们整个的数据预测还是比较好的。
下面讲一下全生命周期电池故障的预警，首先是要做数据的获取，建立一个数据的仓库，接下来就是要做数据的清洗，做数据清洗的过程当中对于异常值怎么处理这个也非常重要。我们得到特别多的数据，这个有效值要保留出来，包括有一些故障值也是有效的，但是看起来是和意向值比较接近的，这种值怎么把它保留下来这是我们做数据清洗层面的一个难点，而且我们要把这些数据给清洗好，包括还有数据段的筛选，这些东西都做完以后就可以做下一步，做特征的提取，特征提取的方法有很多，包括我们经常讲的小波分析、经验模态的分解，提取特征以后就可以做故障模型，进行一些相关性的分析，基于一些模型或者数据驱动的模型。得到这个模型以后通过这个模型在数据上跑这个模型的话，就能够得到风险的评估，得到风险评估甚至再做一些故障的预警，这是我们做的一些情况，比如我们现在跑的一些模型，能够得到一些车没有风险的数据，和提前有一些风险的数据，提前有一些风险的数据就可以避免车的抛锚，甚至有时候还是可以有一些安全的识别，所以我们觉得整个运营的周期都要做这样的分析，对后面做梯次利用和储能的时候也要做同样的分析。
后面我讲一下我们准备做的事情，我们对这块发展的展望，一个是整个设计过程要做数字化，我们要基于模型做一些开发，第二要做模型在环的仿真，对这个模型开发做一些验证，形成一种快速的原型机，不仅是电池本身，包括从电池到PACK到电池管理的算法能够融合在一起，这样就进一步实现整个链条数字化的一个设计。接下来要做到数字全程可追溯，从电池Cell开始到PACK再结合车辆整个过程做到全程可追溯。维护的数字化，主要就是在整个的运行的过程当中，要进一步去跑数字孪生的模型，不停的优化和迭代这些算法，另外我们把远程售后诊断要进一步的做起来，后面我们可以坐在家里，利用家里很多有经验的工程师能够远程做一些诊断，更多的时候系统能给我们提供一些诊断的建议出来。
最后就是回收过程当中实现数字化，一个就是电池整个的梯次利用到最后的衰减以及整个数字化的过程，更重要的就是我们把电池档案能够存储起来，然后跟我们后面的设计，跟我们后面的制造，跟我们后面算法的管理形成一个闭环，这个是最重要的。
最后跟大家分享一下我们大家现在特别关注的我们公司的一个刀片电池数字化的情况，我们通过刀片电池的设计，整个零部件数量可以减少40%，我们总成本还能降低30%，VC2B的效率能够增加50%，刚才说了除了刀片电池本身以外和PACK本身以外，实际上在这个上面我们搭载的BMS也进行了一个智能的升级，现在已经用到了我们第四代的电池管理系统。这块主要是几个方面的提高，一个是高精度的数据的采集，以及同步的一些采样。第二个就是进一步提升了一些安全性和可靠性，因为我们大概有80多万套电池管理运行的经验，我们怎么样把这些经验应用到我们的新一代电池的管理里面来。第三个我们也加入了一些自适应的算法在里面跑。第四个最重要的是做了一些智能化的云车的交互，从这代产品上已经开始了，所以我们也希望借这个机会能够和行业内同仁一起共同进步，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！）
