刘博带你读文献（11）——基于物理模型+数据驱动的分析方法来检测电池的安全性
大家好！过年好呀！祝各位牛年顺心，万事如意！放松了一段时间，得抓紧了，所以今天赶紧给大家更新一篇。
本文是清华大学冯旭宁老师组与MIT、Northvolt等单位合作编写的，介绍了数据驱动的机器学习与电池安全物理模型可以怎样结合。这次的文章与之前的读文献系列不太一样，本文其实是电池安全物理机理与数据驱动/机器学习领域的一篇跨界文，大家可以体验一下数据/计算的领域如何与电池安全领域将有怎样融合的趋势，未来行业发展的方向可能是什么样子的。
目前大家都知道，电动汽车的电池使用其实都会产生大量的信息，而随着新能源汽车信息监控机制和平台的建立，对于数据的管理日趋完善，而如何利用好这些数据来更好的为我们的电池安全服务就成为了一个核心问题。刘博在去年11月于无锡由蜂巢能源举办的电池安全会中就发现，越来越多的企业已经提出了基于数据分析+云平台监控的电池安全监控和分析的工作方向。可以说对于电池安全这一核心问题来说，从数据分析侧来做工作的需求和发展趋势已经越来越明显。
但是实际上，虽然目前针对电池安全的一般的实验设计、机理分析的工作非常多，设计更安全的电池包和寻找应对措施仍是重点。而作为一种新兴事物，基于电池运行数据分析的线上和线下诊断-预警技术的数据分析研究诊断预警技术其实仍然处于一个比较早期的阶段，既是新兴的希望之星挑战也很大。
那么，挑战主要在哪些方面呢？主要有：1. 电池是一个非常复杂的非线性系统，甚至两节完全一样的电芯有可能在受到相同的机械/热/电的影响后发生不同的应对反应；2. 我们可以基于机器学习的算法来预测锂电这样的非线性系统的行为，但是要训练和验证这个系统并不容易，常常需要大量的数据；3. 而且目前很多模型/研究方法常常只能单纯的基于数据的机器学习来分析数据，其实并没有更多考虑底层的物理机理因素。
所以把数据分析与物理机理结合好，这就是未来研究和发展的主要方向。接下来我们看一下应该如何思考和应对这几方面的挑战。
有缺陷电芯很少：样本量有限导致的参考数据量的局限性
大家实际上知道：目前电芯生产都在奔着更好的质量控制，更低的失效机率而去，所以以概率来论，实际上电芯失效的机率是很小的，但是这就带来了一个问题：所以这样基于数据来诊断挑选出可能要失效的电芯实际上是难上加难——你可能需要很多电芯才能找到一只两只有问题的，才能找到这种“典型”的问题对象，把它的数据纳入数据库，作为一个典型的参考点。
这样的话一大核心问题就在于：数据不够。尤其是对于研究机构来说，它们常常不可能拥有大量的电芯来跑数据，找不良的电芯。当然这一点对于电芯企业和车企要好些，他们的数据则要丰富的多。
失效事件有时具有一定的随机性：其实对这方面有一定研究后，大家可能会有点痛苦的发现：电芯的各种失效常常是有点随机的玄学事件，比如想要预测内短路常常很难用决定/确定性的模型来实现。
但是无论如此，基于有限的资源和努力的探索工作，也已经有了不少研究机构基于手头的资源开始进行了一些工作，比如可以基于在线监测电芯行为来预测剩余有用寿命Remaining Useful Lfe （RUL）的模型。在最近，NREL 和NASA搞了一个开源的Battery Failure Databank的数据库。这些工作都可以供大家参考，来了解目前这一领域已经发展到了一个什么程度。（Li, Y., Liu, K., Foley, A.M., Zu¨ lke, A., Berecibar, M.,Nanini-Maury, E., Van Mierlo, J., and Hoster, H.E. (2019). Data-driven health estimationand lifetime prediction of lithiumion batteries: a review. Renew. Sustain.Energy Rev. 113, 109254. Hu, X., Xu, L., Lin, X., and Pecht, M. (2020).
Battery lifetime prognostics. Joule 4,310–346）
实验优化：引入那些低发生概率缺陷的情景，研究并获得数据
对于我们来说，需要得到有缺陷的电芯才能获得它们的特征数据，而这样的数据就需要我们刻意的制备出具有某种缺陷的电芯来获得，所以设计好实验来获得这种具有可控可变可研究的缺陷的电芯就非常有意义。
比如在制造一些典型缺陷：极耳没有对齐，焊接毛刺刺穿隔膜，隔膜力学性能的逐渐的崩溃，这些都可以在实验室中通过刻意制造条件来得到具有类似效果的样品。
比如制造具有内短路可能性，可以调节的电芯，可以用以下的方法：图1b中，我们可以用一个专门造的电芯来模拟图1a中毛刺缺陷的情景：蜡加热融化（之后正负极短路接触）、记忆合金植入（变形直接导致正负极短路接触）都可以导致类似于像刚才说的毛刺刺入的缺陷开始发生。
这两种方法都很方便研究者定量调整反应的程度，从而为设计操控实验，获得不同等级/程度的数据做支撑。
当然对于各种缺陷情景，都可以相应的设计处获得的思路：比如高温下/应力等不利条件下循环电芯让隔膜处于一个更容易失效的临界状态，本文在此也没有一一列举所有的制备缺陷的方法，只是把这种思考和解决问题的方式告诉了大家。
但是毕竟对于电池行业来说，电芯-电芯之间的差异性总之存在的，这导致了实际失效情况实际是很复杂的——失效发生的概率、机理和严重度可能都会产生一定的个例（CASE BY CASE）性。所以单独靠这些模拟性的实验当然可以获得一些特征的信息和数据，但是只靠这些偏向于电学方面的数据还不足以支撑我们使用数据来诊断预判事故发生的期望。那怎么办呢？需要从更多维度来监控电池，考虑更多种的信号，与这些信号代表的物理意义做好结合。
把电/热/声/机械维度的信息都收集越来用于分析判断，物理机理与信息数据模型的结合非常重要
如上所述，其实目前的电池安全的基于数据驱动的预测方法大都只用了电化学方面的数据，而对热、声、机械方面的数据就没咋用。可以看到了物理模型和数据分析的脱节性，所以这就要求：
一方面需要在建立模型的时候开始考虑这些维度的数据和机理；
另一方面还要在电芯研究表征方面，更多的利用OPERANDO原位的测量各类参数，如下图所示。
那么接下来看一下这四大类表征方法/信号信息种类：
电。基本的直接读出的电压/电流/电量等信息当然是基础，但是明显只能应对典型的一般情况。想要获得更进一步的深层次信息：就要用一些基于电压/电量的微分的方法。比如正弦波激发的有不同频率下信息的EIS谱（了解内阻情况-进而了解不同典型机理的贡献量-甚至可以侧面了解老化失效机理），另外一个是Distribution of relaxation times (DRT)以及random forest (RF)classifier approach等方法。在此就是给大家简单介绍一下，如果对针对相应方面有细致需求的读者可以直接从参考文献找到详细内容，在此就不展开了。
机械。电芯应力和应变的情况对于电芯失效来说是非常关键的核心信息，可以使用原位的应力测试的手段来获得这些数据。严重的膨胀常常对应于电解液干涸-电芯刚度增加-析锂- -体积膨胀。薄膜应变片 (thin-film gauge)可以使用。在这里我想首先推荐大家回去看一下《刘博带你读文献（6）探测热失控的不同传感器对比》，可以对目前典型传感器的情况有一个基本的了解。
声学。声学探测手段比如acoustictime-of-flight analysis就已经用在估计SOH了，也有文献介绍了用其来研究电解液润湿/随着循环老化干涸情况的文献。笔者打算之后专门看一下这方面的工作来看是不是单独介绍这一块的前沿情况。（Davies, G., Knehr, K.W., Van Tassell, B.,Hodson, T., Biswas, S.,Hsieh, A.G., and Steingart, D.A. (2017). State of charge and stateof healthestimation using electrochemical acoustic time of flight analysis. J.Electrochem. Soc. 164, A2746–A2755. Knehr, K.W., Hodson, T., Bommier, C.,Davies., G., Kim, A., and Steingart, D.A. (2018). Understanding full-cellevolution and nonchemical electrode crosstalk of Li-Ion batteries. Joule 2,1146–1159)
热学。热方面的信息其实能提示很多：内阻的变化，放热的反应，内短路的生成，等等。当然此时的问题在于：尽量测试电芯内部温度变化最为准确，尽量要非破坏非侵入式的获取这个数据。在这里笔者可能想点评几句：对于单电芯来说以上的这些研究期望的愿景都没问题/可以小规模实现，但是对于大规模量产的汽车用电芯来说，想要原位给每节电芯装入内测温传感器基本没有什么可能性，工业上有时获得的数据注定相对有限/粗糙，所以传感器的发展也还是任重道远呢。包括其它的传感器，实际工业中应用空间够不够，成本上是不是划的来，都是要在工程化中认真考虑的前提。
工作思路：各维数据都有了，怎样建好数据库和模型来改善预测精度呢？物理模型的引入和实验工况数据的获得更有意义——让模型的外推性更强（extrapolative）
还是那个问题：学术界常常能有的数据/可研究的电芯样本数量有现，大多数都甚至很难能找到能用100+个电芯做实验积累数据的。基于这些有限的条件，学术界仍然已经开始了很多研究，有了一些初步的结果，当然了预测的精度还是不够理想。比如Chemali就基于深度学习整了一个模型，通过深度学习当然可以从训练数据中鉴定出高度复杂的一些规律。(Chemali, E., Kollmeyer, P.J., Preindl, M., and Emadi, A. (2018).State-of-charge estimation of Li-ion batteries using deep neural networks: amachine learning approach. J. Power Sources 400, 242–255.)
但是基于这些以有的工作继续往前展望，它们中的很多并没有和深层次的物理的东西结合起来。而且它不能预测超过给它输入数据的东西，具有内插/内断性interpolative，而对于预测和外推(extrapolative)更宽更广的情景的要求常常就无能为力。此时，就不能只考虑数据分析了，必须把物理模型也给引入进来：基于物理机理建立的模型再经过好的数据训练的外推外延性就要好很多。
所以：基于统计上的数据结果提取然后来建立数据-数学的模型来预测电芯的逐渐老化已经不容易啦，而如果你想要进一步建立一个随机二元过程的预测模型（比如普通工况下的内短路），只会更难。而且：目前很多研究都是在极端的故意滥用的条件下来提取数据建模的，但是要把基于这些条件获得数据/模型反回来用到正常（工程）条件下使用的电池来预测可能就不太好用了（其失效有时有随机性和概率性，不见得能百分之百回溯到这些极端滥用的场景）。
所以作者在这的建议是：别只顾着用样品搞一大堆循环测试，把实际工作的时候的电芯/电池的数据提取出来分析才是最可行的，这些数据才是最大的财富，而且它们才是反映实际运行情况的代表性数据。而且现在随着实时数据监测RTM技术发展，法规对于监控的强制要求，汽车企业中的各种电池包中的探测器的建立和各种数据的大量采集，基于实际数据开始进行研究的基本条件其实已经逐渐具备了。
刚才说到了用每辆车的实际数据来研究分析，此时有一个挑战在于：每辆车一个用法一个工况，这样不同包、不同电芯之间的比较也是不容易。不过，针对这个问题目前也已经有了一些数据分析处理方法来把大量的不规律的信息处理让其更为线性。（Li, S., He, H., and Li, J. (2019). A cloud-based aging consideredvehicle-mounted lithium-ion battery management method: a big data perspective.In 3rd Joint International Conference on Energy, Ecology and Ll 328 Joule 5, 316–329,February 17, 2021 Perspective Environment and Electrical Intelligent Vehicles,pp. 181–184）
而且此时必须保证你选取的基础数据是对于我们要分析代表的场景有足够代表性（数据/研究方法毕竟具有interpolative的属性）。你得有验证的判据，来验证你这数据选的好不好能不能和物理机理结合好，能不能满足我们需要的尽量可以外推的extrapolative的要求。此外，如果数据量有局限，大的数据库常常要不太贵要不得不到，对此基于第一原理的高通量计算产生的数据库正在越来越重要，其可以用来训练神经网络，使我们获得的模型更为好用。
所以我们的这个模型要学术（物理）和应用（数据-BMS）两头跨 – 也就是说数据模型的物理考虑绝对不能少
所以说到最后：毕竟还是应该让物理模型做基础，以及数据驱动的预测必须要与物理解释相结合。所以此时我们需要模型可以在学术（物理层级）和应用（数据-BMS-云）方面两头跨，如下图所示。
刚才说了半天需要什么维度的物理数据，怎样不断改善模型和算法的精度，最后还是要强调一点：必须把物理模型引入数据驱动的预测中，来引导工程中的应用。
在考虑物理因素/机理方面，PDE偏微分方程是一个重点：因为安全相关的许多热/传质力平衡啊等方面，都可以用其来定量解释机理。如果传统的数据驱动的方法常常就把这些给绕过去了，有时生成的结论甚至会与这些基本的物理模型/原理相悖。
所以咋把物理机理公式与数据驱动的模型结合好呢？主要可以有：1）重新构建模型，使用数学方法来降低计算成本；2）使用数据驱动的方法来解高度非线性的偏微分方程。对于第二种方法，主要的工作思路是：把非线性公式引入，包括边界和初始条件，引入到数据驱动的模型中作为（物理）训练约束条件（有一堆文献说明了很多人在这方面已经做了一些工作）。反正好处就是：可以用更少的数据样本（也就更便宜）训练量来达到目标。如果一个模型其实是力热电等多因素耦合，就可以把整体的网络模型分解为几个物理因素单独的亚网络（力/电/热）然后来求解和建立联结。
接下来介绍了一堆在机器人/自动化领域的经验，总之就是机器学习在这些领域中用的已经比较多了，在电池中用的还比较少，所以对于数据科学领域的这些研究方法，我们可以借鉴别的领域已经有的成熟经验。
结语
本篇文章是是跨界性的，刘博也不太懂数据分析机器学习这些领域，但是读完以后也受了些启发，初步了解了跨界学科研究的一个总体情况和思路。物理模型和参数监控的完善可以帮我们更好的了解电池安全方面的问题和挑战，而大数据和计算这一现代社会中的利器在电池安全中的应用是很有希望产生重要影响的，就像其对很多其它领域的推动的变化一样有可能对电动汽车安全方面产生重要的影响，所以肯定是值得大家重点关注的未来发展方向。
但是如本文所述，这条路道阻且长，不论是数据的可获得性（ACCESSIBLE，很多研究者和企业没有足够的数据，想要所有人都获得数据更是很难达成的愿景），还是物理机理与数据模型的结合，还是从海量信息中精确提炼出特征信息来判断和完善模型并训练其具有最终外推判断的能力，都不是一件易事，需要跨学科的合作和大量的努力才能完成。
以及响应一下冯老师在文末的号召：大家应该一起建立开源的电池安全数据库，这样才能更好的方便在这方面全行业的技术的发展。
致谢
感谢冯老师的经典工作，感谢徐大哥推荐文章。感谢大家一直以来对弗雷刘的支持。祝各位牛年健康顺利，万事如意~
