2021年9月15-17日，“第三届世界新能源汽车大会”（WNEVC 2021）在海南国际会展中心盛大召开，由中国科学技术协会、海南省人民政府、科学技术部、工业和信息化部、生态环境部、住房和城乡建设部、交通运输部、国家市场监督管理总局、国家能源局共同主办。本次大会以“全面推进市场化、加速跨产业融合，携手实现碳中和”为主题，邀请全球各国政产学研各界代表展开研讨。

在9月17日下午举办的主题峰会“动力电池关键技术及绿色高效产业生态构建”上，东软睿驰汽车技术（上海）有限公司总经理曹斌发表精彩演讲。

曹斌分享了智能化大数据在电池安全预警、电池寿命、能耗与热管理等方面的应用。大数据的分析可以有效提升对电池安全性、寿命和使用体验方面的理解，实现对电池风险预测和性能优化，以提高安全性，延长寿命，提升体验，支撑电池系统发展。

以下内容为现场致辞实录：

大家下午好！我是来自东软睿驰的曹斌，接下来我来分享一下关于大数据方面的一些情况。应该说对于新能源汽车的发展共识已经是非常清楚了，未来肯定会有越来越多的电动车上路和占有新车销售的这个份额，刚才我们长城的战略上也是未来会有非常多的车卖到市场上。

当然这个过程中因为我们一直在体会，电动车跟传统燃油车最根本的一个差别就是能量的供给系统，也就是说我们电池这一部分，电池应该说到现在已经形成产业化和规模化的发展，但是至少从我们专业的角度来看，里面仍然还会有一些课题或者说一些痛点问题还没有完全消除或者说屏蔽掉，我也经常跟我们做电池的同行去交流，一旦这个车量产了以后或者说大批量上市以后，内心的焦虑感还是一直存在的，随着量越来越大，他可能会越来越睡不着觉，越来越担忧这件事情，这个里面可能会有几个方面的问题：

一个是安全性，起火、燃烧等等这一类的高风险事件。还有一个是寿命问题，可能头一年还不错，第二年还可以，后面陆续出现一些投诉和不达标的情况，不同气候条件下，比如说冬季续航大幅度衰减，还有二手车的问题，由于对电池的担忧，或者说由于它的这种寿命下降使得它的估值或者说二手车的价值以及再利用方面会有非常多说不清楚的问题。

所以我们也是一直在思考，行业怎么去解决这些问题呢？从电池的工艺、水平、生产制造和质量等方面去提升，也有的是从整车设计、电池包的设计方面去防止这些问题的出现，整个行业确实在这些方面都在不断地进步和发展。还有一个方面我们在思考说，从数据的分析角度，或者说我们来换一个角度看，我们现在所面临的问题是不是可以用这样的方法彻底去解决呢？比如说今年我们也还会出现一些全球范围的大规模召回事件，一些国际的车企可能大体量的有一些电动车去召回，原因也是一些安全上的问题，但这些问题其实我们来看，电动车电池原因的召回跟油箱或者说一些传统车的零部件问题的召回是不是同样一个问题呢？

可能我们有同样的思维方法，但是可能问题的本质有差别，比如我们说有一些传统的机械部件的设计可能确实是缺陷，只要有这种工况出现它就会出问题，电池的问题会有一些不可检知的，在全生命周期里面有一些低概率事件存在，比如说一个全球性的车企，它有可能生产了10万台车一年，按典型值来算，一台车有100只电池的话那就是1千万只电芯，如果我们看PPM的话，个位数就是10只电芯会有一定的问题，但是我们说PPM还可以做得更好，我们通常说的PPM是指说到量产点的时候，到市场上零公里，这是一个问题，但我们现在说的PPM是全生命周期的，这个电池从上市装车一直到生命终止，它的这个过程中没有缺陷，按这个来算其实是蛮难的一件事情。

有些缺陷是在生产终点可以检测出来，有些缺陷很小，比如说微小的异物、隔膜的缺陷、毛刺等等，这些可能在生产产线的终点的时候你看不到，但是有可能在生命周期里面不断地恶化、演变，最后变成一个起火事件。所以它的这个问题有可能1千万台里面有10只，这10只可能在头两个月着了一只，再过两个月再着一只，可能这个车企会觉得说这个电池没有办法证明剩下的那几百万只都是好的，所以我们把它召回吧，这是一个非常复杂的传统的思维方法，你不能证明后面是不是都有问题的，所以把它们都召回来。

但实际上我们把这10只在市场上通过某种手段找出来，剩下的都是挺好的，所以我认为我们在看待这种召回问题和质量问题的时候，可能会有一些不同的思考方法。我们东软睿驰有一个大数据团队，16年就开始做这个方面的研发工作，所以我们可能对于电池的安全、寿命还有使用体验方面，对这些本质的问题做一些分析和研究，去研究说到底如何把这10只找出来，如何去分析这个电池寿命衰减的这种状况，或者说当我们进入到二手车市场的时候，我们如何去判断这个电池、还能不能预测出它还有多长的寿命是可以使用的，当然也包括说冬季能不能效率更高一点，里程的衰减更少一点。

那我们随着研究的深入发现，随着数据分析的应用，我们觉得有些问题是可以改善和提高的，甚至是可以有一个大幅度的变化。这个里面是我们做的一个其中最基础的工作，就是基于我们叫领域模型，这个领域模型就是我们知道热失控的原理，有可能是内短路的，有可能内阻发生了一些变化等等，我们通过这种化学和物理这些方面的数学分析，建立数学模型，然后去找到它的指标，从这个海量数据里面把有可能发生的这种模型的状态给提取出来，我们就有可能在海量的电池里面把有潜在缺陷的电芯找出来，把它召回。这个里面我们也有很多的案例，确实通过我们的数据分析能够找到内部的一些异物的情况，找到这些有问题的电芯，然后把它替换掉。

另外一方面我们也发现故障的原因是多种多样的，并不能完全归类到我们既有的体系和模型里面去，所以我们也建立了深度学习的方法，不光是基于现有的模型，也基于海量的数据，通过半监督训练的方式，建立一个更加智能化的数学模型，通过这样的数学模型，能够把已知和未知的问题，都能够在一定程度上把这些有潜在风险的电芯提前筛选，这些筛选比如说在百万只甚至更大规模的电池系统里面，能够把若干比例的，可能是百只或者是几十只这些电芯提前进行定位，这些定位里面有些可能是在我们的事实库里面能够知道是什么原因的，有些已经表现出故障了，但是有些我们还不知道是什么原因，说到底是什么问题，有没有问题可能也不是很清楚，但是它是可疑的，我们把它召回来进行分析和检正，进一步修正我们的数学模型。

通过这样的一些长期训练和结果，我们可以针对一款或者是特定的某一个车型建立一个知识体系，使得它终生的这种数据保证车辆在使用过程当中能够在一个比较安全的，或者说更加安全的状态，我们认为每一个电芯有可能它由于先天的缺陷或者说是由于使用中的一些撞击冲击导致内部缺陷逐渐形成和演化，我们是不是可以在这个演化逐渐加速到不可收拾之前把它发现提取，把它找出来。这个使得我们整个电动车的使用过程中，虽然它也是一种带缺陷的状态，但是有缺陷的我们就把它叫回来替换掉，属于一种相对来说不会处于产生激烈问题的状态。

还有一个就是寿命问题，其实这是一个更复杂的问题，我们前面也提到了寿命问题是一个多维的非线性系统，也就是说它不可预测，会由于外界很多种因素导致这个演化的结果会走到不同的曲线上去，会越来越发散，这是一个非常典型的非线性课题。我们也在不断地建立我们相应的数学分析的基础，包括最基本的一些安时积分的方法和等效电路的方法，同时我们也基于深度学习的一些模型去预测和分析我们这个电池的寿命走势。

基于这样的分析我们会把诸多的方法融合到一起，建立一个更融合化的寿命预测模型，我们叫融合的SOH估算体系，这个体系可以控制在1.5的精度范围内，对于SOH来说这个也是蛮高的数值，同时也可以找到一些离群的点，这个也是可以支持安全性和故障的分析。

同时我们也在数据实时分析过程当中，把我们平时电芯企业在实验室里面做的方法用到大数据里面，去找到产生相应衰减的内在机理方面的变化，比如说活性物质的损耗，我们会把这些数据结合到我们的知识体系，找到一款具体的电芯，分析它的内在活性物质或者跟寿命有关的因素它衰减了多少。同时我们就可以做到更好的一个预测。我们也会根据它使用的历史数据去匹配，用户的哪些使用习惯、用户什么样的行为模式对于它的这些内在寿命因素差距了一些重大的影响，我们再去做一些相应的匹配和分析，最终会确定说具体的某影响因子，比如说充放电的习惯、出行习惯和驾驶的模式等等，这些模式可能对寿命的影响因子有多少，最后做个排列，针对这一款电芯、这一款车它的主要影响因子都是哪些，分别占的比例是多少。

那这会产生一些好的结果就是说，一方面我们对于寿命可以更精准地去计算，另一方面我们对于寿命的预测可以有相应的方法，比如说我们知道它的行为模式，也知道当前的寿命情况，我们去进行推导，我们可以知道这一款车可以用多久，同时当我们把这一款车去进行二手车销售的时候，可能我们也会更加清楚地知道，比如原来是个私家车，可能每天使用的里程很少，当我们把它转换成网约车的话，它的驾驶模式会发生变化，我们可以比较精准或者说清楚地计算出这一款车适不适合继续做网约车，它可以用网约车跑多少公里、多少年。

再进一步说这个电池回收下来，进入到二次利用的市场，二次利用市场使用的模型也可以很清楚地去预测，带到我们的平台里面，我们可以知道说具体一款车在二手车市场里面可以用到什么情况，它的价值是什么样子的。所以对于一款具体的车型来说可能有几十万台车，如果这些车都做二手市场或者说回收利用的话可能就是给你一个机会，你可以优先去选择，如果我们有这样的一套系统，你确实可以把里面高价值剩余的车筛选出来，相对来说经济模型会变得更加有效。

再一个就是我们看到的热管理和系统设计方面的修正，比如说我们对于电池的加热和在冬季使用中的一些功率控制，当我们对于一台车在特定工况下的数据分析出来它的能量损耗在哪些方面，比如说使用在行驶中还是驾驶舱的加热或者说在电池加热里面，同时再结合我们温度输出与功率之间的关系，其实可以做冬季里程比较好的优化方案，我们可以通过这种加热策略的调整，可以提升大概20%-30%的里程状态。

当然我们也在前面看到了，大数据的分析确实对于电池安全性、寿命和使用体验方面的理解可以更加多层次、多维度的变化。同时我们认为说，可能过去我们用传统车的方法，我们有一个部件，这个部件加上一个电子控制系统，加上软件和策略它就应该是一个可靠系统，同样的思路对于电池来说可能是不充分的，从现在的角度来说，我们认为可能对于一个电池系统，它确实需要一个好的电池，一个好的控制BMS，同时还应该有一个全生命周期一直在线的大数据分析系统，这个应该对于电池来说是必要的，或者我们认为未来都应该是这样的一种形态，那我们建立电池的知识，通过数据分析和监控，包括我们后续进一步调整动态BMS的策略，对于延长电池寿命和使用感受都会有很大的帮助。

同时，我们现在也与一些电池企业合作，把生产过程当中的数据导入到大数据平台，我们可以根据车的实际寿命变化和缺陷的一些分析，反过来去看生产过程当中哪些因素对这些方面有影响。很多时候我们发现看不出来哪些因素有影响，说明反过来会有另外一个问题就是说，我们的这个生产过程当中数据的监控系统可能还不足以分析出来我们现在能导致的一些安全和寿命问题的缺陷，这方面还需要进一步引入一些生产数据监控的平台。

最后再介绍一下东软睿驰在这个方面做的技术情况。一方面，我们2016年开始做大数据分析团队工作，到目前积累了大概有50多万台车的数据，给若干家的车企和电池企业提供大数据分析系统，同时东软睿驰也做电池包和BMS系统开发，所以我们对于全链条策略的管控包括售后服务的系统，其实也都积累了非常多的经验和这些过程中的数据，对于我们不断地提高整个系统的完善度其实是有很大帮助的，同时我们也在与一些客户去合作，探讨说如何去把数据导入到设计过程中去优化它的整车设计和策略，优化它的电池生产和制造的环节以及电池包的一些设计环节，这些方面也在过程中不断去产生价值，我们这些过去已经形成了一些经验和方法，目前也已经实现了一些产品化，比如说我们的大数据监控平台变成了产品可以直接交付给客户去使用，非常短的时间就可以匹配到一台车和特定的电池直接上线去运行。

同时我们也在构建车云一体的BMS系统，随着电池使用周期和场景的变化，可以更加针对性地调整，使得它的寿命安全性和使用感受能够得到更好的保证，以上就是我今天分享的一些信息，谢谢各位！

（注：本文根据现场速记整理，未经演讲嘉宾审阅）