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，国家新能源汽车技术创新中心动力电池高级电池性能工程师王辰在本次大会上发表了主旨演讲。

 以下为演讲实录：

各位动力电池的同行们大家好，我是王辰，今天我给大家带来的报告是数字化工具在新能源汽车汽车动力电池上的应用。我的报告分四个部分，首先就是分析一下目前动力电池行业相关痛点，第二个部分就是说想简单阐述一下数字化工具是如何在动力电池研发生产过程中应用的。第三部分就是讲一下数字化工具是如何在动力电池使用过程中来应用。最后就是讲一下我们中心在动力电池未来的一些发展规划。

动力电池安全是目前一个比较重要的问题，动力电池发生起火爆炸的事故，同时因为电池在制造过程当中的工艺问题，一致性问题，常常会引起故障，它的这些预警包括之前的工艺一致性的技术水平的提高是一个比较重要的人民所需要解决的问题。第二个痛点就是充电效率以及里程焦虑，充电目前还是以一个小时左右的快充为主，里程也是，里程不一定会很准，基本上开到最后显示还有里程，其实已经没有了，这样的情况还会有。第三个痛点就是动力电池研发成本比较高，在做动力电池的时候，材料也好，正负极材料也好，隔膜电解液都是需要人们去大量的做试制实验再验证来确定到底是用什么材料比较合适。这样一个过程是需要很大的人力成本以及时间成本的。最后一个痛点，动力电池是没有后市场的评估方法，很难做到像评价这辆车目前剩余价值是多少的，因为人跟人不一样，衰退的老化过程也会产生很大的一个区别。如何把动力电池全生命周期的数据来利用起来，解决这些问题，这就是我们总结出来的动力电池全生命周期下的数据，从它的材料开始，到最后的回收，我们会回到这些数据，当然这块只是举一个例子，实际的数据会比这个多很多。

如何把这些数据，把数字化工具应用在动力电池研发生产过程中，用的主要是这几个数据，传统的动力电池研发像刚才我说的，元素配比，一开始的材料设计过程中元素配比，材料烧结步骤都是需要人们反复去尝试，需要大量的专业经验才能去实现的一个过程。到了设计阶段也是需要加入实验隔膜，包括电解液的浓度，搀杂物，包括配比都需要做大量的实验，即使做到这一步到真正的电芯量产过程当中，电芯的排布包括后面的参数的配比都是需要人们去进行反复的试制、验证的一个过程。在这个过程中我们会获得电池从材料设计到电芯制造的一些参数，这些参数能够帮助我们实现电池的材料仿真，电芯仿真到后面的工艺仿真，这些仿真过程就是属于动力电池孪生模型里的那个虚拟仿真的一个部分，这些虚拟仿真其实是可以帮助大大的减少在实际生产过程中的这么一个时间成本以及人力成本，可以帮助我们通过仿真结果来指导我们去如何设计材料，如何设计电芯，如何制造电池，这是比较流行的数字孪生模型的开发流程。

另外一个应用场景，我会用动力电池从设计到后面制造的一个全生命周期的数据，而不是只用于仿真软件，这些数据从一开始材料开始就可以通过不同的材料的数据来形成一个材料数据基因库，这个数据基因库里面可以有1万节的材料数据，这个数据筛选原来是通过人们去进行的，其实我们可以很好的把这些数据管理起来，通过人工智能数据挖掘机器学习的方法来帮助人们选择合适的材料来满足后面开发过程当中所需要的参数。在电池仿真过程当中也有很多仿真的虚拟数据的产生，对于虚拟数据的管理包括使用也是一个非常有必要的事情，这样能够帮助人们确定好如何搭建仿真模型，如何使用仿真模型的数据，来帮助后面的试制过程，产生的数据，这些真实的数据也可以反过来用来指导仿真流程的一个应用。在工艺制作过程当中也会产生一些数据，也会帮助人们所确定最好的一个工艺制作流程。整套的数据管理加使能的过程，在不久的未来会上升到云端，通过云端来进行电池的生产制造和控制，来指导实际的电池生产设计。

数字化工具如何用在电池使用过程当中，通过使用电池的使用过程当中的数据来评估一下电池当前的状态。这个应用场景还是非常广泛的，从主机厂、电池厂、二手车市场、车主、汽车租赁公司、电池梯次利用、充电桩企业到会有比较丰富的应用场景，主机厂电池的使用过程中的数据也是可以用来利用和判断出电池到底是不是符合你的应用场景的，二手市场电池的老化之后会对电池的剩余价值会带来很大的影响，通过动力电池评估技术能很好评估当前二手车的剩余价值，能够规范二手车市场的汽车定价，在保险公司也是同样的一个应用场景，当你的汽车需要定保的时候 是如何来确定保险的险额和种类，也是通过动力电池的状态来知道保险公司对不同的车主对不同的行车来进行不同的定价。车主最重要的也就是里程估计，车辆性能评估，可以给车主一个很直观的认识，就是你的爱车到底到现在是什么状态。包括后面的梯次利用，都会得到很好的利用，通过行车数据来评估当前的动力电池状态。

我们的技术主要是通过行车数据加上机顶模型的方法，首先拿到行车数据放到机顶模型里面能够实现动力电池的一个机顶模型的参数辨识，能够估算当时的SOH，我们通过得到这个SOH，相当于你有一个点，通过对原始数据的清洗和特征提取，能够反映出电池点逐渐下降过程当中的特点，这个过程就是特征提取的过程，通过特征提取、特征分类、特征降维注入到机器学习模型中能够得到一个回归的机器学习的结果，通过SOC估算加上机器学习结果互相验证能够帮助调整机器学习参数的一个准确性，提高机器学习的算法精度。

目前首先我们做的就是通过原始数据来拟合出一个目前比较准确的SOC、OCV曲线，因为现在目前得到的点就是十秒钟的点，比较难做到比较准确的OCV曲线的拟合过程，但是下一张图会展示出这个结果还是可以的，之后会对行车数据进行一些特征分类，来给车主进行行车的驾驶习惯的画像，来给它分类，到底是属于哪种驾驶习惯，通过这个行车的驾驶习惯分类加上SOH的一个估算的话，我们可以把整个历史的行车数据分为三个数据集，训练集、验证集和测试集，来测试这辆车的OCV曲线。我们可以加入很多车来做这个事情，来得到这一类车大概的曲线趋势。

通过不同的充换电点可以拟合出一根比较准确的OCV曲线，其实这个OCV曲线跟实际的比还是有一些差距的，我们通过增加车的样本数量，从一辆增加到二十辆OCV曲线是逐渐逼近于真实的电池包的OCV曲线的。这样就可以获得比较准确的OCV曲线，基于OCV曲线得到比较准确的不同时间段的SOH值。

基于SOH值通过机器学习方法得到类似回归的一个线性的衰减趋势，这个值我们也通过实际的测量来相比较是有一些误差。之后我们会从这一辆车扩展到N多辆车来看不同车的情况下整体的电池的衰减规律会出现什么情况。这张图就显示了在不同车的最大温差的情况下来看，吞吐量化越大的情况下，温差越大，这样的话就能够帮助得到这款车电池衰减的规律或者电池的变化规律，来给这款车进行一个状态评估的算法。

最后一部分讲一下我们国创中心在之后是如何用数字化工具来服务动力电池技术开发的，我们在西安建了一个分中心，这个分中心有数字化工具实验室，还有动力电池及储能电池动力电池技术开发，我们通过材料开发到后面行车上的所有数据来帮助我们提高动力电池研发的周期，减少研发周期，帮助预测动力电池在使用过程中的状态衰减。

以上就是我的报告，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！）