封面文章|上海交通大学王冬副教授团队：从PHM的关键步骤看锂离子电池PHM研究进展|CJME论文推荐

引用论文

Kong, J., Liu, J., Zhu, J. et al. Review on Lithium-ion Battery PHM from the Perspective of Key PHM Steps. Chin. J. Mech. Eng. 37, 71 (2024). https://doi.org/10.1186/s10033-024-01055-z

(戳链接，下载全文)

*本文为CJME2024年4期封面文章

1

研究背景及目的

在工业4.0的背景下，预测和健康管理(PHM)得到了相当大的关注。电池PHM有助于电气设备的可靠和安全运行。然而，相关综述仍有不足之处。本文从电池PHM的关键步骤出发，系统地回顾了近年来电池PHM的研究进展，为研究人员和实践者提供了一些有价值的展望。

电池PHM是近几十年来电池成为主流储能组件的新兴课题。电池因其高密度、环保、重量轻等特点，在现代设备中得到了广泛的应用，尤其是锂离子电池。有大量的电子设备，如智能手机、电动汽车(EV)、无人机、储能系统等。电池作为驱动电源，是电子设备中最重要的部件，电池的健康状况直接决定了设备能否正常运行。电池驱动的电子设备往往是复杂的，因为它涉及到电化学，电学，甚至力学。同样，电池PHM包括健康状态估计与预测、故障诊断、电池维护等。首先，健康状态(SOH)和剩余使用寿命(RUL)是近期文献中备受关注的电池健康状态主题。SOH表示相对放电容量与额定容量的比较。此外，随着电动汽车事故的频繁发生，电池故障诊断受到越来越广泛的关注，如热管理、电压故障、内部短路检测等。准确的电池故障诊断对于保证电池和电子设备的安全可靠运行有着重要的地位。相对来说，电池维护受到的关注较少，还有很多空间需要探索，如预测性维护。

2

研究方法

在本文中，我们查阅了2018~2023年与电池PHM相关的大量文献，总结了电池PHM领域的进展，包括：(1)电池测试和公共数据集，(2)故障诊断和预测方法，(3)健康状态估计和健康管理方法。最后一个方面包括健康状态估计方法、剩余使用寿命预测方法和预测性维护方法。对每种方法进行了详细的分析。基于调查结果，我们相应地讨论了电池PHM存在的挑战，并总结了未来的研究机会。

在本文中，第2章首先介绍了电池的测试方法和电池的公共数据集，这是电池PHM的基础。其次，介绍了电池PHM的两个重要组成部分。第3章中简要介绍了电池故障诊断和预测。第4章介绍了电池健康状态的估计和预测方法。最后，第5章讨论了电池PHM的挑战和未来的研究机会。最后一部分总结了本文的结论。

Figure 1 Review of battery testing methods

Figure 2 Schematic diagram of ECM

3

结果

在人工智能等新技术的帮助下，电池PHM具有良好的前景。本文分别从电池PHM的主要步骤对电池PHM进行了系统的综述。分析了大量的出版物，回顾了最近六年(2018~2023)电池PHM的最新发展。

主要研究发现如下:

(1)首先，电池测试和电池数据集作为电池PHM的基础至关重要。综述了电池的各种测试方法，包括一般电性能测试、寿命周期测试、安全性和可靠性测试。由NASA ProE领导的学术和工业机构的公共数据集被收集。分析每个数据集的特征和特征，为研究人员提供方便。虽然有很多实验性的公共数据集，但更多的车载电池数据集的需求。

(2)其次，回顾了电池的诊断和预测方法。电池故障可分为电池外部故障、电池内部故障和热失控三大类;电池诊断与预测方法可分为基于模型和实验的方法和数据驱动的方法。应该探索更强大、更可靠的诊断和预测方法，以最大限度地降低安全风险。

(3)讨论了SOH估计方法和RUL预测方法。它们通常包括数据驱动方法、基于模型的方法和混合方法。随着大数据时代的到来，数据驱动方法得到了快速发展，因此本文主要对数据驱动方法进行研究。预测性维护方法正在发展中，并将在不久的将来成为一种趋势。未来的电池PHM将更加智能化、自动化和自适应。结合人工智能、物联网、云计算等新技术，电池PHM将迈上新台阶。

4

结论

随着人工智能和云计算的快速发展，对电池PHM提出了更高的要求。同时也为今后的研究提供了发展机遇。

未来的研究机会总结如下:

(1)借助大数据云平台，可以实现在线、远程电池PHM。将电池PHM与物联网(IoT)相结合，将实现电池PHM系统的网络化和智能化。

(2)混合预测方法和基于物理信息的数据驱动方法具有较强的鲁棒性和通用性，将在未来电池PHM中发挥重要作用。

(3)新型的无损检测技术和先进的高精度传感器是电池PHM日益增长和迫切的需求。

(4)数字孪生技术在电池PHM中的应用值得探索。电池数字化建模将使电池PHM更加准确可靠。可以进一步促进设备全生命周期数字化管理的实现，降低运维成本等。

(5)边缘计算的发展将为数据驱动电池PHM算法提供所需的计算能力和历史数据。

(6)变换学习，如领域自适应，使算法能够服务于各种模型和电池。

5

前景与应用

本文可以为电池PHM的发展提供一些思路，为相关领域的学者和工业届上下游的企业等人员提供一些指导，促进电池健康管理的快速发展。

相关文章/图书推荐

[1] R Xiong, L Li, J Tian. Towards a smarter battery management system: A critical review on battery state of health monitoring methods [J]. Journal of Power Sources, 2018, 405: 18-29.

[2] K A Severson, P M Attia, N Jin, et al. Data-driven prediction of battery cycle life before capacity degradation [J]. Nature Energy, 2019, 4(5): 383-391.

[3] J Lee, F Wu, W Zhao, et al. Prognostics and health management design for rotary machinery systems—reviews, methodology and applications [J]. Mechanical Systems and Signal Processing, 2014, 42(1-2): 314-334.

[4] R Gouriveau, K Medjaher, N Zerhouni. From prognostics and health systems management to predictive maintenance 1 [M]. 2016.

[5] Y Lei, N Li, L Guo, et al. Machinery health prognostics: A systematic review from data acquisition to rul prediction [J]. Mechanical Systems and Signal Processing, 2018, 104: 799-834.

作者团队介绍

王冬（通讯作者），博士，国家特聘青年专家，上海交通大学机械与动力工程学院工业工程与管理系副教授、博导。致力于智能运维与大数据分析研究，研究成果应用于航天五院、华为、联想、西部数据、上海电气、秦山核电、中国核动力、上海核工程等企业合作中，获2023年中国发明协会“发明创业奖项目奖”金奖。受聘担任IEEE Sensors Journal DATP专题主编，Mechanical Systems and Signal Processing、IEEE Transactions on Instrumentation and Measurement、Measurement、Journal of Dynamics Monitoring and Diagnostics副主编。所指导的学生获首届国家自然科学基金青年学生基础研究项目(博士生)、科创竞赛全国特等奖和一等奖4次、上海交通大学学术之星提名2人、国际会议Best Paper Award等荣誉。

孔金震（第一作者），博士，河北工业大学机械工程学院讲师、硕导，河北工业大学“元光学者”、河北工业大学机械工程学院“兴冀青年拔尖人才”。2023年于上海交通大学获得博士学位，长期从事设备故障预测及健康管理、动力电池健康状态评估及寿命预测理论与方法、智能运维与大数据分析等研究，主持国家自然科学基金青年基金1项、天津市科研项目1项、校企合作横向项目1项，作为学术骨干参与包括国家重点研发计划、国家自然科学基金创新群体项目、国家自然科学基金等多项国家级课题。发表SCI论文10余篇，出版英文专著1章，获批国家发明专利授权2项。获得上海市优秀毕业生、黑龙江省三好学生、第十六届“东风日产杯”全国工业工程应用案例大赛一等奖、第五届上海市工程管理创新大赛一等奖、首届全球应用算法实践典范大赛BPAA全场大奖、第十七届“华为杯”中国研究生数学建模竞赛二等奖等。担任Mechanical Systems and Signal Processing、IEEE Transactions on Transportation Electrification、IEEE Sensors Journal等10余个国际学术期刊审稿人。

团队研究方向

稀疏测度与复杂性测度理论基础研究

性能退化评估可解释数据融合方法学研究

寿命预测统计概率理论和方法学研究

信号处理与统计学习结合方法学研究

运筹学数学优化智能决策研究

近年团队发表文章

[1] Dong Wang#, Zhike Peng, and Lifeng Xi. "Theoretical and experimental investigations on spectral Lp/Lq norm ratio and spectral Gini index for rotating machine health monitoring." IEEE Transactions on Automation Science and Engineering 18 (2020): 1074-1086.

[2] Dong Wang#, Bingchang Hou, Tongtong Yan, Changqing Shen, and Zhike Peng. "New statistical learning perspective for design of a physically interpretable prototypical neural network for machine condition monitoring." Mechanical Systems and Signal Processing 188 (2023): 110041.

[3] Bingchang Hou, Dong Wang#, Jin-Zhen Kong, Jie Liu, Zhike Peng, and Kwok-Leung Tsui. "Understanding importance of positive and negative signs of optimized weights used in the sum of weighted normalized Fourier spectrum/envelope spectrum for machine condition monitoring." Mechanical Systems and Signal Processing 174 (2022): 109094.

[4] Jin-Zhen Kong, Dong Wang#, Tongtong Yan, Jingzhe Zhu, and Xi Zhang. "Accelerated stress factors based nonlinear Wiener process model for lithium-ion battery prognostics." IEEE Transactions on Industrial Electronics 69 (2021): 11665-11674.

[5] Tongtong Yan, Dong Wang#, Tangbin Xia, Ershun Pan, Zhike Peng, and Lifeng Xi. "Online piecewise convex-optimization interpretable weight learning for machine life cycle performance assessment." IEEE Transactions on Neural Networks and Learning Systems 35 (2024): 6048 - 6060.

[6] Bingchang Hou, Min Xie, Hong Yan, and Dong Wang#. "Impulsive mode decomposition." Mechanical Systems and Signal Processing 211 (2024): 111227.

[7] Tongtong Yan, Dong Wang#, Tangbin Xia, and Lifeng Xi. "Novel anchor discrimination learning for physics-informed machine degradation modeling." IEEE Transactions on Reliability 73 (2024): 357 - 369.

[8] Jie Liu, Bingchang Hou, Ming Lu, and Dong Wang#. "Box-Cox transformation based state-space modeling as a unified prognostic framework for degradation linearization and RUL prediction enhancement." Reliability Engineering & System Safety 244 (2024): 109952.

[9] Bingchang Hou, Dong Wang#, Tongtong Yan, Yi Wang, Zhike Peng, and Kwok-Leung Tsui. "Gini indices II and III: Two new sparsity measures and their applications to machine condition monitoring." IEEE/ASME Transactions on Mechatronics 27 (2021): 1211-1222.

[10] Tongtong Yan, Dong Wang#, Jinzhen Kong, and Zhongxiao Peng. "Large margin-learning methodology from time-frequency maps and its physically interpretable weights for simultaneous machine health monitoring and fault diagnosis." Mechanical Systems and Signal Processing 200 (2023): 110615.

作 者：孔金震

责任编辑：谢雅洁

责任校对： 向映姣

审 核：张 强

JME学院简介

JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。

欢迎各位老师扫码添加小助理-暖暖为好友，由小助理拉入JME学院官方群！

欢迎关注JME学院视频号~

寻觅合作伙伴

有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。

感谢关注我们！《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！

版权声明：

本文为《机械工程学报》编辑部原创内容，欢迎转载！

在公众号后台留言需要转载的文章题目及要转载的公众号ID以获取授权!

联系人：暖暖

电话：010-88379909

E-mail：jme@cmes.org

网 址：http://www.cjmenet.com.cn

官方微信号：jmewechat