《Green Energy and Intelligent Transportation》：Enabling certifiable eVTOL battery systems: model-based structural isolation of concurrent electro-thermal faults
編輯推薦：
本文針對電動垂直起降（eVTOL）飛機電池系統對“零失效容忍”的嚴苛要求，報道了一種基于模型的、結構解耦的電池模塊多故障診斷框架。該研究通過建立單體級電-熱耦合模型（ETCM）并構建四個最小結構過約束子系統（MSOs），生成了可解析解耦的殘差，實現了對短路（SC）、連接不良（PC）及多種傳感器故障等七類故障的系統性隔離與嚴重性評估。在并發故障場景下，該方法對4323種可能的故障組合中的85.5%實現了唯一識別，為下一代eVTOL電池系統實現可認證的多故障診斷能力提供了關鍵理論支撐。
隨著全球城市交通擁堵日益加劇，電動垂直起降（Electric Vertical Take-off and Landing， eVTOL）飛機因其巡航速度快、運行靈活和噪音排放低而成為一種極具前景的解決方案。作為其核心動力源，鋰離子電池必須滿足與航空標準相當的嚴苛可靠性要求。然而，與地面車輛不同，eVTOL系統運行在“零失效容忍”機制下，即使是微小的電池異常也可能危及飛行安全。因此，電池故障診斷不僅是防止電池熱失控的關鍵保障，更是eVTOL飛機獲得安全認證的前提。目前，現有的診斷方法存在兩個根本性局限：一是結構上依賴于單一故障假設；二是對航空工況下高倍率的電-熱耦合適應性有限。這些方法難以準確區分故障類型（如短路、連接故障或傳感器故障）并定位故障位置，更無法有效處理現實復雜環境中可能同時發生的多種并發故障，這極大地限制了其在實際工程中的應用價值。
為了應對這些挑戰，一項發表在《Green Energy and Intelligent Transportation》期刊上的研究提出了一種結構解耦的、基于模型的電池模塊診斷框架，旨在為下一代eVTOL電池系統實現可認證的多故障診斷能力鋪平道路。
研究者們開展這項工作的核心是開發一套集成的故障診斷方法。為了回答“如何在高倍率電-熱耦合條件下，實現多種類型、甚至并發電池故障的精確診斷與隔離”這一問題，他們主要運用了以下幾項關鍵技術方法：首先，建立了包含故障的電池模塊電-熱耦合模型（Electro-Thermal Coupling Model， ETCM），該模型結合了用于模擬電行為的2-RC等效電路模型（Equivalent Circuit Model， ECM）和用于表征熱動力學的集總參數熱模型。其次，采用遺傳算法（Genetic Algorithm， GA）對模型參數進行辨識，并通過擴展卡爾曼濾波器（Extended Kalman Filter， EKF）提升狀態估計的魯棒性。第三，基于結構分析理論，構建了四個獨立的最小結構過約束系統（Minimal Structurally Over-constrained Systems， MSOs），從而生成了四個可解析解耦的殘差生成器。最后，建立了殘差模式與故障類型之間的映射關系，并利用殘差進行故障參數估計。
以下是對該研究主要結果的歸納：
4.1. 模型校準
研究人員通過混合脈沖功率特性（HPPC）測試數據，使用遺傳算法（GA）辨識了2-RC ECM的參數。結果表明，經過參數辨識和擴展卡爾曼濾波器（EKF）校正的電-熱耦合模型（ETCM）在不同溫度（15°C， 25°C， 35°C）和不同放電倍率（1C， 2C， 3C， 4C， 5C）下，對電池端電壓和溫度的估計均表現出高精度，電壓估計的均方根誤差（RMSE）普遍低于10 mV，溫度估計RMSE低于0.5°C。這為后續基于模型的殘差生成提供了可靠的基準。
4.2. 多故障診斷
研究在2串2并（2S2P）電池模塊上驗證了所提方法的診斷性能。
- •
單故障診斷：該方法成功檢測并隔離了所有七類故障，包括短路（SC）故障、連接不良（Poor Contact， PC）故障、單體電壓傳感器故障、模塊電壓傳感器故障、單體溫度傳感器故障、支路電流傳感器故障和模塊電流傳感器故障。在單故障場景下，總體檢測率達到93.88%，并能對全部七類故障進行完整的隔離和參數估計。
- •
殘差靈敏度與故障估計：分析表明，不同殘差（r1， r2， r3， r4）對不同故障的敏感度不同，構成了獨特的故障特征。利用這些殘差，可以進一步估計故障的嚴重程度，例如計算短路電阻（Rsc）、連接不良附加電阻（ΔRi）以及各種傳感器的故障偏差。
- •
高倍率工況下的適用性：該方法在高達5C的放電倍率下，依然能夠有效診斷SC和PC故障，證明了其對eVTOL典型高功率工況的適應性。
- •
與基準算法的比較：與基于長短期記憶網絡（LSTM）和Transformer的數據驅動方法相比，所提出的基于模型的結構殘差方法在訓練數據有限、且需要處理未知并發故障的場景下，展現出更強的泛化能力和更高的診斷可靠性。
4.3. 并發故障診斷
這是該研究的核心亮點。研究在一個10串3并（10S3P）的模塊配置中進行了并發故障診斷的理論分析與驗證。面對高達4323種可能的雙故障組合：
- •
85.5%的故障對能夠被唯一識別（即完全隔離）。
- •
98.3%的故障對能夠被縮小到少于三個候選故障。
- •
僅1.7%的故障對無法被有效區分，這些主要是涉及相同位置傳感器的特定組合故障（例如，同一個單體的電壓和溫度傳感器同時故障）。
這一結果表明，所提出的結構殘差設計方法在復雜的并發故障環境下具有強大的診斷潛力。
本研究的主要結論和意義在于，它成功構建并驗證了一個基于電-熱耦合模型（ETCM）和最小結構過約束系統（MSOs）理論的結構解耦故障診斷框架。該框架的核心優勢在于其系統性和可解析性：通過精心設計的四個MSO子系統生成的殘差，在理論上與七類具體故障建立了清晰的映射關系。這不僅在單故障場景下實現了高精度的檢測與隔離，更重要的是，在極具挑戰性的并發故障場景下，依然能對絕大多數故障組合進行有效識別和候選集大幅縮減。
與依賴于大數據訓練和模式識別的數據驅動方法（如LSTM， Transformer）相比，這種基于模型的結構化方法不依賴于海量故障樣本，對未知并發故障組合具有更好的泛化能力。研究者強調，結構殘差設計，而非數據驅動的模式識別，對于在下一代eVTOL電池系統中實現可認證的多故障診斷能力至關重要。這項研究為eVTOL等高安全要求應用領域的電池管理系統提供了堅實的理論基礎和可行的技術方案，標志著電池故障診斷從傳統的閾值報警或單一故障識別，向系統化、可解析、適應并發場景的“可認證”級診斷邁出了關鍵一步。
