《Green Energy and Intelligent Transportation》：Enabling certifiable eVTOL battery systems: model-based structural isolation of concurrent electro-thermal faults
编辑推荐：
本文针对电动垂直起降（eVTOL）飞机电池系统对“零失效容忍”的严苛要求，报道了一种基于模型的、结构解耦的电池模块多故障诊断框架。该研究通过建立单体级电-热耦合模型（ETCM）并构建四个最小结构过约束子系统（MSOs），生成了可解析解耦的残差，实现了对短路（SC）、连接不良（PC）及多种传感器故障等七类故障的系统性隔离与严重性评估。在并发故障场景下，该方法对4323种可能的故障组合中的85.5%实现了唯一识别，为下一代eVTOL电池系统实现可认证的多故障诊断能力提供了关键理论支撑。
随着全球城市交通拥堵日益加剧，电动垂直起降（Electric Vertical Take-off and Landing， eVTOL）飞机因其巡航速度快、运行灵活和噪音排放低而成为一种极具前景的解决方案。作为其核心动力源，锂离子电池必须满足与航空标准相当的严苛可靠性要求。然而，与地面车辆不同，eVTOL系统运行在“零失效容忍”机制下，即使是微小的电池异常也可能危及飞行安全。因此，电池故障诊断不仅是防止电池热失控的关键保障，更是eVTOL飞机获得安全认证的前提。目前，现有的诊断方法存在两个根本性局限：一是结构上依赖于单一故障假设；二是对航空工况下高倍率的电-热耦合适应性有限。这些方法难以准确区分故障类型（如短路、连接故障或传感器故障）并定位故障位置，更无法有效处理现实复杂环境中可能同时发生的多种并发故障，这极大地限制了其在实际工程中的应用价值。
为了应对这些挑战，一项发表在《Green Energy and Intelligent Transportation》期刊上的研究提出了一种结构解耦的、基于模型的电池模块诊断框架，旨在为下一代eVTOL电池系统实现可认证的多故障诊断能力铺平道路。
研究者们开展这项工作的核心是开发一套集成的故障诊断方法。为了回答“如何在高倍率电-热耦合条件下，实现多种类型、甚至并发电池故障的精确诊断与隔离”这一问题，他们主要运用了以下几项关键技术方法：首先，建立了包含故障的电池模块电-热耦合模型（Electro-Thermal Coupling Model， ETCM），该模型结合了用于模拟电行为的2-RC等效电路模型（Equivalent Circuit Model， ECM）和用于表征热动力学的集总参数热模型。其次，采用遗传算法（Genetic Algorithm， GA）对模型参数进行辨识，并通过扩展卡尔曼滤波器（Extended Kalman Filter， EKF）提升状态估计的鲁棒性。第三，基于结构分析理论，构建了四个独立的最小结构过约束系统（Minimal Structurally Over-constrained Systems， MSOs），从而生成了四个可解析解耦的残差生成器。最后，建立了残差模式与故障类型之间的映射关系，并利用残差进行故障参数估计。
以下是对该研究主要结果的归纳：
4.1. 模型校准
研究人员通过混合脉冲功率特性（HPPC）测试数据，使用遗传算法（GA）辨识了2-RC ECM的参数。结果表明，经过参数辨识和扩展卡尔曼滤波器（EKF）校正的电-热耦合模型（ETCM）在不同温度（15°C， 25°C， 35°C）和不同放电倍率（1C， 2C， 3C， 4C， 5C）下，对电池端电压和温度的估计均表现出高精度，电压估计的均方根误差（RMSE）普遍低于10 mV，温度估计RMSE低于0.5°C。这为后续基于模型的残差生成提供了可靠的基准。
4.2. 多故障诊断
研究在2串2并（2S2P）电池模块上验证了所提方法的诊断性能。
- •
单故障诊断：该方法成功检测并隔离了所有七类故障，包括短路（SC）故障、连接不良（Poor Contact， PC）故障、单体电压传感器故障、模块电压传感器故障、单体温度传感器故障、支路电流传感器故障和模块电流传感器故障。在单故障场景下，总体检测率达到93.88%，并能对全部七类故障进行完整的隔离和参数估计。
- •
残差灵敏度与故障估计：分析表明，不同残差（r1， r2， r3， r4）对不同故障的敏感度不同，构成了独特的故障特征。利用这些残差，可以进一步估计故障的严重程度，例如计算短路电阻（Rsc）、连接不良附加电阻（ΔRi）以及各种传感器的故障偏差。
- •
高倍率工况下的适用性：该方法在高达5C的放电倍率下，依然能够有效诊断SC和PC故障，证明了其对eVTOL典型高功率工况的适应性。
- •
与基准算法的比较：与基于长短期记忆网络（LSTM）和Transformer的数据驱动方法相比，所提出的基于模型的结构残差方法在训练数据有限、且需要处理未知并发故障的场景下，展现出更强的泛化能力和更高的诊断可靠性。
4.3. 并发故障诊断
这是该研究的核心亮点。研究在一个10串3并（10S3P）的模块配置中进行了并发故障诊断的理论分析与验证。面对高达4323种可能的双故障组合：
- •
85.5%的故障对能够被唯一识别（即完全隔离）。
- •
98.3%的故障对能够被缩小到少于三个候选故障。
- •
仅1.7%的故障对无法被有效区分，这些主要是涉及相同位置传感器的特定组合故障（例如，同一个单体的电压和温度传感器同时故障）。
这一结果表明，所提出的结构残差设计方法在复杂的并发故障环境下具有强大的诊断潜力。
本研究的主要结论和意义在于，它成功构建并验证了一个基于电-热耦合模型（ETCM）和最小结构过约束系统（MSOs）理论的结构解耦故障诊断框架。该框架的核心优势在于其系统性和可解析性：通过精心设计的四个MSO子系统生成的残差，在理论上与七类具体故障建立了清晰的映射关系。这不仅在单故障场景下实现了高精度的检测与隔离，更重要的是，在极具挑战性的并发故障场景下，依然能对绝大多数故障组合进行有效识别和候选集大幅缩减。
与依赖于大数据训练和模式识别的数据驱动方法（如LSTM， Transformer）相比，这种基于模型的结构化方法不依赖于海量故障样本，对未知并发故障组合具有更好的泛化能力。研究者强调，结构残差设计，而非数据驱动的模式识别，对于在下一代eVTOL电池系统中实现可认证的多故障诊断能力至关重要。这项研究为eVTOL等高安全要求应用领域的电池管理系统提供了坚实的理论基础和可行的技术方案，标志着电池故障诊断从传统的阈值报警或单一故障识别，向系统化、可解析、适应并发场景的“可认证”级诊断迈出了关键一步。
