专访洪吉超｜大数据驱动的动力电池全寿命周期智能安全管理

北京科技大学机械工程学院洪吉超副教授团队近期在《科技导报》发表《电动汽车热失控事故引发的智能动力电池发展与思考》（2026, 44(15): 34-44）。洪吉超多次强调一个核心判断——“数据定义安全”：动力电池的安全管理，正从基于经验阈值与实验室标定的被动防护，走向基于海量实车运行数据的主动预警与智能决策。围绕这一判断，他回答了以下问题。

洪吉超

北京科技大学机械工程学院、北京科技大学顺德创新学院，副教授，研究方向为动力电池安全管理。

您提出“数据定义安全”是动力电池智能安全管理的核心命题。当前这一领域的研究主要聚焦哪些方向？各自着力解决的核心科学问题是什么？

洪吉超：电池安全研究的主线，正在从“把电池做得更安全”，走向“把电池每一刻的状态都看清楚”。当前研究大体聚焦三个方向：

第一个方向是多物理场原位感知。传统管理系统只能看到电压、电流、温度这些“外围参数”，看不到应力、气体析出、微结构损伤等更早出现的内部异常信号。这个方向着力解决的核心科学问题是：如何在车规级可靠性、成本与封装约束下，把“体征传感器”装进电池单体或模组内部，让早期异常可被看见、可被量化。

第二个方向是数据驱动的状态估计与故障诊断。它的科学问题不是“如何读出参数”，而是“如何读懂状态”——在实车工况复杂、数据含噪、事故样本天然稀缺的条件下，给出高精度、带不确定性边界且机理上可解释的SOC、SOH、RUL估计与风险判断。

第三个方向是热失控的全链条预警与溯源。热失控通常经历局部异常、热源累积、失控触发、热蔓延四个阶段，这个方向的核心思路是把这条链条“倒过来用”：从历史事故反演中提炼前兆特征，再正向用于事前预警，让“事后归因”的知识转化为“事前预测”的能力。

动力电池安全管理的研究已有多年积累，但热失控事故仍时有发生。您认为当前技术路径上的核心瓶颈在哪里？

洪吉超：制约当前技术路径的，不是“知道什么参数会出问题”，而是“能否从海量实车数据中及时、准确地读出风险”。瓶颈可以从三个层面看：

感知层面，车规量产条件下的多物理场原位传感仍然缺位。实验室里测量应力、气体、内部温度早已不是难题，但模型要上车，必须过可靠性、寿命、封装、成本四道关。这使车载系统长期停留在“隔皮猜瓤”的水平——看得见电压异常时，往往已经错过了最早的干预窗口。

数据与算法层面，问题不是数据少，而是信号弱、样本稀、噪声大。热失控是秒级演化的过程，而现行框架下整车向平台上传数据的典型周期是30秒级，中间的大量细节被稀释；事故样本天然稀少，正样本不足让预警模型难以训练；实车数据还普遍存在标签缺失、工况混杂的问题。

工程与验证层面，预警系统面临“误报与漏报”的两难——误报会透支用户信任、淹没真实告警，漏报则代价极高。而预警性能至今缺乏公认的评价标准和测试规程；车载算力、功耗与功能安全法规，又对复杂模型上车提出了苛刻约束。

需要说明的是，我国的安全数据基础设施已是全球领先：新能源汽车保有量已超过4000万辆，依据GB/T 32960建设的新能源汽车国家监测与管理平台接入车辆同样超过4000万辆。2024年新能源汽车起火率已降至约万分之0.175，约为同期燃油车的三分之一。安全水平总体向好，但社会对电池火灾的容忍度极低、单起事故的后果烈度极高——这要求我们必须朝“接近零”的方向努力，而瓶颈恰恰在“把数据变成判断”这一环。

您在实车大数据驱动的电池安全预警方面取得了多项成果。能否介绍一下核心技术路径上的创新？

洪吉超：我们的思路可以概括为一句话：让预警“长”在事故规律上，而不是只长在统计阈值上。具体有四条技术路径：

一是从“单点告警”走向“多层演化跟踪”。基于海量实车运行数据，构建单体—模组—整车多层特征体系，重点跟踪一致性离散、内阻漂移、自放电异常等不易察觉的渐变信号——目标是识别“正在走向失控”的电池，而不是只报告“已经失控”的电池。

二是物理可解释的混合建模。把电—热—力—气多物理场机理与数据驱动方法结合，异常不再是一个说不清原因的黑盒输出，而是能够反推到“哪颗电芯、哪个物理过程出了问题”，便于工程处置，也为事后责任溯源保留了证据链。

三是事故反演反哺预警。这是我们认为最关键的一环：把历史起火与热失控事件按四阶段链条逐段反演，将“事后证据”转化为“事前特征”标签，用来缓解事故样本稀缺这一行业共性难题，由此形成“预警—溯源”闭环——每一次事故分析都在反向增强预警能力。

四是端云协同的工程化架构。边缘端负责高频采集与快速判定，云端负责长周期建模与群体学习，让单台车的判断能够借助千万台车的运行经验持续进化。这套方法体系未来也需要在多品牌、多车型的海量实车数据与行业平台数据上完成验证，并向电池安全状态评价、事故溯源与健康管理等场景延伸应用。

动力电池的全寿命周期健康管理近年来受到广泛关注。从“出生”到“退役”，电池的安全风险如何演化？当前的健康状态估计面临哪些挑战？

洪吉超：电池的安全风险不是静态属性，而是一条随“年龄”演化的曲线，管理必须贯穿其一生。

出生期，风险主要由制造缺陷主导，对应可靠性理论中“浴缸曲线”的早期失效段，一致性离散在这一阶段就已埋下种子。青壮年期，正常循环衰减为主，内阻增长、容量缓慢下降、析锂窗口变窄，风险在累积，但从数据上往往“波澜不惊”。老化后期，单体离散加剧，部分电芯提前进入“容量跳水”，内短路概率上升，热失控风险重新抬头——相当一部分事故并非发生在新车，而是发生在“带病服役”的老车上。退役期间，电池健康度参差不齐，梯次利用将不同历史、不同工况的电池重新编组，界面与一致性不确定性被放大，需要比新车更严苛的筛选与持续监测。

健康状态估计的挑战主要有四点。其一，SOH本质是多维概念，容量、内阻、功率、安全余量各说一面，单一指标讲不清“健康”。其二，实车无法直接测量容量，只能间接推断，误差随工况放大。其三，老化路径高度个体化——同一批次、同一车型的两辆车，会因充电习惯、温度环境不同走向完全不同的老化轨迹。其四，数据与标签稀疏，模型跨场景泛化困难。我们的应对思路是数字孪生与机理－数据混合建模结合：让每一块电池都有一个随运行持续更新的“数据分身”，把“定期体检”升级为“连续健康监护”，也为退役分选提供可追溯的依据。

热失控被认为是动力电池最致命的安全事故。从预警的角度看，热失控的前兆信号有哪些？当前预警技术的精度和提前量能达到什么水平？

洪吉超：热失控几乎从不“毫无征兆”地发生，问题在于前兆信号往往微弱、隐蔽，留给处置的时间以分钟甚至秒计。

沿四阶段演化看前兆：局部异常期，内短路与析锂会带来自放电异常、电压平台微降、容量异常、内阻漂移等电信号，可测但非常微弱；热源累积期，出现局部温升、温差扩大、膨胀与应力变化，此时离失控触发还有一段可干预的距离；失控触发前，气体析出（一氧化碳、氢气、电解液蒸气）、压力与形变突变、电压骤降、温升速率陡增接踵而至——这是“最后防线”级别的信号。

关于精度与提前量，需要实事求是。单信号阈值类预警，提前量有限、误报偏高，行业普遍认为数据不足。基于多源信息融合的演化趋势预警，对典型的内短路型热失控，在传感与模型配合下已能实现分级预警和分钟级提前量——把“报警”变成“按风险等级处置”，例如限功率、提示检查、建议驻车隔离。但对碰撞、穿刺等突发滥用型热失控，物理演化以秒计，预警窗口极短，只能依靠本征安全与结构防护兜底，预警不是万能的。

所以预警的价值，不在于杜绝一切事故，而在于把不可控的灾难转化为可控的处置。评价一项预警技术，要看“准确率、提前量、误报率”三个指标的平衡，而不是单一指标。

智能电池管理系统的概念近年来受到越来越多的关注。您认为“智能”二字的真正内涵是什么？从传统BMS到智能BMS，核心的跃升体现在哪些方面？

洪吉超：“智能”不在于算法有多花哨，而在于系统是否具备“感知—判断—决策—执行”的完整闭环，并且能否越用越聪明。从传统BMS到智能BMS，核心是三个跃升。

感知跃升：从只看电压、电流、温度，扩展到应力、气体、局部热、形变等多物理场原位感知——“看见”早期异常，这是智能的硬件前提。

决策跃升：从阈值告警走向状态估计、风险预测与自适应控制。充放电策略、热管理、均衡策略不再是出厂写死的固定逻辑，而是随电池实时状态动态调整，把“出了问题再报告”变成“预判问题并主动规避”。

学习跃升：从单车孤岛走向边缘—车端—云端协同。车端实时推理、快速控制，云端利用群体数据持续迭代模型——一辆车没有见过的失效模式，可以借助千万辆车的运行经验提前识别。

需要特别强调的是，可信是智能的前提。黑盒模型在功能安全体系里是不可用的；智能BMS必须可解释、可验证、算力友好。否则“智能”只是演示，不是产品。

您的研究同时涉及动力电池与氢能储能系统。这两类储能系统在安全管理上有什么共性与差异？是否存在可以相互借鉴的技术思路？

洪吉超：坦率地说，我在氢能方向没有直接的深入研究，这里更多是从储能安全方法论的共同底座出发谈一些思考。

共性是底层逻辑相通的。两类系统都面临高能量密度与高安全性的矛盾；安全事件的本质都是“能量的意外快速释放”——锂电池是热—电—气耦合的链式放热，氢能是泄漏—积聚—燃爆；管理范式也都是“多物理场状态感知＋故障诊断＋分级保护控制”。“数据定义安全”在氢能系统同样成立：燃料电池同样有健康状态估计、电堆一致性管理、寿命预测与预测性维护的需求。

差异主要体现在三点。一是失效时间尺度不同：锂电热失控一旦触发，蔓延以秒级推进；氢从泄漏到燃爆存在浓度积聚与扩散的演化过程，为探测与切断留出了窗口，但氢气无色无味、爆炸极限宽（体积分数约4%~75%），对传感器的响应速度、灵敏度与防爆适应性要求极高。二是防护体系的重心不同：电池安全精细到单体级电热状态管理；氢安全的核心是“泄漏感知＋通风稀释＋主动切断＋防爆结构”的系统协同。三是管理颗粒度不同：锂电池的一致性管理到单体，燃料电池堆则需兼顾单片电压监测与膜、水、热管理。

可借鉴之处是明显的：电池领域“多物理场传感+数据驱动预警+分级处置”的框架，以及功能安全与标准验证的方法论，可以平移到氢能系统；反过来，氢安全对“感知到执行端到端时延”的严苛要求，也在提醒电池预警不能止步于“报出来”，更要重视处置动作的及时可靠。

从当前技术发展的阶段来看，动力电池智能安全管理领域未来3~5年最值得关注的研究方向有哪些？

洪吉超：未来3~5年，动力电池安全竞争的制高点，将部分从“材料配方”让渡给“数据与算法体系”。我看好五个方向。

一是车规级多物理场原位传感的量产突破。光纤光栅、薄膜压力、气体传感、超声等手段从实验室走向产线——这是“数据定义安全”的硬件前提，也是当前最硬的短板。

二是可信AI上车。模型压缩、可解释性、不确定性量化与功能安全认证，让复杂模型真正跑在车端并通过车规验证，而不只是停留在云端演示。

三是数字孪生贯穿全生命周期。从设计、制造到使用、退役与梯次利用，让每一块电池都拥有一个持续更新的“数据分身”，支撑个性化健康管理与精准退役决策。

四是标准与评价体系先行。统一的预警性能评价方法（准确率—提前量—误报率三角）、传感可靠性规范与测试规程——没有度量，就没有管理。

五是与本征安全的协同。固态电池、智能隔膜等从源头降低失控概率，与智能管理形成“双保险”，二者是互补关系而非替代关系。

您多次提到机械工程学科为电池安全管理研究提供了独特的视角。从系统集成的角度来看，“数据驱动”的方法论在电池安全管理中究竟扮演着怎样的角色？

洪吉超：从机械工程的系统视角看，电池安全问题从来不是单纯的材料或电化学问题，而是电—热—力—气多物理场在有限空间内耦合的工程问题。

机械工程提供了三点独特价值。

第一是系统集成视角：电池本质上是“装在结构里的电化学系统”，机械工程关心的应力、形变、振动、热管理、结构完整性，恰恰是电池失效与防护的物理源头，挤压、托底、疲劳、热膨胀，都可能成为热失控的力学前因。把电池当作多物理场系统而非电化学容器来看，才能看见这些前因。

第二是从部件到系统的工程方法论：传感如何布置、封装如何设计、热管理如何与整车集成、预警之后保护动作如何可靠执行——这些“最后一公里”问题决定技术能否真正量产，正是机械工程系统集成方法论的用武之地。

第三，落到“数据驱动”的角色定位上：数据不是要替代物理机理，而是解放物理模型——机理提供因果骨架，数据提供个体化的参数修正。纯数据模型擅长相关、不擅长因果，工况一旦偏离训练分布就可能失效；机理与数据混合建模，才能同时获得可解释性与泛化能力。

所以“数据定义安全”的完整含义是：物理机理告诉我们“为什么会失控”，数据告诉我们“这一辆车此刻离失控有多远”。两者结合，才是智能安全管理的内核。