Оцінка стану здоров'я (SoH) акумуляторів

Тестування акумуляторів є результатом електрохімічних даних та аналізу даних за допомогою штучного інтелекту. Стан акумулятора неможливо «виміряти», його можна лише оцінити, аналізуючи його симптоми. Ці симптоми змінюються залежно від стану заряду (SoC), температури, перемішування, зберігання та віку. Наприклад, хороший акумулятор з низьким зарядом працює аналогічно слабкому акумулятору, який повністю заряджений. Сучасні методи випробувань повинні ідентифікувати ці умови. Нижче узагальнено сучасні методи випробувань SoH, розподілені на декілька ключових категорій.

Сучасні методи діагностики акумуляторів

Імпульсний метод

Електрохімічна динамічна реакція

Рисунок 2: Електрохімічна динамічна реакція

Застосування імпульсів вимірює внутрішній опір (Ri) акумулятора. Різниця між тривалістю імпульсу та глибиною розряду показує унікальні характеристики продуктивності. Однак оцінка ємності неможлива, оскільки Ri не має достовірної кореляції з ємністю.

Динамічний електрохімічний відгук (DER) перевіряє іонний потік у літій-іонних акумуляторах, щоб дослідити динамічну поведінку, пов'язану зі станом акумулятора (SoH). DER тестує широкий спектр акумуляторів, профілюючи акумулятор для конкретної моделі.

Багатомодельна EIS

Spectro™ поєднує EIS зі штучним інтелектом

Рисунок 3: Spectro™ поєднує EIS зі штучним інтелектом

EIS застосовує синусоїдальний сигнал від 2 кГц до 100 мГц, після чого виконується фільтрація та вилучення амплітуди. Моделювання та статистичний аналіз виконуються шляхом апроксимації графіків Найквіста матрицями, отриманими з акумуляторів одного типу, але з різним рівнем заряду (SoH). Об'єднання даних корелює значення ключових параметрів для вимірювання ємності, струму холодного пуску (CCA), стану заряду (SoC) та інших показників.

Вчені вважають, що майбутнє діагностики акумуляторів лежить в електрохімічній імпедансній спектроскопії (EIS) . Cadex першою почала тестувати акумулятори за допомогою EIS під торговою маркою Spectro™, яка була вбудована в пристрої Spectro™ для тестування свинцево-кислотних та літій-іонних акумуляторів від 3 В до 60 В з ємністю до 250 А·год. Ri має бути вище 500 мікроомів. На рисунку 3 показано механіку. 

Для вимірювання стану батареї в стані заряду за допомогою електроімпедансної інтегральної схеми (EIS) можна використовувати кілька алгоритмічних методів.

Нечітка логіка

Функції членства

Рисунок 4: Функції належності

Нечітка логіка була найпоширенішим алгоритмом в аналізі акумуляторів за допомогою EIS. Параметри на основі моделі фаззифікуються та пропускаються через функції належності, які називаються матрицями. Дані «дефаззифікуються» для отримання стану акумулятора та інших показників. Рисунок 4 ілюструє розгорнуті функції належності.

Батарейні монітори

Відстежуй основні показники акумуляторів та будь у курсі стану твого акб

Батарейний монітор Victron BMV-700

Монітор підходить для AGM, GEL, а також літієвих батарей LiFePO4, і вимірює напругу, струм, спожиту ємність, час до розрядження, а також може опціонально відображати температуру батареї.

Купити

Батарейний монітор Victron SmartShunt 500A

Це інтелектуальний шунт з функціями повноцінного батарейного монітору, який підключається до вашого смартфона або GX-пристрою через вбудований Bluetooth або VE.Direct порт.

Купити

Батарейний монітор Victron SmartShunt 500A IP65

Вдосконалена версія популярного SmartShunt, розроблена для використання у вологих, пилових або морських умовах, з повним захистом корпусу за стандартом IP65

Купити

Подивитися більше

У деяких застосуваннях нечітка логіка замінюється іншими методами, які забезпечують надійні результати з низькорівневими навчальними даними.

Штучна нейронна мережа (ШНМ)

Штучна нейронна мережа

Рисунок 5: Штучна нейронна мережа

ШНМ спирається на великі дані для надання класифікованого виводу за допомогою штучної нейронної мережі. З'єднувальні одиниці з прихованими шарами називаються нейронами. Вони утворюють біологічний мозок, який імітує тваринний інстинкт. Правильне прогнозування здебільшого визначається кількістю прихованих шарів, кількістю нейронів у кожному прихованому шарі, функцією активації, швидкістю навчання оптимізатора та епохами навчання. Можна сказати: «Сміття на вході, сміття на виході», але метод, керований даними, дає надійні результати з відомими шаблонами користувача. На рисунку 5 показано типову штучну нейронну мережу.

Гаусівська регресія процесу (GPR)

Гаусівська регресія процесу
 

Рисунок 6: Гаусівська регресія процесу

Специфічні для моделі параметри навчаються за допомогою машинного навчання для вимірювання стану заряду акумулятора за допомогою байєсівського підходу. Георадар пропонує кращі результати з меншою кількістю навчальних даних, ніж штучні нейронні мережі. Лабораторії Cadex досягають точності 90% зі свинцево-кислотними акумуляторами, результати яких перевіряються вченими в UBC. Тести, повторені з літій-іонними системами, дають багатообіцяючі результати. Гауссова регресія процесу, як показано на рисунку 6, є перспективним варіантом.

Таблиця 7: Відсоток правильного прогнозування для 800 свинцево-кислотних стартерних акумуляторів. Нейронна мережа та гауссівський процес показали найкращі результати.

Лабораторії Cadex вивчають інші методи оцінки стану акумуляторів (SoH), результати яких наведено в таблиці 7. У пулі з 800 тестових свинцево-кислотних акумуляторів з різними SoH, інтерес представляють гауссівський процес, нейронна мережа та нечітка логіка. Інші методи демонструють нижчу точність під час тестування несправних акумуляторів. 

Визначення: Справні акумулятори мають показник ємності вище 40%, погані акумулятори – нижче 40%. 40% – це загальний поріг придатності/непридатності для стартерних акумуляторів.

• Зелений: хороший акумулятор
• Червоний: погана батарея

Cadex експериментує з власними алгоритмами, які отримають подальші покращення порівняно з результатами, показаними в цій статті, використовуючи багатомодельну EIS для вивчення кінетичних реакцій акумуляторів за різних умов стану сонця (SoH). Мета полягає у створенні надійних матриць з найменшою кількістю зразків акумуляторів, що слугують для навчання.

Адаптивний фільтр

Парсер оцінює корисну ємність акумулятора, зчитуючи стан заряду за допомогою розширеного фільтра Калмана (EKF) та підраховуючи кулони, щоб заповнити доступний простір для досягнення повного заряду. Корисна ємність – це сума виміряного SoC плюс додана енергія. Для найкращого результату кожен акумулятор повинен пройти одноразове калібрування шляхом циклічного перезаряджання та заряджання. Крім того, акумулятор має бути достатньо розряджений, щоб отримати точні показники. «Зарядна смуга» від 40% до 100% забезпечує точне значення для оцінки корисної ємності.

Рисунок 8: Оцінка SoC за допомогою фільтра Калмана

Не всі акумулятори повністю заряджені під час тестування. Поєднання EIS з фільтром Калмана підвищує точність тестування акумулятора за низького рівня заряду (SoC). Визначення справного акумулятора за низького рівня заряду має особливий інтерес для виробників автомобілів, щоб зменшити кількість гарантійних претензій. На рисунку 8 показано, як великі коливання нівелюються за умов контрольованого використання.