Оценка состояния здоровья (SoH) аккумуляторов

Тестирование аккумуляторов является результатом электрохимических данных и анализа данных с помощью искусственного интеллекта. Состояние аккумулятора невозможно «измерить», его можно лишь оценить, анализируя его симптомы. Эти симптомы меняются в зависимости от состояния заряда (SoC), температуры, перемешивания, хранения и возраста. Например, хороший аккумулятор с низким зарядом работает аналогично слабому аккумулятору, который полностью заряжен. Современные методы испытаний должны идентифицировать эти условия. Ниже обобщены современные методы испытаний SoH, распределенные на несколько ключевых категорий.

Современные методы диагностики аккумуляторов

Импульсный метод

Электрохимическая динамическая реакция

Рисунок 2: Электрохимическая динамическая реакция

Применение импульсов измеряет внутреннее сопротивление (Ri) аккумулятора. Разница между длительностью импульса и глубиной разряда показывает уникальные характеристики производительности. Однако оценка емкости невозможна, поскольку Ri не имеет достоверной корреляции с емкостью.

Динамический электрохимический отклик (DER) проверяет ионный поток в литий-ионных аккумуляторах, чтобы исследовать динамическое поведение, связанное с состоянием аккумулятора (SoH). DER тестирует широкий спектр аккумуляторов, профилируя аккумулятор для конкретной модели.

Многомодельная EIS

Spectro™ сочетает EIS с искусственным интеллектом

Рисунок 3: Spectro™ сочетает EIS с искусственным интеллектом

EIS применяет синусоидальный сигнал от 2 кГц до 100 мГц, после чего выполняется фильтрация и извлечение амплитуды. Моделирование и статистический анализ выполняются путем аппроксимации диаграмм Найквиста матрицами, полученными из аккумуляторов одного типа, но с разным уровнем заряда (SoH). Объединение данных коррелирует значения ключевых параметров для измерения емкости, тока холодной прокрутки (CCA), состояния заряда (SoC) и других показателей.

Ученые считают, что будущее диагностики аккумуляторов лежит в электрохимической импедансной спектроскопии (EIS). Cadex первой начала тестировать аккумуляторы с помощью EIS под торговой маркой Spectro™, которая была встроена в устройства Spectro™ для тестирования свинцово-кислотных и литий-ионных аккумуляторов от 3 В до 60 В с емкостью до 250 Ач. Ri должен быть выше 500 микроом. На рисунке 3 показана механика.

Для измерения состояния батареи с помощью электрохимической импедансной спектроскопии (EIS) можно использовать несколько алгоритмических методов.

Нечеткая логика

Функции принадлежности

Рисунок 4: Функции принадлежности

Нечеткая логика была самым распространенным алгоритмом в анализе аккумуляторов с помощью EIS. Параметры на основе модели фаззифицируются и пропускаются через функции принадлежности, называемые матрицами. Данные «дефаззифицируются» для получения состояния аккумулятора и других показателей. Рисунок 4 иллюстрирует развернутые функции принадлежности.

Батарейные мониторы

Отслеживай основные показатели аккумуляторов и будь в курсе состояния твоего АКБ

Батарейный монитор Victron BMV-700

Монитор подходит для AGM, GEL, а также литиевых батарей LiFePO4, и измеряет напряжение, ток, потреблённую ёмкость, время до разряда, а также может опционально отображать температуру батареи.

Купить

Батарейный монитор Victron SmartShunt 500A

Это интеллектуальный шунт с функциями полноценного батарейного монитора, который подключается к вашему смартфону или GX-устройству через встроенный Bluetooth или VE.Direct порт.

Купить

Батарейный монитор Victron SmartShunt 500A IP65

Улучшенная версия популярного SmartShunt, разработанная для использования во влажных, пыльных или морских условиях, с полной защитой корпуса по стандарту IP65.

Купить

Посмотреть больше

В некоторых применениях нечеткая логика заменяется другими методами, которые обеспечивают надежные результаты с низкоуровневыми обучающими данными.

Искусственная нейронная сеть (ИНС)

Искусственная нейронная сеть

Рисунок 5: Искусственная нейронная сеть

ИНС опирается на большие данные для предоставления классифицированного вывода с помощью искусственной нейронной сети. Соединительные единицы со скрытыми слоями называются нейронами. Они образуют биологический мозг, имитирующий животный инстинкт. Правильное прогнозирование в основном определяется количеством скрытых слоев, количеством нейронов в каждом скрытом слое, функцией активации, скоростью обучения оптимизатора и эпохами обучения. Можно сказать: «Мусор на входе, мусор на выходе», но метод, управляемый данными, дает надежные результаты с известными шаблонами пользователя. На рисунке 5 показана типичная искусственная нейронная сеть.

Гауссовская регрессия процесса (GPR)

Гауссовская регрессия процесса
 

Рисунок 6: Гауссовская регрессия процесса

Специфические для модели параметры обучаются с помощью машинного обучения для измерения состояния заряда аккумулятора с помощью байесовского подхода. GPR предлагает лучшие результаты с меньшим количеством обучающих данных, чем искусственные нейронные сети. Лаборатории Cadex достигают точности 90% со свинцово-кислотными аккумуляторами, результаты которых проверяются учеными в UBC. Тесты, повторенные с литий-ионными системами, дают многообещающие результаты. Гауссовская регрессия процесса, как показано на рисунке 6, является перспективным вариантом.

Таблица 7: Процент правильного прогнозирования для 800 свинцово-кислотных стартерных аккумуляторов. Нейронная сеть и гауссовский процесс показали лучшие результаты.

Лаборатории Cadex изучают другие методы оценки состояния аккумуляторов (SoH), результаты которых приведены в таблице 7. В пуле из 800 тестовых свинцово-кислотных аккумуляторов с различными SoH, интерес представляют гауссовский процесс, нейронная сеть и нечеткая логика. Другие методы демонстрируют более низкую точность при тестировании неисправных аккумуляторов.

Определение: Исправные аккумуляторы имеют показатель емкости выше 40%, плохие аккумуляторы – ниже 40%. 40% – это общий порог годности/негодности для стартерных аккумуляторов.

• Зеленый: хороший аккумулятор
• Красный: плохой аккумулятор

Cadex экспериментирует с собственными алгоритмами, которые получат дальнейшие улучшения по сравнению с результатами, показанными в этой статье, используя многомодельную EIS для изучения кинетических реакций аккумуляторов при различных условиях состояния здоровья (SoH). Цель состоит в создании надежных матриц с наименьшим количеством образцов аккумуляторов, служащих для обучения.

Адаптивный фильтр

Парсер оценивает полезную емкость аккумулятора, считывая состояние заряда с помощью расширенного фильтра Калмана (EKF) и подсчитывая кулоны, чтобы заполнить доступное пространство для достижения полного заряда. Полезная емкость – это сумма измеренного SoC плюс добавленная энергия. Для лучшего результата каждый аккумулятор должен пройти одноразовую калибровку путем циклической перезарядки и зарядки. Кроме того, аккумулятор должен быть достаточно разряжен, чтобы получить точные показания. «Зарядная полоса» от 40% до 100% обеспечивает точное значение для оценки полезной емкости.

Рисунок 8: Оценка SoC с помощью фильтра Калмана

Не все аккумуляторы полностью заряжены во время тестирования. Сочетание EIS с фильтром Калмана повышает точность тестирования аккумулятора при низком уровне заряда (SoC). Определение исправного аккумулятора при низком уровне заряда представляет особый интерес для производителей автомобилей, чтобы уменьшить количество гарантийных претензий. На рисунке 8 показано, как большие колебания нивелируются в условиях контролируемого использования.