Ограничения классических тестеров

Тестеры аккумуляторов легкодоступны, но мы задаемся вопросом: «Насколько хорошо они работают?» Не все знакомы с результатами тестов, кроме того, что напряжение связано с состоянием заряда (SoC), а внутреннее сопротивление (Ri) – с мощностью и условиями нагрузки. Показатели ёмкости находятся за пределами возможностей большинства тестеров. Ёмкость является главным показателем состояния, который определяет окончание срока службы. Потеря накапливаемой энергии в основном остается незамеченной, в то время как показатели тестера остаются неизменными.

Большинство тестеров измеряют Ri, применяя импульс разряда и наблюдая за падением напряжения. Закон Ома ($V = I \times R$) определяет Ri. Однако, как показывают испытания в лабораториях Cadex, сам по себе Ri не дает полной картины. Некоторые тестеры дополнительно анализируют восстановление напряжения, которое связано с состоянием здоровья (SoH) — хороший аккумулятор восстанавливается быстрее.

Рисунок 1: Классический тестер аккумуляторов имеет ограничения

Аккумулятор похож на «черный ящик». Аккумулятор выглядит одинаково, независимо от того, полностью ли он заряжен или разряжен, новый или изношенный. Для сравнения, автомобильная шина деформируется, когда в ней мало воздуха, и ее заменяют, когда протектор изнашивается. Несмотря на эту маскировку, аккумулятор демонстрирует характеристики, которые приборы могут измерять с разным уровнем точности.

Свинцово-кислотные аккумуляторы AGM/GEL

Надежные свинцово-кислотные аккумуляторы для максимальной эффективности работы

Аккумулятор Victron 12V/110Ah GEL Deep Cycle

Является идеальным выбором для применений, требующих надежного, долговечного и глубоко разрядного источника питания

Купить

Аккумулятор Victron AGM Super Cycle 12V 125Ah (M8)

Благодаря технологиям электрохимии, этот аккумулятор выдерживает до 300 циклов разряда до 100%, что делает его отличным решением для автономных электрических систем

Купить

AGM аккумулятор BB Battery MPL55-12 (12В 55Ач)

AGM VRLA батарея с высоким током разряда, специально разработанная для критических нагрузок в системах ИБП, телекоммуникациях и энергетике

Купить

Посмотреть больше

SoC проверяется напряжением, но неточности возникают, если аккумулятор перегружали. Показатели напряжения после заряда остаются высокими в течение некоторого времени, а разряд снижает напряжение. Нормализация занимает несколько часов. Большинство тестеров аккумуляторов измеряют Ri, применяя калиброванный импульс разряда и наблюдая за падением напряжения. Закон Ома (V=I x R) определяет Ri путем деления падения напряжения на приложенный ток.

Коэффициент восстановления (Ri) аккумулятора плохо коррелирует с ёмкостью. Испытания в лабораториях Cadex показывают корреляцию между ёмкостью и Ri только на уровне 51%. Ri сам по себе не дает полной картины. Некоторые тестеры аккумуляторов также анализируют восстановление напряжения, которое связано с состоянием.

Причины выхода из строя стартерных аккумуляторов

На рисунке 2 показаны причины выхода из строя свинцово-кислотных стартерных аккумуляторов. Снижение ёмкости (48%) является самым распространенным видом отказа, вызванным износом активного материала. Для сравнения, повышение Ri составляет всего 12%. Тестовый пул также включает аккумуляторы, которые переразряжены (23%) и не имеют дефектов (15%). Механические и производственные дефекты составляют всего 2%.

Рисунок 2: Анализ отказов 800 стартерных аккумуляторов AGM.

Лучшие методы тестирования позволят дольше сохранять аккумуляторы в эксплуатации, поскольку аккумуляторы часто возвращаются без конкретных дефектов. Можно устранить неисправности, вызванные клиентами, такие как низкий заряд.

Производители аккумуляторов ищут передовые методы тестирования для улучшения производства и выявления неисправностей, вызванных пользователем. Промышленность также ищет решения в рамках технического обслуживания, ориентированного на надежность (RCM). Определенный стандартом SAE JA1011, RCM – это протокол технического обслуживания, который обеспечивает постоянную надежность механических деталей путем наблюдения за износом. Введенный в 1960-х годах, авиакомпании первыми приняли этот стандарт для уменьшения инвазивного технического обслуживания. Военные приняли систему в 1967 году, что привело к появлению гражданских пользователей на атомных электростанциях, в нефтегазовых компаниях, метрополитене и больницах.

В настоящее время RCM не включает аккумуляторы. Частично это может быть связано с отсутствием подходящих методов испытаний. Можно было бы использовать систему управления аккумуляторами (BMS), но мониторинг напряжения, тока и температуры выявляет только аномалии. Остаточный срок службы (RUL), отражающий ёмкость, недоступен. Также отметка данных не дает надежного показателя того, когда следует заменять аккумулятор. Аккумуляторы часто заменяют слишком рано, однако большинство из них остаются в эксплуатации слишком долго.

BMS для литиевых АКБ

Защищает батареи от перезаряда, глубокого разряда, перегрева и сверхвысокого тока

Victron VE.Bus BMS V2 – система управления литиевыми аккумуляторами LiFePO4 Smart

Умная система управления батареями LiFePO4 Smart от Victron

Купить

SmallBMS – BMS для LiFePO4 Smart аккумуляторов Victron

 Компактная система управления батареями Victron Lithium Smart (LiFePO4), обеспечивающая базовую защиту аккумуляторов от глубокого разряда, чрезмерного заряда и перегрева.

Купить

Smart BMS CL 12/100 – интеллектуальная защита LiFePO4 батарей в 12В системах от Victron Energy

Совмещает ограничение тока от генератора, Bluetooth-мониторинг, аварийные выходы и модульное взаимодействие с другими устройствами Victron – всё в одном устройстве!

Купить

Посмотреть больше

Проверка аккумуляторов, выходящая за рамки измерения напряжения и Ri, становится сложной. Аккумулятор напоминает живой организм, состоящий из компонентов, которые потребляют активные материалы, накапливают пленки, тормозящие производительность, лишая заряда, и подвергаются механическим нагрузкам, приводящим к повышенному саморазряду. Долговечность аккумулятора можно определить по следующим характеристикам:

• Снижение ёмкости, проявляющееся в уменьшении накопления энергии;
• Повышенное внутреннее сопротивление, отражающееся в сниженной грузоподъемности
• Высокий саморазряд, вызванный нагрузкой, что может привести к проблемам безопасности литий-ионных аккумуляторов.

Невыявленные эффекты старения могут вызвать тепловой разгон, что является особой проблемой для литий-ионных аккумуляторов. Внедрение RCM для критически важной аккумуляторной системы ставит следующие вопросы:

1. При какой ёмкости аккумулятор требует замены?
2. Какие еще аномалии аккумулятора должен выявить монитор?
3. Каковы последствия выхода аккумулятора из строя?

Ключевые характеристики старения аккумулятора

Современные технологии тестирования

Определенные достижения достигаются путем характеристики различных свойств аккумулятора с помощью такого метода, как электрохимическая импедансная спектроскопия (EIS) . EIS вводит синусоидальные сигналы нескольких частот в аккумулятор и измеряет импедансную характеристику в виде графика Найквиста. Cadex получила собственную технологию для преобразования графика Найквиста в состояние здоровья (SoH) и состояние заряда (SoC) аккумулятора. Вот как это работает.

График Найквиста построен на основе моделей аккумуляторов, отражающих различные внутренние свойства. Справочные изображения параметров моделей исправных и плохих аккумуляторов были получены путем сканирования большого количества аккумуляторов с подобной архитектурой, но разными состояниями производительности. Затем параметры модели пропускаются через расширенный алгоритм анализа данных, такой как нечеткая логика, для определения ёмкости, Ri и SoH. Рисунок 3 упрощенно иллюстрирует концепцию технологии многомодельной EIS. Многомодельная EIS также известна как Spectro™.

Рисунок 3: Spectro™ сочетает EIS со сложным моделированием с помощью машинного обучения с использованием искусственной нейронной сети.

Тестеры аккумуляторов, использующие технологию EIS, разработанную Cadex, используются в автомобильной промышленности для проверки стартерных аккумуляторов. Измерение ёмкости предпочтительнее, поскольку сам по себе показатель тока холодной прокрутки (CCA) не предоставляет информации об уровне ёмкости. Показатели CCA на большинстве стартерных аккумуляторов остаются нормальными, в то время как ёмкость незаметно падает. Это часто приводит к неожиданным сбоям, поскольку сильное вращение двигателя не отражает низкую ёмкость.

Технологию Spectro™ также можно использовать для тестирования аккумуляторов, специфичных для конкретных моделей, в свинцово-кислотных и литиевых химических составах. Каждая модель аккумулятора сначала сканируется, чтобы создать «золотой образец», представляющий собой заведомо исправный аккумулятор. Симптомы старения анализируются путем наблюдения за незначительными изменениями графика Найквиста относительно зеркального отображения аккумулятора в новом состоянии.

Подключение к облаку упрощает логистику, загружая золотые образцы для каждой модели вместе с различными данными о старых аккумуляторах. Устройства Spectro™ в виде портативных тестеров (Cadex) и установок BMS предоставляют результаты испытаний, упорядоченные по дате и номеру модели, и хранятся в облаке Cadex Cloud. Большие данные, обрабатываясь с помощью машинного обучения и искусственных нейронных сетей (ANN) – технологий, предоставляемых Spectro™, повышают точность.

На рисунке 4 показана искусственная нейронная сеть (ИНС), которая анализирует огромный объем данных и предоставляет классифицированный результат с помощью скрытых слоев. Соединительные единицы, называемые нейронами, образуют биологический мозг, который имитирует животный инстинкт. Можно утверждать: «Мусор на входе, мусор на выходе», но объем шаблонов поведения пользователей может дать удивительные результаты с помощью ИНС.

Рисунок 4: Искусственная нейронная сеть (ИНС) предоставляет категоризированный выходной сигнал из огромного пула входных данных.

Лаборатория Cadex тестирует точность алгоритмов искусственных нейронных сетей (ИНС) и машинного обучения, таких как гауссова регрессия, для определения состояния нагрева аккумулятора. Гауссов метод более эффективен на нашем наборе данных о свинцово-кислотных аккумуляторах (точность ~90%) и дает лучшие результаты с меньшим количеством данных, чем с помощью ИНС. Эти выводы подтверждены учеными из UBC. Cadex далее исследует эти открытия со свинцово-кислотными, никель-металлгидридными и литий-ионными аккумуляторами.

Типичными областями применения расширенной системы анализа аккумуляторов (ABAS) является контроль автопарка путем отслеживания работы аккумуляторов в полевых условиях с помощью тестеров на базе EIS и установок BMS на основе EIS. С помощью ABAS диспетчер устанавливает селектор целей на рассчитанные пороговые значения ёмкости для каждой системы аккумуляторов с целью как можно дольше поддерживать аккумуляторы в эксплуатации, сохраняя при этом уверенность в системе. Такая система полностью использует каждый аккумулятор, одновременно повышая надежность и уменьшая воздействие на окружающую среду от преждевременной утилизации аккумуляторов.

Применение и преимущества

Расширенная система анализа аккумуляторов (ABAS) используется для контроля автопарков, отслеживая работу аккумуляторов с помощью тестеров на базе EIS. Диспетчер устанавливает пороговые значения ёмкости, что позволяет:

• Максимально долго и безопасно эксплуатировать аккумуляторы.
• Полностью использовать ресурс каждого аккумулятора.
• Повышать надежность системы.
• Уменьшать воздействие на окружающую среду от преждевременной утилизации.

Заключение

Чем сложнее становится метод тестирования, тем дальше технология начинает расшифровывать симптомы.
Примером является прогноз погоды, который наблюдает за изменениями температуры, скорости ветра и влажности. Распознавание лиц – еще один пример путем сравнения опорных точек. Распознавание букв и голоса – это дополнительные приложения, в которых машинное обучение распознает тонкие нюансы, чтобы найти коллективное значение.

Благодаря более продвинутым инструментам оценки ни одно отдельное считывание не дает конечного результата. Машинное обучение повышает точность, не предоставляя четких инструкций. Машинное обучение, как подмножество искусственного интеллекта, использует алгоритмы и статистические модели для анализа данных и выводов на основе закономерностей данных. Ученые прогнозируют, что будущее анализа аккумуляторов заключается в электронной интеллектуальной информации (EIS) с машинным обучением и облачным подключением. Огромные объемы данных будут служить таблицами поиска, обеспечивающими удивительно точную оценку состояния аккумуляторов для основных моделей.

Ключом к передовому анализу аккумуляторов является считывание «химического состояния аккумулятора», а не обработка данных с помощью периферийных цифровых механизмов. Химический анализ аккумуляторов развивается не так быстро, как цифровые технологии. EIS с машинным обучением, нейронными сетями и облачным подключением выводит анализ аккумуляторов на новый уровень. Эти соответствующие технологии также улучшат контроль за автопарком для организаций.