W miarę jak ładowarki zyskują moc obliczeniową, a floty generują dane, uczenie maszynowe oferuje nową drogę do decyzji ładowania, które modele klasyczne wyprowadzają z fizyki: uczenie stopnia prądu maksymalizującego sprawność (sterowane ANFIS wielostopniowe schematy prądu stałego opisane dla NiMH/NiCd), rozpoznawanie wzorca końca ładowania na podstawie śladów napięcia i temperatury oraz korygowanie reszt modelu w estymacji stanu naładowania i estymacji termicznej. Ten końcowy artykuł grupy estymacji analizuje, co ładowanie oparte na danych naprawdę dobrze robi w NiMH, jakich danych uczących i dyscypliny walidacji wymaga, i dlaczego bezpieczne w produkcji projekty utrzymują fizyczne „dno” i sprzętowo zadane ograniczenia pod każdą uczoną strategią – aby elastyczność uczenia nigdy nie stała się nieograniczonym prądem ładowania.
Produktywne są trzy punkty wstawienia. Po pierwsze, optymalizacja profilu: uczenie przejść między stopniami prądu, które maksymalizują sprawność ładowania lub minimalizują ciepło/czas, czego przykładem są adaptacyjne neuro-rozmyte (ANFIS) wielostopniowe regulatory prądu stałego zwalidowane w symulacji, które dostrajają prądy stopni na podstawie ewoluującej odpowiedzi napięciowo-temperaturowej. Po drugie, estymacja: neuronowa lub procesami Gaussa korekta ECM/Kalmanowskich prognoz stanu naładowania i termicznych, wychwytująca resztową niezgodność, którą pozostawia model stały. Po trzecie, klasyfikacja: rozpoznawanie pełnego ładowania, usterki lub niedopasowania na podstawie cech śladów jako kanał równoległy do -delta-V/dT/dt.
Każdy wykorzystuje uczenie do doprecyzowania strukturalnej decyzji, a nie zastąpienia architektury ładowania; automat stanów i twarde ograniczenia grupy kończenia pozostają, a uczona logika dostosowuje parametry w ograniczonych zakresach.
Opisane prace nad inteligentnym ładowaniem NiMH/NiCd łączą przedni stopień PFC boost z wielostopniowym wyjściem prądu stałego, którego prądy stopni są wybierane przez adaptacyjny neuro-rozmyty system wnioskowania wytrenowany na zachowaniu ładowania, i walidują schemat w MATLAB względem ładowania prądem stałym. Atut polega na tym, że rozmyta/neuronowa struktura wyraża reguły eksperckie – „jeśli napięcie rośnie stromo, a temperatura jest spokojna, utrzymać prąd; jeśli nachylenie się spłaszcza, obniżyć stopień” – jednocześnie ucząc się ich progów z danych, łącząc interpretowalność z adaptacją.
To pragmatyczny szablon: zamiast sieci neuronowej end-to-end, która wyprowadzałaby dowolny prąd, strukturalny regulator uczy się parametrów już bezpiecznego szkieletu prądu opadającego, więc nawet niewytrenowany lub zawodzący element uczący degraduje się do konserwatywnego profilu konwencjonalnego.
Nadzorowane modele ładowania potrzebują etykietowanej prawdy odniesienia: stan naładowania odniesienia ze skalibrowanego liczenia kulonowskiego zakotwiczonego na punktach końcowych, momenty pełnego ładowania odniesienia z oprzyrządowanych ciśnienia/temperatury i ciepło z termopar – obejmując całą siatkę prądu, temperatury, wieku i partii komórek, z którymi produkt się spotka. Zmienność partia na partię i z wiekiem w NiMH oznacza, że model wytrenowany tylko na świeżych, pokojowo-temperaturowych komórkach zawodzi na zestarzałych i zimnych; pokrycie zbioru danych, nie wyrafinowanie algorytmu, jest zwykle ograniczeniem wiążącym.
Cechy powinny być fizycznie sensowne i odniesione do prądu – filtrowane dV/dt, dT/dt, opór z impulsów, skumulowany ładunek, relaksacje spoczynkowe – a nie surowe zaszumione ślady, co zarówno zmniejsza potrzebne dane, jak i czyni uczone zachowanie sprawdzalnym.
Uczona strategia ładowania musi być najpierw zwalidowana na danych odłożonych, następnie we wstrzykiwaniu usterek hardware-in-the-loop, następnie w ograniczonych próbach komorowych ze sprzętowo zadanymi ograniczeniami przetemperaturowymi, przepięciowymi i czasomierza, których element uczący nie może unieważnić. Ponieważ model w obliczu nowych warunków może zaproponować prąd poza rozkładem, projekty produkcyjne zaciskają uczone wyjścia w granicach wyprowadzonych z fizyki i wracają do regulatora klasycznego przy niepewności, usterce czujnika lub niezgodności między kanałami.
To „doradcze uczenie wewnątrz twardej powłoki” to ta sama filozofia obrony w głąb co same kryteria kończenia: uczona warstwa optymalizuje przypadek nominalny; fizyczne dno gwarantuje przypadek najgorszy.
Filtr Kalmana na dobrym ECM już osiąga w opisanych pracach NiMH mniej więcej plus-minus 3 procent stanu naładowania z dużego błędu początkowego, jest wyjaśnialny i nie potrzebuje dużego zbioru danych; ML zasługuje na miejsce tam, gdzie model fizyczny jest strukturalnie nieadekwatny – silnie nieliniowe starzenie, dryf parametrów w skali floty, rozpoznawanie subtelnych wzorców usterek – i gdzie istnieje wystarczająco dużo zróżnicowanych danych. Przeglądy modelowania termicznego podobnie pozycjonują ML jako korektor reszt fizycznego rdzenia, a nie jako samodzielny predyktor, zachowując bezpieczną ekstrapolację.
Pierwsza rycina przeciwstawia klasycznego obserwatora regulatorowi wzmocnionemu uczeniem; druga porządkuje bezpieczny potok od szkolenia do wdrożenia, od etykietowanych danych do ograniczonego wdrożenia pod twardymi ograniczeniami.
Najpierw zdefiniuj decyzję i jej dozwolone granice wyjścia; zbuduj strukturalny szkielet i twarde ograniczenia; zbierz obejmujący prąd-temperaturę-wiek-partię zbiór danych z etykietami odniesienia; wytrenuj interpretowalne, fizycznie odcechowane modele; udowodnij poprawę względem klasycznej linii bazowej na odłożonych komórkach (nie tylko odłożonych próbkach tych samych komórek); i wydawaj z fallbackiem, detekcją niepewności i zarządzaniem aktualizacjami bezprzewodowymi. Weijiang może dostarczyć obejmujące próbki komórek i odniesieniową charakterystykę ładowania do budowy takich zbiorów bez mieszania zmienności komórek z błędem modelu.
Gdy metody estymacji są ustalone – od liczenia kulonowskiego po EIS, modele elektrotermiczne i uczenie – seria przechodzi od poznawania komórki do obserwowania jej zużycia: następna grupa bada, jak sam protokół ładowania napędza starzenie i degradację NiMH.
Weijiang Power projektuje i produkuje ogniwa niklowo-wodorkowe, dopasowane pakiety i gotowe do ładowania konfiguracje dla klientów konsumenckich, przemysłowych, medycznych i mobilnościowych, i wspiera partnerów wskazówkami dotyczącymi protokołów ładowania, plikami osiągów IEC 61951-2, dowodami bezpieczeństwa IEC 62133-1 i wspólną walidacją ładowarek. Podaj format ogniwa, stopę ładowania, zakres termiczny i cel cyklowy, a nasi inżynierowie określą kombinację ogniwa i ładowania chroniącą zarówno czas pracy, jak i żywotność. Przejrzyj asortyment na stronie produktów.
