เชิงนามธรรม
ระบบจัดการแบตเตอรี่ (BMS) มีความสำคัญอย่างยิ่งในการทำความเข้าใจประสิทธิภาพของแบตเตอรี่ภายใต้สภาวะที่รุนแรง เช่น การทดสอบที่มีอัตราสูง การศึกษานี้เสนอ BMS ใหม่สำหรับการตรวจสอบอย่างต่อเนื่อง การส่งผ่าน และการจัดเก็บพารามิเตอร์หลัก เช่น แรงดันไฟฟ้า กระแส และอุณหภูมิของชุดแบตเตอรี่ลิเธียมไอออน NCA {{0}} S ในระหว่างการทดสอบที่มีอัตราสูง BMS นี้รวมเทคโนโลยีการเรียนรู้เชิงลึกเพื่อคาดการณ์สถานะสุขภาพของแบตเตอรี่ (วัดจากความสามารถในการคายประจุ) โดยการตรวจสอบพารามิเตอร์ของแบตเตอรี่ภายนอก มีการทดลองสองครั้ง: การทดลองคงที่เพื่อตรวจสอบฟังก์ชัน BMS และการทดลองสภาพการทำงานจริง (การทดสอบการละเมิดกำลังขยายสูงพร้อมการสั่นสะเทือนบนยานพาหนะขับเคลื่อนด้วยไฟฟ้า) เพื่อประเมินประสิทธิภาพจริง ผลการวิจัยพบว่าอุณหภูมิพื้นผิวสูงสุดของแบตเตอรี่ในระหว่างสภาวะการบินจริงสูงถึง 55 องศาเซลเซียส ซึ่งสูงกว่าการทดสอบแบบสถิต อัลกอริธึมการประมาณความสามารถในการเรียนรู้เชิงลึกตรวจพบความเบี่ยงเบนของความจุโดยเฉลี่ย 0.04 Ah ซึ่งแสดงให้เห็นถึงสถานะสุขภาพที่แม่นยำโดยการคาดการณ์ความจุของแบตเตอรี่ BMS นี้แสดงให้เห็นถึงความสามารถในการรวบรวมข้อมูลและการคาดการณ์ที่มีประสิทธิภาพ ซึ่งสะท้อนถึงสถานการณ์จริงในการทดสอบการละเมิด
1. บทนำ
ความสำคัญของแบตเตอรี่ลิเธียมไอออน (LIB) และเทคโนโลยีที่เกี่ยวข้อง:LIB มีความสำคัญอย่างยิ่งในสาขาเทคโนโลยีปัจจุบัน และใช้กันอย่างแพร่หลายในยานพาหนะไฟฟ้า โดรน และอุปกรณ์อิเล็กทรอนิกส์แบบพกพา เมื่อเปรียบเทียบกับเทคโนโลยีแบตเตอรี่แบบเดิม LIB มีข้อได้เปรียบ เช่น ความหนาแน่นของพลังงานสูงและอายุการใช้งานยาวนาน แต่การใช้งานอย่างแพร่หลายยังนำมาซึ่งความท้าทายในเรื่องอายุของแบตเตอรี่อีกด้วย ดังนั้น สภาวะสุขภาพ (SOH) จึงเป็นพารามิเตอร์ที่สำคัญในการวัดอายุแบตเตอรี่ การประมาณค่า SOH อย่างแม่นยำต้องเผชิญกับความท้าทายมากมาย และระบบการจัดการแบตเตอรี่ (BMS) มีความสำคัญอย่างยิ่งต่อการตรวจสอบพารามิเตอร์ของแบตเตอรี่อย่างแม่นยำ
การออกแบบและตัวชี้วัดที่เกี่ยวข้องของ BMS:การออกแบบ BMS มักจะเกี่ยวข้องกับการใช้งานเฉพาะ และนอกเหนือจาก SOH แล้ว สถานะการชาร์จ (SOC) และอายุการใช้งานที่เหลืออยู่ (RUL) ยังเป็นตัวบ่งชี้ทั่วไปเกี่ยวกับความสมบูรณ์ของแบตเตอรี่อีกด้วย ข้อมูลสำหรับตัวบ่งชี้เหล่านี้มักจะมาจากการตั้งค่าการเก็บข้อมูล (DAQ) ที่เป็นกรรมสิทธิ์ ซึ่งสามารถให้ข้อมูลสำหรับการเรียนรู้เชิงลึก (DL) แต่มีข้อจำกัด เช่น ขนาดใหญ่ ต้นทุนสูง และการกำหนดเป้าหมายแบตเตอรี่เฉพาะ การบูรณาการเทคโนโลยี DL เข้ากับ BMS ขั้นสูงเป็นแนวทางที่น่าหวังซึ่งสามารถเอาชนะความท้าทายของวิธีการรวบรวมข้อมูลและให้ความสามารถในการปรับขนาดได้
พารามิเตอร์ที่สำคัญและข้อกำหนดการวิจัยที่เกี่ยวข้องของ LIB:อัตรา SOH, SOC, RUL และ C ล้วนเป็นพารามิเตอร์ที่สำคัญสำหรับประสิทธิภาพของ LIB การเพิ่มขึ้นของอัตรา C จะทำให้ความจุและประสิทธิภาพของแบตเตอรี่ลดลง วิธีการรวบรวมข้อมูลในปัจจุบันเผชิญกับความท้าทาย เช่น การตั้งค่าที่ซับซ้อนและความแม่นยำของเซ็นเซอร์ที่ไม่ชัดเจน จึงจำเป็นต้องมีการพัฒนากรอบงาน BMS แบบพกพาที่เป็นนวัตกรรมใหม่สำหรับการรวบรวมข้อมูลในสถานการณ์การใช้งานต่างๆ เช่น กำลังขยายสูง การศึกษานี้เสนอกรอบการทำงานที่ครอบคลุมของ BMS ซึ่งรวมเอาโมเดล DL เครือข่ายการลดความสามารถในการย่อยสลาย (CD Net) ที่พัฒนาไว้ก่อนหน้านี้ ซึ่งสามารถตอบสนองข้อกำหนดการตรวจสอบแบบเรียลไทม์ของการขับเคลื่อนด้วยไฟฟ้า ความสามารถในการรวบรวมข้อมูลและการรวมโมเดลได้รับการตรวจสอบผ่านการทดสอบ
2. การพัฒนาระบบ BMS
ภาพรวมของการพัฒนา BMS:แผงวงจรพิมพ์ได้รับการพัฒนาสำหรับ BMS ที่เสนอเพื่อรวบรวมข้อมูลสำคัญที่จำเป็นสำหรับการคาดการณ์สภาพแบตเตอรี่และดำเนินการตามการคาดการณ์ BMS ที่พัฒนาแล้วใช้ข้อมูลสภาพการทำงานจริง (รวมถึงแรงดันแบตเตอรี่ กระแสไฟ และอุณหภูมิ) สำหรับการคาดการณ์สภาพแบตเตอรี่ และข้อมูลที่รวบรวมจะถูกป้อนเข้าสู่โมเดลการเรียนรู้เชิงลึก (DL) สำหรับการคาดการณ์แบบเรียลไทม์
การวัดเซนเซอร์
การวัดกระแสและแรงดันไฟฟ้า:เซ็นเซอร์กระแสด้านสูง INA219 ใช้เพื่อวัดกระแสโดยการใส่ตัวต้านทานแบบแบ่ง เพื่อปรับให้เข้ากับสถานการณ์ปัจจุบันที่สูง ตัวต้านทานแบ่งค่าเริ่มต้น 0.1 Ω จะถูกแทนที่ด้วยตัวต้านทาน 0.01 Ω ซึ่งช่วยให้ช่วงการวัดปัจจุบันสูงถึง ± 32A
การวัดอุณหภูมิ:เซ็นเซอร์ PT100 Adafruit MAX31865 ถูกเลือกเพื่อวัดอุณหภูมิ ซึ่งใช้พลังงานต่ำ มีความแม่นยำสูง และมีเสถียรภาพ สมการ Callendar van Dusen ใช้เพื่อหาความสัมพันธ์ระหว่างอุณหภูมิและความต้านทาน เซ็นเซอร์ห้าตัวใช้ในการวัดอุณหภูมิพื้นผิวและอุณหภูมิโดยรอบของแบตเตอรี่สี่ก้อนตามลำดับ และดำเนินการสอบเทียบ
การควบคุมอุปกรณ์:เลือกแผงวงจร Wi Fi Arduino Uno Rev 2 เป็นตัวควบคุม ซึ่งมีความสามารถในการบันทึกข้อมูล ประมวลผลล่วงหน้า และส่งข้อมูล โดยจ่ายพลังงานให้กับเครือข่ายเซ็นเซอร์ผ่านตัวควบคุม 5V ภายใน และเชื่อมต่อเซ็นเซอร์และไมโครคอนโทรลเลอร์โดยใช้โปรโตคอล SPI
| พิมพ์ | การเชื่อมต่อ | ใช้ |
| พลังงานและอนุกรม | ยูเอสบี | แหล่งจ่ายไฟ 5 V รวมถึงการสื่อสารแบบอนุกรมไปยัง CPU หลัก |
| พื้น | จีเอ็นดี | สตาร์กราวด์ร่วมสำหรับทุกส่วนประกอบในเครือข่ายเซ็นเซอร์ |
| สับวี+ | เซ็นเซอร์ปัจจุบัน V+ | การเชื่อมต่อเคลวินที่เป็นบวกจากกระแสแบ่งเป็นขั้วบวกของแบตเตอรี่ |
| สับวี- | เซ็นเซอร์ปัจจุบัน V- | การเชื่อมต่อเคลวินเชิงลบจากการแบ่งปัจจุบันเป็นโหลดบวก |
| พิน Arduino | ||
| เอสซีแอลเค | Arduino พิน 13 | สายนาฬิกาสำหรับ SPI |
| สดีโอ | Arduino พิน 12 | เอาต์พุตข้อมูลแบบอนุกรมสำหรับ SPI |
| เอสดีไอ | Arduino พิน 11 | อินพุตข้อมูลแบบอนุกรมสำหรับ SPI |
| ซีเอส1 | Arduino พิน 10 | ชิปเลือกเซ็นเซอร์อุณหภูมิ 1 |
| ซีเอส2 | Arduino พิน 9 | ชิปเลือกเซ็นเซอร์อุณหภูมิ 2 |
| ซีเอส3 | อาร์ดูโน่ พิน 8 | ชิปเลือกเซ็นเซอร์อุณหภูมิ 3 |
| ซีเอส4 | อาร์ดูโน่ พิน 7 | ชิปเลือกเซ็นเซอร์อุณหภูมิ 4 |
| ซีเอส5 | อาร์ดูโน่ พิน 6 | ชิปเลือกเซ็นเซอร์อุณหภูมิ 5 |
| เอสซีแอลเค | พิน Arduino SCLK | นาฬิกาข้อมูลแบบอนุกรมสำหรับ I2C |
| สดีโอ | Arduino พิน SDO | ที่อยู่ข้อมูลแบบอนุกรมสำหรับ I2C |
| วัตถุประสงค์ | เซ็นเซอร์ที่ใช้ | แรงดันไฟฟ้าที่ใช้งาน | กระแสไฟจ่ายสูงสุด |
| แพ็คเซ็นเซอร์แรงดันและกระแส | อดาฟรุ๊ต INA219 | 3.0 - 5.5 V | 1 มิลลิแอมป์ |
| เซ็นเซอร์อุณหภูมิพื้นผิวแบตเตอรี่ | อดาฟรุ๊ต PT100 MAX31865 | 3.0 - 3.6 V | 3 มิลลิแอมป์ |
| เซ็นเซอร์อุณหภูมิแวดล้อม | อดาฟรุ๊ต PT100 MAX31865 | 3.0 - 3.6 V | 3 มิลลิแอมป์ |
การประมาณค่า SOH:ข้อมูลแรงดันไฟฟ้าและอุณหภูมิที่รวบรวมโดย BMS จะถูกส่งไปยังคอมพิวเตอร์ และข้อมูลปัจจุบันจะใช้ในการคำนวณสถานะการชาร์จ (SOC) ของแบตเตอรี่ด้วยวิธีนับคูลอมบ์ SOC พร้อมด้วยความจุปกติและองค์ประกอบทางเคมีของแบตเตอรี่ จะถูกป้อนลงในแบบจำลอง CD Net เพื่อคาดการณ์ความสามารถในการคายประจุของแบตเตอรี่และคำนวณ SOH โมเดล CD Net ใช้การผสมผสานของโครงข่ายประสาทเทียมที่มีโครงสร้างเฉพาะ ซึ่งได้รับการปรับให้เหมาะสมและประมวลผลเพื่อการทำนาย
| ลักษณะเฉพาะ | ค่า |
| เคมีของเซลล์ | กสทช |
| ฟอร์มแฟคเตอร์ของเซลล์ | 18650 |
| ความจุที่กำหนด | 3120 มิลลิแอมป์ |
| แรงดันไฟฟ้าที่กำหนด | 3.6 V |
| ค่าบริการมาตรฐาน | CCCV, 1 C, 4.2 V |
| การปล่อยมาตรฐาน | ประจุคงที่ 1 C, 2.5 V |
| น้ำหนัก | 46.4 ± 1.5 g |
3. การตั้งค่าการทดลอง
ภาพรวมของการตั้งค่าการทดลอง:ชุดแบตเตอรี่ที่ประกอบด้วยแบตเตอรี่ 18650 Sony VTC 6 สี่ก้อนที่ต่ออนุกรมกันได้รับการทดสอบโดยใช้ระบบเคมี NCA มีการแนะนำข้อกำหนดเฉพาะที่เกี่ยวข้องของแบตเตอรี่แต่ละก้อนและชุดแบตเตอรี่
การทดสอบภาคพื้นดิน:จุดประสงค์คือเพื่อวิเคราะห์ประสิทธิภาพของ BMS ที่พัฒนาขึ้นใหม่ก่อนนำไปใช้กับรถยนต์ขับเคลื่อนด้วยไฟฟ้า ใช้ระบบ NEWARE Powerwall CT-4004-20V20A เป็นโหลด เชื่อมต่อ BMS เข้ากับชุดแบตเตอรี่และโหลด ตรวจสอบแรงดันไฟฟ้า กระแสไฟฟ้า และอุณหภูมิพื้นผิวของแบตเตอรี่แต่ละชุด และบันทึกข้อมูลด้วย BMS วางเซ็นเซอร์ RTD ไว้ที่กึ่งกลางของแบตเตอรี่และบันทึกทิศทางของชุดแบตเตอรี่เพื่อให้แน่ใจว่าการบันทึกอุณหภูมิมีความสม่ำเสมอ ทำการชาร์จและคายประจุ 42 รอบ โดยมีรูปแบบวงจรคล้ายกับการทดลองรับรองของ NASA สำหรับดาวเทียมขนาดเล็ก
การทดสอบทางอากาศ:ดำเนินการหลังการทดสอบภาคพื้นดิน โดยใช้เครื่องบินไฟฟ้า (โดรน FLYWOO Explorer) เป็นเวลา 20 รอบการปล่อยประจุเพื่อรวบรวมข้อมูลภายใต้สภาวะการปล่อยประจุที่มีอัตราสูง ข้อมูลเบื้องต้นเกี่ยวกับพารามิเตอร์ที่เกี่ยวข้องของเครื่องบิน มีการติดตั้งชุดแบตเตอรี่บนวงเล็บพิมพ์ 3 มิติ BMS อยู่ด้านบน โปรโตคอลการชาร์จสอดคล้องกับการทดสอบภาคพื้นดิน แต่วงจรการคายประจุจะเป็นแบบสุ่ม เครื่องบินจะอยู่เหนือพื้นดินประมาณ 1 ฟุตระหว่างการปลดประจำการ เมื่อ BMS แสดงว่าแรงดันแบตเตอรี่ถึง 10V การคายประจุจะหยุดลงและรถจะพักเป็นเวลา 0.167 ชั่วโมงก่อนทำการชาร์จ
4. ผลลัพธ์และการสนทนา
สรุปผลการอภิปราย:แนะนำผลลัพธ์และการค้นพบที่สำคัญที่ได้รับโดยใช้ BMS ที่พัฒนาขึ้นใหม่ (รวมถึงการทำนายแบบจำลอง CD Net) BMS ที่พัฒนาขึ้นใหม่รวบรวมข้อมูลจากโหลดแบตเตอรี่แบบคงที่และไดนามิก และรวมเข้ากับรุ่น DL เช่น CD Net ได้อย่างราบรื่น ให้ความยืดหยุ่นในการปรับให้เข้ากับการพัฒนาทางเทคโนโลยี
ผลการทดสอบภาคพื้นดิน
การวัดเส้นโค้งแรงดันไฟฟ้า:ข้อมูลเวลาแรงดันไฟฟ้าของรอบการชาร์จและคายประจุ 42 รอบของ BMS และอุปกรณ์ทดสอบ (BAn) มีความคล้ายคลึงกัน แม้ว่าข้อมูล BMS จะมีความล่าช้าเริ่มต้น แต่ในที่สุดข้อมูลก็จะมาบรรจบกัน โดยมีค่าเบี่ยงเบนเฉลี่ย 0.2V ระหว่างทั้งสอง ส่วนแรงดันไฟฟ้าคงที่ของเส้นโค้งคายประจุสามารถใช้เพื่อศึกษาความสัมพันธ์กับ SOH ได้ และการเบี่ยงเบนเกิดจากความแตกต่างของอัตราการส่งข้อมูลและนาฬิกาภายใน
การวัดเส้นโค้งปัจจุบัน:ข้อมูลปัจจุบันของ BMS และ BAn ได้รับการจับคู่โดยรวม และการเปลี่ยนแปลงในปัจจุบันระหว่างขั้นตอนการคายประจุและการชาร์จเป็นไปตามกฎ อย่างไรก็ตาม มีความล่าช้าในการอ่านข้อมูล BMS ในระหว่างขั้นตอนการแปลงปัจจุบัน ส่งผลให้เกิดการเบี่ยงเบนบางประการ หลังจากลบจุดข้อมูลส่วนเบี่ยงเบนขนาดใหญ่แล้ว ค่าเบี่ยงเบนเฉลี่ยจะน้อยลง และการอ่านค่าปัจจุบันมีความแม่นยำมากกว่าการอ่านแรงดันไฟฟ้า
การวัดอุณหภูมิโค้ง:ตรวจสอบอุณหภูมิพื้นผิวของแบตเตอรี่สี่ก้อนและพบว่าอุณหภูมิค่อยๆ เพิ่มขึ้นในระหว่างกระบวนการชาร์จและการคายประจุ จนถึงจุดสูงสุดเมื่อสิ้นสุดการชาร์จด้วยกระแสคงที่ จากนั้นอุณหภูมิจะเปลี่ยนแปลงไปในระหว่างการชาร์จและการคายประจุด้วยแรงดันไฟฟ้าคงที่ แบตเตอรี่ก้อนที่สี่ในชุดแบตเตอรี่มีอุณหภูมิค่อนข้างสูงและ BMS สามารถตรวจจับและแสดงความแตกต่างของอุณหภูมิของแบตเตอรี่แต่ละก้อนได้ ความผิดปกติของอุณหภูมิสามารถนำมาใช้ในการจัดการแบตเตอรี่ได้
ผลการทดสอบทางอากาศ
การวัดเส้นโค้งกระแสและแรงดันไฟฟ้า:ในระหว่างการบินของโดรน กระแสจะเปลี่ยนแปลงแบบสุ่ม และ BMS สามารถบันทึกกระแสการปล่อยประจุสูงได้อย่างแม่นยำ กระแสคายประจุจะเพิ่มขึ้นตามจำนวนการทดสอบ และแรงดันไฟฟ้าลดลงจาก 16.8V เป็น 10V ในระหว่างกระบวนการคายประจุ กระแสและแรงดันไฟฟ้าได้รับผลกระทบจากการปรับทัศนคติการบินระหว่างการบิน
การวัดอุณหภูมิโค้ง:ในระหว่างการทดสอบทางอากาศ อุณหภูมิพื้นผิวของแบตเตอรี่จะสูงกว่าอุณหภูมิในการทดสอบภาคพื้นดิน โดยมีอุณหภูมิสูงสุดประมาณ 55 องศาเซลเซียส ในระหว่างกระบวนการชาร์จ อุณหภูมิมีแนวโน้มที่จะลดลง และในระหว่างกระบวนการคายประจุ อุณหภูมิจะค่อยๆ เพิ่มขึ้น อุณหภูมิของแบตเตอรี่ที่แตกต่างกันมีความแตกต่างกัน และความผันผวนของอุณหภูมิจะได้รับผลกระทบจากการปรับทัศนคติในการบิน
ผลลัพธ์ของชุดการเรียนรู้เชิงลึก:ในการทดสอบภาคพื้นดิน ความจุของแบตเตอรี่ค่อยๆ ลดลง และแบบจำลอง CD Net คาดการณ์ความจุจากรอบที่ 5 ซึ่งคล้ายกับความจุนับคูลอมบ์ที่บันทึกโดย BMS การทำนายของแบบจำลองค่อนข้างแม่นยำ ความสามารถในการนับคูลอมบ์ไม่เสถียรในระหว่างการทดสอบทางอากาศ แต่แบบจำลองยังคงสามารถคาดการณ์ได้โดยมีความแตกต่างโดยเฉลี่ยที่ 0.046Ah เมื่อเปรียบเทียบความจุที่วัดโดยวิธีนับคูลอมบ์กับความจุที่คาดการณ์ไว้ของแบบจำลอง ทำให้สามารถยืนยันการรวมโมเดล BMS และ DL ได้สำเร็จ ซึ่งสามารถใช้เพื่อคาดการณ์สภาวะสุขภาพ (SOH) ของแบตเตอรี่ได้
5. สรุป
สรุปผลการวิจัย:การรวบรวมข้อมูลสภาพการทำงานจริงของยานพาหนะขับเคลื่อนด้วยไฟฟ้าต้องใช้ BMS แบบพกพาที่สามารถทำงานภายใต้สภาวะที่ไม่เอื้ออำนวย เช่น การคายประจุ LIB ในอัตราที่สูง งานวิจัยนี้นำเสนอสถาปัตยกรรม BMS ใหม่ ซึ่งใช้เฟรมเวิร์กเอดจ์และคลาวด์ในการบันทึก ส่ง และรับข้อมูล และสามารถจัดการกับการคายประจุที่มีอัตราสูง แทนที่วิธีการดั้งเดิมที่ใช้ CAN บัสและคอมพิวเตอร์เอดจ์
สรุปผลการทดสอบ:มีการทดสอบภาคพื้นดินและทางอากาศ และอุณหภูมิพื้นผิวของแบตเตอรี่สูงที่สุดเมื่อสิ้นสุดระยะกระแสคงที่ที่คายประจุ อุณหภูมิพื้นผิวของแบตเตอรี่ยังสูงขึ้นอีกในการทดสอบทางอากาศ โดยสูงถึงเกือบ 55 องศาเซลเซียส อุณหภูมิที่เพิ่มขึ้นอาจเกิดจากปัจจัยต่างๆ เช่น อายุของแบตเตอรี่และการเปลี่ยนแปลง SOC และอุณหภูมิที่มากเกินไปอาจทำให้แบตเตอรี่ขัดข้อง ในระหว่าง 42 รอบบนพื้นดินและ 20 รอบในอากาศ อุณหภูมิพื้นผิวจะค่อยๆ เพิ่มขึ้น
ผลการทำนายแบบจำลอง:แบบจำลอง CD Net ใช้ข้อมูลที่รวบรวมมาคาดการณ์สภาวะสุขภาพ (SOH) ของแบตเตอรี่ภายใต้สภาวะการทำงานจริง การทำนายความจุของแบบจำลองสำหรับรอบถัดไปในการทดสอบภาคพื้นดินค่อนข้างแม่นยำ โดยมีค่าเบี่ยงเบนเฉลี่ยอยู่ที่ {{0}}.026 Ah; แม้ว่าจะมีความผันผวนของความจุในระหว่างการทดสอบทางอากาศ แต่ความแตกต่างโดยเฉลี่ยที่คาดการณ์ไว้คือ 0.046 Ah และ BMS ก็สามารถรวบรวมข้อมูลภายในช่วงเกณฑ์ของเซ็นเซอร์แรงดันไฟฟ้ากระแสได้อย่างมีประสิทธิภาพ