Man mano che i caricatori acquistano potenza di elaborazione e le flotte generano dati, l'apprendimento automatico offre una nuova via alle decisioni di carica che i modelli classici ricavano dalla fisica: apprendere lo stadio di corrente che massimizza l'efficienza (gli schemi a corrente costante multistadio controllati da ANFIS riportati per NiMH/NiCd), riconoscere il pattern di fine carica dalle tracce di tensione e temperatura, e correggere i residui del modello nella stima dello stato di carica e termica. Questo articolo finale del gruppo stima esamina ciò che la carica basata sui dati fa realmente bene nel NiMH, i dati di addestramento e la disciplina di validazione che richiede, e perché i progetti sicuri in produzione mantengono un pavimento fisico e limiti cablati sotto ogni politica appresa – così la flessibilità dell'apprendimento non diventa mai una corrente di carica illimitata.
Tre punti di inserimento sono produttivi. Primo, ottimizzazione del profilo: apprendere le transizioni degli stadi di corrente che massimizzano l'efficienza di carica o minimizzano calore/tempo, esemplificata dai controller a corrente costante multistadio neuro-fuzzy adattivi (ANFIS) validati in simulazione, che regolano le correnti di stadio dalla risposta tensione-temperatura in evoluzione. Secondo, stima: correzione neurale o con processo gaussiano delle previsioni ECM/Kalman di stato di carica e termiche, catturando la discrepanza residua che un modello fisso lascia. Terzo, classificazione: riconoscere carica completa, guasto o disallineamento dalle caratteristiche delle tracce come canale parallelo al -delta-V/dT/dt.
Ciascuno usa l'apprendimento per affinare una decisione strutturata invece di sostituire l'architettura di carica; la macchina a stati e i limiti duri del gruppo terminazione restano, con la logica appresa che regola parametri entro intervalli delimitati.
Il lavoro riportato sulla carica intelligente NiMH/NiCd accoppia un front-end PFC boost con un'uscita a corrente costante multistadio le cui correnti di stadio sono selezionate da un sistema di inferenza neuro-fuzzy adattivo addestrato sul comportamento di carica, e valida lo schema in MATLAB rispetto alla carica a corrente fissa. Il fascino è che la struttura fuzzy/neuronale esprime regole di esperto – «se la tensione sale ripida e la temperatura è calma, mantenere la corrente; se il pendio si appiattisce, scalare verso il basso» – apprendendone le soglie dai dati, combinando interpretabilità e adattamento.
È un modello pragmatico: invece di una rete neurale end-to-end che emetta una corrente arbitraria, un controller strutturato apprende i parametri di uno scheletro di corrente decrescente già sicuro, così anche un apprendista non addestrato o guasto degrada a un profilo convenzionale conservatore.
I modelli di carica supervisionati hanno bisogno di verità di riferimento etichettata: stato di carica di riferimento da un conteggio coulombiano calibrato ancorato agli estremi, istanti di carica completa di riferimento da pressione/temperatura strumentati, e calore da termocoppie – coprendo l'intera griglia di corrente, temperatura, età e lotto di celle che il prodotto incontrerà. La variazione da lotto a lotto e con l'età del NiMH significa che un modello addestrato solo su celle fresche a temperatura ambiente fallisce su quelle invecchiate e fredde; la copertura del set di dati, non la sofisticazione dell'algoritmo, è di solito il vincolo determinante.
Le caratteristiche devono essere fisicamente significative e riferite alla corrente – dV/dt filtrato, dT/dt, resistenza da impulsi, carica cumulativa, rilassamenti a riposo – invece di tracce grezze rumorose, il che riduce i dati necessari e rende verificabile il comportamento appreso.
Una politica di carica appresa deve essere validata prima su dati tenuti da parte, poi nell'iniezione di guasti hardware-in-the-loop, poi in prove in camera vincolate con limiti cablati di sovratemperatura, sovratensione e timer che l'apprendista non può annullare. Poiché un modello può proporre una corrente fuori distribuzione di fronte a condizioni nuove, i progetti di produzione bloccano le uscite apprese entro limiti derivati dalla fisica e tornano al controller classico in caso di incertezza, guasto del sensore o disaccordo tra canali.
Questo «apprendimento consultivo dentro un involucro duro» è la stessa filosofia di difesa in profondità dei criteri di terminazione stessi: lo strato appreso ottimizza il caso nominale; il pavimento fisico garantisce il caso peggiore.
Un filtro di Kalman su un buon ECM raggiunge già nel lavoro NiMH riportato all'incirca più o meno il 3 per cento di stato di carica da un grande errore iniziale, è spiegabile e non necessita di un grande set di dati; il ML si guadagna il posto dove il modello fisico è strutturalmente inadeguato – invecchiamento fortemente non lineare, deriva dei parametri su tutta la flotta, riconoscimento di pattern di guasto sottili – e dove esistono dati sufficientemente vari. Le rassegne di modellazione termica posizionano analogamente il ML come correttore residuo di un nucleo fisico piuttosto che come predittore autonomo, preservando l'estrapolazione sicura.
La prima figura contrappone un osservatore classico a un controller aumentato ad apprendimento; la seconda mette in sequenza il pipeline sicuro dall'addestramento all'impiego, dai dati etichettati all'impiego delimitato sotto limiti duri.
Definire prima la decisione e i suoi limiti di uscita consentiti; costruire lo scheletro strutturato e i limiti duri; raccogliere un set di dati che copra corrente-temperatura-età-lotto con etichette di riferimento; addestrare modelli interpretabili con caratteristiche fisiche; dimostrare il miglioramento rispetto alla baseline classica su celle tenute da parte (non semplicemente campioni tenuti da parte delle stesse celle); e rilasciare con fallback, rilevamento dell'incertezza e governance degli aggiornamenti over-the-air. Weijiang può fornire campioni di celle che coprono la variazione e caratterizzazione di carica di riferimento per costruire tali set di dati senza confondere variazione di cella ed errore del modello.
Stabiliti i metodi di stima – dal conteggio coulombiano all'EIS, ai modelli elettrotermici e all'apprendimento – la serie passa dal conoscere la cella all'osservarne l'usura: il prossimo gruppo esamina come il protocollo di carica stesso guidi l'invecchiamento e il degrado del NiMH.
Weijiang Power progetta e produce celle nichel-idruro metallico, pack abbinati e configurazioni pronte per la carica per clienti di consumo, industriali, medici e di mobilità, e supporta i partner con indicazioni sui protocolli di carica, file di prestazioni IEC 61951-2, evidenze di sicurezza IEC 62133-1 e co-validazione dei caricatori. Comunicateci formato cella, tasso di carica, involucro termico e obiettivo di cicli, e i nostri ingegneri definiranno una combinazione cella-carica che protegge sia l'autonomia sia la vita utile. Consultate la gamma sulla pagina prodotti.
