Ágrip
Heilbrigðisástand (SOH) matstækni fyrir litíumjónarafhlöður skiptir sköpum fyrir öryggi og áreiðanleika rafknúinna ökutækja. Með þróun gervigreindar (AI) og vélanáms (ML) tækni, er sviði rafhlöðustjórnunar farið að taka upp þessar aðferðir til að bæta skilvirkni og stöðugleika. Sérstaklega hafa taugakerfi sýnt kosti í mikilli skilvirkni, lítilli orkunotkun, mikilli styrkleika og sveigjanleika í SOH uppgerð og spá. Sýnt hefur verið fram á að blendingslíkanið, ásamt jafngildum hringrásarlíkönum (ECM) og djúpu námi, hefur möguleika á að bæta nákvæmni og rauntíma frammistöðu SOH mats. Leiðbeiningar um framtíðarrannsóknir fela í sér að nýta fleiri gögn á staðnum fyrir skimun heilsueiginleika og smíði líkana, svo og greindar skimun og samsetningu rafhlöðubreyta til að einkenna raunverulegan SOH nákvæmari. Þróun þessarar tækni mun efla enn frekar vísindalega, áreiðanlega, stöðuga og öfluga stjórnun rafgeyma í rafbílum.
1. Í stuttu máli
1.1 Mikilvægi litíumjónarafhlöður fyrir rafknúin farartæki og mikilvægi SOH mats
Lithium ion rafhlöður skipta sköpum fyrir rekstur rafknúinna ökutækja og afköst þeirra verða fyrir áhrifum af ýmsum niðurbrotsferlum. Nákvæmt mat á heilsufari (SOH) rafgeyma er mikilvægt til að tryggja örugga, áreiðanlega og hagkvæma notkun rafknúinna ökutækja. Eftir því sem eftirspurn eftir rafknúnum ökutækjum eykst, verður SOH eftirlit sífellt mikilvægara, þar sem litíumjónarafhlöður falla venjulega niður í 80% af upprunalegri getu áður en endingartíma þeirra lýkur. Að auki er hleðsluástand (SOC) einnig lykilatriði og breytingar hennar geta endurspeglað öldrun og niðurbrot rafhlöðunnar. Nákvæm SOC spá er gagnleg fyrir SOH mat, sem aftur ákvarðar eftirstandandi endingu rafhlöðunnar.
1.2 Þróun SOH matsaðferða
Yfirlit og framfarir núverandi aðferða:Margar SOH matsaðferðir hafa verið þróaðar, þar á meðal SOC byggðar aðferðir samþætta rauntímagögn eins og straum, spennu og hitastig til að ná nákvæmari SOH spá í mörgum hleðslu- og afhleðslulotum, hámarka afköst rafhlöðunnar, koma í veg fyrir bilanir og lengja endingu rafhlöðunnar . Nýjustu framfarir í vélanámsaðferðum hafa aukið SOH-mat enn frekar og taugakerfi eins og straum- og snúningstaugakerfi standa sig vel í rafhlöðulíkönum, standa sig betur en hefðbundnar aðhvarfsaðferðir hvað flókið og nákvæmni varðar, með meðalvillufrávik um 0 0,16% og rótmeðalferningsvilla upp á 5,57mV á rafhlöðufrumustigi.
1.3 Flokkun og einkenni rafhlöðulíkanaaðferða
Greiningaraðferðir eins og straumsamþætting og OCV-tækni geta gefið skýrt SOH mat, en eru fyrir áhrifum af uppsöfnuðum hávaða og krefjast þess að standa lengi til að tryggja nákvæmni.
Líkön byggð nálgun
Hvítur kassi líkan:Byggt á nákvæmum rafefnafræðilegum meginreglum, líkir það eftir hegðun rafhlöðunnar með grunnbreytum með mikilli nákvæmni. Hins vegar draga miklar reiknikröfur þess og einfaldaðar forsendur fyrir raunverulegu gangverki úr nákvæmni þess við kraftmikil skilyrði, sem gerir það óhentugt fyrir rauntímaforrit.
Gráar kassagerðir (eins og ECM):Með því að sameina líkamlega innsýn og reynsluleiðréttingar, með því að nota hringrásarlíkingu til að nálgast rafhlöðuhegðun, er hægt að meta SOC með mikilli nákvæmni (venjulega innan 3% skekkju) og er gagnlegt fyrir rauntíma SOH mat og spá um eftirstandandi endingartíma (RUL) en standa frammi fyrir áskorunum í gagnagæðum og reiknikröfum. Einfalt jafngilt hringrásarlíkan fyrir litíumjónarafhlöður (þar á meðal raðviðnám og allt að tveir RC þættir) er hægt að nota til áreiðanlegrar uppgerð, en flóknari ECM (þar á meðal margar RC greinar eða stöðugar fasa þættir CPE) geta líkt eftir mjög kraftmiklum ferlum (ss. sem rekstur rafknúinna ökutækja), en aukin eftirspurn eftir reikningum hefur knúið áfram þróun á fullkomnari SOH matsaðferðum.
Svarta kassalíkan (gagnadrifin nálgun):Byggt á inn- og úttaksgögnum er líkanið smíðað án þess að treysta á þekkingu á innri vinnureglum. Vélnámstækni getur spáð fyrir um stöðu rafhlöðunnar út frá miklu magni mæligagna. Vélarnám skarar fram úr við að bera kennsl á mynstur í flóknum gagnasöfnum, svo sem fjölrása tauganetum sem hafa mikla nákvæmni í mati á getu, en treysta á hágæða og fjölbreytt þjálfunargögn. Hins vegar, í hagnýtum ökutækjum, er ekki hægt að mæla margar innri breytur beint og gagnaskortur og skortur á túlkun gerir líkanið erfitt að skilja og viðhalda.
1.4 Þróun líkanaaðferða og þróun blendingalíkana
Þróun líkanabundinna aðferða:Undanfarinn áratug hafa líkanbundnar aðferðir þróast stöðugt, þar á meðal Kalman síun (KF) og framlengingar hennar (eins og Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Þessar aðferðir hafa mikla nákvæmni við mat á rafhlöðuástandi, en krefjast nákvæmra kraftmikilla líköna og eru flóknar í framkvæmd.
Uppgangur blendinga módela:Til að bregðast við takmörkunum raunverulegra gagna og bæta reikniskilvirkni hafa blendingslíkön komið fram, sem sameina líkanatengdar og gagnadrifnar aðferðir til að þjálfa vélanámslíkön með nákvæmum uppgerðum. Á sama tíma hefur vélanámstækni tekið miklum framförum á undanförnum fimm árum, þar á meðal líkindaaðferðir, meta-nám, andstæð nám, hálf-stýrt nám, o.s.frv. Djúpnám (undirmengi vélanáms) hefur reynst vel í skipulagðri úrvinnslu og ómótuð gögn. Physical Information Neural Networks (PINNs) sameina empirísk niðurbrotslíkön við tauganet til að bæta SOH mat, auka aðlögunarhæfni aðferða við mismunandi rafhlöðugerðir og aðstæður. Með þróun bílaiðnaðarins eru þessar tækniframfarir mikilvægar til að hámarka afköst rafhlöðunnar, koma í veg fyrir bilanir og styðja við þróun rafknúinna farartækja.
1.5 Yfirlit yfir síðari kafla í þessari grein
Í 2. kafla er að finna ítarlega kynningu á aðferðum við skimun og val á yfirlitsritum, sem tryggir kerfisbundið og yfirgripsmikið eðli rannsóknaraðferðafræðinnar. Hluti 3 veitir ítarlega greiningu á aðferðum við mat á hleðsluástandi, kannar áhrif niðurbrotsaðferða rafgeyma á líkanaaðferðir fyrir rafgeyma rafbíla, þar á meðal Kalman síun og endurbættar aðferðir hennar, svo og samþættingu við öldrunarlíkön. Hluti 4 fjallar um SOH matstækni, ber saman hefðbundnar aðferðir við nýjar aðferðir og leggur áherslu á aðferðir sem eiga við um rafknúin farartæki. Kafli 5 sýnir fram á hlutverk djúpnáms í SOH mati, svo sem langtíma skammtímaminni (LSTM) netkerfi og blendingslíkön, sem og hvernig snúningstaugakerfi (CNN) íhuga hagnýta þætti til að bæta nákvæmni heilsumats. Að lokum, kafli 6 dregur saman og hlakkar til framtíðarrannsóknaleiðbeininga fyrir rafhlöðuheilbrigðisstjórnunarkerfi til að styðja við þróun rafbílamarkaðarins og annarra orkugeymsluforrita.
2. Efni og aðferðir
2.1 Skilgreining rannsóknarspurningar
Þessi rannsókn leggur til fimm lykilspurningar til að leiðbeina beitingu vélanámstækni í SOH mati á litíumjónarafhlöðum í rafknúnum ökutækjum.
Skýrðu helstu vélanámsaðferðir sem nú eru notaðar til að meta heilsufar (SOH) litíumjónarafhlöðu í rafknúnum ökutækjum og skoðaðu tiltekna reiknirit og líkön sem þróuð eru og notuð af vísindamönnum.
Kannaðu áhrif mismunandi gagnagjafa (rannsóknarstofu, farartækis og vettvangsgagna) á nákvæmni og styrkleika SOH mats vélanámslíkana, greindu hvernig gagnagjafar hafa áhrif á frammistöðu líkansins og ákvarðaðu hvaða gögn eru hagkvæmust fyrir nákvæma SOH spá.
Þekkja helstu áskoranir þess að beita vélanámsaðferðum í SOH mati á litíumjónarafhlöðum, sem og afbrigði þessara áskorana við mismunandi umhverfisaðstæður og notkunarsviðsmyndir, svo sem hitasveiflur, öldrun og áhrif mismunandi notkunarmáta á nákvæmni SOH mats.
Berðu saman greiningaraðferðir SOH mats, muninn á hefðbundnum aðferðum og þróunarferli þeirra, rannsakaðu hvernig vélanámsaðferðir geta verið samþættar þessum hefðbundnu aðferðum, auðkenndu kosti þeirra, galla og hugsanlega samlegðaráhrif.
Horft fram á við til framtíðarrannsóknaleiðbeininga til að bæta nákvæmni, aðlögunarhæfni og reikniskilvirkni vélanáms byggðra SOH matslíkana í litíumjónarafhlöðum fyrir rafknúin farartæki, greina rannsóknareyður, tæknilegar kröfur og nýstárlegar aðferðir.
2.2 Bókmenntaleit og skimun
Val á gagnagrunni og leitaraðferð:Conduct a comprehensive literature search using Scopus database, determine keywords based on research questions, and use Boolean search strings (TITLE-ABS-KEY (electric AND vehicle) AND KEY (battery AND state AND of AND health) AND TITLE-ABS-KEY (lithium AND ion) AND PUBYEAR>2003 OG PUBYEAR<2025) to retrieve papers and patents published between 2003 and 2024. A total of 882 documents and 16286 patents were obtained, nearly half of which were published between 2020 and 2024, reflecting the industrial demand and progress in this field. The search results are distributed by year, major journals, national and patent offices, showing the time trend of research, journal distribution, regional diversity, and industry development priorities (such as battery management systems, modular architecture, vehicle control systems, and low resistance materials).
Bókmenntaskimun og fókus:Bókmenntir sem sóttir eru ná yfir mörg fræðisvið, þar sem verkfræðisviðið er hæst (730 greinar), þar á eftir koma orku, tölvunarfræði og stærðfræði. Eftir að hafa einbeitt sér að sviði tölvunarfræði voru 209 viðeigandi skjöl auðkennd, þar af voru 183 birt á árunum 2019 til 2024, sem gefa til kynna tímanleika gagnanna. Þessi skjöl innihalda ráðstefnurit, greinar, umsagnir og bókakafla, með 72 greinar sem birtar voru á árunum 2009 til 2024 sem aðal rýnigrundvöllur, en handvirkt innlimað viðeigandi greinar og bókakafla frá öðrum verkfræðisviðum til að tryggja alhliða umfjöllun um rannsóknarsvið og fanga nýstárlegar tækniframfarir í notkun gervigreindar til að bæta rafhlöðustjórnunarkerfi.
3. State of Charge (SOC) matstækni
3.1 Niðurbrotskerfi rafhlöðu og áhrif þess á frammistöðu
Lithium ion rafhlöður brotna aðallega niður með tveimur aðferðum:litíum birgðatap (LLI) og virkt efnistap (LAM). LLI tengist myndun fastra raflausnaviðmóta (SEI) lagsins á rafskautinu, sem stafar af hliðarhvarfi milli litíumjóna og raflausnarinnar. LAM stafar af innri vélrænni streitu í rafhlöðunni, svo sem endurtekinni þenslu og samdrætti rafskautsefna við hleðslu og afhleðslu, sem leiðir til örsprungna og losunar rafskautsagna, sem dregur úr virka yfirborði sem er tiltækt fyrir rafefnafræðileg viðbrögð og dregur þannig úr rafhlöðugetu, auka innri viðnám og hafa að lokum áhrif á afköst rafhlöðunnar. Þessum niðurbrotsaðferðum er hraðað af þáttum eins og hátt hleðsluástandi, háum hita og árásargjarnum hjólreiðum. Ítarlegar upplýsingar og líkanaupplýsingar um ýmsar öldrunaraðferðir (varma, rafefnafræðilegar osfrv.) er að finna í viðeigandi bókmenntum.
3.2. SOC mats- og líkanatækni fyrir rafhlöður rafbíla
Í daglegri notkun rafknúinna ökutækja er rafhlaðan oft hlaðin við 20% -40% SOC til að viðhalda heilsu rafhlöðunnar, en ólínulegir og niðurbrotseiginleikar rafhlöðunnar geta leitt til ónákvæmra SOC-lestra, sem hefur áhrif á mat á rafhlöðu full afkastagetu. Afköst og viðhald litíumjónarafhlöðu verða einnig fyrir áhrifum af loftslagi, þar sem hitastig og ferskleiki raflausna (ákvörðuð af framleiðslu- og áfyllingardögum) hafa áhrif á skilvirkni og endingu rafhlöðunnar. Eiginleikar nýrra raflausnar rafhlöður geta verið mismunandi við mismunandi loftslag og hitastjórnunaraðferðir geta hjálpað til við að takast á við hitatengd afköst og bæta endingu rafhlöðunnar.
Hefðbundið jafngildi hringrásarlíkan (ECM) er almennt notað til að meta SOC, en krefst tíðrar kvörðunar. Greinin veitir nákvæma kynningu á SOC útreikningsjöfnunum sem byggjast á ECM (þar á meðal samfelldum og stakum formum), sem felur í sér stöðurýmisjöfnur, opnu spennu- og SOC samhengisjöfnur, SOC uppfærslujöfnur stakra tíma léns og spennuuppfærslujöfnur. Viðeigandi færibreytur (svo sem viðnám, rýmd, opnu rafrásarspenna osfrv.) eru nátengdar SOC. Staðlaðar rannsóknarstofuprófanir (eins og blönduð púlsaflprófun við mismunandi hitastig) er almennt notuð til að bera kennsl á færibreytur rafhlöðulíkans, en ónákvæmni líkans og mælingarhávaða getur leitt til lítilla villna í SOC mati. Til að bæta nákvæmni SOC mats hafa ýmsar aðferðir verið notaðar eins og Kalman síun og framlengingar hennar, PI byggt áhorfandi, renna ham áhorfandi o.s.frv. og mælingarhljóð. Að auki, þó rafefnafræðileg viðnám litrófsgreining (EIS) geti metið eiginleika rafhlöðunnar (þar á meðal SOC og SOH), er það tímafrekt og óframkvæmanlegt í stórum stíl (eins og rafknúinn ökutækjaflota), sem gerir það erfitt að fanga kraftinn og breytast. rekstrarskilyrði rafgeyma rafgeyma. Þess vegna er þörf á aðlögunarhæfari og skilvirkari aðferð.
3.3. Bæta tækni
Kalman sía og endurbótaaðferðir hennar:Kalman sía (KF) og framlengingar hennar (eins og Extended Kalman Filter EKF, Unscented Kalman Filter UKF, Volume Kalman Filter CKF) eru mikið notaðar til SOC mats. KF veitir ákjósanlegasta SOC-matið með því að lágmarka meðaltalskvaðratskekkju, leysa vandamál uppsafnaðrar villu og upphafs SOC-óvissu. Hins vegar er það hentugur fyrir línuleg tímabreytileg kerfi þar sem ólínuleg gangverki rafhlaðna krefst línulegrar nálgunar. Þrátt fyrir að EKF stækki KF rammann til að takast á við ólínuleg líkön, getur línuleg áhrif haft áhrif á nákvæmni og leitt til fráviks mats. Nýjar aðferðir eins og UKF og CKF nota sigma punktamat til að áætla ólínulega umbreytingartölfræði, á meðan CKF notar kúlulaga geislalaga rúmmálsreglu til að reikna út fjölbreytu augnabliksheildir til að bæta nákvæmni ólínulegrar Bayesískrar síunar. Hins vegar gera þessar síur venjulega ráð fyrir því að hávaðaeiginleikar séu þekktir og stöðugir, og í hagnýtum forritum er hávaði breytilegur (eins og ekki Gauss hávaði sem myndast af utanaðkomandi truflunum). Þess vegna hafa verið þróaðar öflugar aðlögunarsíunaraðferðir, svo sem að nota Gauss blöndunarlíkön (GMM) til að líkja ekki Gauss hávaða til að bæta nákvæmni ástandsmats. Viðeigandi rannsóknir hafa sýnt fram á notkun og kosti þessara aðferða á mismunandi sviðum. Að auki eru dreifðar og dreifðar síur (eins og dreifðar Kalman síu DKF, dreifðar Kalman síur og samdreifni kross DKF-CI) notaðar til að hámarka ástandsmat á stórum samtengdum kerfum. Sterkar og ólínulegar síur (eins og sterkar Kalman síur) hafa yfirburða afköst í að takast á við flókna ólínuleika í rafhlöðukerfum (eins og rafefnafræðilegum ferlum). Aðlögunartækni (eins og aðlagandi EKF og aðlagandi UKF reiknirit) stilla breytur síu á virkan hátt til að laga sig að hávaðabreytingum og bæta nákvæmni SOC mats. Viðeigandi rannsóknir og dæmi hafa sannreynt árangur þessara aðferða.
Aðrar umbótaaðferðir:eins og AIC-SE (Adaptive Integral Correction State of Charge Estimation) aðferðin sem lögð er til í 2022, sem er byggð á ECM líkaninu og bætir nákvæmni SOC mats með rauntíma leiðréttingaraðferðum (þar á meðal viðnám og leiðrétting rafhlöðunnar) (hámarksvilla ± 0,8%, RMS villa minni en 0,3%). Reiknihagkvæmni er meiri en UKF (AIC-SE um 5n aðgerðir, UKF um n ^ 2 aðgerðir), sem tekur í raun á áskorunum um öldrun og niðurbrot rafhlöðunnar. Variational Bayesian Maximum Correlation Entropy Volume Kalman Filter (VBMCCKF) árið 2023 sameinar háþróaða síun og tölfræðilega tækni til að bæta mæliskekkjusamdreifnimat með því að nota Variational Bayesian aðferðina. Viðmiðunin fyrir hámarksfylgni óreiðu er notuð til að meðhöndla útlaga utan Gauss hávaða, sem bætir marktækt SOC matsnákvæmni (samanborið við EKF, CKF og Variational Bayesian Volume Kalman síu, er meðaltal alger villa minnkað um 77%, 68% og 49% , í sömu röð), og auka styrkleika rafhlöðustjórnunarkerfisins.
3.4 Samþætting við öldrunarlíkön
Öldrunarlíkan rafhlöðunnar er nátengd SOC-mati og nýlegar rannsóknir hafa gefið nýjungar í báðum þáttum. Öldrunarlíkan rafhlöðunnar sem lagt var til árið 2024 tekur ítarlega tillit til áhrifa SOC, hitastigs rafhlöðunnar, tíma og fullkomlega jafngildra hringrásartíma (NFEC) á öldrun rafhlöðunnar. Líkanið samanstendur af tveimur hlutum: fyrsti hlutinn fjallar um SOC og hitastigstengda öldrun (útreikningur á afkastagetu með sérstökum formúlum) og seinni hlutinn fjallar um áhrif NFECs á öldrun. Þetta líkan samþættir öldrun rafhlöðu á nýstárlegan hátt sem undirkerfi rafknúinna ökutækja við rafhlöðulíkanið, sem nær yfir allar notkunarstillingar eins og bílastæði, akstur og hleðslu. Það nær fram nákvæmri víxlverkunarlíkingu milli mismunandi undirkerfa með formlegri aðferð orku stórsæja framsetningu (EMR) (myndrænt tæki þróað árið 2000 til að skipuleggja undirkerfistengingar, tákna aflflæði og orsakasamhengi). Rannsóknir hafa sýnt að með því að draga úr hleðslutíðni (svo sem að skipta úr daglegri hleðslu í á fjögurra daga fresti) getur það lengt verulega tímann fyrir rafhlöðuna að ná 80% SOH. Þessi samþætta nálgun veitir mikilvægar framfarir við að hámarka rafhlöðustjórnun og skilja áhrif hleðsluaðferða á öldrun rafhlöðunnar.
Nýjar aðferðir eins og AIC-SE og VBMCCKF hafa umtalsverða kosti í SOC matsnákvæmni og reikniskilvirkni. AIC-SE stendur sig vel í reikniskilvirkni, á meðan VBMCCKF stendur sig betur við að meðhöndla kraftmikið mat á mæliskekkjum og hávaðasamt umhverfi. Ef nákvæmni og hávaðavinnsla er sett í forgang, getur sameining af bayesískum breytilegum og hámarksfylgni óreiðuviðmiðum verið besti kosturinn núna; Ef við leggjum áherslu á skilvirkni reiknilíkana og rauntímaforritum er AIC-SE góður kostur, sem gefur til kynna að ECM líkanaaðferðir hafi enn kosti á þessu sviði. Að auki tekur öldrunarlíkan rafhlöðunnar sem rannsakað var árið 2024 ítarlega áhrif margra þátta á niðurbrot rafhlöðunnar, sem hefur mikla þýðingu til að hámarka endingu rafhlöðunnar (byggt á hleðsluaðferðum). Á heildina litið bætir þessi þróun ekki aðeins nákvæmni SOC-mats heldur stuðlar hún einnig að því að lengja endingu rafhlöðunnar og auka rekstraráreiðanleika rafhlöðunnar.
4. Heilbrigðisástand (SOH) matsaðferðir
4.1 Hefðbundnar SOH matsaðferðir
Hin hefðbundna SOH matsaðferð er mikið notuð á fræðilegum og iðnaðarsviðum, aðallega byggð á grunnbreytum eins og niðurbroti afkastagetu, innri viðnám og líftíma til að meta SOH rafhlöðu (sjá töflu 4 fyrir viðeigandi formúlur og merkingu færibreytu). Þessar aðferðir leggja grunn að heilsumati rafhlöðunnar og hjálpa til við að skilja afköst rafhlöðunnar. Með því að skilja þessar hefðbundnu aðferðir getum við skilið betur endurbætur á nýjum matsaðferðum í síðari köflum. Nýjar aðferðir nota oft flóknari gagnagreiningu og forspárlíkanatækni til að takast á við takmarkanir hefðbundinna aðferða. Samanburður á þessu tvennu getur skýrt þróun og þróun SOH matstækni og sýnt fram á hvernig nútíma aðferðir geta bætt nákvæmni og aðlögunarhæfni rafhlöðustjórnunarkerfa.
4.2 Ný þróun í stað hefðbundinna aðferða
Nýir heilsuvísar ásamt vélnámi:Til að bæta nákvæmni SOH spá hafa rannsóknir kynnt nýja heilsuvísa eins og Degradation Rate Ratio (DSR). Formúlan til að reikna út DSR út frá halla hleðsluspennukúrfunnar er:
Með því að bera saman halla margra hleðslulota er niðurbrotshraðinn (í mV/s) rafhlöðunnar innan ákveðins spennusviðs (eins og [3.8-3.9V]) ákvarðaður, sem er nátengt rafhlöðugetu og hægt að nota sem lykilvísir til að ákvarða endingu rafhlöðunnar. Með því að sameina Gaussian Process Regression (GPR) og Multi Layer Perceptron Neural Network (MLPNN) líkön er hægt að meta afkastagetu og niðurbrot með nákvæmari hætti. Í samanburði við hefðbundnar gerðir eru næmi og nákvæmni verulega bætt, sem leysir í raun vandamálið með því að hefðbundnar gerðir eru erfitt að greina niðurbrot snemma.
Endurbætur á samsvarandi hringrásarlíkani:Snemma aðferðir til að bæta hefðbundin jafngildra hringrásarlíkön (ECM) héldu áfram að þróast, eins og að meta SOH með því að greina líkamsrýmd jafngildis RC hringrásarlíkans í 2015, með því að nota nýstárlegar reiknirit til að reikna út deyfingarstuðul líkamans, og sameina það með stakum ólínulegum áhorfendum til að bæta nákvæmni og áreiðanleika; Í 2024 var annars stigs blendingur jafngildi hringrásarlíkan ásamt aðlögunaruppfærsluhraða og ólínulegum áhorfanda tekið upp til að íhuga áhrif hitastigs, sem náði mikilli nákvæmni í SOH mati (meðaltalalalvilla minni en 0,5%, RMS skekkju minni en 0,2%); Skýlausnin fyrir árið 2023 notar langtíma eftirlitsgögn og rauntímagögn til að áætla færibreytur rafhlöðulíkans með því að stilla reikniritið fyrir minnstu ferninga á hreyfanlegum glugga. Byggt á ECM líkaninu er nákvæmni SOH mati náð, sem gefur til kynna að endurbætt ECM aðferð hefur enn verulegu vægi í SOH mati, í samræmi við þróun stöðugrar umbóta á ECM aðferðum í SOC matstækni.
Hybrid Framework Aðferð:Nýja ramminn samþættir línulega tölfræðilega k-Næsta nágranna (LSKNN), hámarksupplýsinga entropy Search (MIES) og Collective Sparse Variational Gaussian Process Regression (CSVGPR) til að vinna gagnainnskot, hávaðasíun, eiginleikaval og óvissustjórnun. LSKNN áætlar gagnapunkta sem vantar og síar hávaða, MIES velur eiginleika með mikla fylgni við SOH og CSVGPR vinnur úr gagnaóvissu til að bæta spánákvæmni. Þessi rammi var prófaður með NASA rafhlöðugagnasafninu og borið saman við aðferðir eins og ElasticNet, Support Vector Regression (SVR), Random Forest og Gradient Boosting, var Root Mean Square Error (RMSE) minnkað um 77,8% (frá {{3 }}.0510 í ElasticNet í 0.0113). Í samanburði við Gaussísk ferlilíkön með mismunandi kjarna var RMSE lækkað um 55,5% (úr 0,0254 í 0,0113), sem staðfestir styrkleika og mikla nákvæmni rammans og gefur nákvæmari aðferð til að meta SOH.
Þróunarstefna SOH matstækni er að færast frá hefðbundnum aðferðum yfir í flóknari gerðir sem henta fyrir rafbíla. Nýjar aðferðir fela í sér að sameina niðurbrotslíkön við klassískt vélanám, ECM byggðar aðferðir og blendingsaðferðir. DSR er mikilvæg nýjung sem dregur úr trausti á fullkominni hleðslulotu (dregur úr biðtíma um u.þ.b. 84%) og, þegar það er sameinað vélanámi, bætir nákvæmni mats á afkastagetu, sem sigrast á erfiðleikum við að greina snemma niðurbrot í hefðbundnum gerðum. Endurbætt ECM aðferðin hefur náð góðum árangri í SOH mati, sem er í samræmi við mikilvægi ECM aðferðarinnar í SOC mati. Hybrid tækni (eins og nýja ramman sem nefnd er hér að ofan) hefur mikla nákvæmni. Þrátt fyrir að rauntímaforrit skapi áskoranir, er það veruleg framför í samanburði við hefðbundnar SOH matsaðferðir að leysa lykil gagnavinnsluvandamál á áhrifaríkan hátt. Á heildina litið beinist þessi þróun að rauntímaforritum og gagnadrifnum aðferðum, sem bætir verulega áreiðanleika rafhlöðustjórnunarkerfa rafbíla. Djúpnámsaðferðir eins og LSTM, CNN og blendingstækni eru orðnar almennar aðferðir við SOH mat. Í síðari köflum verða kynntar viðeigandi rannsóknarniðurstöður og framlög.
5. Notkun djúpnáms í SOH mati
5.1 LSTM og Hybrid módel
Margar rannsóknir hafa notað endurbætt öldrunarlíkön ásamt djúpnámsaðferðum til að auka nákvæmni SOH mats. Djúpt nám er ómissandi til að spá fyrir um áframhaldandi gagnlegt líf (RUL). Til dæmis, með því að samþætta SOH niðurbrotslíkanið og íhuga ýmis rekstrarskilyrði eins og hleðslu/hleðslustraum og hitastig, er hægt að nota sérstaka formúlu til að:
Meðal þeirra eru I2 {c} og I2 {d} eðlilegir hleðslu- og afhleðslustraumar, T3 {c} og T4 {d} eru staðlað rafhlöðu- og umhverfishitastig, T3 {c} og T4 {d} eru hleðslu- og afhleðslutími, og (d1-d4) er lóð), sem líkir betur eftir niðurbroti rafhlöðunnar. RUL spálíkanið sem byggir á LSTM neti bætir spánákvæmni, en reikniflókið eykst og rauntímaforrit standa frammi fyrir áskorunum. Taugakerfi geta séð um tímabreytileg rafhlöðuferli, lært stöðugt að laga sig að breytingum á rafhlöðuhegðun og viðhalda áreiðanleika líkansins.
Með því að draga út lykileiginleika (eins og 6 lykileiginleika) til að hámarka mat á SOH, ásamt vélrænum reikniritum til að ná mikilli nákvæmni og lágu reikniálagi, gegna spennueiginleikum mikilvægu hlutverki við að bæta nákvæmni rafhlöðuástandsmats. Að sameina mörg djúpnámslíkön (eins og CNN, LSTM, GRU og tvíátta afbrigði þeirra) í blendingsramma (eins og CNN-LSTM-DNN, CNN-GRU-DNN) til að spá fyrir um RUL, með því að nota fjölbreytt úrval af eiginleikum til að bæta nákvæmni, minnkaði RMSE um 90,5% í NASA gagnaprufum, en reiknistyrkur og flækjustig takmarkar rauntímaforrit. Fjöllíkanaaðferðir (eins og LSTM líkansöfn) og háþróaðar hagræðingaraðferðir (svo sem að samþætta LSTM inn í AI-BMS rammann og innleiða það á FPGA) geta bætt spánákvæmni og skilvirkni kerfisins, en notkun FPGA í rafknúnum atvinnubílum stendur frammi fyrir kostnaði og hagkvæmnisáskoranir.
Sambland af GRU og mjúkum skynjunaraðferðum hefur möguleika á langtíma RUL spá í rannsóknarstofuumhverfi, en hagnýt forrit krefjast aðlögunar að mismunandi hleðsluaðstæðum. Með því að nota gagnadrifnar aðferðir eins og LSTM, DNN og GRU til að vinna úr gagnasöfnum NASA, hefur GRU sterka frammistöðu (RMSE af 0.003, MAE af 0,003, R-kvaðrat villa upp á 0.004), og sameining GRU og LSTM netkerfa leiðir til betri árangurs. LSTM byggða aðferðin dregur út eiginleika (svo sem 5 handvirka eiginleika) með því að greina hleðsluferil rafhlöðunnar og notar hagræðingaralgrím (eins og Adam) til að bæta skilvirkni þjálfunar og spá nákvæmni. Undir þjálfun hlutagagna um staka rafhlöðu er SOH matsvillan fyrir aðrar rafhlöður lág, sem er betra en hefðbundnar gerðir.
MDA-LSTM netið sameinar marga eiginleika og tímabundnar upplýsingar og bætir nákvæmni RUL spá með mörgum eiginleikum samrunaeiningum og tvíþættum athygliseiningum. Það skilar sér vel í staðfestingu á mörgum gagnasafnum, með styrkleika og alhæfingu. Hlaða BiLSTM netið er notað til að spá fyrir um SOH með því að nota stöðuga hleðslugögn og tvíátta uppbyggingin bætir spá áreiðanleika, sem gerir það hentugt fyrir rauntíma SOH mat við hraðhleðslu. TCN-LSTM líkanið notar tilbúið gögn og Bayesian hagræðingu til að endurbyggja opna hringrásarspennu (OCV) nákvæmlega og meta heilsufar (SOH) (MAE undir 22mV, MAPE undir 2,2%). Hægt er að útvíkka það til mismunandi efnakerfa rafhlöðu með flutningsnámi, en það eru takmarkanir á framreikningi þegar gögn eru ófullnægjandi. Djúpsamrunaaðferðin (eins og að nýta söguleg gögn og marga heilsuvísa) nær mikilli nákvæmni (MAPE undir 2,97%) með prófun á fullri hleðslu og bæði alþjóðlegt rammakerfi byggt á GPR og DFTN líkaninu fyrir einstök rafknúin farartæki hafa náð góðum árangri .
5.2. CNN og CNN-LSTM samþætt líkan
CNN-WNN-WLSTM aðferðin samþættir CNN, WNN og WLSTM net. CNN dregur út eiginleika, WNN og WLSTM ferlieiginleika og metur SOH. RMSprop fínstillingin er notuð til að bæta afköst og er betri en hefðbundnar aðferðir í NASA gagnaprufum, sem gefur vænlega nálgun fyrir rafhlöðuheilbrigðisstjórnun. CNN-LSTM-CRF líkanið er innblásið af náttúrulegri málvinnslu, þar sem CRF lagið fangar úttaksbreytur til að bæta nákvæmni og innsæi spá um rafhlöðugetu. Hins vegar eru reiknikröfur miklar og umfram getu innbyggðra örgjörva. Í framtíðinni er þörf á rannsóknum til að bæta hagkvæmni þess (svo sem með flutningsnámi). LSTNet líkanið bætir spá fyrir rafhlöðuafköst með því að skipta gögnum, samþætta ConvLSTM og AR íhluti og fínstilla uppbygginguna (til dæmis, í NASA gagnasafnsprófun, var RMSE 0.65%, MAE var 0. 58% og MAPE var 0.435% þegar þjálfað var á 40% gögnum).
Með því að samþætta endurbætt CNN og ECSSA hagræðingaralgrím til að spá fyrir um RUL litíumjónarafhlöðu í föstu formi, bætir CNN útdráttar- og spánákvæmni eiginleika með því að fínstilla ofurfæribreytur og uppbyggingu (svo sem að nota háþróuð snúningslög, virkjunaraðgerðir og afgangstengingar), á meðan ECSSA fínstillir líkanfæribreytur með nýstárlegum stærðfræðilegum aðferðum (eins og Circle Chaotic Kortlagning, ólínuleg frásogsstuðull og Cauchy stökkbreyting) til að bæta RUL spánákvæmni og styrkleika. Að sameina PCA og CNN fyrir fínstillingu eiginleika og víddarminnkun bætir nákvæmni og skilvirkni SOH mats (samanborið við hefðbundnar CNN og fastar víddar PCA-CNN gerðir, MAE eykst um meira en 20% og RMSE eykst um meira en 30%). Rauntíma SOH matslíkanið samþættir 1D-CNN og BiGRU, notar BMS gögn til að forðast flókna eiginleikaútdrátt og nær mikilli nákvæmni með Bayesískri hagræðingu á ofbreytum (eins og í NASA gagnaprufum er MAE 2,080%, RMSE er 2,516%, og EOL vísitöluvilla er núll).
5.3. Hagræðingaraðferðir fyrir djúpnámslíkön
Í fyrsta lagi var tilviljanakennda skógarreikniritið notað til að bera kennsl á helstu heilsufarsþætti og síðan var tæknin til að fínstilla erfðafræðilega reiknirit agnasveim (GA-PSO) til að hámarka færibreytur stuðningsvektors (SVR) líkansins til að meta heilsuástand (SOH). Virknin var staðfest á fjórum rafhlöðum, sem bætti nákvæmni og samleitnishraða (RMSE upp á 0,40%, MAPE upp á 0,56%), sem er betri en aðrar skyldar aðferðir. GWO-BRNN blendingsaðferðin notar grey wolf optimization (GWO) til að velja ofurfæribreytur fyrir Bayesian regularized neural networks (BRNN). Byggt á NASA gagnapakkanum er SOH matsvillan minni en 1%, en útreikningsflækjan er mikil og hagnýt forrit eru takmörkuð. Bein notkun á hrágögnum rafknúinna ökutækja til að meta SOH og spá fyrir um RUL, bæta nákvæmni með því að kynna nýja matseiginleika og innskotsleiðréttingaraðferðir (dregur úr hlutfallslegri skekkju núverandi samþættingar í 0,94%), ásamt D-NSGA-II hagræðingaraðferð til frekari hámarka SOH mat og draga úr útreikningstíma. Til að bregðast við erfiðleikum við að áætla heilsuástand (SOH) sem stafar af ófullkominni hleðslu og afhleðslu á litíumjónarafhlöðum í rafknúnum ökutækjum er lögð til óbein matsaðferð (ATAGA-BP). Aðferðin nýtir eiginleika stöðugrar hleðslustigs sem heilsuvísi og er staðfest með uppgerð með gögnum frá NASA. Aðferðin hefur mikla fylgni við getu rafhlöðunnar (yfir 85%), með SOH matsvillu upp á 3,7% og endurtekna skilvirkni um 17,8%.
Djúpnám hefur náð umtalsverðum framförum í mati á SOH og alhliða líkön sem taka tillit til margra þátta veita dýpri skilning á niðurbroti rafhlöðunnar. LSTM net eru mikilvæg til að fanga tímabundnar ósjálfstæði og spá fyrir um RUL, en reiknifræðileg flókið þeirra veldur áskorunum fyrir rauntímaforrit. Eiginleikaútdráttaraðferðir eru mikilvægar og geta fínstillt SOH mat. Sambland af blendingum líkana og mismunandi taugakerfisarkitektúra til að vinna úr flóknum rafhlöðugögnum hefur vænlegar horfur, en miklar reiknikröfur takmarka hagnýt forrit. Hagræðingaraðferðir eins og GA-PSO, GWO-BRNN og D-NSGA-II hafa bætt nákvæmni og skilvirkni, en innleiðing flókinna reiknirita er erfið og krefst jafnvægis á milli nákvæmni og einfaldleika í framkvæmd. Háþróuð gervigreind tækni skiptir sköpum fyrir notkun aukarafhlaða (vantar nákvæmar notkunargögn). Síðari kaflar munu veita yfirlit yfir núverandi stöðu framhaldsrannsókna á notkun, sérstaklega á sviði endurnotkunar rafhlöðu.
6. Samantekt
Þessi grein ýtir undir þróun SOH og SOC mats fyrir litíumjónarafhlöður í rafknúnum ökutækjum með nýstárlegum aðferðum og gerðum, sem nær yfir ýmsa tækni frá hefðbundnum vélanámi til háþróaðra djúpnámslíkana eins og LSTM og CNN. Hins vegar hefur hver aðferð mismunandi nákvæmni, flókið og notagildi, sem gerir beinan samanburð erfiðan. Rannsóknir hafa leitt í ljós að gagnavinnsla og heimildir hafa veruleg áhrif á frammistöðu líkansins og frekari sannprófun er nauðsynleg fyrir raunverulega dreifingu. Þrátt fyrir að djúpnámslíkön hafi sýnt fram á kosti við vinnslu flókinna gagna, standa þau enn frammi fyrir áskorunum eins og háum kröfum um tölvuforða og aðlögunarhæfni að hagnýtum notkunarsviðum. Framtíðarrannsóknir ættu að einbeita sér að því að bæta val á eiginleikum, greiningu frávika, aðlaga sig að fjölbreyttum umhverfisaðstæðum, fínstilla reiknirit til að auka skilvirkni reiknivéla, ná fram rauntímaforritum, samþætta margar gagnagjafar til að bæta árangur SOH matslíkans, á sama tíma og takast á við áskoranir í auka rafhlöðuforritum. , þróa árangursríkar lausnir og stuðla að þróun rafhlöðustjórnunarkerfa til að mæta vaxandi kröfum á sviði rafknúinna ökutækja og orkugeymslu.