เมื่อเครื่องชาร์จมีพลังประมวลผลมากขึ้นและฝูงยานพาหนะสร้างข้อมูล การเรียนรู้ของเครื่องเสนอเส้นทางใหม่ในการตัดสินใจชาร์จที่โมเดลคลาสสิกได้มาจากฟิสิกส์: การเรียนรู้ขั้นกระแสที่เพิ่มประสิทธิภาพสูงสุด (แผนกระแสคงที่หลายขั้นที่ควบคุมด้วย ANFIS ซึ่งรายงานไว้สำหรับ NiMH/NiCd) การจดจำรูปแบบการสิ้นสุดการชาร์จจากร่องรอยแรงดันและอุณหภูมิ และการแก้ค่าตกค้างของโมเดลในการประเมินสถานะการชาร์จและการประเมินความร้อน บทความสุดท้ายของกลุ่มการประเมินนี้สำรวจว่าการชาร์จที่ขับเคลื่อนด้วยข้อมูลทำอะไรได้ดีจริงใน NiMH ข้อมูลฝึกอบรมและวินัยการตรวจสอบที่ต้องการ และเหตุใดการออกแบบที่ปลอดภัยต่อการผลิตจึงคงพื้นฟิสิกส์และขีดจำกัดแบบฮาร์ดแวร์ไว้ใต้นโยบายที่เรียนรู้ใด ๆ – เพื่อให้ความยืดหยุ่นของการเรียนรู้ไม่กลายเป็นกระแสชาร์จที่ไม่มีขอบเขต
มีจุดแทรกสามจุดที่ให้ผล ประการแรก การเพิ่มประสิทธิภาพโปรไฟล์: เรียนรู้การเปลี่ยนขั้นกระแสที่เพิ่มประสิทธิภาพการชาร์จสูงสุดหรือลดความร้อน/เวลาต่ำสุด มีตัวอย่างเป็นคอนโทรลเลอร์กระแสคงที่หลายขั้นนิวโร-ฟัซซีแบบปรับตัว (ANFIS) ที่ตรวจสอบในการจำลอง ซึ่งปรับกระแสแต่ละขั้นจากการตอบสนองแรงดัน-อุณหภูมิที่เปลี่ยนไป ประการที่สอง การประเมิน: การแก้ค่าด้วยนิวรัลหรือกระบวนการ Gaussian สำหรับการคาดการณ์สถานะการชาร์จและความร้อน ECM/คาลมาน จับความคลาดเคลื่อนตกค้างที่โมเดลตายตัวทิ้งไว้ ประการที่สาม การจำแนก: จดจำการชาร์จเต็ม ความผิดปกติหรือความไม่ตรงกันจากลักษณะร่องรอยเป็นช่องทางขนานกับ -delta-V/dT/dt
แต่ละจุดใช้การเรียนรู้เพื่อปรับแต่งการตัดสินใจที่มีโครงสร้าง แทนที่จะแทนที่สถาปัตยกรรมการชาร์จ สถานะแมชชีนและขีดจำกัดแข็งของกลุ่มการสิ้นสุดยังคงอยู่ โดยตรรกะที่เรียนรู้จะปรับพารามิเตอร์ภายในช่วงที่จำกัด
งานชาร์จอัจฉริยะ NiMH/NiCd ที่รายงานไว้จับคู่ฟรอนต์เอนด์ PFC แบบบูสต์กับเอาต์พุตกระแสคงที่หลายขั้น ซึ่งกระแสแต่ละขั้นถูกเลือกโดยระบบอนุมานนิวโร-ฟัซซีแบบปรับตัวที่ฝึกบนพฤติกรรมการชาร์จ และตรวจสอบแผนภาพใน MATLAB เทียบกับการชาร์จกระแสคงที่ เสน่ห์คือโครงสร้างฟัซซี/นิวรัลแสดงกฎของผู้เชี่ยวชาญ – «ถ้าแรงดันเพิ่มขึ้นชันและอุณหภูมิสงบ ให้คงกระแส; ถ้าความชันราบลง ให้ลดขั้น» – ขณะที่เรียนรู้เกณฑ์จากข้อมูล ผสานความอธิบายได้เข้ากับการปรับตัว
นี่คือแม่แบบเชิงปฏิบัติ: แทนที่จะเป็นโครงข่ายนิวรัลตั้งแต่ต้นจนจบที่ให้กระแสตามใจ คอนโทรลเลอร์ที่มีโครงสร้างจะเรียนรู้พารามิเตอร์ของโครงกระแสลงที่ปลอดภัยอยู่แล้ว ดังนั้นแม้ตัวเรียนรู้ที่ไม่ได้ฝึกหรือล้มเหลวก็ลดระดับไปเป็นโปรไฟล์คลาสสิกแบบอนุรักษ์นิยม
โมเดลชาร์จแบบมีผู้สอนต้องการความจริงอ้างอิงที่ติดฉลาก: สถานะการชาร์จอ้างอิงจากการนับคูลอมบ์ที่สอบเทียบแล้ว ผูกไว้ที่จุดปลาย ช่วงเวลาชาร์จเต็มอ้างอิงจากความดัน/อุณหภูมิที่ติดเครื่องมือวัด และความร้อนจากเทอร์โมคัปเปิล – ครอบคลุมทั้งตารางกระแส อุณหภูมิ อายุและล็อตเซลล์ที่ผลิตภัณฑ์จะพบ ความแปรผันระหว่างล็อตและตามอายุของ NiMH หมายความว่าโมเดลที่ฝึกเฉพาะเซลล์ใหม่ที่อุณหภูมิห้องจะล้มเหลวกับเซลล์ที่ชราและเย็น ความครอบคลุมชุดข้อมูล ไม่ใช่ความซับซ้อนของอัลกอริทึม มักเป็นข้อจำกัดที่ผูกมัด
ลักษณะควรมีความหมายทางฟิสิกส์และอ้างอิงกระแส – dV/dt ที่กรองแล้ว dT/dt ความต้านทานจากพัลส์ ประจุสะสม การคลายตัวตอนพัก – แทนที่จะเป็นร่องรอยดิบที่มีสัญญาณรบกวน ซึ่งลดทั้งข้อมูลที่ต้องการและทำให้พฤติกรรมที่เรียนรู้ตรวจสอบได้
นโยบายชาร์จที่เรียนรู้ต้องตรวจสอบกับข้อมูลที่กันไว้ก่อน จากนั้นในการฉีดความผิดปกติแบบฮาร์ดแวร์ในวงจร จากนั้นในการทดลองในห้องที่จำกัดด้วยขีดจำกัดฮาร์ดแวร์เรื่องอุณหภูมิเกิน แรงดันเกินและตัวจับเวลา ซึ่งตัวเรียนรู้ไม่สามารถลบล้างได้ เนื่องจากโมเดลเมื่อเผชิญสภาวะใหม่อาจเสนอกระแสนอกการแจกแจง การออกแบบเพื่อการผลิตจึงหนีบเอาต์พุตที่เรียนรู้ไว้ในขอบเขตที่ได้จากฟิสิกส์ และกลับไปใช้คอนโทรลเลอร์คลาสสิกเมื่อมีความไม่แน่นอน เซ็นเซอร์เสียหรือช่องทางไม่สอดคล้องกัน
«การเรียนรู้แบบให้คำปรึกษาภายในกรอบแข็ง» นี้เป็นปรัชญาการป้องกันเชิงลึกเดียวกับเกณฑ์การสิ้นสุดเอง: ชั้นที่เรียนรู้เพิ่มประสิทธิภาพกรณีปกติ พื้นฟิสิกส์รับประกันกรณีเลวร้ายที่สุด
ฟิลเตอร์คาลมานบน ECM ที่ดีบรรลุค่าประมาณบวกลบ 3 เปอร์เซ็นต์สถานะชาร์จจากข้อผิดพลาดเริ่มต้นขนาดใหญ่ในงาน NiMH ที่รายงานไว้แล้ว อธิบายได้และไม่ต้องการชุดข้อมูลใหญ่ ML สมควรได้ที่ตรงที่โมเดลฟิสิกส์ไม่เพียงพอเชิงโครงสร้าง – การชราที่ไม่เป็นเชิงเส้นอย่างมาก การเลื่อนพารามิเตอร์ทั้งฝูง การจดจำรูปแบบความผิดปกติละเอียดอ่อน – และที่ซึ่งมีข้อมูลหลากหลายเพียงพอ บททบทวนการสร้างแบบจำลองความร้อนวางตำแหน่ง ML เป็นตัวแก้ค่าตกค้างให้แกนฟิสิกส์เช่นกัน ไม่ใช่ตัวทำนายเดี่ยว คงการคาดการณ์นอกช่วงที่ปลอดภัย
รูปแรกเปรียบเทียบผู้สังเกตคลาสสิกกับคอนโทรลเลอร์เสริมการเรียนรู้ รูปที่สองเรียงลำดับขั้นตอนที่ปลอดภัยตั้งแต่ฝึกจนถึงปรับใช้ จากข้อมูลติดฉลากไปสู่การปรับใช้ที่จำกัดภายใต้ขีดจำกัดแข็ง
กำหนดการตัดสินใจและขอบเขตเอาต์พุตที่อนุญาตก่อน สร้างโครงกระดูกเชิงโครงสร้างและขีดจำกัดแข็ง รวบรวมชุดข้อมูลที่ครอบคลุมกระแส-อุณหภูมิ-อายุ-ล็อตพร้อมฉลากอ้างอิง ฝึกโมเดลที่อธิบายได้ มีลักษณะทางฟิสิกส์ พิสูจน์การปรับปรุงเทียบกับเส้นฐานคลาสสิกบนเซลล์ที่กันไว้ (ไม่ใช่เพียงตัวอย่างที่กันไว้ของเซลล์เดียวกัน) และจัดส่งพร้อมการถอยกลับ การตรวจจับความไม่แน่นอนและการกำกับดูแลการอัปเดตทางอากาศ Weijiang สามารถจัดหาตัวอย่างเซลล์ที่ครอบคลุมและการลักษณะชาร์จอ้างอิงเพื่อสร้างชุดข้อมูลดังกล่าวโดยไม่ปนการแปรผันเซลล์กับข้อผิดพลาดของโมเดล
เมื่อวิธีการประเมินถูกสร้างขึ้น – ตั้งแต่การนับคูลอมบ์ถึง EIS โมเดลไฟฟ้า-ความร้อนและการเรียนรู้ – ซีรีส์นี้เปลี่ยนจากการรู้จักเซลล์ไปสู่การเฝ้าดูมันสึกหรอ กลุ่มถัดไปตรวจสอบว่าโปรโตคอลชาร์จเองขับเคลื่อนการชราและการเสื่อมโทรมของ NiMH อย่างไร
Weijiang Power ออกแบบและผลิตเซลล์นิกเกิล-เมทัลไฮไดรด์ แพ็กที่จับคู่แล้วและการกำหนดค่าพร้อมชาร์จสำหรับลูกค้าภาคผู้บริโภค อุตสาหกรรม การแพทย์และการเคลื่อนที่ และสนับสนุนพาร์ทเนอร์ด้วยคำแนะนำโปรโตคอลการชาร์จ ไฟล์สมรรถนะ IEC 61951-2 หลักฐานความปลอดภัย IEC 62133-1 และการตรวจสอบร่วมกับเครื่องชาร์จ แจ้งรูปแบบเซลล์ อัตราการชาร์จ ขอบเขตความร้อนและเป้าหมายจำนวนรอบ และวิศวกรของเราจะกำหนดชุดเซลล์และชาร์จที่ปกป้องทั้งเวลาทำงานและอายุการใช้งาน ดูขอบเขตผลิตภัณฑ์ได้ที่หน้าผลิตภัณฑ์
