충전기가 처리 성능을 갖추고 차량군이 데이터를 생성함에 따라, 머신러닝은 고전적 모델이 물리에서 도출하는 충전 결정에 새로운 경로를 제공합니다: 효율을 최대화하는 전류 단계 학습(NiMH/NiCd에 대해 보고된 ANFIS 제어 다단계 정전류 방식), 전압 및 온도 궤적으로부터 충전 종료 패턴 인식, 그리고 SOC 및 열 추정에서 모델 잔차 보정. 이 추정 그룹의 마지막 논문은 데이터 기반 충전이 NiMH에서 실제로 잘하는 것, 그것이 요구하는 훈련 데이터와 검증 규율, 그리고 생산 안전 설계가 학습된 정책 아래에 물리적 바닥과 하드와이어된 한계를 유지하는 이유를 조사합니다 – 학습의 유연성이 무제한 충전 전류가 되지 않도록.
세 가지 삽입 지점이 생산적입니다. 첫째, 프로필 최적화: 충전 효율을 최대화하거나 발열/시간을 최소화하는 전류 단계 전이 학습으로, 시뮬레이션에서 검증된 적응형 뉴로-퍼지(ANFIS) 다단계 정전류 제어기가 예시이며 진화하는 전압-온도 응답으로부터 단계 전류를 조정합니다. 둘째, 추정: ECM/칼만 SOC 및 열 예측의 신경망 또는 가우시안 프로세스 보정으로 고정 모델이 남기는 잔차 불일치를 포착합니다. 셋째, 분류: -delta-V/dT/dt에 대한 병렬 채널로서 궤적 특징으로부터 완전 충전, 고장 또는 불일치를 인식합니다.
각각은 충전 아키텍처를 대체하기보다 구조화된 결정을 정제하는 데 학습을 사용합니다; 종료 그룹의 상태 기계와 하드 한계는 유지되고, 학습된 로직이 제한된 범위 내에서 매개변수를 조정합니다.
보고된 NiMH/NiCd 지능형 충전 연구는 부스트 PFC 프런트 엔드를 충전 거동에 대해 훈련된 적응형 뉴로-퍼지 추론 시스템이 단계 전류를 선택하는 다단계 정전류 출력과 결합하고, 고정 전류 충전과 비교하여 MATLAB에서 방식을 검증합니다. 매력은 퍼지/신경 구조가 전문가 규칙을 표현한다는 것입니다 – «전압이 가파르게 상승하고 온도가 조용하면 전류를 유지하고; 기울기가 평탄해지면 단계를 낮춘다» – 동시에 데이터로부터 임계값을 학습하여 해석 가능성과 적응을 결합합니다.
이는 실용적인 템플릿입니다: 임의의 전류를 출력하는 종단 간 신경망보다, 구조화된 제어기가 이미 안전한 하강 전류 골격의 매개변수를 학습하므로 훈련되지 않거나 실패한 학습기조차 보수적인 기존 프로필로 저하됩니다.
지도형 충전 모델은 레이블링된 실측 기준이 필요합니다: 끝점에 고정된 보정 쿨롱 계수로부터의 기준 SOC, 계측된 압력/온도로부터의 기준 완전 충전 시점, 열전대로부터의 열 – 제품이 마주칠 전류, 온도, 연령 및 셀 로트의 전체 그리드를 포괄합니다. NiMH의 로트 간 및 연령 변동은 신선한 실온 셀에서만 훈련된 모델이 노화 및 저온 셀에서 실패함을 의미합니다; 알고리즘 정교함이 아닌 데이터세트 커버리지가 보통 구속 제약입니다.
특징은 물리적으로 의미 있고 전류 기준이어야 합니다 – 필터링된 dV/dt, dT/dt, 펄스로부터의 저항, 누적 충전, 휴지 이완 – 원시 잡음 궤적보다, 필요한 데이터를 줄이고 학습된 거동을 감사 가능하게 합니다.
학습된 충전 정책은 먼저 홀드아웃 데이터로, 다음으로 하드웨어 인 더 루프 고장 주입으로, 그다음 학습기가 재정의할 수 없는 하드와이어된 과온, 과전압 및 타이머 한계가 있는 제한된 챔버 시험으로 검증되어야 합니다. 모델이 새로운 조건에 직면했을 때 분포 외 전류를 제안할 수 있으므로, 생산 설계는 학습된 출력을 물리 유래 한계 내로 클램프하고 불확실성, 센서 고장 또는 채널 간 불일치 시 고전적 제어기로 폴백합니다.
이 «단단한 외피 내 자문형 학습»은 종료 기준 자체와 동일한 심층 방어 철학입니다: 학습된 계층이 정상 경우를 최적화하고; 물리 바닥이 최악 경우를 보장합니다.
좋은 ECM 위의 칼만 필터는 보고된 NiMH 연구에서 큰 초기 오차로부터 이미 약 ±3% SOC를 달성하고 설명 가능하며 큰 데이터세트가 필요 없습니다; ML은 물리 모델이 구조적으로 부적절한 곳 – 강한 비선형 노화, 차량군 전반의 매개변수 드리프트, 미묘한 고장 패턴 인식 – 그리고 충분히 다양한 데이터가 있는 곳에서 자리를 얻습니다. 열 모델링 검토 역시 ML을 독립형 예측자가 아닌 물리 핵심의 잔차 보정기로 위치시켜 안전한 외삽을 보존합니다.
첫 번째 그림은 고전적 관측자를 학습 증강 제어기와 대비하고; 두 번째는 레이블링된 데이터에서 하드 한계 하의 제한된 배포에 이르는 안전한 훈련-배포 파이프라인을 순서화합니다.
먼저 결정과 허용된 출력 한계를 정의하고; 구조 골격과 하드 한계를 구축하고; 기준 레이블과 함께 전류-온도-연령-로트를 포괄하는 데이터세트를 수집하고; 해석 가능한 물리 특징 모델을 훈련하고; 홀드아웃 셀(단순히 같은 셀의 홀드아웃 표본이 아닌)에서 고전적 베이스라인 대비 개선을 입증하고; 폴백, 불확실성 검출 및 무선 업데이트 거버넌스와 함께 출시하십시오. Weijiang은 셀 변동을 모델 오차와 혼동하지 않고 이러한 데이터세트를 구축하도록 포괄적인 셀 샘플과 기준 충전 특성분석을 제공할 수 있습니다.
쿨롱 계수에서 EIS, 전기-열 모델 및 학습에 이르는 추정 방법이 확립됨에 따라, 시리즈는 셀을 아는 것에서 그것이 마모되는 것을 지켜보는 것으로 전환합니다: 다음 그룹은 충전 프로토콜 자체가 NiMH 노화와 열화를 어떻게 주도하는지 검토합니다.
Weijiang Power 니켈-금속수소화물 셀, 매칭된 팩과 충전 준비 구성을 소비재, 산업, 의료 및 모빌리티 고객을 위해 설계·제조하고, 충전 프로토콜 지도, IEC 61951-2 성능 파일, IEC 62133-1 안전 근거와 충전기 공동 검증으로 파트너를 지원합니다. 셀 형식, 충전율, 열 범위와 사이클 목표를 알려주시면, 당사 엔지니어가 사용 시간과 수명을 모두 보호하는 셀-충전 조합을 지정할 것입니다. 제품 페이지에서 제품군을 검토하십시오.
