电池的现代测试技术

现代测试技术

       EIS 将多个频率的正弦信号注入电池，并以奈奎斯特图的形式测量阻抗响应。Cadex 已获得专有技术，可将奈奎斯特图转化为电池 SoH 和 SoC。通过使用电化学阻抗谱 (EIS)等技术表征电池的各种特性，正在取得进步。下面是它的工作原理。

       通过扫描大量具有相似结构但性能状态不同的电池，可以获得好电池和差电池模型参数的参考图像。奈奎斯特图配备反映不同电池内部特性的电池模型。然后将模型参数传递给高级数据分析算法，例如模糊逻辑，以确定容量、Ri 和 So。图 3 以简化的方式说明了多模型 EIS 技术的概念。多模型 EIS 也称为 Spectro™。

       容量测量是首选，因为单独的冷启动放大器 (CCA) 不提供 RUL 信息。使用 Cadex 开发的 EIS 技术的电池测试仪被部署在汽车行业以检查启动电池。大多数启动电池的 CCA 读数保持正常，而容量却在不知不觉中下降。这通常会导致意外故障，因为强劲的发动机启动并不反映低容量。

       首先扫描每个电池模型以创建代表已知良好电池的“黄金样本”。Spectro™ 技术还可用于测试特定型号的铅酸和锂化学电池。通过观察奈奎斯特图相对于新条件下电池镜像的细微变化来分析老化症状。

       手持式测试仪 (Cadex) 和 BMS 安装形式的 Spectro™ 设备提供按日期和型号组织的测试结果，并存储在Cadex 云中。云连接通过下载特定型号的黄金样本以及各种老化电池数据来简化物流。大数据提高了准确性，由Spectro™ 提供的机器学习和人工神经网络 (ANN)技术处理。

       高斯方法对我们的铅酸电池数据集更有效（准确率约为 90%），并且用比 ANN 更少的数据获得更好的结果。Cadex 实验室正在测试 ANN 和机器学习算法（例如高斯过程回归）的准确性以确定电池 SoH。这些发现得到了 UBC 研究科学家的验证。Cadex 正在用铅酸、镍氢和锂离子电池进一步探索这些发现。

       使用 ABAS，主管将目标选择器设置为每个电池系统的计算容量阈值，目的是让电池尽可能长时间地使用，同时保持对系统的信心。高级电池分析系统 (ABAS) 的典型应用是通过使用基于 EIS 的测试仪和支持 EIS 的 BMS 安装在现场跟踪电池性能来监控车队。这样的系统充分利用了每个电池，同时提高了可靠性并降低了过早丢弃电池对环境的影响。

       测试方法变得越复杂，技术就越能破译症状。
人脸识别是另一个通过比较锚点的例子。一个例子是观察温度、风速和湿度变化的天气预报。字母和语音识别是机器学习识别细微差别以找到集体意义的进一步应用。

       机器学习可以在不给出明确指令的情况下提高准确性。作为人工智能的一个子集，机器学习使用算法和统计模型来分析数据并从数据模式中得出推论。科学家预测，电池分析的未来在于具有机器学习和云连接的 EIS。大量数据将作为查找表，为主要电池型号提供极其准确的电池评估。使用更先进的估算工具，任何单一的读数都不会提供有限的结果。

       基于化学的电池分析没有像数字技术那样发展迅速。高级电池分析的关键是读取“化学电池”，而不是使用外围数字引擎处理数据。具有机器学习、神经网络和云连接功能的 EIS 将电池分析提升到新的水平。这些相关技术还将改善对组织的车队监管。

称为神经元的连接单元形成了模拟动物本能的生物大脑。说明了 ANN，它分析大量数据并在隐藏层的帮助下提供分类输出。有人可能会争辩说：“Garbage in; 垃圾出来”，但是大量的用户模式可以通过 ANN 产生惊人的结果。