Основное различие заключается в том, как каждый подход представляет деградацию аккумулятора. Модельная оценка остаточного срока службы использует физические и электрохимические уравнения для описания таких механизмов, как старение и потеря емкости, тогда как оценка на основе данных непосредственно выявляет взаимосвязи по измеренным данным об эксплуатации и деградации. Модели, основанные на данных, широко используются вместе с системами тестирования аккумуляторов, поскольку эти системы предоставляют высококачественные долгосрочные данные о напряжении, токе, температуре, емкости и импедансе, необходимые для обучения, проверки и постоянного обновления эмпирических прогнозов.
Модельные методы обеспечивают физическую интерпретируемость, но их сложно разрабатывать и выполнять, поскольку деградация аккумулятора является нелинейной, сложной и изменяющейся во времени. Методы, основанные на данных, более гибки и проще в развертывании, однако их точность напрямую зависит от качества, охвата и согласованности данных тестирования аккумуляторов.
Как два подхода представляют старение аккумулятора
Модельные подходы начинаются с физических механизмов
Модельный подход пытается представить аккумулятор с помощью математического описания его физических и электрохимических характеристик.
Эти модели могут учитывать внутренние состояния, механизмы деградации, условия эксплуатации и взаимосвязи между такими переменными, как ток, напряжение, температура, емкость и сопротивление.
Цель заключается в оценке текущего состояния аккумулятора и прогнозировании того, как это состояние будет изменяться до достижения критерия окончания срока службы.
Подходы, основанные на данных, обучаются на результатах наблюдений
Подход, основанный на данных, использует исторические данные и измерения в реальном времени для выявления эмпирической взаимосвязи между поведением аккумулятора и остаточным сроком службы.
Типичные входные данные включают напряжение, ток, температуру, емкость, внутреннее сопротивление, количество циклов и информацию о профиле нагрузки.
Модели не требуется явное математическое описание каждой внутренней электрохимической реакции. Вместо этого она выявляет по собранным данным закономерности, связанные с деградацией и отказом.
Основные различия между подходами
Физические знания и измеренные закономерности
Модельные методы в первую очередь зависят от знаний о физике и электрохимии аккумулятора.
Методы, основанные на данных, в первую очередь зависят от репрезентативных измерений. Они могут быть эффективными даже тогда, когда внутренние механизмы слишком сложны для полного моделирования, при условии, что обучающие данные адекватно охватывают соответствующие условия эксплуатации.
Интерпретируемость и гибкость реализации
Физическая модель часто может объяснить, почему прогноз изменяется, поскольку ее переменные соответствуют идентифицируемым состояниям или механизмам аккумулятора.
Модель, основанная на данных, может быть менее прозрачной, но обычно ее проще адаптировать к различным элементам, условиям старения и профилям эксплуатации при наличии подходящих данных.
Вычислительная и модельная нагрузка
Комплексные физические модели могут требовать значительных вычислительных ресурсов, поскольку им необходимо представлять сложное, нелинейное и изменяющееся во времени поведение.
Это может быть затруднительно для приложений с ограниченными ресурсами, особенно когда оценка остаточного срока службы должна выполняться в реальном времени на встроенном управляющем оборудовании.
Подходы, основанные на данных, обычно имеют меньшие накладные расходы на реализацию после обучения, хотя само обучение может потребовать значительного объема данных, вычислительных ресурсов и тщательной проверки.
Зависимость от допущений и данных
Модельные прогнозы могут быть ограничены неточными параметрами, упрощенными допущениями о деградации или неполным пониманием внутреннего поведения аккумулятора.
Прогнозы на основе данных могут быть ограничены зашумленными измерениями, недостаточным объемом данных о старении, изменениями распределения данных и условиями эксплуатации, которые не были представлены в процессе обучения.
Ни один из подходов не является автоматически лучшим. Выбор зависит от требуемой точности, интерпретируемости, вычислительных ресурсов, доступных данных и условий эксплуатации.
Почему системы тестирования аккумуляторов имеют ключевое значение для оценки остаточного срока службы на основе данных
Они создают обучающий набор данных
Системы тестирования аккумуляторов многократно заряжают и разряжают элементы, одновременно регистрируя эксплуатационные параметры и показатели деградации.
На протяжении сотен циклов это создает временные ряды данных, необходимые для изучения того, как измеряемые характеристики изменяются по мере приближения аккумулятора к окончанию срока службы.
Без контролируемого и достаточно длительного тестирования модель, основанная на данных, не может надежно отличить нормальные эксплуатационные изменения от реальной деградации.
Они формируют точные тенденции деградации
Прогнозирование остаточного срока службы зависит от выявления постепенных изменений таких показателей, как емкость и внутреннее сопротивление.
Высокоточные системы тестирования снижают уровень измерительного шума и помогают сохранить фактическую тенденцию деградации, что особенно важно, когда ожидаемая ошибка прогноза мала.
Измерения низкого качества могут привести к тому, что модель будет обучаться на артефактах измерительного оборудования, а не на поведении аккумулятора.
Они определяют целевые показатели состояния и отказа
Системы тестирования помогают исследователям определять потерю емкости, рост импеданса, моменты отказа и другие показатели окончания срока службы.
Эти измерения предоставляют эталонные метки, используемые для обучения и оценки моделей остаточного срока службы, включая такие метрики, как средняя абсолютная ошибка (MAE), среднеквадратичная ошибка (RMSE), относительная ошибка прогноза и вариабельность прогнозов между повторными циклами.
Невозможно содержательно оценить модель, если тестовая система не обеспечивает надежного определения прогнозируемого целевого показателя.
Они предоставляют исходные данные для онлайн-прогнозирования
Встроенным алгоритмам прогнозирования часто требуется начальная оценка состояния работоспособности аккумулятора и изменения его параметров.
Лабораторное тестирование позволяет определить исходную емкость, внутренний импеданс и разброс характеристик между элементами. Эти значения помогают инициализировать онлайн-оцениватели, включая методы на основе фильтрации частиц, и уменьшить дрейф прогноза во время эксплуатации.
Они воспроизводят реалистичные условия эксплуатации
Аккумуляторы в электромобилях и динамическом оборудовании редко работают при постоянной нагрузке.
Системы тестирования могут регистрировать или воспроизводить переменные профили тока, включая среднее, максимальное и минимальное значения, статистический разброс тока, а также продолжительность различных фаз эксплуатации.
Учет этих условий помогает моделям, основанным на данных, оценивать деградацию и поведение до окончания разряда в реалистичных, а не идеализированных рабочих режимах.
Как модели, основанные на данных, поддерживают мониторинг в реальном времени
Офлайн-обучение использует данные совокупности элементов
В типичной двухэтапной схеме системы тестирования аккумуляторов сначала собирают данные о деградации и отказах для партии элементов.
Затем офлайн-анализ может оценить закономерности старения на уровне совокупности и разброс характеристик между элементами, включая вариации, связанные с различиями в производстве.
На этом этапе создается базовая модель, которую можно адаптировать к отдельному аккумулятору во время эксплуатации.
Онлайн-оценка обновляет данные для конкретного аккумулятора
Во время эксплуатации система получает новые измерения, такие как напряжение, ток, температура или сопротивление.
Модель остаточного срока службы обновляет оценочную траекторию деградации аккумулятора на основе этих наблюдений, а не только исходного лабораторного профиля.
Это позволяет оценке реагировать на фактическое использование и меняющиеся условия.
Вероятностные методы могут учитывать неопределенность
Измерения аккумулятора зашумлены, и аккумуляторы стареют неодинаково.
Такие методы, как фильтрация частиц, позволяют распространять несколько возможных траекторий состояния и объединять их с использованием вероятностных весов. Другие подходы могут совместно моделировать сигналы деградации и распределения времени до отказа для обновления прогнозов долговечности.
Это полезно, когда фиксированный порог, например одно значение сопротивления, не позволяет надежно определить отказ.
Понимание компромиссов
Модели, основанные на данных, не обязательно эффективно используют данные
Модели, основанной на данных, необходимы данные, соответствующие предполагаемому применению.
Если в обучающих тестах используются только узкие диапазоны температур, простые профили нагрузки или ограниченный набор конструкций элементов, точность прогнозов может снизиться при столкновении модели с другими условиями.
Качество тестирования напрямую ограничивает качество модели
Больший объем данных не обязательно приводит к более точным прогнозам, если измерения непоследовательны или зашумлены.
Калибровка, повторяемость, точное управление током и напряжением, измерение температуры и надежное отслеживание циклов являются фундаментальными составляющими процесса моделирования.
Физическая интерпретируемость может быть ниже
Высокоточный прогноз на основе данных может не указывать четко внутренний механизм, ответственный за прогнозируемую деградацию.
Это может усложнить устранение неисправностей, обоснование безопасности и перенос модели на новую химию элементов по сравнению с проверенной физической моделью.
Физические модели может быть сложно поддерживать
Модельный метод может требовать обширной идентификации параметров и повторной калибровки при изменении химического состава, конструкции элемента, температуры или условий эксплуатации.
Физическая детализация ценна, но она может увеличивать вычислительные затраты и сложность реализации.
Гибридные методы могут сбалансировать ограничения
На практике модельные методы и методы, основанные на данных, не обязательно должны быть конкурирующими альтернативами.
Физическая модель может задавать структуру, ограничения или оценочные внутренние состояния, тогда как компонент, основанный на данных, обучается на остаточных ошибках или немоделируемом поведении деградации. Это позволяет объединить физическое понимание с адаптивностью моделей, использующих измеренные данные.
Как выбрать подход в соответствии с вашей целью
Лучший подход определяется доступностью данных для приложения, вычислительными ограничениями, необходимостью интерпретируемости и изменчивостью условий эксплуатации.
- Если ваша основная цель — физическая интерпретируемость: используйте модельный подход, когда соответствующие механизмы деградации можно точно представить, а доступные вычислительные ресурсы позволяют применять необходимую модель.
- Если ваша основная цель — гибкое и практичное развертывание: используйте подход, основанный на данных, поддерживаемый высококачественными данными тестирования аккумуляторов, особенно когда внутреннее электрохимическое поведение слишком сложно для комплексного моделирования.
- Если ваша основная цель — встроенная оценка в реальном времени: отдайте предпочтение вычислительно эффективной модели, которая может быть инициализирована или ограничена лабораторными исходными данными и обновляться с помощью онлайн-измерений.
- Если ваша основная цель — надежное прогнозирование в изменяющихся условиях: формируйте набор данных с учетом реалистичных вариаций температуры, тока, профилей нагрузки, разброса характеристик между элементами и старения, а не полагайтесь только на постоянные лабораторные циклы.
- Если ваша основная цель — максимальная надежность: рассмотрите гибридную схему, объединяющую физические ограничения с обучением на данных, и проверяйте прогнозы с помощью контролируемого высокоточного тестирования.
Надежная оценка остаточного срока службы начинается не только с алгоритма, но и с системы тестирования, способной точно и стабильно измерять деградацию аккумулятора.
Сводная таблица:
| Аспект | Модельный подход | Подход, основанный на данных |
|---|---|---|
| Основа | Физические и электрохимические уравнения | Исторические данные и измерения в реальном времени |
| Интерпретируемость | Высокая: переменные соответствуют физическим состояниям | Ниже: закономерности выявляются по данным |
| Реализация | Сложная, требующая значительных вычислительных ресурсов | Проще после обучения, но требует качественных данных |
| Требования к данным | Может потребоваться идентификация параметров, менее требователен к объему данных | Требует больших высококачественных обучающих наборов данных |
| Точность | Зависит от точности модели и использованных допущений | Зависит от качества и охвата данных |
| Адаптивность | Сложно адаптировать к новым условиям без повторной калибровки | Более гибкий, если обучающие данные охватывают различные условия |
| Оптимальное применение | Приложения, требующие физического понимания | Приложения с большим объемом данных и сложной деградацией |
Хотите усовершенствовать свои исследования и разработки аккумуляторов с помощью надежной оценки остаточного срока службы? KINTEK предоставляет комплексное лабораторное оборудование для тестирования аккумуляторов и исследований передовых материалов. Наш ассортимент включает оборудование для изготовления элементов, системы тестирования и прецизионное прессовое оборудование. Обеспечьте получение точных данных о деградации с помощью наших высокоточных решений для тестирования. Свяжитесь с нами сегодня, чтобы обсудить ваши задачи и повысить эффективность моделей остаточного срока службы!