九五至尊在线娱乐九五至尊在线娱乐

95299九五至尊官网
九五至尊2登录网址

电池试验和分类

电池试验和分类

用于电池估计和分类的方法和设备,把瞬态微电荷和/或微负载脉冲施加到一个汽车电池上。根据其生成的电压轮廓或部分或尺寸的分析进行分类。在一个实施例中,该分析利用一个神经网络或算法,以利用包括阻抗以及电压特征的一系列电池参数中的一个来估计一个微周期序列的微负载/微电荷试验,以实现分类。另一个实施例是对于一个自组织神经网络采用优化(不是最大)级的以前基于试验的数据训练。一个第三实施例利用以前的试验数据关系,能够实现基于算法的分类而不使用神经网络。

所述实施例采用用于从微周期产生的电池数据的分析步骤或阶段,并且诸实施例采用神经网络或自适应算法,以便能够进行电池的分类或数值估计。神经网络的使用导致在我们的1997年6月19日的申请中陈列的数据处理优点。

功率MOSFET一般具有30毫米乘20毫米的最大尺寸,并且其平均电流消耗小,并因而几乎不导致车辆电池的损坏。通过改变由微控制器30经调节电路28控制的栅极电压,能改变由MOSFET表示的耗电量。改变耗电量的设施提供用来确定电池内部阻抗的基础。以类似的方式,电池的其他特性易于从用在诸实施例中所述的方法得到的电压轮廓导出,包括电压本身的各方面,即包括电压反射、电压波峰和波谷、电荷接收及开始和结束电压。本发明这方面的特征在于,关于这些电池特性的一个或多个,可以通过轮廓分析实现分类。在这些特性的几个实例中,通过检查在试验期间产生的电压踪迹轮廓的一部分或尺寸,给出相关量的数值的测量。

数据存储功能元件16与算法/神经网络功能元件52合作,以使分析子系统30、38内的波形和电池状态种类相关。在提供要求的数字信号处理功能的、例如如在上述EP ‘135A2说明书中提到的可从Texas Instruments得到的兼容PC系统或客户硬件上,可以完成实施。为此目的关于算法所述的信息,可在由John Wiley & Sons出版的Adam Blum出版物“在C++中的神经网络”中得到。在图14、15、16a和16b中以文本和流程图的格式表示在本发明的第三方面中使用的简化算法。

在汽车工业中及同样在其他技术领域中,需要改进用于电池试验的系统。就在EP 0 762 135 A2(案件12参考文献P52759EP)中公开的系统而论,我们已经提供了在先有技术方面的进步,EP 0 762135 A2公开了一种利用神经网络来试验汽车电子控制单元和电池的方法和设备,以便实现数字化信号的波形分析。电池试验是在负载瞬态连接期间利用电池电流的波形分析进行的。一个网络学习阶段与用于特征波形的识别试验例行程序一起采用。这种方法基于波形分析的软件模拟,波形分析可以由熟悉本专业的技术人员直观地进行,以区分各类电池的电流或电压轮廓。

在汽车工业中及同样在其他技术领域中,需要改进用于电池试验的系统。就在EP 0 762 135 A2(案件12参考文献P52759EP)中公开的系统而论,我们已经提供了在先有技术方面的进步,EP 0 762135 A2公开了一种利用神经网络来试验汽车电子控制单元和电池的方法和设备,以便实现数字化信号的波形分析。电池试验是在负载瞬态连接期间利用电池电流的波形分析进行的。一个网络学习阶段与用于特征波形的识别试验例行程序一起采用。这种方法基于波形分析的软件模拟,波形分析可以由熟悉本专业的技术人员直观地进行,以区分各类电池的电流或电压轮廓。

而且在该实施例中,施加到电池上的微负载或微电荷的瞬态周期处于1至1,000毫秒的范围内,并且在相继的诸微负载和/或微电荷之间的重复间隔是2至100倍于微负载或微电荷的施加持续时间。

现在转到图11和12中所示的图形数据,这些表示不仅用于FET栅极或控制电压、而且也用于对好和坏电池的电池响应的电压/时间曲线。图11表示微负载结果,而图12表示微电荷结果。

在诸实施例中,在常规电池试验器的操作期间得到的、和在几个预定间隔下由抽样产生的数据,然后呈现给训练的Kohonen自组织网络以便分析。通过参考建立的数据图案,网络能够分类电池。

在下面描述的实施例中,电池对施加到其上的瞬态试验参数的反应,提供电池状态的测量。通过代表电池对试验参数的反应的波形形状或轮廓(参照在特征点处的相应电压)的分析,能完成相应的分类步骤。在该实施例中借助于适于分辨相应两种或多种电池状态分类的一种算法,而不采用神经网络,完成该分析步骤,并且这些分类的相应一种呈现出与电量值的波形轮廓(电压方面)的关系。

一个基于例如可充电电池的电源单元54,提供图8的作为整体用于可携带系统56的小型电源。

欢迎阅读本文章: 谭小姐

九五至尊六娱乐手机版

95299九五至尊官网