Системы управления аккумуляторами

Приближается интеллектуальная система управления аккумулятором

Как отмечает Питер Дональдсон, системы управления аккумуляторами претерпевают значительные изменения

На протяжении десятилетий система управления аккумулятором (BMS) выполняла довольно простую функцию: защищала аккумулятор от работы за пределами безопасных значений, оценивала уровень заряда и обеспечивала надежное запускание и остановка транспортного средства. Эти функции были детерминированными, основанными на правилах и, что критически важно, полностью понятными инженерам, которые их разрабатывали. Каждое решение можно было отследить до конкретного входного параметра, определенного порога или откалиброванной модели. Однако сегодня ситуация становится значительно более сложной.

Аккумулятор превратился из пассивного компонента для хранения энергии в активный ресурс, генерирующий данные. Система управления аккумулятором трансформируется из устройства, ориентированного на обеспечение безопасности, в интеллектуальную операционную систему, способную к прогнозированию, адаптации и экономической оптимизации. Эту трансформацию обусловливают три взаимосвязанных фактора: сложность современных химических составов аккумуляторов, распространение технологий подключения к сети и облачных вычислений, а также растущее понимание того, что интеллектуальные решения для аккумуляторов обеспечивают значительную экономическую ценность.

Однако такая эволюция создаёт серьёзные инженерные проблемы. Индустрия, основанная на детерминистской безопасности, теперь вынуждена бороться с вероятностным характером искусственного интеллекта. Ей предстоит соблюдать баланс между вычислительными требованиями моделей физики высокой точности и требованиями к масштабируемости глобальных флотов. Кроме того, необходимо обеспечить безопасность аккумуляторов при их отсоединении от облака. Более того, требуется разрабатывать системы, способные адаптироваться к химическим свойствам аккумуляторов, которые ещё не были внедрены или даже полностью разработаны.

Искусственный интеллект как средство улучшения, а не замена

Самым ярким единодушием в индустрии является мнение, что искусственный интеллект не может — и не должен — заменять детерминистские функции безопасности. Каждый из опрошенных руководителей в области инженерии подчёркивал, что решения, критичные с точки зрения безопасности, должны оставаться отслеживаемыми, проверяемыми и, в конечном счёте, понятными инженерам, ответственным за их принятие.

Эта позиция отражает зрелое понимание как возможностей, так и ограничений ИИ. Машинное обучение превосходно справляется с выявлением закономерностей в сложных, высокодимензиональных данных. Оно может извлекать информацию из условий работы, которые трудно смоделировать на основе первоначальных принципов. Оно способно адаптироваться к новым данным и совершенствоваться со временем. Однако оно также является непрозрачным, склонным к неожиданному поведению при работе в условиях, отличных от тех, для которых оно обучалось — а именно в данных о историческом поведении аккумуляторов с точки зрения кривых напряжения, колебаний температуры, нагрузок тока, закономерностей старения и т. д., подаваемых в ИИ — и по своей сути имеет вероятностную природу.

Культура безопасности в автомобильной промышленности, сформированная за десятилетия работы по стандарту ISO 26262 и строгим процессам верификации, не подходит для принятия результатов, которые невозможно связать с детерминистическими причинами.

Решением, набирающим популярность во всей отрасли, является гибридная архитектура. Модели, основанные на законах физики — разработанные с учетом электрохимических принципов и проверенные в ходе масштабных тестов — служат основой для ключевых функций безопасности. Искусственный интеллект выполняет роль дополнительного слоя, повышающего качество прогнозирования сложных явлений, таких как старение, деградация и обнаружение аномалий. Критически важно то, что каждый результат работы ИИ проверяется с учетом физических ограничений и детерминистичных моделей для обеспечения его правдоподобия.

Этот подход особенно ценен для современных типов аккумуляторов. Например, элементы на основе фосфата лития-железа с их характерными плоскими кривыми напряжения создают значительные трудности для традиционной оценки уровня заряда. Машинное обучение позволяет извлекать информацию из исторических данных о режимах работы, которую сложно получить с помощью традиционных методов. Однако результаты работы ИИ постоянно проверяются с учетом физических законов, что предотвращает генерацию невозможных результатов моделью.

Принцип инженерии ясен: доверие формируется через проверку, отслеживаемость и возможность аудита решений. Самыми успешными будут те архитектуры, в которых наука о данных и физика аккумуляторов дополняют друг друга, а не конкурируют. Решения критической важности для безопасности будут и дальше основываться на объяснимых моделях, обоснованных физическими законами, в то время как вклад ИИ сводится к прогностической диагностике и обучению на основе данных всего парка устройств.

Иерархия моделей

Концепция цифрового двойника стала повсеместно используемой в обсуждениях управления аккумуляторами, но её часто неправильно понимают. Лидеры отрасли всё четче указывают на то, что цифровой двойник — это не одна модель, а иерархия моделей, работающих на разных уровнях точности и вычислительной сложности.

На уровне транспортного средства система BMS использует эффективные встроенные модели, оптимизированные для работы в реальном времени. Эти модели должны обеспечивать точные оценки уровня заряда, срока службы, состояния функционирования и уровня энергии при работе в рамках строгих вычислительных ограничений автомобильных микроконтроллеров.

Одновременно «близнецы» аккумуляторов, работающие в облаке, используют данные флота, сложные электрохимические модели и методы машинного обучения для анализа тенденций деградации, закономерностей использования и аномального поведения. Облачная среда обеспечивает необходимую масштабируемость для одновременной обработки данных тысяч или миллионов подключенных аккумуляторов.

Критической инженерной проблемой является синхронизация между этими слоями. Инсайты, полученные в облаке — улучшенные параметры калибровки, обновленные модели износа, информация для прогнозного технического обслуживания — должны быть преобразованы в практически полезные данные, которые можно передать обратно в транспортное средство. Для этого необходимо тщательно учитывать форматы данных, процессы верификации и моменты их обновления.

Особенно значимым ограничением при переходе от моделей на уровне отдельных элементов к моделям на уровне всего комплекса является качество и возможность отслеживания данных. Модель на уровне отдельной ячейки может фокусироваться на поведении конкретной ячейки в тщательно контролируемых лабораторных условиях. Модель на уровне всего комплекса должна точно отражать тысячи взаимодействующих переменных, действующих в крайне динамичных реальных условиях.

Решение, принятое ведущими инженерными организациями, — это стратегия иерархического моделирования. Вместо попыток моделировать каждое физическое явление с максимальной степенью детализации они выборочно сочетают высокоточные модели там, где это необходимо, с моделями упрощенного уровня там, где важнее масштабируемость. Подтверждение корректности моделей также имеет критическое значение — цифровой двойник ценен лишь в той мере, в которой он соответствует реальности, — и для этого требуется значительные инвестиции в тестирование характеристик, методы с использованием моделей в цепи управления, тестирование с привлечением аппаратного обеспечения и проверку данных о флоте.

Видение будущего предполагает, что цифровые двойники станут системами, которые постоянно обучаются и совершенствуются на протяжении всего срока эксплуатации аккумулятора. Оптимизация аккумуляторов не ограничится начальным этапом производства, а станет непрерывным инженерным процессом, обеспечиваемым взаимосвязанной экосистемой бортового интеллекта и обучения в облаке.

Безопасность в взаимосвязанном мире

Интеграция интеллекта, основанного на облачных технологиях, поднимает фундаментальный вопрос: что произойдет, если облако будет недоступно? Задержки в сети, потеря соединения или инциденты в области кибербезопасности могут поставить под угрозу функции, зависящие от облака.

Ответ отрасли однозначен: функции, критичные с точки зрения безопасности, должны оставаться полностью на борту устройства и ни в коем случае не должны зависеть от внешнего подключения.

Этот принцип обеспечивает четкое разделение компонентов архитектуры. Детерминистическая встроенная система управления батареей отвечает за контроль в реальном времени и обеспечение функциональной безопасности – управление контакторами, термическая защита, мониторинг изоляции, ограничение мощности и обработка неисправностей.

Интеллектуальные решения в облаке выполняют другую функцию. Они улучшают процесс диагностики, повышают точность прогнозирования износа, позволяют осуществлять обучение на основе данных всего парка устройств и создают возможности для оптимизации срока службы. Эти функции могут работать при задержках в коммуникации, поскольку они носят советующий характер, а не критически важны для безопасности.

Некоторые организации дополнительно совершенствуют этот подход, проявляя соответствующую настороженность по отношению к параметрам и обновлениям, получаемым из облака. Обновления принимаются только после проверки их подлинности, целостности, версии и разумности. Пока эти проверки не пройдены, действует верифицированная локальная конфигурация.

Адаптация к различным средам

Процесс электрификации распространяется не только на легковые автомобили, но и на коммерческий транспорт, морские средства и авиацию. Каждая из этих сфер создает уникальные вызовы, с которыми должна справляться система BMS.

Основная проблема заключается в том, что физика аккумуляторов остаётся прежней, в то время как условия эксплуатации резко меняются. Для автомобильных приложений основными факторами являются колебания температуры, механические нагрузки, старение и условия чрезмерной эксплуатации. В авиационной сфере быстрые изменения высоты влияют на тепловое поведение, эффективность охлаждения и явления, связанные с давлением. Воздействие излучения также имеет критическое значение на больших высотах; одним из конкретных рисков является возможность повреждения электроники BMS в результате единичного события. Понимание воздействия излучения на химические процессы в литиево-ионных аккумуляторах было сформировано на основе космических приложений, однако требуются дальнейшие исследования в контексте авиации. В морских приложениях воздействие солёной воды создаёт дополнительные риски, связанные с коррозией, мониторингом изоляции и долгосрочной надёжностью.

Ответом на такое разнообразие является модульный подход. Одни и те же алгоритмы управления аккумуляторами могут быть адаптированы с помощью калибровки и процедур проверки, специфичных для конкретных приложений. Это позволяет инженерным организациям обеспечивать работу легковых автомобилей, коммерческих транспортных средств, стационарных систем хранения, морских устройств и аэрокосмических платформ, сохраняя при этом общую технологическую основу.

Управление тепловыми процессами выступает особенно важным фактором, отличающим современные решения. Будущие аккумуляторы потребуют всё более сложных моделей прогнозирования температуры, способных выявлять локальные «горячие точки», риски распространения тепла и аномальные условия работы до того, как они превратятся в проблемы безопасности. Это особенно критично в авиационных приложениях, где эффективность охлаждения меняется с высотой, а ограничения по весу сужают возможности управления тепловыми процессами.

Диагностика также имеет огромное значение. По мере того как аккумуляторные блоки становятся более интегрированными по своей конструкции и сложнее доступными для обслуживания, возможности раннего выявления аномалий и прогностического технического обслуживания становятся крайне важными. Система управления аккумуляторами должна способна выявлять начинающиеся проблемы без физической проверки.

Развитие в направлении разнообразных приложений стимулирует использование систем управления аккумуляторами с ещё более сложными моделями контроля.

Ограничения вычислительных ресурсов, архитектурные решения

Вычислительные требования современных функций BMS быстро растут. Инженеры, занимающиеся батареями, ставят амбициозные требования к диагностике, оценке состояния, кибербезопасности, прогнозированию температуры, обнаружению аномалий и подключению к сети. Все эти функции должны выполняться в рамках строгих автомобильных ограничений по производительности обработки, объему памяти, стоимости, энергопотреблению и безопасности.

Самым строгим ограничением обычно является уровень пакета батарей, где передовые электрохимические модели, методы наблюдения, средства диагностики и алгоритмы ИИ должны работать в реальном времени в рамках установленных лимитов.

Решение не заключается просто в переносе всего в облако. Инженерам необходимо тщательно распределять функции в рамках всей системы обработки данных, используя модели с уменьшенным количеством параметров, упрощая нелинейные процессы, сокращая количество измерений и планируя выполнение функций с разной скоростью.

Стоимость и потребление энергии остаются основными ограничениями при проектировании аппаратного обеспечения, напрямую влияя на объем памяти и вычислительные мощности, доступные в BMS. Вторым крупным барьером является выполнение операций в реальном времени. Функции, критичные с точки зрения безопасности, требуют непрерывного и детерминированного мониторинга, что подразумевает одновременное управление несколькими задачами и прерываниями. Архитектура программного обеспечения должна устанавливать приоритеты задач в зависимости от доступных вычислительных мощностей и числа ядер.

Современные алгоритмы, такие как оценщики состояния или модели цифровых двойников, быстро превышают вычислительные возможности стандартных микроконтроллеров BMS. Это привело к росту тенденции к распределению нагрузки: функции, критичные с точки зрения безопасности, остаются внутри BMS, в то время как сложные алгоритмы выполняются на высокопроизводительных микропроцессорах.

Кибербезопасность создаёт дополнительную нагрузку. Защищённая связь, шифрование, механизмы аутентификации и обновления требуют дополнительных ресурсов, которые необходимо учитывать на этапе проектирования аппаратного обеспечения с самого начала, чтобы избежать быстрого устаревания платформы.

На уровне полупроводников существует несколько тенденций, направленных на преодоление этих проблем. Безопасность функционирования повышается за счёт более широкого использования синхронной обработки, аппаратной диагностики, защищённых памяти и независимого мониторинга. Кибербезопасность обеспечивается с помощью модулей аппаратной безопасности, защищённого запуска, защищённого хранения ключей и аутентифицированных обновлений программного обеспечения. Гетерогенные вычислительные архитектуры сочетают универсальные ядра безопасности с специализированными математическими и векторными ускорителями, что позволяет выполнять моделирование и работу с ИИ локально и детерминированно.

Энергоэффективность также имеет решающее значение. Система управления батареей должна постоянно находиться в состоянии бдительности во время движения, зарядки, хранения и длительной парковки. Для этого необходимо тщательно контролировать расход энергии на всех этапах.

Архитектурная тенденция заключается в использовании согласованной совокупности чипсетов и программного обеспечения, а не в отдельной оптимизации каждого компонента.

Подготовка к неизвестному

Химические составы аккумуляторов быстро развиваются. Литиево-железофосфатные, высоконикельные аккумуляторы, а также будущие твердотельные аккумуляторы демонстрируют совершенно разное поведение. Промышленность не может позволить себе перерабатывать всю систему управления батареей для каждого нового типа аккумулятора.

Решением является модульная архитектура функций ядра аккумулятора. Цель состоит в том, чтобы сохранять стабильность программной среды при одновременной адаптации поведения аккумулятора с помощью моделей, калибровки и параметризации.

Вместо создания отдельного программного обеспечения для каждой химической технологии ведущие организации используют общую архитектуру платформы с гибкими моделями аккумуляторов и процедурами калибровки. Такой подход позволяет одной и той же основной структуре программного обеспечения поддерживать различные технологии элементов питания при сохранении высокой точности.

Это разделение достигается за счёт четких архитектурных границ. Службы платформы — сбор данных измерений, диагностика, коммуникация, механизмы безопасности, обработка нефлуктуирующих данных и планирование — остаются общими для всех химических технологий. Модели, зависящие от конкретной технологии — карты напряжения при разомкнутой цепи, параметры импеданса, термическое поведение, модели старения и рабочие пределы — заключаются в виде калиброванных компонентов.

Можно внедрить новую химию путем проверки и использования соответствующего набора моделей и параметров, вместо того чтобы полностью перерабатывать всю программную платформу. Ресурсы аппаратного обеспечения также имеют большое значение, поскольку более сложные химические процессы могут требовать моделей высшего порядка или нелинейных моделей.

Отсутствие зависимости от конкретной химии не означает её игнорирование. Каждый набор параметров, метод оценки и пределы должны по-прежнему проверяться с учётом специфики элемента аккумулятора, конструкции пакета и характеристик миссии. Архитектура обеспечивает возможность адаптации, в то время как строгая инженерная практика гарантирует корректность.

BMS как создатель ценности

Исторически BMS проектировался с целью максимизации безопасности и срока службы. Эти цели остаются важными, но сегодня операторы ожидают, что аккумуляторы будут активно способствовать созданию ценности на протяжении всего их жизненного цикла.

Работа транспортных средств в сети (V2G) является ярким примером. Система управления батареей, способная с высокой точностью определять её состояние, может оптимизировать процессы зарядки и разрядки с учётом как спроса в сети, так и состояния батареи. Цель заключается в получении дополнительного дохода без ускорения её износа.

Управление жизненным циклом батареи — ещё одна область возможностей. Точная оценка уровня заряда позволяет получить чёткое представление о остаточной стоимости батареи, что критически важно для моделей аренды, использования батарей во второй раз, управления гарантиями и применения в системах хранения энергии.

Анализ состояния аккумуляторов, связанный с облаком, становится здесь особенно важным. Данные о флоте позволяют операторам понимать, как стареют аккумуляторы, прогнозировать потребности в техническом обслуживании и принимать более эффективные экономические решения. Искусственный интеллект ещё больше расширяет эти возможности, выявляя скрытые закономерности использования и преобразуя их в рекомендации по эксплуатации.

Будущая система управления аккумуляторами будет представлять собой интеллектуальную операционную систему для аккумуляторов, которая не только защищает их и оптимизирует их работу, но и помогает клиентам максимизировать экономическую ценность активов на протяжении всего их жизненного цикла. В течение следующего десятилетия способность получать доход от использования данных о состоянии аккумуляторов может стать такой же важной, как и традиционные показатели их производительности.

Пути развития

Преобразование BMS из устройства контроля безопасности в интеллектуальную операционную систему представляет собой одну из самых значимых инженерных задач в отрасли электромобилестроения. Для этого необходимо объединить дисциплины, которые традиционно функционировали отдельно: физика аккумуляторов, инженерия программного обеспечения, наука о данных, технологии полупроводников и специфические знания в конкретных областях применения.

Выделяются несколько принципов, которые считаются ключевыми для успешного осуществления этого преобразования.

Во-первых, безопасность должна оставаться абсолютным приоритетом. Искусственный интеллект может улучшить диагностические и прогнозные возможности, но решения, критичные с точки зрения безопасности, должны оставаться детерминированными, отслеживаемыми и проверяемыми.

Во-вторых, цифровые двойники — это не отдельные модели, а иерархии моделей. Будущее принадлежит взаимосвязанной экосистеме бортовой интеллектуальности и обучения в облаке, а не монолитной симуляции.

В-третьих, архитектура имеет такое же значение, как и химия. Способность адаптироваться к новым химическим процессам, новым приложениям и новым парадигмам вычислений будет зависеть от модульных, масштабируемых архитектур, которые разделяют сервисы платформы от моделей, специфичных для конкретных приложений.

В-четвертых, аппаратное обеспечение делает возможным существование программного. Улучшенные датчики, повышенная производительность вычислений и гибкие архитектуры открывают новые возможности для программного обеспечения. Самым ценным инновационным решением в области аппаратного обеспечения является то, которое позволяет реализовывать новые функции.

Инженеры, разрабатывающие эти системы, сталкиваются с сложным компромиссом: необходимо сбалансировать точность и интерпретируемость, вычислительную нагрузку и масштабируемость, инновации и процедуры проверки, а также количество функций и стоимость. Им приходится проектировать системы для еще не существующих химических процессов и приложений, которые еще не были представлены в воображении.

Успешными в области инженерии станут те организации, которые смогут принять эту сложность и создадут системы, одновременно надежные и адаптируемые, безопасные и интеллектуальные, детерминированные и основанные на данных. Будущее управления аккумуляторами не заключается в выборе между физикой и ИИ или между на борту устройства и облачными технологиями. Оно связано с их сочетанием в архитектурах, которые обеспечивают лучшее из всего.

Благодарности

Автор хотел бы поблагодарить следующих людей за помощь в подготовке этой статьи: экспертов из AVL; Жауме Прат Террадаса, директора по инженерным вопросам в области электромобилей в компании Ficosa; и Махмуда Исмаила, директора по маркетингу приложений в сфере управления энергией в автомобилях в компании Infineon Technologies AG.

Нажмите здесь, чтобы прочитать последний номер журнала E-Mobility Engineering.

Некоторые поставщики систем управления аккумуляторами

AVL

www.avl.com

BorgWarner

www.borgwarner.com

Bosch

www.bosch-mobility.com

CATL

www.catl.com

Eberspächer

www.eberspaecher.com

ElringKlinger

www.elringklinger.com

Ficosa

www.ficosa.com

Infineon Technologies

www.infineon.com

Leclanché

www.leclanche.com

Pulsetrain

www.pulsetrain.com

Potenza Technology