Системи керування акумуляторами

Приходить інтелектуальна система керування акумулятором

Системи керування акумуляторами зазнають значних змін, про що розповідає Пітер Дональдсон

Протягом десятиліть система керування акумулятором (BMS) виконувала досить просту функцію: захищати акумулятор від роботи поза його безпечними межами, оцінювати рівень його заряду та гарантувати, що транспортний засіб буде надійно запускатися та зупинятися. Ці функції були детерміністичними, заснованими на правилах та, що найважливіше, повністю зрозумілими інженерам, які їх розробляли. Кожне рішення можна було простежити до конкретного вхідних даних, визначеного порогу чи каліброваної моделі. Однак сьогодні все стає значно складнішим.

Акумулятор еволюціонував від пасивного компонента для зберігання енергії до активного пристрою, який генерує дані. Система керування акумулятором перетворюється з пристрою, орієнтованого на безпеку, на інтелектуальну операційну систему, здатну до прогнозування, адаптації та економічної оптимізації. Цю трансформацію спричиняють три взаємопов’язані фактори: складність сучасних хімічних процесів у акумуляторах, поширення технологій зв’язку та хмарних обчислень, а також все більше усвідомлення того, що інтелектуальні функції акумуляторів мають значну економічну цінність.

Проте ця еволюція створює серйозні інженерні виклики. Галузь, побудована на детерміністичних принципах безпеки, тепер змушена боротися з ймовірнісною природою штучного інтелекту. Вона стикається з необхідністю знаходження балансу між обчислювальними вимогами моделей фізики високої точності та вимогами до масштабованості глобальних флотів. Крім того, їй потрібно забезпечити безпеку акумулятора навіть після від’єднання від хмари. Ще однією проблемою є розробка систем, які зможуть адаптуватися до хімічних складів акумуляторів, які ще не використовуються або навіть не повністю розроблені.

Штучний інтелект як доповнення, а не заміна

Найбільш очевидним консенсусом у галузі є те, що штучний інтелект не може – і не повинен – замінювати детерміністичні функції безпеки. Кожен з інтерв’юованих керівників у галузі інженерії наголошував, що рішення, критичні для безпеки, мають залишатися простежуваними, перевірюваними та, зрештою, зрозумілими для інженерів, відповідальних за їх прийняття.

Ця позиція відображає зріле розуміння як можливостей, так і обмежень ШІ. Машинне навчання добре справляється з виявленням закономірностей у складних, високовимірних даних. Воно може отримувати інформацію з умов роботи, які важко сформулювати на основі первинних принципів. Воно може адаптуватися до нових даних та покращуватися з часом. Однак воно також є непрозорим, схильним до несподіваної поведінки при роботі в умовах, що виходять за межі його навчального набору даних – набору історичної інформації про поведінку акумуляторів щодо кривих напруги, коливань температури, навантажень струмом, закономірностей старіння тощо, які подаються до ШІ – і за своєю суттю є ймовірнісним.

Культура безпеки автомобільної промисловості, заснована на десятиліттях досвіду роботи з стандартом ISO 26262 та суворих процесів перевірки, не підходить для прийняття результатів, які неможливо пов’язати з детерміністичними причинами.

Рішенням, яке набуває популярності в усій галузі, є гібридна архітектура. Моделі, засновані на законах фізики – які ґрунтуються на розумінні електрохімічних процесів та перевірені широкими тестами – становлять основу для ключових функцій безпеки. Штучний інтелект виконує роль додаткового шару, покращуючи якість прогнозування складних явищ, таких як старіння, деградація та виявлення аномалій. Найважливіше те, що кожен результат роботи ШІ перевіряється з урахуванням фізичних обмежень та детерміністичних моделей для забезпечення їх правдоподібності.

Цей підхід є особливо корисним для сучасних хімічних систем акумуляторів. Наприклад, акумулятори на літій-залізо-фосфаті, які мають характерні плоскі криві напруги, створюють значні труднощі для традиційної оцінки рівня заряду. Машинне навчання може отримувати інформацію з історичних даних про роботу пристрою, яку важко отримати лише за допомогою традиційних методів. Однак результати роботи ШІ постійно перевіряються з точки зору фізичних закономірностей, що запобігає отриманню моделлю неможливих результатів.

Інженерний принцип є зрозумілим: довіра будується через перевірку, простежуваність та можливість аудиту рішень. Найбільш успішними будуть ті архітектури, де наука про дані та фізика акумуляторів доповнюють одна одну, а не конкурують. Рішення, критичні для безпеки, й надалі будуть ґрунтуватися на пояснюваних, фізично обґрунтованих моделях, тоді як внесок ШІ полягатиме у прогностичній діагностиці та навчанні флоту.

Ієрархія моделей

Концепція цифрового двійника стала всюдисущою у дискусіях щодо керування акумуляторами, проте її часто неправильно розуміють. Лідери галузі все чіткіше усвідомлюють, що цифровий двійник — це не одна модель, а ієрархія моделей, які працюють на різних рівнях точності та обчислювальної складності.

На рівні транспортного засобу система BMS використовує ефективні бортові моделі, оптимізовані для роботи в реальному часі. Ці моделі мають забезпечувати точні оцінки рівня заряду, терміну служби, стану функціонування та енергетичного стану, працюючи в межах суворих обчислювальних можливостей автомобільних мікроконтролерів.

Водночас „батарейні близнюки“ на основі хмарних технологій використовують дані про парки автомобілів, складні електрохімічні моделі та методи машинного навчання для аналізу тенденцій деградації, закономірностей використання та аномальної поведінки. Хмарне середовище забезпечує необхідну масштабованість для одночасної обробки даних від тисяч чи мільйонів підключених батарей.

Критичною інженерною проблемою є синхронізація між цими шарами. Інсайти, отримані в хмарі – покращені параметри калібрування, оновлені моделі старіння, інформація про прогностичне обслуговування – мають бути перетворені на придатну для використання інформацію, яку можна передати назад до транспортного засобу. Це вимагає ретельної уваги до форматів даних, процесів перевірки та часу оновлень.

Особливо значним бар’єром при переході від моделей на рівні окремих елементів до їх аналогів на рівні пакетів є якість та спостережуваність даних. Аналог на рівні окремої клітини може зосереджуватися на поведінці окремої клітини в ретельно контрольованих лабораторних умовах. Аналог на рівні пакета мусить точно відображати тисячі взаємодіючих змінних, які функціонують у дуже динамічних реальних умовах.

Рішенням, яке обирають провідні інженерні організації, є стратегія ієрархічного моделювання. Замість того, щоб намагатися моделювати кожен фізичний явище на найвищому рівні деталізації, вони за потреби поєднують моделі високої точності з моделями зі скороченою кількістю параметрів там, де важливіша масштабованість. Перевірка моделей також має вирішальне значення – цифровий двійник є настільки ж корисним, наскільки він корелює з реальністю, – і для цього потрібні значні інвестиції у тестування для характеристикування, методології з використанням моделей у середовищі, тестування з використанням апаратного забезпечення та перевірку даних флоту.

Бачення майбутнього полягає у тому, що цифрові двойники стануть системами, які постійно навчаються та вдосконалюються протягом усього терміну експлуатації акумулятора. Оптимізація акумуляторів не обмежуватиметься початком виробництва, а стане безперервним інженерним процесом, який забезпечується пов’язаною екосистемою вбудованого інтелекту та навчання в хмарі.

Безпека у з’єднаному світі

Інтеграція інтелекту, заснованого на хмарі, піднімає фундаментальне питання: що відбувається, коли хмара недоступна? Затримки в мережі, втрата з’єднання чи інциденти кібербезпеки можуть поставити під загрозу функції, які залежать від хмари.

Відповідь галузі є однозначною. Функції, критичні для безпеки, повинні залишатися виключно на борту пристрою та ніколи не залежати від зовнішнього з’єднання.

Цей принцип забезпечує чітке розділення архітектурних елементів. Детерміністична вбудована система BMS відповідає за контроль у реальному часі та забезпечення функціональної безпеки – керування контакторами, тепловий захист, моніторинг ізоляції, обмеження потужності та обробка несправностей.

Інтелектуальні технології хмари виконують іншу функцію. Вони покращують можливості діагностики, сприяють прогнозуванню зносу, дозволяють навчання систем у масштабах всього парку та створюють можливості для оптимізації життєвого циклу. Ці функції можуть ігнорувати затримки у комунікації, оскільки вони мають радячий характер, а не є критичними з точки зору безпеки.

Деякі організації ще більше удосконалюють цей підхід, ставлячись із належною скептицизмом до параметрів та оновлень, отриманих з хмари. Оновлення приймаються лише після перевірки їхньої автентичності, цілісності, версії та правдоподібності. Доки ці перевірки не пройдуть, дійсна локальна конфігурація залишається чинною.

Адаптація до різноманітних середовищ

Електрифікація поширюється не лише на пасажирські автомобілі, а й на комерційний транспорт, морські застосунки та авіацію. Кожне середовище створює унікальні виклики, з якими мусить рахуватися система BMS.

Основною проблемою є те, що фізика акумуляторів залишається незмінною, тоді як умови їх роботи суттєво змінюються. Для автомобільних застосувань основними проблемами є коливання температури, механічні навантаження, старіння та неправильне використання. У авіації швидкі зміни висоти впливають на теплову поведінку, ефективність охолодження та явища, пов’язані з тиском. Вплив випромінювання також є критичним на великих висотах; одним із конкретних ризиків є можливість пошкодження електроніки BMS внаслідок одиночного події. Розуміння впливу випромінювання на хімічні процеси в літій-іонних акумуляторах сформувалося завдяки космічним застосуванням, але потрібні додаткові дослідження у контексті авіації. У морських застосуваннях вплив солоної води створює додаткові ризики, пов’язані з корозією, моніторингом ізоляції та довгостроковою надійністю.

Відповіддю на таку різноманітність є модульний підхід. Однакові алгоритми основної батареї можна адаптувати за допомогою калібрування та процесів перевірки, специфічних для конкретних застосувань. Це дозволяє інженерним організаціям забезпечувати підтримку легкових автомобілів, комерційних транспортних засобів, стаціонарних систем зберігання, морських пристроїв та аерокосмічних платформ, зберігаючи при цьому спільну технологічну основу.

Управління теплом є особливо важливим фактором, який відрізняє ці рішення. Майбутні батареї будуть потребувати все складніших моделей прогнозування температури, здатних виявляти локальні точки підвищеної температури, ризики поширення тепла та аномальні умови роботи ще до того, як вони стануть проблемами безпеки. Це особливо критично у авіаційних застосуваннях, де ефективність охолодження змінюється з висотою, а обмеження щодо ваги скорочують можливості управління теплом.

Діагностика також має велике значення. Оскільки акумуляторні батареї стають більш інтегрованими за своєю структурою та важче доступними для обслуговування, здатність до раннього виявлення аномалій та прогностичного обслуговування стає абсолютно необхідною. Система керування акумуляторами мусить бути здатною виявляти починаючіся проблеми без фізичної перевірки.

Розвиток у бік різноманітних застосувань спонукає системи керування акумуляторами до ще більш глибокого контролю на основі моделей.

Обмеження обчислень, архітектурні рішення

Обчислювальні вимоги сучасних функцій BMS стрімко зростають. Інженери, які працюють із акумуляторами, мають амбітні вимоги щодо діагностики, оцінки стану, кібербезпеки, прогнозування температури, виявлення аномалій та забезпечення зв’язку між акумуляторними блоками. Усі ці функції мають виконуватися в рамках суворих автомобільних обмежень щодо потужності обчислювальних пристроїв, пам’яті, вартості, споживання енергії та безпеки.

Найсуворішим обмеженням зазвичай є робота на периферії акумуляторного блоку, де складні електрохімічні моделі, засоби моніторингу, системи діагностики та алгоритми штучного інтелекту мають працювати в реальному часі в межах встановлених бюджетів.

Рішенням не є просте переміщення всього в хмару. Інженери повинні ретельно розподіляти функції в межах можливостей обчислювальних систем, використовуючи моделі зі зменшеною кількістю параметрів, спрощуючи нелінійні процеси, зменшуючи кількість вимірюваних параметрів та плануючи виконання функцій з різною швидкістю.

Витрати та споживання енергії залишаються основними обмеженнями при проектуванні апаратного забезпечення, що безпосередньо впливає на кількість пам’яті та обчислювальної потужності, доступних у BMS. Виконання завдань у реальному часі є другим основним бар’єром. Функції, критичні для безпеки, вимагають постійного та детермінованого моніторингу, що означає одночасне керування кількома завданнями та перериваннями. Архітектура програмного забезпечення має пріоритизувати завдання з урахуванням наявної обчислювальної потужності та кількості ядер.

Сучасні алгоритми, такі як оцінювачі стану чи моделі цифрових двійників, швидко перевищують обчислювальні можливості, зазвичай доступні у стандартних мікроконтролерах BMS. Це призвело до зростання тенденції до розподілу навантаження: функції, критичні для безпеки, залишаються всередині BMS, тоді як складні алгоритми виконуються на високопродуктивних мікропроцесорах.

Кібербезпека створює ще один рівень вимог. Захищене зв’язування, шифрування, механізми автентифікації та оновлень споживають додаткові ресурси, і їх необхідно враховувати на ранньому етапі проектування апаратного забезпечення, щоб уникнути швидкого застаріння платформи.

На рівні напівпровідників кілька тенденцій поєднуються для вирішення цих проблем. Функціональну безпеку покращують шляхом більшого використання синхронного оброблення даних, апаратної діагностики, захищених пам’ятей та незалежного моніторингу. Кібербезпека забезпечується за допомогою модулів апаратної безпеки, захищеного запуску, захищеного зберігання ключів та автентифікованих оновлень програмного забезпечення. Гетерогенні архітектури обчислень поєднують універсальні ядра безпеки з спеціалізованими математичними та векторними прискорювачами, щоб контроль на основі моделей та штучний інтелект могли працювати локально та детерміновано.

Енергоефективність також є критично важливою. Система BMS мусить залишатися у стані пильності під час руху, заряджання, зберігання та тривалої паркування. Це вимагає уважного контролю споживання енергії в усіх цих ситуаціях.

Архітектурний тренд спрямований на використання координованої чіп-системи та програмного екосистему, а не на оптимізацію кожного компонента окремо.

Підготовка до невідомого

Хімічні склади акумуляторів швидко розвиваються. Літій-залізо-фосфатні, високонікелеві акумулятори та майбутні твердотільні акумулятори демонструють принципово іншу поведінку. Індустрія не може дозволити собі переробляти всю систему BMS для кожної нової хімічної формули.

Рішенням є модульна архітектура функцій ядра акумулятора. Метою є збереження стабільності програмної основи при одночасній адаптації поведінки акумулятора за допомогою моделей, калібрування та параметризації.

Замість створення окремого програмного забезпечення для кожної хімічної технології провідні організації використовують спільну архітектуру платформи з адаптивними моделями акумуляторів та процесами калібрування. Цей підхід дозволяє одній і тій самій основній структурі програмного забезпечення підтримувати кілька технологій елементів, зберігаючи при цьому високу точність.

Це розділення досягається завдяки чітким архітектурним межам. Послуги платформи – отримання даних вимірювань, діагностика, комунікація, механізми безпеки, обробка неволатильних даних та планування – залишаються спільними для всіх хімічних технологій. Моделі, залежні від конкретної технології – карти напруги в відкритому колі, параметри імпедансу, теплова поведінка, моделі старіння та межі роботи – інкапсулюються як калібровані компоненти.

Можна впровадити нову хімію шляхом підтвердження та використання відповідних наборів моделей та параметрів, замість перепроєктування всієї програмної платформи. Важливим є також наявний обсяг апаратного забезпечення, оскільки складніші хімічні процеси можуть вимагати моделей вищого порядку чи нелінійних.

Відсутність залежності від конкретної хімії не означає її незнання. Кожен набір параметрів, метод оцінки та обмеження все одно мають бути перевірені для конкретної клітини, конструкції пакування та профілю місії. Архітектура дозволяє адаптацію, тоді як сувора інженерна практика забезпечує правильність.

BMS як створювач цінності

Історично BMS проектувався для максимізації безпеки та терміну служби. Ці цілі залишаються ключовими, але оператори тепер очікують, що акумулятори будуть активно брати участь у створенні цінності протягом усього їхнього життєвого циклу.

Функціонування «транспортний засіб–мережа» (V2G) є переконливим прикладом. Система керування акумулятором, яка з високою точністю визначає стан акумулятора, може оптимізувати рішення щодо заряджання та розряджання, враховуючи як попит мережі, так і стан акумулятора. Метою є отримання додаткового доходу без прискорення його зношування.

Управління життєвим циклом акумулятора є ще однією сферою можливостей. Точна оцінка рівня зношування акумулятора забезпечує прозорість щодо його залишкової вартості, що має вирішальне значення для моделей лізингу, використання акумуляторів у другому циклі життя, управління гарантіями та застосувань у сфері зберігання енергії.

Аналітика акумуляторів, підключена до хмари, стає тут особливо важливою. Дані про флот дозволяють операторам розуміти, як старіють акумулятори, прогнозувати потреби у технічному обслуговуванні та приймати кращі економічні рішення. Штучний інтелект ще більше розширює ці можливості, виявляючи приховані закономірності використання та перетворюючи їх на рекомендації щодо експлуатації.

Майбутній BMS буде інтелектуальною операційною системою акумуляторів, яка не лише захищатиме акумулятор та оптимізуватиме його продуктивність, але й допомагатиме клієнтам максимізувати економічну цінність активу протягом усього його життєвого циклу. Протягом наступного десятиліття здатність отримувати прибуток від інтелектуальних рішень щодо акумуляторів може стати настільки ж важливою, як і традиційні показники їхньої продуктивності.

Шлях у майбутнє

Перетворення BMS з контролера безпеки на інтелектуальну операційну систему є одним із найсуттєвіших інженерних викликів у галузі електромобільності. Це вимагає інтеграції галузей, які традиційно функціонували окремо: фізика акумуляторів, інженерія програмного забезпечення, наука про дані, технології напівпровідників та специфічні знання для певних застосувань.

Кілька принципів визначаються як ключові для успіху цього перетворення.

По-перше, безпека має залишатися непохитною. Штучний інтелект може покращити діагностичні та прогностичні можливості, але рішення, критичні для безпеки, мають залишатися детермінованими, простежуваними та перевірюваними.

По-друге, цифрові двойники — це не окремі моделі, а ієрархії моделей. Майбутнє належить взаємопов’язаній екосистемі бортової інтелектуальності та навчання в хмарі, а не монолітичній симуляції.

По-третє, архітектура має таке ж значення, як і хімія. Здатність адаптуватися до нових хімічних процесів, нових застосувань та нових парадигм обчислень залежатиме від модульних, масштабованих архітектур, які відокремлюють сервіси платформи від моделей, специфічних для конкретних додатків.

По-четверте, апаратне забезпечення уможливлює роботу програмного. Кращі датчики, підвищена продуктивність обчислень та гнучкі архітектури відкривають нові можливості для програмного забезпечення. Найціннішою інновацією в апаратному забезпеченні є та, яка дозволяє реалізовувати нові функції.

Інженери, які проектують ці системи, стикаються з складним компромісом: необхідно знаходити баланс між точністю та інтерпретованістю, обчислювальною інтенсивністю та масштабованістю, інноваціями та їх перевіркою, а також різноманітністю функцій та витратами. Вони повинні проектувати системи для ще не існуючих хімічних процесів та додатків, які ще не були уявлені.

Успішними будуть ті інженерні організації, які приймуть цю складність та створять системи, що водночас є міцними та адаптивними, безпечними та інтелектуальними, детермінованими та заснованими на даних. Майбутнє управління акумуляторами не полягає у виборі між фізикою та штучним інтелектом чи між вбудованими та хмарними обчисленнями. Йдеться про їх поєднання в архітектурах, які забезпечують найкраще з усього світу.

Подяки

Автор хотів би подякувати наступним особам за допомогу у створенні цієї статті: експертам з AVL; Жауме Прат Террадасу, керівнику з інженерії електромобільності в Ficosa; та Махмуду Ісмаїлу, керівнику з маркетингу програмного забезпечення – управління енергією в автомобілях у Infineon Technologies AG.

Натисніть тут, щоб прочитати останній випуск E-Mobility Engineering.

Деякі постачальники систем управління акумуляторами

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