À medida que os carregadores ganham capacidade de processamento e as frotas geram dados, o aprendizado de máquina oferece um novo caminho para decisões de carga que os modelos clássicos derivam da física: aprender o estágio de corrente que maximiza a eficiência (os esquemas de corrente constante multicascata controlados por ANFIS relatados para NiMH/NiCd), reconhecer o padrão de fim de carga a partir de traços de tensão e temperatura, e corrigir os resíduos do modelo na estimativa do estado de carga e térmica. Este artigo final do grupo de estimação analisa o que o carregamento baseado em dados realmente faz bem em NiMH, os dados de treinamento e a disciplina de validação que ele exige, e por que os projetos seguros para produção mantêm um piso físico e limites físicos sob qualquer política aprendida – para que a flexibilidade do aprendizado nunca se torne uma corrente de carga ilimitada.
Três pontos de inserção são produtivos. Primeiro, otimização de perfil: aprender as transições de estágios de corrente que maximizam a eficiência de carga ou minimizam calor/tempo, exemplificada por controladores de corrente constante multicascata neuro-fuzzy adaptativos (ANFIS) validados em simulação, que ajustam as correntes de estágio a partir da resposta tensão-temperatura em evolução. Segundo, estimação: correção neural ou por processos gaussianos das previsões ECM/Kalman de estado de carga e térmicas, capturando a discrepância residual que um modelo fixo deixa. Terceiro, classificação: reconhecer carga completa, falha ou incompatibilidade a partir de características dos traços como um canal paralelo ao -delta-V/dT/dt.
Cada um usa o aprendizado para refinar uma decisão estruturada em vez de substituir a arquitetura de carga; a máquina de estados e os limites rígidos do grupo de terminação permanecem, com a lógica aprendida ajustando parâmetros dentro de faixas delimitadas.
O trabalho relatado sobre carregamento inteligente NiMH/NiCd acopla uma frente PFC boost com uma saída de corrente constante multicascata cujas correntes de estágio são selecionadas por um sistema de inferência neuro-fuzzy adaptativo treinado no comportamento de carga, e valida o esquema no MATLAB em comparação com o carregamento de corrente fixa. O atrativo é que a estrutura fuzzy/neural expressa regras de especialista – «se a tensão sobe acentuadamente e a temperatura está calma, manter a corrente; se a inclinação achatar, reduzir um degrau» – enquanto aprende seus limiares a partir dos dados, combinando interpretabilidade e adaptação.
Este é um modelo pragmático: em vez de uma rede neural de ponta a ponta que emita uma corrente arbitrária, um controlador estruturado aprende os parâmetros de um esqueleto de corrente descendente já seguro, de modo que mesmo um aprendiz não treinado ou falho degrada para um perfil convencional conservador.
Modelos de carga supervisionados precisam de verdade de referência rotulada: estado de carga de referência a partir de contagem coulomb calibrada ancorada nos extremos, instantes de carga completa de referência a partir de pressão/temperatura instrumentados, e calor a partir de termopares – abrangendo toda a grade de corrente, temperatura, idade e lote de células que o produto encontrará. A variação lote a lote e por idade do NiMH significa que um modelo treinado apenas em células novas à temperatura ambiente falha nas envelhecidas e frias; a cobertura do conjunto de dados, não a sofisticação do algoritmo, geralmente é a restrição determinante.
As características devem ser fisicamente significativas e referenciadas à corrente – dV/dt filtrado, dT/dt, resistência a partir de pulsos, carga acumulada, relaxamentos em repouso – em vez de traços brutos ruidosos, o que reduz os dados necessários e torna auditável o comportamento aprendido.
Uma política de carga aprendida deve ser validada primeiro contra dados reservados, depois na injeção de falhas hardware-in-the-loop, depois em ensaios em câmara restritos com limites físicos de sobretemperatura, sobretensão e de temporizador que o aprendiz não pode anular. Como um modelo pode propor uma corrente fora de distribuição diante de condições novas, os projetos de produção fixam as saídas aprendidas dentro de limites derivados da física e voltam ao controlador clássico mediante incerteza, falha de sensor ou divergência entre canais.
Este «aprendizado consultivo dentro de um envelope rígido» segue a mesma filosofia de defesa em profundidade dos próprios critérios de terminação: a camada aprendida otimiza o caso nominal; o piso físico garante o pior caso.
Um filtro de Kalman sobre um bom ECM já atinge no trabalho NiMH relatado aproximadamente mais ou menos 3 por cento de estado de carga a partir de um grande erro inicial, é explicável e não precisa de um grande conjunto de dados; o ML ganha seu lugar onde o modelo físico é estruturalmente inadequado – envelhecimento fortemente não linear, deriva de parâmetros em toda a frota, reconhecimento de padrões sutis de falha – e onde existem dados variados suficientes. As revisões de modelagem térmica também posicionam o ML como corretor residual de um núcleo físico, e não como preditor autônomo, preservando a extrapolação segura.
A primeira figura contrasta um observador clássico com um controlador aumentado por aprendizado; a segunda sequencia o pipeline seguro do treinamento à implantação, de dados rotulados à implantação delimitada sob limites rígidos.
Defina primeiro a decisão e seus limites de saída permitidos; construa o esqueleto estruturado e os limites rígidos; colete um conjunto de dados que abranja corrente-temperatura-idade-lote com rótulos de referência; treine modelos interpretáveis com características físicas; prove a melhoria em relação à linha de base clássica em células reservadas (não meramente amostras reservadas das mesmas células); e envie com fallback, detecção de incerteza e governança de atualizações remotas. Weijiang pode fornecer amostras de células que abranjam a variação e caracterização de carga de referência para construir tais conjuntos sem confundir variação de célula com erro de modelo.
Estabelecidos os métodos de estimação – da contagem coulomb à EIS, modelos eletrotérmicos e aprendizado – a série passa de conhecer a célula a observar seu desgaste: o próximo grupo examina como o próprio protocolo de carga impulsiona o envelhecimento e a degradação do NiMH.
Weijiang Power projeta e fabrica células de níquel-hidreto metálico, packs combinados e configurações prontas para carregar para clientes de consumo, industriais, médicos e de mobilidade, e apoia os parceiros com orientação sobre protocolos de carga, arquivos de desempenho IEC 61951-2, evidências de segurança IEC 62133-1 e covalidação de carregadores. Informe-nos o formato da célula, a taxa de carga, o envelope térmico e a meta de ciclos, e nossos engenheiros especificarão uma combinação célula-carga que proteja tanto a autonomia quanto a vida útil. Veja a gama na página de produtos.
