Lokalisierung von Offenstromfehlern in Dual-Active-Bridge-basierten gleichzeitigen Batterieladesystemen mittels Multi-Label-Klassifikation

Warum intelligentes Laden intelligente Fehlererkennung braucht

Mit der Verbreitung von Elektrofahrzeugen müssen Ladestationen viele Batterien gleichzeitig sicher laden, ohne Energie zu verschwenden oder teure Hardware zu beschädigen. Diese Studie zeigt, wie moderne Mustererkennung subtile elektrische Fehler in einer Art von schnellem, kompaktem Ladegerät erkennt, bevor sie zu ernsthaften Ausfällen werden, wobei nur Spannungs-signale und ein trainiertes Computermodell verwendet werden.

Wie ein Wandler zwei Batterien gleichzeitig lädt

Moderne leistungsstarke Ladegeräte verwenden oft einen sogenannten Dual-Active-Bridge-Wandler, um Energie zwischen einer Gleichstromquelle und mehreren Batterien zu übertragen. Im hier untersuchten Drei-Port-Design versorgt eine Seite des Wandlers zwei getrennte Batterieanschlüsse über einen gemeinsamen Hochfrequenztransformator. Gruppen elektronischer Schalter werden in präzise getakteten Mustern ein- und ausgeschaltet, sodass beide Batterien aus derselben Verbindung geladen werden können, während sie zur Sicherheit elektrisch voneinander isoliert bleiben.

Warum offene Schalterfehler schwer zu erfassen sind

Diese elektronischen Schalter können auf verschiedene Weise ausfallen. Bleibt ein Schalter offen, läuft der Wandler oft weiter, aber Ströme und Spannungen geraten aus dem Gleichgewicht und können andere Bauteile belasten, bis ein zweiter, schädlicherer Fehler auftritt. Da die drei Ports magnetisch gekoppelt sind, kann ein Problem in einer Brücke sich auf die anderen auswirken. Traditionelle Fehlererkennungsverfahren erfordern entweder sehr genaue Schaltungsmodelle oder versagen, wenn die Last sich ändert oder Steuerverzögerungen die Wellenformen verzerren. Außerdem gehen sie meist von nur einem Fehler zur Zeit aus, obwohl kombinierte Fehler in Mehrport-Hardware häufig auftreten.

Spannungsrippel in Bilder für ein neuronales Netzwerk verwandeln

Um diese Herausforderung anzugehen, messen die Autoren Spannungen an den Mittelpunkten jeder Schalterbeinpaarung, insgesamt sechs Punkte, die besonders empfindlich auf das Verhalten jedes Schalterpaares reagieren. Sie wandeln diese schnellen Spannungsverläufe mit einem mathematischen Werkzeug, ähnlich einem musikalischen Spektrogramm, in Zeit–Frequenz-Bilder um. Jedes Bild zeigt, wie sich die Stärke verschiedener Frequenzkomponenten über ein kurzes Zeitfenster verändert. Die sechs Bilder der sechs Sensoren werden dann wie Farbkanäle eines Fotos übereinandergelegt und erzeugen ein reichhaltiges Bild, das kodiert, wie ein bestimmtes Fehlerbild das Verhalten des Wandlers im gesamten System verzerrt.

Dem Modell beibringen, viele Fehler gleichzeitig zu erkennen

Das Team passt ein bekanntes Bildvernetzungsmodell, ResNet‑18, so an, dass es statt einer einzigen Fehlerkategorie gleichzeitig beliebige Kombinationen der zwölf Schalter als fehlerhaft kennzeichnen kann. Sie erstellen einen großen simulierten Datensatz, der alle Ein- und Zwei-Schalter-Open-Fälle, verschiedene Batterieladezustände und viele verschiedene Zeitpunkte abdeckt, an denen Fehler innerhalb des Schaltzyklus auftreten. Training und Test an unbekannten Betriebszuständen zeigen, dass das Modell Fehler korrekt erkennt und lokalisiert mit F1-Werten über 99 Prozent und sogar unbekannte Dreifach-Schalter-Fehlerkombinationen mit etwa 85 Prozent Genauigkeit handhabt. Im Vergleich zu einem konventionellen Single-Label-Klassifikator erfasst das Multi-Label-Design gleichzeitige Fehler zuverlässiger und mit besserer Ausgewogenheit über alle Schalter hinweg.

Robust gegen Rauschen, Verzögerungen und weniger Sensoren

Reale Systeme verhalten sich selten exakt wie ideale Simulationen, daher testen die Autoren auch, wie robust die Methode unter weniger perfekten Bedingungen ist. Sie führen realistische Verzögerungen zwischen Schaltsteuersignalen ein, fügen elektrische Störsignale zu den Spannungsmessungen hinzu und entfernen anschließend einige Sensoren. Das Modell behält in diesen Tests eine hohe Genauigkeit bei, mit F1-Werten über 93 Prozent selbst bei relativ schlechter Signalqualität und über 92 Prozent bei Verwendung von nur zwei Sensoren. Eine Zeit-Analyse zeigt, dass die vollständige Diagnose in der aktuellen Softwareform von Datenerfassung bis Entscheidung etwa 0,14 Sekunden benötigt — schnell genug für Online-Zustandsüberwachung in Ladesystemen.

Was das für künftige Ladesysteme bedeutet

Kurz gesagt zeigt diese Arbeit, dass man durch die Umwandlung roher Spannungsrippel in Bilder und deren Einspeisung in ein sorgfältig gestaltetes neuronales Netzwerk ein Mehrport-Batterieladegerät nicht nur erkennen lässt, dass etwas schiefläuft, sondern auch schnell identifizieren kann, welche Schalter betroffen sind — selbst wenn mehrere gleichzeitig ausfallen. Der Ansatz bleibt unter verrauschten, verzögerten oder reduzierten Messungen zuverlässig und ist schnell genug für den praktischen Einsatz, was einen vielversprechenden Weg zu sichereren und widerstandsfähigeren Ladestationen für die wachsende Flotte von Elektrofahrzeugen nahelegt.

Zitation: El-Naeem, K.S.A., Nayel, M.A., Abdelrahem, M. et al. Open circuit fault localization in dual active bridge based simultaneous battery charging systems using multi label classification. Sci Rep 16, 15354 (2026). https://doi.org/10.1038/s41598-026-52101-w

Schlüsselwörter: dual active bridge, battery charging, fault diagnosis, deep learning, power converters