Lokalisatie van open-koppelingsfouten in gelijktijdig batterijladen-systemen met dual active bridge met behulp van multilabelclassificatie

Waarom slim laden slimme foutdetectie nodig heeft

Naarmate elektrische voertuigen gangbaarder worden, moeten laadstations vele batterijen tegelijk veilig kunnen opladen zonder energie te verspillen of kostbare hardware te beschadigen. Deze studie laat zien hoe moderne patroonherkenning subtiele elektrische fouten in een type snelle, compacte lader kan opsporen voordat ze uitgroeien tot ernstige storingen, en dat alleen met spanningssignalen en een getraind computermodel.

Hoe één converter twee batterijen tegelijk oplaadt

Moderne hoogvermogenladers vertrouwen vaak op een zogenaamde dual active bridge-converter om energie tussen een gelijkstroombron en meerdere batterijen te verplaatsen. In het hier bestudeerde driewegontwerp voedt één zijde van de converter twee afzonderlijke batterijpoorten via een gedeelde hoogfrequenttransformator. Groepen elektronische schakelaars schakelen in nauwkeurig getimede patronen zodat beide batterijen vanuit dezelfde koppeling kunnen worden opgeladen terwijl ze elektrisch geïsoleerd blijven voor veiligheid.

Waarom open-schakelaarfouten lastig te detecteren zijn

Deze elektronische schakelaars kunnen op verschillende manieren falen. Wanneer een schakelaar open blijft, blijft de converter vaak doorlopen, maar worden stromen en spanningen uit balans gebracht en kunnen andere onderdelen extra belast worden totdat een tweede, schadelijkere fout optreedt. Omdat de drie poorten magnetisch met elkaar verbonden zijn, kan een probleem in één brug zich via de anderen verspreiden. Traditionele foutdetectiemethoden vereisen ofwel zeer nauwkeurige circuitmodellen of hebben moeite wanneer de belasting verandert of wanneer regelvertragingen de golfvormen vervormen. Ze veronderstellen ook meestal maar één fout tegelijk, terwijl gecombineerde fouten veel voorkomen in multiport-hardware.

Spanningsrimpels omzetten in afbeeldingen voor een neuraal netwerk

Om deze uitdaging aan te pakken, meten de auteurs spanningen op de middenpunten van elke schakelpoot, zes punten in totaal die bijzonder gevoelig zijn voor het gedrag van elk schakelaarpaar. Ze zetten deze snelle spanningssporen om in tijd–frequentieafbeeldingen met behulp van een wiskundig hulpmiddel vergelijkbaar met een muzikale spectrogram. Elke afbeelding toont hoe de sterkte van verschillende frequentiecomponenten over een korte tijdsperiode verandert. De zes afbeeldingen van de zes sensoren worden vervolgens gestapeld als de kleurkanalen in een foto, waardoor een rijke afbeelding ontstaat die vastlegt hoe een bepaald foutpatroon het gedrag van de converter over het hele systeem vervormt.

Het model leren veel fouten tegelijk te herkennen

Het team past een bekend beeldherkenningsnetwerk aan, ResNet‑18, zodat het in plaats van één enkele foutcategorie te kiezen, elke combinatie van de twaalf schakelaars tegelijk als defect kan markeren. Ze bouwen een grote gesimuleerde dataset die alle gevallen van één- en tweevoudige open schakelaars bestrijkt, een reeks batterijladingstoestanden en vele verschillende tijdstippen waarop fouten binnen de schakelcyclus verschijnen. Training en testen op ongeziene bedrijfsomstandigheden tonen aan dat het model fouten correct detecteert en lokaliseert met F1-scores boven 99 procent, en het kan zelfs ongeziene combinaties van drie foutieve schakelaars met ongeveer 85 procent nauwkeurigheid aan. Vergeleken met een meer conventionele enkel-labelclassifier legt het multilabelontwerp gelijktijdige fouten betrouwbaarder vast en met betere balans over alle schakelaars.

Robuust bij ruis, vertragingen en minder sensoren

Reële systemen gedragen zich zelden precies als ideale simulaties, dus testen de auteurs ook hoe de methode standhoudt wanneer de omstandigheden minder perfect zijn. Ze introduceren realistische vertragingen tussen schakelaarbeheersignalen, voegen elektrische ruis toe aan de spanningsmetingen en verwijderen vervolgens enkele sensoren. Het model behoudt hoge nauwkeurigheid in deze tests, met F1-scores boven 93 procent zelfs bij relatief lage signaalkwaliteit en boven 92 procent bij gebruik van slechts twee sensoren. Een timinganalyse toont aan dat in de huidige softwarevorm de volledige diagnose van gegevensvangst tot beslissing ongeveer 0,14 seconden duurt, snel genoeg voor online gezondheidsmonitoring in laadsystemen.

Wat dit betekent voor toekomstige laadsystemen

In eenvoudige bewoordingen toont dit werk aan dat door ruwe spanningsrimpels om te zetten in afbeeldingen en deze aan een zorgvuldig ontworpen neuraal netwerk te voeren, een multiport-batterijlader niet alleen kan signaleren dat er iets misgaat, maar ook snel kan identificeren welke schakelaars zijn aangetast, zelfs wanneer er meerdere tegelijk uitvallen. De aanpak blijft betrouwbaar bij ruwe, vertragingen of verminderde metingen en werkt snel genoeg voor praktisch gebruik, wat een veelbelovende weg wijst naar veiligere en veerkrachtigere laadstations voor het groeiende wagenpark van elektrische voertuigen.

Bronvermelding: 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

Trefwoorden: dual active bridge, batterijladen, foutdiagnose, deep learning, vermogenconverters