Lokalizacja otwartego zwarcia w układzie z podwójnym mostkiem aktywnym w jednoczesnych systemach ładowania akumulatorów z użyciem klasyfikacji wieloetykietowej

Dlaczego inteligentne ładowanie potrzebuje inteligentnego wykrywania usterek

W miarę jak pojazdy elektryczne stają się powszechniejsze, stacje ładowania muszą bezpiecznie zasilać wiele akumulatorów jednocześnie, nie marnując energii ani nie uszkadzając kosztownego sprzętu. Badanie to pokazuje, jak współczesne metody rozpoznawania wzorców potrafią wykryć subtelne usterki elektryczne w rodzaju szybkiej, kompaktowej ładowarki, zanim przerodzą się one w poważne awarie — wykorzystując jedynie sygnały napięciowe i wytrenowany model komputerowy.

Jak jeden przetwornik ładuje jednocześnie dwa akumulatory

Współczesne ładowarki dużej mocy często opierają się na urządzeniu zwanym przetwornicą z podwójnym mostkiem aktywnym, które przesyła energię między źródłem prądu stałego a wieloma akumulatorami. W badanej konstrukcji trójportowej jedna strona przetwornicy zasila dwa oddzielne porty akumulatorów przez wspólny transformator wysokiej częstotliwości. Grupy elektronicznych przełączników włączają się i wyłączają w starannie zsynchronizowanych wzorcach, tak aby oba akumulatory mogły być ładowane z tego samego łącza przy zachowaniu izolacji elektrycznej dla bezpieczeństwa.

Dlaczego usterki otwartego przełącznika trudno wykryć

Te elektroniczne przełączniki mogą zawodzić na różne sposoby. Gdy przełącznik utknie w pozycji otwartej, przetwornica często nadal pracuje, lecz prądy i napięcia stają się niezrównoważone i mogą obciążać inne elementy aż do wystąpienia drugiej, bardziej uszkadzającej usterki. Ponieważ trzy porty są powiązane magnetycznie, problem w jednym mostku może rozlać się na pozostałe. Tradycyjne metody wykrywania usterek wymagają albo bardzo dokładnych modeli obwodów, albo zawodzą przy zmiennym obciążeniu lub gdy opóźnienia sterowania zniekształcają przebiegi. Zazwyczaj zakłada się też pojedynczą usterkę naraz, chociaż w wieloportowym sprzęcie równoczesne uszkodzenia są powszechne.

Przekształcanie tętnień napięcia w obrazy dla sieci neuronowej

Aby sprostać temu wyzwaniu, autorzy mierzą napięcia w punktach środkowych każdego ogniwa przełączającego — sześciu punktach w sumie, które są szczególnie czułe na zachowanie każdej pary przełączników. Przekształcają te szybkie przebiegi napięciowe w obrazy czasu–częstotliwości za pomocą narzędzia matematycznego podobnego do spektrogramu muzycznego. Każdy obraz pokazuje, jak zmienia się siła różnych składowych częstotliwościowych w krótkim oknie czasowym. Sześć obrazów z sześciu czujników jest następnie nakładanych jak kanały kolorów na fotografii, tworząc bogaty obraz, który koduje, jak dany wzorzec usterki zniekształca zachowanie przetwornicy w całym systemie.

Nauczanie modelu rozpoznawania wielu usterek jednocześnie

Zespół zaadaptował znaną sieć rozpoznawania obrazów, ResNet‑18, tak aby zamiast wybierać pojedynczą kategorię usterki mogła oznaczać dowolną kombinację dwunastu przełączników jako uszkodzoną jednocześnie. Zbudowali dużą, symulowaną bazę danych obejmującą wszystkie przypadki pojedynczych i podwójnych otwartych przełączników, zakres poziomów naładowania akumulatorów oraz różne momenty wystąpienia usterek w cyklu przełączania. Trening i testy na niewidzianych wcześniej punktach pracy pokazują, że model poprawnie wykrywa i lokalizuje usterki z miarą F1 powyżej 99 procent, a nawet radzi sobie z niewidzianymi kombinacjami trzech uszkodzonych przełączników z dokładnością około 85 procent. W porównaniu z bardziej konwencjonalnym klasyfikatorem jednoetykietowym, podejście wieloetykietowe lepiej uchwytuje równoczesne usterki i zapewnia lepszą równowagę wykryć między wszystkimi przełącznikami.

Odporny na szum, opóźnienia i mniejszą liczbę czujników

Rzeczywiste systemy rzadko zachowują się dokładnie jak idealne symulacje, dlatego autorzy sprawdzili też, jak metoda radzi sobie w mniej idealnych warunkach. Wprowadzili realistyczne opóźnienia między sygnałami sterującymi przełącznikami, dodali szum elektryczny do pomiarów napięcia, a następnie usunęli część czujników. Model utrzymuje wysoką dokładność w tych testach, zachowując miary F1 powyżej 93 procent nawet przy stosunkowo niskiej jakości sygnału i powyżej 92 procent przy użyciu tylko dwóch czujników. Analiza czasowa pokazuje, że w aktualnej, programowej postaci pełna diagnoza od przechwycenia danych do decyzji zajmuje około 0,14 sekundy — na tyle szybko, by nadawać się do monitorowania stanu online w systemach ładowania.

Co to oznacza dla przyszłych systemów ładowania

Mówiąc obrazowo, praca ta pokazuje, że przekształcając surowe tętnienia napięcia w obrazy i podając je do starannie zaprojektowanej sieci neuronowej, wieloportowa ładowarka akumulatorów może nie tylko stwierdzić, że coś idzie nie tak, ale też szybko zidentyfikować, które przełączniki są dotknięte, nawet gdy kilka z nich zawiedzie jednocześnie. Podejście pozostaje niezawodne przy zaszumionych, opóźnionych lub ograniczonych pomiarach i działa wystarczająco szybko do praktycznego zastosowania, co wskazuje obiecującą drogę do bezpieczniejszych i bardziej odpornych stacji ładowania dla rosnącej floty pojazdów elektrycznych.

Cytowanie: 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

Słowa kluczowe: dual active bridge, ładowanie akumulatorów, diagnoza usterek, głębokie uczenie, przetwornice mocy