Локализация обрыва цепи в системах одновременной зарядки аккумуляторов на базе двойного активного моста с помощью многометочной классификации

Почему интеллектуальной зарядке нужна интеллектуальная обнаружение отказов

По мере роста числа электромобилей станции зарядки должны безопасно обслуживать множество аккумуляторов одновременно, не тратя энергию попусту и не повреждая дорогое оборудование. В этом исследовании показано, как современные методы распознавания образов могут обнаруживать тонкие электрические неисправности в одном типе быстрого компактного зарядного устройства до того, как они перерастут в серьёзные отказы, используя только сигналы напряжения и обученную модель.

Как один преобразователь заряжает две батареи одновременно

Современные мощные зарядные устройства часто используют устройство, называемое двойным активным мостом, для передачи энергии между источником постоянного тока и несколькими аккумуляторами. В изученной трехпортовой схеме с одной стороны преобразователь питает два отдельных порта аккумуляторов через общий высокочастотный трансформатор. Группы электронных переключателей включаются и выключаются в точно синхронизированных режимах, чтобы обе батареи могли заряжаться от одной линии при сохранении электрической изоляции в целях безопасности.

Почему разомкнутые переключатели трудно заметить

Эти электронные переключатели могут выходить из строя по‑разному. Когда переключатель заедает в разомкнутом состоянии, преобразователь часто продолжает работать, но токи и напряжения нарушают баланс и могут нагружать другие элементы до появления второго, более разрушительного отказа. Поскольку три порта магнитно связаны, проблема в одном мосте может распространиться на другие. Традиционные методы обнаружения отказов либо требуют очень точных моделей цепи, либо плохо работают при изменяющейся нагрузке или задержках управления, искажающих формы сигналов. Они также обычно предполагают наличие только одного отказа за раз, хотя в многопортовом оборудовании комбинированные отказы встречаются часто.

Преобразование помех напряжения в изображения для нейронной сети

Чтобы решить эту задачу, авторы измеряют напряжения в средних точках каждой ветви переключателя — всего шесть точек, особенно чувствительных к поведению каждой пары переключателей. Они преобразуют эти быстрые траектории напряжения в временно‑частотные изображения с помощью математического инструмента, похожего на спектрограмму в музыке. Каждое изображение показывает, как меняется мощность разных частотных составляющих в коротком временном окне. Шесть изображений от шести датчиков затем укладываются слоями, как цветовые каналы в фотографии, создавая насыщенное представление, в котором зашифровано, как данный паттерн отказа искажает поведение преобразователя во всей системе.

Обучение модели распознавать множество отказов одновременно

Команда адаптирует известную сеть для распознавания изображений ResNet‑18 так, чтобы вместо выбора одной категории отказа она могла отмечать любую комбинацию двенадцати переключателей как неисправную одновременно. Они создают большую моделируемую базу данных, покрывающую все случаи одиночных и двойных разрывов переключателей, диапазон уровней заряда батарей и различные моменты появления отказов в пределах цикла переключения. Обучение и тестирование на невидимых рабочих точках показывают, что модель корректно обнаруживает и локализует отказы с F1‑баллами выше 99 процентов, а также справляется с невиданными комбинациями из трёх отказавших переключателей примерно с 85‑процентной точностью. По сравнению с более традиционным одноязычным (single label) классификатором, многометочный (multi label) подход надёжнее фиксирует одновременные отказы и обеспечивает лучшую сбалансированность по всем переключателям.

Устойчива к шуму, задержкам и уменьшенному числу датчиков

Реальные системы редко ведут себя так же идеально, как симуляции, поэтому авторы также проверяют, как метод держится при менее благоприятных условиях. Они вводят реалистичные задержки в сигналы управления переключателями, добавляют электрический шум в измерения напряжения и затем убирают часть датчиков. Модель сохраняет высокую точность в этих тестах, удерживая F1‑баллы выше 93 процентов даже при относительно низком качестве сигнала и выше 92 процентов при использовании только двух датчиков. Анализ времени показывает, что в текущей программной реализации полный цикл диагностики от захвата данных до принятия решения занимает около 0,14 секунды — достаточно быстро для онлайн‑мониторинга состояния зарядных систем.

Что это значит для будущих систем зарядки

Проще говоря, эта работа демонстрирует, что, преобразуя необработанные помехи напряжения в изображения и подавая их в тщательно спроектированную нейронную сеть, многопортовое зарядное устройство может не только определить, что что‑то идёт не так, но и быстро указать, какие переключатели затронуты, даже когда несколько из них выходят из строя одновременно. Подход остаётся надёжным при шумных, запаздывающих или урезанных измерениях и работает достаточно быстро для практического применения, что указывает на перспективный путь к более безопасным и устойчивым станциям зарядки для растущего парка электромобилей.

Цитирование: 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

Ключевые слова: dual active bridge, зарядка аккумуляторов, диагностика отказов, глубокое обучение, силовые преобразователи