Felsökning av öppna kretsar i dual active bridge-baserade samtidig batteriladdningssystem med multilabel-klassificering

Varför smart laddning kräver smart felförebyggning

När elfordon blir vanligare måste laddstationer kunna ladda många batterier samtidigt på ett säkert sätt utan att slösa energi eller skada dyr hårdvara. Denna studie visar hur moderna mönsterigenkänningstekniker kan upptäcka subtila elektriska fel i en typ av snabb, kompakt laddare innan de utvecklas till allvarliga fel, genom att enbart använda spänningssignaler och en tränad datormodell.

Hur en omvandlare laddar två batterier samtidigt

Moderna hög effekt-laddare förlitar sig ofta på en enhet som kallas dual active bridge-omvandlare för att flytta energi mellan en likströmskälla och flera batterier. I den treportsdesign som studerats här matar ena sidan av omvandlaren två separata batteriportar genom en gemensam högfrekvent transformator. Grupper av elektroniska switchar slås av och på i noggrant tidsinställda mönster så att båda batterierna kan laddas från samma länk samtidigt som de hålls elektriskt isolerade för säkerhet.

Varför öppna switchfel är svåra att upptäcka

Dessa elektroniska switchar kan fallera på olika sätt. När en switch fastnar öppen fortsätter omvandlaren ofta att köras, men strömmar och spänningar blir obalanserade och kan belasta andra delar tills ett sekundärt, mer skadligt fel uppstår. Eftersom de tre portarna är magnetiskt bundna kan ett problem i en brygga sprida sig till de andra. Traditionella felupptäcktmetoder kräver antingen mycket precisa kretsmodeller eller har svårt när lasten förändras eller när fördröjningar i styrningen förvränger vågformerna. De antar också oftast bara ett fel åt gången, trots att kombinerade fel är vanliga i flerportshårdvara.

Att omvandla spänningsrippel till bilder för ett neuralt nätverk

För att tackla denna utmaning mäter författarna spänningar vid mittpunkterna i varje switchben, sex punkter totalt som är särskilt känsliga för hur varje switchpar beter sig. De omvandlar dessa snabba spänningsspår till tids–frekvens-bilder med ett matematiskt verktyg liknande ett musikaliskt spektrogram. Varje bild visar hur styrkan hos olika frekvenskomponenter förändras över ett kort tidsfönster. De sex bilderna från de sex sensorerna staplas sedan som färgkanaler i ett foto, vilket skapar en rik bild som kodar hur ett givet felmönster förvränger omvandlarens beteende över hela systemet.

Att lära modellen känna igen många fel samtidigt

Teamet anpassar ett känt bildigenkänningsnätverk, ResNet‑18, så att det istället för att välja en enda felkategori kan markera vilken kombination av de tolv switcharna som helst som felaktig samtidigt. De bygger en stor simulerad datamängd som täcker alla enkla och dubbel öppna switchfall, ett spektrum av batteriladdningsnivåer och många olika tidpunkter då fel kan uppträda inom växlingcykeln. Träning och testning på osett driftläge visar att modellen korrekt upptäcker och lokaliserar fel med F1-poäng över 99 procent, och den hanterar till och med osett tre-switchs-felkombinationer med cirka 85 procents noggrannhet. Jämfört med en mer konventionell enkel-etikett-klassificerare fångar multilabel-designen simultana fel mer pålitligt och med bättre balans över alla switchar.

Robust under brus, fördröjningar och färre sensorer

Verkliga system beter sig sällan exakt som ideala simuleringar, så författarna testar också hur metoden står sig när förhållandena är mindre perfekta. De inför realistiska fördröjningar mellan switchstyrsignaler, lägger till elektriskt brus i spänningsmätningarna och tar sedan bort några av sensorerna helt. Modellen upprätthåller hög noggrannhet i dessa tester, med F1-poäng över 93 procent även vid relativt låg signal kvalitet och över 92 procent vid användning av endast två sensorer. En tidsanalys visar att i dess nuvarande mjukvaruform tar den fullständiga diagnostiken från datainsamling till beslut cirka 0,14 sekunder, tillräckligt snabbt för online-hälsomonitorering i laddsystem.

Vad detta innebär för framtidens laddsystem

Kort sagt visar detta arbete att genom att omvandla råa spänningsrippel till bilder och mata dem till ett noggrant utformat neuralt nätverk kan en flerportsbatteriladdare inte bara upptäcka att något håller på att gå fel utan också snabbt identifiera vilka switchar som påverkas, även när flera fallerar samtidigt. Tillvägagångssättet förblir tillförlitligt under brusiga, fördröjda eller reducerade mätningar och körs tillräckligt snabbt för praktisk användning, vilket pekar mot en lovande väg för säkrare och mer robusta laddstationer för den växande elfordonsflottan.

Citering: 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

Nyckelord: dual active bridge, batteriladdning, felsökning, djupinlärning, strömriktare