电动汽车用锰酸锂与磷酸铁锂动力电池性能比较分析

尖晶石锰酸锂和橄榄石磷酸铁锂离子电池是当前电动汽车用动力电池的主体,采用实验比较研究的方法,对比了两种动力电池正极材料电化学特性,研究了两种材料制备成动力电池的能量密度、功率密度、温度特性、循环寿命以及应用特性.结果表明:除低温性能和功率密度外,磷酸铁锂动力电池在其他方面的性能均优于锰酸锂动力电池.     

电动汽车动力电池容量衰减的层析图像检测

常用的电动汽车动力电池容量衰减循环充放电检测方法由于忽略了电池在充放电过程中所发生的"伴随有电荷转移的化学反应",因而难以正确、非破坏性地检测动力电池容量及其衰减状况.鉴于此,文中根据电池电化学和计算机层析图像测量原理,以电动汽车车用磷酸铁锂动力电池容量衰减为研究对象,研究了处于电化学反应过程中的动力电池电性能参数与其内部活性物质结构形态之间的关系,提出了电动汽车动力电池容量衰减层析图像检测方法,在此基础上建立了动力电池容量衰减检测实验系统,并以此对某款典型的纯电动汽车车用磷酸铁锂动力电池的容量衰减进行了实验验证.结果表明,该方法具有实用、快速和可非破坏性地检测动力电池容量衰减的特点.     

自适应卡尔曼滤波法磷酸铁锂动力电池剩余容量估计

卡尔曼滤波法在估计动力电池的剩余容量(SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,笔者采用自适应卡尔曼滤波法来动态地估计电动汽车用磷酸铁锂动力电池的SOC。首先对电池模型进行了研究,建立了适用于SOC估计的电池模型,然后设计了相应的电池充放电实验检测到模型的参数,并进行了验证,最后将自适应卡尔曼滤波法应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC。仿真结果表明：自适应卡尔曼滤波法能够实时修正微小的模型误差带来的SOC估计误差,估计精度高于卡尔曼滤波法,且自适应卡尔曼滤波法对初值误差具有修正作用。实车循环行驶实验表明算法适用于磷酸铁锂动力电池的SOC估计。     

基于GA-RBF网络的磷酸铁锂电池SOC预测研究

针对动力电池荷电状态(state of charge,SOC)的精确预测问题,提出了一种基于遗传算法的径向基函数(genetic algorithm-radial basis function,GA-RBF)神经网络的磷酸铁锂电池SOC预测方法,它克服了网络参数选择的随机性,具有更强的适应能力。通过仿真实验,证明了该方法比传统的径向基函数(radial basis function,RBF)神经网络预测结果更加准确,运行更稳定,满足电池管理系统对磷酸铁锂(LiFePO4)动力电池SOC预测的精度和实际使用的要求。     

锰酸锂动力电池体系研究

从负极材料、电解质溶液、电压范围3方面研究了适合于锰酸锂动力电池的最佳体系,结果表明:成本低廉的天然石墨非常适合作为锰酸锂动力电池的负极材料,使用改良电解质溶液后电池的循环寿命可延长200次,锰酸锂电池在3·0~4·2V之间稳定性最好,使用寿命最长,体系确定后的锰酸锂动力电池安全性能、循环寿命、高温性能、低温性能良好。     

锰酸锂动力电池体系研究

从负极材料、电解质溶液、电压范围3方面研究了适合于锰酸锂动力电池的最佳体系,结果表明：成本低廉的天然石墨非常适合作为锰酸锂动力电池的负极材料,使用改良电解质溶液后电池的循环寿命可延长200次,锰酸锂电池在3.0～4.2V之间稳定性最好,使用寿命最长,体系确定后的锰酸锂动力电池安全性能、循环寿命、高温性能、低温性能良好。     

基于数据驱动的锂离子动力电池剩余使用寿命预测方法综述

准确预测锂离子动力电池的剩余使用寿命(remaining useful life, RUL),确保相关行业和设施的可靠性和安全性具有重要意义。数据驱动方法仅通过实验数据总结电池性能参数变化规律从而预测电池剩余寿命,突破了传统基于模型方法精度低、难以建模、通用性差的局限。首先针对基于数据驱动的锂离子动力电池寿命预测的研究进行分析,归纳总结出锂离子动力电池寿命预测建模思路。其次,分类阐述了各种基于数据驱动的预测方法,并对其优缺点进行了分析。最后,给出了锂离子动力电池剩余寿命预测的发展趋势。     

基于AFFDRLS-AHIF对动力锂离子电池单体SOC估计

针对动力锂离子电池的SOC估计,提出一种带自适应遗忘因子的阻尼递推最小二乘法(AFFDRLS)联合改进的自适应H∞滤波(AHIF)的方法对动力锂离子电池的荷电状态(SOC)估计.建立了磷酸铁锂动力电池单体的戴维南(Thevenin)等效电路模型,以AFFDRLS在线辨识模型参数,以AHIF实时在线估计电池单体的SOC,实现了电池单体的模型参数和SOC的实时联合估计.在Matlab/Simulink中建立了AFFDRLS-AHIF的仿真模型,以估计磷酸铁锂动力电池单体的SOC.根据某电动乘用车分别在NEDC和UDDS工况下的功率需求进行单体实验,测得动力电池单体的电流、电压,并以此作为输入,采用所建立的仿真模型进行动力电池单体的SOC估计;并且与传统扩展卡尔曼滤波法(EKF)和HIF的SOC估计结果比较,结果表明:AFFDRLS-AHIF的估计精度高且鲁棒性好,可以为车辆使用的动力电池SOC估计提供参考.     

基于Arrhenius方程下EV用磷酸铁锂电池寿命预测

磷酸铁锂电池寿命作为一项评价电池性能的重要指标,逐渐成为提高电动汽车性能的关键技术.为了研究日历老化和循环老化对电池容量衰减的影响,提高纯电动汽车动力电池性能.以某电动汽车的磷酸铁锂电池作为研究对象,对其施加不同的加速应力、不同温度条件和变充放电倍率等参数,计算锂电池容量的衰减结果.以Arrhenius方程求解为基本手...     

利用扣式电池模块评估磷酸铁锂材料循环效果

利用实验室用扣式电池模块对磷酸铁锂正极材料的循环性能进行评估,发现采用全密封结构的扣式电池模块,可以较好地评价磷酸铁锂正极材料的循环性能.主要的控制因素是拧紧力、密封性和隔膜的隔离效果.当几个因素达到优化配合时,可以使磷酸铁锂材料的循环性能达到最佳.实验表明,利用扣式锂电池模块可以进行超过500次的循环测试,且电池制造的成功率和测量一致性大大提高,可以替代全电池评价材料的循环性.     

基于LiFePO4基锂离子电池用低温电解质展望

橄榄石型磷酸铁锂（LiFePO₄）正极材料因其成本低、环境友好、安全性高而被看好,并被作为高性能的锂离子电池正极材料广泛应用于商用电池。目前,LiFePO₄/C二次电池以其良好的热稳定性、稳定的循环性能和较低的室温自放电率被广泛用于电子产品、汽车动力电池以及其他与场合相关的应用。然而,当基于磷酸铁锂的电池在寒冷气候下运行时,其应用受到严重限制。这一结果是由于Li+在电极内的传输能力大大降低,特别是导致电解质的电化学容量和功率性能急剧下降。因此,低温电解质的设计对于磷酸铁锂电池的进一步商业应用非常重要。本文回顾了导致磷酸铁锂电池低温性能不佳的关键因素以及低温电解质的研究进展。特别关注电解质成分,包括锂盐、助溶剂、添加剂和新电解质的开发。还分析了影响阳极的因素。最后,根据目前的研究进展,总结了一些观点,为提高未来低温下LiFePO₄/C商业电池的实用性提供合适的改性方法和研究建议。     

基于GA-ELM数控铣刀寿命预测模型研究

在加工过程中,刀具磨损状况对零件的加工质量具有重要影响,精确预测刀具寿命是智能制造系统必须具有的关键功能之一.在分析数控铣刀寿命影响因素的基础上,引入极限学习机(ELM)算法模型,建立数控铣刀寿命预测模型.在寿命预测过程中,采用遗传算法(GA)对ELM模型的输入权值和隐含层阈值进行优化,建立基于GA-ELM的数控铣刀寿命预测模型,同时将其与基本BP神经网络、优化BP神经网络和基于粒子群改进的BP神经网络的预测结果进行对比分析.结果表明,基于GA-ELM的刀具寿命预测模型相比较于其他3种算法更加优越,是一种行之有效且精度高的刀具寿命预测算法.     

锂离子动力电池内阻模型与实验研究

首先,根据多孔电极理论,建立了锂离子动力电池的仿真模型.对仿真模型的分析可知,影响电池内阻的内部因素为锂离子在电极活性材料中的固相扩散系数及由极片的电子电导率、电解液的离子电导率和活性材料的电子电导率组成的电池总电导率.分别设计制作磷酸铁锂和石墨半电池,使用恒电流间歇滴定法(GITT)对半电池进行固相扩散系数的测量.使用交流阻抗法(EIS)对半电池进行总电导率的测量.对比半电池实验数据和磷酸铁锂锂离子动力电池实验数据可知,电池的极化内阻由锂离子在电极活性材料中的固相扩散系数决定;电池的欧姆内阻由电池的总电导率决定.     

基于AGA-GRNN神经网络的刀具寿命预测研究

针对基于BP神经网络的刀具寿命预测中存在参数数量多、优化工作量复杂、网络参数主观确定等较多预测精度的问题,提出一种改进广义回归神经网络预测模型AGA-GRNN,该模型运用自适应遗传算法(AGA)优化光滑因子.经实例验证,相较于交叉验证法和遗传算法优化的GRNN预测模型,AGA-GRNN刀具寿命预测模型在参数优化效率和寿命预测精度上均较高,本刀具寿命预测模型的构建为实现制造系统中智能刀具调度提供了基础.     

典型温度下磷酸铁锂电池PNGV模型研究

温度是影响电池性能的重要因素之一。本文对典型温度下磷酸铁锂电池PNGV模型进行研究。通过大量的试验得出了磷酸铁锂电池充放电特性曲线,在此基础上建立了PNGV模型。应用混合脉冲功率性能测试试验(HPPC)对典型温度下模型参数进行了辨识,分析了典型温度下模型参数的变化规律。最后应用基于北京公交的纯电动客车用动力电池动态测试工况(BBDST)对模型进行了验证。验证结果表明PNGV模型在一定程度上能够反映磷酸铁锂电池的特性。同时,该模型在磷酸铁锂电池上的应用也存在一定的累积误差。     

纯电动汽车磷酸铁锂电池组放电效率模型

以320V/100A·h磷酸铁锂动力电池组为研究对象,在电动汽车动力电池性能测试试验台上对电池组容量效率、开路电压及电压性效率等特性参数进行了测试.采用二次多项式构建了电池组放电效率模型,描述放电效率与电流及电池荷电状态之间的关系.利用实车测试的电池组放电电流对建立的模型进行了验证,模型的放电效率计算值与实测值的最大相对误差为0.8%,建立的模型是有效的.     

EV用三元动力电池使用寿命预测方法研究

准确预测动力电池使用寿命是纯电动汽车(electric vehicle,EV)产品技术开发的难点。文章介绍了一种三元动力电池使用寿命的预测方法,并设计了基于加速因子的短周期动力电池寿命加速试验和整车耐久试验来验证寿命预测的准确性。仿真和试验结果表明,该方法预测三元动力电池的使用寿命准确、可靠,加速试验可以在1.25a内验证在正常使用条件下动力电池具有10a使用寿命的预测。     

基于夹杂-细晶粒区-鱼眼疲劳失效的超长寿命预测模型

本文旨在研究夹杂-细晶粒区-鱼眼诱发疲劳失效的超长寿命预测模型.基于Cr-Ni-W合金钢疲劳试验结果,结合局部应力-寿命法和位错-能量法,分别构建了局部裂纹萌生寿命模型(LCIL)和考虑夹杂及细晶粒区影响的裂纹萌生寿命模型(IFCIL),并与Tanaka-Mura模型(T-M)进行了对比分析.其次,分别对细晶粒区内的小裂纹扩展行为和细晶粒区外鱼眼内的长裂纹扩展行为进行建模,最终形成了包含裂纹萌生和扩展在内的全寿命预测模型.结果表明,考虑夹杂及细晶粒区影响的裂纹萌生寿命模型(IFCIL)有较高的预测精度;对应细晶粒区的裂纹萌生寿命几乎等同于全寿命;裂纹扩展寿命仅占据全寿命很小的一部分;预测结果全部处于2倍偏差以内,即全寿命模型可有效地用于夹杂-细晶粒区-鱼眼诱发失效的超长寿命预测.     

基于信息融合的刀具剩余寿命在线预测方法

针对加工中心刀具剩余寿命预测的实际需求,提出了一种基于信息融合的刀具剩余寿命在线预测方法.通过在加工中心主要功能部件上安装传感器,实时采集加工中心运行过程中的动态信号,经信号预处理和特征参数提取,采用皮尔逊相关系数和残差分析相结合的方法进行特征降维,获得最优的特征参数集.建立基于自适应神经模糊推理系统的刀具剩余寿命预测模型,在线预测刀具剩余寿命.实例分析结果显示:该预测方法的预测结果平均准确率为95.21%,可以满足实际需求.同时,将该预测方法与BP神经网络及其变异模型进行了对比,发现该预测方法预测精度更高.     

基于相关向量机的发动机剩余寿命预测

针对民航发动机寿命预测中监测参数较多筛选困难的问题,提出一种基于信息融合与相关向量机的发动机剩余寿命预测方法。首先通过核主元分析方法从发动机多维监测数据中提取退化特征信息;然后利用非线性模型将主元序列融合成反映发动机退化趋势的健康指数序列;最后采用相关向量机以历史失效数据为训练样本建立预测模型,对现有的发动机健康指数序列进行外推预测得到当前样本的寿命预测值。通过NASA Ames研究中心公开的涡轮风扇发动机仿真数据验证了该方法的有效性,其预测性能优于常用的支持向量机模型和过程神经网络模型。