简单来说 ， 即通过“蓄电池组监护模块BMM”即可实现蓄电池现场在线维护功能：1）对确认过充的电池 ， 予以在线电压均衡 ， 使其回到正常浮充状态 。
2）对确认欠充的蓄电池 ， 予以在线补充电 ， 使其回到正常浮充状态 。
蓄电池在线诊断技术-蓄电池性能分 。

18、析专家诊断方法在本项目中 ， 我们采用了蓄电池在线诊断技术 ， 利用模糊理论和神经网络技术对蓄电池电压、温度、电流、内阻等实时数据进行关联分析 ， 利用蓄电池浮充电压离散度模型 ， 提出了具有自适应学习能力的蓄电池性能分析专家诊断方法：1）构建由产生式表达的诊断分析知识库和评判与操纵处理规划库 ， 是蓄电池性能分析专家诊断方法用于判断的基础 ， 是蓄电池各种实时历史数据与蓄电池性能的特征关系 ， 通过不断的学习、越来越多不同品牌蓄电池组的应用、越来越多不同环境的应用等等 ， 此专家库越来越庞大 ， 更能适用不同品牌以及不同应用环境下的蓄电池组；2）开发了基于前向推理方式的诊断分析和评判处理引擎 ， 即可对蓄电池各种实时历史数据进行特 。

19、征参数处理 ， 使用上述的专家库 ， 综合分析出蓄电池性能情况 。
蓄电池性能分析专家诊断方法实时、多角度地对阀控式铅酸蓄电池性能进行评判 ， 输出各蓄电池的容量、寿命预估等 ， 给出对各蓄电池的操作维护建议 。
蓄电池在使用过程中 ， 存在一个由好变坏的复杂过程 。
而现有的蓄电池性能测试评判方法 ， 都是以某一时刻、从单一的角度、并运用单一的方法来评判蓄电池的性能 ， 无法对蓄电池容量和性能进行便捷、有效、准确测量 。
阀控式铅酸蓄电池是一个将化学能转化成电能的复杂的电化学体系 ， 其寿命和性能受到电极材料、工艺、活性物质的变化、运行状态等诸多因素的影响 。
如正极板的腐蚀、负极板的硫酸盐化、电解液的变化 ， 都是蓄电池容量下降的因素 ， 也都会导 。

20、致极化电位的变化和电池内阻的变化 ， 在浮充状态下就会反映出浮充电压的变化 ， 通过大量的蓄电池历史与测试数据 ， 发现这种变化可以用浮充电压离散度表示 ， 其与蓄电池容量的相关性最强 ， 为此 ， 建立了蓄电池浮充电压离散度和容量相关性的模型 。
在上述大量数据的基础上 ， 建立了可还原以投运几年后蓄电池初始内阻的方法 ， 通过分析蓄电池内阻相对自身变化对蓄电池容量的关系 ， 建立了蓄电池内阻相对自身变化和容量相关性的模型 。
通过对蓄电池历史充放电曲线的分析 ， 通过运行以来充放电曲线相对初始充放电曲线的趋势变化 ， 建立了充放电数据和容量相关性的模型 。
通过结合充放电曲线的趋势变化、标准充放电曲线以及蓄电池浮充情况下的性能情况 ， 使在放电过程 。

21、中 ， 实时输出蓄电池本身的容量情况、蓄电池剩余容量情况 ， 结合当前放电电流 ， 输出剩余放电时间 。
本项目中的蓄电池性能分析专家诊断通过对大量的蓄电池电压、温度、电流历史数据以及实验数据的分析 ， 提取特征参数 ， 利用神经网络技术建立各种电池电压状态下模型专家库 。
如下图a所示 。
图a、模型专家库建立示意图人工神经网络具有自适应学习的功能 ， 当阀控式密封铅酸蓄电池进行了全容量或半容量核对性放电测试时 ， 网络将自动更换学习样本 ， 重新学习训练 ， 形成一种新的评判体系 。
专家库通过不断的学习 ， 使系统能够诊断不同的电池运行环境及不同电池品牌的阀控式密封铅酸蓄电池性能 。
在蓄电池运行过程中 ， 利用上述各种模型计算方法对蓄电池组中的每节 。

22、蓄电池的电压内阻、电流等数据进行数据分析 ， 蓄电池性能分析专家诊断方法利用蓄电池浮充离散度的理论对电池浮充电压数据进行计算 ， 综合分析获得单节电池相对自身浮充电压的离散度变量、单节电池相对整组电池浮充电压的离散度变量 ， 获得单节电池相对自身内阻的变化 ， 获得单节电池均充特征参数以及放电特征参数 。
在对蓄电池性能进行实施诊断时 ， 采集蓄电池电压、温度、电流数据 ， 提取特征参数 ， 输入专家库 ， 进入神经网络进行运行 ， 得到蓄电池性能预测值 ， 如图b 所示 。
图 b： 蓄电池性能分析专家诊断过程通过蓄电池性能预测值来诊断蓄电池性能 ， 如图c所示 ， 实时呈现运行蓄电池的实时容量值 ， 也可以非常明显的发现落后蓄电池 ， 无需进行人工核对 。

稿源：(未知)

【傻大方】网址：/a/2021/0902/0024074822.html

标题：基于|基于电源维护的智能专家系统( 四 )