Комп’ютерна система моніторингу стану акумуляторів з прогнозуванням їх деградації

Abstract

У кваліфікаційній роботі розроблено комп’ютерну систему моніторингу стану акумулятора з прогнозуванням його деградації. Проаналізовано особливості роботи Li-ion акумуляторів типорозміру 18650, основні причини втрати їх початкових характеристик та показники оцінювання технічного стану акумулятора. Для реалізації системи обрано Li-ion акумулятор 18650, одноплатний комп’ютер Raspberry Pi 5, модуль вимірювання напруги та струму INA219, цифровий датчик температури DS18B20, модуль заряджання TP4056 та навантажувальний резистор 7,5 Ом / 10 Вт для контрольованого розряду. Розроблено апаратну архітектуру системи, структурну схему підключення компонентів та програмне забезпечення для зчитування, нормалізації, збереження й аналізу вимірювальних даних. Програмна частина системи забезпечує запис поточних вимірювань у CSV-файл, формування журналу циклів розряду, розрахунок фактичної ємності акумулятора та показника SoH. Для прогнозування деградації використано модель на основі дерева прийняття рішень, яка класифікує стан акумулятора як нормальний, деградований або критичний.

The qualification thesis develops a computer system for monitoring the state of a battery with prediction of its degradation. The operating features of Li-ion batteries of the 18650 form factor, the main causes of loss of their initial characteristics, and the indicators used to assess the technical state of a battery are analyzed. To implement the system, a Li-ion 18650 battery, a Raspberry Pi 5 single-board computer, an INA219 voltage and current measurement module, a DS18B20 digital temperature sensor, a TP4056 charging module, and a 7.5 Ohm / 10 W load resistor for controlled discharge were selected. The hardware architecture of the system, the structural connection diagram of the components, and the software for reading, normalizing, storing, and analyzing measurement data were developed. The software part of the system provides recording of current measurements to a CSV file, creation of a discharge cycle log, calculation of the actual battery capacity, and determination of the SoH indicator. A decision tree-based model is used to predict degradation, classifying the battery state as normal, degraded, or critical.