CN109633450A - 一种基于神经网络的锂电池充电检测系统 - Google Patents

Abstract

本发明公开了一种基于神经网络的锂电池充电检测系统，包括主控器，均与主控器相连接的显示屏、信号调理单元、读码器、存储模块、电源和充电控制模块，与信号调理单元相连接的信息采集单元。本发明可通过读码器读取锂电池的二维码标中的电池型号及容量信息，其主控器则可根据读码器所传输的电池信息控制充电控制模块输出相应的电压电流；在充电的过程中主控器通过温度传感器获取锂电池的充电温度数据信息，同时通过电流传感器获取锂电池的电流数据信息，并通过存储模块进行存储，主控器则利用存储模块中的数据信息对神经网络进行训练，获得充电剩余时间的预测映射函数，从而本发明很好的解决了现有锂电池的充电检测系统的缺陷。

Description

一种基于神经网络的锂电池充电检测系统

技术领域

本发明涉及一种锂电池充电检测系统，具体是指一种基于神经网络的锂电池充电检测系统。

背景技术

电池是人类社会活动中必不可少的设备之一，其中锂电池因其具有电量存储量大、放电时间长和使用寿命长等特点而倍受青睐。而电池的使用寿命长短，在一定程度上还取决于充电设备的充电检测系统是否稳定。然而，现有用于锂电池的充电设备的充电检测系统存在检测准确度差，不能对不同型号的锂电池进行充电检测，以及不能对锂电池的充电剩余时间进行预估的问题，导致锂电池出现过电不足或过充的情况，致使锂电池的使用寿命缩短。

发明内容

本发明的目的在于克服现有用于锂电池的充电设备的充电检测系统存在检测准确度差，不能对不同型号的锂电池进行充电检测，以及不能对锂电池的充电剩余时间进行预估的缺陷，提供一种基于神经网络的锂电池充电检测系统。

一种基于神经网络的锂电池充电检测系统，包括主控器，均与主控器相连接的显示屏、信号调理单元、读码器、存储模块、电源和充电控制模块，与信号调理单元相连接的信息采集单元；所述信息采集单元包括温度传感器和电流传感器；所述信号调理单元分别与温度传感器和电流传感器相连接；所述信号调理单元包括处理芯片U1，以及均与处理芯片U1相连接的低通滤波电路、有源滤波电路、晶体管放大电路和运算放大电路；所述低通滤波电路还与温度传感器相连接；所述有源滤波电路还与电流传感器相连接；所述处理芯片U1分别与晶体管放大电路和运算放大电路相连接。

进一步的，所述低通滤波电路包括放大器U2，一端与放大器U2的正极相连接、另一端与温度传感器相连接的可调电阻R1，一端与放大器U2的正极相连接、另一端接地的电阻R3，一端与放大器U2的负极相连接、另一端接地的电阻R2，一端与放大器U2的负极相连接、另一端与放大器U2的输出端相连接的电阻R4，负极与放大器U2的负极相连接、正极与放大器U2的输出端相连接的极性电容C1，以及负极经电阻R7后与处理芯片U1的PWM1管脚相连接、正极经可调电阻R5后与放大器U2的输出端相连接的极性电容C6；所述放大器U2的输出端还与处理芯片U1的AIN1管脚相连接。

所述有源滤波电路包括放大器U3，正极与放大器U3的正极相连接、经接地的极性电容C2，一端与极性电容C3的负极相连接、另一端与极性电容C3的正极相连接的电阻R8，一端与放大器U3的负极相连接、另一端接地的电阻R7，负极与放大器U的负极相连接、正极与放大器U3的输出端相连接的极性电容C2，一端与放大器U3的正极相连接、另一端与放大器U3的输出端相连接的电阻R9，负极与放大器U3的正极相连接、正极与放大器U3的输出端相连接后接地的极性电容C4，正极与处理芯片U1的AIN2管脚相连接、负极接地的极性电容C5，一端与极性电容C5的正极相连接、另一端与放大器U3的输出端相连接的电阻R10，一端与极性电容C5的正极相连接、另一端与处理芯片U1的PWM2管脚相连接的可调电阻R11，以及一端与极性电容C5的正极相连接、另一端与处理芯片U1的SW管脚相连接的电阻R12；所述放大器U3的正极与电流传感器相连接。

更进一步的，所述运算放大电路包括放大器U4，正极与放大器U4的正极相连接、负极接地的极性电容C7，正极与放大器U4的正极相连接、负极与极性电容C7的负极相连接的极性电容C8，正极与放大器U4的输出端相连接、负极经电阻R15后与极性电容C8的负极相连接的极性电容C9，一端与放大器U4的输出端相连接、另一端与极性电容C9的负极相连接的电阻R14，以及一端与放大器U4的负极相连接后接地、另一端与放大器U4的输出端相连接的电阻R13；所述放大器U4的正极与处理芯片U1的OUT1管脚相连接，该放大器U4的输出端与主控器相连接。

所述晶体管放大电路包括三极管Q，正极与处理芯片U1的OUT2管脚相连接、负极与三极管Q的基极相连接的极性电容C10，正极与三极管Q的发射极相连接、负极接地的极性电容C12，一端与三极管Q的基极相连接、另一端与极性电容C12的负极相连接的可调电阻R18，一端与三极管Q的发射极相连接、另一端与极性电容C12的负极相连接的电阻R19，一端与三极管Q的基极相连接、另一端与主控器相连接的电阻R16，一端与主控器相连接、另一端与三极管Q的集电极相连接的电阻R17，以及正极与三极管Q的集电极相连接、负极经电阻R20后与极性电容C12的负极相连接的极性电容C11。

为了确保本发明的实际使用效果，所述处理芯片U1为AD7714集成芯片。所述存储模块为EFPROM或SD卡；所述主控器为STM32；所述充电控制模块为3.5～6V/1.5AUSB充电器。

本发明较现有技术相比，具有以下优点及有益效果：

(1)本发明可通过读码器读取锂电池的二维码标中的电池型号及容量信息，其主控器则可根据读码器所传输的电池信息控制充电控制模块输出相应的电压电流；在充电的过程中主控器通过温度传感器获取锂电池的充电温度数据信息，同时通过电流传感器获取锂电池的电流数据信息，并通过存储模块进行存储，主控器则利用存储模块中的数据信息对神经网络进行训练，获得充电剩余时间的预测映射函数，从而本发明很好的解决了锂电池的充电设备的充电检测系统不能对不同型号的锂电池进行充电检测和不能对锂电池的充电剩余时间进行预估的缺陷，有效的确保了锂电池充电的稳定性，很好的提高了锂电池的使用寿命。

(2)本发明通过在信息采集单元的输出端设置的具有信号调理单元，可对信息采集单元中的温度传感器和电流传感器输出的信号极性电容分别调理，有效的确保了温度传感器和电流传感器传输信号的稳定性和准确性，从而确保了本发明对锂电池充电检测的准确性。

附图说明

图1为本发明的整体结构框图。

图2为本发明的信号调理单元的电路结构示意图。

具体实施方式

下面结合实施例及其附图对本发明作进一步地详细说明，但本发明的实施方式并不限于此。

实施例

如图1和图2所示，本实施例的一种基于神经网络的锂电池充电检测系统，包括主控器，均与主控器相连接的显示屏、信号调理单元、读码器、存储模块、电源和充电控制模块，与信号调理单元相连接的信息采集单元；所述信息采集单元包括温度传感器和电流传感器；所述信号调理单元分别与温度传感器和电流传感器相连接。其中，如图2所示，所述信号调理单元包括处理芯片U1，以及均与处理芯片U1相连接的低通滤波电路、有源滤波电路、晶体管放大电路和运算放大电路；所述低通滤波电路还与温度传感器相连接；所述有源滤波电路还与电流传感器相连接；所述处理芯片U1分别与晶体管放大电路和运算放大电路相连接。为了确保本发明的实际使用效果，所述处理芯片U1为AD7714集成芯片来实现。

实施时，所述的存储模块可采用EFPROM或SD卡来实现，该存储模块用于存储温度传感器采集到的锂电池的充电温度和电流传感器所检测的锂电池的电流信息；在本实施例中，温度传感器可采用常用的DS18B20型温度传感器来实现，其温度传感器的采用可根据实际生产的需求极性电容调整。而电流传感器采用直流型电流传感器即可。所述的主控器采用了STM32来实现，其也可采用51单片机来实现，其主控器预置有神经网络模块，具体的该神经网络模块为BP神经网络模块。运行时，主控器用于根据温度传感器和电流传感器所采集的锂电池的充电温度和电流信息来控制充电控制模块的输出电压和电流。该充电控制模块为3.5～6V/1.5AUSB充电器，该主控器并可根据存储模块中所存储的锂电池的充电温度和电流数据信息通过BP神经网络模块进行训练预估锂电池的充电剩余时间，并通过显示屏极性电容显示，以便于使用者能准确的掌握锂电池的充电情况。

其中，主控器采用BP神经网络模块进行锂电池充电剩余时间的预估，该BP神经网络模块的学习数据为温度传感器所采集的锂电池充电温度值，和电流传感器所采集的锂电池充电电流值，以及读码器所读取的锂电池的标准信息。同时，主控器内的BP神经网络模块通过现有的神经网络算法和学习算法的最终学习算法公式，得到锂电池充电的预估剩余时间，并通过BP神经网络模块不断迭代执行学习算法，从而更新该学习算法来产生最终的输出。本实施例中所说的BP神经网络模块训练过程为目前常用的技术，本发明便不再进行具体的赘述，其锂电池的充电温度数值、充电电流数值和锂电池的标准值作为输入层，而其充电温度数值、充电电流数值和锂电池的标准值可设定为n个，维矢量可为5个左右。

具体的，当电池接入后，将该检测系统接上电，主控器根据通过读码器获得的锂电池的电池类型即充电电压电流信息，设定BP神经网络模型。在充电的过程中，每隔一段固定的时间，采集当时锂电池的充电电流、电压、温度信息，并与电池的类型信息组成一输入向量存储至存储模块中。同时，在充电的过程中，通过读取存储模块中存储的BP神经网络模型，并将采集模块获得当前的电池状态，包括电压、电流、温度和电池类型这些信息作为BP神经网络的输入，进行预测，最终获得输出层的数据作为锂电池充电剩余时间的预测，并将其显示在显示屏上，完成充电剩余时间的预测及显示。充电完成后，存储模块中有大量的数据用于更新BP神经网络模型。

当充电完成后，在存储模块中会有大量的数据，这些数据将作为训练数据送至BP神经网络模块进行不断的训练。主控器先读取存储模块中的信息，并计算相应的充电剩余时间，这些数据作为更新BP神经网络的数据进行更新，待对所有的数据训练完成后，就可以得到一个新的预测网络，将该BP神经网络模型存入存储模块中，该网络可用于下次充电过程中充电剩余时间预测的神经网络。从而本发明并可很好的实现对不同型号的锂电池充电的准确检测，和对锂电池的充电剩余时间的准确预估。

进一步地，为了提高本发明对锂电池充电检测和充电剩余时间的预估，所设置的信号调理单元中的所述低通滤波电路如图2所示，其包括放大器U2，可调电阻R1，电阻R2，电阻R3，电阻R4，可调电阻R5，电阻R6，极性电容C1，以及极性电容C2。

连接时，可调电阻R1的一端与放大器U2的正极相连接，另一端与温度传感器相连接。电阻R3的一端与放大器U2的正极相连接，另一端接地。电阻R2的一端与放大器U2的负极相连接，另一端接地。电阻R4的一端与放大器U2的负极相连接，另一端与放大器U2的输出端相连接。极性电容C1的负极与放大器U2的负极相连接，正极与放大器U2的输出端相连接。极性电容C6的负极经电阻R7后与处理芯片U1的PWM1管脚相连接，正极经可调电阻R5后与放大器U2的输出端相连接。所述放大器U2的输出端还与处理芯片U1的AIN1管脚相连接。

同时，所述有源滤波电路包括放大器U3电阻R7，电阻R8，电阻R9，电阻R10，可调电阻R11，电阻R12，极性电容C2，极性电容C3，极性电容C4，以及极性电容C5。

连接时，的极性电容C2正极与放大器U3的正极相连接，经接地。电阻R8的一端与极性电容C3的负极相连接，另一端与极性电容C3的正极相连接电阻R7。的一端与放大器U3的负极相连接，另一端接地。极性电容C2的负极与放大器U的负极相连接，正极与放大器U3的输出端相连接。电阻R9的一端与放大器U3的正极相连接，另一端与放大器U3的输出端相连接。

极性电容C4的负极与放大器U3的正极相连接，正极与放大器U3的输出端相连接后接地。极性电容C5的正极与处理芯片U1的AIN2管脚相连接，负极接地。电阻R10的一端与极性电容C5的正极相连接，另一端与放大器U3的输出端相连接。可调电阻R11的一端与极性电容C5的正极相连接，另一端与处理芯片U1的PWM2管脚相连接。电阻R12的一端与极性电容C5的正极相连接，另一端与处理芯片U1的SW管脚相连接。所述放大器U3的正极与电流传感器相连接。

更进一步地，所述运算放大电路包括放大器U4，电阻R13，电阻R14，电阻R15，极性电容C7，极性电容C8，以及极性电容C9。

连接时，极性电容C7的正极与放大器U4的正极相连接，负极接地。极性电容C8的正极与放大器U4的正极相连接，负极与极性电容C7的负极相连接。极性电容C9的正极与放大器U4的输出端相连接，负极经电阻R15后与极性电容C8的负极相连接。电阻R14的一端与放大器U4的输出端相连接，另一端与极性电容C9的负极相连接。电阻R13的一端与放大器U4的负极相连接后接地，另一端与放大器U4的输出端相连接。所述放大器U4的正极与处理芯片U1的OUT1管脚相连接，该放大器U4的输出端与主控器相连接。

同时，所述晶体管放大电路包括三极管Q，电阻R6，电阻R17，可调电阻18，电阻R19，电阻R20，极性电容C10，极性电容C11，以及极性电容C12。

连接时，极性电容C10的正极与处理芯片U1的OUT2管脚相连接，负极与三极管Q的基极相连接。极性电容C12的正极与三极管Q的发射极相连接，负极接地。可调电阻R18的一端与三极管Q的基极相连接，另一端与极性电容C12的负极相连接。电阻R19的一端与三极管Q的发射极相连接，另一端与极性电容C12的负极相连接。电阻R16的一端与三极管Q的基极相连接，另一端与主控器相连接。电阻R17的一端与主控器相连接，另一端与三极管Q的集电极相连接。极性电容C11的正极与三极管Q的集电极相连接，负极经电阻R20后与极性电容C12的负极相连接。

具体运行时，首先，在调理信号的过程中，对外界的电磁波干扰信号的抑制一直是最重要的功能之一。因此，本实施例中的信号调理单元的前端设置了可对温度传感器输出的模拟信号中的电磁波干扰信号进行抑制的低通滤波电路，用于对电流传感器所输出的电信号中的电磁波干扰信号进行抑制的有源滤波电路。

其中，温度传感器输出的信号经可削弱信号中的高电磁波的可调电阻R1后进入放大器U2，放大器U2将信号中的微弱电磁波干扰信号进行放大，极性电容C1和电阻R4组成的滤波器对信号中的电磁波干扰信号进行抑制，经滤波器处理后的信号回到放大器U2中由其输出端输出，其处理芯片U1的AN1管脚具有一定的阻抗，使信号中的微弱信号无法进入处理芯片U1中，为了解决这一问题，本发明在放大器U2的输出端与处理芯片U1的RWM1调节端设置了由可调电阻R5、极性电容C6和电阻R6组成的偏置信号调整器，使信号中的微弱信号可通过偏置信号调整器进行频率调整后经处理芯片U1的PWM1调节端进入处理芯片U1中，有效的确保了信号传输的完整性、准确性。

同时，电流传感器输出的电信号经极性电容C3和电阻R8组成的电磁波抑制器进行抑制，消除电信号中的高电磁波干扰信号，其放大器U3将电信号中的微弱信号进行放大，极性电容C4、电阻R9和极性电容C2形成的双极滤波器对信号中残留的电磁波干扰信号进行消除。而处理芯片U1的AN2管脚同样具有一定的阻抗，使信号中的微弱信号无法进入处理芯片U1中，为了解决这一问题，本发明在放大器U3的输出端与处理芯片U1的RWM2调节端设置了由可调电阻R11来对增强微弱信号的频率，使未进入处理芯片U1中的经处理芯片U1的PWM2调节端进入处理芯片U1中，有效的确保了信号传输的完整性、准确性。

该处理芯片U1对输入的两个信号进行分别的带宽调节，并将两个信号均转换为数字信号后采用不同的通道输出，即电信号转换后通过处理芯片U1的OUT1管脚送至晶体管放大电路，该电路的极性电容C1为输入耦合电容，电阻R16和可调电阻R18构成一个分压电路，使三极管Q的基极上得到一个稳定的偏压，本发明设置该分压电路用于改变整个放大电路中的偏压值，以确保三极管Q工作在放大区，实现对信号频率的线性放大，使信号在放大时不会出现失真的情况；同时，电阻R19作为三极管Q的发射极的负反馈电阻，用于稳定该放大电路的工作。因此该晶体管放大电路可对输入的数字信号频率的准确调理后传输给主控器，从而确保了电流传感器传输的锂电池充电电流数据的准确性和完整性。

最后，处理芯片U1将模拟信号转换为数字信号后则经OUT2送至运算放大电路，该运算放大电路的极性电容C7和极性电容C8形成一个耦合电路，消除信号中的直流负反馈，以增大放大器U4的信号放大能力，电阻R15作为信号传输的阻抗电阻，电阻R14和极性电容C9用于滤除信号在传输中吸入的干扰电流信号后经放大器U4的输出端传输给主控器，从而确保了温度传感器传输的锂电池充电温度数据的完整性和准确性。

如上所述，便可很好的实现本发明。

Claims (7)

1.一种基于神经网络的锂电池充电检测系统，其特征在于，包括主控器，均与主控器相连接的显示屏、信号调理单元、读码器、存储模块、电源和充电控制模块，与信号调理单元相连接的信息采集单元；所述信息采集单元包括温度传感器和电流传感器；所述信号调理单元分别与温度传感器和电流传感器相连接；所述信号调理单元包括处理芯片U1，以及均与处理芯片U1相连接的低通滤波电路、有源滤波电路、晶体管放大电路和运算放大电路；所述低通滤波电路还与温度传感器相连接；所述有源滤波电路还与电流传感器相连接；所述处理芯片U1分别与晶体管放大电路和运算放大电路相连接。

2.根据权利要求1所述的一种基于神经网络的锂电池充电检测系统，其特征在于，所述低通滤波电路包括放大器U2，一端与放大器U2的正极相连接、另一端与温度传感器相连接的可调电阻R1，一端与放大器U2的正极相连接、另一端接地的电阻R3，一端与放大器U2的负极相连接、另一端接地的电阻R2，一端与放大器U2的负极相连接、另一端与放大器U2的输出端相连接的电阻R4，负极与放大器U2的负极相连接、正极与放大器U2的输出端相连接的极性电容C1，以及负极经电阻R7后与处理芯片U1的PWM1管脚相连接、正极经可调电阻R5后与放大器U2的输出端相连接的极性电容C6；所述放大器U2的输出端还与处理芯片U1的AIN1管脚相连接。

3.根据权利要求2所述的一种基于神经网络的锂电池充电检测系统，其特征在于，所述有源滤波电路包括放大器U3，正极与放大器U3的正极相连接、经接地的极性电容C2，一端与极性电容C3的负极相连接、另一端与极性电容C3的正极相连接的电阻R8，一端与放大器U3的负极相连接、另一端接地的电阻R7，负极与放大器U的负极相连接、正极与放大器U3的输出端相连接的极性电容C2，一端与放大器U3的正极相连接、另一端与放大器U3的输出端相连接的电阻R9，负极与放大器U3的正极相连接、正极与放大器U3的输出端相连接后接地的极性电容C4，正极与处理芯片U1的AIN2管脚相连接、负极接地的极性电容C5，一端与极性电容C5的正极相连接、另一端与放大器U3的输出端相连接的电阻R10，一端与极性电容C5的正极相连接、另一端与处理芯片U1的PWM2管脚相连接的可调电阻R11，以及一端与极性电容C5的正极相连接、另一端与处理芯片U1的SW管脚相连接的电阻R12；所述放大器U3的正极与电流传感器相连接。

4.根据权利要求3所述的一种基于神经网络的锂电池充电检测系统，其特征在于，所述运算放大电路包括放大器U4，正极与放大器U4的正极相连接、负极接地的极性电容C7，正极与放大器U4的正极相连接、负极与极性电容C7的负极相连接的极性电容C8，正极与放大器U4的输出端相连接、负极经电阻R15后与极性电容C8的负极相连接的极性电容C9，一端与放大器U4的输出端相连接、另一端与极性电容C9的负极相连接的电阻R14，以及一端与放大器U4的负极相连接后接地、另一端与放大器U4的输出端相连接的电阻R13；所述放大器U4的正极与处理芯片U1的OUT1管脚相连接，该放大器U4的输出端与主控器相连接。

5.根据权利要求4所述的一种基于神经网络的锂电池充电检测系统，其特征在于，所述晶体管放大电路包括三极管Q，正极与处理芯片U1的OUT2管脚相连接、负极与三极管Q的基极相连接的极性电容C10，正极与三极管Q的发射极相连接、负极接地的极性电容C12，一端与三极管Q的基极相连接、另一端与极性电容C12的负极相连接的可调电阻R18，一端与三极管Q的发射极相连接、另一端与极性电容C12的负极相连接的电阻R19，一端与三极管Q的基极相连接、另一端与主控器相连接的电阻R16，一端与主控器相连接、另一端与三极管Q的集电极相连接的电阻R17，以及正极与三极管Q的集电极相连接、负极经电阻R20后与极性电容C12的负极相连接的极性电容C11。

6.根据权利要求5所述的一种基于神经网络的锂电池充电检测系统，其特征在于，所述处理芯片U1为AD7714集成芯片。

7.根据权利要求6所述的一种基于神经网络的锂电池充电检测系统，其特征在于，所述存储模块为EFPROM或SD卡；所述主控器为STM32；所述充电控制模块为3.5～6V/1.5AUSB充电器。