《蓄电池智能巡检系统开发.doc》由会员分享，可在线阅读，更多相关《蓄电池智能巡检系统开发.doc（19页珍藏版）》请在金锄头文库上搜索。
1、蓄电池智能巡检系统开发 蓄电池智能巡检系统开发关键词:蓄电池;巡检;数据采集 摘要:蓄电池智能巡检系统能实现对蓄电池在浮充状态、充放电动态过程中的状态检测,对蓄电池内部开路、短路、过压、欠压及过度放电等异常状态及时报警,提高了对蓄电池监测的准确性、自动化和智能化程度。 一、研究背景 目前蓄电池的状态监测仪器大多是在浮充状态下实现对蓄电池的端电压测量的,而能准确反映蓄电池容量信息的蓄电池电导测试仪只能做定期测量,不能实时在线监测,无法及时发现存在故障的失效电池。国外的蓄电池智能巡检产品多采用专用芯片进行设计,功能齐全,但价格昂贵。考虑本地区经济情况,开发一套功能较全、价格较低、符合区域特点的产品
2、。 二、研究内容 蓄电池作为应急及备用电源,应用于许多领域,如消防的应急照明系统、电信与金融系统的备用电源等。其主要作为紧急情况下的一种替代供电装置,而在平时不作为供电设备,很难发现并定位局部个体工作状态是否正常。失效的个别蓄电池在后备电池投入使用时,会严重影响整个电池组的放电容量,甚至会导致整个供电系统的崩溃。 本项目研究内容为对蓄电池主要参数指标及工作状态进行在线监测,从而达到及时发现故障及单节失效蓄电池的情况,并能根据统计数据进行智能的统一维护与管理。蓄电池智能巡检主要是对直流电源蓄电池组中每一只蓄电池的端电压进行巡检。 三、蓄电池工作原理 蓄电池的充放电过程是一个复杂的电化学过程,其状
3、态检测和失效预期诊断一直是蓄电池维护中的难题。由于电化学反应的复杂性以及蓄电池使用环境的差异,至今还没有一种简单实用的方法对蓄电池的当前运行状态快速准确判定。但大量的实验已得出以下结论: (一)蓄电池充、放电过程中,在相同的时间间隔内,端电压变化明显比其它电池快的单节一定是有故障的落后电池。蓄电池充、放电都有一个截止电压,过度放电和过度充电都会加速电池失效,减少电池的使用寿命。从蓄电池放电时的电压变化曲线图中可以明显看出个别电池端电压突然变化加大,表明该电池已经损坏。 (二)蓄电池在交流电正常时一直保持浮充状态,并要保持一个适当的浮充电压。浮充电压过高会造成电池发热量过大,出现热失控现象,还容
4、易因电解水反应剧烈使电池失水过多;浮充电压过高还会恶化电池组的均匀性,加大电池之间的差异。浮充电压过低又会使电池因自放电损失的电量无法及时补充,加速电池老化。 (三)串联在一起的蓄电池各单节电池在充足电或放完电后,端电压应该是均匀的,不应有大的差异。如果电池组不均匀,在充电时一部分电池充电不足,另一部分电池过充电;在放电时一部分电池尚未达到终止电压,但另一部分电池又会过放电,甚至出现“反极”现象。长此下去就会引起恶性循环,加速电池失效。 (四)环境温度的变化也会影响蓄电池的浮充电压,温度过高就会加速蓄电池的老化速度。 (五)在大量实验过程中,利用数理统计方法分析蓄电池组的端电压的分布规律,结果
5、表明它们的平均值和标准差符合正态分布,平均值表明了全组端电压的宏观性能,标准差则表征了各单节电池端电压的离散程度。因而可以利用这一规律判断电池组的均匀性,并可以找出差异相对较大的电池,也就是可能已经失效的电池。 四、系统总体结构设计 整个系统由数据采集模块、智能管理系统及专家系统等组成,如图1所示: 图1 系统总体结构框图 其结构如框图所示。其中数据采集模块24位A/D和89C52单片机为核心,数据采集电路不断循环采集各个单体电池电压、总电压及环境温度,经差分放大、模拟开关等,由模数转换器进行A/D转换,然后通过蓄电池智能管系统进行简单分析处理,测量数据能够实时显示,个别电池出现异常时能够及时
6、报警。系统自带32MB电子盘存储数据,能记录采样值及蓄电池运行状态,且能通过RS232/RS422通讯接口把数据上传。该系统具有以下几个功能特点: (1)对蓄电池组的浮充状态和充、放电动态过程实施实时在线监测和故障诊断; (2)数据采集电路采用模块化设计,可根据蓄电池个数确定模块数量,每个模块可测量一组16节电池,最多可测量128路单体电池电压; (3)可兼容2V、6V和12V电池,具有良好的可扩展性能; (4)采用大屏幕液晶显示器,能直观的了解足够的电池信息; (5)配有大容量非易失性数据存储器,并内置实时时钟; (6)有RS232/RS422通讯接口,可以与上位机或其它监控设备通讯1。 五
7、、创新之处 影响蓄电池循环寿命的因素很多,其中放电深度影响最大。在该系统里,嵌入了蓄电池充、放电特性曲线。在深度放电或活化前可判断参数设置的合理性,智能化程度高。放电、活化过程异常报警,保证维护过程不致影响蓄电池的使用寿命。 强大的软件处理功能,可以实时显示电压列表、充放电曲线、端电压柱状图等,使放电、活化、监测过程直观、受控。系统软件使用流行的第四代编程语言编程,界面美观、操作方便。嵌入了网络及Internet接口,使系统的升级和服务方便快捷。 参考文献: 1李明革,陈显刚.一种新型应急电源蓄电池智能巡检系统J,长春高职教育,2008(1):53-55 遗传算法综述关键词:遗传
8、算法;GA;进化;最优化 摘要:本文简述了遗传算法的基本原理和特点,以及在各个领域的应用情况。 Summary on Genetic Algorithm Gao Ying (Shandong Industry Vocational College,Zibo256414,China) Abstract:This article has summarized the genetic algorithm basic principle and the characteristic, as well as in each domain application situation. Keyword:Ge
9、netic algorithm;Evolution;Optimization 一、引言 在人工智能领域中,有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准最优解。在计算此类问题时,若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。因此,研究能在搜索过程中自动获取和积累有关搜索空间的知识并自适应地控制搜索过程从而得到最优解的通用搜索算法一直是令人瞩目的课题1。遗传算法简称就是这类特别有效的算法之一。 二、遗传算法基本原理 遗传算法是建立在自然选择和群众遗传学机理基础上的,具有广泛适应性的搜索方法。遗传算法搜索结合了达尔文适者生存和随机信息交换的思想,适者生存消除了解中不适应因素,
10、随机信息交换利用了原有解中已知的知识,从而有力地加快了搜索过程。 遗传算法的基本思想2:遗传算法是从代表问题可能潜在解集的一个种群开始的,一个种群由经过基因编码的一定数目的个体组成,初始种群产生之后,按照适者生存和优胜劣汰的原理,逐步演化产生出越来越好的近似解。在每一代,根据问题域中个体的适应度大小挑选个体,并借助自然遗传学的遗传算子进行交叉和变异,产生出代表新的解集的种群。这个过程将导致种群向自然进化一样的后代种群比前代更加适应环境,末代种群中的最优个体经过解码,可以作为问题近似最优解。 三、遗传算法的主要特点及改进 随着问题种类的不同以及问题规模的扩大,要寻求一种能以有限的代价来解决搜索和
11、优化的通用方法,遗传算法正是为我们提供的一个有效的途径,它不同于传统的搜索和优化方法。主要区别在于: (1)自组织、自适应和自学习性。 (2)遗传算法的本质并行性。 (3)遗传算法不要求导或其他辅助知识,而只需要影响搜索方向的目标函数和相应的适应度函数。 (4)遗传算法强调概率转换规则,而不是确定的转换规则。 (5)遗传算法可以更加直接地应用。 (6)遗传算法对给定问题,可以产生许多的潜在解,最终选择可以由使用者确定。 其中对全局信息有效利用和隐含并行性是遗传算法的两大特点,同时遗传算法对问题本身的限制较少,因而具有很强的通用优化能力。但遗传算法容易过早收敛,这样就会使其他个体中的有效基因不能
12、得到有效复制,最终丢失;而且在进化后期染色体之间的差别极小,整个种群进化停滞不前,搜索效率较低,这样就会导致搜索到的结果不是全局最优解。 自从1975年J.H.Holland系统地提出遗传算法的完整结构和理论以来,众多学者一直致力于推动遗传算法的发展,对编码方式、控制参数的确定、选择方式和交叉机理等进行了深入的探究,其基本途径概括起来有以下几个方面3: (1)改变遗传算法的组成部分或使用技术; (2)采用混合遗传算法; (3)采用动态自适应技术,在进化过程中调整算法控制参数和编码粒度; (4)采用非标准的遗传操作算子; (5)采用并行遗传算法等。 四、遗传算法的应用领域 遗传算法经过几十年的发
13、展,逐渐被人们接受和运用,遗传算法的应用研究比理论研究更为丰富,下面是遗传算法的一些主要应用领域4: (1)优化问题:优化问题包括函数优化和组合优化两种。函数优化是遗传算法的经典领域,也是对遗传算法进行性能评价的常用算例。对于组合优化,随着问题规模的扩大,搜索空间急剧扩大,这类复杂问题,人们已经意识到把精力放在寻找其满意解上。实践证明,遗传算法对于组合优化中的NP完全问题非常有效。 (2)生产调度问题:生产调度问题在许多情况下所建立起来的数学模型难以精确求解,即使经过一些简化之后可以进行求解,也会因简化太多而使得求解结果与实际相差甚远。遗传算法已成为解决复杂调度问题的有效工具,在单件生产车间调
14、度、流水线生产车间、生产规划、任务分配等方面遗传算法都得到了有效的应用。 (3)自动控制:在自动控制领域中许多与优化相关的问题需要求解,遗传算法的应用日益增加,并显示了良好的效果。例如用遗传算法进行航空控制系统的优化、基于遗传算法的参数辨识、利用遗传算法进行人工神经网络的结构优化设计和权值学习,都显示了遗传算法在这些领域中应用的可能性。 (4)机器人智能控制:机器人是一类复杂的难以精确建模的人工系统,而遗传算法的起源就来自于对人工自适应系统的研究。例如遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行动协调等方面得到研究和应用。 (5)图像处理和模式识别:图像处理和模式识别是计算机视觉中的一个重要研究领域。在图像处理过程中,如扫描、特征提取、图像分割等不可避免地产生一些误差,这些误差会影响到图像处理和识别的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求。遗传算法在图像处理中的优化计算方面是完全胜任的。目前已在图像恢复、图像边缘特征提取、几何形状识别等方面得到了应
