همه دسته‌ها
اخبار

اخبار

چگونه یک سلول باتری را برای عملکرد تست کنیم

2025-09-16

درک شاخص‌های کلیدی عملکرد در تست سلول باتری

مبانی تست باتری و شاخص‌های کلیدی عملکرد

تست سلول باتری سه پارامتر اصلی را ارزیابی می‌کند: پایداری ولتاژ، حفظ ظرفیت و مقاومت داخلی. این معیارها عملکرد و قابلیت اطمینان را در طول چرخه‌های شارژ-دشارژ تعیین می‌کنند. حفظ ظرفیت زیر 80٪ از رتبه اولیه معمولاً نشانه از دست رفتن عمر سیستم‌های لیتیومی است. پروتکل‌های استاندارد مانند UN 38.3 نیازمند پایش این نشانگرها برای تضمین ایمنی و دوام هستند.

ولتاژ مدار باز (OCV) و نقش آن در ارزیابی اولیه

ولتاژ مدار باز یا OCV، بررسی سریعی از سلامت باتری ارائه می‌دهد، فقط با نگاه کردن به پتانسیل استراحت سلول. تحقیقات اخیر از سال 2023 نیز چیزی جالب را نشان دادند. وقتی OCV در محدوده حدوداً 2 درصد بالا یا پایین ثابت بماند، سلول‌های نیکلی تمایل دارند کمتر از 5 درصد از ظرفیت خود را در طول زمان از دست بدهند. مهندسان از این اطلاعات چه استفاده‌ای می‌کنند؟ آن‌ها اندازه‌گیری‌های خود را انجام می‌دهند و آن‌ها را با نمودارهای ارائه شده توسط سازندگان مقایسه می‌کنند. این نمودارها خوانش‌های OCV را به سطح شارژ (SOC) مرتبط می‌کنند. تشخیص تفاوت‌ها به شناسایی به موقع مشکلات کمک می‌کند، مانند زمانی که سلول‌ها شروع به فرسودگی نامساوی می‌کنند. پیشگیری از این مشکلات به معنای تعمیر به موقع آن‌ها قبل از اینکه به مشکلات گران‌قیمت‌تری تبدیل شوند، است.

برآورد سطح شارژ (SOC) با استفاده از شمارش کولن

تکنیکی که به شمارش کولن معروف است، با ردیابی مقدار جریان عبوری از باتری در طول زمان عمل می‌کند و تخمینی از سطح شارژ (SOC) را با دقت حدوداً به اندازه ۳± درصد در شرایط دمایی ثابت ارائه می‌دهد. مشکل زمانی پیش می‌آید که حسگرها شروع به انحراف از کالیبراسیون می‌کنند که بیشتر از آنچه مردم تصور می‌کنند رخ می‌دهد. این انحراف با گذشت زمان تجمع پیدا می‌کند، بنابراین بررسی‌های منظم نسبت به ولتاژ مدار باز (OCV) ضروری می‌شود، به‌ویژه اگر باتری‌ها در شرایط بسیار گرم یا سرد کار کنند. با این حال، برخی از سیستم‌های جدیدتر در انجام این کار بسیار بهتر شده‌اند. آن‌ها روش‌های سنتی شمارش کولن را با آنچه مدل‌سازی هیسترزیس ولتاژ نامیده می‌شود ترکیب می‌کنند و دقت کلی را به حدود ±1.5% کاهش می‌دهند. این رویکرد به یک روش استاندارد در اکثر خودروهای الکتریکی مدرن تبدیل شده است، جایی که نظارت بر سلامت باتری به دلایل عملکردی و ایمنی بسیار حیاتی است.

اندازه‌گیری مقاومت داخلی و امپدانس برای ارزیابی سلامت

مقاومت داخلی (تست اهمیک/ایمپدانس) به عنوان نشانگر سلامت

مقاومت داخلی یک شاخص کلیدی از سلامت باتری است. افزایش‌هایی که بیش از 30٪ از مقادیر پایه‌ای باشند، همبستگی قوی‌ای با کاهش ظرفیت و ناپایداری حرارتی دارند. تکنیک‌هایی مانند Hybrid Pulse Power Characterization (HPPC) و Electrochemical Impedance Spectroscopy (EIS) امکان تحلیل دقیق مقاومت اهمی و قطبی را فراهم می‌کنند و بینشی نسبت به مکانیزم‌های تخریب الکتروشیمیایی فراهم می‌کنند.

روش‌های تست سریع دامنه زمانی در مقابل دامنه فرکانسی

نوع روش تکنیک ویژگی کلیدی
دامنه زمانی دنباله‌های پالس HPPC اندازه‌گیری مقاومت لحظه‌ای (IR)
دامنه فرکانسی تحلیل طیفی EIS شناسایی سینتیک واکنش

رویکرد حوزه زمانی نتایج را در حدود 15 ثانیه یا حدود این مقدار ارائه می‌دهد، به همین دلیل در خطوط مونتاژ که سرعت اهمیت دارد عملکرد خوبی دارد. اما یک مشکل وجود دارد. این روش‌ها اغلب نشانه‌های پیری را که می‌توان با تکنیک EIS مشاهده کرد، نادیده می‌گیرند. اسپکتروسکوپی امپدانس الکتروشیمیایی (EIS) در محدوده فرکانسی از 0.1 هرتز تا 10 کیلوهرتز اسکن می‌کند و تغییرات ظریفی را در اینترفیس‌ها شناسایی می‌کند، مانند نحوه توسعه لایه SEI در طول زمان. سازندگان خودرو که آزمایشاتی را روی باتری‌های لیتیوم یونی قدیمی انجام داده‌اند، تفاوت‌هایی حدود 12 درصدی بین نتایج به دست آمده از این دو روش گوناگون مشاهده کرده‌اند. چنین تفاوتی دلیل اهمیت درک هر دو روش را برای ارزیابی دقیق باتری برجسته می‌کند.

تأثیر شرایط آزمایش بر روی اندازه‌گیری مقاومت داخلی

دمای اطراف به‌طور قابل‌توجهی بر مقاومت داخلی تأثیر می‌گذارد، نوسانات دما بین 20- درجه سانتی‌گراد تا 60 درجه سانتی‌گراد می‌تواند اندازه‌گیری‌ها را تا 40% تغییر دهد. سطح شارژ نیز در این تغییرپذیری نقش دارد - سلول‌های کاملاً شارژ شده معمولاً مقاومتی 18% کمتر از زمانی که در 20% ظرفیت شارژ دارند، از خود نشان می‌دهند. برای دستیابی به اندازه‌گیری‌های معتبر، کنترل دقیق شرایط آزمایش ضروری است، از جمله ثبات دمایی ±2 درجه سانتی‌گراد.

تحلیل ابهام: دقت روش‌های آزمایش سریع در پیش‌بینی سلامت باتری (SOH)

طرفداران آزمون‌های سریع اغلب به توافق حدود ۸۵ درصدی بین نحوه تغییر مقاومت داخلی در طول زمان و آنچه در آزمون‌های کامل سلامت وضعیت مشاهده می‌شود اشاره می‌کنند. اما هنگام بررسی سلول‌های فسفات لیتیوم آهن به طور خاص، مشکلاتی وجود دارد. اعداد ممکن است بیش از ۲۰ درصد با هم تفاوت داشته باشند، عمدتاً به این دلیل که افراد مقاومت انتقال بار را به شیوه‌های متفاوتی تفسیر می‌کنند. رویکردهای سنتی آزمون مبتنی بر زمان تمایل دارند تغییرات کوچکی را که در لایه SEI رخ می‌دهد نادیده بگیرند، در حالی که روش‌های تحلیل فرکانسی مانند EIS این تغییرات را در واقع تشخیص می‌دهند. این امر باعث می‌شود برخی افراد در مورد اینکه آیا این آزمون‌های ساده‌تر واقعاً اطلاعات کافی درباره نحوه کاهش عملکرد باتری‌ها در طول سال‌ها استفاده فراهم می‌کنند، تردید کنند.

انجام آزمون ظرفیت از طریق چرخه‌های شارژ-دشارژ

آزمون ظرفیت از طریق چرخه کامل شارژ/دشارژ در شرایط کنترل‌شده

دریافت اندازه‌گیری‌های دقیق از ظرفیت باتری واقعاً به انجام آن آزمون‌های استاندارد شارژ-دشارژ در محیط‌های کنترل‌شده بستگی دارد. امروزه بیشتر متخصصان به روشی به نام CCCV تکیه می‌کنند. اساساً، ما سلول‌ها را با نیمی از جریان نامی‌شان تا ۴.۱ ولت شارژ می‌کنیم، سپس آن‌ها را در همان سطح ولتاژ نگه می‌داریم تا جریان شارژ به زیر حدود ۰.۱۵ آمپر برسد. وقتی به دشارژ آن‌ها می‌رسیم، انجام این کار با نرخ ۱C به ما واضح‌ترین تصویر از ذخیره واقعی انرژی را بدون آن نوسانات ولتاژ آزاردهنده نشان می‌دهد. دقت در اینجا هم بسیار قابل توجه است، حدوداً مثبت یا منفی ۰.۸ درصد که این موضوع قابلیت اطمینان بهتری نسبت به روش‌های قدیمی آزمون ضربه‌ای را فراهم می‌کند.

دقت اندازه‌گیری ولتاژ و تأثیر نرخ دشارژ

نظارت دقیق بر ولتاژ (با دقت 0.1 میلی‌ولت) و نرخ تخلیه پایدار برای دستیابی به نتایج قابل اعتماد ضروری است. یک مطالعه الکتروشیمی در سال 2023 نشان داد که تغییرات ±5٪ در جریان تخلیه، می‌تواند منجر به اختلاف 12٪ در ظرفیت سلول‌های لیتیوم-یونی NMC شود. دقت به ویژه در زیر 20٪ SOC اهمیت دارد، زیرا در این محدوده منحنی‌های ولتاژ تخت می‌شوند و خطاهای کوچک اندازه‌گیری می‌توانند منجر به تفسیرهای قابل توجهی شوند.

اثرات دما بر عملکرد مشخصه‌یابی باتری لیتیوم-یونی

دما به طور مستقیم بر ظرفیت تخلیه تأثیر می‌گذارد. آزمایش‌های اخیر روی سلول‌های NMC نشان دادند که در دمای -20°C نسبت به دمای 25°C، ظرفیت تا 23٪ کاهش یافته است. تغییرات حرارتی غیرکنترل‌شده (±5°C) می‌توانند نتایج را در سلول‌های استاندارد 18650 تا 8–11٪ منحرف کنند. بنابراین، استفاده از محفظه‌های کنترل‌شده آب و هوایی برای حفظ یکنواختی بین آزمایش‌ها ضروری است.

مطالعه موردی: کاهش ظرفیت در سلول‌های NMC پس از 500 سیکل

یک مطالعه کنترل‌شده 18 ماهه روند تخریب در سلول‌های اکسید نیکل-منگنز-کبالت را دنبال کرد:

تعداد سیکل ظرفیت باقی‌مانده عامل تخریب
100 97.2% اکسیداسیون الکترولیت
300 89.1% رشد لایه SEI
500 76.5% ترک خوردگی ذرات

این تحقیق الگوی تخریب غیرخطی را برجسته می‌کند: ابتدا میانگین کاهش ظرفیت به میزان 2.5٪ در هر 100 سیکل، که پس از 300 سیکل به 4.1٪ شتاب می‌گیرد، که اهمیت آزمایش کنترل‌شده در پیش‌بینی عمر واقعی باتری را نشان می‌دهد.

ارزیابی سلامت باتری و پیش‌بینی طول عمر باتری

نشانگرهای سلامت باتری (SOH) و وضعیت عمر (SOL) بر اساس داده‌های آزمایش

در مورد بررسی سلامت یک باتری، بیشتر مردم دو عامل اصلی را در نظر می‌گیرند: میزان باری که می‌تواند نگه دارد (در مقایسه با حالت جدیدش، یعنی حفظ ظرفیت) و تغییرات مقاومت داخلی باتری با گذشت زمان. به طور کلی، وقتی ظرفیت یک باتری به زیر 80 درصد از مقدار اولیه‌اش برسد، بسیاری از آن به عنوان پایان عمر مفید یاد می‌کنند. تحقیقات منتشر شده در نشریه Nature در سال گذشته نشان داد که این دو معیار کلیدی تقریباً 94 درصد از دلایل واقعی خرابی باتری‌ها در عمل را توضیح می‌دهند. برای پیش‌بینی زمانی که یک باتری نیاز به تعویض دارد (پیش‌بینی عمر مفید)، متخصصان داده‌های حاصل از آزمایش‌هایی که فرآیند پیری باتری را تسریع می‌کنند را با اطلاعات مربوط به نحوه استفاده روزانه از باتری ترکیب می‌کنند. این رویکرد به تولیدکنندگان این امکان را می‌دهد تا عمر مفید باتری‌ها را به دقت قابل قبولی پیش‌بینی کنند، به طوری که معمولاً دقت این پیش‌بینی برای باتری‌های لیتیومی که در شرایط عادی کار می‌کنند در محدوده حدوداً 15 درصد به صورت مثبت یا منفی است.

همبستگی افزایش مقاومت داخلی با افت ظرفیت

تست امپدانس نشان دهنده رابطه یکنواختی بین افزایش مقاومت و کاهش ظرفیت است. در سلول‌های NMC، هر افزایش 10 میلی‌اهمی در امپدانس AC متوسط افت ظرفیت به میزان 1.8% را به دنبال دارد. ردیابی چندنقطه‌ای در سطوح مختلف SOC به تشخیص کاهش دائمی از اثرات عملیاتی گذرا کمک می‌کند و دقت تشخیصی را بهبود می‌دهد.

روند: مدل‌های یادگیری ماشینی دقت پیش‌بینی SOH را افزایش می‌دهند

مدل‌های یادگیری ماشینی اکنون امکان تخمین دقیق SOH را با استفاده از داده‌های جزئی عملیاتی فراهم کرده‌اند و وابستگی به چرخه‌های تخلیه کامل را کاهش داده‌اند. تحقیقات نشان داده‌اند که الگوریتم‌هایی که مسیرهای ولتاژ-دمایی را تحلیل می‌کنند قادر به دستیابی به دقت 95% در پیش‌بینی هستند. مدل‌های ترکیبی که اصول فیزیکی فرسودگی را با شبکه‌های عصبی ترکیب می‌کنند، به ویژه در نظارت زمان واقعی در خودروهای برقی امید بخش هستند.

دنبال کردن پروتکل‌های تست استاندارد شده در سراسر صنایع

پروتکل‌های تست استاندارد شده برای سلول‌های باتری در تحقیقات و تولید

ارزیابی مداوم باتری به پیروی از استانداردهای بین‌المللی بستگی دارد. چارچوب‌های کلیدی شامل IEC 62133 برای ایمنی و UL 1642 برای سلول‌های لیتیومی، هر دو با مشخص‌کردن تلرانس‌های دقیق (±1٪ برای ظرفیت) و کنترل‌های محیطی.

آزمایشگاه‌های تحقیقاتی توصیف جامعی را در طول بیش از 1000 چرخه انجام می‌دهند و بیش از 15 پارامتر عملکردی را تحلیل می‌کنند. در مقابل، کنترل کیفیت صنعتی بر اعتبارسنجی سریع معیارهای حیاتی مانند مقاومت داخلی مستقیم (DC) و حفظ بار تمرکز دارد. تأسیسات دارای گواهی ISO 9001، 40٪ تغییرپذیری آزمون کمتری گزارش می‌دهند که ناشی از کالیبراسیون دقیق و کنترل آب‌وهوایی (25°C ±0.5°C) است.

مشخصات نظامی (MIL-PRF-32565) نیازمند اعتبارسنجی حاشیه طراحی 200٪ است، در حالی که الکترونیک مصرفی بر ایمنی تأکید دارد — مانند محدود کردن خطر گسترش حرارتی به کمتر از 0.1٪ در آزمون نفوذ میخ. این رویکرد سلسله‌مراتبی، قابلیت اطمینان را بدون هزینه‌های اضافی آزمون تضمین می‌کند و دقت اعتبارسنجی را با نیازهای کاربردی تطبیق می‌دهد.

‫سوالات متداول‬

نشانگرهای کلیدی در آزمون سلول باتری چیست؟

نشانگرهای کلیدی، پایداری ولتاژ، حفظ ظرفیت و مقاومت داخلی هستند. این عوامل عملکرد و قابلیت اطمینان را در طول چرخه‌های شارژ و دشارژ ارزیابی می‌کنند.

چرا ولتاژ مدار باز (OCV) در آزمون مهم است؟

OCV با بررسی پتانسیل سکون باتری، ارزیابی سریعی از سلامت آن فراهم می‌کند و به شناسایی به موقع مشکلات کمک می‌کند.

تغییرات دما چگونه بر خوانش مقاومت داخلی تأثیر می‌گذارند؟

نوسانات دما می‌توانند تأثیر قابل توجهی بر مقاومت داخلی داشته باشند و دقت آزمون را تحت تأثیر قرار دهند که نیازمند کنترل دقیق شرایط آزمون است.

نقش یادگیری ماشین در پیش‌بینی سلامت باتری چیست؟

مدل‌های یادگیری ماشین با تحلیل داده‌های جزئی عملیاتی، تخمین وضعیت سلامت (SOH) را بهبود می‌بخشند و دقت پیش‌بینی عمر مفید و عملکرد باتری را افزایش می‌دهند.