Fallstudie
AUTOSAR-basiertes Batteriemanagementsystem mit fortschrittlichen SoC- und SoH-Algorithmen
Dienstleistungen
Industrien
Herausforderung
Unser Ziel war es, ein fortschrittliches Batteriemanagementsystem mit präziseren SoC- und SoH-Algorithmen für Hybrid- und Elektrofahrzeuge zu entwickeln. Unsere Demo wurde unter Verwendung von Komponenten in Automobilqualität gebaut und gemäß der ASIL-D-Zertifizierung entwickelt. Der Umfang der Arbeiten umfasste Sicherheitsfunktionen wie Über-/Unterspannungs- sowie Über-/Untertemperaturschutz, Kurzschlusserkennung, Zellenausgleich, CAN-Kommunikation und Fehlerbehandlung.
Gelieferter Mehrwert
Das Data Science Team von Lemberg Solutions entwickelte verbesserte SoC- und SoH-Algorithmen, die den hohen Zuverlässigkeitsanforderungen für Automobilanwendungen entsprechen. Diese Algorithmen verwenden von Sensoren gelieferte Daten wie Temperatur, Stromstärke, Batteriechemie und kapazität und ermöglichen so eine SoC-Algorithmusgenauigkeit von 96-98 %. Unsere Algorithmen ermöglichen die korrekte Bestimmung der Reichweite, verlängern die Lebensdauer der Batterien und verringern das Risiko von Brandfällen. Unser Softwareentwicklungsteam hat neben diesem Algorithmus auch eine Mensch-Maschine-Schnittstelle und weitere Funktionen implementiert.
Prozess
Das LS-Entwicklungsteam für Embedded Software hat den schnellen Kickstart dieses Projekts auf Entwicklungsplatinen geschafft, bevor die kundenspezifischen Leiterplatten geliefert wurden. So konnten wir den Code iterativ schreiben, bevor wir ihn auf den Zielboards einsetzen.
Zunächst untersuchte unser Data-Science-Team Anwendungsfälle für Autos, z. B. wenn ein plötzlicher Temperaturabfall entsteht, nachdem das Auto eine warme Garage verlassen hat und niedrigen Wintertemperaturen ausgesetzt ist, oder wenn die Batterie eines Autos sich entlädt, das mehrere Tage lang geparkt war. Außerdem berücksichtigten wir verschiedene Indexe wie Temperatur, Bereich der Stromstärke, chemische Verbindungen (in unserem Fall Li-Ionen) und Kapazität. Dieses Wissen ermöglichte es uns in späteren Entwicklungsphasen, hochpräzise SoC- und SoH-Algorithmen zu entwickeln.
Für die Entwicklung dieses Projekts haben wir das AUTOSAR-Framework von ETAS zusammen mit den Elektrobit-Tools angewandt. Unser Team führte die MCAL-Konfiguration der CAN-, SPI-, GPIO-, ADC- und PWM-Protokolle durch. Ferner haben wir Automotive Grade Linux (AGL) und Qt QML verwendet, um eine Mensch-Maschine-Schnittstelle (HMI) mit einem Kombiinstrument und einem Infotainment-System zu erstellen und so die Vorgänge der BMS-Demo zu visualisieren.
Die Demoversion unseres Batteriemanagementsystems wurde mit drei separaten Elektronikmodulen gebaut, die über einen CAN-Bus miteinander verbunden sind. Zwei von ihnen werden mit AGL und eines mit AUTOSAR betrieben. Die Daten der Batterie werden vom BMS-Board erfasst und verarbeitet. Anschließend werden sie auf Anfrage an das Kombiinstrument oder das Infotainmentsystem gesendet, wo die Benutzer sie ablesen können.
Das BMS-Board basiert auf dem SPC58, einer fortschrittlichen 32-Bit-Multicore-MCU von ST, die für die Erfüllung der höchsten ASIL-D-Anforderungen unternehmenskritischer Automobilanwendungen entwickelt wurde. Die Hardware umfasst auch eine weitere ST-Komponente, einen L9963E BMS-IC, der bis zu 14 in Reihe geschaltete Zellen verarbeiten kann, mehrere Zellchemien unterstützt und über einen eingebauten Zellausgleichsalgorithmus sowie Schutzmechanismen verfügt.
Technologien
C
Python
MATLAB
ETAS ISOLAR A/B
AUTOSAR Classic 4.x
EB tresos Studio
Automotive Grade Linux
Qt QML
CAN
Fallstudie im PDF-Format speichern
Wie es funktioniert
Herunterladen der Case Study, um sie später zu lesen