邵武汤浅蓄电池

邵武汤浅蓄电池

汤浅蓄电池性能特点： 
电池长寿命、高容量、优越的过放电后的恢复性； 
电池气密性好、安全性高、可快速充电； 
1、安全性能好：汤浅蓄电池正常使用下无电解液漏出，无电池膨胀及破裂。 
2、放电性能好：汤浅蓄电池放电电压平稳，放电平台平缓。 
3、耐震动性好：汤浅蓄电池完全充电状态的电池完全固定，以4mm的振幅，16.7HZ的频率震动1小时，无漏液，无电池膨胀及破裂，开路电压正常。 
4、耐冲击性好：汤浅蓄电池完全充电状态的电池从20CM高处自然落至1CM厚的硬木板上3次无漏液，无电池膨胀及破裂，开路电压正常。 
产品性能特点

电压、电流巡检与数据分析
最初的电池监测装置只是检测电池组的端电压、电流和温度，并将检测数据与设定的上下限比较，给出报警提示。电池巡检仪可以对每一个电池单体进行电压测量，并对浮充电压超限报警。
大多数电池厂家的技术人员将电压测量放在首位，对于处在浮充状态的电池，其浮充电压的细微差别可体现电池的荷电状态，能判断电池的严重失效，因浮充电流很小，电池之间的性能差异（以容量差异为主）很难表现出来 。BMS对电池的完整工作过程进行监测，实时测量在充电、浮充、放电的不同状态下的电压、电流，并采用不同的数据处理方法，以提高数据分析的准确性。
浮充电压与温度的关系可按生产厂家提供的斜率进行补偿。
VF　= V0+k (T-T0)
一般情况下 k=3~5mV。
5、剩余容量计算
试图通过某种方法在线测得电池的实际保有容量一直是电池用户最迫切的希望，但到目前为止，还没有这样的方法或算法。有些介绍用电池内阻来计算保有容量的资料或产品广告，但实际使用起来数据的对应关系并不严格，内阻只能用于区别电池容量的大幅度变化。尤其是利用电池内阻的相对变化可以准确预报电池落后。
当电池处于放电工作时，对于很多场合都需要知道电池的剩余容量及供电时间，根据电池的额定容量和放电电流的监测，不难实时计算出剩余容量，假定负载相对稳定，则换算出供电时间。一般情况下，电池制造厂都给出在不同放电信倍率下的电池容量。
无游离酸，电池可倒放90°安全使用。极低的电解液比重，延长寿命。严格的选材及先进的制造工艺，使自放电极小。极低的浮充电流，保证寿命。密封反应效率高.
   
负极上部铅的腐蚀
正极板栅和极群的腐蚀性在铅酸电池的各个设计中都是本来就有的。与之形成明显对比的是负极板位于高度还原气氛，在开口式电池中位于极群汇流排通常浸在电解液液面以下，这样就避免了由于正极板群上冒出的氧气而产生的侵蚀。但是阀控电池的许多设计没有保护极板板耳、极群和汇流排，特别是两者之间的焊接接头。因此，它们暴露在从氧循环中逃溢出来、在电池板群上部的连续的氧气气流中。依赖于板栅（板耳）和极群所选铅合金的一致性和生产质量（需要板栅部分完全溶化焊接和汇流排的低孔隙率），迅速氧化可能就会发生。
三、蓄电池监测系统的研制
为了给蓄电池提供良好的运行环境，在线监测电池的工作状况，电池管理系统（BMS-Battery　Management System）应运而生，成为高可靠电源系统的关键一部分。
1、电池单体的内阻测量
内阻R反比于传输电流的横截面积A。活性物质的脱落、极板板栅和汇流排的硫酸化和腐蚀、干涸都可降低有效的横截面积A，所以可通过测量内阻来检测电池的失效。
内阻和电池状态的相关程度可变性很大。从报导的相关性来看，变化范围从0%到100%。英国电子协会（ERA）对用阻抗监测的实验室设计和商用设计两种产品进行了大量的电池调查，发现二者的准确性在50%以上。一个基本的困难是测量小变化数值的精度问题。正常的300安时备用电流的电阻仅在0.25×10-3欧姆的数量级。因此，很小而且有意义的电阻变化可能观察不到。在下面的操作环境下，问题更加严重。
1）在线测量期间存在的变压器的“噪音”和浮充电压波动引起的干扰。
2）腐蚀裂纹对内阻的影响是有高度方向性的，内阻数值对平行于电流方向的裂隙是相对不敏感的。
3）电解质浓度的变化，继而电池的变化使得结果很难解释。

虽然内阻测量法很难准确测量电池的容量，内阻/容量的对应关系很难复现，但对于BMS来说，内阻测试只是用于电池单体之间的比较，而且计算机可以对内阻的变化进行记录和数据处理来预告电池容量衰减和失效，因此，内阻测试对于BMS而言是关键技术之一。
对于离线或电池开路情况下测量内阻而言，测量时可方便地将激励电流回路与电压测量回路以4端子方式与电池组中的单体相连接，但对于在线测量，很难解决激励和测量的问题。
目前大多采用在电池组两端并联放电器，因为有充电器和电池组并联，需要将充电器停止工作，而且要实时同步测量电池的电流变化和电压变化，很难处理采样干扰。
关于日常检查及维护保管
1．定期对电池进行检查，如发现有灰尘等外观污染情况时，请用水或温水浸湿的布片进行清扫。不要
用汽油、香蕉水等有机溶剂或油类进行清洗，另外请避免使用化纤布。
2．浮充时，电池充电过程中总电压或指示盘上电压表的指标值偏离下表所示基准值时（±0.05V/单
格）应调查原因并作处理。
编辑本段关于电池寿命的说明 
即使UPS使用的是同样的电池技术，不同厂家的电池寿命大不一样，这一点对用户很重要，因为更换电池的成本很高(约为UPS售价的30%)。电池故障会减小系统的可靠性，是非常烦人的事情。
电池温度影响电池可靠性
温度对电池的自然老化过程有很大影响。详细的实验数据表明温度每上升摄氏5度，电池寿命就下降10%，所以UPS的设计应让电池保持尽可能的温度。所有在线式和后备/在线混合式UPS比后备式或在线互动式UPS运行时发热量要大( 所以前者要安装风扇)，这也是后备式或在线互动式UPS电池更换周期相对较长的一个重要原因。
电池充电器设计影响电池可靠性
电池充电器UPS非常重要的一部分，电池的充电条件对电池寿命有很大影响。如果电池一直处于恒压或“浮”型电器充电状态，则UPS 电池寿命能最大程度提高。事实上电池充电状态的寿命比单纯储存状态的寿命长得多。因为电池充电能延缓电池的自然老化过程，所以UPS无论运行还是停机状态都应让电池保持充电。

邵武汤浅蓄电池

模糊数学在模拟电路故障诊断中的应用研究

摘 要：为了研究模糊数学对于模拟电路故障诊断效果的具体影响，分别采用了BP网络和模糊BP网络建立电路故障诊断模型，对电路相同工作状态参数的诊断结果进行比较，得出了依据模糊数学进行数据预处理对提高电路故障诊断精度效果明显的结论。本文具体比较了模糊数学与神经网络结合前后对电路故障诊断精度的影响，突出了将模糊数学应用于数据预处理对建立高效诊断模型的重要作用。 

关键词：模拟电路；故障诊断；模糊数学；BP网络；模糊BP网络 

引言 
电路故障是指在规定的条件下，电路工作时它的一个或几个性能参数不能保持在要求的上、下限之间，其结构、组件、元器件等出现性能减退、老化、破损、断裂、击穿等现象，丧失了在规定条件和环境下完成所需功能的能力。 
长期以来，学界对模拟电路工作特点的研究已相当深入，但对于故障诊断方法的研究却困难较大，这是由于模拟电路本身的特性决定的：1）输入激励和输出响应都是连续量，模拟电路中的故障模型复杂，量化难度大；2）模拟电路信号量程宽，不管电压、电流的量程还是频率都可达十几个数量级，测量难度大；3）模拟电路中的元器件参数具有容差，导致电路的故障状态的模糊性，而无法准确定位；4）模拟电路中存在广泛的反馈回路和非线性问题，使计算的难度更加复杂。因此，学界提出了许多模型和方法来完成对某些符合特定条件的模拟电路的故障诊断。其中神经网络法的使用就相当普遍，在硬和软故障诊断中都有应用，因为神经网络的技术优势针对模拟电路故障诊断有较好的适用性，这主要体现在：1）神经网络的大规模并行处理特点，大大提高了诊断效率；2）自适应与自组织能力使神经网络在学习和训练中改变权重值，发展出新的功能。同时，模糊数学也与神经网络相结合，这是利用了模糊数学对待诊断模拟元器件的故障不确定性进行量化处理，能够有效克服模拟电路元器件因为容差、非线性及噪声造成的电路参数模糊性。 
本文的研究目的就是分别利用单纯BP神经网络和模糊BP神经网络的方法建立模拟电路故障诊断模型，利用电路仿真收集电路不同工作状态下的关键点电压，代入诊断模型并得到诊断结果。根据各网络的结果分析比较各诊断模型的优缺点，找出模糊数学对改进模拟电路故障诊断模型的具体表现。 
1模糊神经网络的故障诊断模型 
1.1典型模糊神经网络诊断模型介绍 
图1显示的是一个典型的模糊神经网络模型，该模型由原始知识获取（Fundamental Knowledge Acquire,FKA）、特征参数处理（Characteristic Parameter Produce,CDP）、知识提取（Knowledge Extracted,KE）、经验知识库（Experience Knowledge Base,EKB）、学习样本集（Learning Sample Set,LSS）和模糊神经网络（Fuzzy Neural Networks,FNN）共6个模块共同组成，其工作流程是： 
图1 典型模糊神经网络诊断模型 
1）原始知识获取模块通过对电路工作原理进行分析，模拟或仿真各类故障发生时输入和输出参数，从而获取原始知识（X，Y），将其传入知识提取模块中供系统学习，所得经验集存入经验知识库中； 
2）将原始知识和已经存放在经验知识库中的经验知识（初始库可为空）一起输入学习样本组织模块中，进行学习样本的构建，合成训练样本集为（X1，Y1）； 
3）将（X1，Y1）输入到模糊神经网络模块，学习训练，并在达到指定精度后停止； 
4）将从模拟电路中获得的实测参数Xc输入至特征参数提取模块中，完成数据分析和处理，输出特征参数数据Xc‘； 
5）将特征参数数据输入到学习收敛后的模糊神经网络中，进行诊断推理，得出诊断结果Yc‘； 
6）将得到的实测数据集（Xc‘，Yc‘）输入学习样本组织模块，动态增强模糊神经网络的自适应能力； 
7）将得到的实测数据集（Xc‘，Yc‘）输入知识提取模块，进行分析和处理，如能提取出经验知识，则归入经验知识库中[1]。 
1.2模糊神经网络结构 
模糊神经网络的结构应该包括4层，如图2所示。 
模糊层的作用是将输入量进行模糊化。每一个模糊层节点对应一个该论域中的模糊子集和隶属函数。该层接收精确数值输入，经过模糊化计算得出对应的隶属度并输出。 
图2 模糊神经网络结构图 
输入层、隐含层和输出层共同构成一个完整的神经网络。输入层不具有运算功能，它只是将所感知的输入值精确传递到神经网络中；隐含层的作用相当于特征检测器，提取输入模式中包含的有效特征信息，使输出层所处理的模式是线性可分的，该层节点是模糊神经元，与输入层间的连接权值是随机设定的固定值；输出层节点也是模糊神经元，与隐含层之间采用全连接方式，其连接权值是可调的，作用是输出用模糊量表示的结果。 
1.3输入层、输出层和隐含层节点数确定 
输入层的个数代表了电路故障诊断的关键测试点的个数N1，输出点为电路所具有的潜在故障模式种类数N3。 
根据输入层和输出层的个数，隐含层节点数N2的确定有以下4种经验公式： 
（1） 
（为0～10之间的常数）（2） 
（为0～10之间的常数）（3） 
（4） 
2模糊数学和神经网络的算法介绍 
2.1模糊数学和隶属度函数 
模糊数学的作用是对测试点测得的电压信号进行特征提取——模糊化处理。因为在模拟电路测试中，参数值会随着故障原因的不同和故障阶段不同而发生变化，所以在进行数据处理时常用方法是使用精确事实规则。即用正态分布函数作为隶属度函数表示“大约为a”的模糊概念，此外还有如三角分布和梯形分布等。在使用中，正态分布使用较多，其中的a是该测试点的理想状态工作点，b为该测试点在各种可能状态下的工作电压均方差。 
2.2BP神经网络与算法 
图3BP神经网络模型结构图 
反向传播网络（Back-Propagation Network，简称BP网络），是一种有隐含层的多层前馈网络。每一层均有一个或多个神经元节点，信息从输入层依次经各隐含层向输出层传递，层间的连接关系强弱由连接权值W来表征。BP算法是一种监督的学习，基本原理是梯度最速下降法，中心思想是调整权值使网络总误差最小。通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差值的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络的误差的影响成正比，并以反向传播的方式传递到每一层。BP网络模型结构如图3所示。 
以BP神经网络模型结构图为例进行BP算法推导，其输入为P，输入神经元有r个，隐含层内有s1个神经元，激活函数为F1，输入层内有s2个神经元，对应的激活函数为F2，输出为A，目标矢量为T。 
1）隐含层输出：（i=1,2,…,s1）（5） 
2）输出层输出： （k=1,2,…,s2） （6） 
3）定义误差函数：（7） 
4）输入层的权值变化量：（8） 
其中： 
同理可得：（9） 
5）隐含层权值变化有： （10） 
其中：

同理： （11） 
BP网络经常使用的是S型的对数、正切激活函数或线性函数。 
3电路故障诊断算法验证 
图4 共集-共射电路的直流通路图 
例：如图4所示的直流通路图，电阻的标称值如图中所注。利用Multism软件在直流状态下进行多次Monte Carlo分析仿真该电路，并考虑电阻的容差影响，取40个样本作为模糊神经网络的训练样本，另取5个样本为测试样本。设电阻R1～R5的容差值为-5%～5%。测试点选为A、B、C、D和E五点，所测电压值为VA、VB、VC、VD和VE。 
表1 部分电路实验样本原始数据 
表2 测试样本原始数据 
表1列举了40组电路实验样本原始数据的11组，包含了该电路在11种工作状态下的五个关键点电压值，所以N1=5，N2=11，隐含层的节点数可以依据公式2.3确定为12个，其中a为5。 
表2则列举了5组测试样本的原始数据。 
步骤一：数据模糊化 
根据用正态分布函数作为隶属度函数表示“大约为a”模糊概念的思路，可以分别得到各测试点上电压隶属度函数的参数值。 
a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。 
由各测试点的隶属度函数可得到网络的训练样本见表3。 
表3 神经网络部分输入、输出训练样本 
步骤二：将训练样本输入神经网络进行训练 
将全部40个原始值和模糊化值的输入样本和对应的输出样本分别输入BP神经网络中进行训练。 
步骤三：将测试样本输入神经网络进行检测 
将全部5个原始值和模糊化值的输入样本和对应的输出样本分别输入已经训练好的BP神经网络中，输出诊断结果见表4。 
表4 输出诊断结果 
表4中的数据是经过故障诊断后得到的结果，在此只是各随机选用了一组数据加以比较说明。通过对故障诊断的试验观察和结果的比较可以作出以下分析。 
1）模糊化数据能够有效减少神经网络的收敛次数。如在BP网络诊断中，使用模糊化数据的迭代次数由886减少到263次，收敛速度明显加快； 
2）模糊化数据能够有效提高神经网络训练的效果。通过表4中数据的对比可以发现对于相同的神经网络，经过模糊化数据的训练，其准确性更高。这主要表现在电路所对应的状态结果普遍高于未经模糊化数据训练的网络得出的结果；同时，其他状态对应的机率更低，皆低于0.1，且更多值为0，说明数据模糊化能使神经网络的诊断结果更集中，正确率更高，有效性更加明显。 
4结论 
通过分别采用BP网络和模糊BP网络建立了电路故障诊断模型，对电路相同工作状态参数的诊断结果进行比较，得出了模糊数学对提高电路故障诊断模型精度和有效性效果明显的结论。模糊数学和神经网路理论的组合有效地提高了模拟电路故障诊断模型的收敛速度，提高了故障诊断的工作效率，还提高了诊断的准确性，有效性得到了充分显示。 

汤浅蓄电池应用领域
该产品广泛应用于通信、电力、储能、UPS、EPS等领域。我们常用的铅酸蓄电池主要分为三类；分别为普通德国阳光蓄电池、干荷蓄电池和免维护蓄电池三种。
1）普通蓄电池；普通蓄电池的极板是由铅和铅的氧化物构成，电解液是硫酸的水溶液。它的主要优点是电压稳定、价格便宜；缺点是比能低（即每公斤蓄电池存储的电能）、阳光蓄电池使用寿命短和日常维护频繁。
2）干荷蓄电池：它的全称是干式荷电铅酸蓄电池，它的主要特点是负极板有较高的储电能力，在完全干燥状态下，能在两年内保存所得到的电量，使用时，只需加入电解液，等过20—30分钟就可使用。
3）免维护蓄电池：免维护蓄电池由于自身结构上的优势，电解液的消耗量非常小，在使用寿命内基本不需要补充蒸馏水。它还具有耐震、耐高温、体积小、自放电小的特点。使用寿命一般为普通蓄电池的两倍。市场上的免维护德国阳光蓄电池也有两种：第一种在购买时一次性加电解液以后使用中不需要维护（添加补充液）；另一种是电池本身出厂时就已经加好电解液并封死，用户根本就不能加补充液. 　铅酸电池有2伏，4伏，6伏，8伏，12伏，24伏等系列，容量从200毫安时到3000安时。VRLA电池是基于AGM（吸液玻璃纤维板）技术和钙栅板的可充电电池，具有优越的大电流放电特性和超长的使用寿命。

结构特点
极板：正极板采用管式极板，可有效的防止活物质的脱落，正极板骨架由多元合金压铸成型，其合金组织晶粒细小致密，耐腐蚀性能好，使用寿命长；负极板为涂膏式极板，板栅为放射状结构，提高了活物质的利用率和大电流放电能力，充电接受能力强；
电解质：主材料采用德国气相二氧化硅制作，刚注入时为稀溶胶状态，能充满电池内整个极板空间，使极板各部反应均匀。其富液量设计，使电池在高温及过充电的情况下，不易出现干涸现象，其热容量大，散热性好，不会产生热失控现象。电解质在成品电池中呈凝胶状态、不流动，所以无漏液及分层现象；胶体电池解液密度极低，一般在1.24～1.26g/ml，对极板的腐蚀较轻；
气相二氧化硅：采用德国进口，分散性能好，性能稳定；
隔板：采用欧洲AMER-SIL公司的胶体电池专用微孔PVC-SiO2隔板，其隔板孔率大，电阻低。具有更大的电解质存储空间，与胶体电解质亲合度高，电池循环使用寿命长；
胶体紧包覆极群：防止活性物质脱落；
维护及保养
月度保养
测量和记录电池房内环境温度，电池外壳温度和极柱温度。逐个检查电池的清洁度、端子的损伤痕迹及温度、外壳及盖的损坏或温度。测量和记录电池系统的总电压、浮充电流。
季度保养
重复各项月度检查。测量和记录各在线电池的浮充电压。
年度保养
重复季度所有保养、检查、每年检查连接部分是否有松动。
每年电池组以实际负荷进行一次核对性放电试验，放出额定容量的30%～40%。
三年保养
每三年进行一次容量试验（10h率），使用六年后每年做一次。若该组电池实放容量低于额定容量的60%，则认为该电池组寿命终止。

公司宗旨是：
对产品负责、对客户负责、对消费者负责、诚信服务是的服务宗旨。公司自成立以来，一直保持着强劲、稳健的发展势头，凭借其高效、安全的产品，真诚、踏实的精神，优质的终端服务和良好的商业信誉，在激烈的市场竞争中得到迅速的发展壮大。面对新的机遇和挑战，遵循现代企业的发展思路，加快自身的发展步伐，努力开发新的营养保健产品，不断为广大消费者提供优质高效的产品。愿我们携起手来，共同开拓销售市场，为全人类的营养健康服务 !规格齐全，价格低廉，税后服务，免维护，用户至上，信誉排名靠前，质量排名靠前，竭诚服务。以高效率的工作方式及良好的商业道德认真对待每一位客户，真正让每一位客户无任何后顾之忧。