Suchen

Tipps zur Wahl der richtigen Ladezustandsanzeige für Akkus

| Autor / Redakteur: Nazzareno Rossetti und Bakul Damle * / Kristin Rinortner

Wählt der Entwickler die richtige Akku-Ladezustandsanzeige aus, kann er damit die Markteinführungszeit seines Gerätes verkürzen und die Laufzeit seines Akkus maximieren. Wir zeigen, worauf es ankommt.

Firma zum Thema

Ladezustandsüberwachung in Wearables: Eine Smartwatch zeigt das Ende der Laufzeit des Akkus.
Ladezustandsüberwachung in Wearables: Eine Smartwatch zeigt das Ende der Laufzeit des Akkus.
(Bild: ©pongsakorn_jun26 - stock.adobe.com)

Wearables treiben einen attraktiven Wachstumsmarkt voran, in dem Smartwatches nach wie vor eine dominierende Rolle einnehmen. Jeder Hersteller will in diesem engen und wettbewerbsintensiven Umfeld mit seinem Produkt als erster auf dem Markt sein, während der Endverbraucher eine möglichst lange und genau ablesbare Akkulaufzeit für sein Gerät verlangt (Bild 1).

Bildergalerie

Der folgende Beitrag diskutiert diese Anforderungen in Bezug auf die Regelung der Akkukapazität. Es wird eine Technik vorgestellt, die diese Herausforderungen meistert.

Die Genauigkeit von Berechnungsroutinen zur Steuerung der optimalen Leistung des Akkus setzt ein hochwertiges Akkumodell voraus, das den Algorithmus für die Akkuladezustandsanzeige lenkt. Nimmt sich der Produktentwickler die Zeit für diese maßgeschneiderte Charakterisierung, führt das zu einer besser definierten Akkuleistung, weniger Ladezustandsfehlern (SOC-Fehler, State of Charge) und einer fehlerfreien Vorhersage, wann der Akku fast leer ist.

Die Energie, die in einem Akku gespeichert ist, also die Kapazität in mAh, hängt von verschiedenen Parametern, beispielsweise Last und Temperatur, ab. Daher müssen Entwickler den Akku unter verschiedenen Bedingungen charakterisieren.

Wenn sie schließlich ein auf das Akkuverhalten abgestimmtes Modell gewonnen haben, wird dieses auf den Chip für die Akkustandanzeige übertragen. Dieser eng überwachte Prozess führt zu einem sichereren Lade- und Entladevorgang. Die Charakterisierung des Ladezustands ist allerdings sehr zeitaufwändig und steht damit dem Ziel, Produkte schnell auf den Markt zu bringen, entgegen.

Die Akkulaufzeit richtig abschätzen

Ist ein Akku schlecht modelliert, wird seine Laufzeit falsch eingeschätzt. Eine typische Smartwatch verbringt im Verlauf eines Tages fünf Stunden in einem aktiven Zustand (einschließlich Aktivitäten wie Zeitangabe, Benachrichtigungen, Benutzen von Apps, Musikwiedergabe, Gespräche und Training) und 19 Stunden in einem passiven Zustand (nur Zeitangabe).

Wenn das Gerät im Verlauf eines Tages im aktiven Modus 40 mA und im passiven 4 mA aufnimmt, benötigt es insgesamt 276 mAh – das entspricht ungefähr der Kapazität eines typischen Smartwatch-Akkus. Eine genaue Voraussage der Akkulaufzeit ist hier notwendig, um unerwartete oder vorzeitige Unterbrechungen im Gerätebetrieb zu vermeiden.

Die Betriebszeit ist genauso wichtig. Im passiven Modus kann der gleiche Akku bis zu 69 Betriebsstunden (276 mAh/4 mA) aufrechterhalten. Eine typische Akkuladezustandsanzeige, die 50 µA aufnimmt, verkürzt die passive Betriebszeit des Akkus um etwa 52 min, was kein geringfügiger Zeitanteil ist.

Der EZ-Algorithmus für Lithium-Ionen-Akkus

Maxim Integrated hat mit ModelGauge m5 EZ, kurz ‚EZ‘, einen Algorithmus entwickelt, mit dem sich der Ladezustand des Akkus genau einschätzen lässt und der sich auf die meisten Akkus sicher anwenden lässt. Der Algorithmus wurde entwickelt, nachdem die Ingenieure die Eigenschaften herkömmlicher Lithium-Ionen-Akkus untersucht hatten.

Der Algorithmus verwendet ein auf eine spezifische Anwendung angepasstes Akkumodell und ist in den ICs für die Ladezustandsanzeige integriert. Entwickler können Akkumodelle mit einem einfachen Konfigurations-Wizard erstellen, der im Evaluation-Kit mitgeliefert wird. Der Systementwickler muss nur drei Informationen eingeben:

  • Kapazität (die Angabe befindet sich meistens auf dem Etikett oder dem Datenblatt des Akkus),
  • Zellspannung, berücksichtigt die Leerlaufspannung des Akkus (abhängig von der Anwendung) und
  • Ladespannung des Akkus (wenn er oberhalb von 4,275 V liegt).

Mit EZ muss der Entwickler keine Charakterisierung des Akkus mehr durchführen, da das im Wesentlichen bereits vom Hersteller der Ladezustandsanzeige getan wurde.

Im EZ-Algorithmus sind verschiedene adaptive Mechanismen enthalten, die die Genauigkeit der Ladezustandsanzeige noch weiter verbessern, da sie aus den Kennwerten des Akkus lernen. Eine dieser Methoden garantiert, dass die Akkuzustandsanzeige gegen 0% läuft, wenn sich die Zellspannung dem Leerzustand nähert. Dadurch meldet die Akkuzustandsanzeige 0% SOC (State of Charge) zu genau der Zeit, an der die Zellspannung den Leerzustand erreicht.

Nimmt man eine Systemfehlerquote von 3 % bei der SOC-Prognose an, besteht das EZ-Modell 95,5 % der gesamten Entladungstestfälle – das liegt sehr nahe an den Vorhersagen aus den arbeitsintensiven Benutzermodellen, die 97,7 % der Prüfungen bestehen. Wie in Bild 2 zu sehen ist, arbeitet der EZ-Mechanismus auf etwa demselben Genauigkeitsniveau, wenn der Akku fast leer ist, also genau zu dem Zeitpunkt, an dem es am kritischsten ist.

Ergänzendes zum Thema
Der EZ-Algorithmus ModelGauge m5

Der EZ-Algorithmus berechnet aus den Messrohdaten den exakten Ladezustand eines Akkus, die absolute Kapazität sowie die Zeit bis zur vollständigen Entladung bzw. bis zur vollständigen Ladung während des Ladevorgangs. Dabei kombiniert der Algorithmus die Kurzzeitgenauigkeit und Linearität eines Ladungszählers (Coulomb Counter) mit der Langzeitstabilität einer spannungsbasierten Ladezustandsmessung. Kern des Algorithmus bildet die Messung der Leerlaufspannung (OCV=open circuit votage), welche mit dem Ladezustand (SOC%) korreliert.

Diese Beziehung ist weitgehend unabhängig vom Alter der Zelle. Wenn die Akkuzelle erstmals mit dem IC zur Ladezustandsmessung verbunden ist, wird die Leerlaufspannung sehr stark gewichtet in Bezug zum Ausgabewert des Ladungszählers. Wenn die Akkuzelle anschließend im Gerät weitere Lade-/Entladezyklen durchläuft, verbessert sich die Genauigkeit des Ladungszählers. Der EZ-Algorithmus ändert nun die Gewichtung, sodass das Ergebnis des Ladungszählers dominiert. Von diesem Punkt an wechselt der Ladezustandsmess-IC in den Servomischbetrieb.

Dieser bietet eine kontinuierliche Fehlerkorrektur des Ladungszählers, abhängig von der Leerlaufspannungsmessung. Damit lassen sich Abweichungen zwischen dem Ladungszähler und der Leerlaufspannungsschätzung schnell korrigieren. Das resultierende Ergebnis ist nicht durch akkumulierte Drift des Offset-Fehlers der Strommessung verfälscht und ist stabiler als ein nur auf der Leerlaufspannungsschätzung basierender Algorithmus. Die Korrektur am Ladungszähler erfolgt kontinuierlich, sowohl während die Anwendung aktiv ist, als auch im Standby-Zustand.

In der Praxis bedeutet das, dass die Ladungszähler mehr als 200000 Mal am Tag korrigiert werden. Die internen Anpassungen erfolgen immer als kleine Korrekturen. Auf diese Weise werden sowohl eine Instabilität als auch sprunghafte Änderungen in der Ladungsanzeige vermieden. Das Lernen erfolgt automatisch ohne den Host-Controller. Durch die selbstlernenden Eigenschaften werden Alterungserscheinungen der Batterie berücksichtigt. Das ist ein entscheidender Vorteil im Vergleich zu anderen Algorithmen, die auf einem starren Batteriemodell arbeiten und somit im Laufe der Zeit Genauigkeit einbüßen.

Artikelfiles und Artikellinks

(ID:44883261)