本申请提出了一种物联网模块中纽扣电池电量检测方法，包括：S1、采集所述纽扣电池在正常工作时和产生电压降时的电压数据，并进行BP神经网络训练；S2、将BP神经网络模型移植到单片机中；S3、利用所述单片机采集多次所述纽扣电池的实时电压数据，并进行归一化处理；S4、判断所述归一化结果是否大于第一预设阈值，若是，则以第一分压比值对所述实时电压数据进行反推计算；若否，则以第二分压比值进行反推计算；S5、将所述实时电压数据的反推计算结果输入所述BP神经网络模型，根据模型的预测结果计算所述纽扣电池的实际电池电量。本申请的电池电量检测方法成功解决了因为ADC采样时机不当而引发的电池电量的错误估算，从而避免引发误报警的情形。报警的情形。报警的情形。
【技术实现步骤摘要】
一种物联网模块中纽扣电池电量检测方法和装置
[0001]本申请涉及纽扣电池电量检测
，具体涉及一种物联网模块中纽扣电池电量检测方法和装置。
技术介绍
[0002]当前，物联网技术的飞速发展，它通常广泛部署具有嵌入式识别、传感和驱动功能的空间分布设备，将互联网和Web扩展到物理领域。有些物联网产品受到自身尺寸的限制，一般采用纽扣电池供电，因此，对纽扣电池的电量进行实时监测，对于高效准确的电源管理，提升系统的工作效率具有十分重要的意义。
[0003]当前工程应用中，一般采用实时电压来估算当前电量。然而，当物联网模块启动无线射频模块进行数据传输的瞬间，需要大电流才能工作，此时会产生一定的压降，甚至引起系统模块低压复位，如图1所示。如果此时按照采集的实时电压进行电池电量的计算，误差会很高，也会引发电量低的误报警，对于整体的系统的稳定性和可靠性产生了不利的影响，一定程度上阻碍了物联网技术的普遍推广和技术发展。
[0004]纽扣电池放电有个大致的趋势，第一阶段，全新的纽扣电池电压在3.3V左右，安装到设备上电压会迅速下降到3V。第二阶段，此时电池电量充足，电压会相对稳定在3.0V
‑
2.6V这个范围缓慢降低；第三阶段，电池电量即将耗尽，电池电压下降到2.6V之后急速下降。纽扣电池不同于可充电电池，该种电池为一次性放电电池，无法获得充放电特性曲线。并且厂商提供的放电特性曲线是在极小的放电电流情况下才具有参考性，因此无法根据放电特性曲线来估算实际的电量百分比。
[0005]当前的工程应用中纽扣电池电量采集一般根据经验公式计算，即采用标称电压(3.0V)与截至电压(2.6V)得出满电量的电压变化值，然后采集实时电压计算出电量百分比。该种计算电量的方法忽视了无线终端发送数据时瞬间开启射频对电池造成的冲击。采用实时电压来估算当前的电量值的准确性受到ADC采样的时机，采样值滤波算法等因素较大。一般可以选择不开启射频时，或者短暂开启射频的瞬间进行采样，后一种得到的数据很不稳定。并且目前没有成熟的方案判断出合适的采样时机，从而无法有效地避免射频模块开启瞬间引起的电压降造成的电池电量计算失误，引发误报警的情形。
技术实现思路
[0006]为了解决上述技术问题，本申请提出了一种物联网模块中纽扣电池电量检测方法和装置。
[0007]根据本申请的第一方面，提出了一种物联网模块中纽扣电池电量检测方法，包括以下步骤：
[0008]S1、采集所述纽扣电池在正常工作时和产生电压降时的电压数据，并将所述电压数据作为训练集进行BP神经网络训练，构建出BP神经网络模型，优化模型时，将所述BP神经网络模型预测错误的所述电压数据纳入所述训练集重新训练学习，训练得到优化后的所述
BP神经网络模型；
[0009]S2、将所述BP神经网络模型移植到单片机中；
[0010]S3、利用所述单片机间隔采集多次所述纽扣电池的实时电压数据作为一组数据，并对该组所述实时电压数据进行归一化处理；
[0011]S4、判断所述归一化结果是否大于第一预设阈值，若是，则以所述纽扣电池在正常工作状态下的第一分压比值对所述实时电压数据进行反推计算；若否，则以所述纽扣电池在产生电压降状态下的第二分压比值对所述实时电压数据进行反推计算；以及
[0012]S5、将所述实时电压数据的反推计算结果输入到训练好的所述BP神经网络模型中，根据所述BP神经网络模型输出的预测结果计算所述纽扣电池的实际电池电量。
[0013]优选的，所述步骤S5中所述根据所述BP神经网络输出的预测结果计算所述纽扣电池的实际电池电量具体包括：
[0014]判断所述BP神经网络输出的预测结果是否大于第二预设阈值；
[0015]若是，则将当前电压变化值与满电量电压变化值相除，计算得到所述纽扣电池的实际电池电量；
[0016]若否，则以上一次的电量作为所述纽扣电池的实际电池电量；
[0017]其中，所述当前电压变化值为所述纽扣电池的标称电压与所述实时电压数据的反推计算结果的差值，所述满电量电压变化值为所述纽扣电池的标称电压与截止电压的差值。
[0018]优选的，所述BP神经网络包括输入层、隐藏层和输出层，其中，所述输入层的神经元节点数为15个，所述隐藏层的神经元节点数为6个，所述输出层的神经元节点数为1个。
[0019]优选的，在所述步骤S3中，所述单片机通过定时器的中断间隔采集多次所述纽扣电池的实时电压数据，其中，开启采样的随机时间为500ms
‑
5s，中断采样的随机时间为500ms
‑
10s。
[0020]优选的，在所述步骤S5中，多个连续的所述实时电压数据的反推计算结果为一组输入到所述BP神经网络中，当判断所述BP神经网络输出的预测结果大于所述第二预设阈值时，对多个所述实时电压数据的反推计算结果进行均值滤波，并根据均值滤波后的电压值计算得到所述纽扣电池的实际电池电量。
[0021]优选的，在所述步骤S5之后，还包括：
[0022]当检测到所述纽扣电池的实际电池电量低于第三预设阈值时，开启警报。
[0023]根据本申请的第二方面，提出了一种物联网模块中纽扣电池电量检测装置，包括：
[0024]模拟电压降模块，配置用于模拟所述纽扣电池的正常工作状态和产生电压降状态；
[0025]电压采集模块，配置用于采集所述纽扣电池在正常工作时和产生电压降时的电压数据；
[0026]所述控制模块，配置用于间隔采集多次所述纽扣电池的实时电压数据作为一组数据，并对该组所述实时电压数据进行归一化处理；判断所述归一化结果是否大于第一预设阈值，若是，则以所述纽扣电池在正常工作状态下的第一分压比值对所述实时电压数据进行反推计算；若否，则以所述纽扣电池在产生电压降状态下的第二分压比值对所述实时电压数据进行反推计算；将所述实时电压数据的反推计算结果输入到训练好的所述BP神经网
络模型中，根据所述BP神经网络模型输出的预测结果计算所述纽扣电池的实际电池电量。
[0027]优选的，所述模拟电压降模块包括模拟控制开关Q1，电阻R1、R2、R3，以及电容C1；所述电阻R1的一端连接所述纽扣电池的正极，且另一端与所述电阻R2的一端、所述电容C1的一端以及所述模拟控制开关Q1的漏极连接；所述电阻R3的一端连接所述模拟控制开关Q1的源极；所述电容C1和所述电阻R2、R3的另一端接地；
[0028]所述电压采集模块为型号AD7705的ADC，所述电压采集模块的输入端与所述电阻R1、R2的公共端连接；
[0029]所述控制模块为STM32单片机，所述控制模块的控制引脚连接所述模拟控制开关Q1的栅极，所述控制模块的输入引脚连接所述电压采集模块的输出端；
[0030]其中，所述控制模块控制所述模拟控制开关Q1开启的随机时间长度为500ms～5s，所述控制模块控制所述模拟控制开关Q1关断的随机时间长度为500ms～10s。...
【技术保护点】
【技术特征摘要】
1.一种物联网模块中纽扣电池电量检测方法，其特征在于，包括以下步骤：S1、采集所述纽扣电池在正常工作时和产生电压降时的电压数据，并将所述电压数据作为训练集进行BP神经网络训练，构建出BP神经网络模型，优化模型时，将所述BP神经网络模型预测错误的所述电压数据纳入所述训练集重新训练学习，训练得到优化后的所述BP神经网络模型；S2、将所述BP神经网络模型移植到单片机中；S3、利用所述单片机间隔采集多次所述纽扣电池的实时电压数据作为一组数据，并对该组所述实时电压数据进行归一化处理；S4、判断所述归一化结果是否大于第一预设阈值，若是，则以所述纽扣电池在正常工作状态下的第一分压比值对所述实时电压数据进行反推计算；若否，则以所述纽扣电池在产生电压降状态下的第二分压比值对所述实时电压数据进行反推计算；以及S5、将所述实时电压数据的反推计算结果输入到训练好的所述BP神经网络模型中，根据所述BP神经网络模型输出的预测结果计算所述纽扣电池的实际电池电量。2.根据权利要求1所述的物联网模块中纽扣电池电量检测方法，其特征在于，所述步骤S5中所述根据所述BP神经网络输出的预测结果计算所述纽扣电池的实际电池电量具体包括：判断所述BP神经网络输出的预测结果是否大于第二预设阈值；若是，则将当前电压变化值与满电量电压变化值相除，计算得到所述纽扣电池的实际电池电量；若否，则以上一次的电量作为所述纽扣电池的实际电池电量；其中，所述当前电压变化值为所述纽扣电池的标称电压与所述实时电压数据的反推计算结果的差值，所述满电量电压变化值为所述纽扣电池的标称电压与截止电压的差值。3.根据权利要求1所述的物联网模块中纽扣电池电量检测方法，其特征在于，所述BP神经网络包括输入层、隐藏层和输出层，其中，所述输入层的神经元节点数为15个，所述隐藏层的神经元节点数为6个，所述输出层的神经元节点数为1个。4.根据权利要求1所述的物联网模块中纽扣电池电量检测方法，其特征在于，在所述步骤S3中，所述单片机通过定时器的中断间隔采集多次所述纽扣电池的实时电压数据，其中，开启采样的随机时间为500ms
‑
5s，中断采样的随机时间为500ms
‑
10s。5.根据权利要求2所述的物联网模块中纽扣电池电量检测方法，其特征在于，在所述步骤S5中，多个连续的所述实时电压数据的反推计算结果为一组输入到所述BP神经网络中，当判断所述BP神经网络输出的预测结果大于所述第二预设阈值时，对多...
【专利技术属性】
技术研发人员：郭伟杰，李光耀，谭兴柏，史晓武，康傲，杨浩，陈灿彬，吕毅军，高玉琳，陈忠，
申请(专利权)人：厦门大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。