Cloud-Enhanced Battery Management System Architecture for Real-Time Data Visualization, Decision Making, and Long-Term Storage
Notice bibliographique
Résumé
The rapid advancement of battery management systems (BMS) in automotive applications demands real-time, automated data acquisition and visualization architectures capable of handling complex battery dynamics. This paper introduces a robust, scalable cloud-based architecture that seamlessly integrates with the physical on-board BMS for enhanced monitoring, predictive analytics, and long-term data storage. The system uses automotive-grade hardware, including an NXP BMS and STM32 microcontroller and an efficient Python-based CAN data decoding algorithm to enable accurate real-time monitoring and visualization via Grafana®. Comprehensive experiments reveal the system's efficiency in tracking critical parameters like cell voltage, temperature, and balancing voltage, ensuring proactive detection of weak and faulty cells, thereby improving battery safety. Key contributions include high-resolution, precision real-time battery data sampling; efficient CAN data decoding; data safety and security; identification of weak cells; and analysis of how data sampling rates and cloud server locations impact communication latency, memory usage, and computational power. Understanding these factors is crucial for the scalability of cloud-based BMS in automotive applications. The proposed architecture will aid in the practical implementation of cloud-enhanced BMS and digital twin-based BMS. It will also benefit second-life applications of retired automotive batteries due to long-term historical data storage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».