CN110709717A - 基于松弛电压估计移动设备的电池健康的方法 - Google Patents

Abstract

移动设备仅在其电池持续时才是有用的。遗憾的是，移动设备的电池的操作和寿命随时间和使用而退化。电池的健康状况(SoH)对电池退化进行量化，但是移动设备对其估计的支持主要由于有限的硬件和动态使用模式而非常差，导致诸如意外关闭设备的各种问题。为了弥补这种支持的缺乏，针对移动设备仅基于其电池电压开发了低成本用户级SoH估计服务，其已经在所有的商用移动设备上可用。该估计服务的设计受设备电池的松弛电压对其SoH进行指纹识别的经验观测的启发，并且通过对13块诸如Nexus 6P、Nexus 5X、Xperia Z5、Galaxy S3、iPhone 6 Plus等的各种设备所使用的13块电池的广泛测量来指导。

Description

基于松弛电压估计移动设备的电池健康的方法

政府条款

本发明是在根据美国国家科学基金会授予的第CNS1446117号资助的政府支持下完成的。政府在本发明中享有一定权利。

相关申请的交叉引用

本申请要求于2017年4月17日提交的美国临时申请第62/486,144号的权益，上述申请的全部公开内容通过引用并入本文。

技术领域

本公开内容涉及基于松弛电压估计移动设备的电池健康的方法。

背景技术

电池，作为移动设备的心脏，近来已展现出严重的安全和财政风险(例如，最近的Samsung Note7危机)，这主要是由于不断地追求小型化、快速充电以及高能量/高功率密度电池以满足持续增长的p/服务需求，从而使得电池的全息监视和诊断至关重要。

遗憾的是，我们甚至不能自信地回答一个简单的问题“我的手机电池能持续使用多长时间？”，这意指剩余的电池寿命(例如，相对于电池保修期)或者在电池耗尽之前的剩余设备操作时间(即，单次充电的操作时间)，因此妨碍了对缩短的设备操作时间的诊断并导致意外的设备关闭。这是因为答案是建立在对电池容量衰减的量化的基础上的，电池容量衰减的量化传统上通过电池的健康状况(SoH)捕获并且被定义为电池的完全充电容量与设计容量的比率。不幸的是，移动设备不配备有量化其电池SoH所需的功能。例如，Android仅将电池健康指定为良好或者用尽，没有任何量化信息。图1描绘了利用电池测试仪对四部Android手机的电池SoH的测量：所有电池都被标记为良好，尽管观测到它们的容量已经衰减了多达52％。诸如CoconutBattery和iBackupBot的iOS应用对iPhone和MacBook的电池SoH进行估计，但是它们的估计被认为是不可靠的且波动的。

量化的电池SoH的缺乏阻碍了对设备的电池寿命与其保修期的比较，因为用户不知道缩短的设备操作时间是由于***更新还是应用安装，还是是由于电池衰退。这还在估计设备的剩余电力时引入错误从而过早地或意外关闭设备，因为电池的充电状态(SoC)是基于它们的SoH来定义的。例如，移动设备甚至在显示10-30％剩余电力时已经被关闭。由于这个问题，Apple最近宣布了iPhone 6S电池的免费更换方案，并得出结论：比正常速度快的SoH退化导致了这个问题。最后但同样重要的是，这种不准确的SoC容易导致电池过充电/深度放电，从而加速SoH退化以及因此增加SoC误差，从而在这两者之间形成正反馈回路。

移动设备电池的健康信息的缺乏源于不存在估计它们的SoH的兼容方法。大多数现有的SoH估计方法需要电池参数——对电池参数的确定由于硬件限制(例如，阻抗和超声回波)而超出了移动设备的能力，或者需要由于设备的动态使用模式(例如，用以完全充电和放电的小电流)而并非总是保持的特定适用条件。此外，即使Coulomb计数——部署最广泛的通过电流积分的SoH估计方法——在移动设备上也并不被良好地支持，这是因为：(i)并非所有的移动设备的电源管理芯片(PMIC)都支持电流感测，这使得Coulomb计数不可行；以及(ii)PMIC提供的电流信息即使在可用时也是粗略的并且缺乏实时性的。关于移动设备的这样的不可靠的电流信息也被Ampere报告，Ampere是具有数百万次下载的电流感测应用。

这部分提供了与本公开内容相关的背景信息，这些背景信息不一定是现有技术。

发明内容

这部分提供了对本公开内容的一般概述，而并非对其全部范围或其全部特征的全面公开。

提出了一种用于估计向诸如手机或移动设备的装置供电的可再充电电池的健康状况(SofH)的方法。针对装置所使用的给定类型的电池提供指纹集，其中，每个指纹将电池的量化SofH链接至用于电池的松弛电压的给定预定模型，并且给定预定模型描述了在电池休眠时的固定时间段内的两个或更多个点处的电池的松弛电压。该方法包括：在给定电池休眠时的固定时间段内测量给定类型的给定电池的电压；根据电压测量来构建给定电池的当前模型；以及通过比较当前模型和指纹集来确定给定电池的SofH。优选地对电池充电直到电池被完全充电，并且在给定电池被完全充电之后测量给定电池两端的电压。

在示例实施方式中，使用回归分析构建当前模型。例如，通过以下操作来构建当前模型：将电压测量拟合成指数函数；使用指数函数对电压测量进行滤波；以及使用移动平均对经滤波的电压测量进行平滑，从而得到给定电压的当前模型。指数函数还可以被定义为幂函数。也可以通过应用主分量分析来降低电压测量的维度。

在示例实施方式中，使用回归树将当前模型和指纹集进行比较。

在某些情况下，由于后台任务而难以获得不间断的电压测量。为了解决这种情况，识别电池休眠时的时间段，从所识别的时间段中提取电压测量，以及根据所提取的电压测量构建当前模型。可以基于所确定的电池Sofh提供不同的电池服务。例如，可以使用所确定的电池的SofH将电池的可用容量转换为剩余使用时间，该剩余使用时间又可以被显示给装置的用户。

根据本文提供的描述，其它适用领域将变得明显。本发明内容中的描述和具体示例仅旨在用于说明的目的并不旨在限制本公开内容的范围。

附图说明

本文描述的附图仅用于说明所选实施方式的目的而并非所有可能的实现，而且并不旨在限制本公开内容的范围。

图1是示出了不同移动设备的不足的SoH信息的图；

图2是示出了电池SoH的图；

图3A至图3F是描绘不足的采样速率如何放大Coulomb计数中的误差的图；

图4A是示出在一个充电/休眠/放电循环期间的电压曲线的图；

图4B是示出电池SofH如何在多个循环上退化的图；

图4C是示出松弛电压如何在松弛时段期间下降的图；

图4D是示出放电后的松弛电压还对电池SoH进行指纹识别的图。

图5是描绘用于估计可再充电电池示出的健康状况(SofH)的示例方法的流程图。

图6是描绘估计方法的示例实施方式的图；

图7是示出SoH退化的线性拟合的图；

图8是示出收集的松弛电压的图；

图9是示出幂函数拟合优度的图；

图10是示出松弛电压的不同维度高度相关的图；

图11A至图11D是针对不同电池类型的回归模型的混淆矩阵；

图12A至图12F是示出通过动态时间规整的退化过程之间的相似性的图；

图13是示出电压降和SofH之间的线性度的图；

图14A至14B是示出电池的起始电压水平是如何影响松弛时间的图；

图15是示出用户通常在夜间给设备充电多长时间的图；

图16是示出夜间充电之后的休眠电压的图；

图17是示出在休眠期间温度稳定的图；

图18A至图18C是示出充电之后的松弛电压对放电不敏感的图；

图19A至图19D是示出微电流充电污染所收集的松弛电压以及如何从被污染的轨迹中提取子轨迹的图；

图20A至图20F是示出针对所提出的估计方法的实验室实验结果的图；

图21A至图21E是示出针对所提出的估计方法的现场测试结果的图；

图22A至图22C是示出通过SofH估计所补偿的充电状态和剩余操作时间估计的图；

图23是示出异常电池行为检测的图；

图24是示出跨用户电池比较的图；

图25是示出电池阻抗监视的图；以及

图26是用于在移动设备中实现电池服务的***的图；

贯穿附图中的若干视图，相应的附图标记指示相应的部件。

具体实施方式

健康状况(SoH)是最关键的电池参数之一，健康状况(SoH)量化电池的容量衰减，并且被定义为电池的完全充电容量C_完全充电与其设计水平C_设计的比率

健康状况(SoH)是最关键的电池参数之一，健康状况(SoH)量化电池的容量衰减，并且被定义为电池的完全充电容量C_完全充电与其设计水平C_设计的比率

C_完全充电是SoH估计的基础，其通常通过Coulomb计数进行估计，即，在两个SoC水平之间对在对电池放电/充电时的电流进行积分以计算放电容量/充电容量如下

其中，i(t)是时间t处的电流。这样，我们得知

商用移动设备并未在可用性、准确度以及时效性方面良好地支持Coulomb计数，从而使得难以对其电池SoH进行估计。

首先，并非所有的PMIC，或者更具体地，并非所有移动设备的燃料计量仪都支持电流感测。

此外，PMIC提供的电流信息即使可用也是非常粗略的。商用移动设备使用串联的电阻器r来估计它们的电流，测量电阻器两端的电压v，并将电流估计为i＝v/r。电阻器引起加热的副作用(即，i²r)，该副作用一定要小，因此需要小的r。例如，准则要求<0.5mW加热开销，这指示对于以100mA电流操作的设备，r<50mΩ。然而，这样的小值会减小电阻器两端的电压并从而使电流感测准确度降低。另外，电阻取决于变化的温度，而温度变化容易引起5-10％的电阻变化。

最后，电流信息可能缺乏时效性，时效性对于Coulomb计数是关键的，因为设备的电流被认为是高度动态的，即，在几毫秒内从数十毫安变化到数千毫安。例如，Android的BatteryManager仅支持两种采样速率：每1分钟采样一次和每10分钟采样一次。即使直接访问PMIC提供的电流信息也可能不能实现细粒度的电流感测，这是因为其更新频率低。为了说明由于不足的采样速率而导致的退化的Coulomb计数，使用在5000Hz处运行的Monsoon电力监视器从Galaxy S5手机中收集12分钟的电流轨迹，在这期间放电114mAh容量。然后，基于这个轨迹，通过模拟1Hz、1/30Hz、1/60Hz以及1/120Hz的不同采样速率来实现Coulomb计数，分别实现115mAh、109mAh、98mAh以及60mAh的放电容量——不足的采样速率引起高达47％的计数误差(图3)。注意：Coulomb计数的误差随着时间累积。

移动设备在支持Coulomb计数方面的不足以及它们有限的SoH信息激励我们去研究无电流SoH估计，无电流SoH在本文中也被称为V-Health估计法。

V-Health估计法建立在电池的松弛电压对它们的SoH进行指纹识别的关键发现上。这个发现利用2200mAh的Galaxy S3电池来论证。具体地，电池通过以下操作被测试：(i)利用如锂离子电池数据表中通常指定的<0.5C，4.2V，0.05C>_cccv的恒流恒压(CCCV)配置对电池进行完全充电，(ii)将电池休眠30分钟，(iii)以0.5C速率对电池进行完全放电直到达到3.3V的截止电压，在该截止电压下移动设备通常会关闭，以及(iv)将这个过程重复300次循环。该测量使用NEWARE BTS4000电池测试仪来进行，并且该循环过程(即，电流、电压、时间戳)以1Hz来记录。图4描绘了在一个这样的充电/测试/放电循环期间的电池电压，并突出显示了测试期间的松弛电压。松弛电压在休眠时瞬间下降，然后逐渐降低直到其收敛。

在放电期间，通过Coulomb计数收集电池的完全充电容量(以及根据等式(1)的电池SoH)，从而记录循环测量期间的电池退化过程，如图4B所示。另外，收集300个松弛电压的时间序列，每一个在30分钟休眠时段之一期间，如图4C所示。图4B和图4C的比较显示：在循环测量期间由于电池的容量衰减而导致电池SoH退化，而在同一测量期间，电池的松弛电压下降，这展现出用松弛电压对电池SoH进行指纹识别的可能性。

还观测到SoH退化和电池放电之后的松弛电压之间的相关性，如图4D中的120个循环的测量所示。注意：为了清楚起见，并未绘制所有的松弛轨迹。在每个循环中，电池以<0.5C，4.2V，0.05C>_cccv被充电，以0.5C速率被放电直到达到3.5V的截止电压，并使电池休眠30分钟。电池SoH在测量过程中退化，同时松弛电压增加。

V-Health估计法利用这种电压-SoH关系，通过利用离线构建的指纹图谱检查设备电池的松弛电压来估计设备电池的SoH。图5提供了用于估计可再充电电池的健康状况(SofH)的示例方法的概述。首先，在51处，针对给定类型的电池构建指纹集。每个指纹将电池的量化SofH(例如，初始容量的70％或85％)链接到用于电池的松弛电压的预定模型。该模型描述了在电池已被完全充电之后的固定时间段内的两个或更多个点处的电池的松弛电压。用于构建指纹的技术将在下面进一步描述。在移动设备的情况下，指纹集被预先确定并且存储在移动设备的计算机存储器中以供后续使用。

为了估计SofH，在52处，在电池休眠时的相同时间段(例如，30分钟)内测量电池电压(与用于构建指纹的那些电池相同类型的电池的电压)。在示例实施方式中，将电池充电至完全容量，然后使其休眠。然后在对电池充电紧之后的休眠时段期间进行电压测量。设想到：可以在其它休眠时段期间但是优选地在其中构建指纹的相同条件下测量电池电压。

根据电压测量，以与用于构建指纹的方式相同的方式构建松弛电压的当前模型。在示例实施方式中，采用下文将进一步描述的回归分析构建松弛电压的模型。然后，在54处，将当前模型和指纹集中的每个模型进行比较。在示例实施方式中，基于由回归树定义的决策规则集，将当前模型和指纹集中的模型进行比较。电池的SofH被认为是与模型相关联的量化值，该模型是与当前模型最密切相关的模型，如55处所示。例如，如果当前模型与链接有75％SofH的模型密切相关，则电池的SofH被估计为75％。

图6进一步描述了用于基于松弛电压对电池健康进行估计的示例实施方式。顶部描绘了如何构建指纹；而底部描绘了移动设备如何使用指纹进行估计。

电池的SoH退化和松弛电压的知识在表征它们与大量的电池循环测试的关系时是必要的。这样的测试在诸如Samsung和Apple的智能手机OEM对它们的产品进行测试时是易于获得的，但是对于非OEM研究者/工程师是不可获得的。

因此，如表3中总结的，使用用于各种移动设备的13个电池进行大量的电池循环测量(包括图4中示出的)；所述测量总共包括7462个循环，并且累计持续超过44个月。

表3

在这些测量中，<0.5C,4.2V,0.05C>_cccv以及V_截止＝3.0V的设置通常用于在电池测试期间指定电池的工业性质，并且V_max＝4.35V和3.2-2.2V的V_截止指定更多的设备特性：移动设备通常被充电至4.3-4.4V的最大电压并且在它们的电池电压减小到3.2-3.3V时被关闭。

尽管这些超过44个月的测量可能不足以捕获完整的电池退化(从100％至0％SoH)，但是它们足以识别在用户体验最多的SoH范围内的电压-SoH关系(例如，用户很少在旧电池退化到0％SoH时才更换新电池)。此外，由此识别的电压-SoH关系可以被扩展到这些测量未覆盖的SoH范围。

针对指纹的构建，使用基于4个Galaxy S3电池的12次这样的测量对基于电压的SoH指纹图谱的构建进行详细设计。这12次测量中的每一个都包括≈300个以1Hz记录的充电/休眠/放电循环。通过这种方式，收集12个SoH退化轨迹，每个轨迹都来自一次测量，并且记录松弛电压的3612个时间序列，每个时间序列都来自循环内的休眠时段。同样的指纹图谱构建方法被应用至表3中的所有电池并且被评估，如随后将在本公开内容中说明的。

在SoH退化和松弛电压中均存在偏差/噪声(如图4中观测到的)，其很可能是由于电池动态化导致的，尤其是在考虑稳定的实验室环境(即，连接了UPS并且具有室温控制)和电池测试仪的高准确度时(即，在控制循环过程时的小于0.5％的误差)时。在电池测量中的这样的偏差也已被报告，其迫使在构建指纹图谱之前对数据进行预处理(例如，滤波和平滑)。在示例实施方式中，使用针对SoH退化和松弛电压的两个经验性建立的模型对所收集的数据进行滤波和平滑。

电池健康被示出为近似线性地退化(如图4B中观测到的)直到其确实变得劣质。为了进一步验证这种线性退化，对收集的12个SoH退化过程应用线性拟合，并且它们中的所有在均方根误差(RMSE)和R平方方面均具有优良的拟合优度，如图9所示，在图9中，每个点代表特定SoH退化过程的拟合优度。基于该线性模型可以将异常SoH样本移除——那些偏离线性拟合太多(例如，>0.5％SoH)的SoH样本被标记为异常样本并且被移除。然后，使用移动平均对剩余的样本进行平滑。

在这种背景下，描述了用于根据电压测量集构建当前模型的示例方法。在示例实施方式中，V-Health估计法首先将电压测量拟合成指数函数。具体地，该方法基于松弛电压符合幂函数的另一经验观测对松弛电压进行滤波和平滑。参照图8，幂函数被定义为v(t)＝a·t^b+c(t≥0)，其中t是自休眠开始的时间，并且a、b和c是系数，所述系数的值都是从拟合获得的。为了进行说明，将幂函数应用于收集的3612个松弛电压轨迹以统计性地证实这个观测。图9总结了拟合优度——拟合RMSE的范围在0.0009以下并且R平方的范围在0.965以上，这示出优良的拟合准确度。注意：这个幂函数模型不同于现有的具有指数状松弛电压的模型。图9还描绘了在将相同的松弛电压集拟合成1项指数函数和2项指数函数，即，v(t)＝a·e^t·b(t≥0)和v(t)＝a·e^t·b+c·e^t·b(t≥0)时的拟合优度，其示出相当好的准确度，但是不及幂函数拟合的准确度好。从而，其它类型的函数也可以被用于拟合电压测量。

V-Health估计法使用这个幂函数模型对松弛电压进行滤波，例如，将具有最低5％的拟合优度的松弛电压轨迹标记为异常轨迹并将这些测量丢弃。然后，再次使用移动平均平滑器对剩余的有效松弛电压轨迹进行平滑，然而本公开内容也考虑其它的平滑技术。在一些实施方式中，剩余的电压测量用作电池的当前模型。

注意：如果SoH样本被标记为异常样本，则在同一循环中的松弛电压也被标记为异常电压，反之，如果SoH样本被标记为正常样本，则在同一循环中的松弛电压也被标记为正常电压。另外，V-Health估计法仅基于这些经验模型来滤除异常值，而不是使用模型拟合结果来构建指纹图谱，从而减轻了其对模型准确度的依赖。作为示例，在数据预处理之后，从如图4所示的300个循环的测量中选择268个SoH样本和松弛电压轨迹。其它用于对电压测量进行滤波和平滑的技术也落入本公开内容的较广阔方面。

所收集的松弛电压中的每一个都覆盖以1Hz记录的30分钟的休眠时段，从而产生30×60＝1800个维度的数据。另外，在这些维度的每一个中的电压值都是相关的。图10描绘了从图4中选择的1800个维度的268个松弛电压中的每一对之间的相关性，其中，在大多数情况下观测到强相关性(其中，相关性系数≈0.8或更高)。在示例实施方式中，通过应用主分量分析(PCA)降低维度。这样的高相关性、高维度的松弛电压论证了V-Health估计法使用PCA来降低维度从而减少在构建指纹图谱时的计算量的正确性。再次以图4中的测量为例，应用PCA以99％的偏差将松弛电压维度从1800降低至35。这些所产生的电压测量又用作当前模型或者指纹。在一些实施方式中，应当理解：可以应用其它的降低方法或者可以将维度的降低省略。

在示例实施方式中，V-Health估计法使用回归树构建指纹图谱，其中，将以上获得的主分量作为预测器，并且将对应的SoH作为响应。图11描绘了在验证针对每个电池构建的回归模型时的混淆矩阵，其示出了在形成具有4％步长的5个SoH类别时的超过95％的分类准确度。注意：这个4％步长只是为了视觉清晰，而更细粒度的0.1％步长SoH被用于本公开内容中的随后的V-Health估计法的评估。尽管回归树由于其简单性和高可解释性而被使用，但是，本公开内容也考虑其它比较方法，诸如SVM、KNN以及它们的变型。此外，其它的建模技术也落入本公开内容的范围。

构建的指纹图谱必须适用于所有同型号的电池，这可以通过以下两个统计观测来验证。首先，测量中所使用的四个电池的SoH退化高度相关，如下面的表4所示。

表4

电池	#1	#2	#3	#4
					#1	1	0.989	0.981	0.980
#2	0.989	1	0.988	0.980
					#3	0.981	0.988	1	0.984
#4	0.980	0.980	0.984	1

其次，可以通过动态时间规整来评估四个电池的SoH退化过程之间的相似性，并且所产生的规整路径接近针对每个电池对的降解矩阵的对角线，这展现出强相似性。这些见解支持V-Health估计法的一般性：即，利用一个(或更多个)电池对指纹图谱进行训练并且将其应用到其它同型号的电池。

理想地，由于OEM能够访问例如覆盖完整的电池SoH范围的电池循环数据集，因此要由OEM提供V-Health估计法。在有限数据集可用的情况下，可以基于休眠期间的电压降和电池SoH之间的线性关系进行推断。再者，使用图4中的循环测量来示出该观测。图15描绘了在每个循环的休眠时段期间当电池休眠10分钟、20分钟和30分钟之后的电压降，以及该循环期间的对应电池SoH。可以看到下降的电压的所有三个轨迹中的清楚的线性关系，其中，RMSE在线性拟合之后大约为10。该观测使得能够基于可用的循环数据集来识别线性系数，生成与未被覆盖的SoH对应的松弛电压，并最终构建完整的电压指纹图谱。

进一步对在移动设备上收集松弛电压进行描述。由于以下原因，并非总能在移动设备上收集到松弛电压。首先，松弛电压要求电池处于空闲(即，在循环测量中的30分钟休眠时段期间)。然而，由于设备监视和后台活动，移动设备即使在空闲模式下也会以持续且动态的电流对它们的电池进行放电。另外，电池电压与温度有关，因此，需要稳定的热环境来收集松弛电压。这由于广为人知的设备过热问题而是具有挑战性的。最后但同样重要的是，松弛电压受其起始电压的影响。图14比较在[3.6，4.2]V内的不同电压处使电池休眠时的松弛电压，其示出了松弛电压与其起始电压水平之间的明显的依赖性。这样的依赖性要求统一的起始电压来收集松弛电压。

V-Health估计法基于如下事实缓解了这些挑战：用户经常在夜间对它们的设备充电——充电持续时间如此之长以至于即使在设备被完全充电之后充电器仍被保持连接。图15描绘了历经1-3个月从7位用户处收集的976个充电案例的充电时间(即，从充电器连接到断开连接的时间)分布，其示出了由于通常在夜间充电，他们中的34％的充电时间持续超过6小时并且足够长以在设备被完全充电之后充电器仍然保持连接。在示例实施方式中，在夜间充电期间，一旦电池达到100％SoC，则V-Health估计法开始收集松弛电压，并且在充电器断开连接时停止收集。该松弛电压的收集缓解了上述所有的挑战。

首先，夜间设备充电使其电池休眠。商用充电器使用独立的电力路径对电池充电并向设备供电，如果充电器在甚至电池达到100％SoC之后仍然保持连接，则使电池休眠，如在夜间充电时。图16示出了这样的休眠电池，其中，在将Nexus 6P和Nexus 5X手机完全充电之后，充电器仍然保持连接，并且它们电池的电压和电流被记录——在对电池完全充电从而使电池休眠之后电流下降并维持在0mA；电池电压首先瞬间下降然后逐渐下降，与图4一致。其次，夜间充电为电池提供了相对稳定的热环境。大多数移动设备使用CCCV对其电池进行充电，在此期间，CV-Chg阶段以低充电率占用很长时间，因此不会对电池加热太多并且能使其平衡。这样，在CV-Chg阶段完成之后(因此，电池被完全充电)的休眠时段期间，电池在稳定的热环境中进行操作。为了验证这点，可以监视Galaxy S6Edge和Nexus 5X手机在8天的实际使用期间的电池温度。图17将对电池完全充电之后的休眠时段期间的温度分布与正常使用情况下的温度分布进行比较，其示出了减小的热变化，例如，Nexus 5X电池的温度范围从正常情况下的20-50℃缩小到休眠时的29-39℃。最后，在电池被完全充电之后收集松弛电压将起始电压统一到完全充电水平，例如，对于Galaxy S6Edge为4.37V。

还必须考虑设备的使用模式(即，如何对其电池放电)是否会影响其充电之后的松弛电压。为此，以mA范围内的不同的放电电流对Galaxy S4放电、充电然后使其休眠达(i)6个循环(图18A)，以及以V范围内的不同的截止电压对Galaxy S4放电、充电然后使其休眠达(ii)另外5个循环(图18B)。如此收集的每个休眠时段期间的6+5＝11个松弛电压轨迹在图18C中描绘。这些松弛电压彼此非常接近(例如，与图12相比)，这展现出它们对先前的放电并不敏感，并因此展现出其可靠性。再者，这是由于电池的充电尤其是CV-Chg掩蔽了由电池从被完全充电之后的休眠时段开始的先前放电所引起的干扰。

某些移动设备(例如，Galaxy S6Edge、Galaxy S4等)使用微电流充电——以与其自放电速率相等的速率在无负载的情况下对完全充电的电池进行充电——以保持它们电池处于100％SoC，这使得电池休眠无效并且因此污染了所收集的松弛电压。具体地，一旦完全充电的电池的电压已经下降了预定义值，例如，对于Galaxy S6Edge为20mV而对于GalaxyS4为40mV，则这些设备触发微电流充电，并且在电池再次被完全充电时停止微电流充电。图19A描绘了Galaxy S4手机在夜间充电期间的电压，在此期间，在手机被完全充电之后微电流充电被触发了7次，如图19B所示。由于电池OCV接近完全充电水平，因此，两次连续微电流充电之间的持续时间增加。

微电流充电阻止电池进入休眠并因此污染了松弛电压。V-Health估计法利用电池电压的突然增加/下降指示微电流充电的触发/停止的简单观测从被污染的轨迹中提取松弛子轨迹。具体地，V-Health估计法计算设备被完全充电之后的I滞后△电压(I-lag deltavoltage)(图19C)，并使其通过低通滤波器(图19D)。这样，V-Health估计法通过定位轨迹中的峰点和谷点来提取松弛子轨迹。然后，将幂函数拟合应用于如此提取的子轨迹，其在拟合优度可接受时被认为是有效的。

然而，子轨迹可能不够长以便形成指纹。为了解决这个问题，V-Health估计法使用子轨迹来确定幂函数的常量。然后，幂函数可以被用于预测整个电压轨迹而不受干扰。然后，所预测的轨迹可以被用于以上述方式确定SofH。

在单次夜间充电期间，可能会收集和恢复多个松弛子轨迹(如图19)，因此可以进行多个SoH估计。V-Health估计法使用这样的估计的平均作为原始的电池SoH。另外，从不同的夜间充电中获得的原始SoH可能存在波动。V-Health估计法进一步使用一阶平滑器(即，通过将当前的原始SoH估计和先前的原始SoH估计进行线性拟合来估计当前的SoH)以缓解这样的波动，并将经平滑的结果作为最终的电池SoH报告给用户。这样的对波动的缓解也被用于移动设备的SoC估计。

首先，基于表3中总结的测量对V-Health估计法进行评估。除非另有指定，否则将覆盖30分钟休眠时段的松弛电压用作指纹。为了进行比较，实现了基于如下假设的基线方法V-Drop：在电池SoH中，5分钟松弛之后的电压降是线性的。这是通过将在IEEETransactions on Vehicular Technology(2016年6月)的由L.Casals等人的“Phevbattery aging study using voltage recovery and internal resistance fromonboard data”中描述的方法调整为在充电之后的松弛场景，而不是原始的放电之后的情况的改进版本，从而去除了在以相似的模式对电池放电之后在相同的SoC下收集松弛电压的其附加假设。

首先，基于针对每个电池收集的数据集在估计误差(绝对值的估计误差)的第5个百分比和第95个百分比以及它们的平均值方面对V-Health估计法进行评估，其结果在图20A进行了总结。V-Health估计法以＜1％的平均误差对电池SoH的估计，并且所述平均误差中的大多数都在0.5％范围内，在所有的研究情况下都优于V-Drop。更重要的是，V-Health估计法显著地减小了估计误差的偏差，因此与V-Drop相比而可靠得多；实际上，使用V-Drop的最坏情况估计误差超过了绝对SoH值的70％。这样的可靠性是通过V-Health估计法利用松弛电压的时间序列作为指纹而实现的，其与依赖于SoH估计的单个电压读取的V-Drop相比对于测量中的偏差/噪声更具鲁棒性。

还通过如下方法对V-Health估计法进行评估：利用电池来训练指纹图谱并通过利用其它同型号的电池所收集的轨迹来验证其准确度，即，跨电池(cross-battery)验证。这是基于离线训练的指纹图谱估计本地设备的电池SoH的真实模拟。图20B描绘了利用四个Galaxy S3电池和两个Nexus 5X电池的验证结果，符号x/y表示利用电池x进行训练并利用电池y进行验证。评估误差尽管大于相同电池评估，但是在大多数情况下依然在2％范围内。

用户每天都可以用不同的充电器对它们的设备充电，例如，使用USB或者DC充电器。接下来，如图20C所示，针对四个Galaxy S3电池，使用跨配置评估来验证V-Health估计法在这样的各种充电器的情况下是否是可容忍的。具体地，使用在以<0.5C,4.20V,0.05C>_cccv充电时收集的数据集对V-Health估计法进行训练，使用在以<0.25C,4.20V,0.05C>_cccv(即，使用2200x 0.25＝550mA的恒定充电电流，这与用标准的下游USB2.0端口充电时的充电电流大致相同)充电时收集的数据集验证V-Health估计法的准确度。图20B和图20C的比较示出不存在由于不同的充电配置而导致SoH评估退化的明显证据——虽然一些情况下导致了≈3％的估计误差，但是大多数情况下误差与图20B相当并且有些甚至更小，这证实了V-Health估计法对于充电器异质性的鲁棒性。

还可以通过利用多个电池对V-Health估计法进行训练来提高V-Health估计法的可靠性。图20D描绘了在利用四个Galaxy S3电池中的三个来训练V-Health估计法并且使用第四个进行验证时的SoH估计误差，并将其与单个电池训练的情况进行对比。结果显示：利用多个电池进行训练减小了SoH估计中的偏差并因此提高了V-Health估计法的可靠性，其代价是与利用单个电池训练实现的最佳情况相比的略微增加的误差。然而，注意到，从用于训练的电池的方面而言，这样的最佳情况是相当随机的，如图20D所示。

分别如图20E和20F所示，研究了在SoH估计中松弛时间的持续时间和电压采样速率对V-Health估计法的准确度的影响。结果显示：松弛时间不需要非常长，例如，估计误差以≈10分钟松弛时间来收敛，但是5分钟松弛时间是不够的。另外，对于细粒度松弛电压，V-Health估计法更倾向于较高的采样速率。

在包括Galaxy S5、Galaxy S4、Galaxy Note 2、Nexus 6P和Nexus 5X的多个Android手机上实现了V-Health估计法并历经20-77天对其进行评估。利用Youtube、flashlight和被称为BatteryDrainer的Android应用的组合以自适应屏幕亮度将这些设备放电至0-70％范围内的随机的SoC。然后，对这些设备充电6-10小时，在此期间，通过采样***文件/sys/class/power_supply/battery/voltage_now来收集松弛电压。附加的电池用于由每个设备模块训练其各自的指纹图谱，以覆盖65-97％范围内的SoH。休眠时下降的电压被用作指纹以消除其对完全充电的电压的特定值的依赖性。Galaxy S5、Galaxy S4和Galaxy Note 2的电池SoH的真实值(ground truth)是在与在训练其各自的指纹图谱的情况下相同的配置下通过将电池从手机上移除并利用电池测试仪对电池进行完全充电/放电来收集的。其电池不可拆卸的Nexus 6P和Nexus 5X的SoH真实值是基于放电期间的其电流记录通过Coulomb计数来收集的，所述电池电流记录位于/sys/class/power_supply/battery/current_now。尽管由于电流感测的限制，如此估计的真实值可能并不完全准确，但这是作为非OEM研究者能够得到的最优估计。

图21A总结了22/09/2016至04/12/2016期间利用Galaxy S5的估计的电池SoH以及在19/09/2016、19/11/2016和28/11/2016测量的三个真实的SoH，其示出了≈4的SoH估计误差。另外，如上所述，用户可以利用不同的充电器对它们的设备充电。为了覆盖这样的情况，在评估期间，我们利用不同的充电器对手机充电，所述充电器即为1AUSB(22/09/2016-11/11/2016)、2A USB(11/11/2016-17/11/2016)以及与其关联的DC充电器(18/11/2016-04/12/2016)。观测到在SoH估计准确度和充电器选择之间没有明显的依赖性，这论证了V-Health估计法针对各种充电器的鲁棒性。最后，与原始的估计相比，一阶平滑器减小了偏差并从而减小了报告给用户的SoH的波动。

图21B和图21C描绘了利用Galaxy S4和Note 2手机的评估结果，其示出2-3.5％的估计误差。注意：Note 2的电池SoH在21天的实验期间退化了≈1.5％，这比其它手机电池SoH的退化速度快。一种可能的解释是：该手机在这些实验之前已经被存放了大约6个月，因此需要电池在达到平衡之前要循环几次，在此期间，其性能变化得快得多。

图21D和图21E描绘了利用Nexus 6P和Nexus 5X的评估结果，其示出了≈5％的SoH估计误差。除了PMIC提供的电流信息不准确之外，这个相对大的误差可能部分地是由于电池的速率-容量效应——电池在以较少的电流被放电时提供了较多的容量。这两部手机在收集其SoH真实状况时具有≈300mA的平均放电电流，远小于在训练指纹图谱中使用的0.5C放电速率(即，对于Nexus 6P是1725mA ，对于Nexus 5X是1350mA)，从而导致对电池的完全充电容量及其SoH的过估计。注意：一阶平滑器需要至少3个样本，其导致图21D中经平滑的SoH的初始波动。

表5

设备	S5	S4	Note 2	5X	6P
						结果(平均)	52.5％	>400％	47.3％	<-1000％	>900％

如表格5所汇总的，还基于相同的收集松弛电压集利用V-Drop对手机的电池SoH进行了估计。注意：由于微电流充电，5分钟松弛所需的电压降可能不可用，在这种情况下，我们使用幂函数拟合来预测这样的5分钟松弛电压，然后使用其来估计SoH。与V-Health估计法相比，由V-Drop估计的SoH具有大得多的误差，并且在很多情况下甚至超过100％或者小于0％，这指示其在手机上的不可靠性。

图26示出了用于在诸如手机的移动设备中实现电池服务的***。移动设备包括可再充电电池261、测量电路262以及一个或更多个控制器263。测量电路262被配置成测量电池261以及/或者构成该电池的电池单元(cell)的电压。在示例实施方式中，控制器263实现为微控制器。应当理解：用于控制器的控制的逻辑可以用硬件逻辑、软件逻辑或者硬件和软件逻辑的组合来实现。在这点上，控制器可以是或者可以包括数字信号处理器(DSP)、微处理器、微控制器或者用实现上述方法的软件进行编程的其它可编程设备中的任一个。应当理解：替选地，控制器是或者包括其它逻辑器件，诸如现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)或者专用集成电路(ASIC)。在陈述控制器执行功能或者被配置成执行功能时，应当理解，控制器被配置成利用适当的逻辑(诸如，以软件、逻辑器件或者其组合)来这样做。还应当理解，关于图26，仅讨论了***的相关部件，但是需要其它部件来控制和管理移动设备的整体操作。

健康估计器是由控制器263实现的。健康估计器264被配置成接收电池的电压测量并以上述方式估计电池的健康状况(SofH)。得到相同类型电池的指纹集并将其存储在移动设备的存储设备265中。电池的SofH估计由健康估计器264输出并且对于由移动设备支持的其它电池服务267而言是可用的。在一个示例中，SofH被用于确定电池的剩余使用时间。为了进行说明，为Nexus 5X手机配备了具有2770mAh的完全充电的可用容量的电池。可以使用SofH对可用容量进行调整。对于80％的SofH，完全充电的可用容量为2216mAh(即，2770*80％)；然而，对于60％的SofH，完全充电的可用容量为1662mAh(即，2770*60％)。假设，放电速率为1amp，则经调整的电池容量可以被转换为剩余使用时间。对于具有80％SofH的完全充电的电池，剩余使用时间为2.2小时。如果电池未到完全充电，则还可以计算剩余使用时间。对于具有80％SofH和50％充电状态的电池，剩余使用时间为1.1小时(即，2216mAh*50％/1000mA＝1.1小时)。然后，电池的剩余使用时间可以被显示在移动设备的显示器上。

在另一示例中，可以基于电池的SofH对移动设备上正在执行的功能进行修改。一旦电池SofH下降到预定的阈值以下，则可以禁用和/或终止在移动设备上运行的选择后台进程。SofH还可以被用于更准确地计算剩余使用时间。类似地，一旦电池的剩余使用时间下降到预定的阈值以下，则可以禁用和/或终止在移动设备上运行的选择后台进程。以下将描述其它可以利用电池SofH的电池服务的其它示例。

V-Health估计法还实现了从不同角度提升用户体验的四个新颖用例。除了用对电池寿命的解读来回答“我的手机电池还能持续使用多长时间？”的问题之外，V-Health估计法还通过促进SoH补偿的SoC估计并从而促进对手机的剩余供电的准确估计来解决剩余的设备操作时间的问题。图22A描绘了利用BatteryDrainer运行完全充电的Xperia Z手机直到手机关闭时的电压和电流，总共提供2117mAh的容量，因此指示2117/2330＝90.9％的SoH。图22B描绘了在相同的放电过程期间显示给用户的电池SoC——手机在≈10％剩余SoC时关闭。图22B中还描绘了例如通过V-Health估计法以捕获的SoH退化来补偿的电池SoC，该V-Health估计法为用户提供更准确的SoC估计并从而缓解手机意外关机的情况。图22C描绘了基于在TI的阻抗跟踪中使用的相同方法的如此估计的剩余操作时间——手机在认为由于电池退化它可以再操作20分钟时关闭，所述电池退化可以利用由V-Health估计法实现的SoH补偿的SoC估计来可靠地缓解。由V-Health估计法实现的电池SoH监视也使得能够检测电池的异常行为。这通过检测电池和设备之间的不良连接的示例来示出，所述电池和设备之间的不良连接是在诸如Lumia 920、iPhone 5和Note 4的设备上发现的问题。这样的不良连接增大了连接电阻并从而增加了设备发热，如果不能及时被检测到，则会有热失控甚至电池***的风险。增加的连接电阻减少了电池的可用容量；在V-Health估计法中，这会被视为异常的SoH下降因此可以被检测到。

将Galaxy S5电池充电/休眠/放电10个循环来验证这点：在前5个循环中电池被稳固地连接至测试仪；在后5个循环中，100mΩ2的电阻器被***电池和测试仪之间以模拟它们之间的不良连接。图23描绘了在这10个循环期间由V-Health估计法报告的电池SoH。在从稳固连接切换到不良连接设置时，能观测到明显的SoH下降，这验证了V-Health估计法的检测能力。一旦检测到异常的SofH下降，则可以由移动设备采取保护措施，包括但是不限于：通知操作者、将电池断开连接以及/或者禁用设备。

由V-Health估计法实现的又一用例是基于在我们的实验室中使用的82块锂离子电池的相同型号设备的电池之间的跨用户比较，如图24所示。这种比较在与监视设备日常使用的能量诊断服务例如Carat结合时不仅使用户能够确定其电池的强度，而且还有助于表征电池友好/有害使用模式。

电池的内部电阻随着它们的老化而增加，这减少了它们的可用容量并导致设备发热。传统上，电池电阻是基于当电流在两个稳定水平之间切换时的电压变化来估计的，即，r=dV/dI。对于稳定电流的要求是为了消除动态电流对电压响应的影响，然而，这在大多数情况下在移动设备上是不能保持的。V-Health估计法通过收集松弛电压——在松弛之前电流逐渐变化并且小(即，在CV-Chgq期间）并且在进入松弛之后没有电流被施加至电池，使得能够估计电池电阻作为副产品。图25描绘了根据图4中收集的松弛电压的基于1秒松弛之后的dV/dI估计的Galaxy S3电池的电阻。在测量期间，电池电阻从58mΩ2增加至63mΩ2，与在这些测量之后利用BVIR电池电阻测试仪测量的真实值68mΩ2一致。该电阻信息帮助用户/OEM从另一角度对它们的设备电池进行诊断。

在本公开内容中，针对移动设备仅基于其电压提出了低成本用户级的电池SoH估计服务，因此该低成本用户级的电池SoH估计服务可以被部署在所有的商用移动设备上。V-Health估计法是受松弛电池电压对电池的SoH进行指纹识别的我们的经验发现的启发，并且通过45块电池的测量进行指导，所述测量包括总共7462个充电/休眠/放电循环并且累计持续超过44个月。还由V-Health估计法实现了四个新颖的用例，提升了在SoC估计、异常行为检测、跨用户比较以及阻抗监视方面的移动用户体验。

除非另有根据以上讨论而明显的特别说明，否则，应当领会的是：在整个说明书中，使用诸如“处理”或“运算(computing）”或“计算(calculating）”或“确定”或“显示”等术语进行的讨论，指的是操作和转换在计算机***存储器或寄存器或其它此类信息存储器、传输设备或显示设备内被表示为物理(电子)量的数据的计算机***或类似的电子计算设备的动作和处理。

所描述的技术的某些方面包括本文中以算法形式描述的处理步骤和指令。应当注意：所描述的处理步骤和指令可以以软件、固件或者硬件呈现，并且当以软件呈现时，可以被下载并驻留在由实时网络操作***使用的不同的平台上，并可以从该平台上进行操作。

本公开内容还涉及用于执行本文的操作的装置。该装置可以被专门构建用于所需的目的，或者可以包括由存储在可由该计算机访问的计算机可读介质上的计算机程序选择性激活或者重新配置的通用计算机。这样的计算机程序可以被存储在有形的计算机可读存储介质中，例如，但是不限于：包括软盘、光盘、CD-ROM和磁光盘的任何类型的盘，只读存储器(ROM），随机存取存储器(RAM），EPROM，EEPROM，磁卡或光卡，专用集成电路(ASIC）或者任何类型的适合存储电子指令的介质，并且每一个都被耦接至计算机***总线。此外，在说明书中提到的计算机可以包括单个处理器或者可以是采用多个处理器设计以提高计算容量的架构。

本文提出的算法和操作并非固有地与任何特定的计算机或其它装置相关。根据本文的教示，各种通用***也可以与程序一起使用，或者可以证明构建更加专用的装置以执行所需的方法步骤是便利的。对本领域的技术人员而言，各种这些***所需的结构以及其等同变型是明显的。另外，并未参考任何特定的编程语言对本公开内容进行描述。应当领会的是：各种编程语言都可以被用于实现如本文所述的本公开内容的教示。

上述提供的实施方式的描述是用于说明和描述的目的。其并非旨在详尽描述或者限制本公开内容。特定实施方式的各个元素或特征通常都不限于该特定的实施方式，但是，在适用的情况下，即使没有具体地示出或者描述，特定实施方式的各个元素或特征也是可互换的并且可以被用于选定的实施方式中。同样也可以以许多方式变化。这样的变型不被认为是脱离本公开内容的，并且所有的这样的修改都旨在包括在本公开内容的范围中。

Claims (18)

1.一种用于估计向装置供电的可再充电电池的健康状况(SofH)的方法，包括：

针对给定类型的电池提供指纹集，其中，每个指纹将所述电池的量化SofH链接至用于所述电池的松弛电压的给定预定模型，并且所述给定预定模型描述了在所述电池休眠时的固定时间段内的两个或更多个点处的所述电池的松弛电压；

由所述装置中的电路在给定类型的给定电池休眠时的固定时间段内测量所述给定电池的电压，其中，所述给定电池被配置为向所述装置供电；

由所述装置中的处理器根据电压测量来构建所述给定电池的当前模型；以及

通过比较所述当前模型和所述指纹集来确定所述给定电池的SofH。

2.根据权利要求1所述的方法，还包括：对所述给定电池充电直到所述给定电池被完全充电并且在所述给定电池被完全充电之后测量所述给定电池两端的电压。

3.根据权利要求1所述的方法，还包括：使用回归分析构建所述当前模型。

4.根据权利要求1所述的方法，其中，构建所述当前模型还包括：

将所述电压测量拟合成指数函数；

使用所述指数函数对所述电压测量进行滤波；以及

利用移动平均对经滤波的电压测量进行平滑，从而得到所述给定电池的当前模型。

5.根据权利要求4所述的方法，其中，所述指数函数还被定义为如下的幂函数

v(t)＝a*t^b+c

其中，t是自休眠开始的时间。

6.根据权利要求4所述的方法，还包括：通过应用主分量分析来降低所述电压测量的维度。

7.根据权利要求1所述的方法，还包括：使用回归树将所述当前模型和所述指纹集进行比较。

8.根据权利要求1所述的方法，还包括：识别所述电池休眠时的时间段；在所识别的时间段中提取电压测量；以及根据所提取的电压测量构建所述当前模型。

9.根据权利要求1所述的方法，还包括：使用所确定的所述给定电池的SofH调整所述给定电池的可用容量；将经调整的所述给定电池的容量转换为所述给定电池的剩余使用时间；以及将所述给定电池的所述剩余使用时间显示在所述装置的显示器上。

10.一种用于估计移动设备中的可再充电电池的健康状况(SofH)的方法，包括：

在所述移动设备的存储器中存储针对给定类型的电池的指纹集，其中，每个指纹将所述电池的量化SofH链接至用于所述电池的松弛电压的给定预定模型，并且所述给定预定模型描述了在所述电池休眠时的固定时间段内的两个或更多个点处的所述电池的松弛电压；

使用所述移动设备中的测量电路来测量所述给定类型的给定电池的电压，从而得到在所述给定电池休眠时的固定时间段内产生的电压测量集；

由所述移动设备中的处理器使用幂函数根据所述电压测量集来构建所述给定电池的当前模型；

由所述处理器通过将所述当前模型和所述指纹集进行比较来确定所述给定电池的SofH；以及

由所述处理器基于所述给定电池的SofH来修改正在所述移动设备上执行的功能。

11.根据权利要求10所述的方法，还包括：对所述给定电池充电直到所述给定电池被完全充电并且在所述给定电池被完全充电之后测量所述给定电池两端的电压。

12.根据权利要求10所述的方法，还包括：使用回归分析构建所述当前模型。

13.根据权利要求10所述的方法，其中，构建所述当前模型还包括：

将所述电压测量集拟合成所述幂函数；

使用所述幂函数对所述电压测量集中的测量进行滤波，以及

利用移动平均对经滤波的所述电压测量集中的测量进行平滑，从而得到所述给定电池的当前模型。

14.根据权利要求13所述的方法，其中，所述幂函数还被定义为

v(t)＝a*t^b+c

其中，t是自休眠开始的时间。

15.根据权利要求13所述的方法，还包括：通过应用主分量分析来降低经滤波的所述电压测量集中的测量的维度。

16.根据权利要求10所述的方法，还包括：使用回归树对所述当前模型和所述指纹集进行比较。

17.根据权利要求10所述的方法，还包括：识别所述电池休眠时的时间段；在所识别的时间段中提取电压测量；以及根据所提取的电压测量构建所述当前模型。

18.根据权利要求10所述的方法，还包括：使用所确定的所述给定电池的SofH调整所述给定电池的可用容量；将经调整的所述给定电池的容量转换为所述给定电池的剩余使用时间；以及将所述给定电池的剩余使用时间显示在装置的显示器上。

Images