CN111751729B - 用于确定车辆的可反复充电电池的状态的方法 - Google Patents
用于确定车辆的可反复充电电池的状态的方法 Download PDFInfo
- Publication number
- CN111751729B CN111751729B CN202010222906.3A CN202010222906A CN111751729B CN 111751729 B CN111751729 B CN 111751729B CN 202010222906 A CN202010222906 A CN 202010222906A CN 111751729 B CN111751729 B CN 111751729B
- Authority
- CN
- China
- Prior art keywords
- battery
- vehicle
- neural network
- learning
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000032683 aging Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
用于确定车辆(1)的可反复充电电池(2)的状态的方法(100),其中,如下步骤被执行:a)执行电池(2)的至少一个参数的获取(101),以便于获得至少一个获取信息(130),b)在至少一个神经网络(120)的情形中借助至少一个获取信息(130)执行学习过程(102),以便于获得用于描绘电池(2)的状态的对于神经网络(120)而言的学习成果(110),c)用于评估电池(2)的学习成果(110)的提供(103),其中,步骤a)至c)重复地通过车辆(1)被执行,以便于在车辆(1)的运行期间提供学习成果(110)。
Description
技术领域
本发明涉及一种用于确定车辆的可反复充电电池的状态的方法。此外,本发明涉及一种监控***以及一种计算机程序。
背景技术
如下由现有技术是已知的,即,数据通过在车辆的可反复充电电池处的测量被确定,以便于允许推断出电池的状态。这些数据为此例如包括通过在电池单体处的测量被确定的测量值。示例性地,这样的测量值可涉及在电池处的电压和/或电流和/或温度。数据可在车辆中被确定,且紧接着被传递到车辆外部的处理设施处。在该处如下是可能的,即,借助大量这样的对于不同车辆而言的数据进行电池的功能性分析。
然而如下经常是不利的,即,数据到车辆外部部位处的传递是不可能或非期望的。在此此外产生如下问题,即,电池状态的分析不可或仅可在技术上耗费地被执行。
发明内容
因此如下是本发明的目的,即,至少部分排除先前所描述的缺点。尤其如下是本发明的目的,即,提供一种经改善的用于确定电池状态的解决方案。
上述目的通过一种根据本发明的方法、一种根据本发明的监控***以及通过一种根据本发明的计算机程序来实现。本发明的另外的特征和细节由说明书和附图得出。在此,结合根据本发明的方法被描述的特征和细节显然还适用于结合根据本发明的监控***以及根据本发明的计算机程序,且相应地反之亦然,从而关于对各个发明方面的公开内容始终可被相互参照。
该目的尤其通过一种用于确定车辆、优选机动车的可反复充电电池、优选蓄电池的状态的方法、尤其至少部分计算机实现的方法来实现。
在此作如下设置,即,如下步骤优选依次以所说明的或以任意的顺序被执行,其中,单个和/或所有步骤还可被重复执行:
a)执行电池的至少一个参数的获取(或称为探测、收集,即Erfassung)、尤其测量,以便于获得(关于该参数的)至少一个获取信息,
b)在至少一个(尤其车辆内部实现的)神经网络的情形中借助至少一个获取信息执行学习过程,以便于(通过神经网络)获得用于描绘电池的状态的对于神经网络而言的学习成果,
c) 提供用于评估电池、尤其用于评估电池状态的学习成果。
在此,步骤a)至c)可重复地通过车辆、尤其通过车辆电子装置(例如处理装置)被执行,以便于在车辆的运行期间提供学习成果(尤其根据步骤c),尤其借助学习成果提供电池状态。
这具有如下优点,即,关于至少一个参数的获取信息无须直接被用于描述电池状态,而是可经由学习成果来提供电池状态。换而言之,借助所提供的学习成果(也就是说尤其根据步骤c)神经网络(在车辆内部或车辆外部)可被如此地匹配,即,该神经网络描绘了电池状态(尤其还在功能上描绘了电池本身)。因此,学习成果对于网络的该匹配而言是特定的。获取信息例如是至少一个在测量参数的情形中被确定的测量值。该至少一个参数例如是电池的电压和/或电流和/或温度。
在此,车辆的运行优选涉及车辆的状态,在其中车辆的电气负载(例如电子装置和/或电动机)通过电池被供以能量。另外,该运行还可涉及车辆的使用,在其中车辆向前移动,例如通过电动机被驱动。因此,该运行应用于针对车辆的状态的划分,在该状态中执行例如电池的检查或拆卸或手动检验。
此外有利的是,车辆构造成机动车、尤其无轨的陆上机动车、例如构造成包括内燃机和用于牵引的电机的混动车辆或构造成优选带有高压车载网络和/或电动机的电动车。尤其地,车辆可构造成燃料电池车辆和/或轿车。优选地,在电动车的实施形式的情形中未设置内燃机在车辆处,其于是仅通过电能被驱动。
至少一个参数可相应地例如实施成对于电池状态而言特定的物理量。例如,参数中的至少一个是在电池处的温度和/或在电池处的电流和/或在电池处的电压。温度例如包括电池温度和/或单体温度和/或在电池处的环境温度。另外,参数中的至少一个还可以是在电池处的功率。
另外如下是可能的,即,借助于学习过程借助获取信息训练神经网络。因此,至少一个获取信息是在该训练的情形中对于神经网络而言的输入,且可相应地被用作学习数据。例如,在电池处、尤其在至少一个电池单体处的电压和/或电流和/或温度可相应地作为电池的至少一个参数中的一个被获取、尤其被测量。在此经确定的测量值于是例如与获取信息相符。当神经网络借助这些参数中的至少一个、即借助获取信息被训练时,神经网络可借助于由训练产生的学习成果描绘电池的状态。换而言之,学习成果可以是神经网络的匹配,其因此可被理解为学习过程的成果。通过学习成果,神经网络可构造用于描绘电池的状态,尤其模拟电池。为此然而不利用经预先给定的模型,而是学习成果通过机器学习的方法借助获取信息来确定。例如,神经网络(在各个神经元之间)的加权可通过学习过程改变。学习成果于是描述了该被改变的加权。训练可完全“在线地”在运行期间在车辆中实现。电池借助学习成果的评估、尤其诊断然后同样可在车辆中(车辆内部)必要时然而还可在车辆之外(车辆外部)被执行。在车辆外部,为此例如神经网络的复制、即虚拟孪生体可被用作神经网络。该神经网络在借助于学习成果的应用(参数化或者加权)的情形中具有与在车辆中的经训练的神经网络相同的电池特性。在此,该学习过程、且尤其步骤a)至c)可在车辆的运行期间被连续执行且/或重复,从而使得电池的、尤其单体(多个)的特性还可在持续老化的情形中继续借助学习成果来描绘。与电池的老化状态匹配的学习成果可(尤其根据步骤c)可选地以定期的间隔被发出到虚拟孪生体处。
可作如下设置,即,学习成果且进而还有经训练的神经网络反映电池的电气特性和/或热特性。在此如下是可能的,即,学习成果丝毫不具有关于获取信息的信息。因此,学习成果不使得对于获取信息、例如关于在电池处的电压和/或电流和/或温度的测量值和/或测量值的时间曲线的推断成为可能。这使得如下成为可能,即,在评估的情形中还可在车辆外部确定电池的状态,而无须动用获取信息或知道这些获取信息。此外,在提供的情形中须被发出的数据记录的量可被减少(用于代表学习成果的数据可在发出的情形中或者在数据传递的情形中非常少于获取信息的数据)。
如下是可能的,即,获取信息包括至少一个测量值和/或测量值的曲线。测量值可例如通过在电池、尤其至少一个电池单体处的电压和/或电流和/或温度和/或功率的至少一次测量来确定。在此,该测量必要时还可被反复执行,例如在车辆的运行持续时间期间,以便于获得测量值的时间曲线。测量值的该时间曲线可在学习过程的情形中作为获取信息、也就是说作为对于神经网络的训练而言的输入被考虑。
在另一种可行性方案中可作如下设置,即,步骤a)至c)完全在车辆内部通过车辆的处理装置来执行。该处理装置例如具有车辆电子装置,如控制器和/或至少一个处理器和/或至少一个微控制器。因此可可靠地描绘在运行期间电池的状态以及电池状态的改变。
此外有利的是,在本发明的情况中学习过程以至少一个用于神经网络的训练数据形式的获取信息被执行,从而使得学习成果包括神经网络的对于电池的状态而言特定的参数化、尤其加权。换而言之,学习成果可以是学习过程的结果,以便于匹配(参数化)神经网络用于描绘电池状态。这还使得如下成为可能,即,在车辆外部使用神经网络(例如通过网络或类似物的复制),且在该处以所提供的学习成果来参数化,以便于在不知道获取信息的情形中描绘电池的状态。
在本发明的情况中当学习过程以不受监控的学习的形式、尤其仅在车辆内部被执行时可获得另一优点。因此,学习过程且尤其所有方法步骤可被完全自动化地实现。
进一步有利地可作如下设置,即,根据步骤c)的提供由此实现,即,学习成果被发出到车辆外部的处理设施处,以便于在车辆外部借助学习成果确定电池的状态。车辆外部的处理设施为此例如包括至少一个计算机或类似物,以便于借助学习成果通过评估确定电池的状态。
在另一种可行性方案中可作如下设置,即,车辆外部的处理设施执行如下步骤以用于确定电池的状态且/或用于评估:
-应用(车辆外部实现的)神经网络,其中,神经网络通过所发出的学习成果被参数化,其中,尤其地学习成果被用于神经网络的加权。
尤其地,在此车辆外部完成的神经网络表示(至少大致上)相对车辆内部实现的神经网络一致的这样的神经网络,即复制,其也可被理解为虚拟孪生体。
如下是可能的,即,根据进一步的方法步骤在提供(尤其根据步骤c)之后借助学习成果实现电池状态的评估。为此可例如在车辆内部或车辆外部实现神经网络的应用,在其中神经网络通过所提供的学习成果被参数化。在此还借助虚拟实验可针对其电气运行特性和热运行特性例如电池的老化状态(State of Health,SOH)、内阻、阻抗特性或还有热特性检验神经网络。在这些虚拟实验的情形中,仅该神经网络被考察而基础的电池不被进一步加载。这可保护电池且避免对于检验电池而言的增加的技术消耗。如下是可能的,即,该检验还使得电池老化的预测性评估成为可能,例如借助于预测性的老化模型。因此可计算出对于未来而言的电池老化,且例如还有车辆用户对此被告知,以便于例如匹配对于电池而言的充电特征。
此外如下是可能的,即,该至少一个神经网络还包括至少两个或三个或更多个神经网络。以该方式可设置有不同的网络,以便于描绘电池的不同层面(单体和电池***层面)。为此,不同的神经网络例如以不同的获取信息被训练。
在本发明的情况中可获得另一优点是,在应用神经网络的情形中负荷分布(Lastprofil)被用作对于神经网络而言的输入,以便于作为神经网络的输出获得对于电池状态而言特定的输出分布,其中,优选地负荷分布包括如下数据中的至少一个:
- 温度分布,其对于在电池处的时间温度曲线而言是特定的,
- 电流分布,其对于在电池处的电流、尤其输出电流的时间曲线而言是特定的,
且其中,优选地输出分布包括电压分布,其在电池处存在温度分布和电流分布的情形中对于电池的输出电压而言是特定的。这使得电池的广泛检验成为可能,例如还在老化和/或不正常的电池特性方面。取决于电池状态的该检验,车辆的用户例如还可被告知检验的结果。
根据本发明的一种有利的改进方案可作如下设置,即,学习成果对于电气特性和/或热特性而言且/或对于电池的功能状态和/或老化而言是特定的。因此,电池的广泛评估还在车辆之外且/或在车辆的运行期间是可能的。
此外在本发明的情况中如下是可选地可能的,即,神经网络实施成递归神经网络。以该方式,电池状态可被特别可靠地描绘。
同样地,本发明的对象是一种用于集成(装配)到车辆中的、尤其用于确定车辆的可反复充电电池的状态的监控***,具有:
- 用于执行获取电池的至少一个参数的获取装置,以便于获得至少一个获取信息,
- 用于在至少一个神经网络的情形中借助至少一个获取信息执行学习过程的处理装置,以便于获得用于描绘电池状态的对于神经网络而言的学习成果,
- 用于提供用于电池的(在车辆内部且/或车辆外部的)评估的学习成果的提供装置。
因此,根据本发明的监控***带来如其详尽地参照根据本发明的方法所描述的那样的相同的优点。此外,监控***可适合用于实施根据本发明的方法。
优选地,该监控***具有计算单元和存储单元,其中,在存储单元中存储有在计算单元中至少部分实施的情形中执行根据本发明的方法、尤其根据本发明的方法的程序。
同样地,本发明的对象是一种计算机程序,包括引起如下的指令,即,根据本发明的监控***实施根据本发明的方法的步骤。因此,根据本发明的计算机程序带来与其详尽地参照根据本发明的方法所描述的相同的优点。
附图说明
本发明的另外的优点、特征和细节由下面的描述中得出,在其中在参照附图的情形下详细描述了本发明的实施例。在此,在说明书中所提及的特征可相应本身单独地或以任意组合地对于本发明而言是重要的。其中:
图1 显示了用于可视化根据本发明的方法的示意性图示,
图2 显示了根据本发明的监控***的示意性图示。
在下面的附图中,对于不同实施例的相同技术特征而言也使用相同的附图标记。
附图标记列表
1 车辆
2 电池
4 获取装置
5 处理装置
6 提供装置
100 方法
101 获取
102 学习过程
103 提供
110 学习信息
120 神经网络
130 获取信息
200 处理设施
210 检验工具、实验
220 评估工具、分析
300 监控***。
具体实施方式
在图1中可视化了用于确定车辆1的可反复充电电池2的状态的根据本发明的方法100。根据第一方法步骤,在此实现电池2的至少一个参数的获取101的执行,以便于获得至少一个获取信息130。紧接着根据第二方法步骤,在至少一个(尤其在车辆内部实现的)神经网络120的情形中借助至少一个获取信息130实现学习过程102的执行,以便于获得用于描绘电池2的状态的对于神经网络120而言的学习成果110。然后根据第三方法步骤可实现用于评估电池2的学习成果110的提供103。在此,获取101、学习过程102和提供103可重复地通过车辆1被执行,以便于在车辆1的运行期间提供学习成果110。
在此还可能的是,方法步骤完全在车辆内部通过车辆1的处理装置5被执行,如其例如在图2中所显示的那样。在此,学习过程102可以用于神经网络120的训练数据形式的至少一个获取信息130来执行,从而使得学习成果110包括神经网络120的对于电池2的状态而言特定的参数化、尤其加权。此外,学习过程102可以不受监控的学习形式、尤其仅在车辆内部被执行。根据第三方法步骤的提供103此外可由此实现,即,学习成果110被发出到车辆外部的处理设施200处,以便于在车辆外部借助学习成果110获得电池2的状态。为此,车辆外部的用于确定电池2的状态的处理设施200可执行神经网络120的在车辆外部的应用,其中,神经网络120通过所发出的学习成果110被参数化,其中,尤其地学习成果110被用于神经网络120的加权。该在车辆外部被应用的(且进而还在车辆外部实现的)神经网络120在构造方面可与车辆内部实现的神经网络120相符。在车辆内部或车辆外部实现的神经网络120可例如构造成递归神经网络120。
此外,在图2中示意性地显示了用于集成到车辆1中且用于确定车辆1的可反复充电电池2的状态的监控***300。该监控***可具有用于执行电池2的至少一个参数的获取101的获取装置4,以便于获得至少一个获取信息130。还可设置有用于在至少一个神经网络120的情形中借助至少一个获取信息130执行学习过程102的处理装置5,以便于获得用于描绘电池2的状态的对于神经网络120而言的学习成果110。提供装置6可用于评估电池2用的学习成果110的提供103,尤其用于发出到车辆外部的处理设施200处。为了评估,处理设施200可具有检验工具210,尤其以便于借助神经网络120执行虚拟实验。另外,用于评估的处理设施200可具有评估工具220,尤其用于借助神经网络120执行电池2的电气的、热的电池特性的分析。
本发明仅在示例的情况中描述了实施形式的上述说明。显然,实施形式的各个特征只要在技术上有意义可被自由地彼此组合,而不背离本发明的范畴。
Claims (14)
1.用于确定车辆(1)的可反复充电电池(2)的状态的方法(100),
其中,如下步骤被执行:
a)执行所述电池(2)的至少一个参数的获取(101),以便于获得至少一个获取信息(130),
b)在至少一个神经网络(120)的情形中借助所述至少一个获取信息(130)执行学习过程(102),以便于获得用于描绘所述电池(2)的状态的对于所述神经网络(120)而言的学习成果(110),
c)提供(103)用于评估所述电池(2)的学习成果(110)到车辆外部的处理设施处,以便于在车辆外部借助所述学习成果(110)确定所述电池(2)的状态,
其中,所述步骤a)至c)重复地完全在车辆内部通过所述车辆(1)被执行,以便于在所述车辆(1)的运行期间提供所述学习成果(110),
其中,在车辆外部的处理设施(200)处借助于车辆内部的所述神经网络(120)的虚拟孪生体来执行虚拟实验和/或执行所述电池(2)的电池特性的分析。
2.根据权利要求1所述的方法(100),其特征在于,所述学习过程(102)以用于所述神经网络(120)的训练数据形式的至少一个获取信息(130)来执行,从而使得所述学习成果(110)包括所述神经网络(120)的参数化,其对于所述电池(2)的状态而言是特定的。
3.根据权利要求2所述的方法(100),其特征在于,所述神经网络(120)的参数化是所述神经网络(120)的加权。
4.根据权利要求1所述的方法(100),其特征在于,所述学习过程(102)以不受监控的学习的形式被执行。
5.根据权利要求1所述的方法(100),其特征在于,用于确定所述电池(2)的状态的在车辆外部的处理设施(200)执行如下步骤:
-应用所述神经网络(120),其中,所述神经网络(120)通过所发出的学习成果(110)被参数化。
6.根据权利要求5所述的方法(100),其特征在于,所述学习成果(110)被用于所述神经网络(120)的加权。
7.根据权利要求5所述的方法(100),其特征在于,在应用所述神经网络(120)的情形中负荷分布被用作用于所述神经网络(120)的输入,以便于作为所述神经网络(120)的输出获得输出分布,其对于所述电池(2)的状态而言是特定的。
8.根据权利要求7所述的方法(100),其特征在于,所述负荷分布包括如下数据中的至少一个:
-温度分布,其对于在所述电池(2)的情形中的时间温度曲线而言是特定的,
-电流分布,其对于在所述电池(2)的情形中的电流的时间曲线而言是特定的。
9.根据权利要求8所述的方法(100),其特征在于,所述电流分布对于在所述电池(2)的情形中的输出电流的时间曲线而言是特定的。
10.根据权利要求8所述的方法(100),其特征在于,所述输出分布包括电压分布,其在所述电池(2)处存在所述温度分布和电流分布的情形中对于所述电池(2)的输出电压而言是特定的。
11.根据权利要求1-10中任一项所述的方法(100),其特征在于,所述学习成果(110)对于所述电池(2)的电气特性和/或热特性而言且/或对于功能状态和/或老化而言是特定的。
12.根据权利要求1-10中任一项所述的方法(100),其特征在于,所述神经网络(120)实施成递归神经网络(120)。
13.用于集成到车辆(1)中的用于确定所述车辆(1)的可反复充电电池(2)的状态的监控***(300),具有:
-获取装置(4),其用于执行所述电池(2)的至少一个参数的获取(101),以便于获得至少一个获取信息(130),
-处理装置(5),其用于在至少一个神经网络(120)的情形中借助所述至少一个获取信息(130)执行学习过程(102),以便于获得用于描绘所述电池(2)的状态的对于所述神经网络(120)而言的学习成果(110),
-提供装置(6),其用于提供(103)用于评估所述电池(2)的学习成果(110)到车辆外部的处理设施处,
-车辆内部的所述神经网络(120)的在车辆外部的处理设施(200)处的虚拟孪生体,以便于执行虚拟实验和/或执行所述电池(2)的电池特性的分析,
其中,所述监控***(300)设置成实施根据权利要求1至12中任一项所述的方法(100)。
14.一种计算机可读介质,在所述计算机可读介质上存储有用于以根据权利要求13所述的监控***(300)实施根据权利要求1至12中任一项所述的方法(100)的步骤的计算机程序。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019107935.7 | 2019-03-27 | ||
DE102019107935.7A DE102019107935A1 (de) | 2019-03-27 | 2019-03-27 | Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterie eines Fahrzeuges |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111751729A CN111751729A (zh) | 2020-10-09 |
CN111751729B true CN111751729B (zh) | 2024-02-20 |
Family
ID=72612457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010222906.3A Active CN111751729B (zh) | 2019-03-27 | 2020-03-26 | 用于确定车辆的可反复充电电池的状态的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111751729B (zh) |
DE (1) | DE102019107935A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3119895A1 (fr) * | 2021-02-18 | 2022-08-19 | Psa Automobiles Sa | Estimateur d’État de charge d’un vÉhicule utilisant l’intelligence artificielle |
CN114801877A (zh) * | 2022-06-23 | 2022-07-29 | 深圳市菲尼基科技有限公司 | 电动车辆动力电池组的监控***及电动车辆 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1890574A (zh) * | 2003-12-18 | 2007-01-03 | 株式会社Lg化学 | 使用神经网络评估电池的充电状态的设备和方法 |
CN102118071A (zh) * | 2009-12-31 | 2011-07-06 | 上海汽车集团股份有限公司 | 用于车载电池远程维护的方法和装置 |
CN102756661A (zh) * | 2011-04-27 | 2012-10-31 | 北京八恺电气科技有限公司 | 车用电池荷电状态的确定方法及装置 |
CN204028667U (zh) * | 2014-07-25 | 2014-12-17 | 北汽福田汽车股份有限公司 | 车载蓄电池状态监控***、监控装置及车辆 |
CN104890526A (zh) * | 2014-03-05 | 2015-09-09 | 福特全球技术公司 | 车辆、***和方法 |
CN105612429A (zh) * | 2013-10-14 | 2016-05-25 | 罗伯特·博世有限公司 | 测定车辆电池依据充电状态的空载电压曲线的方法和装置 |
CN105677901A (zh) * | 2016-02-05 | 2016-06-15 | 北京长城华冠汽车科技股份有限公司 | 一种动力电池的荷电状态的确定方法及*** |
CN108351984A (zh) * | 2015-11-05 | 2018-07-31 | 微软技术许可有限责任公司 | 硬件高效的深度卷积神经网络 |
CN108445777A (zh) * | 2017-01-14 | 2018-08-24 | 费德姆技术公司 | 虚拟资产的数据转换 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN109063589A (zh) * | 2018-07-12 | 2018-12-21 | 杭州电子科技大学 | 基于神经网络的仪器设备在线监测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100880717B1 (ko) * | 2005-02-14 | 2009-02-02 | 가부시키가이샤 덴소 | 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치 |
-
2019
- 2019-03-27 DE DE102019107935.7A patent/DE102019107935A1/de active Pending
-
2020
- 2020-03-26 CN CN202010222906.3A patent/CN111751729B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1890574A (zh) * | 2003-12-18 | 2007-01-03 | 株式会社Lg化学 | 使用神经网络评估电池的充电状态的设备和方法 |
CN102118071A (zh) * | 2009-12-31 | 2011-07-06 | 上海汽车集团股份有限公司 | 用于车载电池远程维护的方法和装置 |
CN102756661A (zh) * | 2011-04-27 | 2012-10-31 | 北京八恺电气科技有限公司 | 车用电池荷电状态的确定方法及装置 |
CN105612429A (zh) * | 2013-10-14 | 2016-05-25 | 罗伯特·博世有限公司 | 测定车辆电池依据充电状态的空载电压曲线的方法和装置 |
CN104890526A (zh) * | 2014-03-05 | 2015-09-09 | 福特全球技术公司 | 车辆、***和方法 |
CN204028667U (zh) * | 2014-07-25 | 2014-12-17 | 北汽福田汽车股份有限公司 | 车载蓄电池状态监控***、监控装置及车辆 |
CN108351984A (zh) * | 2015-11-05 | 2018-07-31 | 微软技术许可有限责任公司 | 硬件高效的深度卷积神经网络 |
CN105677901A (zh) * | 2016-02-05 | 2016-06-15 | 北京长城华冠汽车科技股份有限公司 | 一种动力电池的荷电状态的确定方法及*** |
CN108445777A (zh) * | 2017-01-14 | 2018-08-24 | 费德姆技术公司 | 虚拟资产的数据转换 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN109063589A (zh) * | 2018-07-12 | 2018-12-21 | 杭州电子科技大学 | 基于神经网络的仪器设备在线监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
DE102019107935A1 (de) | 2020-10-01 |
CN111751729A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application | |
Farmann et al. | A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles | |
US11644515B2 (en) | Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
US9440552B2 (en) | Estimation and compensation of battery measurement | |
JP4763050B2 (ja) | バッテリー状態推定方法及び装置 | |
CN105510829B (zh) | 一种新型锂离子动力电池soc估计方法 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN103983920B (zh) | 一种建立电动车辆的动力电池的模型的方法 | |
CN111751729B (zh) | 用于确定车辆的可反复充电电池的状态的方法 | |
Zhou et al. | Peak power prediction for series-connected LiNCM battery pack based on representative cells | |
Sadabadi et al. | Model-based state of health estimation of a lead-acid battery using step-response and emulated in-situ vehicle data | |
CN110333450A (zh) | 电池开路电压预估方法及*** | |
US10054643B2 (en) | Method and apparatus for isolating root cause of low state of charge of a DC power source | |
CN111157908A (zh) | 一种基于大数据机器学习的电池健康度预测方法 | |
CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
US11970079B2 (en) | Method for determining an ageing condition of a battery, computer program, memory means, control device and vehicle | |
Wang et al. | Modeling, parameterization, and benchmarking of a lithium ion electric bicycle battery | |
Köder et al. | Investigating electrochemical impedance spectroscopy for state of health estimation of LiFePO4 batteries in idle state | |
US20230003802A1 (en) | Lebesgue sampling-based lithium-ion battery state-of-charge diagnosis and prognosis | |
WO2014018048A1 (en) | Battery management system | |
CN116176355A (zh) | 一种基于ai深度学习的电池生命预估方法 | |
Adermann et al. | Parameter estimation of traction batteries by energy and charge counting during reference cycles | |
CN114720901A (zh) | 一种锂离子电池健康状态估计的方法 | |
Jung et al. | Online electrochemical impedance spectroscopy estimation of lithium-ion batteries using a deep learning framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |