DE102015207300A1

DE102015207300A1 - Batteriesensor für Fahrzeug und Verfahren zur Bestimmung der Jahreszeit unter Verwendung des Sensors

Info

Publication number: DE102015207300A1
Application number: DE102015207300.9A
Authority: DE
Inventors: Soon Keun Kwon
Original assignee: Hyundai Mobis Co Ltd
Current assignee: Hyundai Mobis Co Ltd
Priority date: 2014-04-22
Filing date: 2015-04-22
Publication date: 2015-10-22
Also published as: CN105021991A; KR20150121920A

Abstract

Eine Jahreszeit wird ermittelt unter Verwendung eines Batteriesensors für ein Fahrzeug, und als Ergebnis wird eine Batterieleistung vorausgesagt, um die Überwachungsleistung des Batteriesensors für das Fahrzeug zu verbessern.

Description

RÜCKVERWEISUNG AUF VERWANDTE ANMELDUNGEN
Diese Anmeldung beansprucht Priorität gemäß 35 U.S.C. §119 gegenüber der koreanischen Patentanmeldung Nr. 10-2014-0048135 , eingereicht am 22. April 2014 im koreanischen Patentamt, deren Beschreibung hierin in ihrer Gesamtheit durch Bezugnahme eingefügt ist.
TECHNISCHES GEBIET
Die vorliegende Erfindung betrifft einen Batteriesensor für ein Fahrzeug und insbesondere ein Verfahren zur Bestimmung einer Jahreszeit unter Verwendung des Batteriesensors für das Fahrzeug.
STAND DER TECHNIK
In letzter Zeit sind grundsätzlich verschiedene elektronische Steuerungseinrichtungen, Multimediaeinrichtungen und ähnliches in Fahrzeuge eingebaut worden.
Diese Geräte arbeiten mit dem Strom der Fahrzeugbatterie, weswegen ein Management der Fahrzeugbatterie wichtig ist.
Die Leistung der Fahrzeugbatterie im Fahrzeug wird unter Verwendung eines Fahrzeugbatteriesensors überwacht, der den Zustand der Batterie misst. Der Batteriesensor misst beispielsweise den Ladezustand, den Alterungsgrad, und die Wiederanlauffähigkeit der Fahrzeugbatterie.
Es ist bekannt, dass die Leistung der Fahrzeugbatterie eng mit den jahreszeitlichen Temperaturänderungen zusammenhängt. Der Fahrzeugbatteriesensor muss daher die Leistung der Fahrzeugbatterie in Einklang mit den jahreszeitlichen Temperaturwechseln überwachen.
Zu diesem Zweck muss der Fahrzeugbatteriesensor automatisch die aktuelle Jahreszeit bestimmen. Ein Fahrzeugbatteriesensor mit einer Funktion zur Bestimmung der Jahreszeiten wurde jedoch noch nicht entwickelt.
ZUSAMMENFASSUNG
In der vorliegenden Erfindung soll daher ein Batteriesensor für ein Fahrzeug bereit gestellt werden, der in der Lage ist, die Jahreszeit zu bestimmen.
Die vorliegende Erfindung soll außerdem ein Verfahren zur Bestimmung einer Jahreszeit unter Verwendung des Batteriesensors für das Fahrzeug bereit stellen.
Ein Ausführungsbeispiel der vorliegenden Erfindung stellt einen Batteriesensor für ein Fahrzeug bereit, der folgendes umfasst: eine Vorab-Lerneinheit, welche die täglichen Temperaturdaten in eine Vielzahl von Muster-Clustern einordnet, welche Jahreszeiten darstellen, um eine selbstorganisierende Karte zu konfigurieren, und die Mittelwerte aus der Vielzahl von Muster-Clustern generiert, die auf der selbstorganisierenden Karte als vorab erlernte jahreszeitliche Musterdaten dargestellt werden; eine Temperaturerfassungseinheit, welche die Außentemperaturdaten des Fahrzeugs in Echtzeit misst; und eine Jahreszeitenklassifizierungseinheit, welche die in Echtzeit gemessenen Außentemperaturdaten entsprechend der Cluster-Analyse in einer Vielzahl von Clustern zusammenfasst, einen Mittelwerts aus der Vielzahl von zusammengefassten Clustern berechnet und das Muster-Cluster erkennt, dessen Mittelwert dem Mittelwert der Vielzahl von Clustern am nächsten kommt, durch Abbildung des berechneten Mittelwerts der Vielzahl von Clustern auf der selbstorganisierenden Karte, um die von dem erkannten Muster-Cluster repräsentierte Jahreszeit als aktuelle Jahreszeit zu klassifizieren.
Ein anderes Ausführungsbeispiel der vorliegenden Erfindung stellt ein Verfahren bereit zur Bestimmung einer Jahreszeit unter Verwendung eines Batteriesensors für ein Fahrzeug, der einen Zustand einer Fahrzeugbatterie misst, einschließlich: Konfiguration einer selbstorganisierenden Karte durch Einordnung der Tagestemperaturdaten in eine Vielzahl von Muster-Clustern, welche Jahreszeiten repräsentieren; Generieren eines Mittelwerts aus der auf der selbstorganisierenden Karte als vorab erlernte Jahreszeiten-Musterdaten dargestellten Vielzahl von Muster-Clustern; Zusammenfassen der in Echtzeit gemessenen Fahrzeugaußentemperaturen in der Vielzahl von Clustern unter Verwendung einer Cluster-Analyse und Berechnung der Mittelwerte der Vielzahl von Clustern; Erkennen des Muster-Clusters, dessen Mittelwert dem Mittelwert aus der Vielzahl von Clustern am nächsten kommt, durch Abbilden des Mittelwerts der Vielzahl von Clustern auf der selbstorganisierenden Karte; und Klassifizierung der von dem erkannten Muster-Cluster repräsentierten Jahreszeiteninformation als aktuelle Jahreszeiteninformation.
Entsprechend den Ausführungsbeispielen der vorliegenden Erfindung wird die Jahreszeit bestimmt unter Verwendung des Batteriesensors für das Fahrzeug, um eine Leistungsüberwachung des Batteriesensors für das Fahrzeug weiter zu verbessern.
Andere Merkmale und Gesichtspunkte werden aus der folgenden ausführlichen Beschreibung, den Zeichnungen und den Ansprüchen offensichtlich.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Blockschaltbild, das ein vollständiges Fahrzeugsystem veranschaulicht, einschließlich eines Batteriesensors für ein Fahrzeug gemäß einem Ausführungsbeispiel der vorliegenden Erfindung.
2 ist ein Blockschaltbild, welches das Schema einer internen Konfiguration des Jahreszeitenbestimmungsmoduls aus 1 veranschaulicht.
3 ist ein Konfigurationsdiagramm, das eine Konfiguration eines künstlichen neuronalen Netzes veranschaulicht, das in einer Vorab-Lerneinheit gemäß einem Ausführungsbeispiel der vorliegenden Erfindung eingesetzt werden kann.
4 ist ein Diagramm zur Beschreibung der Ausbreitungsregel des künstlichen neuronalen Netzes, das in der Vorab-Lerneinheit gemäß einem Ausführungsbeispiel der vorliegenden Erfindung eingesetzt werden kann.
5 ist ein Diagramm zur Beschreibung einer Lernregel des künstlichen neuronalen Netzes, das in der Vorab-Lerneinheit gemäß einem Ausführungsbeispiel der vorliegenden Erfindung eingesetzt werden kann.
6 ist ein Flussdiagramm, das einen von der Vorab-Lerneinheit aus
2 durchgeführten Vorab-Lernprozess veranschaulicht.
7 ist eine grafische Darstellung, die ein Beispiel von täglichen Durchschnittstemperaturdaten veranschaulicht, die von der in 2 dargestellten Vorab-Lerneinheit verwendet werden.
8 ist eine grafische Darstellung zur Beschreibung von Histogrammdaten, die gemäß dem Ausführungsbeispiel der vorliegenden Erfindung umgewandelt werden.
9 ist eine grafische Darstellung, die ein Beispiel eines Positions-Mittelwerts entsprechender Muster-Cluster vor dem Beginn eines Vorab-Lernprozesses gemäß dem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
10 ist eine grafische Darstellung, die ein Beispiel eines Positions-Mittelwerts entsprechender Muster-Cluster veranschaulicht, der nach dem Vorab-Lernprozess gemäß dem Ausführungsbeispiel der vorliegenden Erfindung verschoben wurde.
11 ist ein Diagramm, das vorab erlernte Jahreszeiten-Musterdaten veranschaulicht, die in einer Speichereinheit gemäß der vorliegenden Erfindung gespeichert wurden.
12 ist ein Flussdiagramm, das einen Prozess der Klassifizierung von Jahreszeiten in einer in 2 dargestellten Jahreszeitenklassifizierungseinheit veranschaulicht.
13 ist eine grafische Darstellung, die Außentemperaturdaten eines Fahrzeugs veranschaulicht, die in die Jahreszeitenklassifizierungseinheit gemäß dem Ausführungsbeispiel der Erfindung eingegeben werden.
14 ist ein Diagramm, das ein Beispiel von Histogrammdaten veranschaulicht, die aus den Außentemperaturdaten des in 13 dargestellten Fahrzeugs umgewandelt werden.
15 ist ein Diagramm, das einen Positions-Mittelwert der Außentemperaturdaten des Fahrzeugs veranschaulicht, der mittels eines k-Means-Algorithmus gemäß einem Ausführungsbeispiel der Erfindung berechnet wurde.
16 ist ein Diagramm, das schematisch einen Jahreszeitenklassifizierungsprozess veranschaulicht, der in S1240 von 12 durchgeführt wird.
17 ist ein Diagramm, das ein Kombiinstrument in dem Fahrzeug veranschaulicht, welches Jahreszeiteninformationen von der in 2 dargestellten Jahreszeitenklassifizierungseinheit anzeigt.
AUSFÜHRLICHE BESCHREIBUNG DER AUSFÜHRUNGSBEISPIELE
Im Folgenden werden Ausführungsbeispiele der vorliegenden Erfindung unter Bezugnahme auf die beigefügten Zeichnungen ausführlich beschrieben.
1 ist ein Blockdiagramm, das ein komplettes Fahrzeugsystem mit einem Batteriesensor für ein Fahrzeug gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Bezugnehmend auf 1 umfasst das komplette Fahrzeugsystem ein Fahrzeugbatterie-Sensormodul 100, das eine Innentemperatur und einen Ladezustand einer Fahrzeugbatterie 500 sowie eine Außentemperatur des Fahrzeugs zur Bestimmung einer Jahreszeit erfasst, ein Motorsteuergerät 200, das Innentemperaturdaten und Ladezustandsdaten der Fahrzeugbatterie 500 von dem Fahrzeugbatterie-Sensormodul 100 durch Kommunikation über das Local Interconnect Network (LIN) erhält und das einen Motor entsprechend den erhaltenen Innentemperaturdaten und Ladezustandsdaten steuert, einen Motor 300, der von dem Motorsteuergerät 200 gesteuert wird, ein Hauptsteuergerät 220, das Jahreszeitendaten (alternativ Jahreszeiteninformationen) von dem Fahrzeugbatterie-Sensormodul 100 über die LIN-Kommunikation erhält, und eine elektrische Last 400, die von verschiedenen, im Fahrzeug befindlichen elektrischen Geräten gebildet wird, die Strom von der Fahrzeugbatterie 500 erhalten.
Da die übrigen Komponenten 200, 300, und 400 anders als das Fahrzeugbatterie-Sensormodul 100 von den im gesamten Fahrzeugsystem vorhandenen Komponenten hinlänglich bekannt sind, kann auf eine Beschreibung hier verzichtet werden.
Das Hauptsteuergerät 220 überträgt die vom Fahrzeugbatterie-Sensormodul 100 erhaltenen Jahreszeitendaten an verschiedene elektrische Geräte im Fahrzeug.
Das Hauptsteuergerät 220 kann ein Kombiinstrument steuern, damit ein Fahrer visuell die Jahreszeitendaten überprüfen kann, indem es die Jahreszeitendaten an ein Kombiinstrument im Fahrzeug überträgt.
Abhängig von den auf dem Kombiinstrument angezeigten Jahreszeitendaten kann der Fahrer beim Starten des Fahrzeugs entscheiden, ob das Fahrzeug im Leerlauf betrieben werden soll oder ob Zeit für einen Reifenwechsel ist.
Im Folgenden wird das Fahrzeugbatterie-Sensormodul 100 ausführlich beschrieben.
Das Fahrzeugbatterie-Sensormodul 100 bestimmt eine aktuelle Jahreszeit, indem es die Außentemperatur des Fahrzeugs erfasst.
Das Fahrzeugbatterie-Sensormodul 100 ist über einen Nebenschlusswiderstand 110 elektrisch mit einer (+) Klemme der Batterie 500 sowie einer (–) Klemme der Batterie 500 verbunden.
Das Fahrzeugbatterie-Sensormodul 100 umfasst ein Rechenmodul 120, das eine Innentemperatur und einen Ladezustand der Fahrzeugbatterie 500 erfasst, und ein Jahreszeitenbestimmungsmodul 130, das die Jahreszeit bestimmt.
Das Rechenmodul 120 umfasst eine Spannungserfassungseinheit 121, die eine Spannung der Batterie 500 misst, eine Temperaturerfassungseinheit 123, welche die Innentemperatur und die Fahrzeugaußentemperatur des Sensormoduls 100 in Echtzeit erfasst, eine Stromerfassungseinheit 125, welche einen Strom misst, der in der Fahrzeugbatterie 500 fließt, entsprechend einer Differenz der Spannung zwischen beiden Klemmen des Nebenschlusswiderstands 110, ein Gerät 127 zur Analyse der Batterieinnentemperatur (Battery-Temp-Modell (BTM)), welches die Innentemperatur der Fahrzeugbatterie 500 auf Basis der Innentemperatur analysiert, eine Ladezustand-Analyseeinheit (State of Charge (SOC) 128, welche den Ladezustand der Batterie 500 auf Basis der gemessenen Batteriespannung und des gemessenen Batteriestroms analysiert, und eine Alterungszustand-Analyseeinheit (State of Health (SOH)), die einen Alterungszustand der Batterie 500 auf Basis der Innentemperatur, der Batteriespannung und des Batteriestroms analysiert.
Die Informationen zur Batterieinnentemperatur, zum Ladezustand und zum Alterungszustand, die von den jeweiligen Komponenten 127, 128, und 129 des Rechenmoduls 120 analysiert wurden, werden über LIN-Kommunikation an das Motorsteuergerät 200 übertragen. Das Motorsteuergerät 200 steuert den Motor entsprechend den erhaltenen Informationen.
Das Jahreszeitenbestimmungsmodul 130 erfasst die Jahreszeitendaten für die aktuelle Jahreszeit, indem es vorab erlernte Jahreszeiten-Musterdaten anwendet. Dieser Vorgang wird weiter unten unter Bezugnahme auf 2 ausführlich beschrieben.
2 ist ein Blockdiagramm, das schematisch eine interne Konfiguration des Jahreszeitenbestimmungsmoduls aus 1 zeigt.
Bezugnehmend auf 2, das Jahreszeitenbestimmungsmodul 130 umfasst eine Vorab-Lerneinheit 132, welche die Daten der Jahreszeitenmuster lernt, eine Speichereinheit 134, welche die zuvor von der Vorab-Lerneinheit 132 gelernten Jahreszeitenmusterdaten speichert, und eine Jahreszeitenklassifizierungseinheit 136, welche die Jahreszeiten durch Anwendung der vorab erlernten und in der Speichereinheit 134 gespeicherten Jahreszeitenmusterdaten klassifiziert.
Die Vorab-Lerneinheit 132 erhält Tagestemperaturdaten des Vorjahres und lernt die Tagestemperaturdaten durch Anwendung einer selbstorganisierenden Karte (SOM), um die vorab erlernten Jahreszeiten-Musterdaten zu generieren.
Die vorab erlernten Jahreszeiten-Musterdaten werden in der Speichereinheit 134 gespeichert.
Die Jahreszeitenklassifizierungseinheit 136 klassifiziert die Jahreszeiten anhand der Fahrzeug-Außentemperaturdaten und der vorab erlernten Jahreszeiten-Musterdaten, die in Echtzeit von der Temperatursensoreinheit 123 gemessen wurden.
Die klassifizierten Jahreszeitendaten werden an das Hauptsteuergerät 220 weiter gegeben, das Hauptsteuergerät 220 verarbeitet die erhaltenen Jahreszeitendaten und überträgt die verarbeiteten Jahreszeitendaten an die entsprechende Elektronik im Fahrzeug, von der die Daten angefragt werden.
Ein Vorab-Lernprozess der Jahreszeiten-Musterdaten der Vorab-Lerneinheit 132 wird im Folgenden ausführlich beschrieben.
Die Vorab-Lerneinheit 132 lernt die Jahreszeiten-Musterdaten unter Verwendung der selbstorganisierenden Karte (SOM).
Die selbstorganisierende Karte (SOM) ist eines der Selbstlernverfahren, das ein künstliches neuronales Netz verwendet.
Selbstorganisierend heißt nicht, dass ein genaues Ausgabemuster für ein Muster von Eingabeinformationen erstellt wird, sondern dass das Muster aus Eingabeinformationen zusammengefasst und aus einem zusammengefassten Ergebnis ein bestimmtes Ausgabemuster erlernt wird.
Das künstliche neuronale Netz soll kurz vorgestellt werden, um den Lernprozess der Jahreszeiten-Musterdaten besser verständlich zu machen.
Künstliches neuronales Netz
Das künstliche neuronale Netz bildet eine Verfahrensweise eines biologischen neuronalen Systems nach, das ein Objekt oder Ereignis erkennt, und verwendet und verarbeitet die abgebildete Verfahrensweise mathematisch. Das heißt, das künstliche neuronale Netz, welches das Erlernen eines Eingabemusters abgeschlossen hat, kann ein korrektes Ausgabemuster auch in Bezug auf ein vorher nicht erlerntes Eingabemuster induzieren.
3 ist ein Konfigurationsdiagramm, das eine Konfiguration eines künstlichen neuronalen Netzes veranschaulicht, das in einer Vorab-Lerneinheit gemäß einem Ausführungsbeispiel der Erfindung verwendbar ist.
Wie in 3 gezeigt, umfasst das künstliche neuronale Netz eine Eingabeschicht, eine verdeckte Schicht und eine Ausgabeschicht.
Die Eingabeschicht steht für eine Dateneingabe zum Lernen und die Ausgabeschicht steht für eine Ausgabe eines Lernergebniswerts. Die verdeckte Schicht steht darüber hinaus für die Ausbreitung, das Erlernen und Aktivieren von Informationen.
Ausbreitungsregel des künstlichen neuronalen Netzes
Die Ausbreitungsregel des künstlichen neuronalen Netzes ist eine Regel, nach der in einem System ein neuer Zustand aus einem aktuellen Zustand erworben werden kann, indem Eingabemuster des Systems miteinander kombiniert werden.
4 ist ein Diagramm zur Beschreibung einer Ausbreitungsregel des künstlichen neuronalen Netzes in der Vorab-Lerneinheit gemäß dem Ausführungsbeispiel der vorliegenden Erfindung.
Wie in 4 veranschaulicht, erhält ein Eingabeblock 41 des Systems gemäß der Ausbreitungsregel des künstlichen neuronalen Netzes ein Eingabemuster X und überträgt das erhaltene Eingabemuster X an einen Sigma-Rechenblock 43. Der Sigma-Rechenblock 43 errechnet eine Summe der erhaltenen Eingabemuster X und überträgt das Rechenergebnis an einen Aktivierungsfunktionsblock 45. Der Aktivierungsfunktionsblock 45 kombiniert die Summe (NET, Schwellengewicht) der erhaltenen Eingabemuster mit Hilfe einer Aktivierungsfunktion (f()) und überträgt das kombinierte Ergebnis (f(NET)) an einen Ausgabeblock 47. Der Ausgabeblock 47 gibt das erhaltene kombinierte Ergebnis (f(NET)) entsprechend der Regel (Y = f(NET)) aus, um den neuen Zustand des aktuellen Zustands zu erfassen.
Aktivierungsregel des künstlichen neuronalen Netzes
Die Aktivierungsregel des künstlichen neuronalen Netzes ist eine Schwellenregel, bei der das Eingabegewicht der in das künstliche neuronale Netz eingegebenen Daten die Ausgabe beeinflusst. Die Aktivierungsregel kann wie folgt ausgedrückt werden. Wenn (NET > T) Y = 1, ELSE Y = 0, wobei NET ein Schwellengewicht, T eine Schwelle und Y die Aktivierungsfunktion darstellt.
Lernregel des künstlichen neuronalen Netzes
Die Lernregel des künstlichen neuronalen Netzes stellt einen Prozess des Annehmens einer Verbindungsstärke zwischen Neuronen dar, die für einen bestimmten Anwendungszweck geeignet sein sollen.
5 ist ein Diagramm zur Beschreibung der Lernregel des künstlichen neuronalen Netzes, die von der Vorab-Lerneinheit gemäß dem Ausführungsbeispiel der Erfindung ausgeführt wird.
Wie 5 veranschaulicht, umfasst die Lernregel des künstlichen neuronalen Netzes einen Prozess 51 der Initialisierung einer Verbindungsstärke, einen Prozess 53 der Berechnung einer Ausgabe mit einem Eingabemuster, einen Prozess 55 der Aktualisierung der Verbindungsstärke, und einen Prozess 57 des Abschließens der Lernphase.
Die selbstorganisierende Karte (SOM), die für das Erlernen der Jahreszeiten-Musterdaten in der Vorab-Lerneinheit 132 aus 2 verwendet wird, wird mit Hilfe eines Algorithmus des künstlichen neuronalen Netzes generiert, der von der Ausbreitungsregel des künstlichen neuronalen Netzes, der Aktivierungsregel und der Lernregel des oben beschriebenen künstlichen neuronalen Netzes gebildet wird.
Im Folgenden wird ein Prozess des Lernens der Jahreszeiten-Musterdaten unter Verwendung der SOM, wie er von der Vorab-Lerneinheit durchgeführt wird, unter Bezugnahme auf 6 beschrieben.
6 ist ein Flussdiagramm zur Veranschaulichung eines Lernprozesses, der von der Vorab-Lerneinheit aus 2 durchgeführt wird.
Bezugnehmend auf 6, in Schritt S610 wird zuerst ein Prozess des Empfangens der Lerndaten durchgeführt. Als Lerndaten werden Tagestemperaturen des Jahres 2013 angenommen, wie in 7 dargestellt.
Zur Verkürzung der Lern-Verarbeitungszeit wird in S620 ein Prozess des Umwandelns der erhaltenen Tagestemperaturdaten für das Jahr 2013 in Histogrammdaten durchgeführt.
Der Prozess des Umwandelns der Tagestemperaturdaten in die Histogrammdaten umfasst einen Prozess, in dem mehrere Temperaturintervalle festgelegt werden, und einen Prozess, in dem die Tagestemperaturdaten, die den einzelnen festgelegten Temperaturintervallen entsprechen, in die Histogrammdaten umgewandelt werden, deren Balkendiagramm in 8 dargestellt ist. Die Tagestemperaturdaten werden in Histogrammdaten umgewandelt, um die Menge der während des Lernens verwendeten Daten zu reduzieren.
In S630 wird ein Prozess des Einrichtens der selbstorganisierenden Karte (SOM) durchgeführt, die zum Lernen der umgewandelten Histogrammdaten verwendet wird. Das heißt es wird ein Prozess durchgeführt, in dem das Neuron, das in der verdeckten Schicht aus 3 verwendet wird, festgesetzt wird.
Eine Änderung der Temperaturdaten in Abhängigkeit von der Änderung der Jahreszeiten hat eine konsekutive Charakteristik. Unter Berücksichtigung der konsekutiven Charakteristik wird in dem Ausführungsbeispiel die Festlegung von fünf Neuronen beschrieben, die für Winter, Winter/Herbst, Herbst/Frühjahr, Frühjahr/Sommer, und Sommer stehen.
In dem exemplarischen Ausführungsbeispiel wird die Festlegung von Muster-Clustern beschrieben, welche die Jahreszeit als fünf Neuronen festlegen, die durch Winter, Winter/Herbst, Herbst/Frühjahr, Frühjahr/Sommer, und Sommer gebildet werden, unter Berücksichtigung einer konsekutiven Umwandlungscharakteristik der Temperaturdaten in Abhängigkeit von jahreszeitlichen Veränderungen.
Die selbstorganisierende Karte (SOM), in der fünf durch Winter, Winter/Herbst, Herbst/Frühjahr, Frühjahr/Sommer, und Sommer gebildete Neuronen festgelegt werden, ist in 9 dargestellt.
In 9, als grafische Darstellung der Position der Mitte (Gewicht oder Verbindungsstärke) eines Muster-Clusters vor dem Lernen, stellt Gewicht 1 einer x-Achse die Temperatur und Gewicht 2 einer y-Achse eine Zahl von Histogrammdaten dar, die für jede Temperatur gezählt wurden.
In 9 sind die Punkte P1 mit einer geringen Größe und 5 Punkte P2 mit einer relativ großen Größe dargestellt.
Die Punkte P1 sind die Histogrammdaten und die 5 Punkte P2 sind Muster-Cluster, die von Winter, Winter/Herbst, Herbst/Frühjahr, Frühjahr/Sommer, und Sommer vor dem Lernen gebildet wurden.
In S640 wird unter Verwendung der in S630 festgelegten SOM ein Lernprozess der Histogrammdaten durchgeführt. Die wiederholte Ausführung des Lernprozesses verbessert die Genauigkeit des Lernergebnisses. In dem Ausführungsbeispiel kann ein Lernprozess etwa 1000 Mal ausgeführt werden.
Wenn die Lernprozesse abgeschlossen sind, wird in S650 ein Prozess zur Überprüfung eines erlernten Jahreszeitenmusters ausgeführt.
Bei der Überprüfung wird ein Positions-Mittelwert (Gewichtsposition oder Verbindungsstärke) jedes verschobenen Muster-Clusters geprüft, nachdem die Lernphase abgeschlossen ist. In 10 wurde der Positions-Mittelwert eines jeden Muster-Clusters verschoben, nachdem der Lernprozess 1000 Mal ausgeführt wurde.
In S660 werden die geprüften Positions-Mittelwerte der jeweiligen Muster-Cluster in der Speichereinheit 134 gespeichert, die in 2 dargestellt ist. Ist beispielsweise der geprüfte Positions-Mittelwert jedes Muster-Clusters wie in 11 dargestellt, können die vorher erlernten Jahreszeiten-Musterdaten (alternativ vorher erlernte Koordinaten der Jahreszeitenmusterdaten) in der nachfolgenden Tabelle 1 ausgedrückt werden. [Tabelle 1]

Gewicht 1 Gewicht 2

Winter –10.1500 0.8500

Winter/Herbst 1.7500 4.9167

Herbst/Frühjahr 13.2857 3.6190

Frühjahr/Sommer 23.7778 7.1667

Sommer 31.5769 0.7692

[Jahreszeiten-Musterdaten oder Koordinaten der Jahreszeiten-Musterdaten]
Wenn also die vorher von der Vorab-Lerneinheit 132 erlernten Jahreszeiten-Musterdaten mittels der Prozesse aus 6 erfasst werden, wird in der Jahreszeitenklassifizierungseinheit 136 aus 2 eine Klassifizierung der Jahreszeiten, die der vom Fahrzeugbatteriesensor gemessenen Fahrzeugaußentemperatur entsprechen, durchgeführt, basierend auf den erfassten vorher erlernten Jahreszeitenmusterdaten.
Im Folgenden wird der Prozess der Klassifizierung der Jahreszeiten mit Hilfe der vorher erlernten Jahreszeiten-Musterdaten bis jetzt unter Bezugnahme auf 12 ausführlich beschrieben.
12 ist ein Flussdiagramm zur Veranschaulichung eines Prozesses der Klassifizierung von Jahreszeiten in der Jahreszeitenklassifizierungseinheit 136, die in 2 dargestellt ist. Sofern nichts anderes angegeben ist, wird für die Ausführung des weiter unten beschriebenen Schrittes die in 2 dargestellte Klassifizierungseinheit 136 angenommen.
Bezugnehmend auf 12, in Schritt S1210 misst die Temperatursensoreinheit 123 des Fahrzeugbatteriesensors 100 die Fahrzeugaußentemperatur in Echtzeit. Zum Beispiel misst die Temperatursensoreinheit 123 im Fahrzeugbatteriesensor, wie in 13 dargestellt, die Fahrzeugaußentemperatur am 6. März 2014 in Echtzeit mit einem zeitlichen Intervall von 3 Stunden. Zur exakten Messung wird die Fahrzeugaußentemperatur vorzugsweise bei stehendem Fahrzeug gemessen. Misst man die Fahrzeugaußentemperatur bei fahrendem Fahrzeug, ist eine genaue Messung nicht möglich, da die Temperatursensoreinheit 123 von der Motortemperatur beeinflusst werden könnte.
In S1220 wird ein Profil der Fahrzeugaußentemperatur, die in Echtzeit von der Temperatursensoreinheit 123 gemessen wird, in die Jahreszeitenklassifizierungseinheit 136 des Jahreszeitenbestimmungsmoduls 130 eingegeben. Die Jahreszeitenklassifizierungseinheit 136 führt einen Prozess durch, in dem das Profil der in Echtzeit gemessenen Fahrzeugaußentemperatur in die Histogrammdaten umgewandelt wird, aus denen sich das in 14 dargestellte Balkendiagramm ergibt.
In S1230 wird ein Temperaturmuster der gemessenen Fahrzeugaußentemperatur unter Verwendung einer Cluster-Analyse der umgewandelten Histogrammdaten überprüft. Bei der Überprüfung werden ähnliche Histogrammdaten in einer Vielzahl von Clustern zusammengefasst und aus der Vielzahl von Clustern ein Mittelwert berechnet.
In S650 aus 6 wird der Positionsmittelwert (Gewichtsposition oder Verbindungsstärke) eines jeden Muster-Clusters vom Algorithmus der selbstorganisierenden Karte (SOM) in S650 aus 6 überprüft, aber hier muss der Mittelwert der Cluster mittels eines Algorithmus mit kleinerer Verarbeitungsmenge als beim SOM-Algorithmus überprüft werden, da das Temperaturmuster der gemessenen Fahrzeugaußentemperatur in Echtzeit überprüft werden muss. Beispielsweise kann ein Mittelwert der Cluster der zusammengefassten Fahrzeugaußentemperatur durch Anwenden eines k-Means-Clustering-Algorithmus berechnet werden.
15 ist ein Diagramm zur Veranschaulichung des Mittelwerts der Cluster der Fahrzeugaußentemperatur, der mittels des k-Means-Clustering-Algorithmus berechnet wurde.
15 veranschaulicht ein Beispiel, bei dem eine Koordinate des Mittelwerts der Fahrzeugaußentemperatur bei 0.5000, 0.5000 liegt.
In S1240 wird ein Prozess ausgeführt, in dem die aktuelle Jahreszeit klassifiziert wird, indem der Mittelwert der in S1230 berechneten Fahrzeugaußentemperatur mit dem vorher erlernten Jahreszeitenmuster aus 6 verglichen wird. In dem k-Means-Clustering-Algorithmus wird durch Vergleich der Abstände zwischen den Eingabedaten (Mittelwertkoordinate der Fahrzeugaußentemperatur) und den Mittelwerten (alternativ Mittelwertkoordinaten) der vorher erlernten Muster-Cluster ein nächstgelegenes Muster-Cluster als Eingabewert zugewiesen. Nach der Zuweisung wird eine Mittelwertkoordinate eines neuen Muster-Clusters berechnet, indem die Eingabedaten und die Mittelwertkoordinate jedes vorher erlernten Muster-Clusters verwendet und der errechnete Mittelwert aktualisiert wird.
16 ist ein Diagramm, welches schematisch den in S1240 aus 12 durchgeführten Klassifizierungsprozess veranschaulicht.
16A veranschaulicht ein vorher erlerntes Jahreszeitenmuster, das in 6 beschrieben wird und 16B veranschaulicht den Mittelwert der Fahrzeugaußentemperatur, der durch Anwenden des k-Means-Clustering-Algorithmus auf die Fahrzeugaußentemperaturdaten berechnet wurde, welche mittels der Temperatursensoreinheit in dem Fahrzeugbatteriesensor gemessen wurden. 16C veranschaulicht außerdem ein Ergebnis der Klassifizierung der aktuellen Jahreszeit durch Anwenden des k-Means-Clustering-Algorithmus auf den Mittelwert der vorher erlernten Jahreszeiten-Musterdaten aus 16A und das Cluster (den Mittelwert der zusammengefassten Fahrzeugaußentemperatur) aus 16B.
Wie in 16C gezeigt, werden der in Echtzeit gemessene Mittelwert der Fahrzeugaußentemperatur und die Mittelwertkoordinate der vorher erlernten Jahreszeiten-Musterdaten auf einer in 16C dargestellten Koordinatenachse abgebildet. Anschließend werden die Abstände zwischen der Mittelwertkoordinate der Fahrzeugaußentemperatur und den Mittelwerten (alternativ Mittelwertkoordinaten) eines jeden vorher erlernten Muster-Clusters miteinander verglichen und ein Muster-Cluster, das der Mittelwertkoordinate (Punkt A) der Fahrzeugaußentemperatur am nächsten liegt, wird ausgewählt. 16C veranschaulicht ein Beispiel, bei dem Winter/Herbst als das Muster-Cluster ausgewählt wird, das der Mittelwertkoordinate (Punkt A) der Fahrzeugaußentemperatur am nächsten liegt. Wenn das Muster-Cluster ausgewählt wurde, wird die Mittelwertkoordinate des neuen Muster-Clusters Winter/Herbst' unter Anwendung der Mittelwertkoordinate jedes vorher erlernten Muster-Clusters berechnet, um das vorher erlernte Muster-Cluster, das Winter/Herbst entspricht, als Mittelwertkoordinate des neuen Muster-Clusters Winter/Herbst zu aktualisieren.
Wenn also der Mittelwert der Fahrzeugaußentemperatur, die in Echtzeit von dem Fahrzeugbatteriesensor gemessen wird, als Eingabe für das vorher erlernte Jahreszeitenmuster verwendet wird, kann nachgeprüft werden, dass der Mittelwert dem Muster-Cluster zugewiesen wird, das Win beschrieben. Der Fahrzeugbatteriesensor bestimmt also schließlich Winter/Herbst als aktuelle Jahreszeit. Die festgelegten Jahreszeitendaten werden über einen Kommunikationskanal im Fahrzeug an das Hauptsteuergerät 220 aus 1 übertragen. Das Hauptsteuergerät zeigt die Jahreszeitendaten, die es vom Fahrzeugbatteriesensor erhalten hat, auf dem Kombiinstrument im Fahrzeug an, so dass sich ein Anwender auf einen Fahrzustand vorbereiten kann, der für die jeweilige Jahreszeit geeignet ist, wie in 17 dargestellt. Beispielsweise kann der Anwender aufgrund der auf dem Fahrzeug-Display angezeigten Jahreszeiteninformation beim Anlassen des Fahrzeugs entscheiden, ob dieses im Leerlauf laufen soll oder Zeit für einen Reifenwechsel ist.
Die vorliegende Erfindung stellt möglicherweise keine begrenzende Ausführung der Konfigurationen und Verfahren der beschriebenen Ausführungsbeispiele dar, aber alle oder einige der jeweiligen Ausführungsbeispiele können selektiv miteinander kombiniert und so konfiguriert werden, dass verschiedene Modifizierungen der Ausführungsbeispiele möglich sind.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

KR 10-2014-0048135 [0001]

Claims

Batteriesensor für ein Fahrzeug, der einen Fahrzeugbatteriezustand misst, wobei der Sensor folgendes umfasst: eine Vorab-Lerneinheit, welche Tagestemperaturdaten in eine Vielzahl von Muster-Clustern einordnet, die Jahreszeiten repräsentieren, um eine selbstorganisierende Karte zu konfigurieren, und aus der Vielzahl von Muster-Clustern, die in der selbstorganisierenden Karte als erlernte Jahreszeiten-Musterdaten dargestellt sind, Mittelwerte generiert; eine Temperatursensoreinheit, welche die Außentemperaturdaten des Fahrzeugs in Echtzeit erfasst; und eine Jahreszeitenklassifizierungseinheit, welche die in Echtzeit gemessenen Außentemperaturdaten entsprechend einer Cluster-Analyse in einer Vielzahl von Clustern zusammenfasst, aus der Vielzahl von zusammengefassten Clustern einen Mittelwert berechnet und das Muster-Cluster ermittelt, dessen Mittelwert dem Mittelwert der Vielzahl von Clustern am nächsten kommt, indem der berechnete Mittelwert der Vielzahl von Clustern auf der selbstorganisierenden Karte abgebildet wird, um die Jahreszeit zu klassifizieren, die von dem ermittelten Muster-Cluster als die aktuelle Jahreszeit repräsentiert wird.
Sensor nach Anspruch 1, bei dem die Vorab-Lerneinheit eine Vielzahl von Muster-Clustern als Neuronen festlegt, die in einer verdeckten Schicht eines künstlichen neuronalen Netzes zur Konfiguration der selbstorganisierenden Karte verwendet werden.
Sensor nach Anspruch 2, bei dem die Vorab-Lerneinheit die Vielzahl von Muster-Clustern als eine Vielzahl von Neuronen festlegt, die eine konsekutive Änderungscharakteristik von Temperaturdaten repräsentieren, je nach Veränderung der Jahreszeiten, um die selbstorganisierende Karte zu konfigurieren.
Sensor nach Anspruch 3, bei dem die Vielzahl von Neuronen Winter, Winter/Herbst, Herbst/Frühjahr, Frühjahr/Sommer und Sommer umfassen.
Sensor nach Anspruch 1, bei dem die Temperatursensoreinheit die Außentemperaturdaten in Echtzeit misst, wenn das Fahrzeug steht.
Sensor nach Anspruch 1, bei dem die Jahreszeitenklassifizierungseinheit die Außentemperaturdaten in Histogrammdaten umwandelt, die Histogrammdaten mittels der Cluster-Analyse in einer Vielzahl von Clustern zusammenfasst, und den Mittelwert der Vielzahl von Clustern berechnet.
Sensor nach Anspruch 6, bei dem die Cluster-Analyse auf einem k-Means-Clustering-Algorithmus basiert.
Sensor nach Anspruch 1, bei dem die Jahreszeitenklassifizierungseinheit die Information an ein Kombiinstrument im Fahrzeug überträgt, um Informationen zu den klassifizierten Jahreszeiten optisch anzuzeigen.
Verfahren zur Bestimmung einer Jahreszeit durch Verwenden eines Batteriesensors für ein Fahrzeug, welcher einen Fahrzeugbatteriezustand misst, wobei das Verfahren folgendes umfasst: Konfigurieren einer selbstorganisierenden Karte durch Einordnen von Tagestemperaturdaten in eine Vielzahl von Muster-Clustern, welche Jahreszeiten repräsentieren; Generieren eines Mittelwerts aus der Vielzahl von Muster-Clustern, die auf der selbstorganisierenden Karte dargestellt sind, als erlernte Jahreszeiten-Musterdaten; Zusammenfassen von in Echtzeit gemessenen Fahrzeugaußentemperaturen in einer Vielzahl von Clustern unter Verwendung einer Cluster-Analyse, und Berechnen des Mittelwerts der Vielzahl von Cluster; Ermitteln des Muster-Clusters, dessen Mittelwert dem Mittelwert der Vielzahl von Clustern am nächsten kommt, durch Abbilden des Mittelwerts der Vielzahl von Clustern auf der selbstorganisierenden Karte; und Klassifizieren der Jahreszeiteninformation, die von dem ermittelten Muster-Cluster repräsentiert wird, als aktuelle Jahreszeiteninformation.
Verfahren nach Anspruch 9, bei der die Konfiguration der selbstorganisierenden Karte das Festlegen einer Vielzahl von Muster-Clustern als Neuronen umfasst, die in einer verdeckten Schicht eines künstlichen neuronalen Netzes verwendet werden.
Verfahren nach Anspruch 10, bei der während der Festlegung als Neuronen die Vielzahl der Muster-Cluster als Vielzahl von Neuronen festgelegt werden, die eine konsekutive Änderungscharakteristik von Temperaturdaten in Abhängigkeit von der Veränderung der Jahreszeiten repräsentieren.
Verfahren nach Anspruch 11, bei der die Vielzahl von Neuronen Winter, Winter/Herbst, Herbst/Frühjahr, Frühjahr/Sommer und Sommer umfasst.
Verfahren nach Anspruch 9, bei der die Berechnung des Mittelwerts der Vielzahl von Clustern umfasst das Messen der Fahrzeugaußentemperaturdaten in Echtzeit, wenn das Fahrzeug steht, das Umwandeln der in Echtzeit gemessenen Fahrzeugaußentemperaturdaten in Histogrammdaten, und das Zusammenfassen der Histogrammdaten in einer Vielzahl von Clustern unter Verwendung der Cluster-Analyse und Berechnen des Mittelwerts der Vielzahl von Cluster.
Verfahren nach Anspruch 13, bei der die Cluster-Analyse auf eine k-Means-Clustering-Algorithmus basiert.
Verfahren nach Anspruch 9, weiter umfassend: nach der Klassifizierung als aktuelle Jahreszeiteninformation, die Übertragung der klassifizierten Jahreszeiteninformation an ein Kombiinstrument im Fahrzeug; und die optische Anzeige der klassifizierten Jahreszeiteninformation auf dem Kombiinstrument im Fahrzeug.