DE102022208929A1 - Method and device for determining an aging state of a device battery in a technical device using edge computing - Google Patents
Method and device for determining an aging state of a device battery in a technical device using edge computing Download PDFInfo
- Publication number
- DE102022208929A1 DE102022208929A1 DE102022208929.4A DE102022208929A DE102022208929A1 DE 102022208929 A1 DE102022208929 A1 DE 102022208929A1 DE 102022208929 A DE102022208929 A DE 102022208929A DE 102022208929 A1 DE102022208929 A1 DE 102022208929A1
- Authority
- DE
- Germany
- Prior art keywords
- battery
- model
- aging
- parameters
- dynamics
- 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.)
- Pending
Links
- 230000032683 aging Effects 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002123 temporal effect Effects 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims 1
- 238000004590 computer program Methods 0.000 claims 1
- 101150027978 UMOD gene Proteins 0.000 abstract 2
- 230000008569 process Effects 0.000 description 21
- 238000012937 correction Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 7
- 229910052744 lithium Inorganic materials 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000003797 telogen phase Effects 0.000 description 6
- 230000014759 maintenance of location Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000003792 electrolyte Substances 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 241001236093 Bulbophyllum maximum Species 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000006182 cathode active material Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Bestimmen eines Batteriezustands, insbesondere eines Alterungszustands, einer bestimmten Gerätebatterie (41) eines technischen Geräts (4), insbesondere in dem technischen Gerät (4), mit folgenden Schritten:- Bereitstellen (S1, S2, S3) von mindestens einem Batterie-Dynamik-Parameter (R1, R2, C) eines Batterie-Dynamik-Modells, wobei das Batterie-Dynamik-Modell (12) zumindest einen Batteriestrom (Imess) auf eine Batteriespannung (Umod) abbildet, wobei das Batterie-Dynamik-Modell mithilfe von Betriebsgrößenverläufen einer Vielzahl von Gerätebatterien (41) gleichen Typs durch Anfitten parametriert ist;- Korrigieren (S6) des mindestens einen Batterie-Dynamik-Parameter (R1, R2, C) mithilfe eines Beobachtermodells (13) basierend auf einem Spannungsunterschied zwischen einer gemessenen Batteriespannung (Umess) der bestimmten Gerätebatterie (41) und einer mithilfe des Batterie-Dynamik-Modells modellierten Batteriespannung (Umod) der bestimmten Gerätebatterie (41) zu einem oder mehreren Zeitpunkten;- Ermitteln (S7) des Batteriezustands der bestimmten Gerätebatterie (41) abhängig von dem korrigierten mindestens einen Batterie-Dynamik-Parameter.The invention relates to a method for determining a battery condition, in particular an aging condition, of a specific device battery (41) of a technical device (4), in particular in the technical device (4), with the following steps: - Providing (S1, S2, S3). at least one battery dynamics parameter (R1, R2, C) of a battery dynamics model, wherein the battery dynamics model (12) maps at least a battery current (Imess) to a battery voltage (Umod), the battery dynamics -Model is parameterized by fitting using operating variable curves of a large number of device batteries (41) of the same type; -Correcting (S6) the at least one battery dynamic parameter (R1, R2, C) using an observer model (13) based on a voltage difference between a measured battery voltage (Umess) of the specific device battery (41) and a battery voltage (Umod) of the specific device battery (41) modeled using the battery dynamics model at one or more points in time; - determining (S7) the battery state of the specific device battery (41 ) depending on the corrected at least one battery dynamics parameter.
Description
Technisches GebietTechnical area
Die Erfindung betrifft Verfahren und Vorrichtungen zum Ermitteln eines Alterungszustands einer Gerätebatterie in einem technischen Gerät unter Auswertung des Verhaltens der Gerätebatterien einer Vielzahl gleichartiger Gerätebatterien. Die Erfindung betrifft weiterhin Verfahren zum robusten Ermitteln eines Alterungszustands in dem technischen Gerät basierend auf für die Vielzahl der Gerätebatterien ermittelten Batterieparameter.The invention relates to methods and devices for determining an aging state of a device battery in a technical device by evaluating the behavior of the device batteries of a large number of similar device batteries. The invention further relates to methods for robustly determining an aging state in the technical device based on battery parameters determined for the large number of device batteries.
Technischer HintergrundTechnical background
Die Energieversorgung von netzunabhängig betriebenen elektrischen Geräten und Maschinen, wie z. B. elektrisch antreibbaren Kraftfahrzeugen, erfolgt in der Regel mit Gerätebatterien bzw. Fahrzeugbatterien. Diese liefern elektrische Energie zum Betrieb der Geräte.The energy supply for electrical devices and machines that operate independently of the mains, such as: B. electrically powered motor vehicles is usually carried out with device batteries or vehicle batteries. These provide electrical energy to operate the devices.
Gerätebatterien degradieren über ihre Lebensdauer und abhängig von deren Belastung bzw. Nutzung. Diese Degradation wird zyklische Alterung genannt und führt zu einer kontinuierlich abnehmenden maximalen Leistungs- bzw. Speicherkapazität. Der Alterungszustand entspricht einem Maß zur Angabe der Alterung von Gerätebatterien. Gemäß der Konvention kann eine neue Gerätebatterie einen Alterungszustand (bezüglich ihrer Kapazität, SOH-C) von 100 % aufweisen, der im Laufe seiner Lebensdauer zusehends abnimmt. Ein Maß der Alterung der Gerätebatterie (zeitliche Änderung des Alterungszustands) hängt von einer individuellen Belastung der Gerätebatterie, d. h. bei Fahrzeugbatterien von Kraftfahrzeugen vom Nutzungsverhalten eines Fahrers, externen Umgebungsbedingungen und vom Fahrzeugbatterietyp ab.Device batteries degrade over their service life and depending on their load and use. This degradation is called cyclical aging and leads to a continuously decreasing maximum performance or storage capacity. The aging condition corresponds to a measure for indicating the aging of device batteries. According to convention, a new portable battery can have an aging state (in terms of its capacity, SOH-C) of 100%, which gradually decreases over its lifespan. A measure of the aging of the device battery (change in the aging state over time) depends on the individual load on the device battery, i.e. H. for vehicle batteries depends on the usage behavior of a driver, external environmental conditions and the vehicle battery type.
Um Gerätebatterien aus einer Vielzahl von Geräten zu überwachen, werden in der Regel Betriebsgrößendaten kontinuierlich erfasst und als Betriebsgrößenverläufe blockweise an eine geräteexterne Zentraleinheit übertragen. Im Falle von Gerätebatterien mit einer Vielzahl von Batteriezellen können die Betriebsgrößen auf Zellebene erfasst und in komprimierter Form an die Zentraleinheit übertragen werden. Zur Auswertung der Betriebsgrößendaten, insbesondere zur Ermittlung von Alterungszuständen in Modellen, die auf Differentialgleichungen basieren, werden die Betriebsgrößendaten mit einer vergleichsweise hohen zeitlichen Auflösung (Abtastraten) von beispielsweise zwischen 1 und 100 Hz abgetastet und daraus mit einem Zeitintegrationsverfahren ein Alterungszustand ermittelt, der von der Zentraleinheit abrufbar ist.In order to monitor device batteries from a large number of devices, operating variable data is generally recorded continuously and transmitted in blocks as operating variable curves to a central unit external to the device. In the case of device batteries with a large number of battery cells, the operating variables can be recorded at the cell level and transmitted to the central unit in compressed form. To evaluate the operating variable data, in particular for determining aging conditions in models that are based on differential equations, the operating variable data are sampled with a comparatively high temporal resolution (sampling rates) of, for example, between 1 and 100 Hz and an aging condition is determined from this using a time integration method, which is determined by the Central unit can be accessed.
Jedoch ist es notwendig, geräteintern möglichst in Echtzeit eine Angabe zu dem aktuellen Alterungszustand bereitzustellen, auch wenn keine Möglichkeit eines Zugriffs auf die Zentraleinheit besteht. Weiterhin stellt es eine Herausforderung dar, Batterie-individuelle oder Batterie-spezifische Eigenschaften bezüglich Alterung zu prozessieren, die z.B. von Serienstreuung oder Fertigungseffekten beeinflusst sein können.However, it is necessary to provide information about the current aging status internally in the device, if possible in real time, even if there is no possibility of access to the central unit. Furthermore, it represents a challenge to process battery-individual or battery-specific properties regarding aging, which can be influenced, for example, by series variation or manufacturing effects.
Offenbarung der ErfindungDisclosure of the invention
Erfindungsgemäß sind ein Verfahren und eine Vorrichtung zum geräteinternen Ermitteln eines Alterungszustands einer Gerätebatterie eines technischen Geräts mithilfe von Edge Computing gemäß Anspruch 1 sowie ein entsprechendes System zum robusten Bereitstellen eines Alterungszustands einer Gerätebatterie gemäß dem nebengeordneten Anspruch vorgesehen.According to the invention, a method and a device for determining an aging state of a device battery of a technical device using edge computing according to claim 1 and a corresponding system for robustly providing an aging state of a device battery according to the independent claim are provided.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.Further refinements are specified in the dependent claims.
Gemäß einem ersten Aspekt ist ein Verfahren zum Bestimmen eines Batteriezustands, insbesondere eines Alterungszustands, einer bestimmten Gerätebatterie eines technischen Geräts, insbesondere in dem technischen Gerät vorgesehen, mit folgenden Schritten:
- - Bereitstellen von mindestens einem Batterie-Dynamik-Parameter eines Batterie-Dynamik-Modells, wobei das Batterie-Dynamik-Modell zumindest einen Batteriestrom auf eine Batteriespannung abbildet, wobei das Batterie-Dynamik-Modell mithilfe von Betriebsgrößenverläufen einer Vielzahl von Gerätebatterien gleichen Typs durch Anfitten parametriert ist;
- - Korrigieren des mindestens einen Batterie-Dynamik-Parameter mithilfe eines Beobachtermodells basierend auf einem Spannungsunterschied zwischen einer gemessenen Batteriespannung der bestimmten Gerätebatterie und einer mithilfe des Batterie-Dynamik-Modells modellierten Batteriespannung der bestimmten Gerätebatterie zu einem oder mehreren Zeitpunkten;
- - Ermitteln des Batteriezustands der bestimmten Gerätebatterie abhängig von dem korrigierten mindestens einen Batterie-Dynamik-Parameter.
- - Providing at least one battery dynamics parameter of a battery dynamics model, wherein the battery dynamics model maps at least one battery current to a battery voltage, the battery dynamics model using operating variable curves of a large number of device batteries of the same type by fitting is parameterized;
- - Correcting the at least one battery dynamics parameter using an observer model based on a voltage difference between a measured battery voltage of the specific device battery and a battery voltage of the specific device battery modeled using the battery dynamics model at one or more points in time;
- - Determining the battery status of the specific device battery depending on the corrected at least one battery dynamics parameter.
Der Alterungszustand (SOH: State of Health) ist bei Gerätebatterien die Schlüsselgröße zur Angabe einer verbleibenden Batteriekapazität oder verbleibenden Batterieladung. Der Alterungszustand stellt ein Maß für die Alterung der Gerätebatterie und damit ein Maß zur Charakterisierung des Restwerts der Batterie dar. Im Falle einer Gerätebatterie oder eines Batterie-Moduls oder einer Batteriezelle kann der Alterungszustand als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) angegeben werden. Die Kapazitätserhaltungsrate SOH-C, d. h. der kapazitätsbezogene Alterungszustand, ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität (zum Zeitpunkt der Inbetriebnahme) der vollständig aufgeladenen Batterie angegeben und nimmt mit zunehmender Alterung ab. Alternativ kann der Alterungszustand als Anstieg des Innenwiderstands (SOH-R) bezüglich eines Innenwiderstands zu einem Lebensdauerbeginn (Zeitpunkt der Inbetriebnahme) der Gerätebatterie angegeben werden. Die relative Änderung des Innenwiderstands SOH-R steigt mit zunehmender Alterung der Batterie an.The aging state (SOH: State of Health) is the key parameter for device batteries to indicate remaining battery capacity or remaining battery charge. The aging condition represents a measure of the aging of the device battery and thus a measure for characterizing the residual value of the battery. In the case of a device battery or a battery module or a battery cell the aging state can be specified as the capacity retention rate (SOH-C). The capacity retention rate SOH-C, ie the capacity-related aging state, is given as the ratio of the measured instantaneous capacity to an initial capacity (at the time of commissioning) of the fully charged battery and decreases with increasing aging. Alternatively, the aging state can be specified as an increase in the internal resistance (SOH-R) with respect to an internal resistance at the start of the service life (time of commissioning) of the device battery. The relative change in internal resistance SOH-R increases as the battery ages.
Der Alterungszustand einer Gerätebatterie bezüglich einer zyklischen Alterung wird üblicherweise nicht direkt gemessen. Dies würde eine Reihe von Sensoren im Inneren der Gerätebatterie erfordern, die die Herstellung einer solchen Gerätebatterie kostenintensiv sowie aufwändig machen und den Raumbedarf vergrößern würde. Zudem sind alltagstaugliche Messverfahren zur direkten Alterungszustandsbestimmung in den Energiespeichern noch nicht auf dem Markt verfügbar.The aging status of a device battery in terms of cyclic aging is usually not measured directly. This would require a series of sensors inside the device battery, which would make the production of such a device battery expensive and complex and increase the space requirement. In addition, everyday measurement methods for directly determining the aging status of energy storage systems are not yet available on the market.
Das Überwachen von Gerätebatterien einer Vielzahl von Geräten wird daher aus Kapazitätsgründen in einer geräteexternen Zentraleinheit vorgenommen. Dazu übermitteln die Geräte zeitliche Betriebsgrößenverläufe von Betriebsgrößen der Gerätebatterien an die Zentraleinheit, wobei in der Zentraleinheit ein aktueller elektrochemischer Zustand und/oder Alterungszustand ermittelt wird. Je nach verwendetem Modell werden dazu kontinuierlich Zeitreihen von Betriebsgrößen als Betriebsgrößenverläufe, wie beispielsweise Batteriestrom, Batterietemperatur, Ladezustand und/oder Batteriespannung, erfasst und blockweise und gegebenenfalls in komprimierter Form an die Zentraleinheit übermittelt. Dort werden die Betriebsgrößenverläufe ausgewertet, so dass basierend auf einem oder mehreren Alterungszustandsmodellen ein geräteindividueller Zustand und gegebenenfalls weitere Größen berechnet/ermittelt werden können. Zudem können die Betriebsgrößen aus der Vielzahl von Gerätebatterien mit statistischen Methoden ausgewertet werden, um die angewendeten Alterungszustandsmodelle zu verbessern, so dass die Ermittlung und Prädiktion des Alterungszustands der Gerätebatterien zusehends verbessert werden können.For capacity reasons, the device batteries of a large number of devices are monitored in a central unit external to the device. For this purpose, the devices transmit temporal operating variable curves of operating variables of the device batteries to the central unit, with a current electrochemical state and/or aging state being determined in the central unit. Depending on the model used, time series of operating variables are continuously recorded as operating variable curves, such as battery current, battery temperature, state of charge and/or battery voltage, and transmitted to the central unit in blocks and, if necessary, in compressed form. There, the operating variable curves are evaluated so that a device-specific condition and, if necessary, other variables can be calculated/determined based on one or more aging state models. In addition, the operating variables from the large number of device batteries can be evaluated using statistical methods in order to improve the aging state models used, so that the determination and prediction of the aging state of the device batteries can be noticeably improved.
Ein mögliches Alterungszustandsmodell kann in Form eines hybriden Alterungszustandsmodells vorgesehen werden, das einer Kombination eines physikalischen Alterungsmodells mit einem datenbasierten Modell entspricht. Bei dem hybriden Alterungszustandsmodell kann ein physikalischer Alterungszustand mithilfe eines physikalischen bzw. elektrochemischen Alterungsmodells ermittelt werden und dieser mit einem Korrekturwert beaufschlagt werden, der sich aus einem datenbasierten Korrekturmodell ergibt, insbesondere durch Addition oder Multiplikation.A possible aging state model can be provided in the form of a hybrid aging state model, which corresponds to a combination of a physical aging model with a data-based model. In the hybrid aging state model, a physical aging state can be determined using a physical or electrochemical aging model and this can be subjected to a correction value that results from a data-based correction model, in particular by addition or multiplication.
Das physikalische Alterungsmodell basiert auf elektrochemischen Modellgleichungen, welche in an sich bekannter Weise elektrochemische Zustände eines nichtlinearen Differentialgleichungs-Systems hinsichtlich Alterungsreaktionen charakterisiert, fortlaufend abhängig von den zeitlichen Betriebsgrößenverläufen gemäß einem Zeitintegrationsverfahren berechnet und diese zur Ausgabe auf den physikalischen Alterungszustand abbildet, als SOH-C und/oder als SOH-R. Die Berechnungen können typischerweise in der Zentraleinheit (Cloud) in Abständen von vorgegebenen Auswertungszeiträumen von z. B. einmal pro Woche ausgeführt werden.The physical aging model is based on electrochemical model equations, which characterize electrochemical states of a nonlinear differential equation system with regard to aging reactions in a manner known per se, are continuously calculated depending on the temporal operating variable curves according to a time integration process and map these to the physical aging state for output, as SOH-C and /or as SOH-R. The calculations can typically be carried out in the central unit (cloud) at intervals of predetermined evaluation periods of e.g. B. be carried out once a week.
Zur Auswertung der Betriebsgrößenverläufe, insbesondere zur Ermittlung von Batteriezuständen, die den Alterungszustand bestimmen, kann ein elektrochemisches Batteriemodell, wie z.B. das physikalische Alterungsmodell, verwendet werden, das auf einem Differentialgleichungssystem mit einer Mehrzahl von nichtlinearen Differentialgleichungen basiert. Die Betriebsgrößendaten ermöglichen eine Modellierung eines aktuellen Batteriezustands mithilfe eines Zeitintegrationsverfahrens. Derartige elektrochemische Batteriemodelle sind beispielsweise aus den Druckschriften
Weiterhin kann das Korrekturmodell des hybriden datenbasierten Alterungszustandsmodells mit einem probabilistischen oder auf künstlicher Intelligenz basierenden probabilistischen Regressionsmodell, insbesondere einem Gaußprozessmodell, ausgebildet sein und kann trainiert sein, um den durch das physikalische Alterungsmodell erhaltenen Alterungszustand zu korrigieren. Hierzu existieren folglich ein datenbasiertes Korrekturmodell des Alterungszustands zur Korrektur des SOH-C und/oder mindestens ein weiteres zur Korrektur des SOH-R. Mögliche Alternativen zum Gaußprozess stellen weitere Supervised Learning Verfahren, wie basierend auf einem Random-Forest-Modell, einem AdaBoost-Modell, einer Support-Vector-Machine oder einem Bayes'schen neuronalen Netzwerk dar.Furthermore, the correction model of the hybrid data-based aging state model can be designed with a probabilistic or artificial intelligence-based probabilistic regression model, in particular a Gaussian process model, and can be trained to correct the aging state obtained by the physical aging model. For this purpose, there is therefore a data-based correction model of the aging state to correct the SOH-C and/or at least one other to correct the SOH-R. Possible alternatives to the Gaussian process include other supervised learning methods, such as those based on a random forest model, an AdaBoost model, a support vector machine or a Bayesian neural network.
Zur Überwachung der Gerätebatterie können die inneren Zustände des physikalischen Alterungsmodells des hybriden Alterungszustandsmodells in der Zentraleinheit basierend auf den Betriebsgrößenverläufe z. B. ausgehend von einem Inbetriebnahmezeitpunkt (Lebensdauerbeginn)/Bezugszeitpunkt durch das Zeitintegrationsverfahren weiterentwickelt werden, woraus sich ein Alterungszustand modellbasiert bestimmen lässt. Dies setzt voraus, dass Betriebsgrößenverläufe kontinuierlich vorliegen.To monitor the device battery, the internal states of the physical aging model of the hybrid aging state model in the central unit can be based on the operating variable curves, for example. B. based on a commissioning time (start of service life)/reference time point can be further developed using the time integration process, from which an aging state can be determined based on a model. This presupposes that business size trends are continuous.
Auch kann als weiteres Modell zur Bestimmung eines Alterungszustands ein Basismodell vorgesehen sein, gemäß dem eine SOH-C-Messung durch Coulomb-Counting bzw. durch Bildung eines zeitlichen Stromintegrals während des Ladevorgangs vorgenommen wird, welches durch den Hub des Ladezustands zwischen Beginn und Ende der betreffenden Lade- und/oder Entladephase dividiert wird. Vorteilhafterweise erfolgt hierbei die Kalibrierung an der Leerlaufspannungskennlinie in Ruhephasen, um den Ladezustandsverlauf in der Zentraleinheit mitzuberechnen. Eine hinreichend zuverlässige Angabe über den Alterungszustand kann man beispielsweise erhalten, wenn die Fahrzeugbatterie während eines Ladevorgangs aus einem definierten relaxierten Zustand unter reproduzierbaren Last- und Umgebungsbedingungen von einem vollständig entladenen Lade-Zustand in einen vollständig geladenen Zustand gebracht wird. Die dadurch erfasste maximale Ladung kann zu einer initialen maximalen Ladekapazität der Fahrzeugbatterie in Beziehung gesetzt werden. Widerstandsbezogene Alterungszustände (SOH-R-Werte) können auch durch Spannungsänderungen bezogen auf eine Stromänderung errechnet werden. Üblicherweise sind diese auf ein definiertes Zeitintervall sowie definierte Umgebungsbedingungen und die Energiefluss-Richtung des Systems bezogen. So ermittelte Alterungszustände können nicht zu jeder Zeit bestimmt werden und dienen in der Regel als Labels für das Fitten des physikalischen Alterungsmodells und zum Trainieren des Korrekturmodells.A basic model can also be provided as a further model for determining an aging state, according to which an SOH-C measurement is carried out by Coulomb counting or by forming a temporal current integral during the charging process, which is determined by the change in the state of charge between the start and end of the relevant charging and/or discharging phase is divided. Advantageously, the calibration is carried out on the no-load voltage characteristic during rest phases in order to also calculate the state of charge curve in the central unit. Sufficiently reliable information about the aging state can be obtained, for example, if the vehicle battery is brought from a defined relaxed state from a completely discharged charging state to a fully charged state under reproducible load and environmental conditions during a charging process. The maximum charge recorded in this way can be related to an initial maximum charging capacity of the vehicle battery. Resistance-related aging states (SOH-R values) can also be calculated using voltage changes related to a current change. These are usually related to a defined time interval as well as defined environmental conditions and the energy flow direction of the system. Aging states determined in this way cannot be determined at any time and are usually used as labels for fitting the physical aging model and for training the correction model.
Es kann vorgesehen sein, dass ein Alterungszustandsmodell in einer gerätefernen Zentraleinheit bereitgestellt wird, das das physikalische Alterungsmodell umfasst, das auf einem Differentialgleichungssystem basiert und ausgebildet ist, um durch ein Zeitintegrationsverfahren einen Alterungszustand zu berechnen, wobei das physikalische Alterungsmodell basierend auf Betriebsgrößenverläufen einer Vielzahl von Gerätebatterien gleichen Typs gefittet ist, um einem zeitlichen Betriebsgrößenverlauf der bestimmten Gerätebatterie einem Alterungszustand zuzuordnen.It can be provided that an aging state model is provided in a central unit remote from the device, which includes the physical aging model, which is based on a differential equation system and is designed to calculate an aging state by a time integration method, the physical aging model being based on operating variable curves of a large number of device batteries of the same type is fitted in order to assign an aging state to a temporal operating variable curve of the specific device battery.
Mithilfe der Betriebsgrößenverläufe der Betriebsgrößen aller mit der Zentraleinheit in Verbindung stehender Gerätebatterien kann nun das hybride Alterungszustandsmodell parametriert bzw. trainiert werden. Insbesondere wird das physikalische Alterungsmodell zu regelmäßigen Zeitpunkten, wie beispielsweise alle drei Monate, an die Betriebsgrößenverläufe der Vielzahl von Gerätebatterien angefittet. Man erhält entsprechend Modellparameter des elektrochemischen/physikalischen Alterungsmodells, die Gleichgewichtsparameter und/oder kinetische Parameter angeben. Anschließend wird das Korrekturmodell auf das Residuum des elektrochemischen Alterungsmodells basierend auf der Vielzahl von Betriebsgrößenverläufen der Vielzahl von Gerätebatterien trainiert.With the help of the operating variable curves of the operating variables of all device batteries connected to the central unit, the hybrid aging state model can now be parameterized or trained. In particular, the physical aging model is adapted to the operating variable curves of the large number of device batteries at regular times, such as every three months. Accordingly, model parameters of the electrochemical/physical aging model are obtained, which indicate equilibrium parameters and/or kinetic parameters. The correction model is then trained on the residual of the electrochemical aging model based on the large number of operating variable curves of the large number of device batteries.
Durch Auswerten der Betriebsgrößenverläufe einer individuellen Gerätebatterie kann weiterhin ein Batterie- Dynamik -Modell, das z.B. in Form eines fraktionalen Modells ausgebildet ist, parametriert werden. Das Batterie- Dynamik -Modell kann beispielsweise auf einem elektrochemischen Performancemodell basieren, das durch Gleichgewichtsparameter und kinetische Parameter parametriert ist. Die Parametrierung ist beispielsweise aus
Die Parameter des Batterie- Performance-Modells werden mit den Parametern des physikalischen Alterungsmodells fusioniert, so dass die Verhalten und Eigenschaften der Vielzahl von Gerätebatterien gleichen Typs berücksichtigt werden können. Die Fusionierung mit dem hybriden Alterungszustandsmodell hat den Vorteil, dass dieses den Alterungszustand mit einer Angabe zur Unsicherheit der Ausgabe bereitstellen kann.The parameters of the battery performance model are merged with the parameters of the physical aging model so that the behavior and properties of the large number of device batteries of the same type can be taken into account. The advantage of merging with the hybrid aging state model is that it can provide the aging state with an indication of the uncertainty of the output.
Aus den Parametern des Performance-Modells können die Batterie- Dynamik - Parameter in an sich bekannter Weise abgeleitet werden. Im Falle des Batterie-Dynamik -Modells erfolgt die Parametrierung durch Bestimmen einer Kapazität C und eines oder mehrerer Innenwiderstände R1, R2 der individuellen Gerätebatterie als Batterie- Dynamik -Parameter. Diese können in dem Batterie-Dynamik -Modell, wie z.B. einem Batterie-Ersatzschaltungsmodell, wie beispielsweise aus
Alternativ zu einem Batterie- Dynamik -Modell, welches auf einem Ersatzschaltbild basiert, kann auch ein elektrochemisches Batterie-Performance-Modell verwendet werden. Die Parametrisierung von Gleichgewichts- und kinetischen Parameters erfolgt durch Model-Fit auf Basis von Ruhephasen (Gleichgewichts-Parameter) und dynamischen Fahrphasen (kinetischen Parametern. Weiterhin können die elektrochemischen Parameter, d.h. die sich ergebenden inneren Batteriezustände aus dem elektrochemischen Batteriemodell oder physikalischen Alterungsmodell abgeleitet oder fusioniert werden.As an alternative to a battery dynamics model based on an equivalent circuit, an electrochemical battery performance model can also be used. The parameterization of equilibrium and kinetic parameters is carried out through model fit based on rest phases (equilibrium parameters) and dynamic driving phases (kinetic parameters. Wei Subsequently, the electrochemical parameters, ie the resulting internal battery states, can be derived or merged from the electrochemical battery model or physical aging model.
In dem technischen Gerät wird nun ein Batterie- Dynamik -Modell basierend auf den Batterie- Dynamik -Parametern ausgeführt. Das Batterie- Dynamik -Modell kann auf einem Ersatzschaltbild der Gerätebatterie basieren, deren Komponenten durch deren durch die Batterie- Dynamik -Parameter angegebenen Impedanzen, wie z.B. den Innenwiderstand oder die Innenwiderstände und die Kapazität, bzw. einem oder mehreren RC-Gliedern, bestimmt sind.A battery dynamics model is now executed in the technical device based on the battery dynamics parameters. The battery dynamics model can be based on an equivalent circuit diagram of the device battery, the components of which are determined by their impedances specified by the battery dynamics parameters, such as the internal resistance or resistances and the capacity, or one or more RC elements .
Basierend auf den Verläufen des Batteriestroms und der Batterietemperatur, die in dem jeweiligen technischen Gerät gemessen werden, kann dann ein entsprechender Verlauf der Batteriespannung und des Ladezustands der Gerätebatterie (durch Ladungsakkumulation) modelliert werden. Aufgrund von Fertigungstoleranzen und sonstigen Einflüssen weichen die Gerätebatterien in ihrem Verhalten voneinander ab, so dass mithilfe eines Beobachtermodells eine Korrektur der Batterie- Dynamik -Parameter bestimmt werden kann. Dazu kann das Beobachtermodell genutzt werden, um die aktuelle Batteriespannung mit der modellierten aktuellen Batteriespannung zu vergleichen und die Batterie- Dynamik -Parameter bzw. die Impedanzen, d.h. die Kapazität und/oder die Innenwiderstände, abhängig von dem Spannungsunterschied anzupassen. Als Ergebnis erhält man die Batterie- Dynamik -Parameter aus denen ein kapazitätsbezogener und/oder innenwiderstandsbezogener Alterungszustand ermittelbar ist, der auf die individuelle Gerätebatterie angepasst ist und trotzdem das Alterungsverhalten einer der Vielzahl von Gerätebatterien in den technischen Geräten berücksichtigt.Based on the curves of the battery current and the battery temperature, which are measured in the respective technical device, a corresponding curve of the battery voltage and the state of charge of the device battery (through charge accumulation) can then be modeled. Due to manufacturing tolerances and other influences, the behavior of the device batteries differs from one another, so that a correction of the battery dynamics parameters can be determined using an observer model. For this purpose, the observer model can be used to compare the current battery voltage with the modeled current battery voltage and to adapt the battery dynamics parameters or the impedances, i.e. the capacity and/or the internal resistances, depending on the voltage difference. The result is the battery dynamics parameters from which a capacity-related and/or internal resistance-related aging state can be determined, which is adapted to the individual device battery and still takes into account the aging behavior of one of the large number of device batteries in the technical devices.
Das Beobachtermodell kann beispielsweise als Luenberger-Beobachter implementiert sein und korrigiert die Batterie- Dynamik -Parameter abhängig von dem Spannungsunterschied zwischen der modellierten Batteriespannung und der gemessenen Batteriespannung. Das Beobachtermodell ist so ausgebildet, dass es basierend auf mehreren Spannungsunterschieden zu unterschiedlichen Zeitpunkten die Beobachtungsfehler der Spannungsunterschiede auf plausibelste Weise durch Korrekturen der Batterie- Dynamik -Parameter erklärt. Dies ermöglicht die batteriespezifische Beschreibung von Fertigungsstreuungen, Serienstreuungen und plötzlichen Ereignissen, wie beispielsweise bei einem Unfall des technischen Geräts.The observer model can be implemented, for example, as a Luenberger observer and corrects the battery dynamics parameters depending on the voltage difference between the modeled battery voltage and the measured battery voltage. The observer model is designed in such a way that, based on several voltage differences at different times, it explains the observation errors of the voltage differences in the most plausible way by correcting the battery dynamics parameters. This enables the battery-specific description of production variations, series variations and sudden events, such as an accident involving the technical device.
Der aus den korrigierten Batterie- Dynamik -Parametern bestimmte Batteriezustand kann in dem technischen Gerät signalisiert werden.The battery status determined from the corrected battery dynamics parameters can be signaled in the technical device.
Zusätzlich können Ruhephasen der Spannungssensoren verwendet werden, um ein elektrochemisches Modell hinsichtlich der Gleichgewichtsparameter in dem technischen Gerät zu fitten. Auch können kinetische Parameter und dynamische Betriebsgrößenverläufe gefittet werden.In addition, resting phases of the voltage sensors can be used to fit an electrochemical model with regard to the equilibrium parameters in the technical device. Kinetic parameters and dynamic operating variable curves can also be fitted.
Es kann vorgesehen sein, dass die in dem technischen Gerät ermittelten Parameter, wie beispielsweise den Spannungsunterschied, die korrigierten Batterie- Dynamik -Parameter, die Gleichgewichtsparameter und/oder kinetischen Parameter basierend auf dem Fitting-Prozess, an die Zentraleinheit übermittelt werden. Diese können ggfs. gemeinsam mit den inneren Zuständen aus dem dort ausgeführten elektrochemischen Alterungsmodell verwendet werden, um eine Kritikalität bzw. eine Anomalie des geräteindividuellen Batteriezustands zu bestimmen. Das Kritikalitätsmodell kann auch in den technischen Geräten ausgeführt werden.It can be provided that the parameters determined in the technical device, such as the voltage difference, the corrected battery dynamics parameters, the equilibrium parameters and/or kinetic parameters based on the fitting process, are transmitted to the central unit. If necessary, these can be used together with the internal states from the electrochemical aging model carried out there to determine a criticality or an anomaly of the device-specific battery state. The criticality model can also be implemented in the technical devices.
Dazu wird ein Kritikalitätsmodell erstellt, das beispielsweise in Form eines Gaußschen Mischmodells vorgesehen sein kann. Das Kritikalitätsmodell wird auf normalisierte Merkmale aus den obigen Größen trainiert und vorzugsweise in einen Unterraum mithilfe einer Hauptkomponentenanalyse transformiert, um ein Overfitting des Algorithmus zu vermeiden. Alle verfügbaren Labels aus der Vielzahl von Gerätebatterien werden in dem Trainingsprozess genutzt, wobei sowohl funktionsfähige Geräte als auch Geräte mit erkannten Anomalien oder Ausfällen berücksichtigt werden. Diese werden mit einem Kritikalitätswert versehen, der eine Ausfallwahrscheinlichkeit angibt.For this purpose, a criticality model is created, which can be provided, for example, in the form of a Gaussian mixed model. The criticality model is trained on normalized features from the above quantities and is preferably transformed into a subspace using principal component analysis to avoid overfitting the algorithm. All available labels from the variety of device batteries are used in the training process, taking into account both functional devices and devices with detected anomalies or failures. These are given a criticality value that indicates the probability of failure.
Das Gauß`sche Mischmodell wird in der Zentraleinheit trainiert, um so eine Wahrscheinlichkeit für ein potenzielles hochkritisches Ereignis zu ermitteln. Das Gaußsche Mischmodell kann an das technische Gerät übertragen werden, um dort einen Kritikalitätswert basierend auf den Berechnungen bereitzustellen, d. h. basierend auf dem Spannungsunterschied, den Merkmalen, die sich aus den Spannungsruhephasen und den ermittelten Gleichgewichts- und kinetischen Parametern ergeben, und den inneren Zuständen, die sich aus dem elektrochemischen Batteriemodell, das in der Zentraleinheit ausgeführt wird, ergeben und die regelmäßig in dem technischen Gerät aktualisiert werden. Das Normalisieren und die Hauptkomponentenanalyse werden dazu ebenfalls in dem technischen Gerät ausgeführt und anschließend das Gaußsche Mischmodell ausgeführt, um die Wahrscheinlichkeit für ein kritisches Ereignis zu berechnen. Überschreitet die Wahrscheinlichkeit für ein kritisches Ereignis einen bestimmten Schwellenwert, so kann eine entsprechende Warnung signalisiert werden, um einen Nutzer des technischen Geräts vor einem kritischen Ereignis zu schützen.The Gaussian mixture model is trained in the central processing unit to determine the probability of a potential highly critical event. The Gaussian mixture model can be transferred to the technical device to provide there a criticality value based on the calculations, that is, based on the voltage difference, the characteristics resulting from the voltage rest phases and the determined equilibrium and kinetic parameters, and the internal states, which result from the electrochemical battery model carried out in the central processing unit and which are regularly updated in the technical device. The normalization and the principal component analysis are also carried out in the technical device and then the Gaussian mixture model is carried out to calculate the probability of a critical event. If the probability of a critical event exceeds one certain threshold value, a corresponding warning can be signaled in order to protect a user of the technical device from a critical event.
Gemäß einem weiteren Aspekt ist eine Vorrichtung zur Durchführung eines der obigen Verfahren vorgesehen.According to a further aspect, a device for carrying out one of the above methods is provided.
Kurzbeschreibung der ZeichnungenBrief description of the drawings
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
-
1 eine schematische Darstellung eines Systems zum Bereitstellen von fahrer- und fahrzeugindividuellen Betriebsgrößen zur Bestimmung eines Alterungszustands einer Fahrzeugbatterie; -
2 eine schematische Darstellung eines funktionalen Aufbaus des verteilten Systems der Zentraleinheit und eines Steuergeräts in dem technischen Gerät; und -
3 eine Darstellung eines Flussdiagramms zur Veranschaulichung eines Verfahrens zur Ermittlung eines Alterungszustands und Durchführung einer Kritikalitätsbetrachtung des Batteriezustands in den individuellen Gerätebatterien.
-
1 a schematic representation of a system for providing driver- and vehicle-specific operating variables for determining an aging state of a vehicle battery; -
2 a schematic representation of a functional structure of the distributed system of the central unit and a control device in the technical device; and -
3 a representation of a flowchart to illustrate a method for determining an aging condition and carrying out a criticality assessment of the battery condition in the individual device batteries.
Beschreibung von AusführungsformenDescription of embodiments
Im Folgenden wird das erfindungsgemäße Verfahren anhand von Fahrzeugbatterien als Gerätebatterien in einer Vielzahl von Kraftfahrzeugen als gleichartige Geräte beschrieben. Dazu wird ein Alterungszustandsmodell in der Zentraleinheit betrieben und zur Berechnung eines Alterungszustands eingesetzt. In der Zentraleinheit werden die Alterungszustandsmodelle kontinuierlich basierend auf Betriebsgrößen der Fahrzeugbatterien aus der Fahrzeugflotte aktualisiert bzw. nachtrainiert. Weiterhin wird basierend auf einem aktuellen durch das Alterungszustandsmodell bestimmten Alterungszustand ein Batterie- Dynamik -Modell parametriert, um Batterie- Dynamik -Modell zu erhalten und diese an die Fahrzeuge zu kommunizieren.The method according to the invention is described below using vehicle batteries as device batteries in a large number of motor vehicles as similar devices. For this purpose, an aging state model is operated in the central unit and used to calculate an aging state. In the central unit, the aging state models are continuously updated or retrained based on the operating variables of the vehicle batteries from the vehicle fleet. Furthermore, based on a current aging state determined by the aging state model, a battery dynamics model is parameterized in order to obtain battery dynamics models and communicate them to the vehicles.
Das obige Beispiel steht stellvertretend für eine Vielzahl von stationären oder mobilen Geräten mit netzunabhängiger Energieversorgung, wie beispielsweise Fahrzeuge (Elektrofahrzeuge, Pedelecs usw.), Anlagen, Werkzeugmaschinen, Haushaltsgeräte, IOT-Geräte und dergleichen, die über eine entsprechende Kommunikationsverbindung (z. B. LAN, Internet) mit einer geräteexternen Zentraleinheit (Cloud) in Verbindung stehen.The example above is representative of a large number of stationary or mobile devices with a grid-independent energy supply, such as vehicles (electric vehicles, pedelecs, etc.), systems, machine tools, household appliances, IOT devices and the like, which have a corresponding communication connection (e.g. LAN, Internet) are connected to a central unit external to the device (cloud).
Eines der Kraftfahrzeuge 4 ist in
Die Steuereinheit 43 ist insbesondere ausgebildet, um Betriebsgrößen mit einer hohen zeitlichen Auflösung, wie beispielsweise zwischen 1 und 50 Hz, wie z. B. 10 Hz, zu erfassen und diese über die Kommunikationseinrichtung 44 an die Zentraleinheit 2 zu übermitteln.The
Die Kraftfahrzeuge 4 senden an die Zentraleinheit 2 die Betriebsgrößen F, die zumindest Größen angeben, welche den Alterungszustand der Fahrzeugbatterie 41 beeinflussen, und die für eine Bestimmung der inneren Zustände der Batteriezellen 45 benötigt werden. Die Betriebsgrößen F können im Falle einer Fahrzeugbatterie einen momentanen Batteriestrom, eine momentane Batteriespannung, eine momentane Batterietemperatur und einen momentanen Ladezustand (SOC: State of Charge) angeben, sowohl auf Pack-, Modul- und/oder Zellebene. Die Betriebsgrößen können in unkomprimierter und/oder komprimierter Form regelmäßig an die Zentraleinheit 2 übertragen werden. Beispielsweise können die Zeitreihen unter Ausnutzung von Kompressions-Algorithmen zwecks Minimierung des Datenverkehrs zur Zentraleinheit 2 im Abstand von 10 min bis zu mehreren Stunden blockweise an die Zentraleinheit 2 übertragen werden.The motor vehicles 4 send the operating variables F to the
Die Zentraleinheit 2 weist eine Datenverarbeitungseinheit 21, in der das nachfolgend beschriebene Verfahren ausgeführt werden kann, und eine Datenbank 22 zum Speichern von Datenpunkten, Modellparametern, Zuständen und dergleichen auf.The
In der Zentraleinheit 2 ist ein Alterungszustandsmodell implementiert, das als hybrides Modell teilweise datenbasiert ist. Das Alterungszustandsmodell kann regelmäßig, d. h. z. B. nach Ablauf der jeweiligen Auswertungszeitdauer, verwendet werden, um basierend auf den zeitlichen Verläufen der Betriebsgrößen (seit Inbetriebnahme oder einem Zeitpunkt eines definierten Zustands der jeweiligen Fahrzeugbatterie) und daraus ermittelten Betriebsmerkmalen eine Ermittlung der momentanen Alterungszustände der betreffenden Fahrzeugbatterie 41 der zugeordneten Fahrzeugflotte 3 vorzunehmen. Mit anderen Worten ist es möglich, basierend auf den Verläufen der Betriebsgrößen von einer der Fahrzeugbatterien 41 der Kraftfahrzeuge 4 der zugeordneten Fahrzeugflotte 3 und den Betriebsmerkmalen, die sich aus diesen Verläufen der Betriebsgrößen ergeben, ein Alterungszustand der betreffenden Fahrzeugbatterie 41 zu ermitteln.An aging state model is implemented in the
Der Alterungszustand (SOH: State of Health) ist die Schlüsselgröße zur Angabe einer verbleibenden Batteriekapazität oder verbleibenden Batterieladung. Der Alterungszustand stellt ein Maß für die Alterung der Fahrzeugbatterie oder eines Batterie-Moduls oder einer Batterie-Zelle dar und kann als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) oder als Anstieg des Innenwiderstands (SOH-R) angegeben werden. Die Kapazitätserhaltungsrate SOH-C ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität der vollständig aufgeladenen Batterie angegeben. Die relative Änderung des Innenwiderstands SOH-R steigt mit zunehmender Alterung der Batterie an.The aging state (SOH: State of Health) is the key parameter for indicating remaining battery capacity or remaining battery charge. The aging state represents a measure of the aging of the vehicle battery or a battery module or a battery cell and can be specified as a capacity retention rate (SOH-C) or as an increase in internal resistance (SOH-R). The capacity retention rate SOH-C is given as a ratio of the measured instantaneous capacity to an initial capacity of the fully charged battery. The relative change in internal resistance SOH-R increases as the battery ages.
Bei dem physikalischen Alterungsmodell 5 handelt es sich um ein nichtlineares, mathematisches Modell, das auf Differentialgleichungen basiert. Das Auswerten des physikalischen Alterungsmodells des Alterungszustandsmodells mit Betriebsgrößenverläufen, insbesondere seit Lebensdauerbeginn der Fahrzeugbatterie 41, führt dazu, dass sich ein innerer Zustand des Gleichungssystems der physikalischen Differentialgleichungen einstellt, der einem elektrochemischen inneren Zustand der Fahrzeugbatterie 41 entspricht. Da das physikalische Alterungsmodell auf physikalischen und elektrochemischen Gesetzmäßigkeiten basiert, sind die Modellparameter des physikalischen Alterungsmodells Größen, die physikalische Eigenschaften angeben.The physical aging
Die Zeitreihen der Betriebsgrößen F der Fahrzeugbatterie 41 (bei Gesamtbatteriebetrachtung) gehen also direkt in das physikalische Alterungszustandsmodell 5 ein, welches vorzugsweise als elektrochemisches Modell ausgeführt ist und entsprechende innere elektrochemische Zustände, wie Schichtdicken (z.B. SEI-Dicke), Änderung des zyklisierbaren Lithiums aufgrund von Anode/Kathode-Nebenreaktionen, schneller Verbrauch von Elektrolyten, langsamer Verbrauch von Elektrolyten, Verlust des Aktivmaterials in Anode, Verlust des Aktivmaterials in Kathode, etc...., mithilfe von nichtlinearen Differentialgleichungen und einem mehrdimensionalem Zustandsvektor modelliert.The time series of the operating variables F of the vehicle battery 41 (when considering the entire battery) are therefore included directly in the physical aging
Das physikalische Alterungsmodell 5 entspricht somit einem elektrochemischen Modell der betreffenden Batteriezelle und der Zellchemie. Dieses Modell ermittelt abhängig von den Betriebsgrößenverläufen F innere physikalische Batteriezustände, um einen physikalisch basierten Alterungszustand SOHph der Dimension von mindestens eins in Form der oben genannten elektrochemischen Zustände, welche linear oder nichtlinear auf eine Kapazitätserhaltungsrate (SOH-C) und/oder eine Innenwiderstandsanstiegsrate (SOH-R) abgebildet werden, um diese als Alterungszustand (SOH-C und SOH-R) bereitzustellen.The physical aging
Die durch das elektrochemische Modell bereitgestellten Modellwerte für den physikalischen Alterungszustand SOHph sind jedoch in bestimmten Situationen ungenau, und es kann daher vorgesehen sein, diese mit einer Korrekturgröße k zu korrigieren. Die Korrekturgröße k wird von dem datenbasierten Korrekturmodell 6 bereitgestellt, das mithilfe von Trainingsdatensätzen aus den Fahrzeugen 4 der Fahrzeugflotte 3 und/oder mithilfe von Labordaten trainiert wird.However, the model values for the physical aging state SOHph provided by the electrochemical model are inaccurate in certain situations, and provision can therefore be made to correct these with a correction variable k. The correction variable k is provided by the data-based
Das Korrekturmodell 6 erhält eingangsseitig Betriebsmerkmale M, die aus den Verläufen der Betriebsgrößen F ermittelt und auch einen oder mehrere der inneren elektrochemischen Zustände des Differentialgleichungssystems des physikalischen Modells umfassen können. Weiterhin kann das Korrekturmodell 6 eingangsseitig den aus dem physikalischen Alterungsmodell 5 erhaltenen physikalischen Alterungszustand SOHph erhalten. Die Betriebsmerkmale M des aktuellen Auswertungszeitraums werden in einem Merkmalsextraktionsblock 8 basierend auf den Zeitreihen der Betriebsgrößen F erzeugt. Zu den Betriebsmerkmalen M zählen weiterhin die inneren Zustände aus dem Zustandsvektor des elektrochemischen physikalischen Alterungsmodells sowie vorteilhafterweise der physikalische Alterungszustand SOHph.The
Aus den Betriebsgrößen F können in der Zentraleinheit 2 für jede Fahrzeugflotte 3 oder in anderen Ausführungsformen auch bereits in den jeweiligen Kraftfahrzeugen 4 Betriebsmerkmale M generiert werden, die sich auf einen Auswertungszeitraum beziehen. Der Auswertungszeitraum kann für die Bestimmung des Alterungszustands wenige Stunden (z. B. 6 Stunden) bis mehrere Wochen (z. B. einen Monat) betragen. Ein üblicher Wert für den Auswertungszeitraum beträgt eine Woche.From the operating variables F, 3 or in can be used in the
Die Betriebsmerkmale M (für Einzelbatteriebetrachtung oder Gesamtbatteriebetrachtung) können beispielsweise auf den Auswertungszeitraum bezogene Merkmale und/oder akkumulierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen umfassen. Insbesondere können die Betriebsmerkmale beispielsweise umfassen: elektrochemische Zustände, wie z. B. SEI-Schichtdicke, Änderung von zyklisierbarem Lithium aufgrund von Anoden/Kathoden-Nebenreaktionen, schnelle Aufnahme von Elektrolytlösungsmitteln, langsame Aufnahme von Elektrolytlösungsmitteln, Lithiumabscheidung, Verlust von aktivem Anodenmaterial und Verlust von aktivem Kathodenmaterial, Informationen zu Impedanzen bzw. den Innenwiderständen, Histogrammmerkmale, wie Temperatur über Ladezustand, Ladestrom über Temperatur und Entladestrom über Temperatur, insbesondere mehrdimensionale Histogrammdaten bezüglich der Batterietemperaturverteilung über dem Ladezustand, der Ladestromverteilung über der Temperatur und/oder der Entladestromverteilung über der Temperatur, den Stromdurchsatz in Amperestunden, die akkumulierte Gesamtladung (Ah), eine durchschnittliche Kapazitätszunahme bei einem Ladevorgang (insbesondere für Ladevorgänge, bei denen die Ladungszunahme über einem Schwellenanteil [z. B. 20 % ΔSOC] der gesamten Batteriekapazität liegt), die Ladekapazität sowie ein Extremwert (z. B. Maximum) der differentiellen Kapazität während eines gemessenen Ladevorgangs mit ausreichend großem Hub des Ladezustands (geglätteter Verlauf von dQ/dU: Ladungsänderung dividiert durch Änderung der Batteriespannung) oder die akkumulierte Fahrleistung. Diese Größen werden vorzugsweise so umgerechnet, dass sie das reale Nutzungsverhalten bestmöglich charakterisieren und im Merkmalsraum normieren. Die Betriebsmerkmale M können insgesamt oder nur teilweise für das nachfolgend beschriebene Verfahren verwendet werden.The operating characteristics M (for individual battery consideration or overall battery consideration) can include, for example, characteristics related to the evaluation period and/or accumulated characteristics and/or statistical variables determined over the entire previous service life. In particular, the operating characteristics may include, for example: electrochemical states, such as: B. SEI layer thickness, change in cyclable lithium due to anode/cathode side reactions, rapid uptake of electrolyte solvents, slow uptake of electrolyte solvents, lithium deposition, loss of active anode material and loss of active cathode material, information on impedances or internal resistances, histogram features, such as temperature over state of charge, charging current over temperature and discharging current over temperature, in particular multidimensional histogram data regarding the battery temperature distribution over state of charge, charging current distribution over temperature and/or discharge current distribution over temperature, current throughput in ampere-hours, total accumulated charge (Ah), a average capacity increase during a charging process (particularly for charging processes in which the charge increase is above a threshold proportion [e.g. 20% ΔSOC] of the total battery capacity), the charging capacity and an extreme value (e.g. B. Maximum) of the differential capacity during a measured charging process with a sufficiently large change in the state of charge (smoothed curve of dQ/dU: change in charge divided by change in battery voltage) or the accumulated mileage. These variables are preferably converted in such a way that they best characterize real usage behavior and normalize it in the feature space. The operating features M can be used in whole or only in part for the method described below.
Für die Bestimmung eines korrigierten auszugebenden Alterungszustands SOH werden die Ausgänge SOHph, k des physikalischen Alterungsmodells 5 und des datenbasierten Korrekturmodells 6, welches vorzugsweise als Gaußprozessmodell ausgeführt ist, miteinander beaufschlagt. Insbesondere können diese in einem Summierblock 7 addiert oder ansonsten auch multipliziert (nicht gezeigt) werden, um den auszugebenden modellierten Alterungszustand SOH zu einem aktuellen Auswertungszeitraum zu erhalten. Die Konfidenz des Gaußprozesses kann im Additions-Fall weiterhin als Konfidenz des auszugebenden korrigierten Alterungswerts SOH des hybriden Modells verwendet werden. Die Konfidenz bzw. der Konfidenzwert des Gaußprozessmodells charakterisiert somit die Modellierungs-Unsicherheit der Abbildung von Betriebsmerkmalspunkten auf einen Alterungszustand.To determine a corrected aging state SOH to be output, the outputs SOHph, k of the physical aging
Das Trainieren des hybriden Alterungszustandsmodells erfolgt in der Zentraleinheit 2 mithilfe eines Trainingsblocks 10. Dazu werden Trainingsdatensätze definiert, die Betriebsgrößenverläufe einem empirisch oder modellbasiert ermittelten Alterungszustand als Label zuordnen.The hybrid aging state model is trained in the
Beispielsweise kann zur Bestimmung eines Alterungszustands als Label für das Training des hybriden oder datenbasierten Alterungszustandsmodells ein Basismodell vorgesehen sein, gemäß dem eine SOH-C-Messung durch Coulomb-Counting bzw. durch Bildung eines zeitlichen Stromintegrals während des Ladevorgangs vorgenommen wird, welches durch den Hub des Ladezustands zwischen Beginn und Ende der betreffenden Lade- und/oder Entladephase dividiert wird. Eine hinreichend zuverlässige Angabe über den Alterungszustand kann man beispielsweise erhalten, wenn die Fahrzeugbatterie während eines Ladevorgangs aus einem definierten relaxierten Zustand unter reproduzierbaren Last- und Umgebungsbedingungen von einem vollständig entladenen Lade- Zustand in einen vollständig geladenen Zustand gebracht wird. Die dadurch erfasste maximale Ladung kann zu einer initialen maximalen Ladekapazität der Fahrzeugbatterie in Beziehung gesetzt werden. Widerstandsbezogene Alterungszustände (SOH-R-Werte) können auch durch Spannungsänderungen bezogen auf eine Stromänderung errechnet werden. Üblicherweise sind diese auf ein definiertes Zeitintervall sowie definierte Umgebungsbedingungen und die Energiefluss-Richtung des Systems bezogen.For example, to determine an aging state as a label for training the hybrid or data-based aging state model, a basic model can be provided, according to which an SOH-C measurement is carried out by Coulomb counting or by forming a temporal current integral during the charging process, which is carried out by the hub of the state of charge is divided between the start and end of the relevant charging and/or discharging phase. A sufficiently reliable indication of the aging state can be obtained, for example, if the vehicle battery is brought from a defined relaxed state from a completely discharged charging state to a fully charged state under reproducible load and environmental conditions during a charging process. The maximum charge recorded in this way can be related to an initial maximum charging capacity of the vehicle battery. Resistance-related aging states (SOH-R values) can also be calculated using voltage changes related to a current change. These are usually related to a defined time interval as well as defined environmental conditions and the energy flow direction of the system.
Die Ermittlung eines Alterungszustands als Label kann in an sich bekannter Weise durch Auswertung der Betriebsgrößenverläufe mit einem zusätzlichen Alterungsmodell in dem Fahrzeug oder in der Zentraleinheit 2 unter definierten Last- und Umgebungs-Bedingungen einer Labelerzeugung erfolgen, wie z. B. in einer Werkstatt, auf einem Prüfstand oder einem Diagnose- oder Labelerzeugungsmodus, der einen Betriebsmodus darstellt und das Einhalten vorbestimmter Betriebsbedingungen der Fahrzeugbatterie, wie z. B. konstanter Temperatur, konstanter Strom und dergleichen garantiert. Dazu können andere Modelle zur Ermittlung des Alterungszustands genutzt werden. Das Training des datenbasierten Korrekturmodells kann auf herkömmliche Weise basierend auf den Trainingsdatensätzen erfolgen.The determination of an aging state as a label can be done in a manner known per se by evaluating the operating variable curves with an additional aging model in the vehicle or in the
Das elektrochemische Alterungsmodell kann unter Kontrolle des Trainingsblocks 10 in Ruhephasen an die Betriebsgrößenverläufe z. B. mithilfe eines Least-Square-Verfahrens oder Ähnlichem angefittet werden. Das elektrochemische Alterungsmodell kann Gleichgewichtszustände modellieren und durch Modellparameter beschrieben sein. Die Modellparameter können in regelmäßigen Abständen neu parametriert werden, insbesondere wenn Betriebsgrößenverläufe für einen definierten Zeitabschnitt von mindestens einigen (z. B. drei) Stunden vorliegen. Diese Daten können für gleichartige Fahrzeugbatterien 41 durch Auswertung in der Zentraleinheit 2 gesammelt und dort die Anpassung oder Neuparametrierung durchgeführt werden.The electrochemical aging model can, under the control of the
Derartige Modellparameter des elektrochemischen Batteriemodells können beispielsweise eine skalare Angabe zu dem zyklisierbaren Lithium (Wert bezieht sich auf die Kathodenkapazität), dem Anteil des zyklisierbaren Lithiums zum Lebensdauerbeginn der Batterie (skalarer Wert), einem Volumenanteil der Anode und einem Volumenanteil der Anode zu Lebensdauerbeginn der Fahrzeugbatterie 41 umfassen. Der Alterungszustand SOH kann als Linearkombination der inneren Gleichgewichtszustände näherungsweise ermittelt werden.Such model parameters of the electrochemical battery model can, for example, provide a scalar indication of the cyclable lithium (value refers to the cathode capacity), the proportion of cyclable lithium at the start of the battery's service life (scalar value), a volume proportion of the anode and a volume proportion of the anode at the start of the vehicle battery's
Der Alterungszustand SOH aus dem hybriden Alterungszustandsmodell 9 kann nun zusammen mit individuellen Betriebsgrößenverläufen einer bestimmten Fahrzeugbatterie verwendet werden, ein Batterie-Dynamik-Modell in einem Parametrierungsblock 11 zu parametrieren. Das Parametrieren des Batterie-Dynamik-Modells ergibt Batterie-Dynamik-Parameter, wie z.B. Impedanzen für ein Batterie-Ersatzschaltbild, wie z.B. die Kapazität C und Innenwiderstände R1, R2.The aging state SOH from the hybrid aging
Die Batterie-Dynamik-Parameter R1, R2, C werden an die angeschlossenen Fahrzeuge übermittelt. Dort werden diese als Dynamik-Parameter in einem dort implementierten Batteriedynamikmodell 12, das als fraktionales Modell ausgebildet sein kann, berücksichtigt, um aus den individuellen Betriebsgrößenverläufen des Batteriestroms Imess und der Batterietemperatur Tbat einen Verlauf des Ladezustands und der Batteriespannung Umod zu ermitteln.The battery dynamics parameters R1, R2, C are transmitted to the connected vehicles. There, these are taken into account as dynamic parameters in a
Es ist weiterhin ein Beobachtermodell 13, z. B. eines Luenberger-Beobachters, vorgesehen, der die modellierte Batteriespannung mit der aktuell gemessenen Batteriespannung Umess vergleicht und einen Spannungsunterschied dahingehend auswertet, dass die Batterie-Dynamik-Parameter R1, R2, C angepasst werden. Der Luenberger Beobachter passt also die Kapazität C und die Innenwiderstände R1, R2 abhängig von der Beobachtung und dem Spannungsunterschied an. Dadurch können batterieindividuelle Abweichungen aus Herstellungstoleranzen und Serienstreuungen berücksichtigt werden. Im Ergebnis erhält man angepasste Batterie- Dynamik -Parameter R1, R2, C der Kapazität und der Innenwiderstände, aus denen die entsprechenden Alterungszustände, d. h. der kapazitätsbezogene Alterungszustand und/oder der widerstandsänderungsbezogene Alterungszustand SOHR, ermittelt werden können.It is also an
Alternativ oder zusätzlich können die Batterie-Dynamik-Parameter auch die kinetischen und/oder Gleichgewichtsparameter umfassen.Alternatively or additionally, the battery dynamic parameters can also include the kinetic and/or equilibrium parameters.
Diese können einem Fahrer entsprechend angezeigt werden und berücksichtigen sowohl die flottenbasierten Beobachtungen aus der Vielzahl von gleichartigen Fahrzeugbatterien 41 als auch die individuellen Eigenschaften der Fahrzeugbatterie 41 des betreffenden Fahrzeugs.These can be displayed to a driver accordingly and take into account both the fleet-based observations from the large number of
In
In Schritt S1 werden zunächst in jedem der Fahrzeuge Betriebsgrößen F der jeweiligen Fahrzeugbatterien 41 erfasst, einschließlich der Batterietemperatur, des Batteriestroms, der Batteriespannung und des Ladezustands. Die Betriebsgrößenverläufe werden mit einer hohen zeitlichen Auflösung von beispielsweise 10 Hz erfasst und in der Zentraleinheit 2 bereitgestellt. Die Betriebsgrößen entsprechen dem Batteriestrom, der Batterietemperatur, der Batteriespannung und ggfs. dem Ladezustand. Eine Datenaufbereitung wird durchgeführt, einschließlich einer Ausreißererkennung, Filterung und Datenbereinigung, ggfs. eine Interpolation oder dergleichen.In step S1, operating variables F of the
In Schritt S2 wird in der Zentraleinheit 2 ein hybrides Alterungszustandsmodell trainiert, basierend auf den gesammelten Betriebsgrößenverläufen der Vielzahl von Fahrzeugbatterien 41. Das Trainieren des Alterungszustandsmodells erfolgt, wie zuvor beschrieben, durch Fitten des elektrochemischen Alterungsmodells und durch Trainieren des Korrekturmodells auf das sich ergebende Residuum. Das Fitten und Trainieren des hybriden Alterungszustandsmodells kann in regelmäßigen Zeitabständen von beispielsweise zwischen 3 bis 6 Monaten, erfolgen.In step S2, a hybrid aging state model is trained in the
Die Labels für den Trainingsprozess können sich einer Auswertung bestimmter Vorgänge wie z.B. einem Ladevorgang unter vorbestimmten Bedingungen hochgenau ergeben. So kann zur Bestimmung eines Alterungszustands ein Basismodell vorgesehen sein, gemäß dem eine Bestimmung eines kapazitätsbezogenen Alterungszustands durch Coulomb-Counting bzw. durch Bildung eines zeitlichen Stromintegrals während des Ladevorgangs vorgenommen wird, welches durch den Hub des Ladezustands zwischen Beginn und Ende der betreffenden Lade- und/oder Entladephase dividiert wird.The labels for the training process can be based on an evaluation of certain processes such as a loading process under predetermined conditions extremely precise. To determine an aging state, a basic model can be provided, according to which a capacity-related aging state is determined by Coulomb counting or by forming a time current integral during the charging process, which is determined by the stroke of the state of charge between the start and end of the relevant charging and /or discharge phase is divided.
In Schritt S3 wird nun für die Fahrzeugbatterien auf Grundlage der zugehörigen Betriebsgrößenverläufe ein Batterie-Dynamik-Modell 12 durch Anfitten z.B. mithilfe eines Least Square-Verfahrens parametriert, um Gleichgewichtsparameter und kinetische Parameter zu bestimmen. Das Batterie-Dynamik-Modell kann einem Ersatzschaltbild-Modell bzw. einem fraktionalen Impedanzmodell der Fahrzeugbatterie entsprechen. Es ergeben sich Batterie-Dynamik-Parameter als Impedanzen des Ersatzschaltbildes der Fahrzeugbatterie 41 aus den aus dem hybriden Alterungszustandsmodell ermittelten Alterungszuständen, d. h. des kapazitätsbezogenen Alterungszustands SOHC und/oder des widerstandsänderungsbezogenen Alterungszustands SOHR. Alternativ kann anstelle des fraktionalen Batterie-Modells ein elektrochemisches Batterie-Modell verwendet werden.In step S3, a
In Schritt S4 werden die so ermittelten Batterie-Dynamik-Parameter, nämlich die Kapazität C und die Innenwiderstände R1, R2, oder die inneren Batteriezustände des elektrochemischen Batteriemodells an das betreffende Fahrzeug übermittelt und dort im Steuergerät 43 als Parameter für ein Batterie- Dynamik -Modell, das als fraktionales Modell ausgebildet sein kann, verwendet.In step S4, the battery dynamics parameters determined in this way, namely the capacity C and the internal resistances R1, R2, or the internal battery states of the electrochemical battery model, are transmitted to the vehicle in question and there in the
Im Schritt S5 wird das Batterie- Dynamik -Modell 12 ausgeführt und unter Verwendung der gemessenen Batterietemperatur TBat und des gemessenen Batteriestroms Imess eine entsprechende Spannungsantwort als modellierte Batteriespannung Umod berechnet. Die modellierte Batteriespannung Umod wird mit der gemessenen Batteriespannung Umess in der Fahrzeugbatterie 41 verglichen und ein entsprechender Spannungsunterschied als Spannungsresiduum ermittelt.In step S5, the
Im nachfolgenden Schritt S6 wird das Beobachtermodell 13 angewendet, das den ermittelten Spannungsunterschied verwendet, und die Batterie-Dynamik-Parameter der Kapazität C und/oder der Innenwiderstände R1, R2, oder der elektrochemischen Batteriezustände korrigiert, um den Beobachtungsfehler in der plausibelsten Weise zu erklären. Das Beobachtermodell 13 kann als ein Luenberger-Beobachter ausgebildet sein, der aus mehreren zeitlich versetzten Abfragen entsprechende Änderungen der in der Zentraleinheit 2 bestimmten Batterie-Dynamik-Parameter bestimmt. Daraus ergibt sich eine entsprechende Anpassung der Batterie-Dynamik-Parameter auf die individuelle Fahrzeugbatterie.In the subsequent step S6, the
Dieser Schritt kann embedded bzw. im Fahrzeug berechnet werden. Durch diesen Schritt kann sichergestellt werden, dass das lokale Modell nun Randbedingungen und Einflüsse beschreibt, welche über das zentrale Modell in der Zentraleinheit 2 nicht beschrieben werden kann, z.B. aufgrund Batterie-spezifischer Größen, wie Serienstreuung und Fertigungstoleranzen, die nur lokal ermittelt werden können (z.B. aufgrund des Spannungs-Residuums).This step can be embedded or calculated in the vehicle. This step can ensure that the local model now describes boundary conditions and influences that cannot be described via the central model in the
In Schritt S7 kann aus den Batterie-Dynamik-Parametern der kapazitätsbezogene SOH-C und/oder der widerstandsänderungsbezogene Alterungszustand SOH-R abgeleitet und signalisiert werden.In step S7, the capacity-related SOH-C and/or the resistance change-related aging state SOH-R can be derived and signaled from the battery dynamic parameters.
Im Schritt S8 können in dem Fahrzeug 4 zusätzlich während Ruhephasen eine Batteriespannung mithilfe des Spannungssensors bestimmt werden, um ein elektrochemisches Modell zur Ermittlung von Gleichgewichtsparametern, wie z.B. Menge an verfügbaren zyklisierbaren Lithium, Volumenanteil der Kathode, Volumenanteil der Anode usw. und/oder kinetischen Parametern zu fitten. Die ermittelten Merkmale, wie beispielsweise der Spannungsunterschied, die korrigierten Batterie-Dynamik-Parameter, die Gleichgewichtsparameter, insbesondere das verfügbare zyklisierbare Lithium, der Volumenanteil der Kathode und der Volumenanteil der Anode, können an die Zentraleinheit 2 übertragen werden. Alternativ das elektrochemische Modell auch basierend auf den Betriebsgrößenverläufen auch in der Zentraleinheit ausgeführt werden, um die Gleichgewichtsparameter und/oder die kinetischen Parameter in der Zentraleinheit 2 zu ermitteln, wobei der Spannungsunterschied und die korrigierten Batterie-Dynamik-Parameter an die Zentraleinheit 2 übertragen werden.In step S8, a battery voltage can additionally be determined in the vehicle 4 during rest phases using the voltage sensor in order to create an electrochemical model for determining equilibrium parameters, such as amount of available cyclable lithium, volume fraction of the cathode, volume fraction of the anode, etc. and/or kinetic parameters to fit. The determined features, such as the voltage difference, the corrected battery dynamic parameters, the equilibrium parameters, in particular the available cyclable lithium, the volume fraction of the cathode and the volume fraction of the anode, can be transmitted to the
In der Zentraleinheit 2 können in Schritt S9 die empfangenen Merkmale und dem inneren Zustand des elektrochemischen Alterungsmodells des dort ausgeführten hybriden Alterungszustandsmodells 9 ausgewertet werden, um mithilfe eines Kritikalitätsmodells die Kritikalität des Batteriezustands zu bewerten.In step S9, the received features and the internal state of the electrochemical aging model of the hybrid aging
Das Kritikalitätsmodell kann als datenbasiertes Modell, insbesondere als Gaußsches Mischmodell ausgebildet sein und in der Zentraleinheit 2 entsprechend in an sich bekannter Weise auf funktionsfähige Fahrzeugbatterien und fehlerbehaftete Fahrzeugbatterien 41 trainiert werden, so dass die Ausgabe einer Wahrscheinlichkeit für ein potenziell hochkritisches Ereignis (Ausfallwahrscheinlichkeit), wie z.B. ein Ausfallereignis, Sudden Death, Thermal Runaway und dergleichen, möglich ist.The criticality model can be designed as a data-based model, in particular as a Gaussian mixed model, and can be trained in the
Die Parameter des Kritikalitätsmodell können alternativ in Schritt S9 an die Fahrzeuge übertragen und das Kritikalitätsmodell dort ausgewertet werden, so dass eine Bewertung des aktuellen Batteriezustands mit einem Kritikalitätswert bzw. einer Ausfallwahrscheinlichkeit auch in den Fahrzeugen basierend auf den ermittelten Merkmalen, wie beispielsweise dem Spannungsunterschied, den Merkmalen der Gleichgewichtsparameter und/oder kinetischen Parametern aus den während der Ruhephasen gemessenen Batteriespannung und den inneren Zuständen aus dem elektrochemischen Alterungsmodell, die regelmäßig über die Kommunikationsverbindung von der Zentraleinheit an die Fahrzeugbatterien 41 übermittelt werden können, erfolgt.The parameters of the criticality model can alternatively be transferred to the vehicles in step S9 and the criticality model can be evaluated there, so that an evaluation of the current battery state with a criticality value or a probability of failure can also be carried out in the vehicles based on the determined features, such as the voltage difference Features of the equilibrium parameters and / or kinetic parameters from the battery voltage measured during the rest phases and the internal states from the electrochemical aging model, which can be regularly transmitted from the central unit to the
Bei Überschreiten eines vorgegebenen Schwellenwerts für den Kritikalitätswert (Ausfallwahrscheinlichkeit) kann ein kritischer Zustand in Schritt S10 im Fahrzeug signalisiert werden, z.B. als akustische oder visuelle Warnung oder durch Beeinflussen des Betriebs der Fahrzeugbatterie 41.If a predetermined threshold value for the criticality value (probability of failure) is exceeded, a critical state can be signaled in the vehicle in step S10, for example as an acoustic or visual warning or by influencing the operation of the
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
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.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- US 2020150185 A [0014]US 2020150185 A [0014]
- WO 2022017984 A1 [0014]WO 2022017984 A1 [0014]
- EP 3919925 A1 [0014]EP 3919925 A1 [0014]
- DE 102020206915 B3 [0014]DE 102020206915 B3 [0014]
- US 20210373082 A1 [0014]US 20210373082 A1 [0014]
- DE 102012016279 A1 [0020]DE 102012016279 A1 [0020]
- EP 3435102 A1 [0022]EP 3435102 A1 [0022]
Claims (12)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022208929.4A DE102022208929A1 (en) | 2022-08-29 | 2022-08-29 | Method and device for determining an aging state of a device battery in a technical device using edge computing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022208929.4A DE102022208929A1 (en) | 2022-08-29 | 2022-08-29 | Method and device for determining an aging state of a device battery in a technical device using edge computing |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022208929A1 true DE102022208929A1 (en) | 2024-02-29 |
Family
ID=89844170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022208929.4A Pending DE102022208929A1 (en) | 2022-08-29 | 2022-08-29 | Method and device for determining an aging state of a device battery in a technical device using edge computing |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022208929A1 (en) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012016279A1 (en) | 2012-08-17 | 2013-03-07 | Daimler Ag | Method for parameterization of impedance-based model of e.g. lithium ion battery, involves determining parameter by adjusting response with time response of system with impedance elements e.g. resistors and constant phase elements |
EP3435102A1 (en) | 2017-07-26 | 2019-01-30 | INVENOX GmbH | Method and device for detecting battery cell states and battery cell parameters |
US20200150185A1 (en) | 2018-11-13 | 2020-05-14 | Robert Bosch Gmbh | Method for approximating algorithms for fast charging li-ion batteries based on electrochemical battery models |
DE102020206915B3 (en) | 2020-06-03 | 2021-07-22 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method for determining an approximation and / or prognosis for the true degradation state of a rechargeable battery and method for training a hidden Markov model for use in the method for determining an approximation and / or prognosis |
US20210373082A1 (en) | 2020-05-27 | 2021-12-02 | Robert Bosch Gmbh | Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store |
WO2022017984A1 (en) | 2020-07-24 | 2022-01-27 | Robert Bosch Gmbh | Method for predicting a residual service life of vehicle batteries of a fleet of electric vehicles |
-
2022
- 2022-08-29 DE DE102022208929.4A patent/DE102022208929A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012016279A1 (en) | 2012-08-17 | 2013-03-07 | Daimler Ag | Method for parameterization of impedance-based model of e.g. lithium ion battery, involves determining parameter by adjusting response with time response of system with impedance elements e.g. resistors and constant phase elements |
EP3435102A1 (en) | 2017-07-26 | 2019-01-30 | INVENOX GmbH | Method and device for detecting battery cell states and battery cell parameters |
US20200150185A1 (en) | 2018-11-13 | 2020-05-14 | Robert Bosch Gmbh | Method for approximating algorithms for fast charging li-ion batteries based on electrochemical battery models |
US20210373082A1 (en) | 2020-05-27 | 2021-12-02 | Robert Bosch Gmbh | Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store |
DE102020206915B3 (en) | 2020-06-03 | 2021-07-22 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method for determining an approximation and / or prognosis for the true degradation state of a rechargeable battery and method for training a hidden Markov model for use in the method for determining an approximation and / or prognosis |
EP3919925A1 (en) | 2020-06-03 | 2021-12-08 | Robert Bosch GmbH | Cost-effective and precise determination of the degradation of a rechargeable battery |
WO2022017984A1 (en) | 2020-07-24 | 2022-01-27 | Robert Bosch Gmbh | Method for predicting a residual service life of vehicle batteries of a fleet of electric vehicles |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020215297A1 (en) | Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods | |
DE102012207815A1 (en) | SYSTEMS AND METHOD FOR DETERMINING CELL CAPACITY VALUES IN A BATTERY WITH MANY CELLS | |
DE102019111976A1 (en) | Determining the capacity of batteries | |
DE102020212299A1 (en) | Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods | |
DE102020100668B4 (en) | Characterization of rechargeable batteries with machine-learned algorithms | |
DE102020215201A1 (en) | Method and device for predicting an aging state of a device battery in a battery-operated device | |
DE102021203729A1 (en) | Method and device for operating a system for providing predicted aging states of electrical energy stores using reconstructed time series signals using machine learning methods | |
DE102021203865A1 (en) | Method and device for evaluating a relative aging condition of a device battery on the basis of a device group-based series variance of the device batteries | |
DE102021203868A1 (en) | Method and device for operating a system for providing an electrochemical battery model for a device battery for a device | |
WO2023052521A1 (en) | Determination of an ageing value for batteries with current-voltage time series in time domain and load domain | |
DE102022211063A1 (en) | Controller for estimating characteristic parameters of a battery and method therefor | |
DE102022202882A1 (en) | Method and device for providing a predicted aging state of a device battery based on a predicted usage pattern | |
DE102021204014A1 (en) | Method and device for providing an aging state model for determining current and predicted aging states of electrical energy stores using transfer learning using machine learning methods | |
DE102022203343A1 (en) | Method and device for operating a system for detecting an anomaly in an electrical energy storage device for a device using machine learning methods | |
DE102020212282A1 (en) | Method and device for parameterizing an electrochemical battery model for a battery based on data from a large number of batteries | |
DE102022208932A1 (en) | Method and device for the predictive diagnosis of a device battery of a technical device using a transformer model | |
DE102022200008A1 (en) | Method and system for efficiently monitoring battery cells of a device battery in a device-external central unit using a digital twin | |
DE102022202111A1 (en) | Method and device for detecting a critical anomaly in a device battery based on machine learning methods | |
DE102021213948A1 (en) | Method and device for providing a data-based state of health model for determining a state of health of an electrical energy store for a device using machine learning methods | |
DE102021207467A1 (en) | Method and device for operating a system for providing predicted confidence intervals of aging states of electrical energy stores for at least one device using machine learning methods | |
DE102022208929A1 (en) | Method and device for determining an aging state of a device battery in a technical device using edge computing | |
DE102020214180A1 (en) | Method and device for determining a state variable of an electrical energy store | |
DE102020008050A1 (en) | Characterization of rechargeable batteries with machine-learned algorithms | |
DE102022207965A1 (en) | Method for the predictive diagnosis of a device battery of a technical device using a normalizing flow model | |
DE102023200583A1 (en) | Method and system for efficiently monitoring a device battery in a device-external central unit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |