CN105021991A - 车辆用电池传感器及利用所述传感器的季节判断方法 - Google Patents
车辆用电池传感器及利用所述传感器的季节判断方法 Download PDFInfo
- Publication number
- CN105021991A CN105021991A CN201510190992.3A CN201510190992A CN105021991A CN 105021991 A CN105021991 A CN 105021991A CN 201510190992 A CN201510190992 A CN 201510190992A CN 105021991 A CN105021991 A CN 105021991A
- Authority
- CN
- China
- Prior art keywords
- season
- trooping
- battery sensor
- vehicle
- weighted value
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/545—Temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/547—Voltage
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/549—Current
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/60—Navigation input
- B60L2240/66—Ambient conditions
- B60L2240/662—Temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/80—Time limits
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2250/00—Driver interactions
- B60L2250/16—Driver interactions by display
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
-
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/64—Electric machine technologies in electromobility
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Secondary Cells (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明通过利用车辆用电池传感器而判断季节,能够提前预测电池性能,从而能够提高电池传感器的监测性能。
Description
技术领域
本发明涉及车辆用电池传感器,尤其,涉及利用所述车辆用电池传感器的季节判断方法。
背景技术
最近,车辆上基本设有各种电子控制设备及多媒体设备等。
这种设备根据车辆电池的电源供应而运转,因此车辆电池的管理非常重要。
为了车辆电池的性能管理,车辆具备了用于测定所述车辆电池状态的车辆电池传感器。车辆电池传感器测定车辆电池的充电状态、老化程度及重启能力等电池性能。
这种车辆电池性能与季节性的温度变化之间存在密切的关联。因此,车辆电池传感器有必要监测反映这种季节性温度变化的车辆电池性能。
为此,车辆用电池传感器需自动判断当前的季节。但是,尚未开发出具有季节判断功能的车辆电池传感器。
发明内容
(要解决的技术问题)
因此,本发明的目的在于,提供能够判断季节的车辆用电池传感器。
本发明的另一目的在于,提供一种利用车辆用电池传感器的季节判断方法。
(解决问题的手段)
为达成所述目的的根据本发明的一方面的车辆用电池传感器,包括:预先学习部,将每日温度数据分成呈现季节的多个模式群集而构成自组织映射(Self-Organizing Map),通过预先学习的季节模式数据而生成所述自组织映射所呈现的多个模式群集的权重值;温度感应单元,实时测定所述车辆的外部空气温度数据;及季节分类部,根据群集分析(cluster analysis)而对将所述实时测定的外部空气温度数据进行群集化而形成多个群集,并计算被群集化的多个群集的权重值,将计算的所述多个群集的权重值态射到所述自组织映射而检出权重值最靠近所述多个群集的权重值的所述模式群集,将检出的模式群集所呈现的季节分类为当前的季节。
利用根据本发明的另一方面的车辆用电池传感器的季节判断方法,包括:将每日温度数据分成呈现季节的多个模式群集而构成自组织映射(Self-Organizing Map)的步骤;通过预先学习的季节模式数据而生成所述自组织映射所呈现的多个模式群集的权重值的步骤;利用群集分析(clusteranalysis)而对实时测定的车辆外部空气温度进行群集化而形成多个群集,计算多个群集的权重值的步骤;将所述多个群集的权重值态射到所述自组织映射而检出权重值最靠近所述多个群集的权重值的所述模式群集的步骤;及将检出的模式群集所呈现的季节信息分类为当前的季节的步骤。
(发明的效果)
根据本发明,利用车辆用电池传感器而判断季节,从而能够提高车辆用电池传感器所具有的监测性能。
附图说明
图1是呈现根据本发明的一实施例的车辆用电池传感器的内部结构的框图。
图2是概略性地呈现图1中图示的季节判断模块的内部结构的框图。
图3是呈现根据本发明的一实施例的预先学习部中可利用的神经回路网的结构的结构图。
图4是用于说明根据本发明的一实施例的预先学习部中可利用的神经回路网的传播规则的图。
图5是用于说明根据本发明的一实施例的预先学习部中可利用的神经回路网的学习规则的图。
图6是呈现图2中图示的预先学习部中执行的预先学习过程的顺序图。
图7是呈现图2中图示的预先学习部中使用的每日平均温度数据的一例的图表。
图8是用于说明根据本发明的一实施例的已变换的直方图数据的图表。
图9是呈现根据本发明的一实施例的预先学习开始之前的各模式群集的位置权重值的一例的图表。
图10是呈现根据本发明的一实施例的预先学习完成之后移动的各模式群集的位置权重值的一例的图表。
图11是呈现根据本发明的一实施例而保存在保存部的预先学习的季节模式数据的图。
图12是呈现图2中图示的季节分类部中分类季节的过程的顺序图。
图13是根据本发明的一实施例而输入到季节分类部的车辆的外部空气温度数据的图表。
图14是呈现图13中图示的从车辆的外部空气温度数据变换的直方图数据的一例的图。
图15是呈现通过根据本发明的一实施例的K-means算法而计算的所述车辆的外部空气温度数据的位置权重值的图。
图16是图式性地呈现图12的S1240中执行的季节分类过程的图。
图17是呈现显示从图2中图示的季节分类部接收的季节信息的车辆内的群集的图。
具体实施方式
下面,参照附图而详细说明根据本发明的一实施例。
图1是呈现包括根据本发明的一实施例的车辆用电池传感器的整体车辆系统的框图。
参照图1,整体车辆系统,包括:车辆电池感应模块100,感应车辆电池500的内部温度及充电状态,感应车辆的外部空气温度而判断季节;引擎ECU200,通过LIN(Local Interconnect Network-本地互联网络)通信而从所述车辆电池感应模块100接收车辆电池500的内部温度信息及充电状态信息,根据接收的内部温度信息及充电状态信息而控制引擎;引擎300,受到所述引擎ECU200的控制;主ECU220,通过LIN(Local InterconnectNetwork-本地互联网络)通信,接收由所述车辆电池感应模块100判断的季节数据(或季节信息);及电气负荷400,由接收车辆电池500的电力供应的各种车辆内电气设备构成。
所述整体车辆系统所具备的结构中,除了车辆电池感应模块100的其余结构200、300、400是众所周知的结构,因此省略对此的说明。
主ECU220将从所述车辆电池感应模块100接收的季节数据传送到车辆内的各种电气设备。
主ECU220将季节数据传送到车辆的群集设备,能够控制车辆群集而使驾驶员能够视觉性地确认季节数据。
驾驶员通过呈现在车辆群集的季节数据而能够掌握最初发动时的空旋转与否及根据季节的轮胎更换时间等。
下面,详细说明车辆电池感应模块100。
车辆电池感应模块100收集车辆外部空气温度而判断当前的季节。
车辆电池感应模块100通过电池500的(+)端子及并联电阻110而分别电气性地连接到电池500的(-)端子上。
车辆电池感应模块100包括:感应车辆电池500的内部温度及充电状态的演算模块120及判断季节的季节判断模块130。
所述演算模块120包括:电压感应单元121,测定电池500的电压;温度感应单元123,实时测定传感器模块100的内部温度及车辆外部空气温度;电流感应单元125,根据所述并联电阻110的两端电压差而测定车辆电池500中流动的电流;电池内部温度分析单元127(BTM,Battery TempModel),基于所述内部温度而分析车辆电池500的内部温度;充电状态分析单元128(SOC,State Of Charge),基于所述测定的电池电压及电池电流而分析电池500的充电状态;及老化状态分析单元129(SOH,State OfHealth),基于所述内部温度、电池电压及电池电流而分析电池500的老化状态。
根据所述演算模块120的各结构127、128、129分析的电池内部温度、充电状态及老化状态相关信息通过LIN通信被传送到引擎ECU200。引擎ECU200基于接收的各信息而控制引擎。
季节判断模块130利用预先学习的季节模式数据而获得呈现当前季节的季节数据。对此的具体说明,参考图2进行详细说明。
图2是概略性地呈现图1中图示的季节判断模块的内部结构的框图。
参照图2,季节判断模块130包括:预先学习部132,学习季节模式数据;保存部134,保存由预先学习部132预先学习的季节模式数据;及季节分类部136,利用保存在保存部134的预先学习的季节模式数据而对季节进行分类。
预先学习部132接收上一年度每日温度数据,利用自组织映射(Self-Organizing Map,SOM)而学习所述每日温度数据而生成预先学习的季节模式数据。
所述预先学习的季节模式数据被保存到所述保存部134。
季节分类部136利用由所述温度感应单元123实时测定的车辆外部空气温度数据及预先学习的季节模式数据而对季节进行分类。
分类的季节数据被传送到主ECU220,主ECU220加工接收的季节数据而将此传送到发送请求的车辆内相应的电子设备。
下面,详细说明所述预先学习部132执行的季节模式数据的预先学习过程。
所述预先学习部132利用SOM(Self-Organizing Map-自组织映射)而学习季节模式数据。
SOM(Self-Organizing Map-自组织映射)是利用神经回路网(Artificialneural network)的自我学习的一种方法。
自组织(Self-Organizing)不是提供对输入信息的模式的正确的输出模式,而是对输入信息的模式进行群集化(Clustering),通过群集化的结果而学习化某个特定输出模式。
为了有助于理解季节模式数据的学习过程,简单介绍神经回路网。
神经回路网
神经回路网是指将识别事物或事件的生物学性神经系统的方法进行建模而对其数学性地利用及加工。即,已完成对输入模式的学习的神经回路网对未学习的输入模式也能导出正确的输出模式。
图3是呈现根据本发明的一实施例的预先学习部中可利用的神经回路网的结构的结构图。
如图3所图示,神经回路网包括:输入层(Input Layer)、隐藏层(HiddenLayer)及输出层(Output Layer)。
输入层指用于学习的数据输入,输出层指学习结果值的输出。并且,隐藏层指信息的传播、学习及激活。
神经回路网的传播规则(Propagation Rule)
神经回路网的传播规则是指组合系统的输入模式而能够在系统中从当前状态获得新的状态的规则。
图4是用于说明根据本发明的一实施例的预先学习部中可利用的神经回路网的传播规则的图。
如图4所图示,神经回路网的传播规则为,所述系统的输入区块41接收输入模式(X)而将此传送到西格玛演算区块43。西格玛演算区块43计算其接收的输入模式的合计(NET=ΣX),将该计算结果传送到激活函数区块45。激活函数区块45利用激活函数(f())而组合其接收的输入模式的合计(NET:临界加权值),将该组合结果(f(NET))传送到输出区块47。输出区块47将接收的组合结果(f(NET))输出为从当前状态能够求得新的状态的规则(Y=f(NET))。
神经回路网的激活规则(Activation Rule)
神经回路网的激活规则是指输入到神经回路网的数据的输入加权值对输出产生影响的临界规则。可表现为If(NET>T)Y=1、ELSEY=0,这里,NET为临界加权值、T为临界值、Y为激活函数。
神经回路网的学习规则(Learning Rule)
神经回路网的学习规则是指为了符合特定的应用目的而适应神经元之间的连接强度的过程。
图5是用于说明根据本发明的一实施例的预先学习部中执行的神经回路网的学习规则的图。
如图5所图示,神经回路网的学习规则,包括:初始化连接强度的过程51、以输入模式计算输出的过程53,更新所述连接强度的过程55及完成学习的过程57。
图2的预先学习部132中为了预先学习季节模式数据而利用的SOM(Self-Organizing Map-自组织映射)是利用由以上说明的神经回路网的传播规则、激活规则、神经回路网的学习规则构成的神经回路网算法而生成的。
下面,参照图6而说明预先学习部中执行的利用SOM学习季节模式数据的过程。
图6是呈现图2中图示的预先学习部中执行的预先学习过程的顺序图。
参照图6,首先,S610中实施接收学习数据的过程。假设学习数据为如图7所图示的2013年的每日温度数据。
S620中,为了减少预先学习处理时间,执行将所述接收的2013年每日温度数据变更为直方图数据的过程。
将每日温度数据变更为直方图数据的过程,如图8所图示,包括:设定多个温度区间的过程及将对应设定的各温度区间的每日温度数据变更为柱状图表形态的直方图数据的过程。通过将每日温度数据变更为直方图数据,能够缩小使用于预先学习的数据的个数。
S630中,执行设定用于已变换的直方图数据的学习的SOM(Self-Organizing Map-自组织映射)的过程。即,执行设定图3所图示的隐藏层(Hidden Layer)所使用的神经元(Neuron)的过程。
根据季节变化的温度数据的变化具有连续的特性。考虑到这种连续的特性,本实施例中叙述设定由冬天、冬天/秋天、秋天/春天、春天/夏天及夏天构成的5个神经元的例子。
本实施例中叙述了考虑到根据季节变化的温度数据的连续的变化特性而将判断季节的模式群集设定为由冬天、冬天/秋天、秋天/春天、春天/夏天及夏天构成的5个神经元的例子。
设定了由冬天、冬天/秋天、秋天/春天、春天/夏天及夏天构成的5个神经元的SOM(Self-Organizing Map-自组织映射)如图9所图示。
图9是呈现学习之前的模式群集(Cluster)的权重(weight或连接强度)位置的图表,x轴的Weight1为温度,y轴的Weight2为按照各温度计数的直方图数据的个数(count)。
图9中呈现较小的点P1及相对较大的5个点P2。
点(P1)是直方图数据,5个点(P2)是由学习之前的冬天、冬天/秋天、秋天/春天、春天/夏天及夏天构成的模式群集。
S640中,利用S630中设定的SOM而执行直方图数据的学习过程。学习次数的反复执行能够提高学习结果的正确度。本实施例中,执行约1000次的学习过程。
完成学习过程之后,S650中,执行完成学习后确认已学习的季节模式的过程。
该确认过程是在完成学习的时点,确认移动的各模式群集的位置权重值(Weight Position或连接强度)的过程。图10呈现了1000次学习过程之后移动的各模式群集的位置权重值。
S660中,执行将已确认的各模式群集的位置权重值保存到图2所图示的保存部134的过程。例如,若已确认的各模式群集的位置权重值如图11,预先学习的季节模式数据(或预先学习的季节模式坐标数据)如以下表1。
【表1】
Weight1 | Weight2 | |
冬天 | -10.1500 | 0.8500 |
冬天/秋天 | 1.7500 | 4.9167 |
秋天/春天 | 13.2857 | 3.6190 |
春天/夏天 | 23.7778 | 7.1667 |
夏天 | 31.5769 | 0.7692 |
[季节模式数据或季节模式数据坐标]
如所述,通过图6的过程而获得根据预先学习部132预先学习的季节模式数据,基于已获得的预先学习的季节模式数据,图2的季节分类部136执行对对应由车辆用电池传感器测定的车辆外部空气温度的季节进行分类的过程。
下面,参照图12,详细说明目前为止利用预先学习的季节模式数据而对季节进行分类的过程。
图12是呈现图2中图示的季节分类部中分类季节的过程的顺序图。除了特别提及的,假设以下的各步骤的执行主体为图2中图示的季节分类部136。
参照图12,S1210中,车辆用电池传感器100的温度感应单元123实时测定车辆外部空气温度。例如,如图13所图示,车辆用电池传感器内的温度感应单元123以3小时间隔实时测定2014年3月6日的车辆外部空气温度。为了正确测定,优选地,在车辆的停车状态下测定车辆外部空气温度。若在车辆的行驶状态测定车辆外部空气温度,温度感应单元123会受到引擎温度的影响,因此无法正确测定车辆外部空气温度。
S1220中,根据温度感应单元123实时测定的车辆外部空气温度的轮廓被输入季节判断模块130的季节分类部136。季节分类部136中执行将实时测定的车辆外部空气温度的轮廓变换成如图14所图示的柱状图表形态的直方图数据的过程。
S1230中,利用对变换的直方图数据的群集分析(cluster analysis)而测定的确认车辆外部空气温度的温度模式的过程。该确认过程是将类似的直方图数据群集化为多个群集并计算多个群集的权重值的过程。
图6的S650中,利用SOM(Self-Organizing Map-自组织映射)算法而确认了各模式群集的位置权重值(WeightPosition或连接强度),这里需要实时确认测定的车辆外部空气温度的温度模式,因此有必要利用处理量少于SOM(Self-Organizing Map-自组织映射)算法的算法而确认群集的权重值。作为一例,利用K-均值聚类(k均值聚类)算法而计算群集化的车辆外部空气温度的群集的权重值。
图15是呈现利用K-means算法计算的所述车辆的外部空气温度数据的位置权重值的图。
图15图示了车辆外部空气温度的权重值坐标为0.5000、0.5000的例子。
S1240中,比较S1230中计算的车辆外部空气温度的权重值与图6中预先学习的季节模式而执行对当前季节进行分类的过程。K-meansclustering(k均值聚类)算法以输入的数据(车辆外部空气温度的权重值坐标)为基准而比较与预先学习的模式群集的权重值(或权重值坐标)的距离,将最靠近的模式群集分配为输入数据。分配之后,利用输入数据及预先学习的各模式群集的权重值坐标而计算新的模式群集的权重值坐标,并进行更新。
图16是图式性地呈现图12的S1240中执行的季节分类过程的图。
图16的(A)为图6中说明的预先学习的季节模式,(B)呈现对车辆电池传感器内的温度感应单元而测定的车辆外部空气温度数据适用K-meansclustering(k均值聚类)算法而计算的车辆外部空气温度的权重值。并且,图16的(C)呈现对于(A)预先学习的季节模式数据的权重值及(B)的群集(群集化的车辆外部空气温度的权重值),利用K-means clustering算法而对当前季节进行分类的结果。
如图16的(C)所示,实时测定的车辆外部空气温度的权重值及预先学习的季节模式数据的权重值坐标太射到像图16的(C)的一个坐标轴。之后,比较车辆外部空气温度的权重值坐标及预先学习的各模式群集的权重值(或权重值坐标)的距离,选择最靠近车辆外部空气温度的权重值坐标(PointA)的模式群集。图16的(C)中图示了“冬天/秋天”被选为最靠近车辆外部空气温度的权重值坐标(Point A)的模式群集的例子。选择模式群集后,利用预先学习的各模式群集的权重值坐标而计算新的模式群集'冬天/秋天'的权重值坐标,将对应'冬天/秋天'的预先学习的模式群集更新为新的模式群集“冬天/秋天”的权重值坐标。
如所述,若将以车辆电池传感器实时测定的车辆外部空气温度的权重值用于预先学习的季节模式的输入,能够确认分配到相当于上述的“冬天/秋天”的模式群集(Cluster)。因此,车辆用电池传感器最终将当前的季节判断为“冬天/秋天”。这样判断的季节数据通过车辆内的通信渠道而被传送到主ECU(图1的220)。主ECU将通过车辆电池传感器接收的季节数据呈现到车辆群集,如图17所图示,有助于使用者准备符合相应季节的驾驶状态。例如,使用者通过呈现在群集的季节信息而在首次发动时,能够掌握空旋转与否及根据季节的轮胎更换时间等。
如所述,本发明并不限定所述说明的实施例的结构及方法,可选择性地组合各实施例的全部或部分而实现实施例的多种变形。
Claims (15)
1.一种车辆用电池传感器,其用于测定车辆电池状态,其特征在于,
包括:
预先学习部,将每日温度数据分成呈现季节的多个模式群集而构成自组织映射(Self-Organizing Map),通过预先学习的季节模式数据而生成所述自组织映射所呈现的多个模式群集的权重值;
温度感应单元,实时测定所述车辆的外部空气温度数据;及
季节分类部,根据群集分析(cluster analysis)而对将所述实时测定的外部空气温度数据进行群集化而形成多个群集,并计算被群集化的多个群集的权重值,将计算的所述多个群集的权重值态射到所述自组织映射而检出权重值最靠近所述多个群集的权重值的所述模式群集,将检出的模式群集所呈现的季节分类为当前的季节。
2.根据权利要求1所述的车辆用电池传感器,其特征在于,
所述预先学习部,
将多个模式群集设定为神经回路网的隐藏层(HiddenLayer)所使用的神经元而构成所述自组织映射。
3.根据权利要求2所述的车辆用电池传感器,其特征在于,
所述预先学习部,
将所述多个模式群集设定为呈现根据季节变化的温度数据的连续的变化特性的多个神经元而构成所述自组织映射。
4.根据权利要求3所述的车辆用电池传感器,其特征在于,
所述多个神经元,包括:
冬天、冬天/秋天、秋天/春天、春天/夏天及夏天。
5.根据权利要求1所述的车辆用电池传感器,其特征在于,
所述温度感应单元,
在所述车辆停车时实时测定所述外部空气温度数据。
6.根据权利要求1所述的车辆用电池传感器,其特征在于,
所述季节分类部,
将所述外部空气温度数据变换成直方图数据,利用所述群集分析而将所述直方图数据群集化为多个群集,计算多个群集的权重值。
7.根据权利要求6所述的车辆用电池传感器,其特征在于,
所述群集分析为,
基于K-均值聚类算法的群集分析。
8.根据权利要求1所述的车辆用电池传感器,其特征在于,
所述季节分类部,
为了视觉性地显示呈现所述分类的季节的信息,将所述信息传送到车辆内的群集。
9.一种利用车辆用电池传感器的季节判断方法,包括:
将每日温度数据分成呈现季节的多个模式群集而构成自组织映射(Self-Organizing Map)的步骤;
通过预先学习的季节模式数据而生成所述自组织映射所呈现的多个模式群集的权重值的步骤;
利用群集分析(cluster analysis)而对实时测定的车辆外部空气温度进行群集化而形成多个群集,计算多个群集的权重值的步骤;
将所述多个群集的权重值态射到所述自组织映射而检出权重值最靠近所述多个群集的权重值的所述模式群集的步骤;及
将检出的模式群集所呈现的季节信息分类为当前的季节的步骤。
10.根据权利要求9所述的利用车辆用电池传感器的季节判断方法,其特征在于,
设定自组织映射(Self-Organizing Map)的步骤为,
将多个模式群集设定为神经回路网的隐藏层(HiddenLayer)中使用的神经元的步骤。
11.根据权利要求10所述的利用车辆用电池传感器的季节判断方法,其特征在于,
设定为所述神经元的步骤,
将所述多个模式群集设定为呈现根据季节变化的温度数据的连续的变化特性的多个神经元的步骤。
12.根据权利要求11所述的利用车辆用电池传感器的季节判断方法,其特征在于,
所述多个神经元,包括:冬天、冬天/秋天、秋天/春天、春天/夏天及夏天。
13.根据权利要求9所述的利用车辆用电池传感器的季节判断方法,其特征在于,
计算所述多个群集的权重值的步骤,包括:
所述车辆在停车状态下实时测定所述车辆外部空气温度的步骤;
将实时测定的所述车辆外部空气温度变换成直方图数据的步骤;
利用所述群集分析(cluster analysis)而将所述直方图数据群集化为多个群集,计算多个群集的权重值的步骤。
14.根据权利要求13所述的利用车辆用电池传感器的季节判断方法,其特征在于,
所述群集分析为基于K-均值聚类算法的群集分析。
15.根据权利要求9所述的利用车辆用电池传感器的季节判断方法,其特征在于,
在分类为所述当前的季节信息的步骤之后,还包括:
将所述分类的季节信息传送到车辆内的群集的步骤;及
所述车辆内的群集中视觉性地显示所述分类的季节信息的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2014-0048135 | 2014-04-22 | ||
KR1020140048135A KR20150121920A (ko) | 2014-04-22 | 2014-04-22 | 차량용 배터리 센서 및 상기 센서를 이용한 계절 판단 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105021991A true CN105021991A (zh) | 2015-11-04 |
Family
ID=54250140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510190992.3A Pending CN105021991A (zh) | 2014-04-22 | 2015-04-21 | 车辆用电池传感器及利用所述传感器的季节判断方法 |
Country Status (3)
Country | Link |
---|---|
KR (1) | KR20150121920A (zh) |
CN (1) | CN105021991A (zh) |
DE (1) | DE102015207300A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3131255B1 (fr) * | 2021-12-27 | 2024-01-05 | Renault Sas | Procédé et un système de gestion d’un dispositif de batterie électrique d’un véhicule à motorisation électrique ou hybride |
CN115308631B (zh) * | 2022-10-09 | 2023-02-03 | 湖北工业大学 | 一种新能源汽车动力电池组故障诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01211651A (ja) * | 1988-02-17 | 1989-08-24 | Mitsubishi Motors Corp | 車両用季節判別装置 |
US20060142990A1 (en) * | 2003-06-30 | 2006-06-29 | Vatchkov Gantcho L | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method |
CN1890574A (zh) * | 2003-12-18 | 2007-01-03 | 株式会社Lg化学 | 使用神经网络评估电池的充电状态的设备和方法 |
CN103033752A (zh) * | 2011-09-30 | 2013-04-10 | 吴昌旭 | 电动车电池寿命预测方法以及延长方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8490549B2 (en) | 2011-05-26 | 2013-07-23 | William J. Kitchen | Tower ride |
-
2014
- 2014-04-22 KR KR1020140048135A patent/KR20150121920A/ko not_active Application Discontinuation
-
2015
- 2015-04-21 CN CN201510190992.3A patent/CN105021991A/zh active Pending
- 2015-04-22 DE DE102015207300.9A patent/DE102015207300A1/de not_active Ceased
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01211651A (ja) * | 1988-02-17 | 1989-08-24 | Mitsubishi Motors Corp | 車両用季節判別装置 |
US20060142990A1 (en) * | 2003-06-30 | 2006-06-29 | Vatchkov Gantcho L | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method |
CN1813263A (zh) * | 2003-06-30 | 2006-08-02 | 国立大学法人香川大学 | 信息处理器、状态判断单元、诊断单元、信息处理方法、状态判断方法和诊断方法 |
CN1890574A (zh) * | 2003-12-18 | 2007-01-03 | 株式会社Lg化学 | 使用神经网络评估电池的充电状态的设备和方法 |
CN103033752A (zh) * | 2011-09-30 | 2013-04-10 | 吴昌旭 | 电动车电池寿命预测方法以及延长方法 |
Non-Patent Citations (2)
Title |
---|
胡迟春,等: "基于神经网络的道路季节分类", 《华南理工大学学报(自然科学版)》 * |
郭明,等: "基于SOM网和K-means的聚类算法", 《计算机与数字工程》 * |
Also Published As
Publication number | Publication date |
---|---|
KR20150121920A (ko) | 2015-10-30 |
DE102015207300A1 (de) | 2015-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111038485B (zh) | 基于驾驶风格识别的混合动力汽车控制方法及系统 | |
CN111192631B (zh) | 用于构建用于预测蛋白质-rna相互作用结合位点模型的方法和系统 | |
CN104422892B (zh) | 高压电池的退化估计方法和系统 | |
CN109061520A (zh) | 一种动力电池健康与功率状态在线估算方法及系统 | |
CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
CN113188807B (zh) | 一种abs结果自动判定算法 | |
CN105675038A (zh) | 一种仪表的故障预测装置 | |
CN108830325A (zh) | 一种基于学习的振动信息地形分类识别方法 | |
CN110703112A (zh) | 一种基于局部充电数据的电池组状态的在线估计方法 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN104688252A (zh) | 采用方向盘转角信息的驾驶人疲劳状态检测方法 | |
CN106998086A (zh) | 兆瓦级储能电站电池管理方法及其系统 | |
CN111325402A (zh) | 基于bp神经网络的电动汽车用户充电行为的预测方法 | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
CN112287980A (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN105021991A (zh) | 车辆用电池传感器及利用所述传感器的季节判断方法 | |
KR102295697B1 (ko) | 차량용 배터리 센서 및 상기 센서 내에 구비된 션트 저항의 오차를 보정하는 방법 | |
US20150301119A1 (en) | Battery sensor for vehicle and method for determining season using battery sensor for vehicle | |
Zhang et al. | Optimization of Tremblay's battery model parameters for plug-in hybrid electric vehicle applications | |
Golchoubian et al. | Stochastic nonlinear model predictive control of battery-supercapacitor hybrid energy storage systems in electric vehicles | |
CN112396118A (zh) | 一种基于gm-hmm的驾驶员加速意图建模方法 | |
Li et al. | An improved battery on-line parameter identification and state-of-charge determining method | |
CN103020346B (zh) | 一种电路物理设计相似度的测试方法 | |
CN109376473B (zh) | 车辆控制器、车辆及其续航里程的计算方法和装置 | |
CN116338454A (zh) | 一种新能源汽车的电性能检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151104 |
|
WD01 | Invention patent application deemed withdrawn after publication |