CN108139446B - 用于预测电池测试结果的电池测试系统 - Google Patents

用于预测电池测试结果的电池测试系统 Download PDF

Info

Publication number
CN108139446B
CN108139446B CN201680059281.5A CN201680059281A CN108139446B CN 108139446 B CN108139446 B CN 108139446B CN 201680059281 A CN201680059281 A CN 201680059281A CN 108139446 B CN108139446 B CN 108139446B
Authority
CN
China
Prior art keywords
battery
test
battery test
prediction
standardized
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201680059281.5A
Other languages
English (en)
Other versions
CN108139446A (zh
Inventor
帖木儿·L·阿里耶夫
志宏·H·金
迭戈·H·D·马丁内斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Johnson Controls Technology Co
Original Assignee
Johnson Controls Technology Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Johnson Controls Technology Co filed Critical Johnson Controls Technology Co
Publication of CN108139446A publication Critical patent/CN108139446A/zh
Application granted granted Critical
Publication of CN108139446B publication Critical patent/CN108139446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/367—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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

一种预测电池测试结果的方法包括使用电池测试计算机来预测正在进行测试的电池的电池测试结果。所述电池测试计算机包括有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统。所述电池测试管理系统包括：被配置用于使用少于待完成的所述电池测试所需的所有数据来预测所述电池测试结果的预测模块、被配置用于验证所述预测的验证模块、以及被配置用于基于由所述验证模块生成的结果来重新训练所述预测模块的训练模块。所述电池测试计算机还包括被配置用于执行所述一个或多个指令集并且经由用户接口输出对所述结果的所述预测以及与所述预测相关联的置信度水平的处理电路系统。

Description

用于预测电池测试结果的电池测试系统
技术领域
本披露总体上涉及电池领域。更具体地，本披露涉及用于电池测试的系统和方法。
背景技术
本章节旨在向读者介绍可能涉及本披露各个方面的各领域方面，所述各领域方面将在以下进行描述。本讨论被认为有助于向读者提供背景信息以促进对于本披露各个方面的更好理解。因此，应当理解的是，这些陈述将从这个角度被解读，而不是作为现有技术的承认。
电池(包括具有一个或多个单独的电化学电池单元的电池)目前用于各种各样的应用中，包括家庭中的能量存储设备、电子设备以及各种各样的车辆。实际上，电池在汽车工业中无处不在并且由于各种原因而用于车辆中，包括捕获和存储用于为各种车辆过程供电的能量。例如，电池可以用于启动内燃机、用于为空调单元和车辆中的各种电子设备供电等。
用于车辆中的最常见电池类型包括铅酸电池和锂离子电池。历史上，铅酸电池是用于车辆中的最常见类型，并且受制于许多不同的标准，包括尺寸、形状和额定功率的标准(例如，充电和放电的容量、电压)。例如，这些标准适合用于增加消费者置信度并确保符合各种法规要求。作为一个示例，可以用于启动、照明和点火(SLI)汽车应用的铅酸电池可能受制于与其在某个时间段上支持这类应用的能力有关的各种标准。因此，已经建立了各种标准化测试(在标准化条件下执行并具有标准化结果的测试)来评估用于特定应用的电池。
如可以理解的，希望针对特定应用或一组应用所生产的电池通过与这类应用相关联的标准化测试。因此，制造商可以对从不同生产线获得的样本执行周期性测试以确保质量。另外，制造商可以使原型电池样本受到各种标准化测试，以识别新设计是否适合于其预期用途。
标准化测试(尤其是汽车工业中的那些)可以持续数周甚至数月，直到针对特定电池获得最终结果。这至少部分地由于汽车电池在一定的时间量上保持有用(例如，以具有较长寿命)的需要所致。与这些决定相关联的标准化测试可以因此需要延长的时间段来为特定电池提供适用性的准确测量以便持续预定时间量。例如，一些测试可以测量电池在高应力下的特定时间段之后是否保持其以预定量进行充电和放电的能力。这类测试可以产生测试的“通过”或“未通过”。
不幸的是，获得结果所需的时间长度导致没有提前警告某些制造设计或过程可能需要注意。现在认识到可能因此希望减少与电池测试相关联的时间量。现在还认识到可能希望预测测试结果以提供针对电池设计和制造的快速反馈。
发明内容
以下陈述了本文披露的某些实施例的概要。应当理解的是，这些方面仅被呈现用于向读者提供对这些特定实施例的简要概述，并且这些方面不旨在限制本披露的范围。实际上，本披露可以涵盖以下可能没有陈述的各个方面。
本披露的一方面涉及一种电池测试系统，所述电池测试系统包括具有有形非暂态计算机可读介质的电池测试计算机，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统。电池测试管理系统包括预测模块、验证模块和训练模块。所述电池测试计算机还包括被配置用于执行所述一个或多个指令集的处理电路系统。所述系统还包括用户接口，所述用户接口通信地耦合至所述处理电路系统并且被配置用于向用户提供输出。所述预测模块被配置用于使用少于待完成的对电池进行标准化电池测试所需的所有数据来预测对所述电池进行所述标准化电池测试的结果，并且用于经由所述用户接口输出所述预测结果和与所述预测结果相关联的置信度水平。所述验证模块被配置用于使用来自对所述电池进行所述标准化电池测试的最终测试结果来确定所述预测结果的有效性，并且用于经由所述用户接口输出所述有效性的表示。所述训练模块被配置用于使用由所述验证模块生成的所述有效性来更新训练数据以便更新所述预测模块。
本披露的另一方面涉及一种有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统，其中，所述电池测试管理系统包括预测模块、验证模块和训练模块，所述预测模块、所述验证模块和所述训练模块当由处理器执行时被配置用于：使用少于待完成的对电池进行标准化电池测试所需的所有数据来生成对所述电池进行的所述标准化电池测试的结果的预测，并且经由所述用户接口输出所述结果的所述预测以及与所述结果的所述预测相关联的置信度水平；使用来自对所述电池进行所述标准化电池测试的最终测试结果来确定对所述结果的所述预测的有效性，并且经由所述用户接口输出所述有效性的表示；并且基于所确定的有效性来更新训练数据以便更新所述预测模块。
本披露的另一方面涉及一种预测电池测试结果的方法，所述方法包括：使用电池测试计算机来预测正在进行测试的电池的电池测试结果。所述电池测试计算机包括有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统。所述电池测试管理系统包括：被配置用于使用少于待完成的所述电池测试所需的所有数据来预测所述电池测试结果的预测模块、被配置用于验证所述预测的验证模块、以及被配置用于基于由所述验证模块生成的结果来重新训练所述预测模块的训练模块。所述电池测试计算机还包括被配置用于执行所述一个或多个指令集并且经由用户接口输出对所述结果的所述预测以及与所述预测相关联的置信度水平的处理电路系统。
附图说明
在阅读了以下具体实施方式和在参照附图之后，可以更好地理解本披露的各个方面，在附图中：
图1是过程流程图，展示了根据本披露的一方面的用于使用部分测试数据基于所构建模型来预测电池测试结果的方法的实施例；
图2是简图，展示了根据本披露的一方面的具有电池测试计算机的电池测试系统的实施例，所述电池测试计算机具有存储有用于预测电池测试结果的指令的计算机可读介质；
图3是过程流程图，展示了根据本披露的一方面的用于使用所构建模型来预测电池测试结果的过程的实施例；
图4是过程流程图，展示了根据本披露的一方面的用于训练和重新训练预测模型的方法的实施例；
图5是根据本披露的一方面的由支持向量机(SVM)构建的曲线图的示例表示，其中，从历史电池测试数据获得的数据元素被分成由所计算的超平面隔开的两个分类；
图6是根据本披露的实施例的由图2的电池测试计算机生成的并且包括测试结果、测试预测和描绘所述预测的准确度的真值表的示例输出；
图7是根据本披露的实施例的由图2的电池测试计算机生成的并且包括测试结果、测试预测和描绘所述预测的准确度的真值表的示例输出；并且
图8是根据本披露的一方面的如通过线性规划获得的最终放电容量作为数据点距图5超平面的距离的函数的曲线图。
具体实施方式
以下将描述本技术的一个或多个具体实施例。为了提供对这些实施例的简洁描述，并没有在说明书中描述实际实施方式的全部特征。应当理解的是，在任何这种实际实施方式的开发中(如在任何工程或设计方案中)，必须作出大量实施方式特定的决定以实现开发者的特定目标(诸如符合系统相关的和商业相关的约束)，所述目标从一个实施方式到另一个实施方式可能有所变化。此外，应当理解的是，这种开发工作可能是复杂且耗时的，但是对于从本披露受益的普通技术人员来说，这仍是常规的设计、生产和制造工作。
如以上所阐述的，针对单个电池，某些标准化电池测试可能需要数周或甚至数月来完成。例如，某些类型的标准化电池测试可用于在较长时间段上(例如，数年)模拟正常操作条件，比如在用于机动车辆中的电池的平均寿命期间将会经历的。标准化电池测试可以例如使特定电池在特定时间段上受制于操作应力。如果特定电池在此时间之后未维持在某个性能水平，则所述电池可以被认为是未通过测试。另一方面，如果电池在已经完成所述时间段之后维持在某个性能水平，则所述电池可以被认为是通过了测试。
针对电池(比如汽车电池)的标准化测试可以在一组电池中的某些电池上执行以用于质量控制或用于某些电池设计过程中的高级反馈。例如，在开发电池的设计阶段，表示某个组(例如，某个设计)的电池样本可能经受一个或多个标准化电池测试以判定所述设计在真实世界中是否可行。因此，所述测试可以出于某些工程和设计考虑而提供重要反馈，以及关于制造过程是否如预期那样运行的反馈(例如，用于质量控制)。不幸的是，在执行这些测试的时间期间，每个测试的最终结果可能是未知的，这意味着用于工程和制造过程的反馈可能会被延迟。另外，这种耗时的延迟通常是无法避免的，因为某些电池(比如汽车电池)可能会受制于监管机构规定的电池设计必须根据这些测试进行认证的严格遵守规则。
根据本披露的某些方面，现在认识到可能希望在完成这些测试之前预测某些标准化电池测试的结果。例如，即使最终引入到市场中的电池设计必须通过这种标准化测试，现在认识到，这种测试的预测结果可以在提供高级反馈以使得可以对电池设计和/或电池制造过程进行调整时是有用的。在本披露的一方面中，所披露的实施例可以基于部分测试数据而实现对电池寿命测试结果(其持续数周)的早期预测，比如AK3.4标准化电池寿命测试。通常对用于汽车目的的铅酸电池(例如，吸附式玻璃纤维棉(AGM)电池)执行这样的测试，但是本披露旨在适用于受制于各种标准化测试方法的其他能量存储设备(例如，二次电池)，诸如锂离子电池、超级电容器等。
现在认识到，早期预测的准确结果在工程设计、概念验证方面具有优点，并且如果测试不必基于早期预测来完成则所述早期预测的准确结果可能有助于节省人工成本和/或增加测试电池的数量。除了其他项之外，本披露提供了可以实现对制造过程和/或设计过程进行这种预测和调整的方式的示例实施例。然而，所披露的预测的实施例可以具有其他用途并且可以解决其他技术问题。
为了帮助说明，图1是流程图，展示了根据本披露的一方面的用于预测电池测试结果的方法10的实施例。如所展示的，方法10包括开始电池测试(框12)。根据由框12表示的动作开始电池测试可以包括例如将待测试的电池连接到测试装置，所述测试装置的示例在下文中关于图2进一步详细描述。测试装置可以包括用户接口，用户可以操作所述用户接口来启动使用测试装置对电池进行测试。作为一个示例，测试装置可以包括用户可以投掷以启动测试的一个或多个开关。作为另一个示例，测试装置可以包括用户可以与其交互以启动测试的计算机接口和相关联的软件。
所展示的方法10还包括收集测试期间的测试数据(框14)。如以上所指出的，测试可以在特定时间段上运行，比如多个周。在一些情况下，测试可以涉及将在测试周期开始时收集的数据与在测试周期结束时收集的数据进行比较。因此，在整个测试中收集的数据通常可能被丢弃或不用于任何特定目的。然而，根据现有实施例，在测试期间(比如在贯穿测试的各个时间点处)收集的数据可以用作到本文中所描述的电池测试管理系统的输入以用于预测测试结果的目的。
因此，根据现有实施例，所展示的方法10可以包括将所收集的数据提供(框16)到电池测试系统的预测模块中以便在测试完成之前预测所述测试的结果。例如，由框16表示的动作可以包括在电池测试计算机处接收来自本地或远程测试位置的测试数据。本地测试位置可以包括经由例如无线网络或物理接线通信地耦合至电池测试计算机的测试设备。另外地或可替代地，远程测试位置可以经由无线网络、经由互联网、或任何其他类似的连接通信地耦合至电池测试系统。
在某些实施例中，电池测试系统可以向用户输出(框18)所述预测(例如，经由用户接口)。例如，电池测试系统可以包括能够输出与所述预测有关的用户可感知的指示的听觉系统和/或视觉系统。作为示例，电池测试系统可以包括显示器，所述显示器接收来自电池测试计算机的处理电路系统的指令以在视觉上呈现所述测试的预测结果和/或在测试期间的某些时间和在测试结束时电池特性的预测值。如以下进一步详细描述的，所述预测还可以结合与所述预测有关的其他度量(比如基于统计相关性的预测置信度)来提供。作为一个示例，预测结果可以是电池是将通过还是未通过测试。作为另一个示例，预测结果可以是特定参数值，比如电池在测试周期结束时将具有的预测放电容量。
在某些实施例中，从设计的观点来看，来自框18所表示的动作的预测输出对于早期诊断和纠正工程和/或电池制造问题可以是有用的反馈。因此，方法10可以包括修改(框19)与进行预测的电池类型相关联的工程设计过程和/或制造过程。这可以改进电池工程过程的整体操作，并且还可以改进制造设施的操作，例如，通过为质量控制提供早期反馈。例如，被预测将无法通过某些测试或测试方面的电池可以各自具有特定的电池标识符，所述特定的电池标识符然后可以被跟踪回到某些电池设计或某些制造设施以用于其可能的改进。
现有实施例(如图1的方法10)可以使用专用计算机和其他硬件部件实现的方式的示例可以关于示意性地描绘根据现有实施例的电池测试系统20的实施例的图2来进一步理解。在所展示的实施例中，电池测试系统20包括电池测试计算机22，所述电池测试计算机包括有形非暂态计算机可读介质24(例如，存储器电路系统)，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集(例如，处理器可执行的指令)的电池测试管理系统26。电池测试计算机22还包括一个或多个处理器28，所述一个或多个处理器被配置用于执行与所述电池测试管理系统26相关联的指令以便执行某些例程来预测电池测试结果等功能。
更具体地，所述一个或多个处理器28可以包括一个或多个专用集成电路(ASIC)、一个或多个现场可编程门阵列(FPGA)、一个或多个通用处理器、或其任意组合。另外地，存储器电路系统24可以包括易失性存储器(诸如随机存取存储器(RAM))、和/或非易失性存储器(诸如只读存储器(ROM))、光学驱动器、硬盘驱动器、或固态驱动器等。在一些实施例中，如以下进一步详细描述的，电池测试计算机可以包括车辆控制单元(VCU)、电池控制模块、或在车辆内使用的其他特征的一部分。
电池测试计算机22还可以包括用户接口系统30，所述用户接口系统可以包括一个或多个设备，所述一个或多个设备通信地耦合至存储器24和处理器28以使得用户能够向电池测试计算机22提供输入并且使得电池测试计算机22能够向用户提供输出。用户接口系统30可以包括一个或多个用户输入设备32，所述一个或多个用户输入设备可以包括但不限于键盘34、鼠标36、轨迹球、触摸屏、小键盘、麦克风等。用户输入设备32可以使用户能够手动输入数据(例如，电池测试数据)以便总体上控制电池测试管理系统26的一个或多个方面(例如，启动对电池进行测试、启动测试结果预测、启动验证、启动训练、检查结果、修改预测参数、验证参数和/或训练参数)。用户接口系统30还可以包括用户输出设备38，所述用户输出设备被配置用于提供与电池测试计算机22的操作有关的用户可感知的指示，并且更具体地，用于向用户提供与对电池测试结果的预测有关的输出。如所展示的，用户输出设备38可以包括显示器40，所述显示器被配置用于在视觉上向用户呈现信息(例如，电池测试预测、电池测试数据)。用户输出设备38可以另外地或可替代地包括一个或多个声学设备(例如，扬声器)，所述一个或多个声学设备被配置用于提供与这些方面有关的用户可听输出。
电池测试计算机22还可以包括通信系统42，所述通信系统实现与其他设备(比如被配置用于物理地耦合至电池以供测试的电池测试装置44)的通信。例如，电池测试装置44可以包括电压传感器、电流传感器、负载电路或负载连接器、被配置用于使得测试数据能够被提供至其他设备和/或用户的接口特征等。例如，电池测试装置44可以包括电压传感器、或电流传感器、或所述电压传感器和所述电流传感器这两者。
可以经由通信系统42通信地耦合至电池测试计算机22的其他设备可以包括用户的便携式电子设备、车辆控制系统、车辆诊断系统、以及远离电池测试计算机22定位的系统(例如，电池测试系统)。为了实现这类通信，通信系统42可以包括各种硬件设备，并且在一些实施例中，包括存储在存储器电路系统24上用于使得处理器28能够处理在通信系统42处接收的输入的相关联代码(例如，驱动程序)。通信系统42的示例硬件设备可以包括无线发射和接收设备(例如，收发器)、通用端口(例如，用于组网连接器的端口)、专用端口(例如，用于电池测试设备的端口)等。在所展示的实施例中，例如，电池测试装置44可以经由通信系统42向电池测试计算机22提供电池测试数据。处理器28然后可以使用电池测试数据作为到电池测试管理系统26的输入，如以下进一步详细描述的。
如所展示的，电池测试管理系统26可以包括某些指令集，所述指令集当由所述一个或多个处理器28执行时被配置用于至少基于在电池测试期间获得的电池测试数据来预测电池测试结果、用于验证所述预测、并且用于更新和/或重新训练电池测试管理系统的执行所述预测的部分。根据现有实施例，电池测试管理系统26可以包括全部可以被实施为存储在存储器电路系统24上的指令集的预测模块46、验证模块48、和训练模块50。在一般意义上，预测模块46被配置用于使用在完成测试之前获得的电池测试数据来生成电池测试的预测结果，验证模块48被配置用于确定由预测模块46生成的预测结果的有效性，并且训练模块50被配置用于使用由验证模块48生成的结果来更新训练数据以便更新预测模块46。
尽管预测模块46、验证模块48、和训练模块50被展示和描述为电池测试管理系统26的单独部分，但其以提供电池测试管理系统26的功能表示的这种方式来展示和描述。也就是说，预测模块46、验证模块48、和训练模块50在功能上被描述为单独的部件，但在实际的实现方式中，与这些功能相关联的指令的一些或全部可以与由电池测试管理系统26的其他部分执行的其他功能紧密融合。因此，电池测试管理系统26及其特征从结构功能的观点来呈现，其中，本文中描述的功能旨在表示物理地存储在存储器电路系统24上的一条或多条指令，所述指令当由一个或多个处理器28执行时执行所描述的功能。
本披露旨在包含电池测试管理系统26的各种实现方式。通常，电池测试管理系统26可以是在任何适当的编程平台(诸如C++、Matlab等)中产生的一组处理器可执行的指令。在一些实施例中，电池测试管理系统26可以被构建用于自动运行与对测试结果的预测相关联的一些或全部例程，诸如用于自动生成预测电池参数、自动运行验证、重新训练和/或更新等。在一个特定实施例中，电池测试管理系统26的至少一部分可以被实施为已经使用某些类型的电池测试数据训练的专门配置的电池测试支持向量机(SVM)。以下提供了关于电池测试管理系统26可以操作并且可以被构建的方式的进一步细节。
如本文中所描述的，电池测试管理系统26的预测模块46可以包括根据从对多个电池样本执行的电池测试中获得的历史电池测试数据所构建的一个或多个统计模型。历史电池测试数据可以是跨越每个电池样本的整个测试持续时间的数据。例如，如果标准化电池测试持续预定数量个周，则历史电池测试数据将包括跨越每个电池样本的整个预定数量个周的数据。作为示例，统计模型中的一个或多个可以是基于不完整的数据集(例如，来自少于测试的整个持续时间的数据)而预测电池将通过测试还是未通过测试的预测分类器模型(例如，预测线性分类器)。统计模型中的一个或多个可以另外地或可替代地预测正在进行测试的电池在测试持续时间结束时将具有的特性。作为一个示例，统计模型可以在测试结束之前的某个时间处预测电池在测试持续时间结束时将具有的放电容量值。在一个实施例中，统计模型中的一个或多个可以使用线性规划，如以下更详细描述的。
在显示器40上示出了电池测试管理系统26可以提供的各种输出的示例。如所展示的，提供了多个预测结果，包括与电池标识符54相关联的通过或未通过预测52，每个电池标识符54与一个特定电池相关联。在这方面，存储器电路系统24可以存储历史预测并且可以在由电池测试管理系统26输出多个预测以供由用户访问时存储所述多个预测，例如从而允许电池之间的比较。如所示出的，所存储的数据可以被制表、分类和准备呈现给用户。还为每个电池标识符54提供预测放电容量56，但是可以如以上所指出的提供其他预测值。
除了输出预测电池特性和测试结果之外，电池管理系统26还可以输出预测的置信度的指示58。在图2中，指示58被示出为特定电池通过测试的概率和特定电池未通过测试的概率。然而，在一些实施例中，指示58可以仅包括这些中的一项。
当由所述一个或多个处理器28执行时，电池测试管理系统26可以被配置用于自动执行与预测模块46、验证模块48和/或训练模块50相关联的各种任务。例如，电池测试管理系统26可以自动执行如以上所指出的每个模块的通用功能，或者可以基于某些用户输入(例如，是否继续从进一步测试数据中学习)而不执行这些功能中的全部或一部分。
图3描绘了在与电池测试管理系统26相关联的指令的执行期间由电池测试计算机22执行的方法60的实施例。更具体地，方法60可以被认为表示由电池测试计算机22执行以结合对特定电池的电池测试(例如，标准化电池测试)的性能来针对特定电池预测电池测试的结果的自动化例程。根据某些实施例，在不中断电池测试的情况下执行方法60。
如在图3的过程流程中所描绘的，电池测试管理系统26可以从电池测试计算机22(例如，经由用户输入)接收用于启动电池测试预测过程的指令(框62)。作为示例，根据由框62表示的动作的启动可以在与对电池执行的电池测试的启动基本上相同的时间执行。作为一个示例，用户可以根据电池测试标准来启动对电池的测试，并且电池测试管理系统26可以随测试的进行而自动启动电池测试数据的数据收集和存储。
如所展示的，在测试程序启动之后的第一时间点处，与预测模块46(例如，统计模型)相关联的指令可以使用从启动时间到所述第一时间点所收集的电池测试数据作为预测输入来运行(框64)。作为具体示例，第一时间点可以是测试启动之后的4个周(因此，根据框64运行的模型可以使用从电池样本收集的4个周的测试数据)。然而，第一时间点通常可以是在测试的整个时间段之前的任何时间。如可以理解的，第一时间点可以是已经收集到足够数据来实现准确预测但不会太晚以至于降低执行预测的价值的时间。
预测模块46可以输出预测测试结果或预测电池特性(例如，最终放电容量)以及与所述预测相关联的置信度因子。所述输出可以被提供至用户，或者可以仅仅是用于经由电池测试管理系统26和电池测试计算机22的硬件进行进一步处理的输出。
为了判定应当完成还是应当继续方法60，电池测试计算机22可以执行关于与根据由框64表示的动作生成的预测结果相关联的置信度因子是否高于预定阈值的第一判定(询问66)。在置信度因子高于所述阈值的情况下，方法60前进到向用户输出所生成的预测(框68)。例如，根据由框68表示的动作的输出可以包括经由用户输出设备38中的一个或多个来输出预测测试结果、预测电池特性、相关联的置信度因子等。
在根据由框68表示的动作输出用户可感知的结果之后，方法60前进到终止预测过程(框70)。由框70表示的动作可以包括在输出具有高于预定阈值的置信度因子的预测之后自动终止预测过程，或者可以包括提示用户向电池测试计算机22提供关于用户想要继续预测过程(例如，在另一时间长度上继续预测以便进一步增大预测的置信度)还是终止所述过程的输入。实际上，这种类型的提示可以当电池测试管理系统26生成预测结果、预测特性、置信度因子等时在任何一个时间点或时间点组合处提供给用户。
进一步地，在某些实施例中，由框70表示的动作可以包括向用户提供关于是否终止对电池样本进行的实际测试的输入的提示。例如，在预测结果是电池将未通过电池测试的实施例中，电池测试计算机22可以向用户提供通知，并且以关于继续所述测试还是完成所述测试的提示跟随此通知。在用户提供应当终止测试的输入的实施例中，电池测试计算机22可以经由通信系统42与电池测试装置44通信以终止测试程序。在其他实施例中，提供至用户的提示可以是用于关于是否终止预测过程的输入。在这类实施例中，如果用户想要终止预测过程，则电池测试计算机22可以简单地停止收集数据，或可以继续收集测试数据但可能不必继续使用此数据作为预测输入。然而，电池测试计算机22可以使用此数据作为附加的训练和验证数据。
返回至询问66，在置信度因子未超过预定置信度水平阈值的情况下，方法60可以前进到在第二时间点处运行(框72)统计预测模型(例如，运行包括统计预测模型的预测模块46)，其中，所述第二时间点在第一时间点之后但在测试的整个持续时间之前。在方法60的某些实施例中，第二时间点可以是第一时间点的倍数。通过非限制性示例的方式，第二时间点可以是第一时间点的1.25倍至3倍。作为具体示例，第一时间点可以是测试启动之后的4个周(因此，根据框64运行的模型可以使用从电池样本收集的4个周的测试数据)，并且第二时间点可以是6个周(在此示例中第二时间点是第一时间点的1.5倍)。
正如由框64表示的动作，由框72表示的动作还可以包括生成对测试结果的预测(预测输出)、电池特性、以及与经更新预测相关联的第二置信度水平。就这些预测提供与在第一时间点处生成的预测基本上相同类型的信息而言，在第二时间点处生成的预测可以被认为是第一经更新预测输出，并且可以包括可由预测模块46生成的上述输出类型中任何一个或组合。
在生成第一经更新预测输出之后，方法60前进到询问74，其中，电池测试计算机22判定与第一经更新预测相关联的置信度因子是否高于预定阈值。此阈值可以与用于询问66中的水平相同，或者可以更高(例如，需要更高置信度)，因为所述预测应当具有提高的准确度。由询问74表示的动作的结果可以与如以上关于询问66所阐述的基本上相同，其中，如果所述置信度足够高(高于阈值)，则方法60前进到根据由框68和70表示的动作向用户输出所述预测并终止。另一方面，如果置信度因子不高于所述阈值，则方法60继续进行进一步的分析。
具体地，方法60前进到在第一时间点和第二时间点之后但在测试的整个持续时间之前的第三时间点处(例如，最终时间点处)运行(框76)统计模型。第三时间点(在此示例中为最终时间点)可以是第一时间点的任何倍数，并且可以与第二时间点有任何适当的关系。虽然被描述为最终时间点，但这旨在表示用于预测的最终时间点，而不是用于测试的最终时间点(即，不是整个测试持续时间)。
作为一个示例，整个测试持续时间可以大于10个周(例如，16个周或18个周)，第三时间点可以是9个周，第二时间点可以是6个周，并且第一时间点可以是4个周。在第三时间点处，电池测试管理系统26采用与以上关于框72所阐述的类似方式生成第二经更新预测输出。然而，如所示出的第二经更新预测输出可以根据由框68表示的动作来提供。
如所展示的，在第三时间点之后，不执行进一步的询问，并且可以如以上关于由框70表示的动作所阐述的来终止所述过程。由方法60所使用的时间点以及相关联预测的数量并不限于如所展示的三个时间。相反，可以利用任何适当数量的时间点以及相关联的预测。在一些实施例中，所述时间点可以以在整个测试程序的开始与结束之间以任何指定频率和间隔发生。
根据本披露的某些方面，通过在完成测试之前以较高置信度预测测试结果来显著减少测试持续时间可能是有益的。如此，除了其他项之外，本披露的某些实施例可以用于建立用于预测的统计模型、使用真实数据来训练统计模型、并且如所期望地提高通过重新训练统计模型生成的预测的准确度。如以上所指出的，在一些实施例中，预测模块46可以包括用作以上所述的统计模型的例程，并且所述预测模块可以使用专用电池测试支持向量机(SVM)来完全或部分地实现，所述SVM使用特定参数来训练以产生特定类型的输出(例如，预测的测试结果)。
图4描绘了根据本披露的一方面的用于建立、训练和更新统计模型的方法80的示例实施例。在某些实施例中，方法80可以是在任何适当的编程平台中编程的自动化算法，并且可以被实施为存储在存储器电路系统24上的处理器可执行指令。因此，方法80可以是在电池测试计算机22上运行的一个或多个进程或应用。
所展示的方法80包括使用训练数据82和特征选择过程(框84)来生成一个或多个统计模型(例如，电池测试SVM)以及用作统计模型可使预测基于的预测输入的特征子集(例如，电池特性)。如以上所阐述的，训练数据82可以包括从对一组电池样本进行的测试的历史运行中获得的完整电池测试数据集(来自特定电池测试的整个持续时间的数据以及测试结果)。
由框84表示的所展示特征选择过程可以包括执行自动化算法(例如，特征识别算法)，所述自动化算法被配置用于获得增强电池的不同分类(例如，通过电池测试的那些电池与未通过电池测试的那些电池)之间的分离的特征(例如，特定电池特性)的组合。另外，根据框84获得的特征可以用于产生稳定的统计模型，这意味着所述模型对具有将以其他方式导致模型预测准确度明显下降的偏离特性的电池样本是稳定的。
用于找到这类特征的所述一个或多个算法可以使用某些原始电池测试数据(诸如电池的放电容量和电池的充电容量)并且可以将这些值归一化以使得来自多个不同电池的电池测试数据能够用于构建模型。特征识别算法还可以包括执行某些处理步骤，诸如对经归一化的充电容量和放电容量求平均、计算这些值的标准偏差等。在一些实施例中，自动化算法可以根据经归一化的容量曲线来构建不同的特征。所述算法可以使用每周归一化的放电容量、每周归一化的充电容量来确定每周的效率(放电容量除以充电容量)，并且然后可以使用这些每周的值来生成功能曲线和变化率曲线。对于不同的时间窗口(例如，不同的周范围)，所述算法可以计算各种变化率、经归一化的容量值等的平均值和标准偏差。示例特征可以包括在某些时间段(例如，在持续18个周的测试的第6周与第7周之间)之间的充电容量的变化率、在某些时间段(例如，在第3周与第5周之间)之间的平均效率、以及在某些时间段(例如，第6周与第9周)之间的放电容量的标准偏差。
例如，电池测试SVM可以被配置用于在电池测试SVM被训练之后使用少于待完成的标准化电池测试所需的所有数据作为预测输入来预测当前电池测试的结果。在一个实施例中，训练SVM包括将数千个数据点凝聚成可管理数量的支持向量(SV)。在训练之后，专门配置的电池测试SVM可以使用在整个测试持续时间完成之前收集的测试数据来预测电池测试的结果。另外，所有的测试结果被馈送到预测模型中以使得准确度随着每次进行电池测试而提高。因此，本文中所阐述的模型可以通过提高准确度并实现准确测试结果的较早期预测来持续地改进电池测试计算机22的操作。
为了帮助展示构建和使用所述模型的方式的示例，下文中将图4和图5彼此结合进行描述。简要参照图5，在某些实施例中，由图4的框84表示的特征选择过程可以包括使用映射到空间(例如，二维图88)的第一特征和第二特征，其中，每个点90具有与第一特征的值和第二特征的值相对应的坐标。当找到导致电池分类之间的期望分离的特征时，框84的特征选择过程可以被认为完成。如以下所阐述的，可以利用多于两个的特征，从而产生多维图。
如图5的曲线图88中所示出的，不同的类别由不同的形状表示，其中，三角形是通过测试的电池(第一分类)并且圆圈是未通过测试的电池(第二分类)。第一特征和第二特征被选择用于允许电池分类之间的最佳分离，并且由图4的框84表示的特征选择过程可以利用电池测试SVM来生成类似于图5中描绘的曲线图88的曲线图。如所示出的，通过测试的电池通常位于曲线图的第一区域92中，而未通过测试的电池通常位于曲线图88的与第一区域92分离的第二区域94中。电池测试SVM可以计算超平面96，所述超平面使用例如相对接近于第一区域92与第二区域94之间的边界的样本98而将通过测试的电池与未通过测试的电池分离开。
如图5中大体所示出的，电池测试SVM可以通过试图使通过分类与未通过分类之间的余量99最大化来计算超平面96。一旦构建了超平面96，电池测试SVM就可以被认为是经训练的，并且因此变成分类器模型(例如，被展示为利用线性分离器的线性或二元分类器模型)。然而，在另一个实施例中，取决于所选特征的数量，数据可以映射在任何有限维空间中，并且根据这类实施例，由电池测试SVM计算的超平面96可以是多维的(例如，三维或更高)。根据现有实施例，随着更多周的数据用于预测，电池测试SVM的分类错误会减少。然而，再次，可以存在预测的有用性与其准确度之间的平衡。针对某些类型的测试(例如，标准化AK3.4测试)，本文中所描述的实施例可以使用专门选择的特征并且当在不同时间运行时实现这种平衡。
如图4中所示出的，经训练电池测试SVM 86(例如，现在为电池测试统计分类器模型)可以接收输入数据100(来自正在进行测试的电池的实际测试数据，被示出为测试数据100)并将其映射在由所选特征限定的空间(例如，二维或多维空间，如曲线图88)中。测试数据100可以包括充电容量信息和放电容量信息，以及特定电池样本的尺寸(例如，根据DIN标准的H5、H6)。
在图5中，数据点(例如，点101)可以在其落在被限定为超平面96的通过侧上(例如，在第一区域92内)时具有通过状态，或者在其落在被限定为超平面96的未通过侧上(例如，在第二区域94内)时具有未通过状态。在数据点更远离超平面96(即，距超平面96的距离102很大)时，预测具有更大置信度。进一步地，如果数据点接近于超平面96(例如，在余量99内部)，则预测具有相对较低的置信度因子。例如，数据点98的通过/未通过状态各自被将以相对较低的置信度来预测的正方形所包围。因此，每个预测可以具有与其距超平面96的距离相称的置信度因子。
再次返回至图4，方法80可以包括验证(框104)预测模型(例如，专门配置的SVM86)。例如，电池测试计算机22可以使用验证模块48通过判定预测是否准确来比较由预测模块46进行的预测。这可以导致产生验证结果106，所述验证结果可以针对在每个测试完成之后进行的每次预测而产生，或者可以在进行多次预测之后并且在获得多个最终测试结果之后产生。
在某些实施例中，电池测试计算机22可以向用户输出验证结果106。例如，电池测试计算机22可以将验证结果106显示在显示器40上。在某些实施例中，验证结果106可以包括真值表、多个预测的准确度百分比等。
在某些实施例中，方法80涉及更新(框110)在构建模型中使用的训练数据。例如，电池测试计算机22可以使用训练模块50来利用从最近运行的电池测试收集的数据以便更新由电池测试SVM生成的超平面96。一旦更新了超平面96，统计模型就可以被认为是重新训练的。
为了进一步展示本披露的各方面，本文在对经受标准化AK3.4测试的铅酸AGM电池的电池测试预测的情境下描述了示例实现方式。在这类实施例中，AK3.4测试总共进行了18个周(即，测试持续时间为18个周)。AK3.4测试是帮助确定AGM铅酸电池在其寿命期间在高循环条件下递送能量的能力的耐久性测试。在这18个周期间，特定电池样本经历完全和部分的充放电周期。每周对放电容量和充电容量进行测量。如果由C20容量归一化的放电容量大于在这18个周上的阈值，则电池样本通过测试。所述阈值可以根据期望耐久性进行调整。对于以下所描述的示例，所述阈值在测试开始时被设置为电池的C20容量的60％和70％。
根据本披露的实施例，预测模块46在三个不同时间点处(根据图3中所阐述的方法60，第一时间点在4周处，第二时间点在6周处，并且第三时间点在9周处)提供预测输出。实际上，已经发现当使用适当阈值、电池测试SVM模型的特征等来实现本文中所描述的方法时，对于AK3.4测试，可以在只需4周内提供准确预测。根据本披露的一方面，用作到电池测试SVM训练的第一特征和第二特征可以是放电和返回充电效率的变化率，所述变化率可以为预测二元分类提供通过电池与未通过电池之间的最佳分离。然而，可以如以上所阐述的使用其他特征。
在图6和图7中提供了来自在电池测试计算机22的实施例中实现的电池测试管理系统26的实施例的实际结果。具体地，图6描绘了由电池测试计算机22生成的输出120(例如，来自验证模块48的输出)。在此示例中的预测模型(预测模块46的一部分)是使用具有H6标准尺寸的AGM铅酸电池的42个训练样本以及使用放电容量和充电效率的变化率作为电池测试SVM的特征来构建的。使用了10个测试电池(即，为其提供预测的电池)。所使用的阈值是每个电池的原始C20容量的60％和70％，并且所记录的预测是在针对电池获得的9个周的测试数据中提供的。
如所示出的，针对训练数据和测试数据，输出120包括经归一化放电容量作为时间(以周为单位)的函数的曲线图122。输出120还包括展示了预测的准确度的真值表124。如所示出的，当使用较高阈值(70％)时，准确度不如当阈值较低(60％)时那么高。然而，这不一定是仅由于阈值，而是由于具有接近70％阈值的经归一化放电容量的错误预测的样本。在这类实施例中，预测模块46可以使用针对这个样本获得的测试数据来更新，从而增强模型预测的准确度。根据现有实施例，从设计的观点来看，被预测未通过的电池可以为早期诊断和纠正工程和/或电池制造问题提供有用的反馈。再次，这可以改进电池工程过程的整体操作，并且还可以改进制造设施的操作，例如，通过为质量控制提供早期反馈。
图7描绘了由电池测试计算机22生成的输出130，其中，预测模型(预测模块46的一部分)是使用具有H7标准尺寸的AGM铅酸电池的42个训练样本以及使用放电容量和充电效率的变化率作为电池测试SVM的特征来构建的。使用了10个测试电池(即，为其提供预测的电池)。所使用的阈值是每个电池的原始C20容量的60％和70％，并且所记录的预测是在针对电池获得的9个周的测试数据中提供的。
针对训练数据和测试数据，输出130包括经归一化放电容量作为时间(以周为单位)的函数的曲线图132。输出120还包括展示了预测的准确度的真值表134。如所示出的，使用60％和70％的两种阈值来输出准确预测。这可以参照测试电池的曲线图来理解，其中，放电容量的变化率相对较低。
如以上所阐述的，在本披露的另一方面中，由预测模块46进行的预测输出还可以包括预测的电池特性。再次参照图6和图7中所阐述的示例，预测模块46还可以输出(例如，向用户)预测的最终放电容量(例如，在标准化测试结束时的放电容量)。图8展示了最终电池放电容量的示例输出140。
图8的输出140包括最终放电容量作为距超平面96(参见图5)的距离的函数的曲线图。更具体地，图5中所示出的从电池样本在曲线图88上的位置到超平面96的示例距离102可以结合线性规划使用来预测未来放电容量，如图8中所示。
本文中所披露的实施例可以以任何适当的组合使用，并且本披露旨在包含本文中所披露的实施例中的任何实施例的任意组合。作为示例，以任意组合的方式，所披露的实施例中的一个或多个可以用于通过在测试结束之前预测电池测试结果来提供改进电池测试和制造的技术效果。例如，电池测试计算机可以在将以其他方式完成测试之前预测对电池槽进行的电池测试的结果(例如，通过/未通过)。所述电池测试计算机可以包括有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统。所述电池测试管理系统包括：被配置用于使用少于待完成的所述电池测试所需的所有数据来预测所述电池测试结果的预测模块、被配置用于验证所述预测的验证模块、以及被配置用于基于由所述验证模块生成的结果来重新训练所述预测模块的训练模块。因此，另一种技术效果可以是电池测试计算机通过从新的电池测试数据中进行学习来提供越来越准确的预测。进一步地，本文中所阐述的实施例可以用于基于早期预测来更新或细化电池设计和制造过程。因此，现有实施例的又另一种技术效果可以包括改进与电池生产相关联的工程和制造过程。本说明书中的技术效果和技术问题是示例性而非限制性的。应当注意的是，在说明书中描述的实施例可以具有其他技术效果并且可以解决其他技术问题。例如，电池测试SVM可以被构建并用于生成其他电池测试(如电池耗水量测试)的其他预测输出。
已经通过示例的方式示出了以上描述的具体实施例，并且应该理解的是，这些实施例易受各种修改和替代的形式的影响。应该进一步理解的是，权利要求书不旨在受限于所披露的特定形式，而是旨在涵盖落入本披露的精神和范围内的全部修改、等同物、及替代方案。

Claims (20)

1.一种电池测试系统，包括：
电池测试计算机，所述电池测试计算机包括有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统，其中，所述电池测试管理系统包括预测模块、验证模块和训练模块，并且其中，所述电池测试计算机包括被配置用于执行所述一个或多个指令集的处理电路系统；
用户接口，所述用户接口通信地耦合至所述处理电路系统并且被配置用于向用户提供输出；
其中，所述预测模块被配置用于使用少于待完成的对正在进行测试的电池进行标准化电池测试所需的所有数据来预测对所述正在进行测试的电池进行所述标准化电池测试的结果，并且用于经由所述用户接口输出预测结果和与所述预测结果相关联的置信度水平；
其中，所述验证模块被配置用于使用来自对所述正在进行测试的电池进行所述标准化电池测试的最终测试结果来确定所述预测结果的有效性，并且用于经由所述用户接口输出所述有效性的表示；并且
其中，所述训练模块被配置用于使用由所述验证模块生成的所述有效性来更新训练数据以便更新所述预测模块；
其中，所述预测模块包括使用从多个电池样本获得的训练数据所构建的电池测试支持向量机(SVM)，并且所述电池测试支持向量机(SVM)是二元分类模型，所述二元分类模型被配置用于基于从在所述标准化电池测试期间获得的电池测试数据中生成的第一特征和第二特征而将所述正在进行测试的电池分类成通过类别或未通过类别，
其中，所述预测模块被配置用于经由所述用户接口输出在所述标准化电池测试的整个持续时间之前发生的时间间隔处所述正在进行测试的电池的所述标准化电池测试的多个所述预测结果；并且
其中，所述标准化电池测试模拟所述正在进行测试的电池在特定类型的正在进行测试的电池的平均寿命期间将会经历的正常操作条件。
2.如权利要求1所述的电池测试系统，其中，所述电池测试计算机被配置用于：
使用所述预测模块在第一时间点处使用从所述标准化电池测试开始到所述第一时间点所获得的测试数据来生成对所述正在进行测试的电池的所述标准化电池测试的第一预测结果；并且
响应于确定所述第一预测结果具有高于置信度阈值的置信度水平而经由所述用户接口输出所述第一预测结果。
3.如权利要求2所述的电池测试系统，其中，所述电池测试计算机被配置用于：
响应于确定所述第一预测结果的所述置信度水平低于所述置信度阈值而使用所述预测模块在所述第一时间点之后发生的第二时间点处使用从所述标准化电池测试开始到所述第二时间点所获得的测试数据来生成对所述正在进行测试的电池的所述标准化电池测试的第二预测结果；并且
响应于确定所述第二预测结果具有高于所述置信度阈值的置信度水平而经由所述用户接口输出所述第二预测结果。
4.如权利要求3所述的电池测试系统，其中，所述第一时间点是4个周，所述第二时间点是6个周，并且所述标准化电池测试持续时间是18个周。
5.如权利要求1所述的电池测试系统，其中，所述第一特征是放电容量的变化率，并且所述第二特征是在所述标准化电池测试期间针对所述正在进行测试的电池获得的效率的变化率。
6.如权利要求1所述的电池测试系统，其中，所述电池测试支持向量机(SVM)被配置用于通过构建在其中历史电池测试结果已经被分成通过区域和未通过区域的数据空间、计算将所述通过区域与所述未通过区域分开的超平面、以及将针对所述正在进行测试的电池获得的电池测试数据映射到所述数据空间以便识别所述电池测试数据相对于所述超平面的位置，而将所述正在进行测试的电池分类成所述通过类别或所述未通过类别。
7.如权利要求6所述的电池测试系统，其中，所述电池测试计算机被配置用于至少使用所述预测模块使用线性回归以及从针对所述正在进行测试的电池获得的映射电池测试数据到所述超平面的距离来预测在所述标准化电池测试结束时所述正在进行测试的电池的特性，并且用于经由所述用户接口输出所述特性。
8.如权利要求7所述的电池测试系统，其中，所述特性是所述正在进行测试的电池的最终放电容量。
9.如权利要求1所述的电池测试系统，其中，所述用户接口包括被配置用于输出从所述电池测试系统到所述用户的输出的视觉表示的显示器。
10.如权利要求1所述的电池测试系统，包括电池测试装置，所述电池测试装置具有电压感测电路系统、或电流感测电路系统、或所述电压感测电路系统和所述电流感测电路系统这两者，并且被配置用于获得指示来自所述正在进行测试的电池的充电容量和放电容量的反馈。
11.如权利要求10所述的电池测试系统，其中，所述电池测试计算机包括被配置用于从所述电池测试装置中接收电池测试数据的通信系统。
12.一种有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统，其中，所述电池测试管理系统包括预测模块、验证模块和训练模块，所述预测模块、所述验证模块和所述训练模块当由处理器执行时被配置用于：
使用少于待完成的对正在进行测试的电池进行标准化电池测试所需的所有数据来生成对所述正在进行测试的电池进行所述标准化电池测试的结果的预测，并且经由用户接口输出所述结果的所述预测和与所述结果的所述预测相关联的置信度水平；
使用来自对所述正在进行测试的电池进行所述标准化电池测试的最终测试结果来确定对所述结果的所述预测的有效性，并且经由所述用户接口输出所述有效性的表示；并且
基于所确定的有效性来更新训练数据以便更新所述预测模块，其中，所述预测模块包括使用从多个电池样本获得的训练数据所构建的电池测试支持向量机(SVM)，并且所述电池测试支持向量机(SVM)是二元分类模型，所述二元分类模型被配置用于基于从在所述标准化电池测试期间获得的电池测试数据中生成的第一特征和第二特征而将所述正在进行测试的电池分类成通过类别或未通过类别，并且其中，所述预测模块被配置用于生成在所述标准化电池测试的整个持续时间之前发生的时间间隔处所述正在进行测试的电池的所述标准化电池测试的所述结果的多个预测；并且
其中，所述标准化电池测试模拟所述正在进行测试的电池在特定类型的正在进行测试的电池的平均寿命期间将会经历的正常操作条件。
13.如权利要求12所述的有形非暂态计算机可读介质，其中，所述电池测试管理系统被配置用于：
使用所述预测模块在第一时间点处使用从所述标准化电池测试开始到所述第一时间点所获得的测试数据来生成对所述正在进行测试的电池的所述标准化电池测试的所述结果的第一预测；并且
响应于确定对所述结果的所述第一预测具有高于置信度阈值的置信度水平而经由所述用户接口输出对所述结果的所述第一预测。
14.如权利要求13所述的有形非暂态计算机可读介质，其中，所述电池测试管理系统被配置用于：
响应于确定所述第一预测的所述置信度水平低于置信度阈值而使用所述预测模块在所述第一时间点之后发生的第二时间点处使用从所述标准化电池测试开始到所述第二时间点所获得的测试数据来生成对所述正在进行测试的电池的所述标准化电池测试的所述结果的第二预测；并且
响应于确定所述第二预测具有高于所述置信度阈值的置信度水平而经由所述用户接口输出对所述结果的所述第二预测。
15.如权利要求12所述的有形非暂态计算机可读介质，其中，所述电池测试支持向量机(SVM)被配置用于通过构建在其中历史电池测试结果已经被分成通过区域和未通过区域的数据空间、计算将所述通过区域与所述未通过区域分开的超平面、以及将针对所述正在进行测试的电池获得的电池测试数据映射到所述数据空间以便识别所述电池测试数据相对于所述超平面的位置，而将所述正在进行测试的电池分类成所述通过类别或所述未通过类别。
16.如权利要求15所述的有形非暂态计算机可读介质，其中，所述电池测试管理系统被配置用于至少使用所述预测模块使用线性回归以及从针对所述正在进行测试的电池获得的映射电池测试数据到所述超平面的距离来预测在所述标准化电池测试结束时所述电池的特性，并且用于经由所述用户接口输出所述特性。
17.一种预测电池测试结果的方法，所述方法包括：
使用电池测试计算机来预测正在进行测试的电池的电池测试结果，其中，所述电池测试计算机包括有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统，其中，所述电池测试管理系统包括：
预测模块，所述预测模块被配置用于使用少于待完成的电池测试所需的所有数据来预测所述电池测试结果，其中，所述预测模块包括使用从多个电池样本获得的训练数据所构建的电池测试支持向量机(SVM)，并且所述电池测试支持向量机(SVM)是二元分类模型，所述二元分类模型被配置用于基于从在标准化电池测试期间获得的电池测试数据中生成的第一特征和第二特征而将所述正在进行测试的电池分类成通过类别或未通过类别；
验证模块，所述验证模块被配置用于验证所述预测；以及
训练模块，所述训练模块被配置用于基于由所述验证模块生成的结果来重新训练所述预测模块，并且其中，所述电池测试计算机包括被配置用于执行所述一个或多个指令集的处理电路系统；以及
经由用户接口输出对所述电池测试结果的所述预测以及与所述预测相关联的置信度水平，并且其中，所述预测模块被配置用于生成在测试的整个持续时间之前发生的时间间隔处所述正在进行测试的电池的所述电池测试结果的多个预测；并且
其中，所述标准化电池测试模拟所述正在进行测试的电池在特定类型的正在进行测试的电池的平均寿命期间将会经历的正常操作条件。
18.一种电池测试系统，包括：
电池测试计算机，所述电池测试计算机包括有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统，其中，所述电池测试管理系统包括预测模块、验证模块和训练模块，并且其中，所述电池测试计算机包括被配置用于执行所述一个或多个指令集的处理电路系统；
用户接口，所述用户接口通信地耦合至所述处理电路系统并且被配置用于向用户提供输出；
其中，所述预测模块被配置用于使用少于待完成的对正在进行测试的电池进行标准化电池测试所需的所有数据来预测对所述正在进行测试的电池进行所述标准化电池测试的结果，并且用于经由所述用户接口输出预测结果和与所述预测结果相关联的置信度水平；
其中，所述验证模块被配置用于使用来自对所述正在进行测试的电池进行所述标准化电池测试的最终测试结果来确定所述预测结果的有效性，并且用于经由所述用户接口输出所述有效性的表示；并且
其中，所述训练模块被配置用于使用由所述验证模块生成的所述有效性来更新训练数据以便更新所述预测模块；
其中，所述预测模块包括使用从多个电池样本获得的训练数据所构建的电池测试支持向量机(SVM)，并且所述电池测试支持向量机(SVM)是二元分类模型，所述二元分类模型被配置用于基于从在所述标准化电池测试期间获得的电池测试数据中生成的第一特征和第二特征而将所述正在进行测试的电池分类成通过类别或未通过类别，
其中，所述预测模块被配置用于经由所述用户接口输出在所述标准化电池测试的整个持续时间之前发生的时间间隔处所述正在进行测试的电池的所述标准化电池测试的多个所述预测结果；并且
其中，所述标准化电池测试模拟所述正在进行测试的电池在特定类型的正在进行测试的电池的平均寿命期间将会经历的正常操作条件,
其中，所述电池测试计算机被配置用于执行特征识别算法进行特征选择，以获得允许通过电池与未通过电池之间的分离的所述第一特征和所述第二特征。
19.一种有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统，其中，所述电池测试管理系统包括预测模块、验证模块和训练模块，所述预测模块、所述验证模块和所述训练模块当由处理器执行时被配置用于：
使用少于待完成的对正在进行测试的电池进行标准化电池测试所需的所有数据来生成对所述正在进行测试的电池进行所述标准化电池测试的结果的预测，并且经由用户接口输出所述结果的所述预测和与所述结果的所述预测相关联的置信度水平；
使用来自对所述正在进行测试的电池进行所述标准化电池测试的最终测试结果来确定对所述结果的所述预测的有效性，并且经由所述用户接口输出所述有效性的表示；并且
基于所确定的有效性来更新训练数据以便更新所述预测模块，其中，所述预测模块包括使用从多个电池样本获得的训练数据所构建的电池测试支持向量机(SVM)，并且所述电池测试支持向量机(SVM)是二元分类模型，所述二元分类模型被配置用于基于从在所述标准化电池测试期间获得的电池测试数据中生成的第一特征和第二特征而将所述正在进行测试的电池分类成通过类别或未通过类别，并且其中，所述预测模块被配置用于生成在所述标准化电池测试的整个持续时间之前发生的时间间隔处所述正在进行测试的电池的所述标准化电池测试的所述结果的多个预测；
所述标准化电池测试期间使用特征识别算法进行特征选择，以获得允许通过电池与未通过电池之间的分离的所述第一特征和所述第二特征；并且
其中，所述标准化电池测试模拟所述正在进行测试的电池在特定类型的正在进行测试的电池的平均寿命期间将会经历的正常操作条件。
20.一种预测电池测试结果的方法，所述方法包括：
使用电池测试计算机来预测正在进行测试的电池的电池测试结果，其中，所述电池测试计算机包括有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储有被实施为一个或多个指令集的电池测试管理系统，其中，所述电池测试管理系统包括：
预测模块，所述预测模块被配置用于使用少于待完成的电池测试所需的所有数据来预测所述电池测试结果，其中，所述预测模块包括使用从多个电池样本获得的训练数据所构建的电池测试支持向量机(SVM)，并且所述电池测试支持向量机(SVM)是二元分类模型，所述二元分类模型被配置用于基于从在标准化电池测试期间获得的电池测试数据中生成的第一特征和第二特征而将所述正在进行测试的电池分类成通过类别或未通过类别；
验证模块，所述验证模块被配置用于验证所述预测；以及
训练模块，所述训练模块被配置用于基于由所述验证模块生成的结果来重新训练所述预测模块，并且其中，所述电池测试计算机包括被配置用于执行所述一个或多个指令集的处理电路系统；以及
经由用户接口输出对所述电池测试结果的所述预测以及与所述预测相关联的置信度水平，并且其中，所述预测模块被配置用于生成在测试的整个持续时间之前发生的时间间隔处所述正在进行测试的电池的所述电池测试结果的多个预测；并且
其中，所述标准化电池测试模拟所述正在进行测试的电池在特定类型的正在进行测试的电池的平均寿命期间将会经历的正常操作条件；
其中，使用所述电池测试计算机来执行特征识别算法进行特征选择，以获得允许通过电池与未通过电池之间的分离的所述第一特征和所述第二特征。
CN201680059281.5A 2015-10-15 2016-02-18 用于预测电池测试结果的电池测试系统 Active CN108139446B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/884,585 2015-10-15
US14/884,585 US10191116B2 (en) 2015-10-15 2015-10-15 Battery test system for predicting battery test results
PCT/US2016/018462 WO2017065821A1 (en) 2015-10-15 2016-02-18 Battery test system for predicting battery test results

Publications (2)

Publication Number Publication Date
CN108139446A CN108139446A (zh) 2018-06-08
CN108139446B true CN108139446B (zh) 2021-03-02

Family

ID=55642827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680059281.5A Active CN108139446B (zh) 2015-10-15 2016-02-18 用于预测电池测试结果的电池测试系统

Country Status (6)

Country Link
US (1) US10191116B2 (zh)
EP (1) EP3362809B1 (zh)
JP (1) JP6513881B2 (zh)
CN (1) CN108139446B (zh)
MX (1) MX2018004367A (zh)
WO (1) WO2017065821A1 (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10992156B2 (en) * 2017-10-17 2021-04-27 The Board Of Trustees Of The Leland Stanford Junior University Autonomous screening and optimization of battery formation and cycling procedures
CN111247444A (zh) * 2017-10-23 2020-06-05 Cps科技控股有限公司 电池测试仪的用户界面
KR20230132629A (ko) * 2018-04-20 2023-09-15 씨피에스 테크놀로지 홀딩스 엘엘씨 배터리 선택을 위한 시스템 및 방법
CN109047040A (zh) * 2018-06-12 2018-12-21 东莞市德尔能新能源股份有限公司 一种基于大数据的锂电池筛选系统
EP3591414B1 (en) * 2018-07-03 2022-01-19 Electricité de France Method for evaluating an electric battery state of health
EP3863102B1 (en) * 2018-11-01 2023-07-26 Guangdong HYNN Technologies Co., Ltd. Temperature compensation system and method for lithium battery capacity measurement, and storage medium
KR20220073829A (ko) * 2019-11-07 2022-06-03 바스프 에스이 배터리 성능 예측
CN110850315A (zh) * 2019-11-29 2020-02-28 北京邮电大学 一种电池荷电状态的估算方法及装置
CN111190112B (zh) * 2020-02-10 2020-10-09 宜宾职业技术学院 一种基于大数据分析的电池充放电预测方法及系统
CN111679202B (zh) * 2020-07-24 2023-04-18 广东电网有限责任公司 一种蓄电池容量预测方法及其预测装置
CN114089189A (zh) 2020-07-31 2022-02-25 财团法人工业技术研究院 电池管理系统的测试设备和测试方法
CN112347692B (zh) * 2020-09-21 2024-02-06 深圳有电物联科技有限公司 不间断电源的电池预测性维护的实现方法、装置和电子装置
US11609273B2 (en) * 2020-12-14 2023-03-21 Guangzhou Automobile Group Co., Ltd. Method and system for optimizing BMS model, storage medium and electric vehicle
CN112749497B (zh) * 2020-12-22 2022-12-16 厦门海辰储能科技股份有限公司 一种锂离子电池模组或电池包的膨胀力预测方法
JP2022139620A (ja) 2021-03-12 2022-09-26 株式会社東芝 電池の診断方法、電池の診断装置、電池の診断システム、電池搭載機器及び電池の診断プログラム
CN113391209B (zh) * 2021-05-26 2022-08-26 江苏小牛电动科技有限公司 电池健康状态的预测方法、装置、系统和电池
KR20230025130A (ko) * 2021-08-13 2023-02-21 주식회사 엘지에너지솔루션 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
US11573271B1 (en) * 2021-08-25 2023-02-07 Ford Global Technologies, Llc Battery fault detection
JP7380956B2 (ja) 2021-09-15 2023-11-15 株式会社レゾナック 予測データ表示装置、予測データ表示方法及び予測データ表示プログラム
JP2023043642A (ja) * 2021-09-16 2023-03-29 キオクシア株式会社 テスト制御装置、テストシステム、および制御方法
KR20230108799A (ko) * 2022-01-11 2023-07-19 주식회사 엘지에너지솔루션 이차전지 생산을 위한 비전 검사기 시뮬레이션 장치 및 방법
CN115291111B (zh) * 2022-08-03 2023-09-29 苏州清研精准汽车科技有限公司 电池静置时间预测模型的训练方法以及静置时间预测方法
CN116662818B (zh) * 2023-08-01 2023-11-03 杭州宇谷科技股份有限公司 异常换电用户识别方法、系统、设备和可读存储介质
CN116794533B (zh) * 2023-08-21 2023-12-29 深圳海辰储能科技有限公司 一种电芯容量分档方法和相关产品
CN117554824B (zh) * 2024-01-05 2024-03-22 四会永利五金电池有限公司 一种锌锰电池的异常数据检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101803104A (zh) * 2007-09-13 2010-08-11 株式会社Lg化学 用于估计电池的长期特性的系统和方法
CN102696025A (zh) * 2009-06-25 2012-09-26 法国电力公司 检测电化学装置缺陷的方法
CN104182630A (zh) * 2014-08-20 2014-12-03 国家电网公司 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040034612A1 (en) * 2002-03-22 2004-02-19 Nick Mathewson Support vector machines for prediction and classification in supply chain management and other applications
US7197487B2 (en) 2005-03-16 2007-03-27 Lg Chem, Ltd. Apparatus and method for estimating battery state of charge
US8855954B1 (en) 2007-11-30 2014-10-07 Intellectual Assets Llc System and method for prognosticating capacity life and cycle life of a battery asset
US7957921B2 (en) * 2008-02-19 2011-06-07 GM Global Technology Operations LLC Model-based estimation of battery hysteresis
US8972213B2 (en) 2008-06-27 2015-03-03 GM Global Technology Operations LLC Pattern recognition approach to battery diagnosis and prognosis
US9625532B2 (en) * 2011-10-10 2017-04-18 Battelle Energy Alliance, Llc Method, system, and computer-readable medium for determining performance characteristics of an object undergoing one or more arbitrary aging conditions
US9316699B2 (en) * 2012-04-05 2016-04-19 Samsung Sdi Co., Ltd. System for predicting lifetime of battery
CN103399276B (zh) 2013-07-25 2016-01-20 哈尔滨工业大学 一种锂离子电池容量估计及剩余循环寿命预测方法
CN103487759A (zh) * 2013-09-18 2014-01-01 江苏大学 一种混合动力汽车电池soc预测方法
DE102013018405A1 (de) 2013-11-02 2015-05-07 Daimler Ag Ermittlung von den Zustand einer Batterie kennzeichnenden Schätzparametern
CN103778280B (zh) * 2014-01-08 2016-07-06 上海交通大学 具有模型主动更新策略的锂离子电池剩余寿命预测方法
US9210662B1 (en) * 2014-05-29 2015-12-08 Apple Inc. Adaptive battery life extension
KR102343967B1 (ko) * 2014-12-04 2021-12-28 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
US9557387B2 (en) * 2015-02-10 2017-01-31 Lenovo Enterprise Solutions (Singapore) Pte. Ltd. Testing individual cells within multi-cell battery applications

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101803104A (zh) * 2007-09-13 2010-08-11 株式会社Lg化学 用于估计电池的长期特性的系统和方法
CN102696025A (zh) * 2009-06-25 2012-09-26 法国电力公司 检测电化学装置缺陷的方法
CN104182630A (zh) * 2014-08-20 2014-12-03 国家电网公司 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法

Also Published As

Publication number Publication date
JP6513881B2 (ja) 2019-05-15
CN108139446A (zh) 2018-06-08
JP2018530982A (ja) 2018-10-18
MX2018004367A (es) 2018-05-23
EP3362809B1 (en) 2022-04-20
US10191116B2 (en) 2019-01-29
EP3362809A1 (en) 2018-08-22
WO2017065821A1 (en) 2017-04-20
US20170108551A1 (en) 2017-04-20

Similar Documents

Publication Publication Date Title
CN108139446B (zh) 用于预测电池测试结果的电池测试系统
KR102357351B1 (ko) 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
CN107290679B (zh) 用于电动汽车共享充电桩的智能化电池健康状态检测方法
CN112347692B (zh) 不间断电源的电池预测性维护的实现方法、装置和电子装置
US20220373601A1 (en) Battery Performance Prediction
CN107677962A (zh) 基于充电所需时间来管理电池的系统和方法
CN103954913A (zh) 电动汽车动力电池寿命预测方法
KR20210116801A (ko) 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치
CN105277891A (zh) 用于估计电池的状态的方法和设备
CN109100655B (zh) 一种动力电池的数据处理方法和装置
CN111652348A (zh) 一种基于改进cnn的动力电池组故障融合诊断方法及系统
CN109633448A (zh) 识别电池健康状态的方法、装置和终端设备
CN109800446B (zh) 一种锂离子电池放电过程电压不一致性估计方法及装置
CN114047452A (zh) 一种确定电池循环寿命的方法及装置
CN109768340A (zh) 一种电池放电过程电压不一致性估计方法及装置
CN109840353B (zh) 锂离子电池双因素不一致性预测方法及装置
CN109800477B (zh) 锂离子电池三因素不一致性预测方法及装置
CN112084459A (zh) 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
CN117289167A (zh) 基于多重神经网络的电池剩余寿命预测方法、装置及介质
CN117310500A (zh) 电池状态分类模型构建方法及电池状态分类方法
TWI826949B (zh) 電池性能評估裝置及電池性能評估方法
CN113933718B (zh) 一种退役电池容量分选方法、装置、设备及存储介质
CN114879070A (zh) 一种电池状态评估方法及相关设备
US11938838B2 (en) Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20191223

Address after: New York State, USA

Applicant after: JOHNSON CONTROLS TECHNOLOGY Co.

Address before: michigan

Applicant before: JOHNSON CONTROLS TECHNOLOGY Co.

GR01 Patent grant
GR01 Patent grant