CN110783644A - 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 - Google Patents
电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 Download PDFInfo
- Publication number
- CN110783644A CN110783644A CN201910697639.2A CN201910697639A CN110783644A CN 110783644 A CN110783644 A CN 110783644A CN 201910697639 A CN201910697639 A CN 201910697639A CN 110783644 A CN110783644 A CN 110783644A
- Authority
- CN
- China
- Prior art keywords
- full charge
- charge capacity
- secondary battery
- neural network
- network model
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- H01M10/4285—Testing apparatus
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H01M10/54—Reclaiming serviceable parts of waste accumulators
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/84—Recycling of batteries or fuel cells
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Manufacturing & Machinery (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
提供一种电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法。已学习的神经网络模型是基于满充电容量处于基准范围内的多个模块的奈奎斯特图进行了学习的神经网络模型。处理系统(200)通过将从模块(M)的奈奎斯特图提取的至少一个特征量作为说明变数的判别分析,判别模块(M)属于满充电容量处于基准范围内的第1组群、和满充电容量处于基准范围外的第2组群中的哪一个。处理系统(200)在判别为模块(M)属于第1组群的情况下,使用已学习的神经网络模型推定模块(M)的满充电容量。
Description
技术领域
本公开涉及电池信息处理系统、二次电池的容量推定方法、电池组以及该电池组的制造方法,更特定而言,涉及用于推定二次电池的满充电容量的信息处理技术。
背景技术
近年来,搭载有电池组的电动车辆(混合动力车、电动汽车等)正在不断普及。伴随着这些电动车辆的重新购买等,车载的电池组被回收。所回收的电池组的数量在今后预想会急速地增加。
一般而言,电池组可能随着时间的经过、或者反复充放电而发生劣化,但劣化的发展程度会按所回收来的每个电池组而不同。因此,关于所回收来的各个电池组,要求对能反映劣化的发展程度的特性(满充电容量等)进行评价,并根据该评价结果对电池组进行再利用。
作为评价二次电池的特性的方法,交流阻抗测定法是公知的。例如日本特开2003-317810号公报公开了如下方法:基于通过交流阻抗测定法取得的二次电池的反应电阻值,判定二次电池中有无微小短路。
发明内容
作为在反映二次电池的劣化的发展程度的特性中也特别重要的特性,可举出二次电池的满充电容量。这是因为,例如在车载用的电池组中,电池组的满充电容量对电动车辆的能够行驶距离有较大的影响。
一般而言,车载用的电池组包括多个(例如数个~十数个)模块来构成,多个模块各自包括多个(例如数十个)电池单元来构成。在这样的电池组的满充电容量的推定中,考虑采取如以下那样的步骤。即,从所回收来的电池组取出多个模块,按每个模块测定交流阻抗。并且,基于各模块的交流阻抗测定结果,推定该模块的满充电容量。在此基础上,根据模块的满充电容量的推定结果,既可以判定该模块可否再利用,也可以判定再利用的方式(用途)。
在交流阻抗测定法中,频率包含在预定范围内的交流信号被依次施加于二次电池,测定此时的二次电池的响应信号。根据所施加的交流信号(施加信号)和所测定的响应信号算出二次电池的阻抗的实数成分以及虚数成分,其算出结果被离散地标绘在复数平面上。该复数阻抗标绘也被称为奈奎斯特图。
通过对奈奎斯特图进行解析,能够推定二次电池的满充电容量。详细将在后面进行描述,但作为奈奎斯特图的解析方法可考虑各种各样的方法,优选采用能够尽可能高精度地推定二次电池的满充电容量的方法。
本公开是为了解决上述问题而完成的,目的在于在电池信息系统或者二次电池的容量推定方法中使二次电池的满充电容量的推定精度提高。另外,本公开的其他目的在于提供包括高精度地推定了满充电容量的电池而构成的电池组及其制造方法。
(1)本公开的某方式涉及的电池信息处理系统具备:存储装置,其存储已学习的神经网络模型;和推定装置,其使用已学习的神经网络模型,根据表示二次电池的交流阻抗测定结果的奈奎斯特图推定对象二次电池的满充电容量。已学习的神经网络模型是基于满充电容量处于基准范围内的多个二次电池的奈奎斯特图进行了学习的神经网络模型。推定装置通过将从对象二次电池的奈奎斯特图提取的至少一个特征量作为说明变量的判别分析,判别对象二次电池属于满充电容量处于基准范围内的第1组群和满充电容量处于基准范围外的第2组群中的哪一个。推定装置在判别为对象二次电池属于第1组群的情况下,使用已学习的神经网络模型,推定对象二次电池的满充电容量。
(2)已学习的神经网络模型是基于满充电容量超过作为基准范围的下限值的基准容量的多个二次电池的奈奎斯特图进行了学习的神经网络模型。第1组群是满充电容量超过基准容量的二次电池组群。第2组群是满充电容量低于基准容量的二次电池组群。
(3)上述至少一个特征量包括对象二次电池的奈奎斯特图的半圆部分及直线部分中的直线部分所包含的预定频率下的交流阻抗的虚数成分、和直线部分的倾斜度。
(4)神经网络模型包括输入层,该输入层被提供在预先确定的像素数量的区域描绘了二次电池的奈奎斯特图而得到的图像的各像素的数值。区域的像素数量比表示二次电池的交流阻抗的测定结果的实数成分的个数与虚数成分的个数之和多。
(5)对象二次电池的奎斯特图包含所施加的交流信号的频率处于100mHz以上且1kHz以下的频率范围的情况下的交流阻抗测定结果。
在上述(1)~(5)的构成中,通过对于对象二次电池的判别分析,判别对象二次电池属于第1组群和第2组群中的哪一个。在判别的结果是对象二次电池属于第1组群的情况下,使用已学习的神经网络模型推定对象二次电池的详细的满充电容量。已学习的神经网络模型是仅使用属于第1组群的二次电池的奈奎斯特图进行了学习的神经网络模型,属于第2组群的二次电池的奈奎斯特图不被用于学习。因此,可以说与将属于第1组群的二次电池的奈奎斯特图以及属于第2组群的二次电池的奈奎斯特图这两方用于了学习的情况相比,对于属于第1组群的二次电池的满充电容量的推定而言是最适合的。因此,根据上述(1)~(5)的构成,能够高精度地推定二次电池的满充电容量。
(6)本公开的其他方式涉及的电池组包括多个通过上述电池信息处理系统推定了满充电容量的二次电池来构成。
根据上述(6)的构成,能够提供包括通过电池信息系统高精度地推定了满充电容量的二次电池来构成的电池组。
(7)本公开的另一其他方式涉及的二次电池的满充电容量推定方法推定对象二次电池的满充电容量。二次电池的满充电容量推定方法包括第1~第4步骤。第1步骤是取得表示对象二次电池的交流阻抗测定结果的奈奎斯特图的步骤。第2步骤是使用已学习的神经网络模型,根据对象二次电池的交流阻抗测定结果推定对象二次电池的满充电容量的步骤。已学习的神经网络模型是基于满充电容量处于基准范围内的多个二次电池的奈奎斯特图进行了学习的神经网络模型。第3步骤是通过将从对象二次电池的奈奎斯特图提取的特征量作为说明变量的判别分析,判别对象二次电池属于满充电容量处于基准范围内的第1组群和满充电容量处于基准范围外的第2组群中的哪一个的步骤。第4步骤是在判别为对象二次电池属于第1组群的情况下,使用已学习的神经网络模型,推定对象二次电池的满充电容量的步骤。
根据上述(7)的方法,能够与上述(1)的构成同样地使二次电池的满充电容量的推定精度提高。
(8)本公开的又一其他方式涉及的电池组的制造方法包括第1~第5步骤。第1步骤是取得对象二次电池的交流阻抗测定结果的步骤。第2步骤是使用已学习的神经网络模型,根据对象二次电池的交流阻抗测定结果推定对象二次电池的满充电容量的步骤。已学习的神经网络模型是基于满充电容量处于基准范围内的多个二次电池的奈奎斯特图进行了学习的神经网络模型。第3步骤是通过将从对象二次电池的奈奎斯特图提取的特征量作为说明变量的判别分析,判别对象二次电池属于满充电容量处于基准范围内的第1组群和满充电容量处于基准范围外的第2组群中的哪一个的步骤。第4步骤是在判别为对象二次电池属于第1组群的情况下,使用已学习的神经网络模型,推定对象二次电池的满充电容量的步骤。第5步骤是使用多个通过推定的步骤(第4步骤)推定了满充电容量的对象二次电池来制造电池组的步骤。
根据上述(8)的方法,能够制造包括与上述(6)的构成同样地高精度地推定了满充电容量的二次电池而构成的电池组。
本发明的上述以及其他目的、特征、方式以及优点根据与附图关联地理解的关于本发明的如下详细说明来进行明确。
附图说明
图1是表示本实施方式中的电池组的从回收到制造、销售的物流的一种方式的图。
图2是表示图1所示的电池物流模型中的处理流程的流程图。
图3是表示应用于图1所示的电池物流模型的电池管理系统的构成例的图。
图4是表示电池信息系统的构成的图。
图5是表示模块的交流阻抗测定结果的奈奎斯特图的一个例子的图。
图6是用于说明比较例中的神经网络模型的学习的概念图。
图7是用于说明学习用图像的图。
图8是用于说明比较例中的模块的容量推定结果的一个例子的图。
图9是表示奈奎斯特图的测定结果与满充电容量之间的关系的图。
图10是用于说明本实施方式中的判别分析的图。
图11是用于说明本实施方式中的神经网络模型的学习的概念图。
图12是表示本实施方式中的神经网络模型的学习方法的流程图。
图13是表示本实施方式中的模块的容量推定处理的流程图。
图14是用于说明本实施方式中的模块的容量推定结果的一个例子的图。
具体实施方式
以下,参照附图对本公开的实施方式进行详细的说明。此外,对图中相同或者相当的部分标记相同的标号,不反复进行其说明。
本公开中,电池组包括多个模块(或者也称为块)来构成。多个模块既可以串联连接,也可以相互并联连接。多个模块各自包括串联连接的多个电池单元(单电池)。
在本公开中,电池组的“制造”意味着将构成电池组的多个模块中的至少一部分更换为其他模块(更换用模块)来制造电池组。基本上,更换用模块是从回收来的电池组取出的可再利用的模块,但也可以是新品的模块。
一般而言,电池组的“再利用”大致分为再使用(reuse)、重构(rebuild)以及再循环(recycle)。在再使用的情况下,回收来的电池组经过必要的出货检查后直接作为再使用品来出货。在重构的情况下,回收来的电池组例如暂时分解为模块(也可以是电池单元)。并且,分解后的模块中的性能恢复后能够利用的模块(也可以是直接能够利用的模块)被组合起来,制造新的电池组。新制造出的电池组经过出货检查后作为重构品来出货。与此相对,在再循环(资源再循环)中,从各电池单元取出能够再生的材料,y因此,回收来的电池组不会作为其他电池组来使用。
在以下说明的实施方式中,从车辆回收来的电池组在暂时分解为模块后,以模块为单位进行性能检查。由性能检查的结果是判定为可再利用的模块制造电池组。因此,在以下中,能够再利用的模块意味着能够重构的模块。然而,根据电池组的构成,也可能不将电池组分解为模块而直接以电池组进行性能检查。那样的情况下的“再利用”可以包括再使用以及重构这两方。
另外,在本实施方式中,各电池单元是镍氢电池。更具体而言,正极是对氢氧化镍(Ni(OH)2)加入了钴氧化物的添加剂的正极。负极是储氢合金(作为镍系合金的MnNi5系)。电解液是氢氧化钾(KOH)。但是,这不过是具体的电池单元构成的例示,本公开能够应用的电池单元构成并不是限定于此。
[实施方式]
<电池物流模型>
图1是表示本实施方式中的电池组的从回收到制造、销售的物流的一种方式的图。以下,将图1所示的物流的方式称为“电池物流模型”。图2是表示图1所示的电池物流模型中的处理流程的流程图。
参照图1以及图2,在该电池物流模型中,从搭载有电池组的多个车辆回收已使用过的电池组,使用回收来的电池组所包含的可再利用的模块来制造电池组并销售。并且,可更换搭载于某用户的车辆90的电池组。
回收业者10从车辆91~93回收已使用过的电池组。车辆91~93分别搭载有电池组910~930。此外,在图1中,为了便于纸面表现,仅示出3台车辆,但实际上可从更多的车辆回收电池组。回收业者10将回收来的电池组分解,从电池组取出多个模块(步骤S1,以下将步骤简称为“S”)。
在该电池物流模型中,对每个模块赋予了用于确定该模块的识别信息(ID),各模块的信息由管理服务器80管理着。因此,回收业者10使用终端71(参照图3)向管理服务器80发送从电池组取出的各模块的ID。
检查业者20进行由回收业者10回收来的各模块的性能检查(S2)。具体而言,检查业者20检测回收来的模块的特性。例如,检查业者20检测满充电容量、电阻值、OCV(OpenCircuit Voltage,开路电压)、SOC(State Of Charge,充电状态)等的电气特性。并且,检查业者20基于检查结果辨别可再利用的模块和不可再利用的模块,对于可再利用的模块,交付给性能恢复业者30,对于不可再利用的模块,交付给再循环业者60。此外,对于各模块的检查结果,使用检查业者20的终端72(参照图3)发送给管理服务器80。
性能恢复业者30进行用于使被检查业者20认为可再利用的模块的性能恢复的处理(S3)。作为一个例子,性能恢复业者30通过将模块充电到过充电状态,使模块的满充电容量恢复。但是,对于在检查业者20的检查中判断为性能降低小的模块,也可以省略性能恢复业者30的性能恢复处理。对于各模块的性能恢复结果,使用性能恢复业者30的终端73(参照图3)发送给管理服务器80。
制造业者40使用由性能恢复业者30恢复了性能的模块来制造电池组(S4)。在本实施方式中,在管理服务器80中生成用于制造电池组的信息(组装信息),该信息被发送给制造业者40的终端74(参照图3)。制造业者40按照该组装信息,更新车辆90的电池组所包含的模块,制造(重构)车辆90的电池组。
销售店50将由制造业者40制造出的电池组作为车辆用电池来销售,或者作为能够在住宅等利用的固定放置用电池来销售(S5)。在本实施方式中,车辆90被送到销售店50,在销售店50中,车辆90的电池组被更换为由制造业者40制造出的再使用品或者重构品。
再循环业者60将被检查业者20认为不可再利用的模块解体,进行用于作为新的电池单元和/或其他制品的原料来利用的再资源化。
此外,在图1中,回收业者10、检查业者20、性能恢复业者30、制造业者40以及销售店50为彼此不同的业者,但业者的区分并不限定于此。例如,检查业者20和性能恢复业者30也可以是一个业者。或者,回收业者10也可以分为回收电池组的业者、和将回收来的电池组解体的业者。另外,各业者以及销售店的网点并不特别限定。各业者以及销售店的网点既可以是分开的,也可以多个业者或者销售店为同一网点。
图3是表示图1所示的电池物流模型中应用的电池管理系统的构成例的图。参照图3,电池管理系统100具备终端71~75、管理服务器80、通信网络81、基站82。
终端71是回收业者10的终端。终端72是检查业者20的终端。终端73是性能恢复业者30的终端。终端74是制造业者40的终端。终端75是销售店50的终端。
管理服务器80和各终端71~75构成为能够经由作为互联网或者电话线路等的通信网络81彼此进行通信。通信网络81的基站82构成为能够通过无线通信与车辆90进行信息的交换。
在检查业者20设置有用于测定各模块的交流阻抗、并基于该测定结果判定该模块的再利用方式(重构或者再循环)的电池信息系统(以下有时简称为“处理系统”)200。由处理系统200判定后的模块的再利用方式例如经由终端72被发送给管理服务器80。
以下,通过处理系统200推定从车辆91取出的电池组910所包含的多个模块中的某模块(以下记载为“模块M”)的满充电容量。进一步,基于模块M的满充电容量的推定结果,判定模块M的再利用方式。
<电池信息系统的构成>
图4是表示处理系统200的构成的图。处理系统200具备测定装置210、存储装置220、解析装置230以及显示装置240。此外,这些装置既可以作为相互独立的装置来构成,也可以作为1台装置来构成。
测定装置210测定模块M的交流阻抗,向解析装置230输出表示该测定结果的奈奎斯特图。更具体而言,测定装置210包括振荡器211、恒电位仪212、锁相放大器213以及标绘器214。
振荡器211向恒电位仪212和锁相放大器213输出同相位的正弦波。
恒电位仪212通过使预定的直流电压叠加于与来自振荡器211的正弦波相同相位的交流电压(例如振幅为10mV左右的电压)来生成施加信号,将所生成的施加信号施加于模块M。并且,恒电位仪212检测在模块M中流动的电流,将该检测结果作为来自模块M的响应信号输出给锁相放大器213。另外,恒电位仪212向标绘器214输出施加信号和响应信号。
锁相放大器213对从振荡器211接收的正弦波的相位与由恒电位仪212检测到的响应信号的相位进行比较,向标绘器214输出其比较结果(正弦波和响应信号的相位差)。
标绘器214基于来自恒电位仪212的信号(表示施加信号与响应信号的振幅比的信号、和来自锁相放大器213的信号(表示施加信号和响应信号的相位差的信号),在复数平面上标绘模块M的交流阻抗测定结果。更具体而言,在预定的频率范围内扫描从振荡器211输出的正弦波的频率,反复执行恒电位仪212以及锁相放大器213的前述的处理。由此,对于正弦波的各频率,模块M的交流阻抗测定结果被标绘在复数平面上。该标绘被称为“奈奎斯特图”(有时也称为Cole-Cole图)。模块M的奈奎斯特图被输出至解析装置230。
此外,测定装置210的构成并不限定于图4所示的构成。例如说明为将交流电压施加于模块M、检测此时在模块M中流动的电流,但恒电位仪212也可以检测对模块M施加了交流电流时的电压响应。另外,测定装置210也可以代替锁相放大器213而包括频率响应解析器(未图示)。
进一步,作为交流阻抗测定方法,也可以采用以下的方法。即,生成包含预定的频率范围内的各种频率成分的施加信号(电压信号以及电流信号中的一方),检测施加该施加信号时的响应信号(电压信号以及电流信号中的另一方)。通过对施加信号以及响应信号分别实施高速傅里叶变换(FFT:Fast Fourier Transform)并进行频率分解,按各频率算出交流阻抗。通过这样的方法,也能够制作奈奎斯特图。
存储装置220存储解析装置230的用于推定模块的满充电容量的已学习的神经网络模型。存储装置220根据来自解析装置230的要求,进行神经网络模型的学习,更新学习结果,为了被解析装置230参照而向解析装置230输出学习结果。
解析装置230例如是包括CPU(Central Processing Unit)、存储器、输入输出端口(均未图示)而构成的微型计算机。具体而言,解析装置230包括满充电容量推定部231和再利用判定部232。
满充电容量推定部231通过对由测定装置210取得的模块M的奈奎斯特图进行解析,从而推定模块M的满充电容量。以下,将该处理也称为“容量推定处理”。后面将对通过解析装置230进行的容量推定处理进行详细的说明。
再利用判定部232根据模块M的满充电容量的推定结果,判定模块M的再利用方式。再利用判定部232也可以判定模块M可否再利用。由解析装置230推定出的模块M的满充电容量和由再利用判定部232判定的再利用方式被输出给显示装置240。
显示装置240例如由液晶显示器等实现,显示通过解析装置230得到的容量推定处理的结果以及模块M的再利用方式的判定结果。由此,检查业者能够获知应该对模块M实施什么样的处理。
此外,解析装置230相当于本公开涉及的“推定装置”。在解析装置230中,再利用判定部232对于模块M的满充电容量的推定来说并不是必须的构成。另外,存储装置220以及解析装置230相当于本公开涉及的“电池信息系统”。
<奈奎斯特图>
图5是表示模块M的交流阻抗测定结果的奈奎斯特图的一个例子的图。在图5以及后述的图9中,横轴表示模块M的复数阻抗的实数成分ZRe,纵轴表示模块M的复数阻抗的虚数成分-ZIm。
在图5中示出在100mHz~1kHz的范围内对施加信号的频率进行了扫描的情况下的交流阻抗测定结果的一个例子。如图5所示,通过施加各种各样的频率的信号,与频率相应的模块M的交流阻抗测定结果作为离散的值被标绘在复数平面上。详细而言,在本实施方式中,在100mHz~1kHz的频率区域中使用52个频率的施加信号。这样得到的奈奎斯特图具有由高频率(在该例子中为1Hz~1kHz)的施加信号得到的半圆部分,并且,具有由低频率(100mHz~1Hz)的施加信号得到的直线部分。
在本实施方式的容量推定处理中,在模块的满充电容量的推定中使用神经网络模型。在该神经网络模型中,在交流阻抗的测定结果被提供给了输入层的情况下,进行神经网络模型的机器学习,以使得从输出层输出高精度的满充电容量的推定结果。为了使本实施方式中的神经网络模型的学习的特征得以明确,首先对比较例中的学习进行说明。
<比较例>
图6是用于说明比较例中的神经网络模型的学习的概念图。参照图6,神经网络模型例如包括输入层x、隐层y、输出层z。将输入层x与隐层之间的加权记载为W1,将隐层y与输出层z之间的加权记载为W2。
在比较例以及本实施方式中,均首先准备多个(大量)满充电容量已知的模块。并且,基于那些模块的交流阻抗测定结果(奈奎斯特图),生成机器学习中使用的图像。将该图像称为“学习用图像”。学习用图像按交流阻抗的各测定结果来生成。也即是,在测定了m个模块的交流阻抗的情况下,生成m个学习用图像。当依次向神经网络模型的输入层x提供多个学习用图像时,每次从神经网络模型的输出层z输出满充电容量的推定值。并且,通过对满充电容量已知的值(准确的值)和满充电容量的推定值进行比较,进行神经网络模型的机器学习(有教师学习)。
图7是用于说明学习用图像的图。如图7所示,学习用图像例如由纵47像素×横78像素=3,666像素的区域构成。在学习用图像中,与52个频率下的交流阻抗测定结果(奈奎斯特图)中的某一个一致的像素被描绘为黑,与任一个都不一致的像素被描绘为白。通过这样,能够从52个频率下的交流阻抗测定结果得到3,666个输入信息。也即是,在学习用图像中,不仅包含与奈奎斯特图一致的像素所表示的信息(描绘为黑的信息),还包含与奈奎斯特图不一致的像素所表示的信息(余白部分的信息),因此,输入信息量大。由此,与仅将52个频率下的交流阻抗测定结果提供给神经网络模型的输入层x的情况相比,能够提高学习效果,因此,能够使满充电容量的推定精度提高。
此外,与3,666个的输入信息对应地,神经网络模型的输入层x包括3,666个节点来构成。输出层z例如可以包括71个节点来构成,以使得能够在0Ah~7Ah的范围内以0.1Ah的间隔输出满充电容量的推定结果。
图8是用于说明比较例中的模块的容量推定结果的一个例子的图。在图8以及后述的图14中,横轴表示模块的实际的满充电容量。实际的满充电容量是指例如通过对将模块从完全放电状态充电到满充电状态时的充电量进行测定等的、虽然需要测定时间但一般认为是高精度的测定方法进行测定而得到的满充电容量。以下,将该值也记载为“满充电容量的实测值”。另一方面,纵轴表示按照比较例1中的前述的容量推定处理算出的模块的满充电容量。以下,将该值也记载为“满充电容量的推定值”。
在图8以及图14中,用直线L1(实线)表示满充电容量的推定值和满充电容量的实测值严格地一致的状态。另外,通过由两条直线L2(虚线)夹着的范围(记载为“一致范围”)表示满充电容量的推定值相对于满充电容量的实测值的误差处于预定范围内(在该例子中为±0.5Ah)的状态。在本说明书中,将通过容量推定处理推定了大量的模块的满充电容量的结果、满充电容量的推定值处于了一致范围内的比例称为“容量推定精度”。
参照图8,比较例中的容量推定精度为83.0%。虽然该容量推定精度不算低,但希望进一步提高容量推定精度。
在此,对于比较例中的神经网络模型的学习,使用根据具有各种各样的满充电容量的模块生成的学习用图像来进行。对此,发明人根据观察了奈奎斯特图的结果发现:呈现出在满充电容量的某范围内和范围外奈奎斯特图的直线部分(参照图5)的形状不同的趋势。以下,将该满充电容量的范围称为“基准范围”,将基准范围的下限值称为“基准容量”。在该例子中,基准范围是3Ah以上且7Ah以下的范围,基准容量是3Ah。
图9是表示奈奎斯特图的形状与满充电容量之间的关系的图。在图9中重叠地示出了各种各样的满充电容量的模块的奈奎斯特图。参照图9可知:在从满充电容量处于基准范围内(作为基准容量的3Ah以上)的模块得到的奈奎斯特图中,与从满充电容量处于基准范围外(小于3Ah)的模块得到的奈奎斯特图相比,直线部分的端部位于图中下侧,即交流阻抗的虚数成分小。另外,可知直线部分的倾斜度小(增加缓慢)。
更具体地进行说明,在满充电容量为基准容量以上的模块的奈奎斯特图中,与满充电容量小于基准容量的模块的奈奎斯特图相比,直线部分中频率最低的100mHz下的交流阻抗的虚数成分小,并且,100mHz~120mHz的范围中的直线部分的倾斜度小。据此可知:在存在了满充电容量未知的模块的情况下,通过从该模块的奈奎斯特图提取直线部分的端部的交流阻抗的虚数成分和直线部分的倾斜度,能够判定该模块的满充电容量是为基准容量以上、还是小于基准容量。
在上述见解的基础上考虑:在某模块的满充电容量小于基准容量(在该例子中为3Ah)的情况下,该模块的劣化过度地发展,不适于重构。因此,回转到再循环(资源回收)为好,但若是回转到再循环,则存在要求满充电容量的详细值的必要性小这一状况。
鉴于这样的见解以及状况,在本实施方式中,首先,对作为满充电容量的推定对象的模块M实施两组群判别分析。即,通过从模块M的奈奎斯特图提取上述两个特征量(直线部分的端部的交流阻抗的虚数成分以及直线部分的倾斜度),首先确认模块M的满充电容量是否为基准容量以上。其结果,若满充电容量为基准容量以上,则使用神经网络模型来推定详细的满充电容量。
所使用的神经网络模型是进行了由满充电容量为基准容量以上的模块的奈奎斯特图生成的学习用图像的机器学习而得到的神经网络模型。由此,对于满充电容量为基准容量以上的模块的满充电容量的推定而言是最适合的。因此,与不考虑满充电容量是否为基准容量以上、而将由全部模块的奈奎斯特图生成的学习用图像用于了机器学习的情况(换言之,由满充电容量小于基准容量而应该回转到再循环的模块的奈奎斯特图生成的学习用图像也使用于机器学习的情况)相比,能够使满充电容量的推定精度提高。
<两组群判别分析>
在本实施方式中,作为两组群判别分析的方法,使用马田(MT,Maharanobis-Taguchi)法。对该方法简单地进行说明。以下设为:满充电容量为基准容量以上的模块属于“第1组群”,满充电容量小于基准容量的模块属于“第2组群”。
图10是用于说明本实施方式中的两组群判别分析的方法的概念图。在图10中,横轴表示奈奎斯特图的直线部分的端部(施加信号的频率=100mHz)的交流阻抗的虚数成分,纵轴表示施加信号的频率100mHz~120mHz的范围中的直线部分的倾斜度。
关于多个模块,准备奈奎斯特图和满充电容量(实测值)。在图10中标绘了从那些奈奎斯特图提取直线部分的端部的交流阻抗的虚数成分和直线部分的倾斜度来作为特征量(说明变量(解释变量))的结果(参照黑圆)。各标绘(黑圆)被根据满充电容量(实测值)是基准容量以上、还是小于基准容量来进一步进行判别。从满充电容量(实测值)为基准容量以上的模块得到的标绘组群(单位空间)表示为“第1组群”,从满充电容量小于基准容量的模块得到的标绘组群(信号空间)表示为“第2组群”。
在判别满充电容量未知且是满充电容量的推定对象的模块M属于第1组群以及第2组群中哪个组群(模块M的满充电容量是为基准容量以上、还是小于基准容量)时,首先,根据从模块M的奈奎斯特图提取的上述两个特征量算出表示模块M的标绘相对于表示第1组群的标绘组群的马氏距离。
该例子中的马氏距离在概念上是指表示模块M的标绘与表示第1组群的标绘组群(还考虑到了标绘的分散状况)之间的距离。在图10中,马氏距离由表示模块M的标绘(参照带斜线的点)与位于表示第1组群的标绘组群内部(中心附近)的标绘(参照白圆)之间的距离表示。具体而言,本实施方式中的马氏距离d能够按照下述式(1)来算出。
在式(1)中,用x1表示模块M的奈奎斯特图中的直线部分的端部的交流阻抗的虚数成分。用x2表示模块M的奈奎斯特图中的直线部分的倾斜度。另外,用μ1表示属于第1组群的模块的奈奎斯特图中的直线部分的端部的交流阻抗的虚数成分的平均值。用μ2表示属于第1组群的模块的奈奎斯特图中的直线部分的倾斜度的平均值。ρ是使用属于第1组群的模块的数据的方差σ1、σ2以及协方差σ12表示为ρ=σ12/σ1σ2的相关系数。
在马氏距离d为预先确定的阈值TH以下的情况下,模块M被判定为属于第1组群。另一方面,在马氏距离比阈值TH大的情况下,模块M被判定为属于第2组群。
此外,也可以通过分别算出模块M与第1组群之间的马氏距离、和模块M与第2组群之间的马氏距离,并对两者进行比较,从而根据模块M距第1组群以及第2组群中哪个近来进行模块M的判别。另外,两组群判别分析的手法不限定于马田法,也可以使用其他方法。例如也可以提取与上述两个特征量不同的特征量来使用线性判别法。
<神经网络学习>
图11是用于说明本实施方式中的神经网络模型的学习的概念图。图12是表示本实施方式中的神经网络模型的学习方法的流程图。该流程图在由神经网络模型的开发者确定的条件成立时被执行。
参照图11以及图12,首先,准备满充电容量的实测值为基准容量(在该例子中为3Ah)以上的多个模块。另外,准备未学习的神经网络模型(S11)。
在S12中,根据满充电容量为基准容量以上的多个模块的交流阻抗测定结果(奈奎斯特图)生成与其相同数量的学习用图像。关于该处理,根据图6详细地进行了说明,因此,在此不反复进行说明。
在S13中,对神经网络模型的输入层x提供在S12中生成的学习用图像中的某一个,取得来自输入层x的输出(满充电容量的推定值)。由此,进行神经网络模型的有教师学习。更具体而言,以如以下那样的步骤进行学习。
首先,通过对满充电容量的推定值和满充电容量的实测值进行比较,判定满充电容量的推定值的正误,该正误被作为教师信号进行反馈。例如,设为根据某模块的学习用图像,该模块的满充电容量被推定为了Qk。在该模块的满充电容量的实测值为Qk的情况下,表示推定是正解的教师信号被进行反馈。另一方面,在该模块的满充电容量的实测值不为Qk的情况下,通过教师信号反馈推定为错误这一状况。根据基于大量的模块的推定结果的教师信号,调整输入层x与隐层y之间的加权W1、和隐层y与输出层z之间的加权W2。如此,通过一边进行使用了大量的学习用图像的推定,一边反复进行基于教师信号的修正,不断提高神经网络模型的容量推定精度。在容量推定精度变为比预定值高或经过了预定时间的情况下,使S13的处理结束。由此,神经网络模型的学习完成。
<容量推定处理流程>
图13是表示本实施方式中的模块M的容量推定处理的流程图。该流程图例如在检查业者将模块M设置在处理系统200之后操作了未图示的操作部(开始按钮等)的情况下,由处理系统200来执行。
以下,为了说明的简单化,不特别区别作为各处理的执行主体的处理系统200的构成要素(测定装置210所包含的各构成部件、解析装置230等),总括性地记载为“处理系统200”。各步骤基本上由处理系统200的软件处理来实现,但其一部分或者全部也可以通过制作在处理系统200内的硬件(电路)来实现。
参照图13,处理系统200首先测定模块M的交流阻抗,根据其测定结果取得奈奎斯特图(S21)。关于交流阻抗的测定方法,在根据图4说明测定装置210的构成时进行了详细的说明,因此,在此不反复进行说明。
并且,处理系统200根据模块M的交流阻抗测定结果生成用于推定模块M的满充电容量的图像(以下记载为“推定用图像”)(S22)。推定用图像的生成方法与根据图7说明过的学习用图像的生成方法是同样的。
在S23中,处理系统200实施用于基于模块M的推定用图像来判别模块M属于第1组群以及第2组群中的哪个组群的两组群判别分析。关于两组群判别方法,根据图9详细地进行了说明,因此,不反复进行说明。
在两组群判别分析的结果是判别为模块M属于第1组群时(在S23中为第1组群),处理系统200将在S22中生成的模块M的推定用图像提供给已学习的神经网络模型的输入层x(S24)。并且,处理系统200从神经网络模型的输出层z接受模块M的满充电容量的推定值(S25)。
在S26中,处理系统200基于模块M的满充电容量的推定值,判定模块M的再利用方式。例如,处理系统200算出作为模块M的满充电容量的推定值的当前的满充电容量Q(M)与初始满充电容量Q0(根据模块M的规格而已知的值)之比(=Q(M)/Q0)来作为“容量维持率”,将容量维持率与预定的判定值进行比较。处理系统200在模块M的容量维持率为判定值以上的情况下,判定为能够将模块M使用于电池组的重构,在模块M的容量维持率小于判定值的情况下,判定为模块M不可使用于重构(应该回到资源再循环)。
另一方面,在两组群判别分析的结果是判别为模块M属于第2组群时(在S23中为第2组群),处理系统200不使用神经网络模型而判定模块M的再利用方式(S27)。更具体而言,由于模块M的满充电容量小于基准容量,因此,处理系统200判定为模块M不适于重构而回转到资源再循环。
<评价结果>
图14是用于说明本实施方式中的模块的容量推定精度结果的一个例子的图,与图8进行对比。参照图14可知:在满充电容量为作为基准容量的3Ah以上的区域(由粗线包围来表示)中,满充电容量的推定值和实测值的组合的标绘中的位于一致范围内的标绘的比例十分高。具体而言,满充电容量为基准容量以上的区域中的容量推定精度为86.2%。该值比比较例中的容量推定精度(83.0%)高。由此,可以说表明了在本实施方式中容量推定精度得到了提高。
如上所述,在本实施方式中,在模块M的满充电容量的推定之前,通过两组群判别分析,判别模块M是属于满充电容量处于基准范围内(基准容量以上)的第1组群、还是属于满充电容量为基准范围外(小于基准容量)的第2组群。在模块M属于第1组群的情况下,使用已学习的神经网络模型,进行模块M的满充电容量的详细的推定。该神经网络模型是基于由满充电容量为基准容量以上的模块(属于第1组群的模块)的奈奎斯特图生成的学习用图像进行了机器学习的神经网络模型。因此,与将属于第1组群的模块以及属于第2组群的模块这两方作为对象进行了机器学习的神经网络模型相比,可是说神经网络模型最适于属于第1组群的模块的满充电容量的推定。由此,根据本实施方式,能够使模块M的满充电容量的推定精度提高。另外,根据本实施方式,能够由高精度地推定了满充电容量的模块制造电池组。
此外,在本实施方式中,主要对于使神经网络模型最适于满充电容量为基准容量以上的模块的例子进行了说明。但是,通过与本实施方式同样的方法,也能够构建最适于满充电容量小于基准容量的模块的神经网络模型。
进一步,也可以构建两个神经网络模型。更详细而言,也可以构建最适于满充电容量为基准容量以上的模块的第1神经网络模型、和最适于满充电容量小于基准容量的模块的第2神经网络模型,根据两组群判别分析的结果,选择使用适当的一方的神经网络模型。
以上对本发明的实施方式进行了说明,但应该认为本次公开的实施方式在全部方面是例示的,并不是限制性的内容。本发明的范围由权利要求书表示,意在包含与权利要求书等同的含义以及范围内的全部变更。
Claims (8)
1.一种电池信息处理系统,具备:
存储装置,其存储已学习的神经网络模型;和
推定装置,其使用所述已学习的神经网络模型,根据表示对象二次电池的交流阻抗测定结果的奈奎斯特图推定所述对象二次电池的满充电容量,
所述已学习的神经网络模型是基于满充电容量处于基准范围内的多个二次电池的奈奎斯特图进行了学习的神经网络模型,
所述推定装置,
通过将从所述对象二次电池的奈奎斯特图提取的至少一个特征量作为说明变量的判别分析,判别所述对象二次电池属于满充电容量处于所述基准范围内的第1组群和满充电容量处于所述基准范围外的第2组群中的哪一个,
在判别为所述对象二次电池属于所述第1组群的情况下,使用所述已学习的神经网络模型,推定所述对象二次电池的满充电容量。
2.根据权利要求1所述的电池信息处理系统,
所述已学习的神经网络模型是基于满充电容量超过作为所述基准范围的下限值的基准容量的多个二次电池的奈奎斯特图进行了学习的神经网络模型,
所述第1组群是满充电容量超过所述基准容量的二次电池组群,
所述第2组群是满充电容量低于所述基准容量的二次电池组群。
3.根据权利要求1或者2所述的电池信息处理系统,
所述至少一个特征量包括所述对象二次电池的奈奎斯特图的半圆部分及直线部分中的所述直线部分所包含的预定频率下的交流阻抗的虚数成分、和所述直线部分的倾斜度。
4.根据权利要求1~3中任一项所述的电池信息处理系统,
所述已学习的神经网络模型包括输入层,所述输入层被提供在预先确定的像素数量的区域描绘了所述二次电池的奈奎斯特图而得到的图像的各像素的数值,
所述区域的像素数量比表示所述二次电池的交流阻抗的测定结果的实数成分的个数与虚数成分的个数之和多。
5.根据权利要求1~4中任一项所述的电池信息处理系统,
所述对象二次电池的奈奎斯特图包括所施加的交流信号的频率为100mHz以上且1kHz以下的频率范围内的情况下的交流阻抗测定结果。
6.一种电池组,包括多个通过权利要求1~5中任一项所述的电池信息处理系统推定了满充电容量的所述二次电池来构成。
7.一种二次电池的满充电容量推定方法,推定对象二次电池的满充电容量,包括:
取得所述对象二次电池的交流阻抗测定结果的步骤;和
使用已学习的神经网络模型,根据表示所述对象二次电池的交流阻抗测定结果的奈奎斯特图推定所述对象二次电池的满充电容量的步骤,
所述已学习的神经网络模型是使用满充电容量处于基准范围内的多个二次电池的奈奎斯特图进行了学习的神经网络模型,
所述满充电容量推定方法包括:
通过将从所述对象二次电池的奈奎斯特图提取的特征量作为说明变量的判别分析,判别所述对象二次电池属于满充电容量处于所述基准范围内的第1组群和满充电容量处于所述基准范围外的第2组群中的哪一个的步骤;和
在判别为所述对象二次电池属于所述第1组群的情况下,使用所述已学习的神经网络模型,推定所述对象二次电池的满充电容量的步骤。
8.一种电池组的制造方法,包括:
取得对象二次电池的交流阻抗测定结果的步骤;和
使用已学习的神经网络模型,根据表示所述对象二次电池的交流阻抗测定结果的奈奎斯特图推定所述对象二次电池的满充电容量的步骤,
所述已学习的神经网络模型是使用满充电容量处于基准范围内的多个二次电池的奈奎斯特图进行了学习的神经网络模型,
所述电池组的制造方法还包括:
通过将从所述对象二次电池的奈奎斯特图提取的特征量作为说明变量的判别分析,判别所述对象二次电池属于满充电容量处于所述基准范围内的第1组群和满充电容量处于所述基准范围外的第2组群中的哪一个的步骤;
在判别为所述对象二次电池属于所述第1组群的情况下,使用所述已学习的神经网络模型,推定所述对象二次电池的满充电容量的步骤;以及
使用多个通过所述推定的步骤推定了满充电容量的所述对象二次电池来制造电池组的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-143584 | 2018-07-31 | ||
JP2018143584A JP6988728B2 (ja) | 2018-07-31 | 2018-07-31 | 電池情報処理システム、二次電池の容量推定方法、および、組電池の製造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110783644A true CN110783644A (zh) | 2020-02-11 |
CN110783644B CN110783644B (zh) | 2022-10-04 |
Family
ID=69228512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910697639.2A Active CN110783644B (zh) | 2018-07-31 | 2019-07-30 | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11307257B2 (zh) |
JP (1) | JP6988728B2 (zh) |
CN (1) | CN110783644B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780202A (zh) * | 2018-07-30 | 2020-02-11 | 丰田自动车株式会社 | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 |
CN113311348A (zh) * | 2021-06-09 | 2021-08-27 | 湖北工业大学 | 一种基于小波分解和包络谱分析的电池故障识别方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7157908B2 (ja) | 2018-12-20 | 2022-10-21 | トヨタ自動車株式会社 | 電池容量の推定方法および電池容量の推定装置 |
JP7157909B2 (ja) | 2018-12-20 | 2022-10-21 | トヨタ自動車株式会社 | 電池容量の推定方法、および電池容量の推定装置 |
JP7153196B2 (ja) | 2018-12-26 | 2022-10-14 | トヨタ自動車株式会社 | 電池特性評価装置、および電池特性評価方法 |
JP7169519B2 (ja) * | 2018-12-26 | 2022-11-11 | トヨタ自動車株式会社 | 電池容量推定方法、および電池容量推定システム |
WO2022103185A1 (ko) * | 2020-11-13 | 2022-05-19 | 주식회사 엘지화학 | 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템 |
JP7387660B2 (ja) | 2021-02-10 | 2023-11-28 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1132442A (ja) * | 1997-07-10 | 1999-02-02 | Matsushita Electric Ind Co Ltd | 蓄電池残容量推定方法及び蓄電池残容量推定システム |
JP2003249271A (ja) * | 2002-02-22 | 2003-09-05 | Akuson Data Machine Kk | バッテリの残存容量判定方法と、その装置 |
US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
US20050046389A1 (en) * | 2002-11-08 | 2005-03-03 | Mteq Systems Inc. | Method for counting cycle count of a smart battery and method and device for correcting full charge capacity of a smart battery using the same |
CN105912448A (zh) * | 2015-02-24 | 2016-08-31 | 广达电脑股份有限公司 | 服务器系统及其用以增强存储器容错能力的方法 |
CN108076639A (zh) * | 2016-09-13 | 2018-05-25 | 欧姆龙株式会社 | 驱动模式选择装置及驱动模式选择方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04123191A (ja) | 1990-09-13 | 1992-04-23 | Nippon Signal Co Ltd:The | 検銭装置 |
JP2003317810A (ja) | 2002-04-18 | 2003-11-07 | Toyota Motor Corp | 電池の特性評価方法 |
GB2444511B (en) | 2006-12-06 | 2008-10-22 | Iti Scotland Ltd | Battery Management System |
US10379168B2 (en) | 2007-07-05 | 2019-08-13 | Battelle Energy Alliance, Llc | Apparatuses and methods for testing electrochemical cells by measuring frequency response |
US11397215B2 (en) * | 2010-05-21 | 2022-07-26 | Qnovo Inc. | Battery adaptive charging using battery physical phenomena |
JP5741389B2 (ja) * | 2011-11-09 | 2015-07-01 | トヨタ自動車株式会社 | 蓄電装置の満充電容量推定方法及び蓄電システム。 |
EP2811310B1 (en) * | 2012-01-31 | 2019-05-15 | Primearth EV Energy Co., Ltd. | State of charge detection device |
EP2811312B1 (en) * | 2012-01-31 | 2019-04-24 | Primearth EV Energy Co., Ltd. | Battery state detection device |
CN103091642B (zh) | 2013-01-22 | 2014-12-10 | 北京交通大学 | 一种锂电池容量快速估计方法 |
JP6342612B2 (ja) * | 2013-05-15 | 2018-06-13 | 旭化成株式会社 | 二次電池診断装置及び二次電池診断方法 |
US10386422B2 (en) | 2014-07-25 | 2019-08-20 | Lithium Balance A/S | Electrochemical impedance spectroscopy in battery management systems |
JP6145824B2 (ja) * | 2014-10-31 | 2017-06-14 | エンネット株式会社 | 電池診断装置および電池診断方法 |
JP6114321B2 (ja) * | 2015-02-17 | 2017-04-12 | プライムアースEvエナジー株式会社 | 車両用の二次電池の再利用方法 |
GB2547712A (en) | 2016-02-29 | 2017-08-30 | Fujitsu Ltd | Method and apparatus for generating time series data sets for predictive analysis |
JP2018018354A (ja) | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
JP2020020604A (ja) | 2018-07-30 | 2020-02-06 | トヨタ自動車株式会社 | 電池情報処理システム、二次電池の容量推定方法、ならびに、組電池、および、その組電池の製造方法 |
-
2018
- 2018-07-31 JP JP2018143584A patent/JP6988728B2/ja active Active
-
2019
- 2019-07-23 US US16/519,138 patent/US11307257B2/en active Active
- 2019-07-30 CN CN201910697639.2A patent/CN110783644B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1132442A (ja) * | 1997-07-10 | 1999-02-02 | Matsushita Electric Ind Co Ltd | 蓄電池残容量推定方法及び蓄電池残容量推定システム |
US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
JP2003249271A (ja) * | 2002-02-22 | 2003-09-05 | Akuson Data Machine Kk | バッテリの残存容量判定方法と、その装置 |
US20050046389A1 (en) * | 2002-11-08 | 2005-03-03 | Mteq Systems Inc. | Method for counting cycle count of a smart battery and method and device for correcting full charge capacity of a smart battery using the same |
CN105912448A (zh) * | 2015-02-24 | 2016-08-31 | 广达电脑股份有限公司 | 服务器系统及其用以增强存储器容错能力的方法 |
CN108076639A (zh) * | 2016-09-13 | 2018-05-25 | 欧姆龙株式会社 | 驱动模式选择装置及驱动模式选择方法 |
Non-Patent Citations (2)
Title |
---|
A. DENSMORE等: "Determining battery SoC using Electrochemical Impedance Spectroscopy and the Extreme Learning Machine", 《2015 IEEE 2ND INTERNATIONAL FUTURE ENERGY ELECTRONICS CONFERENCE (IFEEC)》 * |
刘海洋: "《基于阻抗谱时域测量的锂离子电池健康状态估计研究》", 1 June 2018, 哈尔滨工业大学 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780202A (zh) * | 2018-07-30 | 2020-02-11 | 丰田自动车株式会社 | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 |
CN113311348A (zh) * | 2021-06-09 | 2021-08-27 | 湖北工业大学 | 一种基于小波分解和包络谱分析的电池故障识别方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6988728B2 (ja) | 2022-01-05 |
JP2020021592A (ja) | 2020-02-06 |
US11307257B2 (en) | 2022-04-19 |
US20200041570A1 (en) | 2020-02-06 |
CN110783644B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110783644B (zh) | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 | |
CN110416635B (zh) | 电池信息处理系统、电池组、电池模块的特性评价方法以及电池组的制造方法 | |
CN110412479B (zh) | 电池信息处理系统、电池组、电池模块的容量算出方法以及电池组的制造方法 | |
CN111381168B (zh) | 电池特性评价装置以及电池特性评价方法 | |
CN110780202A (zh) | 电池信息处理系统、二次电池的容量推定方法、电池组及其制造方法 | |
CN110416634B (zh) | 电池信息处理系统、电池组、电池模块的特性评价方法以及电池组的制造方法 | |
CN110867623B (zh) | 电池信息处理系统、电池信息处理方法以及电池组及其制造方法 | |
CN111352034B (zh) | 电池容量的推定方法以及电池容量的推定装置 | |
CN111352033B (zh) | 电池容量的推定方法以及电池容量的推定装置 | |
US20220397611A1 (en) | Battery capacity estimation method and battery capacity estimation system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |