CN113219337B - 电池劣化判断系统、方法以及存储有程序的非临时性存储介质 - Google Patents
电池劣化判断系统、方法以及存储有程序的非临时性存储介质 Download PDFInfo
- Publication number
- CN113219337B CN113219337B CN202110032160.4A CN202110032160A CN113219337B CN 113219337 B CN113219337 B CN 113219337B CN 202110032160 A CN202110032160 A CN 202110032160A CN 113219337 B CN113219337 B CN 113219337B
- Authority
- CN
- China
- Prior art keywords
- battery
- state quantity
- degradation
- temperature
- unit
- 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
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 118
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012937 correction Methods 0.000 claims abstract description 109
- 238000012545 processing Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 18
- 230000006866 deterioration Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000010705 motor oil Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- 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]
-
- 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]
- G01R31/374—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明的目的在于提供一种能够高精度地判断电池的劣化的电池劣化判断系统、电池劣化判断方法以及存储有电池劣化判断程序的非临时性存储介质。一种电池劣化判断系统，包括：取得部，其取得电池的状态量；校正部，在取得部所取得的状态量和与电池的温度关联的物理量存在相关性的情况下，对状态量进行校正；判断部，其基于由校正部校正后的状态量，对电池的劣化进行判断。
Description
技术领域
本公开涉及一种对车辆的辅助用电池等的电池的劣化进行判断的电池劣化判断系统、电池劣化判断方法以及存储有电池劣化判断程序的非临时性存储介质。
背景技术
例如，在日本特开2018-179733号公报中提出了一种电池的寿命诊断装置，其具有存储部以及诊断电池的寿命的处理部，所述存储部存储每个时刻所测定的电池的使用时间，和每个时刻所测定的表示电池劣化的劣化指标的测定值，处理部基于电池的使用时间和劣化指标的测定值来求出劣化指标的时间变化量，基于劣化指标的时间变化量分别针对每个电池求出劣化指标的预测函数，基于劣化指标的预测函数来求出劣化指标的预测值，基于劣化指标的预测值来诊断电池的寿命。
电池的电压、电阻等的状态量随着电池的温度、电流等而变动，但是例如在日本特开2018-179733号公报公开的技术中，未考虑电池的电压、电阻等的状态量依电池的温度、电流等而变动的情况。因此，当原样地使用状态量实施电池的劣化判断时，判断精度可能降低，因此存在改善的空间。
发明内容
本公开提供一种能够高精度地对电池的劣化进行判断的电池劣化判断系统、电池劣化判断方法以及存储有电池劣化判断程序的非临时性存储介质。
为了达成上述目的，第一方式的电池劣化判断系统包括：取得部，其取得电池的状态量；校正部，其在所述取得部所取得的所述状态量和与所述电池的温度关联的物理量存在相关性的情况下，对所述状态量进行校正；判断部，其基于由所述校正部校正后的所述状态量，对所述电池的劣化进行判断。
根据第一方式，取得部取得电池的状态量。取得的状态量为随着电池的劣化而变化的物理量，例如作为一个示例可列举有电池的电压、电阻、温度等。
在校正部中，在取得部所取得的状态量和与电池的温度关联的物理量存在相关性的情况下，对状态量进行校正。
而且，在判断部中，基于由校正部校正后的状态量，对电池的劣化进行判断。以此方式，对与电池的温度关联的物理量存在相关性的状态量进行校正而实施电池的劣化判断，因此与原样地使用状态量实施电池的劣化判断的情况相比，能够高精度地判断电池的劣化。
另外，校正部也可以如第二方式地，对应于电池的使用期间而以不同的校正量对状态量进行校正。由此，能够考虑对劣化的影响，抑制由于校正而错失劣化判断机会的情况。
此外，校正部也可以如第三方式地，对应于状态量的大小而以预先确定的校正量对状态量进行校正。由此，能够考虑对劣化的影响，抑制由于校正而错失劣化判断机会的情况。
此外，判断部也可以如第四方式地，在不存在相关性的情况下，基于取得部所取得的状态量对电池的劣化进行判断。由此，能够不实施不必要的校正地对电池的劣化进行判断。
另外，物理量也可以如第五方式地由取得部取得，也可以如第六方式地，还包括对物理量进行推断的推断部，由推断部进行推断。
此外，校正部也可以如第七方式地，在状态量和物理量的相关性系数为预先确定的值以上的情况下，对状态量进行校正。或者，如第八方式地，分别针对状态量以及物理量，与预先确定的期间内的各自的平均值进行比较而判断相关性，对状态量进行校正。
此外，取得部也可以如第九方式地取得通过搭载于车辆的传感器而检测到的状态量。
另外，本公开也可以如第十方式地采用一种电池劣化判断方法，其使计算机执行处理，所述处理包括，取得电池的状态量，在所取得的所述状态量和与所述电池的温度关联的物理量存在相关性的情况下，对所述状态量进行校正，基于校正后的所述状态量，对所述电池的劣化进行判断。
或者，如第十一方式地采用一种非临时性存储介质，其存储有用于使计算机执行处理的电池劣化判断程序，所述处理包括，取得电池的状态量，在所取得的所述状态量和与所述电池的温度关联的物理量存在相关性的情况下，对所述状态量进行校正，基于校正后的所述状态量，对所述电池的劣化进行判断。
如以上说明地，根据本公开，能够提供一种能够高精度地判断电池的劣化的电池劣化判断系统、电池劣化判断方法以及存储有电池劣化判断程序的非临时性存储介质。
附图说明
以下，基于附图详细说明本发明的示例性实施例。
图1为表示本实施方式涉及的电池劣化判断系统的概要构成的图。
图2为表示本实施方式涉及的电池劣化判断系统中的车载设备以及中心的构成的功能框图。
图3为表示电池的电压和温度的数据的一个示例的图。
图4为用于说明在为不能够取得电池的温度的车辆的情况下，从电压的对象数据的日期数据推断电池温度的示例的图。
图5为用于说明对应于电池的温度的变动与电池的状态量的相关性的有无的校正的图。
图6为表示取得电池的温度的变动与电池的状态量的相关性系数来进行校正的情况的具体例的图。
图7为表示从相对于年度的平均值的上下关系的一致性，对电池的温度的变动与电池的状态量的相关性进行判断及校正的情况的具体例的图。
图8为表示数据校正处理部的校正量的一个示例的图。
图9为表示概率计算部进行的劣化概率的计算例的图。
图10为表示由本实施方式涉及的电池劣化判断系统中的中心的数据校正部实施的处理的流程的一个示例的流程图。
图11为表示由本实施方式涉及的电池劣化判断系统中的中心的数据运算部实施的处理的流程的一个示例的流程图。
图12为表示将便携式终端用作通信装置的情况下的劣化判断系统的概要构成的图。
图13为表示在便携式终端具有中心所具有的功能的构成的功能框图。
图14为表示本实施方式涉及的劣化判断系统的硬件构成的框图。
具体实施方式
以下，参照附图，对本公开的实施的方式的一个示例详细地进行说明。图1为表示本实施方式涉及的电池劣化判断系统的概要构成的图。
在本实施方式涉及的电池劣化判断系统10中，搭载于车辆14的车载设备16经由通信网络18与中心12连接。在本实施方式涉及的电池劣化判断系统10中，将搭载于多个车载设备16的电池的状态量向中心12发送，中心12实施电池的劣化判断。中心12应用从多个车辆收集到的电池的状态量的大数据与基于AI(Artificial Intell igence：人工智能)的机器学习，将电池的状态量作为输入值而对电池的劣化进行判断。
另外，在本实施方式中，针对将车辆14的辅助用铅蓄电池作为电池的一个示例的情况进行说明。此外，状态量为表示电池的状态的状态量，特别是随着电池劣化而变化的物理量。例如，可列举电池的电压、电阻、温度等作为一个示例，但在本实施方式中，针对将电池的电压作为状态量的一个示例进行说明。
图2为表示本实施方式涉及的电池劣化判断系统10中的车载设备16以及中心12的构成的框图。此外，图14为表示本实施方式涉及的电池劣化判断系统10的硬件构成的框图。
如图14所示，车载设备16由微型计算机构成，该微型计算机包括作为处理器的CPU(Central Processing Unit：中央处理单元)60A、作为存储器的ROM(Read Only Memory：只读存储器)60B以及RAM(Random Access Memory：随机存取存储器)60C、输入输出I/F 60D、通信I/F 60E等。CPU 60A作为电池信息取得部22以及数据发送部24发挥作用。
如图2所示，作为搭载于车辆14的电池20的状态量，电池信息取得部22取得电池20的电压作为电池信息。电池信息取得部22例如通过电压传感器取得电池20的电压。此外，电池信息取得部22也可以进一步具有对电池20的温度进行检测的温度传感器，并取得电池20的温度。
数据发送部24将由电池信息取得部22取得的电池信息经由通信网络18向中心12发送。
另一方面，如图14所示，中心12由计算机构成，该计算机包括作为处理器的CPU70A、作为存储器的ROM 70B、以及RAM 70C、输入输出I/F 70D、通信I/F 70E等。输入输出I/F70D也可以与具有触摸面板的监视器80等的HMI(Human Machine Interface：人机接口)连接。CPU 70A作为数据接收部30、数据校正部32、数据运算部40以及数据输出部46发挥作用。
如图2所示，数据接收部30通过接收从车载设备16的数据发送部24经由通信网络18发送的电池信息，从车辆14的车载设备16取得表示电池20的状态量的电池信息。另外，在下文中，有时将电池信息作为电池20的状态量进行说明。
数据校正部32具有温度替代处理部34以及数据校正处理部36的功能，针对数据接收部30接收到的电池信息，实施就由电池20的温度而引起的变动量进行校正的处理。
在车辆14不存在对电池20的温度进行检测的传感器而不能够取得温度信息的情况下，温度替代处理部34对劣化判断或劣化判断的学习时使用的电池20的温度进行推断。在电池20如行李空间等那样远离发动机等发热体的状态而电池20的温度依赖于外部空气的情况下，如图3所示，电池20的温度与季节对应地周期性地重复上下变动。因此，如果知晓车辆14的地域的季节与外部空气的关系，则在某种程度上能够对电池20的温度进行推断，因此，温度替代处理部34对电池20的温度进行推断。具体而言，如图4所示，在对无传感器而不能够取得电池20的温度的车辆的数据(作为状态量的电压)进行取得的情况下，预先取得在相同搭载位置的时期与电池20的温度的关系，并且，根据作为状态量的电压的对象数据的日期数据(季节)，对电池20的温度进行推断，其中，日期是与电池20的温度关联的物理量。
电池20的状态量受到电池20的温度的影响，电池温度受到外部空气的影响，因此数据校正处理部36针对与外部空气的变动存在相关性的状态量的变动进行校正，以去除外部环境的影响。在本实施方式中，如图5的上半部分所示，关于与电池20的温度或外部气温的变动存在相关性的状态量的变动，通过基于机理的公式(逻辑式)实施校正，其中，外部气温是与电池20的温度关联的物理量；如图5的下半部分所示，关于不存在相关性的状态量的变动，停止校正。例如在为电压的情况下，逻辑式使用V＝OCV-IR(T)。在此，OCV为开路电压(Open Circuit Voltage)，I为电流，R(T)为相对于状态量取得时的温度的电阻值。
此外，关于作为与电池20的温度关联的物理量的电池温度与状态量的相关性，有取得双方的相关性系数的方法、根据相对于年度的平均值的上下关系的一致性来判断相关性的方法等。例如，在取得相关性系数的情况下，如图6所示，取得在劣化判断或学习中使用的数据(例如，一个月的量的数据)，取得电压与温度的相关性。在相关性系数为预先确定的阈值(例如，0.8)以上的情况下，视为存在相关性，根据上述的公式对电压值进行校正。另一方面，在不存在相关性的情况下，停止校正。由此，能够根据状态量的变动，仅对由温度引起的变动量进行校正，明确地提取相对于电池20的劣化的状态量的变动，因此能够提高劣化判断精度。另一方面，在根据相对于年度的平均值的上下关系的一致性来进行判断的情况下，如图7所示，取得在劣化判断或学习中使用的数据(例如，一个月的量的数据)，导出最近一年的平均电压以及最近一年的平均温度，作为与电池20的温度关联的物理量。在此，电压以及温度与平均值相比均为平均值以上或均为平均值以下的，视为存在相关性，使用逻辑式对状态量进行校正。
此外，电池的状态量与劣化对应地变动，因此在使用状态量对劣化进行推断的情况，有时由于校正而错失劣化判断机会。因此，在数据校正处理部36中，在劣化判断时，在对作为输入而使用的状态量进行校正的情况下，考虑对劣化的影响地对校正量进行确定。具体而言，校正量使用状态量和校正系数的数据图来进行确定。此外，如果状态量为电压，将低电压区的校正量设为比其它的电压区小，如果状态量为电阻，将高电阻区的校正量设为比其它的电阻区小。例如，如图8所示，关于校正量，考虑作为与电池20的温度关联的物理量的期间，在预先确定的初期的期间(例如，未劣化的1～2年的期间)的情况下的校正系数设为进行最大量校正的预先确定的第三数据校正量的校正系数。此外，初期以后的后期的期间使用与状态量的大小对应的校正系数。在图8的示例中，示出将低电压区的校正量设为小的示例，将低电压区的校正量设为第一数据校正量的校正系数，将高电压区的校正量设为第二数据校正量的校正系数。
数据运算部40具有概率计算部42以及劣化判断部44的功能，基于从车载设备16取得的状态量来实施电池20的劣化判断。
如图9所示，概率计算部42将预先取得的状态量的劣化数据作为学习数据，通过基于神经网络、CNN(Convolutional Neural Network：卷积神经网络)等的AI模型的机器学习，预先制作数据图。而且，使用制作的数据图，将电池20的状态量作为输入，对劣化概率进行计算。作为劣化概率，例如对在预先确定的期间a内劣化的概率、在期间a内不劣化的概率进行计算。
劣化判断部44基于概率计算部42的计算结果，对状态量是否满足预先确定的劣化条件进行判断，由此对电池20是否已劣化进行判断。例如，通过对概率计算部42计算得的劣化的概率是否为预先确定的阈值以上进行判断，对劣化进行判断。
数据输出部46将劣化判断部44的判断结果向取得了状态量的车辆14的车载设备16发送。由此，能够通过车载设备16而告知电池20的劣化判断结果。
另外，电池信息取得部22或数据接收部30与取得部对应，数据校正部32与校正部对应，数据运算部40与判断部对应。此外，温度替代处理部34与推断部对应。
接着，对由上述方式构成的本实施方式涉及的电池劣化判断系统10的中心12实施的具体的处理进行说明。
图10为表示由本实施方式涉及的电池劣化判断系统10中的中心12的数据校正部32实施的处理的流程的一个示例的流程图。另外，图10的处理例如在数据接收部30从车载设备16接收了状态量时开始。
在步骤100中，温度替代处理部34对温度数据是否存在进行判断。在该判断中，对是否从车载设备16接收了状态量和温度数据进行判断。在该判断为否定的情况下，前往步骤102，在肯定的情况下，前往步骤104。
在步骤102中，温度替代处理部34实施温度替代处理，前往步骤104。例如，如图4所示，预先取得时期与电池20的温度的关系，根据状态量的对象数据的日期的数据(季节)而对电池温度进行推断。
在步骤104中，数据校正处理部36对是否为预先确定的N期间以内进行判断。在该判断中，例如对是否为1～2年等的初期的期间内进行判断。在该判断为肯定的情况下，前往步骤106，在否定的情况下，前往步骤108。
在步骤106中，数据校正处理部36取得第三数据校正量，前往步骤114。关于第三数据校正量，取得与图8所示的初期的期间对应的校正系数。本实施方式中，第三数据校正量如上述地设为进行最大量校正的校正系数。
在步骤108中，数据校正处理部36对状态量是否为校正准许范围内进行判断。在该判断中，与图8所示的后期的期间对应地，对作为状态量的电压是否为校正系数成为最大校正量的校正系数的电压进行判断。在该判断为肯定的情况下，前往步骤110，在否定的情况下，前往步骤112。
在步骤110中，数据校正处理部36取得第二数据校正量，前往步骤114。第二数据校正量为与图8所示的后期的期间的高电压区对应的校正系数，本实施方式中，与第三数据校正量同样地设为进行最大量校正的校正系数。
在步骤112中，数据校正处理部36取得第一数据校正量，前往步骤114。第一数据校正量为与图8所示的后期的期间的低电压区对应的校正系数，如图8所示，与电压对应地为0至最大的校正系数之间的值。
在步骤114中，数据校正处理部36取得状态量与温度的相关性值，前往步骤116。即，在本实施方式中，取得作为状态量的电压与温度的相关性值。
在步骤116中，数据校正处理部36对相关性值是否比预先确定的阈值CC大，即是否存在相关性进行判断。在该判断为肯定的情况下，前往步骤118，在否定的情况下，前往步骤120。
在步骤118中，数据校正处理部36使用在步骤106、步骤110或步骤112取得的校正系数，对作为状态量的电压进行校正，并结束数据校正部32的一系列的处理。
另一方面，在步骤120中，数据校正处理部36中止数据校正，结束数据校正部32的一系列的处理。
接下来，对在数据校正部32的处理之后实施的、由数据运算部40实施的处理进行说明。图11为表示由本实施方式涉及的电池劣化判断系统10中的中心12的数据运算部40实施的处理的流程的一个示例的流程图。另外，图11的处理例如在图10的数据校正部32的处理结束时开始。
在步骤200中，概率计算部42计算电池20的劣化概率，前往步骤202。即，使用预先制作的数据图，将电池20的状态量作为输入来计算劣化概率。关于劣化概率，在此对在预先确定的期间a内劣化的概率进行计算，但也可以对在期间a内不劣化的概率进行计算。
在步骤202中，劣化判断部44对计算得的劣化概率A是否比预先确定的阈值CP大进行判断。在该判断为肯定的情况下，前往步骤204，在否定的情况下，前往步骤206。
在步骤204中，劣化判断部44判断为有电池的劣化而将劣化判断设为开启，结束数据运算部40的一系列的处理。
另一方面，在步骤206中，劣化判断部44判断为无电池的劣化而将劣化判断设为关闭，结束数据运算部40的一系列的处理。
通过以此方式实施处理，本实施方式中，通过对与电池20的温度变化存在相关性的状态量进行校正，对不存在相关性的状态量不进行校正，能够抑制由于温度变化而产生的对电池20的劣化判断精度的影响。
此外，在对状态量进行校正时，与电池20的使用期间、状态量对应地对校正量进行确定，以此将对劣化的影响考虑在内，由此能够抑制由于校正而产生的劣化判断时机期的迟延。
进一步地，即使在车辆14不具有对电池20的温度进行检测的传感器而不能够取得温度信息的情况下，温度替代处理部34对温度进行推断，由此也能够抑制追加温度传感器的成本上升。此外，能够抑制由于不能够取得温度信息而造成的劣化判断精度的降低。
另外，在上述的实施方式中，对第二数据校正量与第三数据校正量的校正系数相同的示例进行了说明，但并不限于此，也可以第二数据校正量与第三数据校正量设为不同的校正系数。此外，图8所示的校正系数为一个示例，但并不限于此。
此外，在上述的实施方式中，对数据校正处理部36对应于状态量与温度的相关性地进行校正的示例进行了说明，但并不限于此。例如，公知电压、电阻等的状态量依赖于电流值。通常，电池20的电阻依赖于温度，因此车辆14的电流负载有时也根据温度而被控制。在该情况下，电流负载以某个周期进行变动，因此能够将温度置换为电流值而实施同样的处理。此外，也可以同样地使用与温度、电流对应地变化的其它的物理量。
此外，在上述的实施方式中，作为状态量的一个示例列举了电池20的电压、电阻、温度等，但状态量并不限于此。例如，与电池20相关的电流、功率或能够二次获得的SOC(State Of Charge：荷电状态)等、以及将这些相乘或相加而得到的量也能够成为状态量的候补。此外，成为候补的状态量可以仅使用一个，也可以使用多个。哪个的状态量最合适，这是根据情况、需要的精度等而改变的，因此适当选择即可。
此外，在上述的实施方式中，对为了与中心12通信而在车辆14具有通信装置的示例进行了说明，但并不限于此。例如，如图12所示，也可以将乘员携带的智能电话等的便携式终端50用作通信装置。或者，如图13所示，也可以在便携式终端50具有图2所示的中心12所具有的功能，并实施通过便携式终端50对电池20的劣化进行判断的处理。
此外，在上述的实施方式中，对使用大数据和基于AI模型的机器学习来判断电池20的劣化的示例进行了说明，但并不限于此。除此之外，例如也可以应用使用一元回归分析或多元回归分析等的劣化判断方法。或者，也可以应用使用少量数据和物理模型的劣化判断方法。或者，也可以应用并用了机器学习和物理模型的劣化判断方法。在该情况下，如图14所示地，便携式终端50具有与中心12的硬件构成同等的硬件结构。
此外，上述的实施方式中，对在数据校正处理部36使用状态量和校正系数的数据图来确定校正量的示例进行了说明，但并不限于。例如，也可以替换数据图而使用计算式。此外，关于确定校正系数，并不仅是状态量、期间，只要是对于电池20的负载有影响的因素(例如，车辆14的使用状态、行驶状态等)，则能够任意使用。
此外，上述的实施方式中，作为温度替代处理部34对温度进行推断的方法的一个示例，对根据日期的数据推断电池20的温度的示例进行了说明，但温度的推断方法并不限于此。例如，除了期间之外，只要是与温度联动的值，则也可以使用与温度联动的值。例如，在发动机组件内设置电池20的情况下，电池20的温度受发动机油温等的发动机温度影响，因此也可以根据发动机油温对电池20的温度进行推断。但是，在该情况下，发动机温度的检测周期如以小时为单位等那样地，设为比日期的数据的检测周期更短的周期。此外，关于对温度进行推断的方法，也可以使用计算式来进行推断。
此外，关于上述的各实施方式中的由中心12实施的处理，对通过执行程序而实施的软件处理的情形进行了说明，但并不限于此。例如也可以采用通过GPU(GraphicsProcessing Unit：图形处理单元)，ASIC(Application Specific Integrated Circuit：专用集成电路)以及FPGA(Field-Programmable Gate Array：现场可编程门阵列)等硬件来实施的处理。或者，也可以采用组合了软件以及硬件这两者的处理。此外，在采用软件的处理的情况下，也可以将程序存储在各种非临时性存储介质中并进行流通。
进一步地，本公开并不限定于上述实施方式，除了上述实施方式之外，在不脱离其主旨的范围内能够进行各种变形及实施是不言自明的。
Claims (11)
1.一种电池劣化判断系统，包括：
取得部，其取得电池的状态量；
校正部，其在所述取得部所取得的所述状态量和与所述电池的温度关联的物理量存在相关性的情况下，对应于所述状态量的大小而以预先确定的校正量对所述状态量进行校正；
判断部，其基于由所述校正部校正后的所述状态量，对所述电池的劣化进行判断，在不存在所述相关性的情况下，所述判断部基于所述取得部所取得的所述状态量对所述电池的劣化进行判断。
2.根据权利要求1所述的电池劣化判断系统，其中，
所述校正部对应于所述电池的使用期间而以不同的校正量对所述状态量进行校正。
3.根据权利要求1或2所述的电池劣化判断系统，其中，
所述取得部进一步取得所述物理量。
4.根据权利要求1或2所述的电池劣化判断系统，其中，
还包括对所述物理量进行推断的推断部。
5.根据权利要求1或2所述的电池劣化判断系统，其中，
所述校正部在所述状态量和所述物理量的相关性系数为预先确定的值以上的情况下，对所述状态量进行校正。
6.根据权利要求1或2所述的电池劣化判断系统，其中，
所述校正部分别针对所述状态量以及所述物理量，与预先确定的期间内的各自的平均值进行比较而判断相关性，并对所述状态量进行校正。
7.根据权利要求1或2所述的电池劣化判断系统，其中，
所述取得部取得通过搭载于车辆的传感器检测到的所述状态量。
8.一种电池劣化判断方法，
取得电池的状态量，
在所取得的所述状态量和与所述电池的温度关联的物理量存在相关性的情况下，对应于所述状态量的大小而以预先确定的校正量对所述状态量进行校正，
基于校正后的所述状态量，对所述电池的劣化进行判断，在不存在所述相关性的情况下，基于所取得的所述状态量，对所述电池的劣化进行判断。
9.根据权利要求8所述的电池劣化判断方法，其中，
对应于所述电池的使用期间而以不同的校正量对所述状态量进行校正。
10.一种非临时性存储介质，其存储有用于使处理器执行电池劣化判断处理的程序，
所述电池劣化判断处理为，
取得电池的状态量，
在所取得的所述状态量和与所述电池的温度关联的物理量存在相关性的情况下，对应于所述状态量的大小而以预先确定的校正量对所述状态量进行校正，
基于校正后的所述状态量，对所述电池的劣化进行判断，在不存在所述相关性的情况下，基于所取得的所述状态量，对所述电池的劣化进行判断。
11.根据权利要求10所述的非临时性存储介质，其存储有用于使处理器执行电池劣化判断处理的程序，其中，
所述电池劣化判断处理为，对应于所述电池的使用期间而以不同的校正量对所述状态量进行校正。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020018735A JP7388220B2 (ja) | 2020-02-06 | 2020-02-06 | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム |
| JP2020-018735 | 2020-02-06 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113219337A CN113219337A (zh) | 2021-08-06 |
| CN113219337B true CN113219337B (zh) | 2024-02-20 |
Family
ID=74105872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110032160.4A Active CN113219337B (zh) | 2020-02-06 | 2021-01-11 | 电池劣化判断系统、方法以及存储有程序的非临时性存储介质 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20210245624A1 (zh) |
| EP (1) | EP3862766B1 (zh) |
| JP (1) | JP7388220B2 (zh) |
| CN (1) | CN113219337B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11422199B1 (en) * | 2021-06-17 | 2022-08-23 | Hong Kong Applied Science and Technology Research Institute Company Limited | State of health evaluation of retired lithium-ion batteries and battery modules |
| JP2023046847A (ja) * | 2021-09-24 | 2023-04-05 | 株式会社Ｇｓユアサ | 情報処理装置及び情報処理方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005091217A (ja) * | 2003-09-18 | 2005-04-07 | Furukawa Electric Co Ltd:The | 二次電池劣化状態判定方法、二次電池劣化状態判定装置及び電源システム |
| CN101243325A (zh) * | 2005-09-16 | 2008-08-13 | 古河电气工业株式会社 | 二次电池劣化判定方法、二次电池劣化判定装置、及电源系统 |
| CN103138017A (zh) * | 2011-12-02 | 2013-06-05 | 日产自动车株式会社 | 电池组的控制装置 |
| CN104813180A (zh) * | 2013-02-19 | 2015-07-29 | 古河电气工业株式会社 | 二次电池劣化判定方法及二次电池劣化判定装置 |
| JP2016070920A (ja) * | 2014-09-30 | 2016-05-09 | 株式会社Ｇｓユアサ | 電池劣化判定装置，電池劣化判定方法及び車両 |
| CN106471668A (zh) * | 2014-07-01 | 2017-03-01 | 日产自动车株式会社 | 电池劣化程度估计装置以及电池劣化程度估计方法 |
| CN107479527A (zh) * | 2016-06-08 | 2017-12-15 | 三菱电机株式会社 | 劣化诊断装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4630113B2 (ja) * | 2005-04-12 | 2011-02-09 | 古河電気工業株式会社 | 二次電池劣化状態判定方法及び二次電池劣化状態判定装置 |
| EP1933158B1 (en) * | 2005-09-16 | 2018-04-25 | The Furukawa Electric Co., Ltd. | Secondary cell degradation judgment method, secondary cell degradation judgment device, and power supply system |
| EP1995123B1 (en) * | 2006-03-10 | 2018-12-05 | Shin-Kobe Electric Machinery Co., Ltd. | Battery state judging device |
| JP2010019758A (ja) * | 2008-07-11 | 2010-01-28 | Mitsumi Electric Co Ltd | 電池状態検知装置 |
| JP2015059924A (ja) * | 2013-09-20 | 2015-03-30 | 株式会社東芝 | 蓄電池性能評価装置およびその方法 |
| JP2016090330A (ja) * | 2014-10-31 | 2016-05-23 | カルソニックカンセイ株式会社 | バッテリのパラメータ推定装置 |
| JP6664005B2 (ja) * | 2016-09-21 | 2020-03-13 | 株式会社エンビジョンＡｅｓｃジャパン | 電源システム |
| JP6567583B2 (ja) * | 2017-03-15 | 2019-08-28 | 株式会社東芝 | 電池安全性評価装置、電池制御装置、電池安全性評価方法、プログラム、制御回路及び蓄電システム |
| JP2018179733A (ja) | 2017-04-12 | 2018-11-15 | 日立化成株式会社 | 電池の寿命診断装置及び電池の寿命診断方法 |
-
2020
- 2020-02-06 JP JP2020018735A patent/JP7388220B2/ja active Active
- 2020-12-23 US US17/132,817 patent/US20210245624A1/en not_active Abandoned
-
2021
- 2021-01-07 EP EP21150463.4A patent/EP3862766B1/en active Active
- 2021-01-11 CN CN202110032160.4A patent/CN113219337B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005091217A (ja) * | 2003-09-18 | 2005-04-07 | Furukawa Electric Co Ltd:The | 二次電池劣化状態判定方法、二次電池劣化状態判定装置及び電源システム |
| CN101243325A (zh) * | 2005-09-16 | 2008-08-13 | 古河电气工业株式会社 | 二次电池劣化判定方法、二次电池劣化判定装置、及电源系统 |
| CN103138017A (zh) * | 2011-12-02 | 2013-06-05 | 日产自动车株式会社 | 电池组的控制装置 |
| CN104813180A (zh) * | 2013-02-19 | 2015-07-29 | 古河电气工业株式会社 | 二次电池劣化判定方法及二次电池劣化判定装置 |
| CN106471668A (zh) * | 2014-07-01 | 2017-03-01 | 日产自动车株式会社 | 电池劣化程度估计装置以及电池劣化程度估计方法 |
| JP2016070920A (ja) * | 2014-09-30 | 2016-05-09 | 株式会社Ｇｓユアサ | 電池劣化判定装置，電池劣化判定方法及び車両 |
| CN107479527A (zh) * | 2016-06-08 | 2017-12-15 | 三菱电机株式会社 | 劣化诊断装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210245624A1 (en) | 2021-08-12 |
| JP7388220B2 (ja) | 2023-11-29 |
| EP3862766A1 (en) | 2021-08-11 |
| EP3862766B1 (en) | 2023-06-21 |
| JP2021125392A (ja) | 2021-08-30 |
| CN113219337A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200292620A1 (en) | Battery life learning device, battery life prediction device, method and non-transitory computer readable medium | |
| US8433672B2 (en) | Method and apparatus for vehicle component health prognosis by integrating aging model, usage information and health signatures | |
| CN113219337B (zh) | 电池劣化判断系统、方法以及存储有程序的非临时性存储介质 | |
| CN113219336B (zh) | 电池劣化判断系统、方法及存储有程序的非临时性存储介质 | |
| TWI754109B (zh) | 劣化狀態判定裝置及劣化狀態判定方法 | |
| US11733308B2 (en) | Deterioration state estimation system of secondary battery, deterioration state estimation method of secondary battery, and storage medium | |
| US11675020B2 (en) | Battery degradation evaluation system, battery degradation evaluation method, and non-transitory storage medium storing battery degradation evaluation program | |
| CN110726937B (zh) | 用于确定状态噪声协方差矩阵的方法和相应设备 | |
| EP4202462A1 (en) | Information processing device, information processing method, and computer program | |
| CN118228373A (zh) | 新能源汽车功耗分析方法、装置、电子设备及存储介质 | |
| US20220317195A1 (en) | State estimation system of secondary battery, state estimation method of secondary battery, and storage medium | |
| US11995919B2 (en) | Battery diagnostic device, battery diagnostic method, battery diagnostic program, and vehicle | |
| CN112020451A (zh) | 用于确定涉及机动车电池的状态的参量的方法，计数器装置及机动车 | |
| CN116027201A (zh) | 电池健康状态的估算方法和容量估算模型的建立方法 | |
| CN115877245A (zh) | 电池诊断装置、方法、存储介质以及车辆 | |
| CN117630709A (zh) | 一种电池健康状态确定方法及系统 | |
| CN117949220A (zh) | 剩余寿命判定系统及剩余寿命判定方法 | |
| CN118444184A (zh) | 车辆的剩余电量估算方法、装置、服务器及存储介质 |
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 |