CN115718258A - 电池故障检测 - Google Patents

电池故障检测 Download PDF

Info

Publication number
CN115718258A
CN115718258A CN202210993217.1A CN202210993217A CN115718258A CN 115718258 A CN115718258 A CN 115718258A CN 202210993217 A CN202210993217 A CN 202210993217A CN 115718258 A CN115718258 A CN 115718258A
Authority
CN
China
Prior art keywords
battery
vehicle
parameters
batteries
predefined threshold
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
Application number
CN202210993217.1A
Other languages
English (en)
Inventor
马克·艾菲特
潘卡·库马尔
马修·卢瓦塞勒
T·拉姆皮亚雷
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.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
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 Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN115718258A publication Critical patent/CN115718258A/zh
Pending legal-status Critical Current

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
    • 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
    • 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
    • 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
    • B60L2240/70—Interactions with external data bases, e.g. traffic centres
    • 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
    • B60L2250/10—Driver interactions by alarm
    • 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
    • B60L2260/44—Control modes by parameter estimation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本公开提供了“电池故障检测”。一种控制系统响应于接收到在特定服务时间内车辆的电池的一个或多个参数的值，经由机器学习确定生成所述电池的所述一个或多个参数的所述值与同一服务时间内一组电池的一个或多个参数的值匹配时的置信度水平，并且响应于所述水平超过预定义阈值而导致实施缓解动作。

Description

电池故障检测
技术领域
本公开涉及电池和与其相关的测量。
背景技术
铅酸电池在车辆中用于在主电源未活动时以12V水平存储电能以用于起动车辆并为电气功能供电。主电源可以是具有内燃发动机的常规车辆中的交流发电机。它可以是混合动力或电动车辆中的另一种形式的电机或DC/DC转换器。它也可以是燃料电池。当车辆停放时或在停止-起动操作期间，主电源可以是不活动的。
许多不同类型的铅酸电池用于汽车应用。所述类型包括AGM(吸收性玻璃垫)和富液式电池。为每个车辆选择电池类型和大小，以便确保所安装的高百分比的电池实现目标预期寿命。然而，一些电池可能无法实现目标，因为例如车辆以非预期方式操作。
发明内容
一种控制系统包括一个或多个处理器，所述一个或多个处理器响应于接收到在特定服务时间内车辆的电池的一个或多个参数的值，经由机器学习确定生成所述电池的所述一个或多个参数的值与同一服务时间内一组电池的一个或多个参数的值匹配时的置信度水平，并且响应于所述水平超过预定义阈值而导致实施缓解动作。所述预定义阈值的值取决于所述缓解动作。
一种电池管理系统包括一个或多个处理器，所述一个或多个处理器响应于在特定服务时间内所述车辆的电池的一个或多个参数的值以超过预定义阈值的置信度水平与同一服务时间内一组电池的一个或多个参数的值匹配的机器学习确定而向车辆输出警告，并且响应于所述电池的所述一个或多个参数的所述值以不超过所述预定义阈值的置信度水平与该组电池的所述一个或多个参数的所述值匹配的机器学习确定而阻止所述警告的输出。
一种方法包括响应于在特定服务时间内所述车辆的电池的一个或多个参数的值以超过预定义阈值的置信度水平与同一服务时间内一组电池的一个或多个参数的值匹配的机器学习确定而导致实施用于车辆的缓解动作。
附图说明
图1是定义随寿命减少的电池特征的边界定义的曲线图。
图2是容量对服务时间的曲线图，其中线以下的数据点对应于正确老化的电池，并且线以上的数据点对应于过早老化的电池。
图3是定额内部电阻对服务时间的曲线图，其中线以下的数据点对应于正确老化的电池，并且线以上的数据点对应于过早老化的电池。
图4是用于使用大型电池数据集识别过早老化的算法的流程图。
图5是与两个特征类别和边界相对应以对单个测量值进行分类的分布和统计参数的曲线图。
图6是一组测量值和分类数据的分布和统计参数的曲线图。
图7是用于使用正确和过早老化的电池的大型电池数据集通过监督学习来识别电池中的过早老化的算法的流程图。
图8是用于警告电池过早老化的中央计算系统的示意图。
图9是用于单个电池类型-大小组合的图8的电池测量数据库和识别算法的示意图。
图10是用于监督学习的电池数据库和识别算法的示意图。
图11是用于实施监督学习的电池数据库管理算法的流程图。
图12是与过早电池老化识别相关联的架构的示意图。
具体实施方式
本文描述了实施例。然而，应理解，所公开的实施例仅是示例并且其他实施例可以采用不同和替代的形式。附图不一定按比例绘制。一些特征可以被放大或最小化以示出特定部件的细节。因此，本文所公开的具体结构细节和功能细节不应被解释为是限制性的，而是仅仅作为教导本领域技术人员的代表性基础。
参考附图中的任何一个示出和描述的各种特征可以与一个或多个其他附图中示出的特征组合以产生未明确示出或描述的实施例。所示特征的组合提供用于典型应用的代表性实施例。然而，对于特定的应用或实施方式，可能期望与本公开的教导一致的对特征的各种组合和修改。
这里描述的策略识别将以高概率过早地发生故障的电池。在优选的实施方式中，以定义的置信度水平预测过早电池故障。识别在故障实际发生之前发生。这为车辆的驾驶员提供了改变车辆操作习惯或更换电池的时间。
用于识别过早故障的电池的一些特征是可以由车载电池监测系统进行的电池特性的测量。然而，它们也可以由维修人员在车辆维护期间使用可能在车辆维修设施中找到的测量装置来进行。因此，所述策略是灵活的并且不依赖于特定的车载车辆基础设施。
为每个车辆选择辅助电池类型和大小(例如，12V)，以便确保所安装的高百分比的电池实现目标预期寿命。然而，一些电池可能无法实现目标预期寿命，因为车辆以意外方式操作，或者因为电池本身由于其制造缺陷而存在缺陷。
意外或异常操作包括高熄火负荷(当车辆停放时发生的电池负荷)，所述高熄火负荷在车辆停放时定期消耗电池以及不频繁或短时间驾驶。这种操作可能导致电池中的硫酸盐化和活性质量损失。异常操作还可能包括车辆在高温下长时间操作，这导致水从电解质中蒸发并产生氢气，所述氢气离开电池而不会与氧气复合。这也将缩短电池的使用寿命，并且可能导致车辆无法操作，除非更换电池。
电池制造中的缺陷包括安装具有微小孔的电极隔板、可能导致腐蚀的机械改变的电极以及导致低电池容量和高内阻的不良成型。此类缺陷还可能导致电池无法达到其预期寿命设计目标，从而导致客户满意度下降。
通过分析一组关键测量特性或特征并识别异常值，可以及早地(即，在故障实际发生之前)识别将以高概率过早发生故障的电池。通过将给定寿命下的一组关键特性与已知具有可接受的预期寿命的大量电池组的测量值以及来自已知发生早期故障的大量电池组的测量值进行比较来提高识别的准确性。
代替依赖于具有测量或适配参数的电池模型来估计电池性能并识别寿命结束状况或达到寿命结束状况的时间的是，这里描述的某些策略将电池视为具有可测量特征的黑盒。它搜索与健康电池不对应的异常数据趋势，或者使用监督学习将描述特征的数据分类到与可接受和不可接受的预期寿命相对应的储格中。用于定义健康或不健康趋势的电池数据驻留在位于中央计算中心或“云”中的数据库中，所述数据库被提供有来自车队的测量值。数据分析和监督学习也发生在中央计算中心。
用于识别将过早发生故障的电池的该组关键特征包括定额内阻和容量，以及失水量。可以通过车载电池监测系统进行关键特征的测量。然而，它们也可以由维修人员使用可能在车辆维护或维修设施中找到的测量仪器来进行。在这种情况下，可以在将对应的数据发送到中央数据库或云之前在车辆中对测量的特征进行定额，或者可以在云本身中对它们进行定额。
如果预测电池将过早发生故障，则车辆的车主可以选择更换电池。无论电池是否被更换，车主(或驾驶员)都可以检查车辆的操作，以便识别将导致电池过早发生故障的操作。该操作可以包括长时间激活钥匙关断负荷(例如，在车辆停放时经常使用DVD播放器或其他娱乐装置)或不经常使用车辆进行短途旅行。车主或操作员可以改变操作习惯，以便延长故障电池的寿命或实现新电池的长寿命。
除了警告驾驶员或车主之外，策略(基于云的早期故障预测算法)还可以触发在车载车辆存储器中写入指示电池过早故障的代码。如果注册了此类代码，则维护人员可以建议更换电池或改变车辆的操作。与车辆相关联的经销店可以使用所述信息来联系车主并向他警告即将发生的故障。工程设计人员还可以使用存储在中央数据库或云中的信息来编译关于电池故障的统计信息，并且如果发生过度的过早电池故障，则所述信息可以作为选择新电池类型、大小或封装位置的基础。
某些现有概念使用数学模型来描述各个充电-放电循环期间以及在其循环寿命期间的电池行为。识别故障电池或估计电池的剩余使用寿命的一些概念使用模型来模拟电池中的内部电化学过程。
这里提出的概念不使用模型来模拟或估计电池行为(例如，对定义的放电电流的电压响应)。相反，它们依赖于已知或假设以正确的速度老化或老化太快的电池的大量物理特性测量值以确定给定的电池是否属于这两个类别中的一者。通过这种方式，模型被通过测量值收集的后验知识替换。
下面描述了两种方法来识别过早老化的12V铅酸蓄电池。这两者都依赖于将给定电池在时间点的测量特征与存储在数据库中的那些时间点的大量电池的测量特征进行比较的概念。这两种方法中的每一种都至少使用定额内阻和电池容量作为特征。定额内阻被定义为在25℃下用充满电的电池测量的内阻。这些特征的值可以源自车载电池监测传感器，或者它们可以通过智能装置或计算机上的图形用户界面或通过来自车库中的测试装备的数据链路手动放入数据库中。这两种方法也可以被扩展为包括附加特征。
使用大型电池数据集来识别过早老化的电池的方法。该方法将给定电池在时间点的特征与大量电池在那些时间点的特征进行比较，并且假设大集合中的电池大部分以可接受的速率老化。大集合中的测量特征的均值和标准偏差定义以可接受的速率老化的电池与过早老化的电池。
区分过早老化电池的阈值的定义。在一年或多年(例如，至少四个季节)内从具有感兴趣的铅酸电池的车辆收集定额内阻和容量的值。针对电池大小和类型的每个组合对值进行分类。大小和电池类型的每种组合的值都保存在单独的数据库中。每个值与对应于电池的服务时间的时间戳相关联。这定义了自从电池安装在车辆中以来经过的时间。
以定义的服务时间间隔进行的测量分组在一起。所述间隔可以对应于数天、数周或数月，并且长度不必相等。可以通过基于密度的聚类算法或通过其他手段来分析每个组中的测量值，以便定义描述测量值的统计参数。然后使用测量值的统计参数来定义正确老化的电池与过早老化的电池之间的边界。例如，均值和标准偏差可以用于定义每个间隔的边界，如等式(1)中所定义：
Figure BDA0003804655850000061
在等式(1)中，Bi表示时间间隔i的边界值，xi表示在时间间隔i期间测量的特征值集合，
Figure BDA0003804655850000062
表示在时间间隔期间测量的值的均值，σ(xi)表示该组测量值x的标准偏差，并且k是调谐因子。所述等式中加法或减法(±)的使用取决于电池老化是否使特征的值移位大于或小于当电池为新时的值。例如，电池的定额内阻随着寿命而增加。因此，等式(1)将具有标准偏差的项添加到均值。另一方面，电池容量随着时间的推移而降低。因此，等式将从均值中减去具有标准偏差的项。图1示出了根据N-1间隔内的测量值计算边界定义点。如图1所示，可以通过在限定每个间隔的边界值Bi之间进行插值来定义连续边界。
表现出过早老化的电池的识别。为了确定给定电池是否过早老化，其特征值被映射到上述边界定义。在电池容量的情况下，如果容量低于在测量服务时间定义的边界，则可以识别过早老化的电池。这在图2中示出。
相似地，过早老化的电池可以使用其定额内阻的估计值通过将其映射到对应边界来识别，如图3所示。与容量特征相反，如果容量高于在测量的服务时间定义的边界，则可以识别过早老化的电池。
取决于实施电池的车辆类型或所使用的铅酸电池的特定设计，如果定额内阻趋势识别过早老化、容量趋势识别过早老化或者容量和定额内阻两者趋势识别过早老化，则进行最终电池健康分类(正确老化或过早老化)的算法可以将电池分类为过早老化。
用于识别过早老化的附加电池健康特征。由车载电池监测传感器测量的定额内阻和电池容量估计值已被证明是识别过早老化的电池的可靠特征。另外，还成功地研究了定额转动起动电压作为与定额内阻和容量相结合的特征的应用。定额转动起动电压由一些车载电池监测传感器计算并被发送到车辆中的电子控制单元。定额转动起动电压估计在给定的荷电状态和温度下电池对定义的转动起动电流脉冲的电压响应。
电池失水量也可以用作特征。这是通过记录新电池的重量并在车辆被带到服务中心进行维护时对电池定期称重来确定的。通过将电池与车辆断开连接并将电池放在天平上来测量重量。这可以由维修人员作为常规维修程序的一部分来完成。可以将测量数据给予具有到基于云的数据库的接口的计算机终端或手持式装置中。
也可以添加其他特征。如果电池设计改变或者如果车辆使用在未来改变并且导致电池以与现在情况不同的机制组合出现故障，则这可能是必要的。
识别过早老化的分类策略。应用上述识别算法和上述分类规则的分类策略在图4中示出。如所描述的，除了容量和定额内阻之外，还可以将附加特征添加到分类策略。
假设分类策略在也可以被称为“云”的中央计算中心中实施。用于计算如上所述的正确老化的电池与过早老化的电池之间的边界的电池测量值的数据库也被计算并存储在云中。
电池特征的新测量可以通过车辆状态的变化自动触发，或者如果车辆被配备有可以与中央计算中心(云)连接的车载电池监测传感器和调制解调器，则可以定期地触发所述新测量。例如，每当车辆被置于扭矩启用模式(驾驶模式)或每次停车(熄火)时，可以将定额内阻和电池容量发送到云。数据也可以定期地被发送到云。例如，可以每天、每周或每月发送数据。
由维护人员作出的新测量值也可以被发送到云。如果车辆未被配备车载电池监测传感器，则维护人员可以使用市售的电池测试装备来测量内阻和容量。测试装备可以链接到云计算中心(云)，或者可以将测量数据输入到具有到基于云的数据库的接口的计算机终端或手持式装置中。如上所述，电池的重量也可以通过这种方式上传到中央计算中心。自动进行或由维护人员手动输入的所有新测量值都可以触发所述过程。
在操作10处，新的电池特征测量和服务时间数据触发这种数据到云的输入。在操作12处，将最新的电池特征测量值与该服务时间处的边界进行比较。在操作14处，确定至少一个特征是否指示电池过早老化。如果否，则所述算法在操作16处等待下一电池特征测量值。
如果是，则在操作18处，应用分类规则。单个特征的趋势可以识别过早老化，或者多个特征的趋势同时可以识别过早老化。在操作20处，确定关于分类规则的过早电池分类是否适当。如果否，则所述算法返回到操作16。如果是，则在操作22处，可以向驾驶员和/或维护人员传送过早电池老化警报。
使用来自大型电池数据集的健康和故障电池统计信息来识别过早老化的电池的方法。该方法使用已经随时间推移监测的大量电池组的统计信息，并将其应用于监督学习算法。监测大量电池组直到它们达到其寿命终点，然后被分类为正确老化(超过或满足目标预期寿命)或过早老化(未达到目标预期寿命)。所述算法根据与已知正确或过早老化的电池子集的统计相似性将尚未发生故障的给定电池分类为正确老化或过早老化。这与所描述的方法相反，所述方法使用单个大型电池组的统计信息来根据给定电池与该较大单个电池组的相似性来确定其是否过早老化。这里使用的改进算法还为电池的分类提供了置信度水平的量度。
如在上述方法中，这里描述的方法使用定额内阻和容量的特征的测量值来对电池进行分类。另外，还可以添加其他特征(诸如失水量)以提高分类的准确性。
用于监督学习的电池数据库。如下处理来自已被正确分类为老化和过早老化的电池子集的测量值。从车辆收集定额内阻和容量的值，直到电池发生故障。每个测量值与对应于电池的服务时间的时间戳相关联。在电池发生故障之后，将其服务时间与目标预期寿命进行比较。如果发生故障时的服务时间大于目标，则电池被分类为已正确老化。否则，它被分类为过早老化。针对每个类别(正确老化或过早老化)以及针对电池大小和类型的每个组合对测量值进行分类。
以定义的服务时间间隔进行的测量分组在一起。所述间隔可以对应于数天、数周或数月，并且长度不必相等。可以通过基于密度的聚类算法或通过其他手段来分析每个组中的测量值，以便定义给定间隔中的测量值的均值、标准偏差和概率分布函数。针对电池大小和类型的每种组合，在基于云的数据库中针对每种电池类别(正确地老化或过早老化)维护该统计信息。
识别表现出过早老化的电池的分类策略。为了确定给定电池是否过早老化，其特征值(定额内阻和容量)被映射到针对该电池的大小和类型的正确老化和过早老化的电池的统计信息。执行线性判别分析的已知技术，以便将所讨论的电池分类为更相似于经历正确老化的电池或更相似于经历过早老化的电池(对过早老化的电池的初始识别)。线性判别分析是一种监督学习方法，所述监督学习方法将其接收的特征的测量值与和两个类别(过早地或适当地发生故障的电池)相对应的相同度量的统计参数进行比较。与每个类别相对应的特征的数据集的统计参数包括均值μ、标准偏差σ和概率密度函数f(x)。所述算法识别与所测量的特征最相似的类别。图5示出了与可以用于将单个测量值分类为一个类别或另一类别的特征和边界的两个类别相对应的分布和统计参数。边界由满足以下不等式的特征x的值定义：
π1(x)f(x|D1)＝π2(x)f(x|D2)， (2)
其中πi(x)是定义测量值x在类别i∈1,2中的概率的先验概率函数，并且f(x|Di)是类别i的概率密度函数值的值。定义两个类别的训练数据由D1和D2定义。定义分类(过早或适当地发生故障的电池)的数据的特性随时间变化。为了保持相似性评估的准确性，用于分类的数据取决于电池的服务时间。代替一组分类数据(或诸如均值、标准偏差和概率密度函数的参数)的是，与定义的服务时间间隔相对应的多个集合是可用的并被使用。所述间隔可以对应于数天、数周或数月，并且可以不具有相等长度。为每个类别存储的测量数据可以存储在中央计算系统(云)中。将线性判别分析应用于在可用的间隔期间测量的所有数据。这意味着将不断增长的测量数据集与和类别1和类别2(即，过早或适当地发生故障的电池)相对应的存储的数据集进行比较。图6中示出了测量值集和分类数据的分布。当处理在间隔中测量的数据集X时，线性判别分析选择使后验概率函数最大化的类别i*：
Figure BDA0003804655850000111
线性判别分析过程也可以用于计算其进行的分类的置信度水平。置信度水平是在给定测量数据集的情况下选择正确类别的概率。该概率可以通过以下等式计算
Figure BDA0003804655850000112
其中si(X)是取决于与每个类别相对应的训练数据的均值和协方差以及先验概率函数πi(X)的函数。
如果分类影响保修，则当电池被分类为过早老化时，需要高的确定性或置信度水平。出于这个原因，分类策略可以通过仅在以高于预定义阈值的置信度水平的这种方式识别电池的情况下才发生向驾驶员或维护人员传送过早老化的电池的方式来实施。分类策略在图7中示出。置信度水平的预定义阈值被指定为ConfThresh。如果使用超过一个特征(例如，内阻和容量)，则可以应用如上所述的分类规则。取决于实施电池的车辆类型或所使用的(铅酸)电池的特定设计，如果定额内阻识别过早老化、容量识别过早老化或者容量和定额内阻两者识别过早老化，则进行最终电池健康分类(正确老化或过早老化)的算法可以将电池分类为过早老化。
在操作24处，新的电池特征测量和服务时间数据触发这种数据到云的输入。在操作26处，执行线性判别分析，其涉及识别一个或多个特征的类别、正确老化或过早老化以及识别的置信度水平的计算。在操作28处，确定一个或多个特征的识别的置信度水平是否大于或等于ConfThresh。如果否，则所述算法在操作29处等待下一电池特征测量值。如果是，则在操作32处，将分类规则应用于置信度水平大于或等于ConfThresh的一个或多个特征：单个特征的趋势可以识别老化的参数，或者多个特征的趋势同时可以识别过早老化。在操作31处，确定操作30是否导致过早老化分类。如果否，则所述算法返回到操作29。如果是，则在操作32处，可以向驾驶员和/或维护人员传送过早电池老化警报。
如在上述策略的情况下，可以使用比标准内阻和电池容量更多的电池特征来识别过早老化的电池。使用更多特征可以导致提高新电池类型或新电池实施设计(封装空间、电池大小和化学成分)的相似性识别的置信度水平，因为它们在数据空间中提供更多平面以分离属于电池分类的数据聚类。例如，可以添加失水量作为附加特征。这可以通过定期地对电池进行称重来测量。
如上所述，电池特征的新测量可以通过车辆状态的变化自动触发，或者如果车辆被配备有可以与中央计算中心(云)连接的车载电池监测传感器和调制解调器，则可以定期地触发所述新测量，或者可以定期地将数据自动发送到云。由维护人员作出的新测量值也可以被发送到云。如果车辆未被配备车载电池监测传感器，则维护人员可以使用市售的电池测试装备来测量内阻和容量。测试装备可以链接到云计算系统(云)，或者可以将测量数据给予具有到基于云的数据库的接口的计算机终端或手持式装置。
通信策略。电池过早老化的信息可能导致驾驶员更换电池。驾驶员还可以使用所述信息来改变他的驾驶和车辆使用习惯。这可能导致驾驶员更频繁地操作车辆或在车辆停放时将消耗电池的负荷断开连接。维修人员还可以使用所述信息来诊断起动问题并推荐电池更换。车辆工程设计人员可以使用描述电池特征的统计数据来识别电池类型和大小的选择及其包装的问题。在以下小节中描述了到驾驶员、维护人员和车辆工程设计的信息流。
给驾驶员的消息。驾驶员可以在车辆中的多功能显示器上或经由智能装置(电话、平板电脑等)上的应用程序接收电池过早老化的消息。所述消息还可以通过由中央计算系统(云)发送的自动电子邮件进行传送。
如果消息被发送到多功能显示器或经由智能装置上的应用程序发送，则它可以链接到描述缓解的建议。它们可以包括更频繁地驾驶车辆，在车辆停放时停用活动的并消耗电池的装置或负荷，以及更换电池。
给维修人员的消息。可以通过代码使维修人员知道过早老化的电池。在这种情况下，中央计算系统(云)向车辆发送已经识别出过早老化的电池的消息，并且所述消息触发代码的设置。如果车辆注册到特定服务中心，则中央计算系统可以向服务中心发送带有译码消息或电子邮件的消息。然后，服务中心可以就所述信息联系车主并建议缓解。所述信息还可以用于诊断与电池相关联的车辆问题。
给车辆工程设计的信息。车辆工程设计人员可以使用描述电池特征的统计数据来识别电池类型和大小的选择及其包装的问题。可以从用于实施识别过早电池老化的策略的测量数据库导出统计信息。如果电池数据用于该目的，则应定期更新以捕获车辆设计的变化。
用于实施电池过早老化警报的基础设施。中央计算系统。为了实施电池过早老化的警报，需要带有包含电池测量数据的数据库、运行识别过早老化的算法的能力以及与车辆的接口的中央计算系统(云)。也可以包括与车辆工程设计和维修人员以及与服务中心的测量装备的其他接口。
图8中示出了用于过早电池老化警报的中央计算系统34。系统34包括电池测量数据库36和过早老化识别算法38，诸如上述那些。
车载车辆传感器或基于服务中心的测量装备与中央计算系统34之间的接口可以通过远程信息处理来建立，或者当车辆连接到有线诊断接口时可以传递信息。在这种情况下，可以一次传递存储在车辆中的缓冲器中的若干组连续测量值。
如果在服务中心由不具有与中央计算系统34的接口的装备测量一些或所有电池数据，则可以将测量值手动输入到在通过互联网与中央计算系统34通信的智能装置(蜂窝电话或平板电脑)上运行的应用程序。所传递的数据被称为“装置应用程序数据”。
如果经由过早老化识别算法38识别出过早老化，则可以使用远程信息处理服务将消息发送到车辆，或者可以在将车辆插入经销商或服务中心处的有线诊断接口中时将所述消息传递到车辆。另外，还可以经由互联网将警报发送到属于车主或驾驶员的智能装置上的应用程序。同样地，可以通过相似方式向车辆、驾驶员或维修人员提供置信度水平。
维修人员可以使用“服务警报请求”界面来请求对最新电池数据的分析。该接口可以用互联网实施，并且表示属于维修人员的诊断工具与中央计算系统34之间的连接。
电池测量数据库36从具有远程信息处理或有线诊断接口的任何车辆接收测量值。它使用来自许多此类车辆的测量值来创建统计信息并计算执行本文所述的算法所必需的统计范数(例如，每个电池大小和类型的特征的概率分布函数、均值和标准偏差等)。车辆工程设计服务可以监测数据，以便识别需要改进的电池选择或车辆设计。
对老化的指示和置信度水平可以用于实施各种缓解动作，包括在车辆关闭转变之后限制附件激活时间、停用停止-起动功能性以及在停放期间的自动高压到低压转换。
附件激活时间的限制。在车辆经历熄火转变之后，允许诸如无线电的附件运行持续校准的时间量。如果识别出过早故障的电池，则可以将熄火之后的最大允许运行时间递减或设置为零。
停止-起动功能性的停用。频繁的放电和在低荷电状态下的操作会加速电池的老化。当车辆通过允许其怠速而停止时，停用停止-起动功能性将会消除放电。在这样做时，电池的平均荷电状态将增加。
自动或频繁的高压到低压转换。电动车辆和插电式混合动力电动车辆被设计成能够在车辆停放时支持低压(12V)负荷。这种能力减少了车辆的电动行驶里程并对一些电气部件施加压力。因此，应限制其使用。如果电池是新的，则仅当低压电池的荷电状态非常低时才可以发起转换。然而，如果识别出过早故障的电池，则可以始终在车辆停放时发起电力传递。
因为附件激活时间的限制对于驾驶员来说可能不会很明显，所以它可以以低置信度水平发起。另一方面，由于高压到低压转换，客户可能对电动行驶里程的变化很敏感。因此，用于发起常规转换的置信度水平阈值可以被选择为非常高。也就是说，与触发特定缓解策略相关联的置信度水平可以根据缓解策略而不同。换言之，预定义阈值的值取决于缓解动作。
使用异常电池特征特性的识别的车辆控制。取决于若干特征的特性，电池被分类为过早老化。这里，已经讨论了三个这样的特征：内阻、容量和失水量。根据本文所述的识别规则，将一个或多个特征与过早老化的电池的那些特征相关联以便将电池分类为过早老化。仅一个特征可能不足以进行分类。
然而，如果单个特征的特性与过早老化的电池相关，则可以在不将电池分类为过早老化并向驾驶员或维修人员发出警报的情况下发起缓解控制。作为示例，可以如所描述的那样监测电池失水量。如果失水量度量的值被识别为更相似于具有过早预期寿命的电池的失水量特性，则尽管电池不能被分类为过早老化，但是缓解策略可以将充电电压设定点降低增量校准值。这将具有随时间减少失水量的效果。
这里，缓解动作的激活也可以取决于对异常失水量的识别，即，失水量度量的值以大于定义的阈值的置信度水平被识别为更相似于具有过早预期寿命的电池的失水量特性。使用识别的置信度水平作为激活缓解策略的条件的一部分限制了策略的使用。在降低充电电压的情况下，这是期望的，因为这样做也可能对电池寿命产生负面影响。
电池测量数据库。介绍了两种类型的方法来识别过早老化的电池。首先，介绍了使用单个大型电池数据集来识别过早老化的方法和对应算法。所述算法将表现出数据异常值的电池识别为过早老化。其次，描述了使用已知正确老化和过早故障的两个大型电池数据集的方法和对应算法。采取监督学习方法来确定给定电池是否与正确或过早老化的电池组具有更多相似性。用于实施每种方法的电池数据库是不同的。第一种方法使用具有未分类电池的单个数据库，而第二种方法使用与两种电池类别(正确老化和过早老化)相对应的两个数据库。在以下两个小节中描述了用于两种识别方法的两种类型的电池数据库。
用于单次无监督数据收集的电池测量数据库。图9中进一步详细地示出了使用单个大数据集利用识别算法38实施的电池测量数据库36的示意图。
图9是示出N个电池的数据保存在数据库36中并且N个电池中的每一者的M个特征的测量值保存在此的通用图。每个测量值都与“服务时间”(TIS)相关联。这是自从安装电池以来经过的时间量。市售的电池监测传感器跟踪服务时间并以可以由电子控制单元读取的信号提供该信息。
每种类型的电池(泛洪、高级泛洪、AGM等)和电池大小组合都需要一个这样的数据库。数据库36包括新的测量值缓冲器40，其中存储每个特征的最新测量值。这可能是必要的，因为所有特征的测量可能不会同时发生。例如，可以由车载传感器测量定额内阻和容量，并且在每次车辆开始行程时将其传输到计算中心，但是用于计算失水量的电池重量可以仅在将车辆带入服务中心进行定期维护时才进行测量。
经由统计分析模块42处理存储在数据库36中的电池测量值以计算每个特征的统计信息。这包括概率密度函数(PDF)、均值和标准偏差。该信息被提供给过早老化识别算法38，其使用所述信息来计算如上所述的阈值。来自新测量值缓冲器的最新测量值也被提供给算法。如上所述并且如图4所示，每当发生新的测量时，就会触发识别过早老化的电池的算法。
在电池的寿命期间，将由算法38监测的来自电池的测量值添加到数据库36。被监测的电池在图9中被指定为“电池Q”。进入新测量值缓冲器的每个新测量值及其对应的服务时间被添加到与“电池Q”相对应的数据。也可以更新与其他车辆相对应的电池数据。出于这个原因，应定期地更新计算概率分布函数、均值和标准偏差的统计分析模块42。
用于监督数据收集的电池测量数据库。图10示出了电池测量数据库44、46和使用上述监督学习的识别算法48的示意图。数据库44、46和识别算法48在相似于图8所示的中央计算系统(云)中实施。
N个电池的数据保存在数据库44中以用于正确老化的电池，并且K个电池的数据保存在数据库46中以用于过早老化的电池。N+K个电池中的每一者的M个特征的测量值保存在两个数据库44、46中。每次测量值都与“服务时间”(TIS)相关联，所述服务时间是自从安装电池以来经过的时间量。每种类型的电池(泛洪、高级泛洪、AGM等)和电池大小组合都需要用于正确和过早老化电池的一个这样的数据库集。
经由相应的统计分析模块50、52处理存储在数据库44、46中的电池测量值以计算每个特征的统计信息。这包括每个特征的测量值的概率密度函数(PDF)、均值和标准偏差。该信息被提供给过早老化识别算法48，其使用所述信息来对如上所述的受监测电池进行分类。来自新测量值缓冲器54的最新测量值被定期地提供给算法48。每当将新的测量值发送到中央计算系统(云)并进入新的测量值缓冲器54时，就会触发算法48。
计算系统包括新的测量值缓冲器54，其中存储每个特征的最新测量值。这可能是必要的，因为所有特征的测量可能不会同时发生。例如，可以由车载传感器测量定额内阻和容量，并且在每次车辆开始行程时将其传输到计算传感器，但是用于计算失水量的电池重量可以仅在将车辆带入服务中心进行定期维护时才进行测量。
受监测电池的每个新测量值及其对应的服务时间(TIS)都存储在图10中指定为“电池Q”的数据库中。受监测电池的测量值不能被添加到用于监督学习的数据库44、46，直到电池达到其寿命并被更换。当发生这种情况时，将存储在“电池Q”的数据库中的电池的最高记录服务时间(TIS)与目标预期寿命BattTargetLife进行比较。如果电池在被更换时的服务时间小于目标，则将其分类为属于过早老化的电池组。在这种情况下，将在“电池Q”数据库中收集的测量值添加到数据库46中的K个电池的测量值以用于过早老化的电池。否则，将测量值添加到正确老化的电池的数据库44。这种根据电池被更换时的寿命对电池进行分类是监督学习过程。图11示出了用于更新数据库的这种监督学习过程，所述数据库最终用于监测车辆中的电池的老化。
如果更换电池，则维修技术人员通常会重置车辆中的电池监测传感器。假设当这种情况发生时，可以设定指示电池已经被更换的标志，并且这可以被传送到中央计算系统(云)，在所述中央计算系统中实施电池数据库及其管理策略。即使车辆没有车载电池监测传感器，也假设维修人员可以向中央计算中心发送电池已经通过某种手段更换的信号。车载电池监测传感器也可能具有确定电池已被更换并因此自主地向中央计算中心发送信号的能力。当设定“新电池标志”时，触发图11所示的管理电池数据的过程。
一旦确定电池已被更换，操作56处的过程就将存储在“电池Q”的数据库中的最大服务时间(TIS)与目标电池寿命BattTargetLife进行比较。如果最大服务时间超过目标电池寿命，则在操作58处，将更换的电池的测量值传递到正确地老化电池的数据库。否则，在操作60处，将数据传递到过早老化电池的数据库。
在发生数据传递之后，在操作62处初始化“电池Q”的数据库以使其准备好存储来自新安装的电池的测量值。然后在操作64处重置“新电池标志”，以便为下一次电池更换准备所述过程。
实施架构。图12示出了可以被实施用于过早电池老化预测的元件(包括它们之间的接口)的拓扑。在中央计算系统(云)34中实施识别过早老化的算法和为此目的所必需的电池数据库。信息可以借助于远程信息处理系统68(基于无线电话的数据通信)或通过诊断工具70利用有线连接在车辆66与中央计算系统34之间流动。
可以经由车辆66中的多功能显示器72或在具有图形用户界面的移动电话、平板电脑或其他可编程装置68上运行的应用程序来警告驾驶员或车主电池过早老化。此类可编程装置经由互联网连接到中央计算系统34。所述连接可以是无线的或有线的。车辆66中的多功能显示器72可以通过远程信息处理接口74或通过与诊断工具70的有线诊断连接76连接到中央计算系统34(云)。工具70经由互联网连接到中央计算系统34。
过早老化的电池的警报也可以以代码的形式存储在非易失性存储器78中。存储器78位于车辆66中，并且代码的传输可以通过远程信息处理接口74或通过有线诊断接口76完成。
车载电池传感器80可以用于测量用于识别过早老化的电池特征。如果是这种情况，则可以经由远程信息处理接口74或有线诊断接口76将测量值和对应的电池服务时间发送到中央计算系统34。
电池特征或特性的测量也可以由见于服务中心的测量装置或测试装备82进行。它们可以是测量或估计电池的内阻、其容量或电解质的密度的电池测试装备。它们也可以是通用测量装备，诸如用于对电池进行称重并估计失水量的天平。测量或测试装备82可以具有可以用于将数据传输到中央计算系统34(云)的互联网连接。如果否，则维修人员可以将测量值输入到可编程装置(如计算机平板电脑)的图形用户界面(GUI)中。所述数据然后可以经由互联网连接到中央计算系统34。维修人员也可以使用这种可编程装置来请求对电池老化的分析或从中央计算系统接收电池过早老化的警报。
如上所述，车主、驾驶员和维修人员可以使用所提供的警报来缓解过早的电池故障。在可编程装置上、在多功能显示器上或通过代码提供给驾驶员、车主或维修人员的警报可能导致电池在其发生故障之前被更换，并且这可能导致驾驶员或车主改变操作或使用。改变可以包括更频繁地驾驶车辆或在车辆停放时最大程度地减少电气系统或负荷的激活。当接收到消息时，车主或驾驶员可以发起缓解动作。它们可以由维修人员建议，或者可以通过多功能显示器或连接的装置将建议与过早老化警报一起提供给驾驶员或车主。
最后，车辆制造商可以访问存储在中央计算系统中的电池数据库以及发出的过早电池老化警报。该信息可以用于改进车辆电源的设计。所述信息对于选择给定车辆上的电池大小和类型以改进低压(12V)电池的预期寿命并最大程度地减少其相关联的保修可能特别有用。
已经描述了用于识别在车辆中使用的电池的过早老化的几种方法以及用于执行识别的基础设施。基础设施包括数据收集、数据存储和处理、识别算法以及消息传递或警报接口。
所述方法收集电池特征或特性的测量值，并基于特征如何随时间变化并基于测量值与已知过早老化的电池的测量值的相似性来识别过早老化。所测量的特征是根据其与电池健康状况和老化的已知相关性来选择的。然而，测量值不用于对电池的电气行为进行建模。
也可以通过相同的方式监测其他电池化学物质和类型的特征或特性以便识别过早老化。例如，内阻、容量和其他特征可以用于识别锂离子电池的过早老化。因此，本文描述的基本方法和基础设施可以应用于车辆中使用的其他电池类型。这也包括中压系统(48V)中使用的电池或高压牵引电池。
此外，范围可以扩展到包括在使用铅酸和其他电池化学物质电池进行能量存储的飞行器、船舶和固定电源(例如家用电源)中实施的电池。由太阳能电池和风力涡轮供电的家用固定电源通常使用大型铅酸电池组和其他电池类型来进行能量存储，并且单个电池的过早故障是可以被解决的具有潜在经济影响的问题。
上文描述了用于使用大型电池数据集来识别过早老化的电池的方法。测量值γ的识别的确定性的量度可以被估计为与如图1所示的测量点B(x)处的类别之间的边界与测量点x的值之间的距离成比例：
γ＝k|B(x)-x|， (5)
其中k是调谐因子。可以采用其他方法来计算置信度水平，所述置信度水平被定义为在给定测量数据和定义类别的训练数据的情况下识别类别是正确的概率。另外，可以采用其他方法来识别类别并计算识别的确定性的量度或识别的置信度水平。
本文公开的算法、方法或过程可以被输送到计算机、控制器或处理装置或由所述计算机、控制器或处理装置实现，所述计算机、控制器或处理装置可以包括任何专用电子控制单元或可编程电子控制单元。相似地，算法、方法或过程可以以多种形式存储为可由计算机或控制器执行的数据和指令，包括但不限于永久存储在诸如只读存储器装置的不可写存储介质上的信息和可改地存储在诸如光盘、随机存取存储器装置或其他磁性和光学介质的可写存储介质上的信息。所述算法、方法或过程也可以在软件可执行对象中实现。替代地，可使用合适的硬件部件(诸如专用集成电路、现场可编程门阵列、状态机或其他硬件部件或装置)或固件、硬件和软件部件的组合来整体或部分实现所述算法、方法或过程。
尽管上文描述了示例性实施例，但这些实施例并不意图描述权利要求所涵盖的所有可能形式。在说明书中使用的词语是描述性词语而非限制性词语，并且应当理解，可以在不脱离本公开的精神和范围的情况下做出各种改变。
如前所描述的，各个实施例的特征可以被组合以形成本发明的可能未被明确描述或示出的另外的实施例。虽然各种实施例可能已经被描述为就一个或多个期望的特性而言相较其他实施例或现有技术实施方式提供了优点或是优选的，但是本领域普通技术人员应认识到，一个或多个特征或特性可以被折衷以实现期望的总体系统属性，这取决于具体的应用和实施方式。这些属性可包括但不限于：强度、耐久性、可销售性、外观、包装、大小、可服务性、重量、可制造性、易组装性等。这样，描述为就一个或多个特性而言较其他实施例或现有技术实现方式不太期望的实施例不在本公开的范围之外，并且对于特定应用可能是期望的。
根据本发明，提供了一种控制系统，所述控制系统具有：一个或多个处理器，所述一个或多个处理器被编程为响应于接收到在特定服务时间内车辆的电池的一个或多个参数的值，经由机器学习确定生成所述电池的所述一个或多个参数的值与同一服务时间内一组电池的一个或多个参数的值匹配时的置信度水平，并且响应于所述水平超过预定义阈值而导致实施缓解动作，其中所述预定义阈值的值取决于所述缓解动作。
根据一个实施例，所述缓解动作是在所述车辆停放时停用停止-起动功能性或减少附件负荷的导通时间。
根据一个实施例，所述一个或多个处理器还被编程为响应于所述水平超过所述预定义阈值，输出指示电池老化的警报。
根据一个实施例，所述一个或多个处理器还被编程为响应于所述水平未超过所述预定义阈值，阻止所述警报的输出。
根据一个实施例，所述电池是车辆电池。
根据一个实施例，所述一个或多个处理器在车辆中。
根据本发明，提供了一种电池管理系统，所述电池管理系统具有：一个或多个处理器，所述一个或多个处理器被编程为响应于在特定服务时间内所述车辆的电池的一个或多个参数的值以超过预定义阈值的置信度水平与同一服务时间内一组电池的一个或多个参数的值匹配的机器学习确定而向车辆输出警告，并且响应于所述电池的所述一个或多个参数的所述值以不超过所述预定义阈值的置信度水平与该组电池的所述一个或多个参数的所述值匹配的机器学习确定而阻止所述警告的输出。
根据一个实施例，所述一个或多个处理器还被编程为响应于所述水平超过所述预定义阈值而导致实施缓解动作，并且其中所述预定义阈值的值取决于所述缓解动作。
根据一个实施例，所述一个或多个处理器还被编程为响应于接收到所述电池的所述一个或多个参数的所述值而生成所述机器学习确定。
根据一个实施例，所述机器学习确定是监督机器学习确定。
根据一个实施例，所述电池的所述一个或多个参数包括容量或内阻。
根据一个实施例，所述电池的所述一个或多个参数包括重量。
根据一个实施例，所述一个或多个处理器在所述车辆中。
根据本发明，提供了一种方法，所述方法具有：响应于在特定服务时间内所述车辆的电池的一个或多个参数的值以超过预定义阈值的置信度水平与同一服务时间内一组电池的一个或多个参数的值匹配的机器学习确定而导致实施用于车辆的缓解动作。
根据一个实施例，所述预定义阈值的值取决于所述缓解动作，使得不同的缓解动作具有不同的对应预定义阈值。
根据一个实施例，所述缓解动作是在所述车辆停放时停用停止-起动功能性或减少附件负荷的导通时间。
根据一个实施例，本发明的特征还在于响应于所述水平超过所述预定义阈值而向所述车辆输出警报。
根据一个实施例，本发明的特征还在于响应于所述水平未超过所述预定义阈值而阻止所述警报的输出。
根据一个实施例，所述机器学习确定是监督机器学习确定。
根据一个实施例，该组电池的所述一个或多个参数的所述值指示该组的所述电池的老化。

Claims (15)

1.一种控制系统，其包括：
一个或多个处理器，所述一个或多个处理器被编程为：
响应于接收到在特定服务时间内车辆的电池的一个或多个参数的值，经由机器学习确定生成所述电池的所述一个或多个参数的所述值与同一服务时间内一组电池的一个或多个参数的值匹配时的置信度水平，并且
响应于所述水平超过预定义阈值而导致实施缓解动作，其中所述预定义阈值的值取决于所述缓解动作。
2.如权利要求1所述的控制系统，其中所述缓解动作是在所述车辆停放时停用停止-起动功能性或减少附件负荷的导通时间。
3.如权利要求1所述的控制系统，其中所述一个或多个处理器还被编程为响应于所述水平超过所述预定义阈值，输出指示电池老化的警报。
4.如权利要求3所述的控制系统，其中所述一个或多个处理器还被编程为响应于所述水平未超过所述预定义阈值，阻止所述警报的输出。
5.如权利要求1所述的控制系统，其中所述电池是车辆电池。
6.如权利要求1所述的电池管理系统，其中所述一个或多个处理器在车辆中。
7.一种电池管理系统，其包括：
一个或多个处理器，所述一个或多个处理器被编程为：
响应于在特定服务时间内所述车辆的电池的一个或多个参数的值以超过预定义阈值的置信度水平与同一服务时间内一组电池的一个或多个参数的值匹配的机器学习确定而向车辆输出警告，并且
响应于所述电池的所述一个或多个参数的所述值以不超过所述预定义阈值的置信度水平与该组电池的所述一个或多个参数的所述值匹配的机器学习确定而阻止所述警告的输出。
8.如权利要求7所述的电池管理系统，其中所述一个或多个处理器还被编程为响应于所述水平超过所述预定义阈值而导致实施缓解动作，并且其中所述预定义阈值的值取决于所述缓解动作。
9.如权利要求7所述的电池管理系统，其中所述一个或多个处理器还被编程为响应于接收到所述电池的所述一个或多个参数的所述值而生成所述机器学习确定。
10.如权利要求7所述的电池管理系统，其中所述机器学习确定是监督机器学习确定。
11.如权利要求7所述的电池管理系统，其中所述电池的所述一个或多个参数包括重量。
12.如权利要求7所述的电池管理系统，其中所述一个或多个处理器在所述车辆中。
13.一种方法，其包括：
响应于在特定服务时间内所述车辆的电池的一个或多个参数的值以超过预定义阈值的置信度水平与同一服务时间内一组电池的一个或多个参数的值匹配的机器学习确定而导致实施用于车辆的缓解动作。
14.如权利要求13所述的方法，其中所述预定义阈值的值取决于所述缓解动作，使得不同的缓解动作具有不同的对应预定义阈值。
15.如权利要求13所述的方法，其中所述缓解动作是在所述车辆停放时停用停止-起动功能性或减少附件负荷的导通时间。
CN202210993217.1A 2021-08-25 2022-08-18 电池故障检测 Pending CN115718258A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/411,945 2021-08-25
US17/411,945 US11573271B1 (en) 2021-08-25 2021-08-25 Battery fault detection

Publications (1)

Publication Number Publication Date
CN115718258A true CN115718258A (zh) 2023-02-28

Family

ID=85156819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210993217.1A Pending CN115718258A (zh) 2021-08-25 2022-08-18 电池故障检测

Country Status (3)

Country Link
US (1) US11573271B1 (zh)
CN (1) CN115718258A (zh)
DE (1) DE102022120962A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113884889B (zh) * 2021-10-29 2024-04-26 章鱼博士智能技术(上海)有限公司 一种电池安全预警的方法、装置、存储介质及电子设备
CN117572159B (zh) * 2024-01-17 2024-03-26 成都英华科技有限公司 基于大数据分析的电力故障检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106371030A (zh) * 2016-08-29 2017-02-01 丹阳亿豪电子科技有限公司 一种非确定性推理的新能源汽车电池故障诊断方法
WO2018063251A1 (en) * 2016-09-29 2018-04-05 Cummins Inc. Systems and methods for accommodating loss of battery charge history
CN108139446A (zh) * 2015-10-15 2018-06-08 江森自控科技公司 用于预测电池测试结果的电池测试系统
CN109901075A (zh) * 2017-12-11 2019-06-18 福特全球技术公司 用于预测电池寿命的方法
CN111873853A (zh) * 2020-07-30 2020-11-03 广州小鹏汽车科技有限公司 电池管理方法、装置、电池管理系统、车辆以及存储介质
CN112986839A (zh) * 2021-02-25 2021-06-18 北京理工大学 基于置信区间的锂离子动力电池组的故障诊断方法与系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8725456B1 (en) 2009-05-05 2014-05-13 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Decomposition technique for remaining useful life prediction
US8332342B1 (en) 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
CN106168799B (zh) 2016-06-30 2019-05-03 常伟 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
US11254325B2 (en) * 2018-07-14 2022-02-22 Moove.Ai Vehicle-data analytics
US11169899B2 (en) * 2019-04-15 2021-11-09 Toyota Motor Engineering & Manufacturing North America, Inc. Mitigating data offsets for machine learning
US11130422B1 (en) * 2020-05-13 2021-09-28 Rearden Power LLC Hybrid battery management system
US11333712B2 (en) * 2020-08-28 2022-05-17 Sparkcognttion, Inc. Battery failure prediction
US11555859B2 (en) * 2020-09-10 2023-01-17 Toyota Research Institute, Inc. Vehicle battery analysis system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108139446A (zh) * 2015-10-15 2018-06-08 江森自控科技公司 用于预测电池测试结果的电池测试系统
CN106371030A (zh) * 2016-08-29 2017-02-01 丹阳亿豪电子科技有限公司 一种非确定性推理的新能源汽车电池故障诊断方法
WO2018063251A1 (en) * 2016-09-29 2018-04-05 Cummins Inc. Systems and methods for accommodating loss of battery charge history
CN109901075A (zh) * 2017-12-11 2019-06-18 福特全球技术公司 用于预测电池寿命的方法
CN111873853A (zh) * 2020-07-30 2020-11-03 广州小鹏汽车科技有限公司 电池管理方法、装置、电池管理系统、车辆以及存储介质
CN112986839A (zh) * 2021-02-25 2021-06-18 北京理工大学 基于置信区间的锂离子动力电池组的故障诊断方法与系统

Also Published As

Publication number Publication date
DE102022120962A1 (de) 2023-03-02
US11573271B1 (en) 2023-02-07
US20230068963A1 (en) 2023-03-02

Similar Documents

Publication Publication Date Title
CN112092675B (zh) 一种电池热失控预警方法、系统及服务器
EP2629109B1 (en) Electrical storage device
CN115718258A (zh) 电池故障检测
US11965935B2 (en) Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods
US20100026306A1 (en) Method and apparatus for telematics-based vehicle no-start prognosis
US10203375B2 (en) Method for ascertaining storage battery state, state-ascertaining system, and computer program
US11653127B2 (en) Monitoring voltage measurements for a vehicle battery
US20220179008A1 (en) Battery Diagnosing Apparatus and Method
CN115190975A (zh) 实时电池故障检测和健康的状态监控
CN112098850A (zh) 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN116973782B (zh) 基于机器学习的新能源汽车保养维护与故障监测诊断方法
US20220170995A1 (en) Method and Apparatus for Predicting a State of Health of a Device Battery in a Battery-operated Device
US20230059529A1 (en) Characterization of Rechargeable Batteries Using Machine-Learned Algorithms
KR20220036701A (ko) 배터리 시스템 진단 장치
CN114204626B (zh) 充电控制方法及相关设备
US20230384393A1 (en) Battery Cell Diagnosing Apparatus and Method
CN112550074A (zh) 一种电动汽车电池内部温度安全预警方法及监测系统
CN114441979A (zh) 压降电池单元检测和电池单元健康状态监测
CN116324453A (zh) 电池诊断装置、电池系统以及电池诊断方法
CN114631032A (zh) 用于监控电池组健康状况的方法和系统
KR101934857B1 (ko) 차량 배터리 상태 진단 장치
US20230324463A1 (en) Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods
US20220187376A1 (en) Method and Device for Predicting a State of Health of an Energy Storage System
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置
CN117517993B (zh) 基于电芯性能评估的车辆电池能量智能管理方法及系统

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