CN116034282A - 电池健康状态估计器 - Google Patents
电池健康状态估计器 Download PDFInfo
- Publication number
- CN116034282A CN116034282A CN202180053521.1A CN202180053521A CN116034282A CN 116034282 A CN116034282 A CN 116034282A CN 202180053521 A CN202180053521 A CN 202180053521A CN 116034282 A CN116034282 A CN 116034282A
- Authority
- CN
- China
- Prior art keywords
- battery
- dnn
- unsupervised
- supervised
- estimator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 91
- 230000008569 process Effects 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000003862 health status Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 12
- 238000000638 solvent extraction Methods 0.000 claims 3
- 238000004891 communication Methods 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 7
- 238000006731 degradation reaction Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000003679 aging effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- -1 diesel Substances 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种用于确定电池的健康状态指示的计算系统、方法和装置。使用所接收的电池特性作为输入并且使用所接收的过程参数作为输出来训练第一有监督的深度神经网络(“DNN”)。基于从第一有监督的DNN提取的特征,使用一个或多个聚类方法训练无监督的AI估计器,其中,所接收的特性被输入无监督的AI估计器。第二有监督的DNN使用来自无监督的AI估计器的所识别的集群进行训练。通过健康状态指示验证所识别的集群。用户电池数据被输入第二有监督的DNN以确定电池的健康状态。
Description
相关申请的交叉引用
无。
技术领域
本公开涉及用于电池健康状态估计器的方法、装置和系统,本公开尤其涉及使用归纳的领域知识进行监督学习的电池健康状态估计器。
背景技术
深度神经网络(“DNN”)广泛地用于多种人工智能(“AI”)应用,包括计算机视觉、自动驾驶车辆、语音识别、语言翻译、广告、癌症检测和机器人。用于开发DNN的机器学习方法分为监督学习和无监督学习。在监督学习中,除了给定的输入数据之外,还提供可信任标签作为输出数据(即基本事实)来训练DNN。在无监督学习中,标签不可用和/或不可信,因为这种测量的准确性不足。相反,输出根据它们在特征空间中的相似性被分组为集群。
已经尝试应用无监督学习方法将可观察的电池特性作为输入并且输出所观察的电池的未知健康状态(“SoH”)。SoH是根据容量衰减和/或内阻来量化电池老化水平的指标。对SoH的估计对于延长电池寿命、了解电池运行以及提高电池性能至关重要。
SoH通常可以用实验和基于模型的方法进行估计。实验方法通过分析电池电压、电流和温度的全周期实验数据来监测电池行为。基于模型的估计方法进一步可以分为基于物理机制的状态估计方法和数据驱动的方法。
虽然可以通过电池单池水平的加速实验室测试以足够的准确性测量电池SoH,然而很难在电动车辆的模块/组水平充分地测量这些量,以用于代表实际的驾驶和充电行为。即使是精确地测量电池的充电状态(“SoC”)的简单任务,在当前的电动车辆中也是一项挑战。当前只通过离散的开路电压查找表近似地进行SoC估计,其中,查找表映射从电压(理想情况下处于静态)到SoC的关系。然而,这种映射没有考虑电池退化的滞后。此外,基于电压对SoC的测量对于电动车辆中的电池来说是不切实际的,电动车辆中的电池会不断经历用于管理功能的重复的小的负载(例如数据采集和上传、温度控制和/或负载平衡),这导致违反开路电压假设的准闭合电路电压。在当前的电池管理和控制系统(“BMS”)中,由于实时建模经验有限以及针对应用基于模型的估计的计算和存储能力有限,在SoC或者SoH测量中无法充分地反映电池退化。
图1示出了针对使用无监督的估计器确定电池SoH的现有技术框图。无监督学习可以通过对来自输入信号的特征(例如所观察的电池特性)进行聚类(例如,k均值聚类)或者通过将自动编码器训练为无监督的DNN10来实现。在聚类识别中,目标是最小化集群之间的数据的相似性,同时最大化集群内的数据的相似性。如果从输入数据中提取足够的特征,则可以找到指示电池健康状态的期望的集群边界,该集群边界显示了可清楚地分离的集群。然而,由于极难正确地选择特征,因此会找到不期望的集群边界。此外,聚类算法不适用于可用的数据,因为参数阈值的制定不良。结果是一个集群中的重叠的特征混合到另一个集群,从而混淆有用的信息。
因此,重要的是开发能够使用有监督的DNN产生电池健康状态指示的新技术,该有监督的DNN具有用于训练的监督(或者说有监督)和无监督学习方法的混合方式。
附图说明
本公开通过示例并且以非限定的方式在附图中进行了说明,其中,相似的附图标记指示相似的要素,并且在附图中:
图1示出了使用无监督的估计器确定电池健康状态的现有技术框图;
图2示出了使用过程参数和所观察的电池特性产生电池健康状态指示的框图;
图3示出了本公开的用于产生电池的健康状态指示的实施例的流程图;
图4示出了本公开的用于产生电池的健康状态指示的其它实施例的流程图;
图5示出了将监督学习应用于深度神经网络以确定电池的已知过程参数的图表;
图6示出了将无监督学习应用于深度神经网络以使用从用于确定电池的过程参数的其它DNN提取的特征来确定电池的健康状态指示的图表;
图7示出了无监督的深度神经网络的聚类输出的图表;
图8示出了用于验证特征向量空间中的无监督的集群的SoH类别(来自少数可用的基础真实测量)的图表;
图9示出了有监督的DNN的图表,该有监督的DNN基于能观察到的电池特性确定电池的SoH指示;并且
图10示出了根据本公开的示例性实施例的车辆的简化框图。
具体实施方式
在此提供的图和说明可能已被简化以说明对于清楚地理解在此描述的装置、系统和方法重要的方面,同时为了清楚起见,省略了可能在典型的装置、系统和方法中发现的其它方面。本领域的普通技术人员可以认识到其它的要素和/或操作可能是实现在此描述的装置、系统和方法所期望和/或必需的。因为这些要素和操作在本领域中是众所周知的,并且因为它们不利于更好地理解本公开,所以在此可能不提供对这些要素和操作的讨论。然而,本公开被认为固有地包括对于本领域普通技术人员已知的针对所描述的方面的所有这些要素、变化和修改。
基于物理的现象可以使用领域知识驱动的物理模型来进行建模,所述物理模型描述了有限数量的已得到认证的主导机制(例如电池寿命估计中的热学的、电化学的和老化的效应),或者使用纯数据驱动的模型、例如卡尔曼滤波器或者机器学习进行建模。例如,不同的方式(或者说方法)包括:(1)物理和化学建模,包括电池老化效应,(2)基于异常值检测的加权方法,以及(3)SN曲线作为事件导向的方案。数据驱动的方法可以用于在考虑到任何容量下降的情况下预测电池寿命。例如,电池的充电状态由卡尔曼滤波器进行估计,而SoH、包括由于老化引起的退化,可以通过最小二乘回归确定。通过物理驱动的特征提取,归纳有关物理行为的知识可以提高模型的准确性。
理想情况下,由领域知识和数据的建模可以相结合,以便将只描述有限数量的主要机制的分析模型的可能的剩余误差最小化。存在两种用于将不同的建模方式相结合的方法。
首先,使用机器学习对分析模型的剩余误差进行建模使得能够降低整体的建模误差(从而提高模型精度)。剩余误差是从黑箱的角度处理的,因此不会产生对新机制的识别影响。
其次,将领域知识归纳到机器学习中使得能够从实验表的设计中推导出一些基本的领域知识,并且通过分析被领域知识支配的特征来识别新机制(例如,经历高的温度梯度的锂离子电池中有更多的电解质降解)。实验表的设计可以包括实验的操作条件,例如具有被测试电池的交通工具或者说车辆的外部温度、受控制的实验的设定温度、受控制的实验的湿度、被测试电池的充电速率、针对相应的被测试电池的驾驶员类型(例如,相对于被测试电池的使用是激进的驾驶员、中等的驾驶员或者温和的驾驶员)等。
本公开可以包括来自应用工程和以数据为中心的方法的机器学习的领域知识。通常,在只应用优化算法从输入数据中提取最佳特征的纯数据驱动的模型中,领域知识被忽略。然而,领域知识可以用于通过机器学习方法(例如,线性回归、逻辑回归等)推导出特性。
具体地,领域知识被引入到用于DNN的监督学习中,以确定对电池的SoH的估计。在车辆应用中,机器学习模型针对在计算和存储能力有限的车辆中的部署进行了优化。因此,车辆可以在给定计算限制的情况下实时反映SoC和/或SoH中的电池退化。然而,对于SoC和/或SoH指示,不存在从可靠的电池测量中生成的可信的标签。本公开使用监督学习方法从实验设计中归纳知识,并且将归纳的知识从电池单池转用到模块,并且最终转用到车辆中的成组的层级上以用于实际的驾驶和充电场景。
通过在有监督的DNN中使用领域知识作为可信任标签以便为无监督的DNN提取更好的特征以从两者的优势中获益,实现了改进的预测。
图2示出了使用过程参数和所观察的电池特性来产生电池健康状态指示的框图。底层或者说基础数据集包含可测量的电池特性(例如电池的温度、电压和电流信号的时间序列),所述电池特性由过程参数、例如设定温度、实验开始和结束时的SoC以及用于实验的充电和放电速率产生。如果可靠的标签不可用于量化电池状态(例如对电池容量、电池SoH和/或电池内阻的测量),则可以引入监督方法。
通过将过程参数20的领域知识归纳为类标签,训练有监督的分类DNN。其次,将DNN的特征用于聚类。可以通过对过程参数(例如低/中/高C速率或者温度)的值进行分箱(例如,将连续的值划分到离散的箱中,例如40-55摄氏度表示高温)来获得不同的类标签。作为对分类器的备选方案,可以训练回归DNN以直接将过程参数近似为输出量,而无需分箱。在任何一种情况下,卷积层中的特征都表征了基础过程参数20和可观察的电池特性22的输入数据。通过知识归纳步骤,这些特征在针对输入量和过程参数的训练期间被强制地在相同时间开发。接着将这些特征用于人工智能(“AI”)估计器的无监督训练。可以对AI估计器进行有监督的训练,以开发用于基于可观察的电池特性22输出健康状态指示24的有监督的DNN。可以理解的是,AI估计器可以是使用未被标记的数据(即没有来自测量或者模拟的基础真实预测参考)训练的AI算法(例如,机器学习算法、深度学习算法,或者其组合)。
图3示出了本公开的用于产生电池的健康状态指示的实施例的流程图。为了确定电池的SoH,接收电池的电池特性和过程参数以用作训练数据40。电池特性包括电池的可观察的量。例如,BMS可以与电池耦连以用于电池负载的管理和电池的冷却。BMS可以测量电池的各种特性,包括电池温度、电池电压、电池电流、充电周期数、充电特性曲线、放电特性曲线等。所测量的特性可以在预定义的周期时间内被测量,以产生特定特性的函数。过程参数是通过测量应用于电池的外部因素产生的,所述外部因素例如为实验设计的设定温度、SoC的开始和/或结束、充电速率等。过程参数可以单独地影响特定电池的工作负载并且可能导致该特定电池的个性化的退化。
被称为第一有监督的DNN的有监督的深度神经网络(“DNN”)使用所接收的特性作为输入并且使用所接收的过程参数作为输出42进行训练。有监督的DNN可以使用不同的监督学习算法进行训练,包括具有多个完全连接的层的卷积层(加上最大池化)、ResNet、U-Net或者其它DNN架构。以这种方式,从所接收的电池特性和过程参数的已知量归纳出有监督的DNN的特征。
提取来自有监督的DNN的特征,然后将所述特征用于训练无监督的AI估计器44。可以使用一个或多个聚类方法基于从有监督的DNN提取的特征来训练无监督的AI估计器。例如可以应用用于聚类的机器学习算法,例如k均值聚类算法。在无监督训练期间,所接收的电池特性被输入到无监督的AI估计器中。可以从AI估计器中找到被识别的集群。可以理解的是,可以包括其它步骤,在所述其它步骤中,从有监督的DNN中移除至少一个平面化层,以便能够提取特征并且针对其它类输出(例如,SoH指示)重新映射。
接着使用来自无监督的AI估计器46的所识别的集群(也称为“组”)训练第二有监督的DNN。无监督的AI估计器的输出可以使用分类算法进行聚类。例如,无监督的DNN的输出可以通过将连续的值划分到离散化的箱中进行聚类。备选地,可以使用DNN回归算法对输出进行聚类。可以理解的是,也可以使用其它分类/聚类算法。一旦进行了聚类,通过SoH指示48对聚类的输出进行验证。
一旦确定第二有监督的DNN,则将特定电池的电池特性(或者也称为用户电池数据)输入第二有监督的DNN以确定SoH指示50。可以针对代表性的、可测量的电池特性进行高强度的SoH测量,以将第二有监督的DNN的输出集群分配给SoH指示(例如低/中/高健康或者10/50/90%的电池健康)。可以理解的是,用户电池数据可以是接收到的电池特性、针对特定电池的电池数据集或者其组合。
在车辆应用中,在给出与这个电池对应的用户特性的情况下,用户电池数据、例如电池使用、电池的充电和放电循环数据等由BMS监控和存储。可以理解的是,可以使用被验证的SoH指示对第二有监督的DNN进行再训练,以进一步细化第二有监督的DNN的特征映射(例如针对不同的区域/驾驶员定制估计器)。
图4示出了本公开的用于产生电池的健康状态指示的另一实施例的流程图。针对SoH估计归纳领域知识的整个过程可以包括将无监督的(例如,聚类)和有监督的(例如,分类/回归)训练方式相结合。无监督的AI估计器44b的训练和第二有监督的DNN46的训练可以重复多次直到满足收敛条件47。例如可以基于预定义的重复次数、修改的聚类收敛标准、是否通过训练第二DNN达到预定义的精度或者其组合重复步骤44b和46。在在步骤44b中进行再训练期间,从先前的无监督的AI估计器中提取特征并且将所述特征用于再训练。因此,在步骤44b中的每次重复之后,无监督的AI估计器的输出可以从分类的粗略的数字细化为更精细的数字。
图5示出了将监督学习应用于深度神经网络以确定电池的已知过程参数的图表。在一个实施例中,有监督的DNN42包括用于特征提取的卷积层60、平面化层62、一个或多个全连接层64和输出层66。平面化层62位于用于特征提取的卷积层60和用于回归的一个或多个全连接层之间。输出层66基于一个或多个全连接层64的输出提供分类或者回归值。
来自卷积层的特征作为用于基于特征的聚类的(具有平面化层的)向量化的量被提取。由于该特征向量与SoH指示相关,因此该特征向量随后可以用于产生集群。由于提取的特征代表过程参数和所观察的电池特性两者中的特性,因此特征向量空间中的所识别的集群可能具有用于表示为针对电池SoH估计的期望集群的相关特性。因此,随即可以在考虑SoH值的相关联但未标记的输出的情况下重新标记所识别的集群。SoH值可以包括相对于未退化的电池的100%的总理想容量的百分比。例如,10%可能意味着被测试的电池可能已经退化到只能保持未退化的电池的充电量的预置百分比的程度。备选地,SoH指示可以包括不同状态的相关术语,包括“差”、“中等”或“好”的SoH指示。不同状态可以对应于SoH或者SoC的阈值百分比值。
图6示出了将无监督学习应用于深度神经网络的图表。可观察的电池特性被输入卷积层78。卷积层是从有监督的DNN中提取的特征,该有监督的DNN通过电池特性和过程参数被训练。卷积层向平面化层80输出,以产生特征向量82。平面化层将来自卷积层78的2D和/或3D特征转换为向量的量。可以使用一个或多个聚类算法对来自平面化层80的输出的特征向量82进行聚类以生成围绕相似的特征向量的边界。
图7示出了无监督的深度神经网络的聚类输出的图表。在无监督的AI估计器的训练步骤44期间,可以使用无监督学习算法对特征向量82进行聚类。由于从有监督的DNN中提取的特征(包括作为领域知识的过程参数)被用于产生特征向量82,因此能够基于更有意义的特征更容易地确定特征向量82的边界。
聚类算法例如可以识别集群1、集群2、集群3、...、集群N-1和集群N作为不同的集群。可以基于预定义的数量或者根据特定的阈值选择集群的数量。
图8示出了用于验证特征向量空间中的无监督的集群的SoH分类器的图表。一旦在特征向量82中识别出集群,来自每个集群的一个或多个代表性样本可以被用于验证什么SoH指示对应于相应的集群。
例如,基于对来自集群1的一个或多个代表性样本的SoH测试,集群1可以与SoH指示“好”相关联。此外,可以针对一个SoH指示测试来自每个其它集群的一个或多个代表性样本,然后该集群可以与该SoH指示相关联。在该示例中,群集2与SoH指示“差”相关联;集群3与SoH指示“中等”相关联。
图9示出了本公开的用于基于可观察的电池特性确定电池SoH指示的有监督的DNN的图表。有监督的DNN100包括卷积层102、平面化层104、一个或多个全连接层106,和输出层108。输出层108可以具有SoH指示,例如“好”、“差”和“中等”。有监督的DNN的特征可以从之前的有监督的(通过过程参数分类/回归)和无监督的(聚类)步骤中导出。通过作为标签的所识别的集群将无监督的步骤重新制定为有监督的步骤。一旦进行了训练,有监督的DNN100可以用于针对SoH指示评估特定的电池。尤其将可观察的电池特性输入到第二有监督的DNN中,以产生“好”、“差”和/或“中等”的SoH指示。
图10图示了根据本公开的示例性实施例的车辆的简化的框图。在示例性实施例中,车辆158包括计算系统160、传感器162、车辆通信系统164、推进系统166、控制系统168、动力供应170、用户界面系统172和电池管理系统174。在其它实施例中,车辆158可以包括更多的、更少的和/或不同的系统,并且每个系统可以包括更多的、更少的和/或不同的部件。此外,系统和/或部件可以组合和/或划分成多个布置结构。
计算系统160可以设置用于向推进系统166、传感器162、控制系统168、BMS174和车辆158的任何其它部件中的一个或多个传输数据、从推进系统166、传感器162、控制系统168、BMS174和车辆158的任何其它部件中的一个或多个接收数据、与推进系统166、传感器162、控制系统168、BMS174和车辆158的任何其它部件中的一个或多个交互和/或控制推进系统166、传感器162、控制系统168、BMS174和车辆158的任何其它部件中的一个或多个。计算系统160可以通过系统总线(例如,CAN总线、Flexray等)、网络(例如通过车辆对车辆、车辆对基础设施、车辆对设备等)和/或其它连接机制与传感器162、车辆通信系统164、推进系统166、控制系统168、动力供应170、用户界面系统172和BMS174中的一个或多个通信连接。
在至少一个实施例中,计算系统160可以设置用于将数据存储在本地的数据存储装置中和/或与外部的数据存储装置以通信方式耦连。可以理解的是,数据也可以向云服务器传输并且通过空中下载(“OTA”)无线技术从云服务器接收。OTA无线技术例如可以用于传输更新的DNN模型或者用于上传令人关注的数据、例如边角案例。
在另一个实施例中,计算系统160可以设置用于使传感器162拍摄车辆158的周围环境的图像。在另一实施例中,计算系统160可以控制推进系统166的运行以自主地或者半自主地运行车辆158。作为另一示例,计算系统160可以设置用于存储并且执行与来自控制系统170的算法(例如,用于转向、制动和/或油门调节)对应的指令。作为另一示例,计算系统160可以设置用于存储和执行用于使用传感器162确定车辆158周围的环境的指令。更重要的是,计算系统160可以设置用于存储和执行下述指令,所述指令用于运行BMS174和用于指示车辆158的电池的SoH的有监督的DNN。BMS174和/或计算系统160可以每隔预定义的小时数和/或天数通过CAN数据检测和记录电池特性,所述电池特性包括温度、电压和电流。有监督的DNN可以使用此信息作为输入并且针对该电池产生SoH指示。基于所产生的SoH指示,可以向车辆的用户提供用户反馈,即用于保护电池的SoH的有利方向(例如不要接连地进行三次快速充电)。这些只是计算系统160的多种可能的设置的一些示例。
计算系统160可以包括一个或多个处理器。此外,计算系统可以有自己的数据存储装置和/或使用外部的数据存储装置。一个或多个处理器可以包括一个或多个通用的处理器和/或一个或多个专用的处理器。就处理器包括一个以上的处理器而言,这种处理器可以单独地或者组合地工作。而计算系统160的数据存储装置可以包括一个或多个易失性的存储部件和/或一个或多个非易失性的存储部件,例如光学的、磁性的和/或有机的存储装置。数据存储装置可以整体或部分地与计算系统160的一个或多个处理器集成并且能够以通信方式与数据存储装置耦连。在一些实施例中,计算系统160的数据存储装置可以包含下述指令(例如程序逻辑),所述指令可以由计算系统160的处理器执行,以执行不同的车辆功能(例如在此公开的方法)。
术语“计算系统”可以指数据处理硬件、例如CPU和/或GPU,并且包含用于处理数据的所有种类的设备、装置和机器,例如包括可编程处理器、计算机、多处理器、多个计算机、云计算和/或嵌入式低功耗设备(例如Nvidia Drive PX2)。该系统还可以是、或者进一步包括专用的逻辑电路、例如FPGA(现场可编程门阵列)或者ASIC(专用集成电路)。除了硬件之外,该系统还可以可选地包括为计算机程序创建执行环境的代码,例如构成处理器固件、协议栈、数据库管理系统、操作系统或者处理器固件、协议栈、数据库管理系统、操作系统中的一个或多个的组合的代码。也可以使用计算机程序来模拟计算系统。
也可以被称为或者描述为程序(软件、软件应用程序、应用程序、模块、软件模块、脚本或者代码)的计算机程序可以用任何形式的编程语言编写,包括编译的或解释性的语言,或者声明性或过程性的语言,并且该计算机程序能够以任何形式部署,包括作为独立的程序或作为模块、部件、子程序或者其它适合在计算环境中使用的单元。计算机程序可以、但不需要对应于文件系统中的文件。程序可以存储在具有其它程序或数据的文件的一部分中,例如一个或多个脚本存储在标记语言文档中、存储在专用于所涉及的程序的单个文件中或者存储在多个协调文件中,例如是存储有一个或多个模块、子程序或代码部分的文件。计算机程序可以部署用于在一台计算机上执行,或者可以部署用于在多个计算机上执行,所述多个计算机位于一个位置上或者分布在多个位置并且通过数据通信网络互连。
本说明书中描述的过程和逻辑流程可以由一个或多个可编程的计算机执行,该计算机执行一个或多个计算机程序以通过基于输入数据的运行并且产生输出来执行功能。所述过程和逻辑流程也可以由专用的逻辑电路、例如FPGA或ASIC执行,或者由专用的逻辑电路和一个或多个编程计算机的组合执行。
适用于存储计算机程序指令和数据的计算机可读的介质包括所有形式的非易失性存储器、介质和存储装置,例如包括半导体存储装置、例如EPROM、EEPROM和闪存装置;磁盘、例如内部硬盘或可移动磁盘;磁光盘;以及CD-ROM和DVD-ROM磁盘。
本说明书中描述的主题的实施例可以在包括后端部件、例如作为数据服务器的后端部件的计算系统或者包括中间件部件、例如应用程序服务器的计算系统或者包括前端部件的计算系统或者包括一个或多个这种后端部件、中间件部件或前端部件的组合的计算系统中实现,所述前端部件例如是具有图形用户界面的客户端计算机、网络浏览器或者应用程序,用户可以通过所述应用程序与本说明书中描述的主题的实现形式交互。系统的部件可以通过数字数据通信的任何形式或介质、例如通信网络相互连接。通信网络的示例包括有线和/或无线局域网(“LAN”)和有线和/或无线广域网(“WAN”)、例如因特网。
计算系统可以包括客户端和服务器。客户端和服务器通常彼此远离并且通常通过通信网络进行交互。客户端和服务器的关系是由于在相应的计算机上运行并且相互间具有客户端-服务器关系的计算机程序产生的。在一些实施例中,服务器将数据、例如HTML页面传输至用户设备,例如用于向与充当客户端的设备交互的用户显示数据并且从所述用户接收用户输入。在用户设备处产生的数据、例如用户交互的结果可以在服务器处从所述设备接收。
传感器162可以包括设置用于检测关于车辆158所处的环境的信息的多个传感器,以及设置用于修改传感器的位置和/或定向的一个或多个致动器。传感器可以包括全球定位系统(“GPS”)、惯性测量单元(“IMU”)、雷达单元、激光测距仪和/或一个或多个激光雷达单元和/或摄像机。在一些实施例中,传感器162可以实现为分别安装在车辆的相应位置(例如,顶侧、底侧、前侧、后侧、右侧、左侧等)上的多个传感器单元。其它传感器也是可行的。
车辆通信系统164可以是直接地和/或通过通信网络以通信方式(有线地或无线地)与一个或多个其它车辆、传感器或者其它实体耦连的任何系统。无线通信系统164可以包括用于直接地或者通过通信网络与其它车辆、传感器、服务器和/或其它实体通信的天线和芯片组。芯片组或无线通信系统164通常可以布置用于根据一种或多种类型的无线通信(例如协议)、例如蓝牙、IEEE 802.11(包括任何IEEE 802.11修订版)中描述的通信协议、蜂窝技术(例如V2X、V2V、GSM、CDMA、UMTS、EV-DO、WiMAX或LTE)、ZIGBEE、专用短程通信(DSRC)和射频识别(“RFID”)通信等可能性进行通信。无线通信系统164也可以采用其它形式。
推进系统166可以设置用于为车辆158提供有动力的运动。推进系统166可以包括用于提供这种运动的不同部件,所述部件包括发动机/马达、能量源、传动装置和车轮/轮胎。发动机/马达可以包括内燃机、(可由电池、燃料电池和/或其它能量存储设备提供动力的)电动机和/或蒸汽机的任何组合。其它的马达和发动机也是可行的。
控制系统168可以设置用于控制车辆158及其部件的运行。控制系统168可以包括不同部件,所述部件包括转向单元、油门、制动单元、感知系统、导航或路径系统以及避障系统。
感知系统可以是设置用于处理和分析由车辆158的传感器(例如,摄像机、雷达和/或激光雷达)拍摄的图像和/或传感器数据以便识别车辆158所处的环境中的对象和/或特征的任何系统,所述对象和/或特征例如包括交通信号和障碍物。为此,感知系统可以使用对象识别算法、运动结构(“SFM”)算法、视频跟踪或者其它计算机视觉技术。在一些实施例中,感知系统可以附加地设置用于映射环境、跟踪对象、估计对象的速度等。
在至少一个实施例中,整个系统可以包括用于识别对象的感知子系统、用于规划绕过障碍物的平滑驾驶路径的规划子系统以及用于执行来自规划装置的路径的控制子系统。
动力供应170可以是完全或部分地为车辆158的发动机/马达提供动力和/或为车辆158的电气设备提供动力的能量源。车辆的发动机/马达可以设置用于将动力供应170转化为机械能。用于动力供应170的能量源例如包括汽油、柴油、丙烷、其它基于压缩气体的燃料、乙醇、太阳能板、电池和其它电力源。一种或多种能量源可以附加地或备选地包括燃料箱、电池、电容器和/或飞轮的任何组合。在一些实施例中,能量源也可以为车辆158的其它系统提供能量。
在一个实施例中,动力供应170是以通信方式与BMS174耦连的电池。BMS174监测动力供应170的不同特性,包括电池温度、电池电压、电池电流以及电池充电和放电数据。该信息可以由BMS174和/或计算系统160在本地存储。BMS174还可以通过车辆通信系统164将此类监测信息传输至外部的存储装置(例如传输至云中)。BMS174可以调节动力供应170的运行条件,例如,将电池温度冷却至预定义的阈值温度内。
计算系统160可以设置用于使用本公开的有监督的DNN产生SoH。例如,在一个实施例中,计算系统包括:至少一个设置用于存储计算机程序指令的数据存储装置;和至少一个以通信方式与至少一个数据存储装置耦连的处理器,至少一个处理器设置用于执行计算机程序指令以执行以下内容,包括:确定电池的健康状态指示,还包括以下步骤:接收电池的特性和过程参数;训练第一有监督的深度神经网络,其中,所接收的特性是第一有监督的DNN的输入,并且所接收的过程参数是向有监督的DNN的输出,基于从第一有监督的DNN中提取的特征训练无监督的AI估计器,其中,所接收的特性是无监督的AI估计器的输入;使用来自无监督的AI估计器的所识别的集群训练第二有监督的DNN;通过健康状态指示验证所识别的集群;并且使用第二有监督的DNN确定电池的健康状态指示。至少一个数据存储装置可以是通过指令编码的非暂时性计算机可读的介质,其在由至少一个处理器执行时使处理器执行所述指令。SoH指示可以被输入至BMS174以供BMS174调整动力供应170的运行条件。在另一实施例中,用于产生SoH指示的有监督的DNN可由BMS174的一个或多个处理器执行。
用户界面系统172可以包括设置用于使车辆158能够与外部的传感器、其它车辆、外部的计算设备和/或用户交互的软件、人机界面(“HMI”)和/或外围设备。为此,外围设备例如可以包括无线通信系统、触摸屏、麦克风和/或扬声器。SoH指示或相关度量(例如SoC)可以通过用户界面系统172显示。
在一些实施例中,作为对所示元件的补充或替代,车辆158可以包括一个或多个元件。例如,车辆158可以包括一个或多个附加的接口和/或动力供应。其它附加的部件也是可能的。在这种实施例中,计算系统160的数据存储装置还可以包括可由计算系统160的处理器执行以控制附加部件和/或与附加部件通信的指令。
此外,虽然每个部件和系统被显示为集成在车辆158中,但在一些实施例中,一个或多个部件或系统可以使用有线或无线连接可拆卸地安装在车辆158上或者以其它方式(机械地或电气地)与车辆158连接。
在一个示例性实施例中,云服务器和/或后端服务器可以设置用于执行DNN压缩(例如使用基于相似性的过滤器进行删减、量化或者其它DNN压缩方法)。一旦DNN被压缩,云服务器和/或后端服务器就可以将DNN部署至车辆158,并且车辆可以使用压缩的DNN在车辆158的嵌入式硬件上、例如通过计算系统160执行推理。因此,用于为动力供应170产生SoH指示的有监督的DNN可以在车辆158中实时地产生。
计算系统160可以在运行时在可能具有有限计算能力的嵌入式硬件上运行DNN预测。因此,可以在计算系统上同时运行多个功能。压缩的DNN尺寸可以使得在计算系统160的存储器中占用较小的空间,并且可以通过无线连接快速传输。因此,当发布改进的DNN版本时,改进的DNN可以通过车辆通信系统164容易地部署至车辆158并且由计算系统160处理。
虽然已参照表示待提供的功能的特定术语讨论了所公开的实施例的功能和用于提供该功能的系统部件,但是应当理解的是,在实施中,可以至少部分地提供部件功能,现有的和已知的部件可以被包含在传统的运输车辆中。
例如,如上文所讨论的,所公开的实施例至少部分地使用软件来执行功能以实现对数据的测量和分析,使用存储在一个或多个在运输车辆中的一个或多个处理器上运行的非暂时性计算机可读的介质上的软件代码。这种软件和处理器可以组合以构成至少一个控制器,该控制器与运输车辆的其它部件耦连以结合车辆导航系统和多个传感器来支持和提供自主的和/或辅助的运输车辆功能。这些部件可以与至少一个控制器耦连以通过运输车辆的CAN总线或者其它总线(例如Flexray)进行通信和控制。
还应当理解的是,当前公开的实施例可以使用包括在运输车辆中的专用的或共享的硬件来实现。因此,在不脱离本公开的范围的情况下,模块的部件可以被运输车辆的其它部件使用以提供车辆功能。
示例性实施例被提供用于使本公开充分,并且将范围充分地传达给本领域技术人员。阐述了许多具体细节、例如具体的部件、装置和方法的示例,以提供对本公开的实施例的充分理解。在一些说明性的实施例中,不再详细描述公知的过程、公知的装置结构和公知的技术。
在此所使用的术语只用于描述特定的说明性实施例,而不是为了进行限定。除非上下文另有说明,否则上述元件的单数形式可能旨在包括复数形式。在此描述的方法步骤、过程和操作不应被解释为必须以所讨论或说明的特定的顺序执行它们,除非具体地认定为执行顺序或特定顺序对于实施例的可操作性而言是固有地必要的。还应当理解的是,可以采用附加的或备选的步骤。
公开的实施例包括本文描述的方法及其等同方案、被编程用于执行所述方法的非暂时性计算机可读的介质和设置用于执行该方法的计算系统。此外,还包括一种包括下述部件的车辆,所述部件包括任何所述方法、被编程用于实施指令或执行所述方法的非暂时性计算机可读的介质,以及用于执行所述方法的系统。计算系统和任何子计算系统通常将包括包含可执行代码的机器可读的存储介质;一个或多个处理器;与一个或多个处理器耦连的存储装置;输入装置和与一个或多个处理器连接以执行代码的输出装置。机器可读的介质可以包括机器可读的形式的用于存储或者传输信息的任何机制、例如计算机处理器。所述信息例如可以存储在易失性或非易失性的存储器中。此外,实施例的功能可以使用嵌入式装置和与云计算基础设施的在线连接来实现,所述云计算基础设施可以通过与这种基础设施的无线电连接(例如无线通信)可供使用。
可以理解的是,本说明书中描述的主题的实施例和功能性的运行可以在数字电子电路、有形地体现的计算机软件或固件、计算机硬件中实现,包括本说明书中公开的结构及其结构等同方案,或者一项或多项它们的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序、即一个或多个计算机程序指令模块,所述计算机程序指令被编码在有形的非暂时性存储介质上,用于由数据处理装置执行或控制数据处理装置的运行。计算机存储介质可以是机器可读的存储装置、机器可读的存储基体、随机或串行存取的存储器装置,或者一个或多个上述装置的组合。备选地或附加地,程序指令可以被编码在人工产生的传播信号、例如机器产生的电信号、光信号或电磁信号上,该信号被产生以编码用于传输至适宜的接收器装置的信息,以便由数据处理装置执行。
虽然本说明书包含许多具体的实施细节,但这些实施细节不应当被解释为对发明的范围或可要求保护的范围的限制,而是解释为可能对于特定发明的特定实施例是独特的特征的描述。本说明书中在各个单独实施例的上下文中描述的某些特征也可以组合地在单一的实施例中实现。相反,在单一的实施例的上下文中描述的不同特征也可以在多个实施例中单独地或者以任何适宜的子组合实现。此外,尽管特征可能在上文被描述为在确定的组合中起作用,甚至最初本身就被要求保护,但在一些情况下,来自要求保护的组合的一个或多个特征可以从所述组合中被删除,并且要求保护的组合可以实现子组合或子组合的变型方案。
类似地,虽然在附图中以特定顺序描述了操作或者说运行,但这不应理解为要求以所示的特定顺序或连续的顺序执行这种操作,或者执行所有图示的操作以获得期望的结果。在确定的环境中,多任务处理和并行处理可能是有利的。此外,上述实施例中的不同系统模块和部件的分离不应理解为所有实施例中都需要这种分离,并且应当理解的是,所描述的程序部件和系统通常可以共同集成在单一的软件产品中,或者打包到多个软件产品中。
对主题的特定实施例进行了描述。其它实施例在所附的权利要求书的范围内。例如,权利要求书中记载的操作能够以不同的顺序执行并且仍然实现期望的结果。作为一个示例,在附图中描绘的过程不一定需要所示的特定顺序或者连续的顺序来实现期望的结果。在一些确定的情况下,多任务处理和并行处理可能是有利的。
Claims (20)
1.一种计算系统,包括:
设置用于存储计算机程序指令的至少一个数据存储装置;和
与所述至少一个数据存储装置以通信方式耦连的至少一个处理器,
所述至少一个处理器设置用于执行计算机程序指令以执行以下内容,包括:
确定电池的健康状态指示,还包括以下步骤:
接收电池的特性和过程参数;
训练第一有监督的深度神经网络(“DNN”),其中,所接收的特性是所述第一有监督的DNN的输入,并且所接收的过程参数是所述第一有监督的DNN的输出;
基于从所述第一有监督的DNN提取的特征,使用一个或多个聚类方法训练无监督的AI估计器,其中,所接收的特性是所述无监督的AI估计器的输入;
使用来自所述无监督的AI估计器的所识别的集群训练第二有监督的DNN,其中,所接收的特性是所述第二有监督的DNN的输入;
通过健康状态指示验证所识别的集群;并且
使用第二有监督的DNN确定电池的健康状态指示。
2.根据权利要求1所述的计算系统,其中,在第三训练步骤之后并且在验证步骤之前,重复训练无监督的AI估计器的步骤和训练第二有监督的DNN的步骤直到满足收敛条件。
3.根据权利要求1所述的计算系统,其中,在第二训练步骤中,所述一个或多个聚类方法包括将无监督的AI估计器的输出的连续的值划分到离散化的箱中。
4.根据权利要求1所述的计算系统,其中,在第二训练步骤中,所述一个或多个聚类方法包括将回归DNN应用于无监督的AI估计器的输出。
5.根据权利要求1所述的计算系统,其中,在第二训练步骤中,所述一个或多个聚类方法包括将通过自动编码器进行的子空间聚类应用于无监督的AI估计器的输出以进行降维。
6.根据权利要求1所述的计算系统,其中,所接收的特性包含包括电池温度、电池电压和电池电流的组中的至少一项。
7.根据权利要求1所述的计算系统,其中,所接收的过程参数包含包括电池的充电速率、电池的充电状态和过程温度的组中的至少一项。
8.一种用于确定电池的健康状态指示的计算机实现的方法,所述方法包括:
接收电池的特性和过程参数;
训练第一有监督的深度神经网络(“DNN”),其中,所接收的特性是第一有监督的DNN的输入,并且所接收的过程参数是第一有监督的DNN的输出;
基于从所述第一有监督的DNN提取的特征,使用一个或多个聚类方法训练无监督的AI估计器,其中,所接收的特性是无监督的AI估计器的输入;
使用来自无监督的AI估计器的所识别的集群训练第二有监督的DNN,其中,所接收的特性是所述第二有监督的DNN的输入;
通过健康状态指示验证所识别的集群;并且
使用第二有监督的DNN确定电池的健康状态指示。
9.根据权利要求8所述的计算机实现的方法,其中,在第三训练步骤之后并且在验证步骤之前,重复训练无监督的AI估计器的步骤和训练第二有监督的DNN的步骤。
10.根据权利要求8所述的计算机实现的方法,其中,在第二训练步骤中,所述一个或多个聚类方法包括将无监督的AI估计器的输出的连续的值划分到离散化的箱中。
11.根据权利要求8所述的计算机实现的方法,其中,在第二训练步骤中,所述一个或多个聚类方法包括将回归DNN应用于无监督的AI估计器的输出。
12.根据权利要求8所述的计算机实现的方法,其中,在第二训练步骤中,所述一个或多个聚类方法包括将通过自动编码器进行的子空间聚类应用于无监督的AI估计器的输出以进行降维。
13.根据权利要求8所述的计算机实现的方法,其中,所接收的特性包含包括电池温度、电池电压和电池电流的组中的至少一项。
14.根据权利要求8所述的计算机实现的方法,其中,所接收的过程参数包含包括电池的充电速率、电池的充电状态和过程温度的组中的至少一项。
15.一种用指令编码的非暂时性计算机可读的介质,在由至少一个处理器执行所述指令时,使所述处理器执行以下操作:
接收电池的特性和过程参数;
训练第一有监督的深度神经网络(“DNN”),其中,所接收的特性是第一有监督的DNN的输入,并且所接收的过程参数是第一有监督的DNN的输出;
基于从所述第一有监督的DNN提取的特征,使用一个或多个聚类方法训练无监督的AI估计器,其中,所接收的特性是无监督的AI估计器的输入;
使用来自所述无监督的AI估计器的所识别的集群训练第二有监督的DNN,其中,所接收的特性是第二有监督的DNN的输入;
通过健康状态指示验证所识别的集群;并且
使用第二有监督的DNN确定电池的健康状态指示。
16.根据权利要求15所述的非暂时性计算机可读的介质,其中,在第三训练步骤之后并且在验证步骤之前,重复训练无监督的AI估计器的步骤和训练第二有监督的DNN的步骤。
17.根据权利要求15所述的非暂时性计算机可读的介质,其中,在第二训练步骤中,所述一个或多个聚类方法包括将无监督的AI估计器的输出的连续的值划分到离散化的箱中。
18.根据权利要求15所述的非暂时性计算机可读的介质,其中,在第二训练步骤中,所述一个或多个聚类方法包括将回归DNN应用于无监督的AI估计器的输出。
19.根据权利要求15所述的非暂时性计算机可读的介质,其中,在第二训练步骤中,所述一个或多个聚类方法包括将通过自动编码器进行的子空间聚类应用于无监督的AI估计器的输出以进行降维。
20.根据权利要求15所述的非暂时性计算机可读的介质,其中,所接收的特性包含包括电池温度、电池电压和电池电流的组中的至少一项,并且其中,所接收的过程参数包含包括电池的充电速率、电池的充电状态和过程温度的组中的至少一项。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/011,103 | 2020-09-03 | ||
US17/011,103 US11360155B2 (en) | 2020-09-03 | 2020-09-03 | Battery state of health estimator |
PCT/EP2021/073081 WO2022048920A1 (en) | 2020-09-03 | 2021-08-19 | Battery state of health estimator |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116034282A true CN116034282A (zh) | 2023-04-28 |
Family
ID=77655540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180053521.1A Pending CN116034282A (zh) | 2020-09-03 | 2021-08-19 | 电池健康状态估计器 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11360155B2 (zh) |
EP (1) | EP4208725B1 (zh) |
CN (1) | CN116034282A (zh) |
WO (1) | WO2022048920A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102424916B1 (ko) * | 2021-10-14 | 2022-07-22 | 모나일렉트릭 주식회사 | 배터리 진단 방법 및 그 장치 |
US11921163B2 (en) * | 2021-12-16 | 2024-03-05 | Volkswagen Aktiengesellschaft | Modular machine learning structure for electric vehicle battery state of health estimation |
US20240062514A1 (en) * | 2022-08-19 | 2024-02-22 | X Development Llc | Diversity quantification |
US11707987B1 (en) * | 2022-12-06 | 2023-07-25 | Mercedes-Benz Group AG | Vehicle simulating method and system |
EP4390421A1 (en) * | 2022-12-22 | 2024-06-26 | Ningbo Geely Automobile Research & Development Co., Ltd. | A method for estimation state of health of a battery |
CN117556715B (zh) * | 2024-01-12 | 2024-03-26 | 湖南大学 | 基于信息融合的典型环境下智能电表退化分析方法及系统 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108604310B (zh) * | 2015-12-31 | 2022-07-26 | 威拓股份有限公司 | 用于使用神经网络架构来控制分配系统的方法、控制器和系统 |
WO2019017991A1 (en) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS |
US11147459B2 (en) * | 2018-01-05 | 2021-10-19 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
US11429862B2 (en) * | 2018-03-20 | 2022-08-30 | Sri International | Dynamic adaptation of deep neural networks |
US11080590B2 (en) * | 2018-03-21 | 2021-08-03 | Nvidia Corporation | Stereo depth estimation using deep neural networks |
EP3620983B1 (en) * | 2018-09-05 | 2023-10-25 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for data analysis |
KR102206181B1 (ko) * | 2018-12-19 | 2021-01-22 | 엘지전자 주식회사 | 단말기 및 그의 동작 방법 |
KR102137151B1 (ko) * | 2018-12-27 | 2020-07-24 | 엘지전자 주식회사 | 노이즈 캔슬링 장치 및 그 방법 |
US11325494B2 (en) * | 2019-02-25 | 2022-05-10 | Toyota Research Institute, Inc. | Systems, methods, and storage media for determining a target battery charging level for a drive route |
US11084387B2 (en) * | 2019-02-25 | 2021-08-10 | Toyota Research Institute, Inc. | Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack |
US11555858B2 (en) * | 2019-02-25 | 2023-01-17 | Toyota Research Institute, Inc. | Systems, methods, and storage media for predicting a discharge profile of a battery pack |
US11065978B2 (en) * | 2019-02-25 | 2021-07-20 | Toyota Research Institute, Inc. | Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack |
KR102281590B1 (ko) * | 2019-07-31 | 2021-07-29 | 엘지전자 주식회사 | 음성인식 성능 향상을 위한 비 지도 가중치 적용 학습 시스템 및 방법, 그리고 기록 매체 |
US11562236B2 (en) * | 2019-08-20 | 2023-01-24 | Lg Electronics Inc. | Automatically labeling capability for training and validation data for machine learning |
US10877634B1 (en) * | 2019-10-03 | 2020-12-29 | Raytheon Company | Computer architecture for resource allocation for course of action activities |
CN111027625B (zh) | 2019-12-10 | 2023-08-08 | 燕山大学 | 基于SAE和K-means聚类算法的电池筛选方法 |
-
2020
- 2020-09-03 US US17/011,103 patent/US11360155B2/en active Active
-
2021
- 2021-08-19 EP EP21766146.1A patent/EP4208725B1/en active Active
- 2021-08-19 WO PCT/EP2021/073081 patent/WO2022048920A1/en unknown
- 2021-08-19 CN CN202180053521.1A patent/CN116034282A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US11360155B2 (en) | 2022-06-14 |
WO2022048920A1 (en) | 2022-03-10 |
EP4208725B1 (en) | 2024-03-27 |
EP4208725A1 (en) | 2023-07-12 |
US20220065939A1 (en) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4208725B1 (en) | Battery state of health estimator | |
You et al. | Real-time state-of-health estimation for electric vehicle batteries: A data-driven approach | |
Modi et al. | Estimation of energy consumption of electric vehicles using deep convolutional neural network to reduce driver’s range anxiety | |
US11899748B2 (en) | System, method, and apparatus for a neural network model for a vehicle | |
US20120296512A1 (en) | Method and system for electric vehicle battery prognostics and health management | |
CN113884961B (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
KR20160014940A (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
US11551094B2 (en) | System and method for deep neural network compression | |
KR20170050655A (ko) | Soh 추정 장치 및 방법과, soh 추정 모델 생성 장치 및 방법 | |
Wang et al. | Deep convolutional neural network based closed-loop SOC estimation for lithium-ion batteries in hierarchical scenarios | |
Zhao et al. | Battery prognostics and health management from a machine learning perspective | |
Eaty et al. | Digital twin for electric vehicle battery management with incremental learning | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
CN116626670B (zh) | 自动驾驶模型的生成方法、装置、车辆及存储介质 | |
Nascimento et al. | Li-ion battery aging with hybrid physics-informed neural networks and fleet-wide data | |
Wang et al. | Lithium-ion battery face imaging with contactless walabot and machine learning | |
US11614491B2 (en) | Systems and methods for predicting the cycle life of cycling protocols | |
Obeid et al. | Supervised learning for early and accurate battery terminal voltage collapse detection | |
Ruhhammer et al. | Crowdsourced intersection parameters: A generic approach for extraction and confidence estimation | |
US20240210477A1 (en) | Battery management system using graph neural network | |
El Marghichi | Estimation of battery capacity using the enhanced self-organization maps | |
Liu et al. | A denoising svr-mlp method for remaining useful life prediction of lithium-ion battery | |
CN112700001A (zh) | 用于深度强化学习的认证对抗鲁棒性 | |
US20240217388A1 (en) | Probabilistic modelling of electric vehicle charging and driving usage behavior with hidden markov model-based clustering | |
US20240087151A1 (en) | Self-supervised training from a teacher network for cost volume based depth estimates |
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 |