CN116559670A - 模型更新装置、模型更新方法、以及记录了模型更新程序的计算机可读介质 - Google Patents

模型更新装置、模型更新方法、以及记录了模型更新程序的计算机可读介质 Download PDF

Info

Publication number
CN116559670A
CN116559670A CN202310044163.9A CN202310044163A CN116559670A CN 116559670 A CN116559670 A CN 116559670A CN 202310044163 A CN202310044163 A CN 202310044163A CN 116559670 A CN116559670 A CN 116559670A
Authority
CN
China
Prior art keywords
state
degradation
model
state quantity
threshold value
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
CN202310044163.9A
Other languages
English (en)
Inventor
芳贺伸烈
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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 Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN116559670A publication Critical patent/CN116559670A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • 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
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/50—Charging stations characterised by energy-storage or power-generation means
    • B60L53/53—Batteries
    • 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
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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]
    • G01R31/392—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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B60L2260/46—Control modes by self 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Power Sources (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本公开提供一种具备存储器、和与所述存储器结合的处理器的模型更新装置、模型更新方法、以及记录了模型更新程序的计算机可读介质。在所述模型更新装置中，所述处理器被构成为，针对多个对象的每一个，而将与蓄电池的状态量有关的信息输入到学习完毕模型中，并取得相对于预先规定的期间的劣化状态，并在作为输入的所述状态量满足相对于所述状态量而被规定的第一基准且所述劣化状态满足相对于所述劣化状态而被规定的第二基准的状态为预定的次数以上的情况下，使用作为向所述学习完毕模型的输入的与所述状态量有关的信息来对所述学习完毕模型进行更新。

Description

模型更新装置、模型更新方法、以及记录了模型更新程序的计 算机可读介质
技术领域
本公开涉及一种模型更新装置、模型更新方法、以及记录了模型更新程序的计算机可读介质。
背景技术
在日本特开2020-148560号公报中，公开了一种提高对车辆用电池的剩余寿命进行预测时的预测精度的技术。在该技术中，基于包括达到寿命的学习用的车辆用电池的过去预定时间点的劣化指标的时间序列数据和剩余寿命在内的学习用数据，从而得到预测模型。
在现有技术中，记载有关于使用用到了学习用数据进行学习的预测模型来对蓄电池的劣化状态进行预测的技术。但是，如果想要收集全面的学习用数据，则连使用了预测模型的诊断系统的提供都要花费时间。此外，如果是分阶段地得到全面的学习用数据并对预测模型进行更新，则也需要考虑对预测模型进行更新的定时。
发明内容
本公开提供一种能够根据模型而在适当的定时下对模型进行更新的模型更新装置、模型更新方法、以及记录了模型更新程序的计算机可读介质。
本公开的第一方式为，一种模型更新装置，具备：取得部，其针对多个对象的每一个，而将与蓄电池的状态量有关的信息输入到学习完毕模型中，并取得相对于预先规定的期间的劣化状态；更新部，其在所述状态量满足相对于所述状态量而被规定的第一基准且所述劣化状态满足相对于所述劣化状态而被规定的第二基准的状态为预定的次数以上的情况下，使用作为向所述学习完毕模型的输入的与所述状态量有关的信息来对所述学习完毕模型进行更新。
第一方式的模型更新装置在作为输入的状态量以及所取得的劣化状态满足基准的情况下，对模型进行更新。由此，能够在适当的定时下对模型进行更新。
本公开的第二方式为，在上述第一方式中，由所述取得部取得的所述劣化状态被预测作为在所述期间内发生劣化的概率值，满足所述第二基准的状态为如下的第一状态和第二状态中的任意一个，其中，所述第一状态为，所述劣化状态的概率值在表示包含劣化的模式的第一阈值以上且小于作为与所述第一阈值相比劣化程度较高的阈值而被规定的第二阈值的情况，所述第二状态为，所述劣化状态的概率值小于所述第一阈值的情况，所述取得部针对从多个对象中得到的各个与所述状态量相关的信息，而取得各个所述劣化状态，所述更新部针对各个所述劣化状态而对是否是所述第一状态或者所述第二状态进行判定，且在表示所述第一状态的次数为预定的次数以上的第一情况和表示所述第二状态的次数为预定次数以上的第二情况下，使所述学习完毕模型的更新方法不同。
根据第二方式的模型更新装置，能够根据劣化状态是第一状态以及第二状态的哪一个从而以不同的模型的更新方法来对模型进行更新。
本公开的第三方式为，在上述第一方式或第二方式中，在即使作为输入的所述状态量不是满足所述第一基准的状态量的情况下，由与取得和所述蓄电池的状态量相关的信息的单元不同的测量单元所测量出的劣化状态也为已发生劣化的判定的情况下，在所述劣化状态满足所述第二基准时，对所述学习完毕模型进行更新。
根据第三方式的模型更新装置，即使在作为输入的蓄电池的状态量不满足对模型进行更新时的基准的情况下，只要在其他测量单元中劣化状态为已发生劣化的判定，则能够作为更新的对象来处理。
本公开的第四方式为，在上述方式中，作为所述期间，而设定有预先规定的短期、中期以及长期的各个期间，由所述取得部取得的所述劣化状态被预测作为在所述学习完毕模型中针对每个所述期间的发生劣化的概率值，在所述更新部中，对所述短期内的所述劣化状态是否是满足第二基准的状态进行判定。
根据第四方式的模型更新装置，能够对短期的期间内取得的蓄电池的状态量的劣化状态进行判定，并对模型进行更新。
本公开的第五方式为，一种模型更新方法，其中，计算机执行如下处理，即，处理器针对多个对象的每一个，而将与蓄电池的状态量有关的信息输入到学习完毕模型中，并取得相对于预先规定的期间的各个劣化状态，在作为输入的所述状态量满足相对于所述状态量而被规定的第一基准且所述劣化状态满足相对于所述劣化状态而被规定的第二基准的状态为预定的次数以上的情况下，使用作为向所述学习完毕模型的输入的与所述状态量相关的信息来对所述学习完毕模型进行更新。
本公开的第六方式为，在上述第五方式中，所取得的所述劣化状态被预测作为在所述期间内发生劣化的概率值，满足所述第二基准的状态为第一状态和第二状态中的任意一个，其中，所述第一状态为，所述劣化状态的概率值在表示包含劣化的模式的第一阈值以上且小于作为与所述第一阈值相比劣化程度较高的阈值而被规定的第二阈值的情况，所述第二状态为，所述劣化状态的概率值小于所述第一阈值的情况，在所述取得中，针对从多个对象中得到的各个与所述状态量相关的信息，而取得各个所述劣化状态，在所述更新中，针对各个所述劣化状态而对是否是所述第一状态或者所述第二状态进行判定，在表示所述第一状态的次数为预定的次数以上的第一情况和表示所述第二状态的次数在预定次数以上的第二情况下，使所述学习完毕模型的更新方法不同。
本公开的第七方式为，一种模型更新程序，所述模型更新程序使计算机执行如下处理，即，处理器针对多个对象的每一个，而将与蓄电池的状态量有关的信息输入到学习完毕模型中，并取得相对于预先规定的期间的各个劣化状态，并且在作为输入的所述状态量满足相对于所述状态量而被规定的第一基准且所述劣化状态满足相对于所述劣化状态而被规定的第二基准的状态为预定的次数以上的情况下，使用作为向所述学习完毕模型的输入的与所述状态量有关的信息来对所述学习完毕模型进行更新。
根据上述方式，本公开的模型更新装置、模型更新方法、以及记录了模型更新程序的(非暂时性的)计算机可读介质能够根据模型而在适当的定时下对模型进行更新。
附图说明
基于以下附图来对示例性实施例进行详细描述，其中：
图1为表示模型的学习以及使用了学习完毕模型的判定的一个示例的图。
图2为表示实施方式所涉及的模型更新系统的概要结构的图。
图3为表示实施方式的车辆的硬件结构的框图。
图4为表示实施方式的中心服务器的硬件结构的框图。
图5为表示实施方式的中心服务器的功能结构的框图。
图6为表示在实施方式的中心服务器中被执行的模型更新处理的流程的流程图。
图7A为表示与状态量的种类相应的有效性判定阈值的应用例的图。
图7B为表示与状态量的种类相应的有效性判定阈值的应用例的图。
图8为表示第一情况的更新的流程的流程图。
图9为表示第二情况的更新的流程的流程图。
图10为对学习用数据的类似的部分进行替换的情况下的例。
具体实施方式
在混合动力系统中的辅机用的蓄电池(以下，仅记载为蓄电池)的劣化推断技术中，能够通过使用了大量的学习用数据的机器学习来保证模型的鲁棒性。另一方面，在积蓄到用于对精度较高的模型进行学习的学习用数据之前，需要以几年为单位的时间，在收集上，需要时间。因此，需要在学习用数据被充分积蓄之前开始服务，并与学习用数据的增加一起来对模型进行更新。在本实施方式中，提出了一种实施是否为在学习完毕模型中考虑了输入的状态量的模式的判定并进行更新的方法。由此，能够在不实施新收集的学习用数据的分析的条件下，根据学习完毕模型而在适当的定时下，对模型进行更新。
列举在本实施方式中被应用的模型以及输入输出的示例。模型的输入为蓄电池的状态量(例如，电阻、电压、温度等)，模型为CNN(Convolutional Neural Network：卷积神经网络)等的神经网络，模型的输出为在预定期间内发生劣化的概率、或者在预定期间内不发生劣化的概率。
图1为，表示模型的学习以及使用了学习完毕模型的判定的一个示例的图。在通过机器学习来创建映射的情况下，对所输入的学习用数据和所输出的概率值等进行指定，并自动生成模型中的常数映射。通过常数映射，从而将所输入的状态量映射到短期发生劣化的模式、中期发生劣化的模式、长期不劣化的模式中，并将模型的输出设为各个模式的概率值。对于各个期间而言，假想了例如短期为一个月～两个月、中期为三个月～四个月、长期为半年左右的期间。学习用数据相对于作为输入的蓄电池的状态量，而将所对应的期间的概率值指定为1，将不对应的期间的概率值指定为0，从而对模型进行学习。在图1中，学习用数据的输入的曲线图的纵轴为状态量的值，横轴为取得状态量的值的时间。例如，在(1)中，输入为短期发生劣化的状态量，输出的概率值为短期发生劣化的概率被指定为1，其他情况则被指定为0。输入的蓄电池的状态量和输出的概率值成为教师数据。(2)的中期发生劣化的情况、(3)的长期不劣化的情况也是同样的。(4)为，使用了学习完毕模型的劣化判定的示例，并将作为实际的输入的蓄电池的状态量设为向学习完毕模型的输入，从而将由各个概率值形成的判定结果与各个期间(各个模式)的各个概率值一起输出。作为判定结果，而输出有短期发生劣化这一判定结果、中期发生劣化这一判定结果、长期不劣化这一判定结果、或者并非前述任意一个的判定结果。通过学习完毕模型并根据输入与哪个教师数据的模式相似，从而计算出各个概率值。在本实施方式中，对于学习完毕模型的学习是否妥当，会使用成为学习完毕模型的输出的各个概率值中的、短期内的劣化状态的概率值(以下，也记载为短期劣化概率)的输出来实施劣化状态的判定。
在劣化状态的判定中，作为针对短期劣化概率的判定的阈值，而使用规定了表示包含劣化的模式的阈值的学习完毕判定阈值、以及作为与学习完毕判定阈值相比劣化程度较高的阈值而规定的劣化判定阈值。此外，关于作为实际的输入的蓄电池的状态量，也以设置用于对短期发生劣化的情况是否妥当进行判断的有效性判定阈值的方式来进行阈值判定。各个阈值只要规定预先通过实验等而设定的阈值即可。对于劣化判定阈值，例如，设定在学习完毕模型的输出中作为劣化判定的情况下的阈值、或者高于该阈值的基准的值。即，如果相对于短期发生劣化是妥当的输入，而输出并未超过劣化判定阈值，则需要更新模型。此外，如果超过了学习完毕判定阈值，则至少劣化的模式已经能够学习，如果没有超过，则对于作为实际的输入的蓄电池的状态量而言，还没能学习劣化的模式。
对于劣化状态而言，将学习完毕判定阈值≤短期劣化概率＜劣化判定阈值的情况设为第一状态，将短期劣化概率＜学习完毕判定阈值的情况设为第二状态。学习完毕判定阈值为本公开的技术的“第一阈值”的一个示例，劣化判定阈值为本公开的技术的“第二阈值”的一个示例。
(整体结构)
如图2所示那样，本发明的实施方式的模型更新系统10以包括多台车辆12、和作为模型更新装置的中心服务器30的方式被构成。此外，在各台车辆12上搭载有车载机20。车载机20以及中心服务器30通过网络N而被相互连接在一起。另外，虽然在图2中，相对于中心服务器30而图示了三台车辆12以及车载机20，但多台车辆12以及车载机20的数量并没有这个限定，存在有模型更新处理所需的数量。中心服务器30例如被设置在制造车辆12的制造商或该制造商系列的汽车经销商处。另外，虽然在以下的说明中以将搭载蓄电池的对象设为车辆的情况作为示例来进行说明，但只要对象是搭载蓄电池的装置，则也可以针对其他移动体或对象物来加以应用。多台车辆12为，本公开的技术的“多个对象”的一个示例。
(车辆)
如图3所示那样，本实施方式所涉及的车辆12以包括车载机20、多个ECU(Electronic Control Unit：中央控制器)22、多个车载设备24、辅机用的蓄电池27的方式被构成。另外，关于蓄电池27，为了便于说明，除了特别地作为硬件而进行说明的情况以外，均省略符号。
车载机20以包括CPU(Central Processing Unit)20A、ROM(Read Only Memory：只读存储器)20B、RAM(Random Access Memory：随机存取存储器)20C、车内通信I/F(Interface：接口)20D、以及无线通信I/F20E的方式被构成。CPU20A、ROM20B、RAM20C、车内通信I/F20D、以及无线通信I/F20E经由内部总线20G而以彼此能够通信的方式被连接在一起。
CPU20A为中央运算处理单元，并且执行各种程序、或对各部进行控制。即，CPU20A从ROM20B中读取程序，并将RAM20C作为工作区域而执行程序。
ROM20B存储了各种程序以及各种数据。在本实施方式的ROM20B中，存储有从ECU22收集车辆12的状态以及控制所涉及的车辆信息、并且许可或者限制实施车辆12的功能的利用或装备的应用的控制程序50。此外，在ROM20B中，存储有车辆信息、以及作为蓄电池信息的备份数据的历史信息。
RAM20C作为工作区域而暂时性地对程序或者数据进行存储。
车内通信I/F20D为，用于与各个ECU22连接的接口。该接口使用了基于CAN协议的通信标准。车内通信I/F20D与外部总线20H连接。
无线通信I/F20E为，用于与中心服务器30进行通信的无线通信模块。该无线通信模块例如可使用5G、LTE、Wi-Fi(注册商标)等通信标准。无线通信I/F20E与网络N连接。
ECU22至少包括ADAS(Advanced Driver Assistance System：高级驾驶辅助系统)-ECU22A、以及蓄电池信息ECU22B。虽然为了便于说明，省略了图示，但ECU22具备负责转向控制、制动控制、发动机控制、导航系统以及音响等信息系统控制等的功能。
ADAS-ECU22A对高级驾驶辅助系统进行统一控制。在ADAS-ECU22A上，连接有构成车载设备24的车速传感器25以及横摆率传感器26。
另外，在车载设备24中，除此之外，作为实现中央ECU20的功能所需的设备，而包括转向角传感器、制动作动器、节气门作动器、以及其他传感器类。
蓄电池信息ECU22B随着时间的变化对蓄电池27的状态量进行测量，并作为蓄电池信息而存储在ROM20B中。被存储在ROM20B中的蓄电池信息被定期地收集在中心服务器30中。
(中心服务器)
如图4所示那样，中心服务器30以包括CPU30A、ROM30B、RAM30C、储存器30D以及通信I/F30E的方式被构成。CPU30A、ROM30B、RAM30C、储存器30D以及通信I/F30E经由内部总线30G而以彼此能够通信的方式被连接在一起。CPU30A、ROM30B、RAM30C以及通信I/F30E的功能与上述的车载机20的CPU20A、ROM20B、RAM20C以及无线通信I/F20E是相同的。另外，通信I/F30E也可以进行基于有线的通信。
作为存储器的储存器30D由HDD(Hard Disk Drive：硬盘驱动器)或SSD(SolidState Drive：固态驱动器)构成，并对各种程序以及各种数据进行存储。在本实施方式的储存器30D中，存储有处理程序100、车辆信息DB(数据库)110、以及蓄电池信息DB120。另外，ROM30B也可以对处理程序100、车辆信息DB110、蓄电池信息DB120以及模型存储DB130进行存储。
作为模型更新程序的处理程序100为，用于对中心服务器30中的模型更新进行控制的程序。伴随着处理程序100的执行，中心服务器30执行模型更新处理。在模型更新处理中，车辆信息DB110、蓄电池信息DB120、以及模型存储DB130的信息会被适当读取并被执行。
在车辆信息DB110中，存储有从车辆12取得的车辆信息。车辆信息例如包含车速、加速度、横摆率、转向角、加速器开度、制动踏板踩踏力或者行程等驾驶操作以及行驶所涉及的信息。
在蓄电池信息DB120中，存储有从每一台车辆12中收集到的蓄电池信息。此外，在蓄电池信息DB120中，存储有学习完毕判定阈值、劣化判定阈值、以及有效性判定阈值。
在模型存储DB130中，存储有学习完毕模型。如上文所述那样，学习完毕模型以如下方式学习，即，将蓄电池信息设为输入，作为输出而对各个期间的概率值进行推断，并输出判定结果。此外，在模型存储DB130中，存储有在学习完毕模型的学习中使用的学习用数据。在学习用数据中，包含成为输入的蓄电池的状态量和与输入相对应的期间的概率值的各个组。
如图5所示那样，在本实施方式的中心服务器30中，CPU30A通过执行处理程序100，从而作为取得部200以及更新部202而发挥功能。
取得部200将蓄电池信息输入至学习完毕模型，并取得作为相对于短期、中期以及长期的各个期间而发生劣化的概率值的劣化状态。劣化状态的取得，会针对多个车辆12的各个蓄电池状态而实施。
更新部202使用在取得部200中取得的短期的劣化状态的概率值(短期劣化概率)和作为输入的蓄电池信息来进行判定。更新部202对劣化状态是否为第一状态或者第二状态进行判定，并在表示第一状态的次数为预定的次数以上的第一情况、和表示第二状态的次数为预定次数以上的第二情况下，使学习完毕模型的更新方法不同。在第一情况中，假想为学习用数据的一部分与作为输入的状态量的模式类似。在第二情况中，假想为作为输入的状态量的模式没有被包含在学习用数据中。关于具体的判定内容、更新方法，将在后文叙述。
(控制的流程)
关于在本实施方式的模型更新系统10中被执行的模型更新处理的流程，将使用图6的流程图来进行说明。中心服务器30中的处理通过CPU30A作为中心服务器30的各部而发挥功能，从而被执行。
在步骤S100中，CPU30A将作为判定对象的车辆12的蓄电池信息输入至学习完毕模型中，并取得短期劣化概率。
在步骤S102中，CPU30A对所取得的短期劣化概率是否小于劣化判定阈值进行判定(短期劣化概率＜劣化判定阈值)。在小于劣化判定阈值的情况下，转移至步骤S104，在并非小于劣化判定阈值的情况下，转移至步骤S112。
在步骤S104中，CPU30A对所输入的蓄电池信息中的蓄电池的状态量的值是否为有效性判定阈值以上进行判定(状态量的值≥有效性判定阈值)。在为有效性判定阈值以上的情况下，转移至步骤S106，在并非有效性判定阈值以上的情况下，转移至步骤S112。
另外，根据状态量的种类，是否设为有效性判定阈值以上或者以下的不等号的朝向是可变的。在图7A、图7B中示出了与状态量的种类相应的有效性判定阈值的应用例。图7A、图7B的纵轴为状态量的值，横轴为取得状态量的值的时间。如图7A那样，在状态量为电阻的情况下，为了示出当值上升时发生劣化的情况而设为有效性判定阈值以上。如图7B那样，在状态量为电压的情况下，为了示出当值下降时发生劣化的情况而设为有效性判定阈值以下。状态量的值满足有效性判定阈值的基准的情况为，本公开的技术的“满足第一基准的状态量的情况”的一个示例。
在步骤S106中，CPU30A对短期劣化概率是否为学习完毕判定阈值以上进行判定(短期劣化概率≥学习完毕判定阈值)。在是学习完毕判定阈值以上的情况下，转移至步骤S108，在不是学习完毕判定阈值以上的情况下，转移至步骤S110。
在步骤S108中，作为蓄电池的状态量对于作为判定对象的车辆12而言为第一状态，从而CPU30A计数给第一状态。
在步骤S110中，作为蓄电池的状态量对于作为判定对象的车辆12而言为第二状态，从而CPU30A计数给第二状态。
在步骤S112中，CPU30A针对所有的车辆12而对是否判定完毕了进行判定。在判定完毕了的情况下，转移至步骤S114，在没有判定完毕的情况下，返回至步骤S100，并选择下一个判定对象的车辆12而重复进行处理。
在步骤S114中，CPU30A对被计数的第一状态的次数是否为预定次数(N)以上进行判定。在判定为是预定次数以上的情况下，转移至步骤S116，在判定为不是预定次数以上的情况下，将第一情况的更新设为不需要，并转移至步骤S118。N的次数，例如只要设为相对于作为判定对象的车辆12的全部台数的10％的比例的次数即可。
在步骤S116中，CPU30A判定为，需要进行基于第一情况的更新。
在步骤S118中，CPU30A对被计数的第二状态的次数是否为预定次数(N)以上进行判定。在判定为是预定次数以上的情况下，转移至步骤S120，在判定为不是预定次数以上的情况下，将第二情况的更新设为不需要，并转移至步骤S122。N的次数，例如只要设为成为相对于作为判定对象的车辆12的全部台数的10％的比例的次数即可。
在上述步骤S114中第一状态的次数设为预定次数以上的情况、或者步骤S118的第二状态的次数设为预定次数以上的情况为，本公开的技术的“满足第二基准的状态”的一个示例。
在步骤S120中，CPU30A判定为，需要进行基于第二情况的更新。
在步骤S122中，CPU30A实施基于被判定为需要的情况的学习完毕模型的更新。在下文中，关于第一情况的更新而使用图8的流程图、关于第二情况的更新而使用图9的流程图来对各个情况的处理的流程进行说明。
(第一情况的更新)
在步骤S200中，CPU30A将作为第一状态而被计数了的车辆12设为提取对象，从而提取在作为提取对象的该车辆12的输入中使用的蓄电池的状态量。另外，在车辆信息的一部分也用在模型的学习中的情况下，只要也提取对应的车辆信息的一部分即可。
在步骤S202中，CPU30A对在输入中使用的蓄电池的状态量、和在学习完毕模型的学习中使用的学习用数据中所包含的蓄电池的状态量的全部组合的类似度进行计算。
在步骤S204中，CPU30A从全部组合之中，按照类似度从高到低的顺序来提取替换对象的组合。
在步骤S206中，CPU30A针对替换对象的组合而实施学习用数据的替换。替换通过如下方式实施，即，将该车辆12的蓄电池的状态量和学习用数据中所包含的蓄电池的状态量的类似的部分进行替换，或者对类似的部分进行修正。
在此，对类似的部分的替换进行说明。图10为，对学习用数据的类似的部分进行替换的情况下的示例。在图10的曲线图中，纵轴表示状态量的值，横轴表示取得状态量的时间。学习用数据B的状态量的一部分在将状态量作为随着时间变化的波形的模式H来理解的情况下的模式类似于实际被计测的输入A。学习用数据B为，在中期或者长期的模式H下状态量的值超过劣化阈值的状态量，并且在其一部分的模式H中包含类似的模式。因此，删除学习用数据B的模式H的部分，并追加输入A。或者，将学习用数据B替换为输入A。
在步骤S208中，CPU30A使用替换后的学习用数据来对模型进行重新学习。
在步骤S210中，CPU30A对重新学习的模型的劣化推断精度进行保存。
在步骤S212中，CPU30A对处理针对所有替换对象的组合而言是否完毕了进行判定。在针对所有替换对象而言处理完毕了的情况下，转移至步骤S214，在判定为针对所有替换对象而言处理没有完毕的情况下，返回至步骤S204，并选择下一个替换对象来重复进行处理。
在步骤S214中，CPU30A对处理针对所有提取对象(车辆12)而言是否完毕了进行判定。在判定为针对所有提取对象而言处理完毕了的情况下，转移至步骤S216，在针对所有提取对象而言处理没有完毕的情况下，返回至步骤S200，并选择下一个提取对象来重复进行处理。
在步骤S216中，CPU30A采用重新学习的模型中的、劣化推断精度最好的模型，对模型存储DB130的学习完毕模型进行更新并结束处理。
(第二情况的更新)
在步骤S300中，CPU30A针对作为第一状态而被计数了的车辆12，从而提取在作为提取对象的该车辆12的输入中使用的蓄电池的状态量。
在步骤S302中，CPU30A将提取的蓄电池的状态量追加到学习用数据中。也就是说，将图10的作为输入A的状态量原样追加到学习用数据中。
在步骤S304中，CPU30A使用追加后的学习用数据来对模型进行重新学习。
在步骤S306中，CPU30A对重新学习的学习完毕模型的劣化推断精度进行保存。
在步骤S308中，CPU30A对处理针对所有提取对象的车辆12而言是否完毕了进行判定。在判定为针对所有提取对象而言处理完毕了的情况下，转移至步骤S310，在判定为针对所有提取对象而言处理没有完毕的情况下，返回至步骤S300，并选择下一个提取对象来重复进行处理。
在步骤S310中，CPU30A采用重新学习的学习完毕模型中的、劣化推断精度最好的学习完毕模型，对模型存储DB130的学习完毕模型进行更新并结束处理。
(改变例)
在上述的图6所示的模型更新处理的流程图中，如S104那样，在作为输入的蓄电池的状态量的值没有满足有效性判定阈值的基准的情况(在不是满足第一基准的状态量的情况)下，设想为第一状态以及第二状态的任意一个状态均不计数。但是，在判定为即使该蓄电池的状态量没有满足基准通过测试器等测量单元而测量出的劣化状态也已发生劣化的情况下，也可以采用如下方式，即，在第一状态或者第二状态满足次数的条件的情况下，对学习完毕模型进行更新。测量单元只要为与取得蓄电池信息的单元(蓄电池信息ECU22B)不同的测量单元即可。此外，除了测试器以外，在存在有与本实施方式的学习完毕模型不同的其他进行了学习的学习完毕模型的情况下，与判定为在不同的学习完毕模型下已发生劣化的情况同样地，也可以采用如下方式，即，在第一状态或第二状态满足次数的条件的情况下，对学习完毕模型进行更新。
(总结)
作为本实施方式的模型更新装置的中心服务器30在取得部200中将蓄电池信息输入至学习完毕模型中，并取得作为相对于短期、中期、以及长期的各个期间而发生劣化的概率值的劣化状态。中心服务器30在更新部202中使用短期的劣化状态的概率值(短期劣化概率)、和作为输入的蓄电池信息来进行判定。中心服务器30对劣化状态是否为第一状态或者第二状态进行判定，并在表示第一状态的次数为预定的次数以上的第一情况和表示第二状态的次数为预定次数以上的第二情况下，使学习完毕模型的更新方法不同。由此，能够根据模型而在适当的定时下，对模型进行更新。此外，能够根据劣化状态是第一状态以及第二状态中的哪一个从而以不同的模型的更新方法来对模型进行更新。
另外，也可以由CPU以外的各种处理器来执行在上述实施方式中CPU20A以及CPU30A读入软件(程序)并执行了的各种处理。作为这种情况下的处理器，可例示出具有FPGA(Field-Programmable Gate Array：现场可编程门阵列)等的在制造后能够改变电路结构的PLD(Programmable Logic Device：可编程逻辑器件)、以及ASIC(ApplicationSpecific Integrated Circuit：特定用途集成电路)等的为了执行特定的处理而被专门设计的电路结构的处理器即专用电路等。此外，既可以由这些各种处理器中的一个来执行上述的各个处理，也可以由相同种类或不同种类的两个以上的处理器的组合(例如，多个FPGA、以及CPU和FPGA的组合等)来执行上述的各个处理。此外，更具体而言，这些各种处理器的硬件结构为，对半导体元件等电路元件进行组合而成的电路。
此外，在上述实施方式中，以各个程序被预先存储(安装)在计算机可读的非暂时性存储介质中的形态来进行了说明。例如，车载机20中的程序被预先存储在ROM20B中，中心服务器30中的处理程序100被预先存储在储存器30D中。但是，并不限于此，各个程序也可以以被记录于CD-ROM(Compact Disc Read Only Memory：只读光盘存储器)、DVD-ROM(Digital Versatile Disc Read Only Memory：数字通用光盘存储器)、以及USB(Universal Serial Bus：通用串行总线)存储器等的非暂时性存储介质中的形态而被提供。此外，程序也可以设为经由网络而从外部装置被下载的形态。
在上述实施方式中所说明的处理的流程为一个示例，也可以在不脱离主旨的范围内删除不必要的步骤、或者追加新的步骤、或者对处理顺序进行调换。

Claims (7)

1.一种模型更新装置，其具备：
存储器；
处理器，其与所述存储器结合，
在所述模型更新装置中，
所述处理器被构成为，针对多个对象的每一个，而将与蓄电池的状态量有关的信息输入到学习完毕模型中，并取得相对于预先规定的期间的劣化状态，并且在作为输入的所述状态量满足相对于所述状态量而被规定的第一基准且所述劣化状态满足相对于所述劣化状态而被规定的第二基准的状态为预定的次数以上的情况下，使用作为向所述学习完毕模型的输入的与所述状态量有关的信息来对所述学习完毕模型进行更新。
2.如权利要求1所述的模型更新装置，其中，
所述劣化状态被预测作为在所述期间内发生劣化的概率值，
满足所述第二基准的状态为如下的第一状态和第二状态中的任意一个，其中，所述第一状态为，所述劣化状态的概率值在表示包含劣化的模式的第一阈值以上且小于作为与所述第一阈值相比劣化程度较高的阈值而被规定的第二阈值的情况，所述第二状态为，所述劣化状态的概率值小于所述第一阈值的情况，
所述处理器被构成为，针对从多个对象中得到的各个与所述状态量有关的信息，而取得各个所述劣化状态，并针对各个所述劣化状态而对是否是所述第一状态或者所述第二状态进行判定，且在表示所述第一状态的次数为预定的次数以上的第一情况和表示所述第二状态的次数为预定次数以上的第二情况下，使所述学习完毕模型的更新方法不同。
3.如权利要求1或权利要求2所述的模型更新装置，其中，
在即使作为输入的所述状态量不是满足所述第一基准的状态量的情况下由与取得和所述蓄电池的状态量有关的信息的装置不同的测量装置所测量出的劣化状态也为已发生劣化的判定的情况下，所述处理器在所述劣化状态满足所述第二基准的情况下，对所述学习完毕模型进行更新。
4.如权利要求1至权利要求3中的任意一项所述的模型更新装置，其中，作为所述期间，而设定有预先规定的短期、中期以及长期的各个期间，
所述劣化状态被预测作为在所述学习完毕模型中针对每个所述期间的发生劣化的概率值，
所述处理器对所述短期中的所述劣化状态是否为满足第二基准的状态进行判定。
5.一种模型更新方法，在该方法中，
计算机执行如下处理，即，处理器针对多个对象的每一个，而将与蓄电池的状态量有关的信息输入到学习完毕模型中，并取得相对于预先规定的期间的各个劣化状态，并且在作为输入的所述状态量满足相对于所述状态量而被规定的第一基准且所述劣化状态满足相对于所述劣化状态而被规定的第二基准的状态为预定的次数以上的情况下，使用作为向所述学习完毕模型的输入的与所述状态量有关的信息来对所述学习完毕模型进行更新。
6.如权利要求5所述的模型更新方法，其中，
所取得的所述劣化状态被预测作为在所述期间内发生劣化的概率值，
满足所述第二基准的状态为如下的第一状态和第二状态中的任意一个，其中，所述第一状态为，所述劣化状态的概率值在表示包含劣化的模式的第一阈值以上且小于作为与所述第一阈值相比劣化程度较高的阈值而被规定的第二阈值的情况，所述第二状态为，所述劣化状态的概率值小于所述第一阈值的情况，
对于所述处理器而言，
在所述取得中，针对从多个对象中得到的各个与所述状态量有关的信息，而取得各个所述劣化状态，
在所述更新中，针对各个所述劣化状态而对是否是所述第一状态或者所述第二状态进行判定，
在表示所述第一状态的次数为预定的次数以上的第一情况和表示所述第二状态的次数为预定次数以上的第二情况下，使所述学习完毕模型的更新方法不同。
7.一种记录了模型更新程序的计算机可读介质，其中，
所述模型更新程序使计算机执行如下处理，即，处理器针对多个对象的每一个，而将与蓄电池的状态量有关的信息输入到学习完毕模型中，并取得相对于预先规定的期间的各个劣化状态，并且在作为输入的所述状态量满足相对于所述状态量而被规定的第一基准且所述劣化状态满足相对于所述劣化状态而被规定的第二基准的状态为预定的次数以上的情况下，使用作为向所述学习完毕模型的输入的与所述状态量相关的信息来对所述学习完毕模型进行更新。
CN202310044163.9A 2022-02-04 2023-01-29 模型更新装置、模型更新方法、以及记录了模型更新程序的计算机可读介质 Pending CN116559670A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022016704A JP2023114373A (ja) 2022-02-04 2022-02-04 モデル更新装置、モデル更新方法、及びモデル更新プログラム
JP2022-016704 2022-02-04

Publications (1)

Publication Number Publication Date
CN116559670A true CN116559670A (zh) 2023-08-08

Family

ID=87312381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310044163.9A Pending CN116559670A (zh) 2022-02-04 2023-01-29 模型更新装置、模型更新方法、以及记录了模型更新程序的计算机可读介质

Country Status (4)

Country Link
US (1) US20230249582A1 (zh)
JP (1) JP2023114373A (zh)
CN (1) CN116559670A (zh)
DE (1) DE102023101883A1 (zh)

Also Published As

Publication number Publication date
US20230249582A1 (en) 2023-08-10
DE102023101883A1 (de) 2023-08-10
JP2023114373A (ja) 2023-08-17

Similar Documents

Publication Publication Date Title
US20190287079A1 (en) Sensor-based digital twin system for vehicular analysis
CN109204063B (zh) 一种动力电池健康状态soh的获取方法、装置及车辆
JP2019125867A (ja) 監視装置、監視システム及び監視方法
CN101660974A (zh) 用于车辆的异常分析系统和用于车辆的异常分析方法
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
CN112356837A (zh) 车辆载重监测方法、服务器及控制系统
CN113119981B (zh) 车辆主动安全控制方法、系统及存储介质
CN113454554B (zh) 对道路车辆的部件进行预测性维护的方法和装置
US20220076509A1 (en) Malfunction diagnosing system
CN111780799B (zh) 一种仪表数据验证方法及装置
CN116559670A (zh) 模型更新装置、模型更新方法、以及记录了模型更新程序的计算机可读介质
CN116238519A (zh) 驾驶诊断装置、驾驶诊断方法及存储介质
CN115675500A (zh) 控制设备、车辆控制系统、控制方法和存储介质
CN111045875B (zh) 车辆事故检测方法及相关设备
JP2021124420A (ja) 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
US20230021612A1 (en) Information provision device, information provision method, and storage medium
US20240001931A1 (en) State estimation device, state estimation method, and storage medium
US12026994B2 (en) Oil diagnostic device, oil diagnostic method, and storage medium
US20240001939A1 (en) Method for monitoring failure of motor in a car based on scaling algorithm and system using the same
CN115766907A (zh) 一种车辆can总线报文解析方法、终端设备及存储介质
CN117068177A (zh) 道路坡度处理方法、装置、控制器及存储介质
JP4567168B2 (ja) 車両内プロセスの開ループ制御／閉ループ制御方法，及びその制御装置
CN118070057A (zh) 一种基于gnss的新能源车辆剩余里程预测方法
JP2023041407A (ja) 運転診断装置、運転診断方法、及び運転診断プログラム
CN116238337A (zh) 一种基于高速行驶的电动汽车能耗预测方法和系统

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