DE102009050117A1

DE102009050117A1 - Fahrzeuggesundheitsüberwachung mit kombinierten Aussagen

Info

Publication number: DE102009050117A1
Application number: DE102009050117A
Authority: DE
Inventors: Kwang-Keun Rochester Hills Shin; Mutasim A. Rocheste Hills Salman
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2008-10-24
Filing date: 2009-10-21
Publication date: 2010-07-29
Also published as: US20100106357A1; US8099206B2

Abstract

Es wird ein Verfahren bereitgestellt, um eine Vielzahl eigenständiger Diagnosen zu verschmelzen, um einen kombinierten Meinungsstatus für ein überwachtes System zu erzeugen. Eine Vielzahl vorbestimmter Diagnosestati von eigenständigen Diagnoseroutinen wird ausgeführt. Jede eigenständige Routine erzeugt ein jeweiliges Meinungsstatusergebnis für das überwachte System. Jeweilige Meinungsvektoren werden als eine Funktion von Meinungsergebnissen formuliert. Es wird ein Zustandsraum bereitgestellt, der eine Vielzahl von Unter-Zustandsräumen umfasst. Jeder der Unter-Zustandsräume stellt die vorbestimmten Diagnosestati des überwachten Systems dar. Meinungsvektoren werden den Unter-Zustandsräumen des Zustandsraums zugeordnet. Meinungsvektoren, die zu jedem Unter-Zustandsraum gehören, werden verschmolzen. Ein kombinierter Meinungswert wird für jeden verschmolzenen Unter-Zustandsraum bestimmt. Der Unter-Zustandsraum mit dem höchsten kombinierten Meinungswert wird in Ansprechen auf die bestimmten Wahrscheinlichkeiten als der tatsächliche Diagnosestatus des überwachten Systems angezeigt.

Description

HINTERGRUND DER ERFINDUNG
Ein Vorteil einer Ausführungsform der Erfindung besteht in der Verwendung vielfältiger Fahrzeuguntersystem-Überwachungsalgorithmen und der Verschmelzung der Ergebnisse von jedem der Überwachungsalgorithmen zur Bereitstellung eines robusten und zuverlässigen Ergebnisses.
Da zusätzlich zu der zunehmenden Komplexität von Fahrzeugfunktionen auch die Anzahl von Fahrzeugmerkmalen zunimmt, sind Fahrzeuge als Folge der zusätzlichen Funktionen und der zusätzlichen Komplexität mehr Fehlern und einer Verschlechterung der Zuverlässigkeit ausgesetzt. Als Folge der Zunahme der Fahrzeugmerkmale und der Funktionskomplexität werden vielfältige fahrzeugeigene Gesundheitsüberwachungsdiagnosen zur Überwachung der jeweiligen Untersysteme bereitgestellt. Aufgrund der begrenzten Anzahl von Sensoren und anderen Messeinrichtungen leiten viele Algorithmen die Gesundheit der Untersysteme unter Verwendung von Informationen indirekt ab, die von der begrenzten Anzahl von Sensoren und anderen Messeinrichtungen beschafft werden. Die jeweiligen Algorithmen verarbeiten die Signale von verfügbaren Messungen und extrahieren einige Signaturen, welche die Gesundheit eines Untersystems anzeigen. Jeder Algorithmus kann verschiedene Aspekte eines Untersystems überwachen, um zu versuchen, die Gesundheit des Untersystems zu ermitteln. Jeder Algorithmus liefert Gesundheitsinformationen bezüglich der Gesundheit des Untersystems, bringt aber ein gewisses Maß an Unsicherheit mit sich. Jeder Algorithmus beruht auf unterschiedlichen Standards, die miteinander möglicherweise nicht direkt verglichen werden können. Daher ist die Kombination der Ergebnisse der Algorithmen in ihrer äußeren Aufmachung aufgrund der unterschiedlichen verwendeten Standards nicht vergleichbar und es ist schwierig, die Unsicherheit jedes der Ergebnisse der Algorithmen einzeln und in Kombination zu verringern.
ZUSAMMENFASSUNG DER ERFINDUNG
Ein Vorteil einer Ausführungsform besteht in der Kombination der Ergebnisse vielfältiger Fahrzeuguntersystem-Gesundheitsüberwachungsalgorithmen, welche Fehler und Unsicherheiten verringert, die gewöhnlich mit den Ergebnissen eines einzelnen Fahrzeuguntersystem-Gesundheitsüberwachungsalgorithmus verbunden sind.
Eine Ausführungsform betrachtet ein Verfahren zum Verschmelzen einer Vielzahl eigenständiger Diagnosen, um einen kombinierten Meinungsstatus für ein überwachtes System zu erzeugen. Es wird eine Vielzahl von vorbestimmten Diagnosestati von eigenständigen Diagnoseroutinen ausgeführt. Jede eigenständige Routine erzeugt einen jeweiligen Status eines Meinungsergebnisses für das überwachte System. Es werden jeweilige Meinungsvektoren als eine Funktion von Meinungsergebnissen der Vielzahl ausgeführter vorbestimmter Diagnosestati formuliert. Es wird ein Zustandsraum bereitgestellt, der eine Vielzahl von Unter-Zustandsräumen umfasst. Jeder der Unter-Zustandsräume repräsentiert die vorbestimmten Diagnosestati des überwachten Systems. Den Unter-Zustandsräumen des Zustandsraums werden Meinungsvektoren zugeordnet. Meinungsvektoren, die zu jedem Unter-Zustandsraum gehören, werden verschmolzen. Ein kombinierter Meinungswert wird für jeden verschmolzenen Unter-Zustandsraum bestimmt. Die kombinierten Meinungswerte jedes verschmolzenen Unter-Zustandsraums werden verglichen. Der Unter- Zustandsraum mit dem höchsten kombinierten Meinungswert wird in Ansprechen auf die bestimmten Wahrscheinlichkeiten als der tatsächliche Diagnosestatus des überwachten Systems angezeigt.
Eine Ausführungsform betrachtet ein Diagnosesystem für ein fahrzeugbezogenes System. Es ist mindestens ein Sensor bereitgestellt, um eine Eigenschaft eines fahrzeugbezogenen Untersystems zu überwachen. Eine Verarbeitungseinheit führt eine Vielzahl von fahrzeugsystembezogenen Überwachungsroutinen aus. Die Verarbeitungseinheit identifiziert einen Meinungsstatus für jede Überwachungsroutine und ordnet der Vielzahl von Unter-Zustandsräumen einer Batterie innerhalb eines Zustandsraums einen Meinungsvektor zu. Ein Verschmelzungsgerüst kombiniert die Ergebnisse jeder der ausgeführten Überwachungsroutinen für jeden jeweiligen Unter-Zustandsraum. Das Verschmelzungsgerüst bestimmt einen kombinierten Meinungswert jedes verschmolzenen Unter-Zustandsraums. Das Verschmelzungsgerüst identifiziert den Unterstatus mit dem höchsten kombinierten Meinungswert.
KURZBESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Blockdiagramm einer Fahrzeuguntersystem-Gesundheitsüberwachungsdiagnose.
2 ist ein Blockdiagramm einer Batterieuntersystem-Gesundheitsstatusdiagnose gemäß einer Ausführungsform der Erfindung.
3 ist eine Liste in Tabellenform möglicher Untermengen eines Zustandsraums gemäß der Ausführungsform der Erfindung.
4 ist eine Liste in Tabellenform, die eine binäre Zuordnung für jede der Untermengen des Zustandsraums gemäß der Ausführungsform der Erfindung veranschaulicht.
5 ist ein Blockdiagramm eines Meinungskombinationsschaltplans gemäß der Ausführungsform der Erfindung.
6 ist ein Flussdiagramm eines Verfahrens der Batteriegesundheitsüberwachungsdiagnose gemäß der Ausführungsform der Erfindung.
7 ist ein Zustandsraumdiagramm gemäß der Ausführungsform der Erfindung.
8 ist ein Graph der Zuordnung einer SOC-Grundmeinung gemäß der Ausführungsform der Erfindung.
9 ist eine Abbildung der Grundmeinung der Zuordnungen des SOC-Algorithmus gemäß der Ausführungsform der Erfindung.
10 ist eine Liste in Tabellenform der Grundmeinungszuordnungen des SOC-Algorithmus gemäß der Ausführungsform der Erfindung.
11 ist ein Graph der Zuordnung einer SOF-Grundmeinung gemäß der Ausführungsform der Erfindung.
12 ist eine Abbildung der Grundmeinung der Zuordnungen des SOF-Algorithmus gemäß der Ausführungsform der Erfindung.
13 ist eine Liste in Tabellenform der Grundmeinungszuordnungen eines SOF-Algorithmus gemäß der Ausführungsform der Erfindung.
14 ist ein Graph der Zuordnung einer SOH-Grundmeinung gemäß der Ausführungsform der Erfindung.
15 ist eine Abbildung der Grundmeinung der Zuordnungen des SOH-Algorithmus gemäß der Ausführungsform der Erfindung.
16 ist eine Liste in Tabellenform der Grundmeinungszuordnungen eines SOH-Algorithmus gemäß der Ausführungsform der Erfindung.
DETAILLIERTE BESCHREIBUNG
1 ist ein Blockdiagramm 10 eines Entscheidungsprozesses, der die Ergebnisse vielfältiger Untersystem-Gesundheitsüberwachungsalgorithmen verschmilzt, um ein vereinigtes Ergebnis bereitzustellen, das Unsicherheiten und Fehler in den Algorithmen verringert. Ein Fahrzeuguntersystem 12 wird überwacht, um die Gesundheit des Fahrzeuguntersystems 12 zu bestimmen. Das Untersystem 12 kann ein beliebiges Fahrzeuguntersystem in dem Fahrzeug umfassen. Vielfältige Signale werden von Sen soren und anderen Messeinrichtungen aufgenommen und werden zum Überwachen der Gesundheit des Untersystems 12 verwendet.
Es wird eine Vielzahl von Algorithmen 14 bereitgestellt, um die Aussage bezüglich der Gesundheit des Untersystems 12, die von jedem jeweiligen Algorithmus bestimmt wird, zu extrahieren. Jeder der Sensoren und jede der Messeinrichtungen liefert Aussageinformationen (d. h. Aussagen), die von dem Algorithmus verwendet werden, um eine Hypothese der Gesundheit des Untersystems zu bestimmen. Jeder Algorithmus weist einen anderen Umfang und einen zugeordneten Grad an Unsicherheit oder Fehler in seinen Ergebnissen auf. Jeder Algorithmus kann von einem oder mehreren Prozessoren ausgeführt werden.
Die Ergebnisse jedes Algorithmus werden an ein Aussageverschmelzungsgerüst 16 geliefert, um die vielfältigen Ergebnisse von jedem der Vielzahl von Algorithmen zu verarbeiten und zu verschmelzen (z. B. zu kombinieren), um eine vereinigte Meinung der Gesundheit des überwachten Untersystems zu bestimmen. Auf der Grundlage der Ergebnisse jedes der ausgeführten Algorithmen werden jeder Hypothese Grundmeinungen 18 zugeordnet. Die Ausgabe jeder Meinungszuordnung ist ein Meinungsvektor. Die Meinungsvektoren sind Vektoren aller möglicher Hypothesen und ihrer zugeordneten Meinungswerte.
Die Meinungsvektoren werden an einen Meinungskombinationsverarbeitungsblock 20 geliefert, um einen kombinierten Meinungsvektor zu erzeugen. Jeder Meinungsvektor wird in einen Standard umgesetzt, der zum Erzeugen vereinigter Ergebnisse kombinierbar ist, die miteinander vergleichbar sind.
Die von dem Meinungskombinationsverarbeitungsblock 20 erzeugten Meinungskombinationen werden an einen Entscheidungsblock 22 geliefert. Bei dem Entscheidungsblock 22 werden alle kombinierten Meinungen miteinander verglichen, um zu bestimmen, welche jeweilige kombinierte Meinung die Gesundheit des überwachten Untersystems am genauesten wiederspiegelt. Bei einem Entscheidungsblock 24 wird das Gesundheitsüberwachungsergebnis erzeugt, um den Gesundheitsstatus des überwachten Untersystems zu identifizieren. Der Gesundheitsstatus wird dann von einem Fahrzeuguntersystem verwendet, um eine Maßnahme zu erzeugen oder den Fahrer über den Gesundheitsstatus der Batterie zu benachrichtigen.
2 veranschaulicht eine Ausführungsform eines Blockdiagramms 30 zum Überwachen eines Gesundheitsstatus eines Batterieuntersystems. Es versteht sich, dass die hier beschriebene Ausführungsform zur Veranschaulichung dient und dass das Untersystem, dessen Gesundheit überwacht wird, ein beliebiges Fahrzeuguntersystem sein kann und nicht nur auf Batterieuntersysteme beschränkt ist. Bei Block 30 ist ein Batteriegesundheitsüberwachungssystem zum Überwachen der Gesundheit einer Batterie 31 bereitgestellt. Vielfältige Betriebseigenschaften 32 der Batterie und des Fahrzeugs können verwendet werden, um die Gesundheit der Batterie 31 zu bestimmen. Es versteht sich, dass ein jeweiliger Algorithmus, der zum Überwachen der Gesundheit der Batterie verwendet wird, eine einzige Batterieeigenschaft oder mehr als eine Batterieeigenschaft in Kombination nutzen kann. Derartige Eigenschaften können eine Spannung, einen Strom und eine Temperatur umfassen, sind aber nicht darauf begrenzt.
Die Batteriebetriebseigenschaften werden an eine Vielzahl von Batteriegesundheitsalgorithmen 34 geliefert. Jeder Batteriegesundheitsalgorithmus identifiziert eine hypothetische Gesundheitsmeinung der Gesundheit der Batterie. Beispiele der Batteriegesundheitsalgorithmen können ohne eine Einschränkung Ladestatusüberwachungsalgorithmen (SOC-Algorithmen) 36 und Funktionsstatusüberwachungsalgorithmen (SOF-Überwachungsalgorithmen) 38, Gesundheitsstatusüberwachungsalgorithmen (SOH-Überwachungsalgorithmen), wie etwa Kapazitätsschätzungsüberwachungsalgorithmen 40, Minimalspannungsüberwachungsalgorithmen 42, Ankurbelwiderstandswert- und Überwachungsalgorithmen 44 umfassen. Die verschiedenen Algorithmen erzeugen unterschiedliche Entscheidungen bezüglich des Gesundheitsstatus der Batterie. Da ein einziger Algorithmus möglicherweise nicht in der Lage ist, alle unterschiedlichen Aspekte der Batteriegesundheit zu detektieren, werden bei jedem Ergebnis eine Unsicherheit und Fehler erzeugt.
Ein Verschmelzungsgerüst für die Batteriegesundheitsüberwachung ist bei 45 allgemein gezeigt. Grundmeinungszuordnungen (BBA) werden erzeugt, wie etwa eine BBA-SOC 46, eine BBA-SOF 48, eine BBA-Kapazität 50, eine BBA-Minimalspannung 52 und ein BBA-Widerstandswert 54. Aus jeder jeweiligen Grundmeinungszuordnung werden Meinungsvektoren erzeugt und an einen Meinungskombinationsverarbeitungsblock 56 geliefert. Bei Block 56 werden jeweilige Vektoren kombiniert. Die kombinierten Meinungsvektoren werden dann an einen Gesundheitsentscheidungsverarbeitungsblock 58 geliefert, um einen Gesundheitsstatus der Batterie 31 als ein Ergebnis der kombinierten Meinungsvektoren zu bestimmen. Der Gesundheitsstatus wird dann von einem Fahrzeuguntersystem verwendet, um eine Maßnahme zu erzeugen oder den Fahrer über den Gesundheitsstatus der Batterie zu informieren. Zusammengefasst verringert die Batteriegesundheitsüberwachungsdiagnose die Unsicherheit und Fehler, indem sie die Ergebnisse jedes Algorithmus in einen Standard umsetzt, der sowohl kombinierbar als auch vergleichbar ist, um eine Entscheidung zu treffen, die im Vergleich mit einem einzigen Algorithmus eine höhere Sicherheit aufweist, indem jeder der Batteriegesundheitsüberwachungsalgorithmen berücksichtigt wird.
Die letztendliche Ausgabe der Batteriegesundheitsüberwachungsdiagnose identifiziert bei der hier beschriebenen Ausführungsform den Zustand der Batterie entweder als ”Gut” oder als ”Aufladen” oder als ”Ersetzen”. Es versteht sich, dass die Anzahl oder die Arten der Ausgaben der Gesundheitsüberwachungsdiagnose mehr oder weniger als die hier beschriebenen sein können. Außerdem kann das Verarbeiten der Algorithmen und des Verschmelzungsgerüsts durch eines oder mehrere Modulen erfolgen, oder es kann in ein einziges Modul eingebaut sein, wie etwa ein Batteriesteuerungsmodul.
Im Folgenden wird die mathematische Struktur der Gesundheitsüberwachungsdiagnose beschrieben. Bei dem vorstehend beschriebenen Beispiel für den Gesundheitsstatus einer Batterie kann ein Satz von sich wechselseitig ausschließenden und erschöpfenden Hypothesen (Θ) aus drei möglichen Zuständen (d. h. Gut, Aufladen oder Ersetzen) bestimmt werden. Das heißt, dass die Anzahl von Untermengen einer Hypothese durch die Anzahl möglicher Zustande vorgegeben ist. Für eine Anzahl n von Zuständen werden die möglichen Untermengen durch 2ⁿ bestimmt. Wenn daher n = 3 (d. h. Gut, Aufladen, Ersetzen) ist, dann beträgt die Anzahl möglicher Untermengen 8. Die Liste von Untermengen, welche Kombinationsuntermengen umfasst, ist in der Tabelle 1 gezeigt, die in 3 gezeigt ist.
Die Auswirkung jeder individuellen Aussage, die durch einen Gesundheitsüberwachungsalgorithmus der Untermengen von Θ erzeugt wird, wird durch Grundmeinungszuordnungen (BBA) dargestellt. Die BBA ordnet eine Zahl in dem Bereich von [0,1] zu jeder vorstehend gezeigten Untermen ge von Θ zu. Die Aufsummierung aller Untermengen von Θ ist gleich 1. Dies ist durch die folgende Formel dargestellt:
wobei A die designierten Meinungswerte in der jeweiligen Untermenge von Θ darstellt.
Jeder der Untermengen wird eine oder mehrere Meinungen zugeordnet. Beispielsweise wird in Tabelle 1 die Untermenge {Aufladen, Ersetzen} als die Hypothese interpretiert, dass der Batteriestatus nicht gut ist, es aber nicht ganz sicher ist, ob die Batterie aufgeladen oder ersetzt werden soll. Auf ähnliche Weise wird die Untermenge {”Gut”, ”Aufladen”, ”Ersetzen”} als eine Hypothese interpretiert, dass der Batteriestatus unbekannt ist, weil er jeder der drei Stati sein kann. Das Ergebnis jedes Batteriegesundheitsüberwachungsalgorithmus wird als eine Aussage aufgefasst, die eine oder mehrere Hypothesen des Status der Batteriegesundheit stützt. Aus den Ergebnissen jedes Gesundheitsüberwachungsalgorithmus werden als Meinungsmasse bezeichnete Werte jeder der Untermengen von Θ zugeordnet. Die Meinungsmasse ist gedanklich mit dem Vertrauensniveau verbunden, mit dem die Aussage jede Hypothese stützt. Die Meinungsmasse sollte die Bedingungen in Gleichung (1) erfüllen, sodass das Vertrauensniveau für alle Untermengen von Θ gleich 1 ist. Die Meinungsmasse der leeren Menge ϕ sollte Null sein, da sie nicht auftreten kann, was bedeutet, dass entweder ein Gut, ein Aufladen, ein Ersetzen oder irgendeine Kombination vorhanden sein muss.
Die Grundmeinungszuordnung (BBA) ist eine Funktion, die eine von jedem Algorithmus detektierte Signatur (d. h. Aussagen) auf einen Mei nungsvektor abbildet. Jede Signatur weist einen anderen Standard, oder eine andere Bedeutung, oder eine andere Konstruktionseinheit oder einen anderen Maßstab auf und kann nicht einfach mit anderen Signaturen von anderen Algorithmen verglichen werden. Ein jeweiliger Meinungsvektor wird aus einer jeweiligen BBA abgeleitet. Der Meinungsvektor ist als ein Meinungsmassenvektor definiert, da er sich auf die jeweilige Meinungsmasse bezieht, und er ist ein Wert, der auf der Grundlage der Kenntnis und der Erfahrung jedes Algorithmus entworfen ist.
Sobald die Signaturen (d. h. Aussagen) aus den Batteriegesundheitsüberwachungsalgorithmen detektiert sind, setzt die Batteriegesundheitsüberwachungsdiagnose die Signatur durch einen BBA-Prozess in einen Meinungsvektor um. Die Meinungsvektoren von verschiedenen Algorithmen weisen die gleiche mathematische Struktur auf, die einen besser handhabbaren Standard zum Vergleich miteinander bereitstellt. Der Meinungsvektor ist ein Vektor aus Zahlen zwischen 0 und 1, wobei jede Zahl den Hypothesenuntermengen zugeordnet ist. Die Summe der Zahlen in einem Meinungsvektor sollte gleich 1 sein. Die Meinungsvektoren von verschiedenen Algorithmen können auf eine gewisse Weise kombiniert werden, die nachstehend im Detail erörtert wird, um die in den Meinungsvektoren enthaltenen Informationen zu verschmelzen. Dieser Prozess ist als Evidenzkombination bekannt. Dieses Konzept der Evidenzkombination ist die Umformung eines großen Körpers von Aussagen aus vielen Quellen, wie etwa denjenigen von verschiedenen Gesundheitsüberwachungsalgorithmen, in einen handhabbaren Standard (z. B. Meinungsvektoren), um verschiedene Aussagestrukturen miteinander zu kombinieren, um ein akkumuliertes Ergebnis zu erzeugen, das die Unsicherheit und Fehler verringert, die mit Gesundheitsüberwachungsalgorithmen verbunden sind. Zusammengefasst erzeugt die Batteriegesundheitsüberwachungsdiagnose Meinungsvektoren, die aus unterschiedlichen Batteriegesundheitsüberwa chungsalgorithmen gebildet werden, um einen kombinierten Meinungsvektor zu bilden. Alle verschmolzenen Meinungsvektoren werden miteinander oder mit einem vorbestimmten Schwellenwert verglichen, um eine Gesundheitsentscheidung der Batterie zu treffen.
Die BBA-Strukturen können durch die Kombinationsregel von Dempster kombiniert werden, um die kombinierte BBA zu bilden, wie in Gleichung (2) gezeigt ist. (m1 ⊕ m2 ⊕ ... mn)(ϕ) = 0, (2)und
wobei m₁, m₂, m_n die vielfältigen Meinungsvektoren darstellt, und wobei A, B, C, ..., X ⊂ Θ.
Die Kombinationsregel von Dempster, wie sie in Gleichung (2) gezeigt ist, kann umgestaltet werden, um sie besser handhabbar zu machen. Es wird die Kombination von zwei Meinungsvektoren m₁ und m₂ betrachtet: (m1 ⊕ m2)(ϕ) = 0 (4)und
wobei A, B, C ⊂ Θ.
Zur Vereinfachung der Notation wird eine Wahrheitsfunktion δ(·) so definiert, dass: δ(·) = 1, wenn ihr Argument wahr ist, und δ(·) = 0, wenn ihr Argument falsch ist. Dann gilt der folgende Ausdruck:
daher kann Gleichung (5) umgeschrieben werden als:
Der Nenner auf der rechten Seite von Gleichung (7) kann weiter vereinfacht werden. Da
und
gilt die folgende Gleichung:
und daher
Folglich wird die Kombination von zwei Meinungsvektoren ausgedrückt als
Der Kombinationsoperator ⊕ in Gleichung (10) kann unter Verwendung eines Computeralgorithmus realisiert werden. Um sie für den Computer geeignet zu machen, werden den Untermengen von Θ Ordnungen zugeordnet. Bei der Ausführungsform der Batteriegesundheitsüberwachung werden die Untermengen von Θ dadurch unterschieden, ob sie jeweils Untermengenelemente von Θ aufweisen oder nicht aufweisen. Die in 4 gezeigte Tabelle 2 veranschaulicht, ob jede Untermenge ”Gut”, ”Aufladen” oder ”Ersetzen” als eines ihrer Elemente umfasst. Zum Beispiel zeigt die zweite Spalte 1 an, wenn ”Gut” ein Element der Untermenge in der ersten Spalte ist, und andernfalls 0. Zur Vereinfachung der Notation können daher Ordnungen für die Menge von Θ derart zugeordnet werden, dass A₀ = ϕ, A₁ = {Ersetzen}, A₁ = {Ersetzen} und so weiter ist.
Unter Verwendung der Notation in Tabelle 2 kann der Operator ⊕ in Gleichung (10) umgeschrieben werden zu:
Darüber hinaus kann die Wahrheitsfunktion δ(A_i ∩ A_j = A_k) in dem Computeralgorithmus leicht realisiert werden. Beispielsweise ist die binäre Zahl für A₅ 101 und die binäre Zahl für A₃ ist 011. Die binäre Zahl der Schnittmenge A₅ ∩ A₃ ist das Resultat eines bitweisen UND der zwei binären Zahlen 101 und 011. Tatsächlich ist die binäre Zahl für A₅ ∩ A₃ 001, was A₁ entspricht. Die Realisierung der Wahrheitsfunktion ist daher wie folgt:
5 zeigt einen Blockdiagrammschaltplan einer Meinungskombination. Wie vorstehend erörtert ist, beeinflusst die Reihenfolge oder Kombination das Ergebnis nicht.
Nachdem die Meinungsvektoren kombiniert sind, wird das Ergebnis als ein kombinierter Meinungsvektor m_c = m₁ ⊕ m₂ ⊕ ... m_n realisiert. In Ansprechen auf die Werte der kombinierten Meinungsvektoren wird eine Entscheidung getroffen, den Gesundheitsstatus der Batterie als ”Ersetzen”, ”Aufladen” oder ”Gut” zu identifizieren. Dieser Prozess wird Entscheidungen treffen genannt und wird mit Hilfe des Konzepts von Meinung und Plausibilität beschrieben. Es folgt ein mathematisches Konzept des Konzepts von Meinung und Plausibilität:
wobei Meinung(A) einen Meinungsbetrag angibt, der auf der Grundlage der gegebenen Aussage für A festgelegt ist, und Pl(A) das maximale Ausmaß darstellt, bis zu welchem es die aktuelle Aussage ermöglicht, A zu glauben.
Hinsichtlich der Evidenztheorie wird Meinung(A) als die minimale Wahrscheinlichkeit angesehen, dass die Hypothese A wahr ist, und Pl(A) wird als die maximale Wahrscheinlichkeit angesehen, dass die Hypothese A wahr ist. Daher liegt die Wahrscheinlichkeit P(A) zwischen Meinung(A) und Pl(A). Aus dem kombinierten Meinungsvektor kann die Meinung und die Plausibilität der Untermengen {Gut}, {Aufladen} und {Ersetzen} berechnet werden. Die Untermengen sind wie folgt: Meinung({Gut}) = mc({Gut}) (15) Pl({Gut}) = mc({Gut}) + mc({Gut, Ersetzen}) + mc({Gut, Aufladen}) + mc({Gut, Aufladen, Ersetzen}) (16) Meinung ({Aufladen}) = mc({Aufladen}) (17) Pl({Aufladen}) = mc({Aufladen}) + mc({Aufladen, Ersetzen}) + mc({Gut, Aufladen}) + mc({Gut, Aufladen, Ersetzen}) (18) Meinung ({Ersetzen}) = mc({Ersetzen}) (19) Pl({Ersetzen}) = mc({Ersetzen}) + mc({Aufladen, Ersetzen}) + mc({Gut, Ersetzen}) + mc({Gut, Aufladen, Ersetzen}) (20)
Sobald die Meinung und die Plausibilität der Grundhypothese für Gleichungen (15)–(20) berechnet sind, können Entscheidungsregeln aufgestellt werden. Es folgt ein Beispiel einer Ausführungsform von philosophischen Regeln, die die Gesundheitsüberwachung der Batterie und anschließend ergriffene Maßnahmen verwalten können. Es versteht sich, dass sich die Regeln in Abhängigkeit von einer akzeptierten Meinung oder Plausibilität ändern können. Die Regeln sind wie folgt:

(1) Um Gewährleistung und Fehlalarme zu minimieren, sodass eine Batterie nicht ersetzt wird, bis absolute Sicherheit herrscht, dass die Batterie ersetzt werden muss. Die Meinungsuntermenge von Meinung({Ersetzen}) wird zum Anzeigen des Ersetzen der Batterie verwendet.
(2) Wenn angezeigt wird, dass in der Batterie eine niedrige Ladung existiert, und da ein Aufladen der Batterie nicht schädlich ist, besteht die plausible zu ergreifende Maßnahme darin, die plausible Untermenge von Pl({Aufladen}) als die Anzeige eines Wiederaufladen zu verwenden.
(3) Wenn die Meinung ist, dass keine Maßnahme ergriffen werden soll, sofern es nicht sicher ist, dass die Batterie gut ist, ist die Meinung, dass die Meinungsuntermenge von Meinung({Gut}) als die Anzeige von Gut verwendet werden soll.

Auf der Grundlage der für diese Ausführungsform festgelegten Entscheidungsregeln wird die Entscheidung, welche Maßnahme zu ergreifen ist, gemäß dem Verfahren getroffen, das in dem Flussdiagramm von 6 (insbesondere den Schritten 64–73) gezeigt ist. Bei Schritt 60 werden die Batteriegesundheitsüberwachungsalgorithmen ausgeführt. Bei Schritt 61 werden die Ergebnisse jedes der ausgeführten Gesundheitsüberwachungsalgorithmen gesammelt.
Bei Schritt 62 werden die Grundmeinungszuordnungen für jede Signatur bestimmt. Bei Schritt 63 werden Meinungsvektoren für jede Grundmeinungszuordnungssignatur erzeugt.
Bei Schritt 64 werden die kombinierten Meinungsvektoren gelesen und verglichen. Bei Schritt 65 wird die Meinungsuntermenge Meinung({Ersetzen}) berechnet. Bei Schritt 66 wird die plausible Untermenge Pl({Aufladen}) berechnet. Bei Schritt 67 wird die Meinungsuntermenge Meinung({Gut}) berechnet.
Bei Schritt 68 wird bestimmt, ob die Meinungsuntermenge Meinung({Ersetzen}) größer als sowohl die plausible Untermenge Pl({Aufladen}) als auch die Untermenge Meinung({Gut}) ist. Wenn Meinung({Ersetzen}) größer als sowohl Pl({Aufladen}) als auch Meinung({Gut}) ist, dann geht die Routine zu Schritt 69 weiter, bei dem die Entscheidung getroffen wird, einen ”Ersetzen”-Batteriestatus anzuzeigen. Andernfalls geht die Routine zu Schritt 70 weiter.
Bei Schritt 70 wird bestimmt, ob die plausible Untermenge Pl({Aufladen}) größer als sowohl die Meinungsuntermenge Meinung({Ersetzen}) als auch die Untermenge Meinung({Gut}) ist. Wenn Pl({Aufladen}) größer als sowohl Meinung({Ersetzen}) als auch Meinung({Gut}) ist, dann geht die Routine zu Schritt 71 weiter, bei der die Entscheidung getroffen wird, einen ”Gut”-Batteriestatus anzuzeigen. Andernfalls geht die Routine zu Schritt 72 weiter, wo die Entscheidung getroffen wird, einen ”Aufladen”-Batteriestatus anzuzeigen. Die Routine endet bei Schritt 73.
7–12 veranschaulichen die Prinzipien einer Batteriegesundheitsüberwachung zur Bestimmung der Grundmeinungszuordnungen für jeden Algorithmus. Verschiedene Ankurbelsignaturen von Batterien liefen Aussagen zum Ladestatus (SOC), Funktionsstatus (SOF) und Gesundheitsstatus (SOH). Das Ziel der Batteriegesundheitsüberwachung besteht darin, den Fahrer über eine Statusanzeige zu informieren oder die Information an ein Batteriesteuerungsmodul für weitere Maßnahmen zu liefern. Die drei hier beschriebenen Maßnahmen sind: (1) die Batterie ist ”Gut” und es wird keine Maßnahme benötigt; (2) ”Aufladen” der Batterie; und (3) ”Ersetzen” der Batterie.
Die nötigen Maßnahmen werden aus dem SOC, dem SOF und dem SOH bestimmt und in einem Batteriezustandsraum angezeigt, der als eine zweidimensionale Ebene definiert ist, wobei die X-Achse der SOH ist und die Y-Achse der SOC ist, wie in 6 gezeigt ist. Der SOF nimmt zu der oberen rechten Ecke des Graphen hin zu und nimmt zu der unteren linken Ecke des Graphen hin ab. Ein gleichmäßiger SOF-Status ist als eine SOF_TH-Linie in dem Zustandsraum angezeigt.
Der Batteriezustandsraum ist in mehrere Entscheidungsräume oder Unterzustandsräume gemäß der notwendigen Maßnahme aufgeteilt, wie in 7 gezeigt ist. Daher beruht eine getroffene Batteriegesundheitsüberwachungsentscheidung auf der Region, bei der der Batteriestatus als ein Ergebnis der kombinierten Vektormeinungen angeordnet ist.
Nach dem Unterteilen und Identifizieren der Regionen des Batteriezustandsraums und ihrer jeweiligen zu ergreifenden Maßnahmen kann eine geeignete Maßnahme zum Abbilden jeder BBA-Signatur bestimmt werden. Eine beliebige einzelne Signatur kann die Maßnahme nicht exakt bestimmen; jedoch kann eine Kombination verschiedener Signaturen sowohl die Region als auch die Maßnahme, zu der der Batteriestatus gehört, bestimmen. Es wurde vorstehend erörtert, dass eine einzelne Signatur eine gewisse Unsicherheit besitzt, dass aber ein Kombinieren verschiedener Signaturen die Unsicherheit verringern kann. Dies kann durch die Evidenztheorie erreicht werden.
8–10 stellen die Bestimmung der BBA für den SOC dar. Der SOC ist als die verbleibende Ladung über die verfügbare Kapazität als Prozentsatz definiert und wird von einem jeweiligen SOC-Algorithmus berechnet. Die SOC-Information bestimmt, ob sich der Batteriestatus in der oberen oder der unteren Region des Batteriezustandsraums von 7 befindet. Die jeweiligen SOC-Untermengen, denen ein Wert größer als Null zugeordnet werden soll, werden auf der Grundlage der folgenden Interpretationen bestimmt:
Bei einem hohen SOC braucht die Batterie nicht aufgeladen zu werden. Daher ist eine mögliche Entscheidung entweder ”Ersetzen” oder ”Gut” und der Menge {”Ersetzen”, ”Gut”} wird eine hohe Meinungsmasse zugeordnet. Dies stimmt mit dem Zustandsraumdiagramm in 7 exakt überein.
Bei einem niedrigen SOC sind die Auswirkungen eines niedrigen SOH und eines niedrigen SOC sehr ähnlich. Folglich sollte keine Entscheidung getroffen werden, die Batterie bei einem niedrigen SOC zu ersetzen. Daher ist die mögliche Entscheidung entweder ”Aufladen” oder ”Gut”, und der Menge {”Aufladen”, ”Gut”} wird eine hohe Meinungsmasse zugeordnet. Dies stimmt mit dem Zustandsraumdiagramm in 7 exakt überein.
Die vorstehenden Aussagen sind in einer Grundmeinungszuordnung realisiert, wie in 8–9 gezeigt ist. Die Variablen α und β werden aus dem Graph in 8 erhalten. Bei SOC_TH weisen α und β den gleichen Wert von 0,5 auf. Wenn der SOC zunimmt, nimmt α zu und β nimmt ab. Zusätzlich zu α und β wird ein Unsicherheitsfaktor γ, welcher das Unsicherheitsniveau des SOC-Werts anzeigt, zwischen (0,1) gewählt. Die Meinungsmassen α(1 – γ), β(1 – γ) und γ werden den Untermengen {”Ersetzen”, ”Gut”}, {”Aufladen”, ”Gut”} und {”Ersetzen”, ”Aufladen”, ”Gut”} zugeordnet, wie in 9 gezeigt ist. Die mathematischen Ausdrücke für α und β sind wie folgt:
β = 1 – α (29)
Nach dem Beschaffen der Meinungsvariablen a, β und γ werden die Grundmeinungen dem Meinungsvektor zugeordnet, der in der Tabelle 3 gezeigt ist, die in 10 gezeigt ist.
11–13 stellen die Bestimmung der BBA für den SOF dar. Der Funktionsstatus (SOF) ist die Fähigkeit der Batterie, den Motor anzukurbeln. Eine Ankurbelungsleistung ist eine Anzeige für SOF. Ein hoher SOF impliziert einen hohen SOC oder einen hohen SOH oder beides. Ein niedriger SOF impliziert einen niedrigen SOC oder einen niedrigen SOH oder beides. Daher bestimmt der SOF, ob sich der Batteriestatus in der oberen rechten Region oder der unteren linken Region des Batteriezustandsraums in 7 befindet. Die jeweiligen SOF-Untermengen, welchen ein Wert größer als Null zugeordnet werden soll, werden auf der Grundlage der folgenden Interpretationen bestimmt:
Bei einem hohen SOF braucht die Batterie nicht aufgeladen zu werden. Daher ist eine mögliche Entscheidung entweder ”Ersetzen” oder ”Gut” und eine hohe Meinungsmasse wird der Menge {”Ersetzen”, ”Gut”} zugeordnet. Dies stimmt mit dem Zustandsraumdiagram in 7 exakt überein.
Bei einem niedrigen SOF muss die Batterie aufgeladen oder ersetzt werden. Daher ist eine mögliche Entscheidung entweder ”Aufladen” oder ”Ersetzen” und der Menge {”Aufladen”, ”Ersetzen”} wird eine hohe Meinungsmasse zugeordnet. Dies stimmt mit dem Zustandsraumdiagramm in 7 exakt überein.
Die vorstehenden Aussagen sind in einer Grundmeinungszuordnung realisiert, wie in 11 gezeigt ist. Der SOF_H, der SOF_L und der SOF_TH sind der maximale, der minimale bzw. der Schwellenwert von SOF. Die Variablen α und β werden aus dem Graphen in 11 erhalten. Wenn SOF zunimmt, nimmt α zu und β nimmt ab. Bei SOF_TH weisen α und β den gleichen Wert von 0,5 auf. Zusätzlich zu α und β wird ein Unsicherheitsfaktor γ, der das Unsicherheitsniveau von SOF angibt, zwischen (0,1) gewählt. Die Meinungsmassen α(1 – γ), β(1 – γ) und γ werden den Untermengen {”Ersetzen”, ”Gut”), {”Aufladen”, ”Ersetzen”} und {”Ersetzen”, ”Aufladen”, ”Gut”} zugeordnet, wie in 12 gezeigt ist.
Die mathematischen Ausdrücke für α und β sind wie folgt:
Nach dem Beschaffen der Meinungsvariablen a, β und γ werden die Grundmeinungen dem in Tabelle 4 von 13 gezeigten Meinungsvektor zugeordnet.
14–16 stellen die Bestimmung der BBA für den SOH dar. Es gibt mehrere verschiedene Aspekte für den SOH einer Batterie. Diese Aspekte sind eine Reservekapazität, eine minimale Spannung, ein Ankurbelwiderstandswert usw. Jeder Algorithmus bestimmt einen Batterie-SOH aus jeder Signatur. Die jeweiligen SOH-Untermengen, denen ein Wert größer als Null zugeordnet werden soll, werden auf der Grundlage der folgenden Interpretationen bestimmt:
Bei einem hohen SOH ist die mögliche Entscheidung entweder ”Aufladen” oder ”Gut” und der Menge {”Aufladen, ”Gut”} wird eine hohe Meinungsmasse zugeordnet.
Bei einem niedrigen SOH ist die mögliche Entscheidung entweder ”Aufladen” oder ”Ersetzen” und der Menge {”Aufladen”, ”Ersetzen”} wird eine hohe Meinungsmasse zugeordnet.
Die vorstehenden Aussagen werden in einer Grundmeinungszuordnung realisiert, wie in 14 gezeigt ist. Die Variablen α und β werden aus dem Graphen von 14 erhalten. Wenn der SOH zunimmt, nimmt α zu und β nimmt ab. Bei SOH_Th weisen α und β den gleichen Wert von 0,5 auf. Zusätzlich zu α und β wird ein Unsicherheitsfaktor γ, welcher das Unsicherheitsniveau der Ankurbelleistung anzeigt, zwischen (0,1) gewählt. Die Meinungsmassen α(1 – γ), β(1 – γ) und γ werden den Untermengen {”Aufladen”, ”Gut”}, {”Aufladen”, ”Ersetzen”) und {”Ersetzen”, ”Aufladen”, ”Gut”} zugeordnet, wie in 15 gezeigt ist.
Die mathematischen Ausdrücke für α und β sind wie folgt:
Nach dem Beschaffen der Meinungsvariablen a, β und γ werden die Grundmeinungen dem in Tabelle 5 von 16 gezeigten Meinungsvektor zugeordnet.
Obwohl einige Ausführungsformen der vorliegenden Erfindung genau beschrieben wurden, werden Fachleute auf dem Gebiet, das diese Erfindung betrifft, verschiedene alternative Entwürfe und Ausführungsformen zum Umsetzen der Erfindung in die Praxis erkennen, die durch die folgenden Ansprüche definiert sind.

Claims

Verfahren zum Verschmelzen einer Vielzahl eigenständiger Diagnosen zum Erzeugen eines kombinierten Meinungsstatus für ein überwachtes System, wobei das Verfahren umfasst, dass: eine Vielzahl vorbestimmter Diagnosestati von eigenständigen Diagnoseroutinen ausgeführt wird, wobei jede eigenständige Routine ein jeweiliges Meinungsstatusergebnis für das überwachte System erzeugt; jeweilige Meinungsvektoren als eine Funktion von Meinungsergebnissen der ausgeführten Vielzahl von vorbestimmten Diagnosestati formuliert werden; ein Zustandsraum bereitgestellt wird, der eine Vielzahl von Unter-Zustandsräumen umfasst, wobei jeder der Unter-Zustandsräume die vorbestimmten Diagnosestati des überwachten Systems darstellt; jeder Meinungsvektor den Unter-Zustandsräumen des Zustandsraums zugeordnet wird; alle Meinungsvektoren jedes Unter-Zustandsraums verschmolzen werden; ein kombinierter Meinungswert für jeden verschmolzenen Unter-Zustandsraum bestimmt wird; die kombinierten Meinungswerte von jedem verschmolzenen Unter-Zustandsraum verglichen werden; der Unter-Zustandsraum, der den höchsten kombinierten Meinungswert in Ansprechen auf die bestimmten Wahrscheinlich keiten aufweist, als der tatsächliche Diagnosestatus des überwachten Systems angezeigt wird.
Verfahren nach Anspruch 1, wobei der Meinungsstatus aus einem binären Zustandsstatus gewählt wird.
Verfahren nach Anspruch 1, wobei der Schritt des Formulierens der Meinungsvektoren umfasst, dass die gesammelten Ergebnisse in einen vergleichbaren Standard umgesetzt werden, und/oder wobei der Schritt des Verschmelzens jedes der Meinungsvektoren umfasst, dass jeder Meinungsvektor in einem jeweiligen Unter-Zustandsraum kombiniert wird, und/oder wobei der Schritt des Bestimmens des Meinungswerts umfasst, dass ein Meinungswert erzeugt wird, der jedem jeweiligen Unter-Zustandsraum des Zustandsraumes zugeordnet ist und/oder wobei der Schritt des Identifizierens des Unter-Zustandsraums, der den höchsten kombinierten Meinungswert aufweist, umfasst, dass die kombinierten Meinungswerte von jedem der jeweiligen Unter-Zustandsräume aufsummiert werden und bestimmt wird, welcher jeweilige Unter-Zustandsraum einen höchsten Meinungswert umfasst.
Verfahren nach Anspruch 1, wobei die eigenständige Diagnose eine Diagnose für ein fahrzeugbezogenes Überwachungssystem umfasst.
Verfahren nach Anspruch 4, wobei das fahrzeugbezogene Überwachungssystem ein Batterieüberwachungssystem umfasst.
Verfahren nach Anspruch 5, wobei die eigenständige Diagnose für das Batterieüberwachungssystem Gesundheitsstatus-Überwachungsroutinen umfasst, und/oder wobei die eigenständige Diagnose für das Batterieüberwachungssystem Ladestatus-Überwachungsroutinen umfasst, und/oder wobei die eigenständige Diagnose für das Batterieüberwachungssystem Funktionsstatus-Überwachungsroutinen umfasst, und/oder wobei die eigenständige Diagnose für das Batterieüberwachungssystem eine Gesundheitsstatus-Überwachungsroutine, eine Ladestatus-Überwachungsroutine und/oder eine Funktionsstatus-Überwachungsroutine umfasst.
Verfahren nach Anspruch 5, wobei mindestens einer der Unter-Zustandsräume mit einem Status einer vollständig geladenen Batterie identifiziert werden kann, wobei in Ansprechen darauf, dass dem Status der vollständig geladenen Batterie der höchste kombinierte Meinungswert zugeordnet wird, eine Batterie-Aufgeladen-Meldung bereitgestellt wird, und/oder wobei mindestens einer der Unter-Zustandsräume mit einem Status einer Batteriewiederaufladung identifiziert werden kann, wobei in Ansprechen darauf, dass dem Status der Batteriewiederaufla dung der höchste kombinierte Meinungswert zugeordnet wird, eine Batterie-Wiederaufladen-Meldung bereitgestellt wird, und/oder wobei mindestens einer der Unter-Zustandsräume mit einer Batterie-Ersetzen-Maßnahme identifiziert werden kann, wobei in Ansprechen darauf, dass dem Unter-Zustandsraum mit der Batterie-Ersetzen-Maßnahme der höchste kombinierte Meinungswert zugeordnet wird, eine Batterie-Ersetzen-Meldung bereitgestellt wird.
Diagnosesystem für ein fahrzeugbezogenes System, das umfasst: mindestens einen Sensor zum Überwachen einer Eigenschaft eines fahrzeugbezogenen Untersystems; und eine Verarbeitungseinheit zum Ausführen einer Vielzahl von fahrzeugsystembezogenen Überwachungsroutinen, wobei die Verarbeitungseinheit einen Meinungsstatus für jede Überwachungsroutine identifiziert und der Vielzahl von Batterie-Unter-Zustandsräumen in einem Zustandsraum einen Meinungsvektor zuordnet; ein Verschmelzungsgerüst zum Kombinieren der Ergebnisse jeder der ausgeführten Überwachungsroutinen für jeden jeweiligen Unter-Zustandsraum, wobei das Verschmelzungsgerüst einen kombinierten Meinungswert von jedem verschmolzenen Unter-Zustandsraum bestimmt, wobei das Verschmelzungsgerüst den Unterstatus identifiziert, der den höchsten kombinierten Meinungswert aufweist.
System nach Anspruch 8, das ferner eine Statusanzeige umfasst, wobei die Statusanzeige eine Meldung an einen Fahrer eines Fahrzeugs bereitstellt, die einen Zustandsstatus des jeweiligen überwachten Systems anzeigt.
System nach Anspruch 8, wobei die Meldung eine empfohlene Korrekturmaßnahme zur Wartung der Batterie bereitstellt, und/oder wobei das fahrzeugbezogene System ein Fahrzeugbatterieüberwachungssystem umfasst, und/oder wobei die Verarbeitungseinheit und das Verschmelzungsgerüst als Teil eines Batteriesteuerungsmoduls integriert sind.