DE102016211898A1

DE102016211898A1 - Verfahren zum Überwachen einer Batterie

Info

Publication number: DE102016211898A1
Application number: DE102016211898.6A
Authority: DE
Inventors: Patrick Muenzing; Oliver Dieter Koller
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2016-06-30
Filing date: 2016-06-30
Publication date: 2018-01-04
Also published as: CN109313240A; US20190212391A1; WO2018001602A1; EP3479134A1; CN109313240B

Abstract

Es werden ein Verfahren und eine Anordnung zum Überwachen einer Batterie in einem Kraftfahrzeug vorgestellt. Bei dem Verfahren ermittelt ein erstes Modul (180) Betriebsgrößen der Batterie. Größen, die die Betriebsgrößen repräsentieren, werden mit einem Belastbarkeitsmodell verglichen, um auf diese Weise Zuverlässigkeitskenngrößen der Batterie zu ermitteln, so dass ein zukünftiges Verhalten der Batterie prognostiziert werden kann.

Description

Die Erfindung betrifft ein Verfahren zum Überwachen einer Batterie, insbesondere einer Batterie in einem Kraftfahrzeug, und eine Anordnung zum Durchführen des Verfahrens.
Stand der Technik
Ein Bordnetz oder Fahrzeugbordnetz stellt die Gesamtheit der elektrischen Komponenten bzw. Verbraucher eines Kraftfahrzeugs dar. Dieses hat die Aufgabe, die elektrischen Verbraucher mit Energie zu versorgen. Als Energiespeicher in Bordnetzen werden bspw. Batterien verwendet. Fällt in heutigen Fahrzeugen die Energieversorgung aufgrund eines Fehlers, bspw. bedingt durch Alterung, im Bordnetz bzw. in einer Bordnetzkomponente aus, so entfallen wichtige Funktionen, wie bspw. die Servolenkung. Da die Lenkfähigkeit des Fahrzeugs nicht beeinträchtigt, sondern nur schwergängig wird, ist der Ausfall des Bordnetzes in heutigen in Serie befindlichen Fahrzeugen allgemein akzeptiert. Hinzu kommt, dass in heutigen Fahrzeugen der Fahrer als Rückfallebene zur Verfügung steht.
Zu beachten ist jedoch, dass aufgrund der zunehmenden Elektrifizierung von Aggregaten sowie der Einführung von neuen Fahrfunktionen höhere Anforderungen an die Sicherheit und Zuverlässigkeit der elektrischen Energieversorgung im Kraftfahrzeug gestellt werden. Bei zukünftigen hochautomatisierten Fahrfunktionen, wie bspw. einem Autobahn-Piloten, werden dem Fahrer fahrfremde Tätigkeiten in begrenztem Maße erlaubt. Daraus folgt, dass bis zum Beenden der hochautomatisierten Fahrfunktion der Fahrer die Funktion als sensorische, regelungstechnische, mechanische und energetische Rückfallebene nur noch eingeschränkt wahrnehmen kann.
Aus dem genannten Grund besitzt die elektrische Versorgung beim hochautomatisierten Fahren zur Gewährleistung der sensorischen, regelungstechnischen und aktuatorischen Rückfallebene eine bisher im Kraftfahrzeug nicht gekannte Sicherheitsrelevanz. Fehler bzw. eine Alterung im elektrischen Bordnetz müssen daher zuverlässig und möglichst vollständig im Sinne der Produktsicherheit erkannt werden.
Um den Ausfall von Komponenten prognostizieren zu können, wurden zuverlässigkeitstechnische Ansätze zur Überwachung von Fahrzeugkomponenten erarbeitet. Dazu werden die Bordnetz-Komponenten während des Betriebs überwacht und deren Schädigung ermittelt.
Die Druckschrift DE 10 2013 203 661 A1 beschreibt ein Verfahren zum Betreiben eines Kraftfahrzeugs mit einem elektrischen Bordnetz. Dieses Bordnetz weist einen Halbleiterschalter auf, für den auf Grundlage einer Feststellung zurückliegender Belastungsereignisse eine Istbelastung ermittelt wird. Bei dem Verfahren wird die tatsächlich auf den Halbleiterschalter aufgebrachte Belastung detektiert.
Offenbarung der Erfindung
Vor diesem Hintergrund werden ein Verfahren mit den Merkmalen des Anspruchs 1 und eine Anordnung gemäß Anspruch 11 vorgestellt. Ausführungsformen ergeben sich aus den abhängigen Ansprüchen und der Beschreibung.
Das vorgestellte Verfahren berücksichtigt, dass beim zukünftigen automatisierten und autonomen Fahrbetrieb im Kraftfahrzeug der Fahrer nicht mehr, wie dies aus dem Stand der Technik bekannt ist, als sensorische, regelungstechnische, mechanische und energetische Rückfallebene zur Verfügung steht. Vielmehr übernimmt das Fahrzeug die Funktionen des Fahrers, wie bspw. die Umgebungserkennung, die Trajektorien-Planung und die Trajektorien-Umsetzung, die bspw. auch das Lenken und Bremsen umfassen.
Fällt die Energieversorgung der sicherheitsrelevanten Komponenten aus, ist das Fahrzeug durch die hoch- bzw. vollautomatisierte Funktion nicht mehr kontrollierbar, da alle vorstehend beschriebenen Funktionen, bspw. Umgebungserkennung, Trajektorienplanung und -umsetzung, nicht mehr zur Verfügung stehen. Dadurch ergeben sich aus Sicht der Produktsicherheit sehr hohe Anforderungen an das Fahrzeugbordnetz. Dies bedeutet ebenso, dass die Funktion des automatisierten bzw. autonomen Fahrens dem Nutzer nur dann zur Verfügung stehen darf, wenn das Bordnetz in einwandfreiem Zustand ist und zumindest in naher Zukunft auch bleibt.
Die Batterie bzw. Batterien ist bzw. sind eine der wichtigsten Komponenten im Energiebordnetz, welche die Energieversorgung im Fahrzeug sicherstellen. Es wurde erkannt, dass durch diese besondere Stellung im Bordnetz die Analyse der Batterie um prädiktive Ansätze erweitert werden muss.
Das vorgestellte Verfahren kann in Ausgestaltung in vier aufeinander aufbauende Module gegliedert werden, die gesamt, einzeln oder in beliebigen Kombinationen bspw. im Batteriesensor, in einem anderen Steuergerät oder in einer vergleichbaren Einrichtung, bspw. einer Cloud, realisiert bzw. implementiert werden können. Das grundlegende erste Modul ist dabei Voraussetzung für alle anderen Module. Diese können in beliebigen Kombinationen mit dem ersten Modul kombiniert werden. Auf die genannten vier Module wird nachfolgend eingegangen:
erstes Modul:
Die Aufgabe des ersten Moduls besteht darin, die Belastung der Batterie durch Nutzung der Daten des Batteriesensors oder einer vergleichbaren Einrichtung, die zur Ermittlung der Batteriegrößen und/oder zu deren Zustandsüberwachung dient, zu ermitteln und mit einem Belastbarkeitsmodell zu vergleichen, wodurch Zuverlässigkeitskenngrößen der Batterie ermittelt werden können.
Mögliche Erweiterungen sind:

– Implementierung von Grenzwerten der Zuverlässigkeitskenngrößen, die den Wechsel der Batterie, das Sperren von Betriebsmodi, den Übergang in den sicheren Zustand und/oder die Fahrerübernahme hervorrufen,
– Weiterverarbeitung der ermittelten Zuverlässigkeitskennwerte zur Ermittlung der Systemzuverlässigkeitskennwerte, z. B. Bordnetzausfallwahrscheinlichkeit; auch hier können bspw. über Grenzwerte Betriebsmodi gesperrt werden und/oder der Übergang in den sicheren Zustand und/oder die Fahrerübernahme ausgelöst bzw. getriggert werden.

Das zweite Modul, das eine Erweiterung zu dem ersten Modul darstellt, hat die Aufgaben durch eine Online-Prognose der Belastung der Batterie:

– Freigaben für bestimmte Szenarien, wie z. B. Betriebsmodi oder Betriebsstrategien zu erteilen,
– Safe-Stopp-Szenarien, welche mit der (gealterten) Batterie noch umsetzbar sind, auszuwählen und
– Batteriewechsel, typischerweise bei Zugrundelegung der bisherigen Belastung, vorherzusagen.

Diese Daten können an ein übergeordnetes Steuergerät zur Weiterverarbeitung übertragen werden.
Das dritte Modul, das eine Erweiterung zu dem ersten Modul darstellt, hat die Aufgabe, durch Abgleich des Belastbarkeitsmodells mit der Extrapolation des tatsächlichen SOH (state of health; Gesundheitszustand), bspw. gekennzeichnet durch den Kapazitätsverlust, der Batterie das Belastbarkeitsmodell an die Güte der Batterie anzupassen. Das Belastbarkeitsmodell unterliegt einer statistischen Streuung. Durch Abgleich mit dem ermittelten SOH kann die Güte der Batterie bzw. die Verschiebung des Belastbarkeitsmodells berücksichtigt werden.
Das vierte Modul, das eine Erweiterung zu dem ersten Modul darstellt, hat die Aufgabe, den SOH und die bisher erfahrene Belastung der Batterie mit zentralen Datenbanken, wie bspw. einer Cloud, abzugleichen, um

– die Belastbarkeitsmodelle aufgrund der Vielzahl der im Feld befindlichen Batterien zu verbessern,
– die Belastbarkeitsmodelle im Fahrzeug online anpassen zu können und
– zukünftige Komponenten/Systeme im Fahrzeug besser auslegen zu können.

Bei bekannten Verfahren war bislang eine Systemsteuerung bzw. ein System Control, die bzw. das eine gesamtheitliche Status-Überwachung aller relevanten Komponenten bzw. Fahrzeugfunktionen im Fahrzeug durchführt, nicht vorhanden. Aus Sicht der Produktsicherheit erscheint ein solches System für sicherheitskritische neue Anwendungen mit veränderten Grundannahmen, wie bspw. ein automatisiertes Fahren, erforderlich.
Zu beachten ist, dass Verschleißausfälle von Komponenten die Grundursache für einen Großteil der Bordnetzzustände sind, die im Kontext der neuen Anwendungsbereiche sicherheitsrelevant sind. Daher müssen diese im Fahrzeug präventiv identifiziert und Gegenmaßnahmen eingeleitet werden. Da die Batterie eine der wichtigsten Komponenten im Energiebordnetz ist, werden im Rahmen der vorliegenden Anmeldung Maßnahmen zur präventiven Batterieanalyse vorgestellt, die zur Realisierung der neuen Anwendungen unerlässlich sind.
Das vorgestellte Verfahren und die beschriebene Anordnung haben, zumindest in einigen der Ausführungen, eine Reihe von Vorteilen, die nachstehend aufgeführt sind:

– Unterstützung für die Freigabe und Freigabeentscheidung für automatisierte Fahrfunktionen: Alterungseffekte bzw. die Überschreitung einer vorgegebenen, akzeptierten Alterung in der Batterie führen bzw. führt zum Entzug der Freigabe bzw. zum Verlassen der Fahrfunktionen, wie z. B. automatisiertes Fahren, bzw. zum Entzug der Freigabe oder zum Verlassen bestimmter Betriebsmodi, z. B. Segeln, bzw. zum Übergang in den sicheren Zustand, um sicherheitskritische Zustände zu vermeiden.
– Zuverlässigkeitserhöhung durch adaptierte Fahrstrategien: Fahrsituationen, die im Betrieb zu einem starken Alterungsverhalten der Batterie führen, werden, falls aus Systemsicht möglich, vermieden.
– Verfügbarkeitserhöhung: Präventiver Batterietausch kann rechtzeitig vor einem unkontrollierten Batterieausfall, bspw. in regulären Wartungsintervallen, durchgeführt werden.
– Sicherheitsgewinn bei Übergabe vom automatisierten Fahrbetrieb in den manuellen Fahrbetrieb: Durch frühzeitiges Warnen vor einem Batterieausfall kann die Fahrzeugübergabe in einer für den Fahrer leichter beherrschbaren Situation durchgeführt werden.
– Zwingende Notwendigkeit das Fahrzeug auch bei Ausfall von Komponenten ohne Eingriff eines Fahrers bei vollautomatisiertem Fahren in den sicheren Zustand zu bringen: Zeitgewinn bei der Einleitung der Rückfallstrategie durch frühzeitige Warnung bzw. keine Freigabe der Fahrfunktionen bei sich anbahnendem Batterieausfall und Vermeidung eines ungewollten Bordnetzausfalls durch die Überprüfung, welches Safe-Stopp-Szenario aus Batteriesicht noch zulässig ist.
– Erhöhung der Zuverlässigkeit und der Sicherheit auch von nicht-automatisierten Fahrzeugen durch frühzeitiges Erkennen von anstehenden Ausfällen: Dadurch können auch "Liegenbleiber" auf Fahrspuren, bspw. auf Autobahnen, vermieden werden.

Wie bereits ausgeführt wurde, wurde erkannt, dass es für automatisierte bzw. autonome Fahrzeuge unabdingbar ist, neben dem aktuellen Zustand der sicherheitsrelevanten Komponenten auch deren zukünftiges Verhalten zu prognostizieren. Um den Zustand des Energiebordnetzes, als Basis aller sicherheitsrelevanten Fahrzeugfunktionen, bewerten und prognostizieren zu können, sind für jede Komponente Prognoseeinheiten nötig. Das vorgestellte Verfahren stellt das notwendige Vorgehen zur Analyse der Batterie, die als wichtige Komponente des Energiebordnetzes eingestuft wird, zur Verfügung. Eine mögliche Ausführung des Verfahrens ist in Schritten und damit verbundenen Auswirkungen bzw. Vorteilen nachfolgend skizziert:

– Der Batteriesensor oder eine vergleichbare Einrichtung, die zur Ermittlung der Batteriegrößen und/oder zu deren Zustandsüberwachung dient, übermittelt belastungsrelevante Kenngrößen, die zu Zeitpunkten der jeweiligen Messungen aufgenommen wurden, wie bspw. SOC (State of Charge; Ladungszustand) und Temperatur. Jede Kenngröße ist damit einem Zeitpunkt zugeordnet.
– Das Verfahren ermittelt aus den belastungsrelevanten Kenngrößen die bisher gesehene Belastung, kombiniert mit der Belastbarkeit werden Zuverlässigkeitskenngrößen der Batterie, wie bspw. die Ausfallwahrscheinlichkeit, berechnet.
– Das Verfahren ist anhand der Prognose der Zuverlässigkeitskenngrößen in der Lage, weiterhin mögliche Safe-Stopp-Szenarien unter Berücksichtigung von Bordnetz-Fehlern und Betriebsstrategien zu identifizieren.
– Das Verfahren ist anhand der Prognose der Zuverlässigkeitskenngrößen in der Lage, Freigaben von Betriebsmodi unter Berücksichtigung von Betriebsstrategien zu erteilen, zeitbeschränkt zu erteilen oder zu verhindern.
– Das Verfahren ist anhand der Prognose der Zuverlässigkeitskenngrößen dazu geeignet, bei einem bevorstehenden Batterieausfall rechtzeitig in den sicheren Zustand überzugehen.
– Das Verfahren ist anhand der Prognose der Zuverlässigkeitskenngrößen in der Lage, den Ausfall der Batterie vorherzusagen und damit einen rechtzeitigen Wechsel einzuplanen.
– Das Verfahren ist dazu geeignet, das Prognosemodell der Batterie durch die tatsächliche Alterung, die bspw. im Batteriesensor ermittelt wird, zu optimieren.
– Das Verfahren übermittelt die berechneten Daten an einen zentralen Datenspeicher, wodurch eine weitere Optimierung des Prognosemodells möglich ist.

Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und den beiliegenden Zeichnungen.
Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.
Kurze Beschreibung der Zeichnungen
1 zeigt in einem Blockdiagramm einen Batteriesensor nach dem Stand der Technik.
2 zeigt in einem Blockdiagramm einen Batteriesensor zur Durchführung des Verfahrens.
3 zeigt in einem Ablaufdiagramm Schritte, die im Algorithmus einer Ausführung des vorgestellten Verfahrens nacheinander durchlaufen werden.
4 zeigt in einem Graphen eine Wöhlerkurve.
5 zeigt in einem Graphen die Weibull-Verteilung.
Ausführungsformen der Erfindung
Die Erfindung ist anhand von Ausführungsformen in den Zeichnungen schematisch dargestellt und wird nachfolgend unter Bezugnahme auf die Zeichnungen ausführlich beschrieben.
1 zeigt einen Batteriesensor nach dem Stand der Technik, der insgesamt mit der Bezugsziffer 10 bezeichnet ist. Eingangsgrößen in eine Einheit 12, insbesondere eine Messeinheit, sind die Temperatur T 14 und der Strom I 16, Ausgangsgröße ist die Spannung U 18.
In einem Block 20 erfolgt die Abschätzung von Parametern und Zuständen. Hierin sind eine Rückkopplungseinheit 22, ein Batteriemodell 24 und eine Adaption 26 der Parameter vorgesehen. Es werden eine Variable û 28, Zustandsvariablen ^x 30 und Modellparamater ^p 32 ausgegeben.
Ein Knoten 29 dient dazu, das Batteriemodell 24 an die Batterie anzupassen. Der Strom I 16 geht direkt und die Temperatur T 14 geht indirekt in das Batteriemodell 24 ein. Dieses berechnet û 28 und gleicht dieses mit der realen Spannung U 18 ab. Bei Abweichungen wird das Batteriemodell 24 über die Rückkopplungseinheit 22 korrigiert.
Weiterhin ist ein Block 40 für Sub-Algorithmen bereitgestellt. Dieser umfasst ein Batterietemperaturmodell 42, eine Ruhespannung 44, eine Spitzenstrommessung 46, eine adaptive Startstromvorhersage 48 und eine Batteriegrößenerfassung 50.
Daneben sind Ladungsprofile 60 bereitgestellt, die in einen Block 62 mit Prädiktoren eingehen. Diese sind ein Ladungsprädiktor 64, ein Spannungsprädiktor 66 und ein Alterungsprädiktor 68. Ausgaben des Blocks 62 sind ein SOC 70, Verläufe von Strom 72 und Spannung 74 und ein SOH 76.
Der Batteriesensor 10 ermittelt somit den aktuellen SOC (State of Charge) 70 der Batterie und den aktuellen SOH 76 (State of Health, Kapazitätsverlust im Vergleich zum Ausgangszustand) der Batterie. Über die Prädiktoren 64, 66, 68 ist der Batteriesensor 10 in der Lage, den SOC 70 und den SOH 76 nach mehreren vorher definierten Belastungsszenarien vorherzusagen. Diese können jetzt auch auf automatisiertes Fahren bzw. auf den jeweiligen Anwendungsfall angepasst werden.
2 zeigt einen Batteriesensor zur Durchführung des vorgestellten Verfahrens, der insgesamt mit der Bezugsziffer 100 bezeichnet ist. Dieser Batteriesensor 100 stellt eine Erweiterung zu dem Batteriesensor 10 aus 1 dar. Der Batteriesensor 100 ist dabei vereinfacht wiedergegeben, grundsätzlich sind alle Komponenten des Batteriesensors 10 aus 1 auch in dem Batteriesensor 100 aus 2 vorgesehen.
Die Darstellung zeigt einen Block 120 für die Abschätzung von Parametern und Zuständen. Hierin sind eine Rückkopplungseinheit 122, ein Batteriemodell 124 und eine Adaption 126 der Parameter vorgesehen. In einem Block 162 mit Prädiktoren sind ein Ladungsprädiktor 64, ein Spannungsprädiktor 66 und ein erstes Modul 180 vorgesehen. Das erste Modul 180 steht hier stellvertretend für alle Module. Das erste Modul ist obligatorisch, die anderen Module können hier in beliebigen Kombinationen platziert werden.
Im ersten Modul 180 erfolgt die Berechnung der momentanen Zuverlässigkeitskenngröße(n) der Batterie, wie bspw. die Ausfallwahrscheinlichkeit, Trigger für Batteriewechsel, Trigger Übergang in den sicheren Zustand oder Fahrerübernahme.
Um die Belastung der Batterie zu ermitteln, werden vom Batteriesensor 100 die aktuellen SOC und Temperaturwerte an das erste Modul 180 im Batteriesensor 100 oder in einem anderen Steuergerät übergeben (Pfeil 190). Dort werden die Werte als SOC- und Temperaturverläufe gespeichert. Parallel dazu werden die Zeitpunkte der SOC- und Temperaturmessungen als Zeitverlauf mitgeschrieben. Der SOC-Verlauf wird online im Steuergerät oder Batteriesensor mittels Rainflow-Zählung unter Berücksichtigung der Zeit klassiert. Die Rainflow-Zählung ist ein Verfahren, bei dem aus dem Verlauf einer Messung Amplituden, deren Mitten, deren Startzeitpunkt und deren Dauer ermittelt werden. Dies bewirkt eine Umrechnung des Verlaufs in Hübe mit den Merkmalen Amplitude, Hubmitte, Startzeit des Hubs und Dauer des Hubs. Neben der Rainflow-Zählung gibt es auch andere geeignete Verfahren.
Über die Zeit, zu der der jeweilige Hub stattgefunden hat, kann dem Hub eine Temperatur zugewiesen werden. Über die Steigung der Wöhlerkurve, wie diese in 4 dargestellt ist, wird der jeweilige Hub auf das festgelegte Referenzniveau, z. B. ΔSOC 30 % und 25 °C, umgerechnet, auf dem die Belastbarkeitsdaten vorliegen. Die Temperatur kann dabei bspw. über einen Arrhenius-Ansatz berücksichtigt werden.
4 zeigt in einem Graphen 400, an dessen Abszisse 402 die Anzahl an Zyklen und an dessen Ordinate 404 ΔSOC [%] aufgetragen ist, den Verlauf der Wöhlerkurve N_f 406.
Die Wöhlerkurve N_f gibt an, welche Anzahl an Zyklen bei welchem Hub von der Batterie bis zum Erreichen des Ausfallkriteriums ertragen werden kann. Die Wöhlerkurve lässt sich bspw. durch die Gleichung 1 beschreiben: N_∫ = α(ΔSOL)^–β (1)
Durch Umformung dieser Gleichung 1 lassen sich alle durch die Rainflow-Zählung ermittelten Batteriehübe auf ein Referenzniveau umrechnen.
Im Belastbarkeitsmodell der Batterie, das in diesem Fall durch eine Weibull-Verteilung repräsentiert ist, ist aufgetragen, welche Anzahl an Batterie-Zyklen auf Referenzniveau zu welcher Ausfallwahrscheinlichkeit der Batterie führt. Mittels Belastung der Batterie auf Referenzniveau und Belastbarkeitsmodell auf Referenzniveau lässt sich somit online die Ausfallwahrscheinlichkeit der Batterie zum aktuellen Zeitpunkt berechnen. Die Weibull-Verteilung ist die wahrscheinlichste Verteilung, es könnten theoretisch auch andere Verteilungen das Ausfallverhalten besser beschreiben. Die Weibull-Verteilung ist in 5 wiedergegeben.
5 zeigt in einem Graphen 500 an dessen Abszisse 502 die Anzahl an Zyklen und an dessen Ordinate 504 die Ausfallwahrscheinlichkeit [%] aufgetragen ist, die Weibull-Verteilung 506 mit einer unteren Linie 508, die den unteren Vertrauensbereich zeigt, einer oberen Linie 510, die den oberen Vertrauensbereich zeigt, und einer Linie 512, die eine Wahrscheinlichkeit repräsentiert, bei der 50 % der Bauteile ausgefallen sind.
Mögliche Erweiterungen bzw. Anpassungen sind:

– Implementierung von Grenzwerten der Zuverlässigkeitskenngrößen, die den Wechsel der Batterie bzw. das Sperren von Betriebsmodi, z. B. automatisierte Fahrt, Segeln, Rekuperation, den Übergang in den sicheren Zustand und/oder die Fahrerübernahme einleiten,
– Weiterverarbeitung der ermittelten Zuverlässigkeitskennwerte zur Ermittlung der Systemzuverlässigkeitskennwerte, z. B. Bordnetzausfallwahrscheinlichkeit; auch hier können z. B. über Grenzwerte Betriebsmodi gesperrt und/oder ein Übergang in den sicheren Zustand eingeleitet werden.

In 2 ist weiterhin ein zweites Modul 200 gezeigt. Dieses dient zur Prädiktion einer Überschreitung der geforderten Zuverlässigkeitskenngröße(n) der Batterie, der Freigabe von Szenarien, der Wahl des Safe-Stopp-Szenarios, des Triggers für Batteriewechsel, des Triggers eines Übergangs in den sicheren Zustand oder der Fahrerübernahme.
Hierzu ist in der 2 eine Freigabeanfrage 202, die aus dem Steuergerät kommt, dargestellt. Aus diesem als Eingänge für Block 202 sind vorgesehen eine zulässige Ausfallwahrscheinlichkeit 204, ein aktueller Zeitpunkt t_ist 206 und ein Zeitraum Δt_intervall 208, der für den Batteriewechsel eingeplant ist, das sogenannte Wechselintervall der Batterie
Aufgabe des zweiten Modul 200 ist es, die Zuverlässigkeitskenngrößen der Batterie zu prognostizieren und Freigabeentscheidungen zu treffen bzw. Safe-Stopp-Szenarien auszuwählen. Dabei wird vom übergeordneten Steuergerät die zulässige Größe der Zuverlässigkeitskenngröße kommuniziert oder diese ist bereits im Steuergerät bzw. im Batteriesensor hinterlegt. Ein Beispiel für die zulässige Zuverlässigkeitskenngröße ist eine bestimmte Ausfallwahrscheinlichkeit der Batterie oder die Einhaltung der ausfallfreien Zeit bei einer dreiparametrigen Weibull-Verteilung.
Im zweiten Modul 200 wird das Belastbarkeitsmodell der Batterie von Ausfallwahrscheinlichkeit über Batteriezyklen auf Referenzniveau auf Ausfallwahrscheinlichkeit über Betriebsdauer umgerechnet. Dazu wird der Quotient aus bisher gesehener Belastung und bisheriger Betriebsdauer gebildet.
In diesem zweiten Modul 200 kann der Batteriewechsel zeittechnisch prognostiziert werden. Dazu wird angenommen, dass das Verhältnis von Belastung und Betriebsdauer konstant ist und mit diesem Ansatz eine lineare Prognose der verbleibenden Betriebsdauer der Batterie durchgeführt. Denkbar sind auch Ansätze mit nicht-konstantem Verhältnis von Belastung und Betriebsdauer.
Fällt die prognostizierte verbleibende Betriebsdauer unter einen bestimmten Grenzwert, kann frühzeitig der Übergang in den sicheren Zustand bzw. die Fahrerübernahme eingeleitet werden, so dass ein kritischer Fahrzeugzustand vermieden wird.
3 verdeutlicht in einem Ablaufdiagramm einen möglichen Ablauf des Verfahrens unter Verwendung aller vier Module.
Zu dem ersten Modul:
In einem Speicherelement 300 sind Verläufe von SOC 302 und Temperatur T 304 über der Zeit abgelegt. Dise Verläufe werden mittels Rainflow-Zählung 306 klassiert. Eine sich ergebende Rainflow-Matrix 308 wird mittels einer Wöhlerkurve 310 auf ein Referenzniveau umgerechnet. Daraus ergibt sich die Anzahl der Referenzzyklen. Mittels eines Belastbarkeitsmodells 312, in diesem Fall der Weibull-Verteilung, erfolgt die Berechnung einer Ausfallwahrscheinlichkeit F(n) 314.
Zu dem zweiten Modul:
Eine Anzahl möglicher Fehler 320 kann mit möglichen Szenarien 324, insbesondere Start-Stopp-Szenarien, und Bedingungen 326 kombiniert, daraus ergeben sich Referenzzyklen 330, die zu der Anzahl 311 addiert werden. Es ergibt sich dann aus der Weibull-Verteilung 312 zusätzlich eine Prädiktion 334 verschiedener Szenarien. Die Ausgabe erfolgt als Vektor.
Zudem werden der Zeitpunkt t_ist 340 und das Zeitintervall bis zum nächsten Wechsel Δt_intervall 342 in einem Block 346 eingegeben, in dem eine Umrechnung von Batteriezyklen in Zeitzyklen erfolgt. Dadurch kann die Weibull-Verteilung von Ausfallwahrscheinlichkeit über Batteriezyklen auf Referenzniveau in Ausfallwahrscheinlichkeit über Zeit umgerechnet werden. Es ergibt sich weiterhin die Ausfallwahrscheinlichkeit bis zum nächsten Wechselintervall nach F(t' = Δt_intervall + t) am Ausgang 348.
Zu dem dritten Modul:
In diesem kann die Weibull-Verteilung bzw. das Belastbarkeitsmodell 312 angepasst werden. Hierzu wird eine Schädigung auf Referenznivau 360 basierend auf SOC einer Extrapolation 362 unterzogen. Weiterhin wird dabei SOH 364 von dem Batteriesensor 366 berücksichtigt. Daraus ergibt sich eine neue ausfallfreie Teit t₀ 370 oder ein Korrekturfaktor für die Weibull-Verteilung bzw. das Belastbarkeitsmodells 312.
Mit Linien ist das vierte Modul 380 verdeutlicht, die angeben, zu welchen Zeitpunkten bzw. nach welchem Schritt eine Cloud mit eingezogen werden könnte.
Zu Freigabeentscheidungen wird nachfolgend ausgeführt:
Online wird im berechnenden Steuergerät bzw. im Batteriesensor überprüft, welche Szenarien aus zuverlässigkeitstechnischer Sicht zulässig sind und welche nicht. Dabei kann für jedes Szenario die Anzahl an benötigten Referenzzyklen pro Betriebsdauer hinterlegt sein. Alternativ kann dieser Wert auch online durch Simulation der jeweiligen Szenarien und Berechnung nach "erstem Modul, Belastung" ermittelt werden. Je nach Ergebnis wird die Freigabe erteilt, für einen bestimmten Zeitraum erteilt oder nicht erteilt. Das Ergebnis wird bspw. in Form eines Freigabevektors an das übergeordnete Steuergerät kommuniziert.
Beispielhafte Szenarien, die Einfluss auf die Schädigung der Batterie haben und deren Freigabe überprüft wird, sind:

– Betriebsmodi (manuelle Fahrt, automatisierte Fahrt, Segeln, Rekuperation, ...)
– Betriebsstrategien

Bei der Freigabe lassen sich folgende Fälle unterscheiden:
Fall I: übergeordnetes Steuergerät fragt Betriebsmodus und dessen Dauer an, d. h. die Betriebsstrategie ist bekannt
Als Beispiel: Der Fahrer gibt im Navigationsgerät ein Ziel ein und das System Control stellt dann eine Anfrage über die Freigabe von Betriebsmodi und dessen Dauer.
Für die angefragten Parameter, nämlich Dauer, Betriebsmodus und Betriebsstrategie, wird die "benötigte" Referenzzyklenzahl ermittelt und zur bisher gesehenen Belastung auf Referenzniveau addiert. Es wird nun überprüft, ob der festgelegte Zuverlässigkeitsgrenzwert eingehalten wird. Wird dieser eingehalten, wird der angefragte Fall freigegeben, ansonsten erfolgt dies nicht.
Fall II: übergeordnetes Steuergerät fragt Batteriesensor oder berechnendes Steuergerät kontinuierlich allgemein ab oder Batteriesensor oder berechnendes Steuergerät meldet kontinuierlich verbleibende Dauer für sämtliche Betriebsmodi an das übergeordnete Steuergerät
Im Fall II wird für alle möglichen Kombinationen aus Betriebsmodi und Betriebsstrategien die Dauer bis zum Erreichen des festgelegten Zuverlässigkeitsgrenzwertes ermittelt und an das übergeordnete Steuergerät übergeben. Somit stehen die Zeitdauern zur Verfügung, wie lang jeweils gefahren werden darf und es gibt eine zeitlich begrenzte Freigabe der Funktionen. Befindet sich das Fahrzeug in einer Betriebsmodi-Betriebsstrategiekombination, in welcher der Batterieausfall kurz bevorsteht, kann in eine batterieschonendere Kombination gewechselt oder der Übergang in den sicheren Zustand bzw. eine Fahrerübernahme eingeleitet werden.
Zu Wahl des Safe-Stopp-Szenarios wird ausgeführt:
Online wird im berechnenden Steuergerät oder Batteriesensor überprüft, welche Safe-Stopp-Szenarien aus zuverlässigkeitstechnischer Sicht zulässig sind und welche nicht. Dabei kann für jedes Szenario die Anzahl an benötigten Referenzzyklen hinterlegt sein. Alternativ kann dieser Wert auch online durch Simulation der jeweiligen Szenarien und Berechnung nach "Modul I, Belastung" ermittelt werden.
Mögliche Einflussparameter auf die Wahl des Safe-Stopp-Szenarios sind:

– Safe-Stopp-Szenario (Anhalten in der Spur, Fahren an rechten Fahrbahnrand, ...)
– im Energiebordnetz erkannte(r) Fehler (Bordnetzfehler)
– Betriebsstrategie

Fall I: übergeordnetes Steuergerät fragt Safe-Stopp-Szenario/Szenarien, bei bekannter Betriebsstrategie und identifiziertem Fehler ab
Für die angefragte Kombination aus Safe-Stopp-Szenario, Bordnetzfehler und Betriebsstrategie wird die benötigte Referenzzyklenzahl ermittelt. Diese wird zur bisherigen Belastung auf Referenzniveau hinzuaddiert und überprüft, ob der definierte Zuverlässigkeitsgrenzwert eingehalten wird. Ist dies der Fall, wird die Kombination, z. B. als Ergebnisvektor an das übergeordnete Steuergerät, freigegeben.
Fall II: übergeordnetes Steuergerät fragt Batteriesensor oder berechnendes Steuergerät kontinuierlich allgemein ab oder Batteriesensor oder berechnendes Steuergerät meldet kontinuierlich mögliche Safe-Stopp-Szenarien, kombiniert mit Betriebsmodi und Fehlerfällen im Bordnetz, so werden Ergebnisse der Fehlerinjektionssimulation auf Bordnetzebene erhalten
Für alle möglichen Kombinationen aus Safe-Stopp-Szenario, Bordnetzfehler und Betriebsstrategie wird die benötigte Referenzzyklenzahl ermittelt. Für jede Kombination wird die benötigte Referenzzyklenzahl zur bisherigen Belastung auf Referenzniveau hinzuaddiert und überprüft, ob der definierte Zuverlässigkeitsgrenzwert eingehalten wird. Ist dies der Fall, wird die Kombination freigegeben. Dieses Vorgehen wird für jede Kombination wiederholt und das Ergebnis an das übergeordnete Steuergerät, z. B. in Form eines Lösungsvektors, kommuniziert.
Das dritte Modul hat die Aufgabe, den Referenzwert der tatsächlichen Alterung der Batterie (SOH – Kapazitätsverlust) mitzuschreiben und dessen Verlauf bis zum Erreichen des Ausfallkriteriums, z. B. Kapazitätsverlust von 20 %, über die Betriebsdauer oder die erfahrene Belastung zu extrapolieren. Durch den so erhaltenen Wert kann die Güte der Batterie im Vergleich zur Grundgesamtheit der Batterien berücksichtigt werden und das bisher verwendete Belastbarkeitsmodell, z. B. durch Neudefinition der ausfallfreien Zeit oder einen Korrekturfaktor an die Batteriegüte, angepasst werden.
Das vierte Modul dient zur Nutzung der Prädiktion zur Korrektur des Belastbarkeitsmodells. Das vierte Modul liefert hierzu die von der Batterie erfahrene Schädigung (SOH) über Belastung und den daraus extrapolierten Wert (siehe drittes Modul) an einen Cloud-Speicher. Dort wird anhand der Vielzahl an Schädigung über Belastungsdaten bzw. extrapolierten Werten das Belastbarkeitsmodell optimiert und an das vierte Modul zurückgeschickt. Auf diese Weise wird das zugrundeliegende Belastbarkeitsmodell kontinuierlich verbessert.
Optional kann vorgesehen sein:

– Das vierte Modul kennt nun die Güte der eingebauten Batterie im Vergleich zur Grundgesamtheit und kann die Güte der Batterie z. B. über einen "Korrekturfaktor" berücksichtigen,
– bei Batteriefehlern, die erst im Feld auftreten, kann die Freigabe der fehlerhervorrufenden Betriebsmodi über die Cloud verweigert werden, bis der Fehler z. B. durch einen Austausch behoben wird und somit der Ausfall und der daraus resultierende kritische Fahrzeugzustand vermieden werden.

Weitere Vorteile durch den Austausch mit der Cloud sind:

– Realistische Batteriebelastung für zukünftige Komponenten-/Systementwicklungen/Auslegungen erhalten,
– Anpassung der Betriebsstrategie über die Cloud (Ziel: optimalen Komponentenausnutzung),
– wenn Batterietausch aufgrund regelmäßiger Wartungsmaßnahme kurz bevor steht (prognostizierte Batteriebetriebsdauer reicht nicht bis zur darauffolgenden Wartungsmaßnahme), die Batterie aber noch Belastung ertragen kann, wird die Betriebsstrategie so gewählt, dass die Batterie stärker belastet wird, um andere Komponenten, z. B. DC/DC-Wandler, zu schonen,
– automatisierte Kommunikation mit der Werkstatt, wenn prognostizierte Batterielebensdauer kurz vor Ende ist, um Komponenten zu tauschen,
– Vorhersage der Belastung durch Kenntnis des Streckenprofils anhand von Navigationsdaten (Start-Ziel-Streckenführung).

Das vorgestellte Verfahren ermöglicht die ggf. cloudbasierte Ableitung von Änderungen der Betriebsstrategien, um Ausfälle der Batterie zu verringern. Dies ermöglicht eine ausgewogene Betriebsstrategie bei Berücksichtigung aller relevanten Bordnetzkomponenten.
Somit kann eine Verbesserung der Komponenten- und Systementwicklung sowie deren Auslegung durch Felddatenerfassung erreicht werden. Auch ist eine Verbesserung der Belastbarkeitsmodelle aufgrund einer großen Anzahl von Komponenten im Feld, z. B. durch Deep-learning, möglich. Darüber hinaus kann eine Verbesserung der Belastungsmodelle aufgrund bekannter, realer Komponentenbelastungen erzielt werden.
Das Verfahren und die Anordnung können in jedem Fahrzeug, bei dem die Ausfallwahrscheinlichkeit der Komponenten und/oder eine Systemzuverlässigkeitsanalyse implementiert werden soll, eingesetzt werden. Grundsätzlich ist ein Einsatz in jedem Fahrzeug, bei dem die Freigabe bestimmter Funktionen bzw. die Wahl der Fehlerreaktion (Safe-Stopp-Szenario) in Abhängigkeit des prognostizierten Verhaltens (auf Basis der bisherigen Belastung) erteilt werden soll, möglich.
Ein Einsatz kann in allen Fahrzeugen vorgesehen sein, in denen das Fahrzeugbordnetz hohe Sicherheitsrelevanz besitzt, wie z. B. Fahrzeuge mit Segelbetrieb, Rekuperation oder automatisierte Fahrzeuge. Des Weiteren sind Fahrzeuge mit elektrischer Bremskraftverstärkung (iBooster, IPB) als Einsatzort denkbar. Zu beachten ist, dass es derzeit Bestrebungen gibt, weg von der kilometer- bzw. zeitintervallbasierten Wartung hin zu einer zustandsbasierten Wartung zu kommen. Das vorgestellte Verfahren kann auch für eine solche zustandsbasierte Wartung eingesetzt werden.
Der hierin beschriebene Auswertealgorithmus, der durch das Verfahren implementiert ist, kann in einem Batteriesensor, einem Steuergerät oder in einem Rechner im Fahrzeug oder außerhalb des Fahrzeugs, bspw. in einer Cloud, zur Ausführung kommen. Da die Batterietemperatur einen großen Einfluss auf die Batterieschädigung, -zuverlässigkeit und -lebensdauer hat, kann bspw. durch Zielinformationen des Navigationsgeräts die dortige Außentemperatur und weitere Temperaturvorhersagen in die Analyse integriert werden, um so einen Ausfall der Batterie genauer prädizieren zu können.
Die Analyse der Batterieschädigung kann abschnittsweise, bspw. monatsabhängig, erfolgen, um auf diese Weise die Schädigung im jeweiligen Abschnitt zu ermitteln und Serviceintervalle und Ausfälle besser vorhersagen zu können. Auf diese Weise werden Einflüsse, wie bspw. die Temperatur, genauer in Betracht gezogen. Auch Abgleiche der Vorhersagen für die nächsten Tagen können auf diese Weise mit berücksichtigt werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

DE 102013203661 A1 [0006]

Claims

Verfahren zum Überwachen einer Batterie in einem Kraftfahrzeug, bei dem ein erstes Modul (180) Betriebsgrößen der Batterie ermittelt und Größen, die die Betriebsgrößen repräsentieren, mit einem Belastbarkeitsmodell (312) vergleicht, um auf diese Weise Zuverlässigkeitskenngrößen der Batterie zu ermitteln, so dass ein zukünftiges Verhalten der Batterie prognostiziert werden kann.
Verfahren nach Anspruch 1, bei dem die Größen durch Umwandlung der Betriebsgrößen ermittelt werden.
Verfahren nach Anspruch 1, bei dem die Größen den Betriebsgrößen entsprechen.
Verfahren nach einem der Ansprüche 1 bis 3, bei dem die Betriebsgrößen zumindest teilweise von einem Batteriesensor (100, 366) bereitgestellt werden.
Verfahren nach einem der Ansprüche 1 bis 4, bei dem Grenzwerte für die Zuverläsigkeitskenngrößen implementiert werden.
Verfahren nach einem der Ansprüche 1 bis 5, bei dem die ermittelten Zuverlässigkeitskenngrößen weiterverarbeitet werden, um Systemzuverlässigkeitskennwerte zu ermitteln.
Verfahren nach einem der Ansprüche 1 bis 6, bei dem ein zweites Modul (200) unterschiedliche Szenarien bewertet und ggf. freigegeben werden.
Verfahren nach einem der Ansprüche 1 bis 7, bei dem ein drittes Modul einen Abgleich des Belastbarkeitsmodells (312) mit einer Extrapolation eines tatsächlichen SOH (364) durchführt, und das Belastbarkeitsmodell (312) ggf. anpasst.
Verfahren nach einem der Ansprüche 1 bis 8, bei dem ein viertes Modul (380) einen SOH (364) mit zumindest einer zentralen Datenbank abgleicht.
Verfahren nach Anspruch 9, bei dem ein Abgleich mit einer Cloud erfolgt.
Anordnung zum Überwachen einer Batterie in einem Kraftfahrzeug, die zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 10 eingerichtet ist.
Anordnung nach Anspruch 11, die in einem Batteriesensor (100, 366) implementiert ist.
Anordnung nach Anspruch 11 oder 12, die dazu eingerichtet ist, eine Verarbeitung von Daten cloudbasiert durchzuführen.