DE102019107935A1 - Method for determining the condition of a rechargeable battery in a vehicle - Google Patents

Method for determining the condition of a rechargeable battery in a vehicle Download PDF

Info

Publication number
DE102019107935A1
DE102019107935A1 DE102019107935.7A DE102019107935A DE102019107935A1 DE 102019107935 A1 DE102019107935 A1 DE 102019107935A1 DE 102019107935 A DE102019107935 A DE 102019107935A DE 102019107935 A1 DE102019107935 A1 DE 102019107935A1
Authority
DE
Germany
Prior art keywords
battery
vehicle
neural network
learning result
learning
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
DE102019107935.7A
Other languages
German (de)
Inventor
Felix Heinrich
Björn Rumberg
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.)
Volkswagen AG
Original Assignee
Volkswagen AG
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 Volkswagen AG filed Critical Volkswagen AG
Priority to DE102019107935.7A priority Critical patent/DE102019107935A1/en
Priority to CN202010222906.3A priority patent/CN111751729B/en
Publication of DE102019107935A1 publication Critical patent/DE102019107935A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

Verfahren (100) zur Bestimmung eines Zustands einer wiederaufladbaren Batterie (2) eines Fahrzeuges (1), wobei die nachfolgenden Schritte durchgeführt werden:a) Durchführen einer Erfassung (101) von wenigstens einem Parameter der Batterie (2), um zumindest eine Erfassungsinformation (130) zu erhalten,b) Durchführen eines Lernvorgangs (102) bei wenigstens einem neuronalen Netz (120) anhand der zumindest einen Erfassungsinformation (130), um ein Lernergebnis (110) für das neuronale Netz (120) zur Abbildung des Zustands der Batterie (2) zu erhalten,c) Bereitstellen (103) des Lernergebnisses (110) für eine Auswertung der Batterie (2), wobei die Schritte a) bis c) wiederholt durch das Fahrzeug (1) durchgeführt werden, um während eines Betriebs des Fahrzeuges (1) das Lernergebnis (110) bereitzustellen.Method (100) for determining a state of a rechargeable battery (2) of a vehicle (1), the following steps being carried out: a) Carrying out a detection (101) of at least one parameter of the battery (2) in order to obtain at least one item of detection information ( 130), b) performing a learning process (102) in at least one neural network (120) on the basis of the at least one information item (130) in order to obtain a learning result (110) for the neural network (120) for mapping the state of the battery ( 2), c) providing (103) the learning result (110) for an evaluation of the battery (2), steps a) to c) being carried out repeatedly by the vehicle (1) in order to be able to ( 1) provide the learning outcome (110).

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterie eines Fahrzeuges. Ferner bezieht sich die Erfindung auf ein Überwachungssystem sowie ein Computerprogramm.The present invention relates to a method for determining a state of a rechargeable battery of a vehicle. The invention also relates to a monitoring system and a computer program.

Es ist aus dem Stand der Technik bekannt, dass Daten durch eine Messung bei einer wiederaufladbaren Batterie eines Fahrzeuges ermittelt werden, um Rückschlüsse auf einen Zustand der Batterie zu erlauben. Die Daten umfassen hierzu bspw. Messwerte, welche durch die Messung bei den Batteriezellen ermittelt werden. Beispielhaft können solche Messwerte eine Spannung und/oder einen Strom und/oder eine Temperatur bei der Batterie betreffen. Die Daten können im Fahrzeug ermittelt, und anschließend an eine fahrzeugexterne Verarbeitungsanlage übertragen werden. Dort ist es möglich, anhand einer Vielzahl solcher Daten für verschiedene Fahrzeuge eine funktionelle Analyse der Batterie vorzunehmen.It is known from the prior art that data are determined by a measurement in a rechargeable battery of a vehicle in order to allow conclusions to be drawn about a state of the battery. For this purpose, the data include, for example, measured values that are determined by measuring the battery cells. By way of example, such measured values can relate to a voltage and / or a current and / or a temperature in the battery. The data can be determined in the vehicle and then transferred to a processing system external to the vehicle. There it is possible to carry out a functional analysis of the battery using a large number of such data for different vehicles.

Allerdings ist es oft ein Nachteil, dass die Übertragung der Daten an eine fahrzeugexterne Stelle nicht möglich oder nicht gewünscht ist. Dabei ergibt sich ferner das Problem, dass eine Analyse des Zustands der Batterie nicht oder nur technisch aufwendig durchgeführt werden kann.However, it is often a disadvantage that the transmission of the data to a location external to the vehicle is not possible or not desired. The problem also arises that an analysis of the state of the battery cannot be carried out or can only be carried out in a technically complex manner.

Es ist daher eine Aufgabe der vorliegenden Erfindung, die voranstehend beschriebenen Nachteile zumindest teilweise zu beheben. Insbesondere ist es eine Aufgabe der vorliegenden Erfindung, eine verbesserte Lösung zur Bestimmung des Zustands der Batterie bereitzustellen.It is therefore an object of the present invention to at least partially remedy the disadvantages described above. In particular, it is an object of the present invention to provide an improved solution for determining the state of the battery.

Die voranstehende Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1, ein Überwachungssystem mit den Merkmalen des Anspruchs 10 sowie durch ein Computerprogramm mit den Merkmalen des Anspruchs 11. Weitere Merkmale und Details der Erfindung ergeben sich aus den jeweiligen Unteransprüchen, der Beschreibung und den Zeichnungen. Dabei gelten Merkmale und Details, die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschrieben sind, selbstverständlich auch im Zusammenhang mit dem erfindungsgemäßen Überwachungssystem sowie dem erfindungsgemäßen Computerprogramm, und jeweils umgekehrt, sodass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wechselseitig Bezug genommen wird bzw. werden kann. The above object is achieved by a method with the features of claim 1, a monitoring system with the features of claim 10 and by a computer program with the features of claim 11. Further features and details of the invention emerge from the respective subclaims, the description and the drawings. Features and details that are described in connection with the method according to the invention naturally also apply in connection with the monitoring system according to the invention and the computer program according to the invention, and vice versa, so that with regard to the disclosure of the individual aspects of the invention, reference is or can always be made to each other .

Die Aufgabe wird insbesondere gelöst durch ein Verfahren, insbesondere zumindest teilweise computerimplementiertes Verfahren, zur Bestimmung eines Zustands einer wiederaufladbaren Batterie, vorzugsweise eines Akkumulators, eines Fahrzeuges, bevorzugt Kraftfahrzeuges.The object is achieved in particular by a method, in particular at least partially computer-implemented method, for determining a state of a rechargeable battery, preferably an accumulator, of a vehicle, preferably a motor vehicle.

Hierbei ist vorgesehen, dass die nachfolgenden Schritte durchgeführt werden, vorzugsweise nacheinander in der angegebenen oder in beliebiger Reihenfolge, wobei einzelne und/oder sämtliche der Schritte auch wiederholt durchgeführt werden können:

  1. a) Durchführen einer Erfassung, insbesondere Messung, von wenigstens einem Parameter der Batterie, um zumindest eine Erfassungsinformation (über diesen Parameter) zu erhalten,
  2. b) Durchführen eines Lernvorgangs bei wenigstens einem (insbesondere fahrzeugintern implementierten) neuronalen Netz anhand der zumindest einen Erfassungsinformation, um ein Lernergebnis für das neuronale Netz zur Abbildung des Zustands der Batterie (durch das neuronale Netz) zu erhalten,
  3. c) Bereitstellen des Lernergebnisses für eine Auswertung der Batterie, insbesondere für eine Auswertung des Zustands der Batterie.
It is provided that the following steps are carried out, preferably one after the other in the order specified or in any order, with some and / or all of the steps also being able to be carried out repeatedly:
  1. a) performing a detection, in particular a measurement, of at least one parameter of the battery in order to obtain at least one item of detection information (about this parameter),
  2. b) Carrying out a learning process in at least one neural network (in particular implemented internally in the vehicle) using the at least one information item in order to obtain a learning result for the neural network for mapping the state of the battery (by the neural network),
  3. c) Providing the learning result for an evaluation of the battery, in particular for an evaluation of the condition of the battery.

Dabei können die Schritte a) bis c) wiederholt durch das Fahrzeug, insbesondere durch eine Fahrzeugelektronik, wie eine Verarbeitungsvorrichtung, durchgeführt werden, um während eines Betriebs des Fahrzeuges das Lernergebnis (insbesondere gemäß Schritt c) bereitzustellen, insbesondere den Zustand der Batterie anhand des Lernergebnisses bereitzustellen.Steps a) to c) can be carried out repeatedly by the vehicle, in particular by vehicle electronics such as a processing device, in order to provide the learning result (in particular according to step c), in particular the status of the battery based on the learning result, while the vehicle is in operation to provide.

Dies hat den Vorteil, dass die Erfassungsinformation über den wenigstens einen Parameter nicht unmittelbar zur Beschreibung des Zustands der Batterie herangezogen werden muss, sondern der Zustand der Batterie über das Lernergebnis bereitgestellt werden kann. In anderen Worten kann anhand des bereitgestellten Lernergebnisses (d. h. insbesondere nach Schritt c) das neuronale Netz (fahrzeugintern oder fahrzeugextern) so angepasst werden, dass dieses den Zustand der Batterie (insbesondere auch die Batterie funktional selbst) abbildet. Das Lernergebnis kann damit für diese Anpassung des Netzes spezifisch sein. Die Erfassungsinformation ist z. B. wenigstens ein Messwert, welcher bei der Messung des Parameters ermittelt wird. Der wenigstens eine Parameter ist bspw. eine Spannung und/oder ein Strom und/oder eine Temperatur der Batterie.This has the advantage that the detection information about the at least one parameter does not have to be used directly to describe the state of the battery, but rather the state of the battery can be made available via the learning result. In other words, the learning result provided (i.e. in particular after step c) can be used to adapt the neural network (internal to the vehicle or external to the vehicle) in such a way that it maps the state of the battery (in particular also the battery functionally itself). The learning result can thus be specific for this adaptation of the network. The detection information is e.g. B. at least one measured value, which is determined when measuring the parameter. The at least one parameter is, for example, a voltage and / or a current and / or a temperature of the battery.

Der Betrieb des Fahrzeuges betrifft dabei vorzugsweise einen Zustand des Fahrzeuges, bei welchem ein elektrischer Verbraucher des Fahrzeuges (wie eine Elektronik und/oder ein Elektromotor) durch die Batterie mit Energie versorgt wird. Weiter kann der Betrieb auch einen Einsatz des Fahrzeuges betreffen, bei welchem das Fahrzeug sich fortbewegt, z. B. durch den Elektromotor angetrieben wird. Damit soll der Betrieb zur Abgrenzung gegenüber einem Zustand des Fahrzeuges dienen, bei welchem bspw. eine Inspektion oder eine Demontage oder eine manuelle Untersuchung der Batterie durchgeführt wird.The operation of the vehicle preferably relates to a state of the vehicle in which an electrical consumer of the vehicle (such as electronics and / or an electric motor) is supplied with energy by the battery. Furthermore, the operation can also relate to a use of the vehicle in which the vehicle is moving, e.g. B. is driven by the electric motor. The operation is thus intended to serve as a differentiation from a state of the vehicle in which, for example, an inspection or dismantling or a manual examination of the battery is carried out.

Vorteilhaft ist es zudem, wenn das Fahrzeug als ein Kraftfahrzeug, insbesondere gleisloses Landkraftfahrzeug, zum Beispiel als ein Hybridfahrzeug, das eine Brennkraftmaschine und eine Elektromaschine zur Traktion umfasst oder als ein Elektrofahrzeug ausgebildet ist, vorzugsweise mit einem Hochvolt-Bordnetz und/oder einem Elektromotor. Insbesondere kann das Fahrzeug als ein Brennstoffzellenfahrzeug und/oder Personenkraftfahrzeug ausgebildet sein. Bevorzugt ist bei Ausführungsformen von Elektrofahrzeugen kein Verbrennungsmotor beim Fahrzeug vorgesehen, es wird dann ausschließlich durch elektrische Energie angetrieben.It is also advantageous if the vehicle is designed as a motor vehicle, in particular trackless land vehicle, for example as a hybrid vehicle that includes an internal combustion engine and an electric machine for traction or as an electric vehicle, preferably with a high-voltage on-board network and / or an electric motor. In particular, the vehicle can be designed as a fuel cell vehicle and / or passenger vehicle. In embodiments of electric vehicles, there is preferably no internal combustion engine in the vehicle; it is then driven exclusively by electrical energy.

Der wenigstens eine Parameter kann jeweils bspw. als eine physikalische Größe ausgeführt sein, welche für einen Zustand der Batterie spezifisch ist. Bspw. ist wenigstens einer der Parameter eine Temperatur bei der Batterie und/oder ein elektrischer Strom bei der Batterie und/oder eine elektrische Spannung bei der Batterie. Die Temperatur umfasst z. B. eine Batterietemperatur und/oder eine Zelltemperatur und/oder eine Umgebungstemperatur bei der Batterie. Weiter kann wenigstens einer der Parameter auch eine Leistung bei der Batterie sein.The at least one parameter can each be implemented, for example, as a physical variable which is specific to a state of the battery. E.g. at least one of the parameters is a temperature in the battery and / or an electrical current in the battery and / or an electrical voltage in the battery. The temperature includes e.g. B. a battery temperature and / or a cell temperature and / or an ambient temperature for the battery. Furthermore, at least one of the parameters can also be a power in the battery.

Es kann weiter möglich sein, dass mittels des Lernvorgangs das neuronale Netz anhand der Erfassungsinformation trainiert wird. Die wenigstens eine Erfassungsinformation ist somit eine Eingabe für das neuronale Netz bei diesem Training, und kann entsprechend als Lerndaten genutzt werden. Bspw. können eine elektrische Spannung und/oder ein elektrischer Strom und/oder eine Temperatur an der Batterie, insbesondere an wenigstens einer Batteriezelle, jeweils als einer des wenigstens einen Parameters der Batterie erfasst werden, insbesondere gemessen werden. Die dabei ermittelten Messwerte entsprechen dann bspw. der Erfassungsinformation. Wenn das neuronale Netz anhand wenigstens einer dieser Parameter, also anhand der Erfassungsinformation, trainiert wird, kann das neuronale Netz mittels des aus dem Training resultierenden Lernergebnisses den Zustand der Batterie abbilden. In anderen Worten kann das Lernergebnis eine Anpassung des neuronalen Netzes sein, welches somit als das Ergebnis des Lernvorgangs verstanden werden kann. Durch das Lernergebnis kann das neuronale Netz dazu ausgebildet werden, den Zustand der Batterie abzubilden, insbesondere die Batterie zu simulieren. Hierzu wird jedoch kein vorgegebenes Modell genutzt, sondern das Lernergebnis durch Methoden des maschinellen Lernens anhand der Erfassungsinformation ermittelt. Bspw. kann sich die Gewichtung (zwischen den einzelnen Neuronen) des neuronalen Netzes durch den Lernvorgang verändern. Das Lernergebnis beschreibt dann diese veränderte Gewichtung. Das Training kann vollständig „online“ während des Betriebs im Fahrzeug erfolgen. Die Auswertung, insbesondere Diagnose, der Batterie anhand des Lernergebnisses kann dann ebenfalls im Fahrzeug (fahrzeugintern), ggf. aber auch außerhalb des Fahrzeuges (fahrzeugextern) durchgeführt werden. Fahrzeugextern kann dazu bspw. eine Kopie des neuronalen Netzes, also ein virtueller Zwilling, als das neuronale Netz genutzt werden. Dieses weist bei Anwendung (Parametrisierung bzw. Gewichtung) mittels des Lernergebnisses das identische Batterieverhalten auf, wie das antrainierte neuronale Netz im Fahrzeug. Der Lernvorgang, und insbesondere die Schritte a) bis c), können dabei während des Betriebs des Fahrzeuges fortlaufend durchgeführt und/oder wiederholt werden, sodass das Verhalten der Batterie, insbesondere der Zelle(n), auch bei fortschreitender Alterung weiter anhand des Lernergebnisses abgebildet werden kann. Das sich mit dem Alterungszustand der Batterie anpassende Lernergebnis kann (insbesondere gemäß Schritt c) optional in regelmäßigen Intervallen an den virtuellen Zwilling ausgesendet werden.It can also be possible for the neural network to be trained on the basis of the acquisition information by means of the learning process. The at least one piece of information is thus an input for the neural network during this training and can accordingly be used as learning data. E.g. an electrical voltage and / or an electrical current and / or a temperature on the battery, in particular on at least one battery cell, can be detected, in particular measured, in each case as one of the at least one parameter of the battery. The measured values determined in the process then correspond, for example, to the acquisition information. If the neural network is trained on the basis of at least one of these parameters, that is to say on the basis of the acquisition information, the neural network can map the state of the battery using the learning result resulting from the training. In other words, the learning result can be an adaptation of the neural network, which can thus be understood as the result of the learning process. Using the learning result, the neural network can be designed to map the state of the battery, in particular to simulate the battery. For this, however, no predefined model is used, but rather the learning result is determined by methods of machine learning based on the acquisition information. E.g. the weighting (between the individual neurons) of the neural network can change as a result of the learning process. The learning result then describes this changed weighting. The training can take place completely “online” during operation in the vehicle. The evaluation, in particular diagnosis, of the battery based on the learning result can then also be carried out in the vehicle (inside the vehicle), but possibly also outside the vehicle (outside the vehicle). Outside the vehicle, for example, a copy of the neural network, that is, a virtual twin, can be used as the neural network. When used (parameterization or weighting) by means of the learning result, this has the same battery behavior as the trained neural network in the vehicle. The learning process, and in particular steps a) to c), can be carried out and / or repeated continuously while the vehicle is in operation, so that the behavior of the battery, in particular the cell (s), continues to be mapped on the basis of the learning result even as it ages can be. The learning result, which adapts to the aging of the battery, can (in particular according to step c) optionally be sent to the virtual twin at regular intervals.

Es kann vorgesehen sein, dass das Lernergebnis, und damit auch das trainierte neuronale Netz, das elektrische und/oder thermische Verhalten der Batterie widerspiegelt. Dabei kann es möglich sein, dass das Lernergebnis keinerlei Informationen über die Erfassungsinformation aufweist. Somit ermöglicht das Lernergebnis keinen Rückschluss auf die Erfassungsinformation, wie Messwerte und/oder zeitliche Verläufe von Messwerten über Spannung und/oder Strom und/oder Temperatur bei der Batterie. Dies ermöglicht es, den Zustand der Batterie auch fahrzeugextern bei der Auswertung ermitteln zu können, ohne auf die Erfassungsinformation zurückgreifen zu müssen oder in Kenntnis dieser Erfassungsinformation zu gelangen. Ferner kann die Größe des Datensatzes verringert werden, welcher bei der Bereitstellung ausgesendet werden muss (die Daten zur Repräsentation des Lernergebnisses können bei dem Aussenden bzw. bei einer Datenübertragung sehr viel kleiner sein als die der Erfassungsinformation).It can be provided that the learning result, and thus also the trained neural network, reflect the electrical and / or thermal behavior of the battery. It can be possible that the learning result does not contain any information about the acquisition information. Thus, the learning result does not allow any conclusions to be drawn about the acquisition information, such as measured values and / or time profiles of measured values over voltage and / or current and / or temperature in the battery. This makes it possible to determine the status of the battery also outside the vehicle during the evaluation, without having to resort to the acquisition information or to gain knowledge of this acquisition information. Furthermore, the size of the data record can be reduced which has to be sent out when it is made available (the data for representing the learning result can be much smaller than that of the acquisition information when it is sent out or when data is transmitted).

Es ist denkbar, dass die Erfassungsinformation wenigstens einen Messwert und/oder einen Verlauf von Messwerten umfasst. Die Messwerte können z. B. durch wenigstens eine Messung einer Spannung und/oder eines Stroms und/oder einer Temperatur und/oder einer Leistung bei der Batterie, insbesondere wenigstens einer Batteriezelle, ermittelt werden. Dabei kann die Messung ggf. auch wiederholt durchgeführt werden, z. B. während einer Betriebsdauer des Fahrzeuges, um einen zeitlichen Verlauf der Messwerte zu erhalten. Dieser zeitliche Verlauf der Messwerte kann bei dem Lernvorgang als Erfassungsinformation, d.h. als Eingabe für ein Training des neuronalen Netzes, berücksichtigt werden.It is conceivable that the detection information includes at least one measured value and / or a course of measured values. The measured values can e.g. B. be determined by at least one measurement of a voltage and / or a current and / or a temperature and / or a power in the battery, in particular at least one battery cell. The measurement can optionally also be carried out repeatedly, e.g. B. during an operating period of the vehicle in order to obtain a chronological sequence of the measured values. This temporal course of the measured values can be used as a Acquisition information, ie as input for training the neural network, can be taken into account.

In einer weiteren Möglichkeit kann vorgesehen sein, dass die Schritte a) bis c) vollständig fahrzeugintern durch eine Verarbeitungsvorrichtung des Fahrzeuges durchgeführt werden. Die Verarbeitungsvorrichtung weist z. B. eine Fahrzeugelektronik, wie ein Steuergerät und/oder wenigstens einen Prozessor und/oder wenigstens einen Mikrocontroller, auf. Damit können zuverlässig der Zustand und auch eine Veränderung des Zustands der Batterie während des Betriebs abgebildet werden.In a further possibility it can be provided that steps a) to c) are carried out completely within the vehicle by a processing device of the vehicle. The processing device comprises, for. B. vehicle electronics, such as a control unit and / or at least one processor and / or at least one microcontroller. In this way, the status and also a change in the status of the battery can be reliably mapped during operation.

Vorteilhaft ist es darüber hinaus, wenn im Rahmen der Erfindung der Lernvorgang mit der zumindest einen Erfassungsinformation in der Form von Trainingsdaten für das neuronale Netz durchgeführt wird, sodass das Lernergebnis eine Parametrisierung, insbesondere Gewichtung, des neuronalen Netzes umfasst, welche für den Zustand der Batterie spezifisch ist. In anderen Worten kann das Lernergebnis ein Resultat des Lernvorgangs sein, um das neuronale Netz für die Abbildung des Zustands der Batterie anzupassen (zu parametrisieren). Dies ermöglicht es auch, das neuronale Netz (z. B. durch eine Kopie des Netzes oder dergleichen) fahrzeugextern zu verwenden, und dort mit dem bereitgestellten Lernergebnis zu parametrisieren, um ohne Kenntnis der Erfassungsinformation den Zustand der Batterie abzubilden.It is also advantageous if, within the scope of the invention, the learning process is carried out with the at least one piece of information in the form of training data for the neural network, so that the learning result includes a parameterization, in particular weighting, of the neural network, which is relevant for the state of the battery is specific. In other words, the learning result can be a result of the learning process in order to adapt (parameterize) the neural network for mapping the state of the battery. This also makes it possible to use the neural network (e.g. by a copy of the network or the like) outside the vehicle and to parameterize it there with the provided learning result in order to map the state of the battery without knowledge of the detection information.

Ein weiterer Vorteil kann im Rahmen der Erfindung erzielt werden, wenn der Lernvorgang in der Form eines unüberwachten Lernens, insbesondere ausschließlich fahrzeugintern, durchgeführt wird. Damit können der Lernvorgang und insbesondere sämtliche Verfahrensschritte vollständig automatisiert erfolgen.A further advantage can be achieved within the scope of the invention if the learning process is carried out in the form of unsupervised learning, in particular exclusively within the vehicle. The learning process and, in particular, all procedural steps can thus be carried out fully automatically.

Von weiterem Vorteil kann vorgesehen sein, dass das Bereitstellen gemäß Schritt c) dadurch erfolgt, dass das Lernergebnis an eine fahrzeugexterne Verarbeitungsanlage ausgesendet wird, um fahrzeugextern den Zustand der Batterie anhand des Lernergebnisses zu bestimmen. Die fahrzeugexterne Verarbeitungsanlage umfasst hierzu z. B. mindestens einen Computer oder dergleichen, um durch die Auswertung den Zustand der Batterie anhand des Lernergebnisses zu bestimmen.A further advantage can be provided that the provision according to step c) takes place in that the learning result is sent to a processing system external to the vehicle in order to determine the state of the battery external to the vehicle on the basis of the learning result. The off-vehicle processing system includes z. B. at least one computer or the like in order to determine the status of the battery based on the learning result through the evaluation.

In einer weiteren Möglichkeit kann vorgesehen sein, dass die fahrzeugexterne Verarbeitungsanlage zum Bestimmen des Zustands der Batterie und/oder für die Auswertung den nachfolgenden Schritt durchführt:

  • - Anwenden des (fahrzeugextern implementierten) neuronalen Netzes, wobei das neuronale Netz durch das ausgesendete Lernergebnis parametrisiert wird, wobei insbesondere das Lernergebnis für eine Gewichtung des neuronalen Netzes verwendet wird.
In a further possibility it can be provided that the processing system external to the vehicle carries out the following step to determine the state of the battery and / or for the evaluation:
  • Applying the neural network (implemented outside the vehicle), the neural network being parameterized by the learning result transmitted, the learning result in particular being used for weighting the neural network.

Insbesondere bezeichnet dabei das fahrzeugextern implementierte neuronale Netz ein solches neuronales Netz, welches (zumindest im Wesentlichen) identisch ist zum fahrzeugintern implementierten neuronalen Netz, also eine Kopie, welche auch als virtueller Zwilling aufgefasst werden kann.In particular, the neural network implemented outside the vehicle denotes such a neural network which is (at least essentially) identical to the neural network implemented inside the vehicle, that is to say a copy that can also be understood as a virtual twin.

Es ist denkbar, dass gemäß einem weiteren Verfahrensschritt nach dem Bereitstellen (insbesondere gemäß Schritt c) eine Auswertung des Zustands der Batterie anhand des Lernergebnisses erfolgt. Hierzu kann bspw. ein Anwenden des neuronalen Netzes fahrzeugintern oder fahrzeugextern erfolgen, bei welchem das neuronale Netz durch das bereitgestellte Lernergebnis parametrisiert wird. Auch kann hierbei anhand von virtuellen Experimenten das neuronale Netz auf sein elektrisches und thermisches Betriebsverhalten hin untersucht werden, wie z. B. der Alterungszustand (State of Health, SOH), der Innenwiderstand, das Impedanzverhalten oder auch das thermische Verhalten der Batterie. Bei diesen virtuellen Experimenten wird lediglich das neuronale Netz betrachtet und die zugrundeliegende Batterie nicht weiter belastet. Dies kann die Batterie schonen und einen erhöhten technischen Aufwand für die Untersuchung der Batterie vermeiden. Es ist möglich, dass die Untersuchung auch eine prädiktive Schätzung der Alterung der Batterie ermöglicht, z. B. mittels eines prädiktiven Alterungsmodells. Somit kann die Alterung der Batterie für die Zukunft berechnet werden, und z. B. auch der Benutzer des Fahrzeuges darüber informiert werden, um z. B. ein Ladeprofil für die Batterie anzupassen.It is conceivable that, according to a further method step, after the provision (in particular according to step c), the status of the battery is evaluated on the basis of the learning result. For this purpose, the neural network can be used, for example, inside or outside the vehicle, in which case the neural network is parameterized by the learning result provided. The neural network can also be examined for its electrical and thermal operating behavior using virtual experiments, such as B. the state of health (SOH), the internal resistance, the impedance behavior or the thermal behavior of the battery. In these virtual experiments, only the neural network is considered and the underlying battery is not further loaded. This can save the battery and avoid increased technical effort for the examination of the battery. It is possible that the investigation also enables predictive estimation of the aging of the battery, e.g. B. using a predictive aging model. Thus, the aging of the battery can be calculated for the future, and z. B. also the user of the vehicle can be informed about z. B. adapt a charging profile for the battery.

Ferner ist es denkbar, dass das wenigstens eine neuronale auch wenigstens zwei oder drei oder mehr neuronale Netze umfasst. Auf diese Weise können unterschiedliche Netze vorgesehen sein, um unterschiedliche Ebenen der Batterie (Zell- und Batteriesystemebenen) abzubilden. Hierzu werden die unterschiedlichen neuronalen Netze z. B. mit unterschiedlichen Erfassungsinformationen trainiert.Furthermore, it is conceivable that the at least one neural network also includes at least two or three or more neural networks. In this way, different networks can be provided in order to map different levels of the battery (cell and battery system levels). For this purpose, the different neural networks z. B. trained with different detection information.

Ein weiterer Vorteil im Rahmen der Erfindung ist erzielbar, wenn bei dem Anwenden des neuronalen Netzes ein Lastprofil als Eingabe für das neuronale Netz verwendet wird, um als eine Ausgabe des neuronalen Netzes ein Ausgabeprofil zu erhalten, welches für den Zustand der Batterie spezifisch ist, wobei vorzugsweise das Lastprofil zumindest eine der nachfolgenden Daten umfasst:

  • - ein Temperaturprofil, welches für einen zeitlichen Temperaturverlauf bei der Batterie spezifisch ist,
  • - ein Stromprofil, welches für einen zeitlichen Verlauf eines elektrischen Stroms, insbesondere Ausgangsstroms, bei der Batterie spezifisch ist,
und wobei bevorzugt das Ausgabeprofil ein Spannungsprofil umfasst, welches für eine elektrische Ausgangsspannung der Batterie bei Vorliegen des Temperatur- und Stromprofils an der Batterie spezifisch ist. Dies ermöglicht eine umfangreiche Untersuchung der Batterie, z. B. auch hinsichtlich einer Alterung und/oder eines abnormalen Batterieverhaltens. In Abhängigkeit von dieser Untersuchung des Zustands der Batterie kann z. B. auch der Benutzer des Fahrzeuges über das Ergebnis der Untersuchung informiert werden.Another advantage within the scope of the invention can be achieved if, when using the neural network, a load profile is used as input for the neural network in order to obtain an output profile as an output of the neural network which is specific to the state of the battery, with preferably the load profile comprises at least one of the following data:
  • - a temperature profile which is specific for a temperature profile over time in the battery,
  • - a current profile which is specific for a time course of an electrical current, in particular output current, in the battery,
and wherein the output profile preferably comprises a voltage profile which is specific for an electrical output voltage of the battery when the temperature and current profile is present on the battery. This enables a comprehensive examination of the battery, e.g. B. also with regard to aging and / or abnormal battery behavior. Depending on this examination of the condition of the battery, e.g. B. also the user of the vehicle can be informed of the result of the investigation.

Gemäß einer vorteilhaften Weiterbildung der Erfindung kann vorgesehen sein, dass das Lernergebnis für ein elektrisches und/oder thermisches Verhalten und/oder für einen funktionalen Zustand und/oder Alter der Batterie spezifisch ist. Damit ist eine umfangreiche Auswertung der Batterie auch außerhalb des Fahrzeuges und/oder während des Betriebs des Fahrzeuges möglich.According to an advantageous further development of the invention it can be provided that the learning result is specific for an electrical and / or thermal behavior and / or for a functional state and / or age of the battery. This enables extensive evaluation of the battery outside the vehicle and / or while the vehicle is in operation.

Des Weiteren ist es im Rahmen der Erfindung optional möglich, dass das neuronale Netz als ein rekurrentes neuronales Netz ausgeführt ist. Auf diese Weise kann der Zustand der Batterie besonders zuverlässig abgebildet werden.Furthermore, it is optionally possible within the scope of the invention for the neural network to be designed as a recurrent neural network. In this way, the state of the battery can be mapped particularly reliably.

Ebenfalls Gegenstand der Erfindung ist ein Überwachungssystem für eine Integration (Montage) in ein Fahrzeug, insbesondere zur Bestimmung eines Zustands einer wiederaufladbaren Batterie des Fahrzeuges, aufweisend:

  • - eine Erfassungsvorrichtung zum Durchführen einer Erfassung von wenigstens einem Parameter der Batterie, um zumindest eine Erfassungsinformation zu erhalten,
  • - eine Verarbeitungsvorrichtung zum Durchführen eines Lernvorgangs bei wenigstens einem neuronalen Netz anhand der zumindest einen Erfassungsinformation, um ein Lernergebnis für das neuronale Netz zur Abbildung des Zustands der Batterie zu erhalten,
  • - eine Bereitstellungsvorrichtung zum Bereitstellen des Lernergebnisses für eine (fahrzeuginterne und/oder fahrzeugexterne) Auswertung der Batterie.
The invention also relates to a monitoring system for integration (assembly) in a vehicle, in particular for determining the status of a rechargeable battery of the vehicle, comprising:
  • a detection device for performing a detection of at least one parameter of the battery in order to obtain at least one item of detection information,
  • a processing device for performing a learning process in at least one neural network based on the at least one item of detection information in order to obtain a learning result for the neural network for mapping the state of the battery
  • a provision device for providing the learning result for an evaluation of the battery (internal to the vehicle and / or external to the vehicle).

Damit bringt das erfindungsgemäße Überwachungssystem die gleichen Vorteile mit sich, wie sie ausführlich mit Bezug auf ein erfindungsgemäßes Verfahren beschrieben worden sind. Zudem kann das Überwachungssystem geeignet sein, ein erfindungsgemäßes Verfahren auszuführen.The monitoring system according to the invention thus has the same advantages as have been described in detail with reference to a method according to the invention. In addition, the monitoring system can be suitable for carrying out a method according to the invention.

Bevorzugt weist das Überwachungssystem eine Recheneinheit und eine Speichereinheit auf, wobei in der Speichereinheit ein Programm abgelegt ist, welches bei zumindest teilweiser Ausführung in der Recheneinheit ein erfindungsgemäßes Verfahren, insbesondere ein Verfahren nach einem der Ansprüche 1 bis 9, durchführt.The monitoring system preferably has a processing unit and a memory unit, a program being stored in the memory unit which, when at least partially executed in the processing unit, carries out a method according to the invention, in particular a method according to one of Claims 1 to 9.

Ebenfalls Gegenstand der Erfindung ist ein Computerprogramm, umfassend Befehle, die bewirken, dass das erfindungsgemäße Überwachungssystem die Schritte eines erfindungsgemäßen Verfahrens ausführt. Damit bringt das erfindungsgemäße Computerprogramm die gleichen Vorteile mit sich, wie sie ausführlich mit Bezug auf ein erfindungsgemäßes Verfahren beschrieben worden sind.The invention also relates to a computer program comprising commands which cause the monitoring system according to the invention to carry out the steps of a method according to the invention. The computer program according to the invention thus has the same advantages as have been described in detail with reference to a method according to the invention.

Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der unter Bezugnahme auf die Zeichnungen Ausführungsbeispiele der Erfindung im Einzelnen beschrieben sind. Dabei können die in den Ansprüchen und in der Beschreibung erwähnten Merkmale jeweils einzeln für sich oder in beliebiger Kombination erfindungswesentlich sein. Es zeigen:

  • 1 eine schematische Darstellung zur Visualisierung eines erfindungsgemäßen Verfahrens,
  • 2 eine schematische Darstellung eines erfindungsgemäßen Überwachungssystems.
Further advantages, features and details of the invention emerge from the following description, in which exemplary embodiments of the invention are described in detail with reference to the drawings. The features mentioned in the claims and in the description can each be essential to the invention individually or in any combination. Show it:
  • 1 a schematic representation to visualize a method according to the invention,
  • 2 a schematic representation of a monitoring system according to the invention.

In den nachfolgenden Figuren werden für die gleichen technischen Merkmale auch von unterschiedlichen Ausführungsbeispielen die identischen Bezugszeichen verwendet.In the following figures, the same reference numerals are used for the same technical features from different exemplary embodiments.

In 1 ist ein erfindungsgemäßes Verfahren 100 zur Bestimmung eines Zustands einer wiederaufladbaren Batterie 2 eines Fahrzeuges 1 visualisiert. Gemäß einem ersten Verfahrensschritt erfolgt dabei ein Durchführen einer Erfassung 101 von wenigstens einem Parameter der Batterie 2, um zumindest eine Erfassungsinformation 130 zu erhalten. Anschließend erfolgt gemäß einem zweiten Verfahrensschritt ein Durchführen eines Lernvorgangs 102 bei wenigstens einem (insbesondere fahrzeugintern implementierten) neuronalen Netz 120 anhand der zumindest einen Erfassungsinformation 130, um ein Lernergebnis 110 für das neuronale Netz 120 zur Abbildung des Zustands der Batterie 2 zu erhalten. Dann kann gemäß einem dritten Verfahrensschritt ein Bereitstellen 103 des Lernergebnisses 110 für eine Auswertung der Batterie 2 erfolgen. Dabei können die Erfassung 101, der Lernvorgang 102 und das Bereitstellen 103 wiederholt durch das Fahrzeug 1 durchgeführt werden, um während eines Betriebs des Fahrzeuges 1 das Lernergebnis 110 bereitzustellen.In 1 is a method according to the invention 100 for determining a condition of a rechargeable battery 2 of a vehicle 1 visualized. According to a first method step, an acquisition is carried out 101 of at least one parameter of the battery 2 to get at least one detection information 130 to obtain. A learning process is then carried out according to a second method step 102 with at least one neural network (in particular implemented in-vehicle) 120 based on the at least one detection information item 130 to a learning outcome 110 for the neural network 120 to map the condition of the battery 2 to obtain. Then, according to a third method step, provision can be made 103 of the learning outcome 110 for an evaluation of the battery 2 respectively. You can thereby capture 101 , the learning process 102 and providing 103 repeated by the vehicle 1 be carried out during operation of the vehicle 1 the learning outcome 110 to provide.

Es ist dabei auch denkbar, dass die Verfahrensschritte vollständig fahrzeugintern durch eine Verarbeitungsvorrichtung 5 des Fahrzeuges 1 durchgeführt werden, wie sie bspw. in 2 gezeigt ist. Dabei kann der Lernvorgang 102 mit der zumindest einen Erfassungsinformation 130 in der Form von Trainingsdaten für das neuronale Netz 120 durchgeführt werden, sodass das Lernergebnis 110 eine Parametrisierung, insbesondere Gewichtung, des neuronalen Netzes 120 umfasst, welche für den Zustand der Batterie 2 spezifisch ist. Außerdem kann der Lernvorgang 102 in der Form eines unüberwachten Lernens, insbesondere ausschließlich fahrzeugintern, durchgeführt werden. Das Bereitstellen 103 gemäß dem dritten Verfahrensschritt kann ferner dadurch erfolgen, dass das Lernergebnis 110 an eine fahrzeugexterne Verarbeitungsanlage 200 ausgesendet wird, um fahrzeugextern den Zustand der Batterie 2 anhand des Lernergebnisses 110 zu erhalten. Hierzu kann die fahrzeugexterne Verarbeitungsanlage 200 zum Bestimmen des Zustands der Batterie 2 ein fahrzeugexternes Anwenden des neuronalen Netzes 120 durchführen, wobei das neuronale Netz 120 durch das ausgesendete Lernergebnis 110 parametrisiert wird, wobei insbesondere das Lernergebnis 110 für eine Gewichtung des neuronalen Netzes 120 verwendet wird. Dieses fahrzeugextern angewendete (und damit auch fahrzeugextern implementierte) neuronale Netz 120 kann dem fahrzeugintern implementierten neuronalen Netz 120 hinsichtlich der Ausbildung entsprechen. Das neuronale Netz 120, fahrzeugintern oder fahrzeugextern implementiert, kann z. B. als ein rekurrentes neuronales Netz 120 ausgebildet sein.It is also conceivable here for the method steps to be carried out completely within the vehicle by a processing device 5 of the vehicle 1 be carried out, for example in 2 is shown. The learning process 102 with the at least one detection information item 130 in the form of training data for the neural network 120 be carried out so that the learning outcome 110 a parameterization, in particular weighting, of the neural network 120 includes which for the condition of the battery 2 is specific. In addition, the learning process 102 be carried out in the form of unsupervised learning, in particular exclusively within the vehicle. Providing 103 According to the third method step, the learning result 110 to an off-vehicle processing plant 200 is sent to the vehicle-external the condition of the battery 2 based on the learning outcome 110 to obtain. The processing system external to the vehicle can do this 200 to determine the condition of the battery 2 a vehicle-external application of the neural network 120 perform, the neural network 120 through the transmitted learning result 110 is parameterized, in particular the learning outcome 110 for weighting the neural network 120 is used. This neural network applied outside the vehicle (and thus also implemented outside the vehicle) 120 can use the neural network implemented in the vehicle 120 in terms of training. The neural network 120 , implemented inside or outside the vehicle, e.g. B. as a recurrent neural network 120 be trained.

Darüber hinaus ist in 2 ein Überwachungssystem 300 für eine Integration in ein Fahrzeug 1 und zur Bestimmung eines Zustands einer wiederaufladbaren Batterie 2 des Fahrzeuges 1 schematisch gezeigt. Dieses kann eine Erfassungsvorrichtung 4 zum Durchführen einer Erfassung 101 von wenigstens einem Parameter der Batterie 2 aufweisen, um zumindest eine Erfassungsinformation 130 zu erhalten. Auch kann eine Verarbeitungsvorrichtung 5 zum Durchführen eines Lernvorgangs 102 bei wenigstens einem neuronalen Netz 120 anhand der zumindest einen Erfassungsinformation 130 vorgesehen sein, um ein Lernergebnis 110 für das neuronale Netz 120 zur Abbildung des Zustands der Batterie 2 zu erhalten. Eine Bereitstellungsvorrichtung 6 kann zum Bereitstellen 103 des Lernergebnisses 110 für eine Auswertung der Batterie 2 dienen, insbesondere zum Aussenden an eine fahrzeugexterne Verarbeitungsanlage 200. Für die Auswertung kann die Verarbeitungsanlage 200 ein Untersuchungsmittel 210 aufweisen, insbesondere um virtuelle Experimente anhand des neuronalen Netzes 120 durchzuführen. Weiter kann die Verarbeitungsanlage 200 für die Auswertung ein Auswertungsmittel 220 aufweisen, insbesondere um eine Analyse des elektrischen thermischen Batterieverhaltens der Batterie 2 anhand des neuronalen Netzes 120 durchzuführen.In addition, in 2 a surveillance system 300 for integration in a vehicle 1 and for determining a condition of a rechargeable battery 2 of the vehicle 1 shown schematically. This can be a detection device 4th to perform an acquisition 101 of at least one parameter of the battery 2 have to at least one detection information 130 to obtain. A processing device 5 to perform a learning process 102 in at least one neural network 120 based on the at least one detection information item 130 be provided to a learning outcome 110 for the neural network 120 to map the condition of the battery 2 to obtain. A delivery device 6th can to deploy 103 of the learning outcome 110 for an evaluation of the battery 2 serve, in particular for sending to a processing system external to the vehicle 200 . The processing plant 200 a means of investigation 210 have, in particular virtual experiments using the neural network 120 perform. Next can the processing plant 200 an evaluation means for the evaluation 220 have, in particular an analysis of the electrical thermal battery behavior of the battery 2 based on the neural network 120 perform.

Die voranstehende Erläuterung der Ausführungsformen beschreibt die vorliegende Erfindung ausschließlich im Rahmen von Beispielen. Selbstverständlich können einzelne Merkmale der Ausführungsformen, sofern technisch sinnvoll, frei miteinander kombiniert werden, ohne den Rahmen der vorliegenden Erfindung zu verlassen.The above explanation of the embodiments describes the present invention exclusively in the context of examples. Of course, individual features of the embodiments can be freely combined with one another, provided that they are technically sensible, without leaving the scope of the present invention.

BezugszeichenlisteList of reference symbols

11
Fahrzeugvehicle
22
Batteriebattery
44th
ErfassungsvorrichtungDetection device
55
VerarbeitungsvorrichtungProcessing device
66
Bereitstellungsvorrichtung Provisioning device
100100
VerfahrenProcedure
101101
ErfassungCapture
102102
LernvorgangLearning process
103103
BereitstellenProvide
110110
Lerninformation Learning information
120120
neuronales Netzneural network
130130
Erfassungsinformation Acquisition information
200200
VerarbeitungsanlageProcessing plant
210210
Untersuchungsmittel, Experimente Means of investigation, experiments
220220
Auswertungsmittel, Analyse Means of evaluation, analysis
300300
ÜberwachungssystemSurveillance system

Claims (11)

Verfahren (100) zur Bestimmung eines Zustands einer wiederaufladbaren Batterie (2) eines Fahrzeuges (1), wobei die nachfolgenden Schritte durchgeführt werden: a) Durchführen einer Erfassung (101) von wenigstens einem Parameter der Batterie (2), um zumindest eine Erfassungsinformation (130) zu erhalten, b) Durchführen eines Lernvorgangs (102) bei wenigstens einem neuronalen Netz (120) anhand der zumindest einen Erfassungsinformation (130), um ein Lernergebnis (110) für das neuronale Netz (120) zur Abbildung des Zustands der Batterie (2) zu erhalten, c) Bereitstellen (103) des Lernergebnisses (110) für eine Auswertung der Batterie (2), wobei die Schritte a) bis c) wiederholt durch das Fahrzeug (1) durchgeführt werden, um während eines Betriebs des Fahrzeuges (1) das Lernergebnis (110) bereitzustellen.Method (100) for determining a state of a rechargeable battery (2) of a vehicle (1), the following steps being carried out: a) performing a detection (101) of at least one parameter of the battery (2) in order to obtain at least one item of detection information (130), b) performing a learning process (102) in at least one neural network (120) on the basis of the at least one information item (130) in order to obtain a learning result (110) for the neural network (120) for mapping the state of the battery (2), c) providing (103) the learning result (110) for an evaluation of the battery (2), steps a) to c) being carried out repeatedly by the vehicle (1) in order to obtain the learning result (1) during operation of the vehicle (1). 110). Verfahren (100) nach Anspruch 1, dadurch gekennzeichnet, dass die Schritte a) bis c) vollständig fahrzeugintern durch eine Verarbeitungsvorrichtung (5) des Fahrzeuges (1) durchgeführt werden.Method (100) according to Claim 1 , characterized in that steps a) to c) are complete inside the vehicle by a processing device (5) of the vehicle (1). Verfahren (100) nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Lernvorgang (102) mit der zumindest einen Erfassungsinformation (130) in der Form von Trainingsdaten für das neuronale Netz (120) durchgeführt wird, sodass das Lernergebnis (110) eine Parametrisierung, insbesondere Gewichtung, des neuronalen Netzes (120) umfasst, welche für den Zustand der Batterie (2) spezifisch ist.Method (100) according to Claim 1 or 2 , characterized in that the learning process (102) is carried out with the at least one piece of acquisition information (130) in the form of training data for the neural network (120), so that the learning result (110) is a parameterization, in particular weighting, of the neural network (120) ) which is specific to the state of the battery (2). Verfahren (100) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Lernvorgang (102) in der Form eines unüberwachten Lernens, insbesondere ausschließlich fahrzeugintern, durchgeführt wird.Method (100) according to one of the preceding claims, characterized in that the learning process (102) is carried out in the form of unsupervised learning, in particular exclusively within the vehicle. Verfahren (100) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Bereitstellen (103) gemäß Schritt c) dadurch erfolgt, dass das Lernergebnis (110) an eine fahrzeugexterne Verarbeitungsanlage (200) ausgesendet wird, um fahrzeugextern den Zustand der Batterie (2) anhand des Lernergebnisses (110) zu bestimmen.Method (100) according to one of the preceding claims, characterized in that the provision (103) according to step c) takes place in that the learning result (110) is sent to a processing system (200) external to the vehicle in order to determine the state of the battery (2 ) based on the learning result (110). Verfahren (100) nach Anspruch 5, dadurch gekennzeichnet, dass die fahrzeugexterne Verarbeitungsanlage (200) zum Bestimmen des Zustands der Batterie (2) den nachfolgenden Schritt durchführt: - Anwenden des neuronalen Netzes (120), wobei das neuronale Netz (120) durch das ausgesendete Lernergebnis (110) parametrisiert wird, wobei insbesondere das Lernergebnis (110) für eine Gewichtung des neuronalen Netzes (120) verwendet wird.Method (100) according to Claim 5 , characterized in that the processing system (200) external to the vehicle performs the following step to determine the status of the battery (2): - using the neural network (120), the neural network (120) being parameterized by the learning result (110) sent out , wherein in particular the learning result (110) is used for a weighting of the neural network (120). Verfahren (100) nach Anspruch 6, dadurch gekennzeichnet, dass bei dem Anwenden des neuronalen Netzes (120) ein Lastprofil als Eingabe für das neuronale Netz (120) verwendet wird, um als eine Ausgabe des neuronalen Netzes (120) ein Ausgabeprofil zu erhalten, welches für den Zustand der Batterie (2) spezifisch ist, wobei vorzugsweise das Lastprofil zumindest eine der nachfolgenden Daten umfasst: - ein Temperaturprofil, welches für einen zeitlichen Temperaturverlauf bei der Batterie (2) spezifisch ist, - ein Stromprofil, welches für einen zeitlichen Verlauf eines elektrischen Stroms, insbesondere Ausgangsstroms, bei der Batterie (2) spezifisch ist, und wobei bevorzugt das Ausgabeprofil ein Spannungsprofil umfasst, welches für eine elektrische Ausgangsspannung der Batterie (2) bei Vorliegen des Temperatur- und Stromprofils an der Batterie (2) spezifisch ist.Method (100) according to Claim 6 , characterized in that when the neural network (120) is used, a load profile is used as an input for the neural network (120) in order to obtain an output profile as an output of the neural network (120) which corresponds to the state of the battery ( 2) is specific, with the load profile preferably comprising at least one of the following data: - a temperature profile which is specific for a temperature profile over time in the battery (2), - a current profile which is specific for a time profile of an electrical current, in particular output current, is specific in the case of the battery (2), and wherein the output profile preferably comprises a voltage profile which is specific for an electrical output voltage of the battery (2) when the temperature and current profile is present on the battery (2). Verfahren (100) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Lernergebnis (110) für ein elektrisches und/oder thermisches Verhalten und/oder für einen funktionalen Zustand und/oder Alter der Batterie (2) spezifisch ist.Method (100) according to one of the preceding claims, characterized in that the learning result (110) is specific for an electrical and / or thermal behavior and / or for a functional state and / or age of the battery (2). Verfahren (100) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das neuronale Netz (120) als ein rekurrentes neuronales Netz (120) ausgeführt ist.Method (100) according to one of the preceding claims, characterized in that the neural network (120) is designed as a recurrent neural network (120). Überwachungssystem (300) für eine Integration in ein Fahrzeug (1), zur Bestimmung eines Zustands einer wiederaufladbaren Batterie (2) des Fahrzeuges (1), aufweisend: - eine Erfassungsvorrichtung (4) zum Durchführen einer Erfassung (101) von wenigstens einem Parameter der Batterie (2), um zumindest eine Erfassungsinformation (130) zu erhalten, - eine Verarbeitungsvorrichtung (5) zum Durchführen eines Lernvorgangs (102) bei wenigstens einem neuronalen Netz (120) anhand der zumindest einen Erfassungsinformation (130), um ein Lernergebnis (110) für das neuronale Netz (120) zur Abbildung des Zustands der Batterie (2) zu erhalten, - eine Bereitstellungsvorrichtung (6) zum Bereitstellen (103) des Lernergebnisses (110) für eine Auswertung der Batterie (2).Monitoring system (300) for integration in a vehicle (1), for determining a state of a rechargeable battery (2) of the vehicle (1), comprising: - a detection device (4) for performing a detection (101) of at least one parameter of the battery (2) in order to obtain at least one item of detection information (130), - A processing device (5) for performing a learning process (102) in at least one neural network (120) on the basis of the at least one piece of detection information (130) in order to obtain a learning result (110) for the neural network (120) for mapping the state of the battery ( 2) to obtain - A provision device (6) for providing (103) the learning result (110) for an evaluation of the battery (2). Computerprogramm, umfassend Befehle, die bewirken, dass das Überwachungssystem (300) nach Anspruch 10 die Schritte eines Verfahrens (100) nach einem der Ansprüche 1 bis 9 ausführt.Computer program comprising instructions that cause the monitoring system (300) to follow Claim 10 the steps of a method (100) according to one of the Claims 1 to 9 executes.
DE102019107935.7A 2019-03-27 2019-03-27 Method for determining the condition of a rechargeable battery in a vehicle Pending DE102019107935A1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102019107935.7A DE102019107935A1 (en) 2019-03-27 2019-03-27 Method for determining the condition of a rechargeable battery in a vehicle
CN202010222906.3A CN111751729B (en) 2019-03-27 2020-03-26 Method for determining the state of a rechargeable battery of a vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019107935.7A DE102019107935A1 (en) 2019-03-27 2019-03-27 Method for determining the condition of a rechargeable battery in a vehicle

Publications (1)

Publication Number Publication Date
DE102019107935A1 true DE102019107935A1 (en) 2020-10-01

Family

ID=72612457

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019107935.7A Pending DE102019107935A1 (en) 2019-03-27 2019-03-27 Method for determining the condition of a rechargeable battery in a vehicle

Country Status (2)

Country Link
CN (1) CN111751729B (en)
DE (1) DE102019107935A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114801877A (en) * 2022-06-23 2022-07-29 深圳市菲尼基科技有限公司 Monitoring system of electric vehicle power battery pack and electric vehicle
FR3119895A1 (en) * 2021-02-18 2022-08-19 Psa Automobiles Sa State of charge estimator of a vehicle using artificial intelligence

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1691209A1 (en) * 2005-02-14 2006-08-16 Denso Corporation Method and apparatus for detecting charged state of secondary battery based on neural network calculation

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100651573B1 (en) * 2003-12-18 2006-11-29 주식회사 엘지화학 Apparatus and method for testing state of charge in battery using neural network
CN102118069B (en) * 2009-12-31 2014-12-17 上海汽车集团股份有限公司 High-efficiency non-contact charging system and vehicle charged by same
CN102756661B (en) * 2011-04-27 2015-05-13 北京八恺电气科技有限公司 Determination method and device for state of charge of vehicular battery
DE102013220688A1 (en) * 2013-10-14 2015-04-16 Robert Bosch Gmbh Method and device for determining a charge state-dependent open circuit voltage profile of a vehicle battery
US9533597B2 (en) * 2014-03-05 2017-01-03 Ford Global Technologies, Llc Parameter identification offloading using cloud computing resources
CN204028667U (en) * 2014-07-25 2014-12-17 北汽福田汽车股份有限公司 Vehicular accumulator cell condition monitoring system, supervising device and vehicle
US9904874B2 (en) * 2015-11-05 2018-02-27 Microsoft Technology Licensing, Llc Hardware-efficient deep convolutional neural networks
CN105677901B (en) * 2016-02-05 2020-05-01 北京长城华冠汽车科技股份有限公司 Method and system for determining state of charge of power battery
CN108445777A (en) * 2017-01-14 2018-08-24 费德姆技术公司 The data conversion of fictitious assets
CN108519556A (en) * 2018-04-13 2018-09-11 重庆邮电大学 A kind of lithium ion battery SOC prediction techniques based on Recognition with Recurrent Neural Network
CN109063589A (en) * 2018-07-12 2018-12-21 杭州电子科技大学 Instrument and equipment on-line monitoring method neural network based and system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1691209A1 (en) * 2005-02-14 2006-08-16 Denso Corporation Method and apparatus for detecting charged state of secondary battery based on neural network calculation

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHMIELEWSKI, Adrian; MOŻARYN, Jakub; PIÓRKOWSKI, Piotr; BOGDZIŃSKI, Krzysztof: Battery Voltage Estimation Using NARX Recurrent Neural Network Model, in: SZEWCZYK, R.; Zieliński, C.; KALICZYŃSKA, M. (Hrsg.). In: Automation 2019. Bd. 920. Cham: Springer International Publishing, 2020 - ISBN 9783030132729, S. 218-231, online veröffentlicht am 16.02.2019, URL: https://link.springer.com/chapter/10.1007/978-3-030-13273-6_22 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3119895A1 (en) * 2021-02-18 2022-08-19 Psa Automobiles Sa State of charge estimator of a vehicle using artificial intelligence
CN114801877A (en) * 2022-06-23 2022-07-29 深圳市菲尼基科技有限公司 Monitoring system of electric vehicle power battery pack and electric vehicle

Also Published As

Publication number Publication date
CN111751729A (en) 2020-10-09
CN111751729B (en) 2024-02-20

Similar Documents

Publication Publication Date Title
AT521643B1 (en) Method and battery management system for determining a state of health of a secondary battery
DE60211520T2 (en) Arrangement for controlling the operation of a physical system, such as a fuel cell in electric vehicles
WO2020224724A1 (en) Server-side characterisation of rechargeable batteries
DE102015107930A1 (en) Estimation and compensation of battery measurements
EP2487499A1 (en) Real-time-capable battery cells simulation
EP3766120B1 (en) Characterisation of lithium plating in rechargeable batteries
DE102020100668B4 (en) Characterization of rechargeable batteries with machine-learned algorithms
AT524131B1 (en) Determining the state of health of a vehicle battery
DE102019218591A1 (en) Method for estimating the state of an energy storage device
DE102020212299A1 (en) Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods
DE102018100102B4 (en) METHOD AND DEVICE FOR ISOLATING THE BASIC CAUSE OF A LOW CHARGING STATE OF A DC VOLTAGE SOURCE
DE102019107935A1 (en) Method for determining the condition of a rechargeable battery in a vehicle
DE102020215201A1 (en) Method and device for predicting an aging state of a device battery in a battery-operated device
DE102022211063A1 (en) Controller for estimating characteristic parameters of a battery and method therefor
DE102013018405A1 (en) Determination of the condition of a battery characteristic estimation parameters
WO2016012196A1 (en) Method for operating a secondary battery
DE102019125375A1 (en) State value for rechargeable batteries
DE102018132658A1 (en) Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle
DE102022200007A1 (en) Method and device for learning how to parameterize an aging model and providing an aging status for a device battery using a parameterized no-load voltage characteristic
DE102020215864A1 (en) Method and device for machine-specific improvement of the service life of a device battery in a battery-operated machine
DE102021203729A1 (en) Method and device for operating a system for providing predicted aging states of electrical energy stores using reconstructed time series signals using machine learning methods
DE102005014308A1 (en) Method of guiding a user in the diagnosis of complex systems such as in vehicles using a computer program to analyze the data and provide steps to carry out a diagnosis
EP4054899B1 (en) Method and system for predicting engine-start performance of an electrical energy storage system
BE1030866B1 (en) Computer program and method for the analysis of inhomogeneities as well as anomaly detection and prediction of electrical energy storage systems
DE102013017061A1 (en) Method for determining actual wear state of e.g. traction battery of e.g. passenger car, involves determining actual wear state as function of actual value and reference value of each output variable

Legal Events

Date Code Title Description
R163 Identified publications notified