DE102021205872A1 - Method for monitoring an energy store in a motor vehicle - Google Patents
Method for monitoring an energy store in a motor vehicle Download PDFInfo
- Publication number
- DE102021205872A1 DE102021205872A1 DE102021205872.8A DE102021205872A DE102021205872A1 DE 102021205872 A1 DE102021205872 A1 DE 102021205872A1 DE 102021205872 A DE102021205872 A DE 102021205872A DE 102021205872 A1 DE102021205872 A1 DE 102021205872A1
- Authority
- DE
- Germany
- Prior art keywords
- age
- dependent variable
- predicted
- soh
- service life
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2200/00—Type of vehicles
- B60L2200/40—Working vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Überwachen eines Energiespeichers in einem Kraftfahrzeug, wobei der Energiespeicher (10) zumindest einen Verbraucher vorzugsweise für eine sicherheitsrelevante Fahrfunktionen versorgt, wobei zumindest eine alterungsabhängige Größe (SOHest(t)) des Energiespeichers (10) für einen zukünftigen Zeitpunkt prädiziert wird, wobei zumindest in Abhängigkeit der pädizierten alterungsabhängigen Größe (SOHest) eine prädizierte Restlebensdauer (RULest) ermittelt wird, wobei zumindest ein Konfidenzintervall für die prädizierte Restlebensdauer (ΔRULest) bestimmt wird.The invention relates to a method for monitoring an energy store in a motor vehicle, with the energy store (10) supplying at least one consumer, preferably for a safety-related driving function, with at least one age-dependent variable (SOHest(t)) of the energy store (10) predicting a future point in time is determined, a predicted remaining service life (RULest) being determined at least as a function of the predicted age-dependent variable (SOHest), with at least one confidence interval for the predicted remaining service life (ΔRULest) being determined.
Description
Die Erfindung betrifft ein Verfahren zum Überwachen eines Energiespeichers in einem Kraftfahrzeug nach der Gattung des unabhängigen Anspruchs.The invention relates to a method for monitoring an energy store in a motor vehicle according to the generic type of the independent claim.
Stand der TechnikState of the art
Aus der
Der Erfindung liegt die Aufgabe zugrunde, die Vorhersage einer bestimmten Kenngröße des elektrischen Energiespeichers weiter zu vereinfachen. Diese Aufgabe wird gelöst durch die Merkmale des unabhängigen Anspruchs.The object of the invention is to further simplify the prediction of a specific parameter of the electrical energy store. This object is solved by the features of the independent claim.
Offenbarung der ErfindungDisclosure of Invention
Dadurch, dass ein Konfidenzintervall für die prädizierte Restlebensdauer bestimmt wird, kann eine Aussage über die Güte der Vorhersage getroffen werden. Abhängig von der Güte der Vorhersage können entsprechende Gegenmaßnahmen zielgerichtet eingeleitet werden. Weiterhin kann die insbesondere für sicherheitskritische Anwendungen relevante Ausfallrate des Energiespeichers über prädiktive Wartung bzw. prädiktives Gesundheitsmanagement weiter reduziert und die Verfügbarkeit erhöht werden.By determining a confidence interval for the predicted remaining service life, a statement can be made about the quality of the prediction. Depending on the quality of the forecast, appropriate countermeasures can be taken in a targeted manner. Furthermore, the failure rate of the energy store, which is particularly relevant for safety-critical applications, can be further reduced and availability can be increased by means of predictive maintenance or predictive health management.
In einer zweckmäßigen Weiterbildung ist vorgesehen, dass das Konfidenzintervall für die prädizierte Restlebensdauer unter Verwendung einer Vielzahl, insbesondere mehr als 2000, von Referenzverläufen der alterungsabhängigen Größe bestimmt wird. Dadurch können genauere Konfidenzintervalle der Prognose der Restlebensdauer ohne die Einschränkung theoretisch abgeleiteter Berechnungsformeln oder den Rückgriff auf umfangreiche Messdaten ermittelt werden. Aufgrund der genaueren Konfidenzintervalle können Wartungsintervalle präziser geplant bzw. mittels prädiktivem Energiemanagement verlängert werden, womit Wartungskosten reduziert werden, was insbesondere für Fahrzeug-Flottenbetreiber von Vorteil ist.In an expedient development, it is provided that the confidence interval for the predicted remaining service life is determined using a large number, in particular more than 2000, of reference curves of the age-dependent variable. In this way, more precise confidence intervals for the prognosis of the remaining service life can be determined without the restriction of theoretically derived calculation formulas or recourse to extensive measurement data. Due to the more precise confidence intervals, maintenance intervals can be planned more precisely or extended using predictive energy management, which reduces maintenance costs, which is particularly advantageous for vehicle fleet operators.
In einer zweckmäßigen Weiterbildung werden die Referenzverläufe der alterungsabhängigen Größe durch vorab ermittelte charakteristische Messverläufe des Energiespeichers und/oder durch eine Simulation, insbesondere eine Monte Carlo Simulation, ermittelt. Dadurch können ohne größeren Aufwand relativ genaue Prognosen der Restlebensdauer vorgenommen werden. Gerade in einer Vielzahl von Simulationen, die die Varianz der Einflussgrößen auf die Alterung des Energiespeichers in der Realität widerspiegeln, kann eine empirische Formel zur Berechnung des Konfidenzintervalls der prädizierten Restlebensdauer in Abhängigkeit von einem insbesondere Einschritt-Prädiktionsfehler und einer prädizierte Restlebensdauer abgeleitet werden. Dadurch vereinfacht sich die Berechnung weiter, besonders bevorzugt unter Verwendung einer Approximationsformel.In an expedient development, the reference curves of the age-dependent variable are determined by previously determined characteristic measurement curves of the energy store and/or by a simulation, in particular a Monte Carlo simulation. As a result, relatively accurate forecasts of the remaining service life can be made without much effort. Especially in a large number of simulations that reflect the variance of the influencing variables on the aging of the energy storage device in reality, an empirical formula for calculating the confidence interval of the predicted remaining service life as a function of a particular one-step prediction error and a predicted remaining service life can be derived. This further simplifies the calculation, particularly preferably using an approximation formula.
In einer zweckmäßigen Weiterbildung ist vorgesehen, dass das Konfidenzintervall für die prädizierte Restlebensdauer in Abhängigkeit von einem Maß für einen Prädiktionsfehler zwischen der prädizierten alterungsabhängigen Größe und der tatsächlichen alterungsabhängigen Größe ermittelt wird. Da gerade gegen Lebensende die Prognosen immer genauer werden, wird über diesen Einflussfaktor die Güte der Prädiktion der Restlebensdauer weiter erhöht.In an expedient development, it is provided that the confidence interval for the predicted remaining service life is determined as a function of a measure of a prediction error between the predicted age-dependent variable and the actual age-dependent variable. Since the forecasts are becoming more and more accurate towards the end of life, the quality of the prediction of the remaining life is further increased by this influencing factor.
Besonders zweckmäßig wird die prädizierte alterungsabhängige Größe in Abhängigkeit von der tatsächlichen alterungsabhängigen Größe, die in Abhängigkeit von einer Messung zum ist einer charakteristischen Größe des Energiespeichers generiert wird, ermittelt. Dadurch werden die im laufenden Betrieb tatsächlich auftretenden Daten für die weitere Prädiktion der Restlebensdauer zu Grunde gelegt, sodass sich die Prädiktion weiter verbessert. Besonders bevorzugt wird die prädizierte Restlebensdauer dann erreicht, wenn die prädizierte alterungsabhängige Größe einen bestimmten Grenzwert erreicht. Damit lassen sich durch geeignete Vorgaben des Grenzwerts gewünschte Mindestanforderungen leicht abbilden.The predicted age-dependent variable is particularly expediently determined as a function of the actual age-dependent variable that is generated as a function of a measurement of a characteristic variable of the energy store. As a result, the data that actually occurs during operation is used as a basis for the further prediction of the remaining service life, so that the prediction is further improved. The predicted remaining service life is particularly preferably reached when when the predicted age-dependent variable reaches a specific limit value. In this way, desired minimum requirements can be easily mapped through suitable specification of the limit value.
In einer zweckmäßigen Weiterbildung ist vorgesehen, dass das Konfidenzintervall für die prädizierte Restlebensdauer unter Verwendung der Approximationsformel berechnet wird und hierzu zumindest die prädizierte Restlebensdauer und/oder eine Standardabweichung des Prädiktionsfehlers zwischen der prädizierten alterungsabhängigen Größe und der tatsächlichen alterungsabhängigen Größe als Eingangsgröße für die Approximationsformel verwendet wird bzw. werden. Durch diese Berücksichtigung erhöht sich die Güte der Vorhersage weiter.In an expedient development, it is provided that the confidence interval for the predicted remaining service life is calculated using the approximation formula and for this purpose at least the predicted remaining service life and/or a standard deviation of the prediction error between the predicted age-dependent variable and the actual age-dependent variable is used as the input variable for the approximation formula or become. This consideration further increases the quality of the prediction.
In einer zweckmäßigen Weiterbildung ist vorgesehen, dass eine Approximationsformel für das Konfidenzintervall für die alterungsabhängige Größe in Abhängigkeit von einer basierend auf zumindest einem Referenzwert der alterungsabhängigen Größe prädizierten Restlebensdauer und/oder in Abhängigkeit von einem Maß für einen Prädiktionsfehler, insbesondere Standardabweichung, eines Prädiktionsfehlers, zwischen der prädizierten alterungsabhängigen Größe und einem Referenzwert der alterungsabhängigen Größe ermittelt wird. Die insbesondere simulierten Referenzverläufe der alterungsabhängigen Größe bilden somit eine zahlreiche Datenbasis für die offline-Erstellung der Approximationsformel, die die online-Ermittlung der Prädiktion weiter vereinfacht.In an expedient development, it is provided that an approximation formula for the confidence interval for the age-dependent variable as a function of a remaining service life predicted based on at least one reference value of the age-dependent variable and/or as a function of a measure of a prediction error, in particular standard deviation, of a prediction error between the predicted age-dependent variable and a reference value of the age-dependent variable is determined. The particularly simulated reference curves of the age-dependent variable thus form a large database for the offline creation of the approximation formula, which further simplifies the online determination of the prediction.
In einer zweckmäßigen Weiterbildung ist vorgesehen, dass anhand von Abweichungen bzw. Fehlern bei der Bestimmung der alterungsabhängigen Größe zum Zeitpunkt der prädizierten Restlebensdauer bezogen auf die alterungsabhängige Größe zum Lebensende und/oder in Abhängigkeit von einem Konfidenzlevel zumindest ein Histogramm erstellt wird zur Ermittlung der Konfidenzintervallgrenzen der alterungsabhängigen Größe zum Lebensende zur weiteren Verwendung in der Approximationsformel. Damit können entsprechende Messreihen abhängig von dem jeweils gewünschten Konfidenzlevel für die Bestimmung der Approximationsformel zur Verfügung gestellt werden.In an expedient development, it is provided that at least one histogram is created to determine the confidence interval limits of age-dependent value at the end of life for further use in the approximation formula. Corresponding series of measurements can thus be made available for the determination of the approximation formula depending on the desired confidence level in each case.
In einer zweckmäßigen Weiterbildung ist vorgesehen, dass für die Bestimmung der Approximationsformel die prädizierte Restlebensdauer jeweils basierend auf Referenzwerten der alterungsabhängigen Größe zu unterschiedlichen Zeitpunkten prädiziert wird und/oder für die unterschiedlichen Zeitpunkte jeweils ein Prädiktionsfehler, insbesondere eine Standardabweichung eines Prädiktionsfehlers, zwischen der prädizierten alterungsabhängigen Größe und dem Referenzwert der alterungsabhängigen Größe ermittelt wird. Damit können gerade anhand der Simulationsdaten unterschiedliche Zeitpunkte, die repräsentativ sind für spätere Verläufe, der Ermittlung der Approximationsformel zu Grunde gelegt werden. Dadurch verbessern sich die späteren Prädiktionen der Restlebensdauer.In an expedient development, it is provided that for the determination of the approximation formula, the predicted remaining service life is respectively predicted based on reference values of the aging-dependent variable at different points in time and/or a prediction error, in particular a standard deviation of a prediction error, between the predicted aging-dependent variable for the different points in time and the reference value of the age-dependent variable is determined. In this way, the determination of the approximation formula can be based on different points in time, which are representative for later courses, precisely on the basis of the simulation data. This improves later predictions of the remaining service life.
In einer zweckmäßigen Weiterbildung ist vorgesehen, dass die Referenzverläufe der alterungsabhängigen Größe über ein Degradationsmodell bestimmt werden. Über ein solches Modell lassen sich besonders realistisch die zu erwartenden Belastungssituationen des Energiespeichers simulieren, sodass besonders realitätsnahe Referenzverläufe der alterungsabhängigen Größe erzeugt werden können. Die Qualität der Prädiktion der Restlebensdauer kann sich somit weiter verbessern.In an expedient development, it is provided that the reference curves of the age-dependent variable are determined using a degradation model. Such a model can be used to simulate the load situations of the energy store that are to be expected in a particularly realistic manner, so that particularly realistic reference curves of the age-dependent variable can be generated. The quality of the prediction of the remaining service life can thus be further improved.
Weitere zweckmäßige Weiterbildungen ergeben sich aus weiteren abhängigen Ansprüchen und aus der Beschreibung.Further expedient developments result from further dependent claims and from the description.
Figurenlistecharacter list
Es zeigen
-
1 ein Blockschaltbild für eine Offline-Bestimmung der Approximationsformel des Konfidenzintervalls einer alterungsabhängigen Größe, insbesondere Gesundheitszustand SOH, -
2 ein Blockschaltbild der Online-Berechnung des Konfidenzintervalls der Restlebensdauer bei einem auf der alterungsabhängigen Größe basierenden Lebensende-Kriterium, -
3 ein Blockschaltbild für eine Offline-Bestimmung der Approximationsformel des Konfidenzintervalls einer weiteren alterungsabhängigen Größe, insbesondere Funktionszustand SOF, -
4 ein Blockschaltbild der Online-Berechnung des Konfidenzintervalls der Restlebensdauer bei einem auf der weiteren alterungsabhängigen Grö-ße basierenden Lebensende-Kriterium, -
5 ein Vergleich der berechneten Konfidenzintervalle der Restlebensdauer mit der Referenz für ein bestimmtes Konfidenzlevel, -
6 ein Schema des Degradationsmodells.
-
1 a block diagram for an offline determination of the approximation formula of the confidence interval of an age-dependent variable, in particular the state of health SOH, -
2 a block diagram of the online calculation of the confidence interval of the remaining service life for an end-of-life criterion based on the age-dependent variable, -
3 a block diagram for an offline determination of the approximation formula of the confidence interval of a further age-dependent variable, in particular functional state SOF, -
4 a block diagram of the online calculation of the confidence interval of the remaining service life for an end-of-life criterion based on the further age-dependent variable, -
5 a comparison of the calculated confidence intervals of the remaining lifetime with the reference for a certain confidence level, -
6 a scheme of the degradation model.
Ausführungsformen der ErfindungEmbodiments of the invention
Die Erfindung ist anhand von Ausführungsformen in den Zeichnungen schematisch dargestellt und wird nachfolgend unter Bezugnahme auf die Zeichnungen ausführlich beschrieben.The invention is shown schematically in the drawings using embodiments and is described in detail below with reference to the drawings.
Beispielhaft ist in dem Ausführungsbeispiel als möglicher Energiespeicher 10 eine Batterie bzw. Akkumulator beschrieben. Alternativ können jedoch andere für diese Aufgabenstellung geeignete Energiespeicher beispielsweise auf induktiver oder kapazitiver Basis, Brennstoffzellen, Kondensatoren oder Ähnliches gleichermaßen Verwendung finden.By way of example, a battery or accumulator is described in the exemplary embodiment as a
Zur Berechnung der Konfidenzintervalle von Lebensdauerprognosen elektrischer Energiespeicher 10 wird üblicherweise ein Einschritt-Prädiktionsfehler, d.h. der Vorhersagefehler bis zum nächsten gemessenen Sample T (z.B. 1 Tag) der alterungsabhängigen Größen (SOH) wie Kapazität oder Innenwiderstand bis zum Lebensende bzw. End of Life (EOL) Zeitpunkt extrapoliert (-> Mehrschritt SOH-Prädiktionsfehler).
Z.B. erhält man bei Annahme normalverteilter und unkorrelierter Einschritt SOH-Prädiktionsfehler mit der Standardabweichung σSOH1 für den m-Schritt SOH-Prädiktionsfehler:
For example, assuming a normally distributed and uncorrelated one-step SOH prediction error with the standard deviation σSOH1 for the m-step SOH prediction error:
Mit nachfolgendem Vorgehen können genauere Konfidenzintervalle der Prognose der Restlebensdauer RUL für elektrische Energiespeicher 10 erreicht werden.With the following procedure, more accurate confidence intervals of the prediction of the remaining service life RUL for
Die Prognose 16 schätzt bzw. prädiziert die prädizierte Restlebensdauer RULest(t) bei verschiedenen Vorhersagezeitpunkten t. Außerdem ermittelt die Prognose 16 eine Standardabweichung σSOH1(t) der Einschritt-Prädiktion bis zu diesen Zeitpunkten t.The
Die Prognose 16 der Restlebensdauer RUL bedient sich eines bestimmten Lebensende-Kriteriums (EOL-Kriterium), das dann gegeben ist, wenn die prädizierte alterungsabhängige Größe SOHest einen bestimmten Grenzwert SOHEOL erreicht. Dieser Grenzwert SOHEOL könnte beispielsweise darin bestehen, dass die alterungsabhängige Größe SOH lediglich 80 % eines Startwerts SOH0 wie beispielsweise bei einem neuen Energiespeicher 10 erreicht, was als Lebensende EOL definiert wird. Außerdem ermittelt die Prognose 16 die prädizierte alterungsabhängige Größe SOHest(t), die beispielsweise auf einem Modell des Energiespeichers 10 beruht.The
Als Eingangsgrößen der Prognose 16 fungieren bei
Mit diesen Eingangsgrößen, nämlich den jeweiligen Referenzwerten der alterungsabhängigen Größe SOHn(t) zu unterschiedlichen Zeitpunkten (t= t0, t1, t2,...tm) und gegebenenfalls mit den diesen Zeitpunkten vorausgehenden Referenzwerten der alterungsabhängigen Größen SOHn prädiziert die Prognose 16 die prädizierte alterungsabhängige Größe bzw. den zeitlichen Verlauf der prädizierten alterungsabhängigen Größe SOHest(t). Der Verlauf der prädizierten alterungsabhängigen Größe SOHest(t) startet jeweils zu den unterschiedlichen Zeitpunkten (t0, t1, t2, tm) in die Zukunft. Dies kann nun für jeden der n Referenzverläufe der alterungsabhängigen Größe SOHn(t) erfolgen. Somit stehen abhängig von der Anzahl m der unterschiedlichen Zeitpunkte also m prädizierte Verläufe der alterungsabhängigen Größe SOHnpred(t) für jeden der Referenzverläufe SOH(t) zur Verfügung.With these input variables, namely the respective reference values of the age-dependent variable SOHn(t) at different points in time (t=t0, t1, t2, aging-dependent quantity or the course over time of the predicted aging-dependent quantity SOHest(t). The course of the predicted age-dependent variable SOHest(t) starts at the different points in time (t0, t1, t2, tm) in the future. This can now be done for each of the n reference curves of the age-dependent variable SOHn(t). Thus, depending on the number m of different points in time, m predicted curves of the age-dependent variable SOHnpred(t) are available for each of the reference curves SOH(t).
Erreicht die prädizierte alterungsabhängige Größe SOHest(t) den mit dem Lebensende EOL korrespondierenden Grenzwert SOHEOL, so definiert dieser Zeitpunkt die prädizierte Restlebensdauer RULest des Energiespeichers 10. Alternativ könnte auch immer zum nächsten Zeitpunkt (beispielsweise für den nächsten Tag) die zugehörige prädizierte alterungsabhängige Größe SOHest(T+1) ermittelt und/oder mit dem Grenzwert SOHEOL verglichen werden. Solange der Grenzwert SOHEOL noch nicht erreicht ist, wird der nächste Vorhersagezeitpunkt t1 (t1 = t0 + T) mit dem zugehörigen Referenzwert SOH(t1) herangezogen und mit dem Grenzwert SOHEOL verglichen. Dies erfolgt so lange, bis der Referenzwert SOH(t) den Grenzwert erreicht. Der entsprechende Zeitpunkt t ist das Lebensende t = EOL. Alternativ kann der Vergleich abgebrochen werden, wenn beispielsweise ein bestimmter Konfidenzzeitraum erreicht ist, beispielsweise 100 Tage, für den erfahrungsgemäß noch zuverlässige Vorhersagen möglich sind oder weil der Nutzer nicht an noch weitern in die Zukunft reichenden Informationen, die sich zudem durch hohe Unsicherheit auszeichnen, interessiert ist.If the predicted age-dependent variable SOHest(t) reaches the limit value SOH EOL corresponding to the end of life EOL, then this point in time defines the predicted remaining service life RULest of the
Parallel dazu wird nun für jeden Referenzverlauf SOH(t) zu jedem der m unterschiedlichen Zeitpunkten als Eingangsgröße die entsprechende Prognose der Restlebensdauer RULest(t) durchgeführt, insbesondere für jeden nächsten Vorhersagezeitpunkt t.In parallel, the corresponding forecast of the remaining service life RULest(t) is now carried out as an input variable for each reference curve SOH(t) at each of the m different points in time, in particular for each next forecast point in time t.
Damit stehen also für die n > 2000 Referenzverläufe der altersabhängigen Größe SOHist(t) unter Verwendung der Prognose 16 n prädizierte Restlebensdauern RULest(t) jeweils zu m unterschiedlichen Zeitpunkten, also m*n prädizierte Restlebensdauern RULest zur Verfügung.This means that for the n > 2000 reference curves of the age-dependent variable SOHact(t) using the
Außerdem wird für vorzugsweise jede der prädizierten Restlebensdauer RULest ein Maß für einen Prädiktionsfehler ermittelt. Bei diesem Maß kann wie einleitend ausgeführt für den Fall eines normalverteilten und unkorrelierten Prädiktionsfehlers beispielsweise die Standardabweichung σSOH bzw. bei einem Einschritt-Prädiktionsfehler die Standardabweichung σSOH1 herangezogen werden. Damit wird berücksichtigt, dass eine Prognose ausgehend von einem Zeitpunkt t2, der bereits dem erwarteten Lebensende EOL nahe kommt, mit höherer Genauigkeit erfolgt als eine Prognose zu einem Zeitpunkt t0, der noch sehr weit von dem erwarteten Lebensende EOL entfernt ist.In addition, a measure for a prediction error is preferably determined for each of the predicted remaining lifetime RULest. As stated at the outset, the standard deviation σ SOH can be used for this measure in the case of a normally distributed and uncorrelated prediction error, or the standard deviation σ SOH1 in the case of a one-step prediction error. This takes into account that a prognosis based on a point in time t2, which is already close to the expected end of life EOL, is made with greater accuracy than a prognosis at a point in time t0, which is still very far away from the expected end of life EOL.
Der Prädiktionsfehler, insbesondere ein Einschritt-Prädiktionsfehler wird bezogen auf das nächste Zeitintervall T (beispielsweise ein Tag oder eine sonstige geeignete Größe) der alterungsabhängigen Größe SOH ermittelt. Zum Zeitpunkt t0 wird für den zu betrachtenden Referenzverlauf der alterungsabhängigen Größe SOH(t) der jeweilige zugehörige Referenzwert SOH(t0) ermittelt als Eingangsgröße der Prognose 16 für die Prädiktion der nächsten prädizierten alterungsabhängigen Größe SOHest(t0+T). Im nächsten Schritt wird für den Zeitpunkt t0+T der zugehörige Referenzwert SOH(t0+T) der entsprechenden Kurve in Block 14 ermittelt, quasi als simulierter Istwert. Der Einschritt-Prädiktionsfehler ΔSOH(t0) ermittelt sich, indem die Differenz gebildet wird zwischen der prädizierten alterungsabhängigen Größe SOHest(t0+T) zum prädizierten Zeitpunkt to+T und dem zugehörigen Referenzwert SOH(t0+T) zum Zeitpunkt t0+T wie in Block 14 abgelegt. Dies erfolgt für jeden der n Referenzwerte SOH(t0+T) und/oder für jeden der gegebenenfalls unterschiedlichen Startzeitpunkte t0, t1, t2. Aus den n*m Einschritt-Prädiktionsfehlern ΔSOH(t0, t1, t2) wird die zugehörige Standardabweichung σSOH1(t0) des Einschritt-Prädiktionsfehlers ermittelt. Für jeden nächsten Zeitschritt t1, t2 nach Verstreichen der Zeitspanne T (t1-t0 bzw. t2-t1) wird gegebenenfalls der zugehörige Einschritt-Prädiktionsfehler ΔSOH(t) und/oder die zugehörige Standardabweichung σSOH1(t) des Einschritt-Prädiktionsfehlers aktualisiert.The prediction error, in particular a one-step prediction error, is determined based on the next time interval T (for example one day or another suitable variable) of the age-dependent variable SOH. At time t0, the respective associated reference value SOH(t0) is determined for the reference curve of age-dependent variable SOH(t) to be considered as an input variable of
Weiterhin kann eine Extrapolation des Einschritt-Prädiktionsfehlers in die Zukunft, insbesondere bis zum Zeitpunkt der Restlebensdauer RUL bzw. Lebensende EOL erfolgen.Furthermore, the one-step prediction error can be extrapolated into the future, in particular up to the time of the remaining service life RUL or end of life EOL.
Außerdem wird die von der Prognose 16 prädizierte Restlebensdauer RULest(t) dem Degradationsmodell 14 wieder als Eingangsgröße zur Verfügung gestellt. Daraus wird die zugehörige alterungsabhängige Größe zum Zeitpunkt der Restlaufzeit SOH(RULest(t)) ermittelt. Block 14 stellt die zugehörige alterungsabhängige Größe zum Zeitpunkt der Restlaufzeit SOH(RULest(t)) einem Summationspunkt 20 zur Verfügung. Im Summationspunkt 20 wird die Differenz gebildet aus der alterungsabhängigen Größe zum Zeitpunkt der Restlaufzeit SOH(RULest(t)) und dem Grenzwert SOHEOL. Die Differenz ist ein Maß für den Fehler der alterungsabhängigen Größe ΔSOHEOL zum Lebensende EOL. Für die unterschiedlichen n Referenzverläufe der alterungsabhängigen Größe SOH(t) und hierbei unterschiedliche m Zeitpunkte t0, t1, t2 der Prädiktion als Basis für die Bestimmung der prädizierten Restlaufzeit RULest bilden die Datenbasis für das Erstellen entsprechender Fehler-Histogramme 22.In addition, the remaining service life RULest(t) predicted by the
Mit Hilfe der Referenzverläufe SOH(t) der alterungsabhängigen Größe wird ein Prädiktionsfehler der alterungsabhängigen Größe ΔSOHEOL der Prognose 32 der Restlebensdauer RUL zum Lebensende EOL (end of life) für die Vorhersagezeitpunkte t bestimmt. Dazu werden für jeden Vorhersagezeitpunkt aus einem zugehörigen Histogramm 22 der kumulativen Wahrscheinlichkeit des Prädiktionsfehlers bei Lebensende EOL und einem gegebenen Konfidenzlevel 24 (beispielsweise 95 %) die zugehörigen Percentile (beispielsweise 2,5 % und 97,5 %) an den Konfidenzintervallgrenzen abgelesen.A prediction error of the age-dependent variable ΔSOH EOL of the
Der Prädiktionsfehler ΔSOHEOL als Ausgangsgröße der Histogramme 22 wird dem Block 18 zur Bestimmung der Approximationsformel für das Konfidenzintervall ΔSOHEOLest zugeführt. Abhängig vom jeweiligen Konfidenzlevel 24 (beispielsweise 95 %, 97 % etc.) können über die Häufigkeitsverteilung der entsprechenden ΔSOHEOL Fehler die zugehörigen Grenzen des Konfidenzintervalls ΔSOHEOLdem Block 18 zur Verfügung gestellt werden.The prediction error ΔSOH EOL as the output variable of the
Der auf diese Weise ermittelte Verlauf der Konfidenzintervallgrenzen der Prädiktion der alterungsabhängigen Kenngröße SOH über die Restlebensdauer RUL kann durch nachfolgende empirische Formel in Abhängigkeit der Standardabweichung σSOH1 des Einschritt-Prädiktionsfehlers approximiert werden:
Der Sensor 12 erfasst charakteristische Messwerte U, I, T des Energiespeichers 10 und ermittelt daraus die tatsächliche alterungsabhängige Größe SOHist(t). Daraus bestimmt die Prognose 16 den prädizierten Verlauf der alterungsabhängigen Größe SOHest(t). Dies kann beispielsweise unter Rückgriff auf ein Modell des Energiespeichers 10 erfolgen. Der prädizierte Verlauf der alterungsabhängigen Größe SOHest(t) wird mit einem Grenzwert SOHEOL verglichen, der das Lebensende EOL definiert. Zu dem Zeitpunkt, zu dem der prädizierte Verlauf der alterungsabhängigen Größe SOHest(t) den Grenzwert SOHEOL erreicht, ist das Lebensende RUL erreicht. Anschließend wird ein Konfidenzintervall für die prädizierte Restlebensdauer ΔRULest ermittelt. Das Vorgehen wird nachfolgend näher erläutert.The
Schematisch dargestellt ist ein Energiespeicher 10. Ein Sensor 12 erfasst bestimmte Messgrößen des Energiespeichers 10 wie Strom I, Spannung U, Temperatur T. In dem Sensor 12 ist beispielsweise eine Zustandserkennung realisiert.An
Über die Zustandserkennung kann unter Rückgriff auf die erfassten Messwerte I, U, T zumindest eine alterungsabhängige Größe SOH, SOF des Energiespeichers 10 bzw. ein zeitlicher Verlauf der (zurückliegenden) alterungsabhängigen Größe SOHist(t), SOFist(t) ermittelt werden. Beispielsweise wird die aktuelle alterungsabhängige Größe des Energiespeichers 10 als SOH (State of Health bzw. Gesundheitszustand) ermittelt. Als alterungsabhängige Größen SOH des Energiespeichers 10 können beispielsweise der Innenwiderstand Ri, die Kapazität C0, Durchtrittspolarisation oder Ähnliches verwendet werden. Die alterungsabhängigen Größen SOH zeichnen sich dadurch aus, dass diese sich abhängig von dem Alter des Energiespeichers 10 verändern. Die alterungsabhängigen Größen SOH können bevorzugt über die Messgrößen U, I, T durch den Sensor 12 erfasst und über die Zustandserkennung berechnet werden. Vorzugsweise arbeitet die Zustandserkennung kontinuierlich. Die von dem Sensor 12 zur Verfügung gestellte tatsächliche alterungsabhängige Größe SOHist(t) wird unter Umständen zusammen mit anderen Prognose-oder Diagnosegrößen über eine Kommunikationsschnittstelle (ein Bussystem wie beispielsweise LIN, CAN) an übergeordnete nicht dargestellte Systeme zur Weiterverarbeitung übermittelt, beispielsweise zum Zweck einer prädiktiven Wartung und/oder eines prädiktiven bzw. vorbeugenden Gesundheitsmanagements des Energiespeichers 10.At least one aging-dependent variable SOH, SOF of the
Die tatsächliche alterungsabhängige Größe SOHist(t) wie vom Sensor 12 oder einer sonstigen Einrichtung ermittelt wird der Prognose 16 der Restlebensdauer RUL und/oder einer Berechnung 26 des Konfidenzintervalls der Restlebensdauer ΔRULest zugeführt. Die Prognose 16 der Restlebensdauer RUL ist identisch mit der in Verbindung mit
In der Prognose 16 wird der zukünftige, prädizierte Verlauf der alterungsabhängigen Größe SOHest(t) ermittelt. Der prädizierte Verlauf der alterungsabhängigen Größe SOHest(t) wird mit einem das Lebensende EOL repräsentierenden Grenzwert der alterungsabhängigen Größe SOHEOL verglichen. Das Lebensende EOL ist dann erreicht, wenn die prädizierte alterungsabhängige Größe SOHest einen bestimmten Grenzwert SOHEOL erreicht, bei dem ein ordnungsgemäßer Betrieb des Energiespeichers 10 nicht mehr zuverlässig gewährleistet werden kann. Die Prognose 16 stellt neben der Restlebensdauer RULest auch die Standardabweichung σSOH1(t) der Einschritt-Prädiktion für die Berechnung 26 des Konfidenzintervalls ΔRULest für die Restlebensdauer zur Verfügung. Die Berechnung 26 greift auf die in
Mit den nun zur Verfügung stehenden Größen der prädizierten Restlebensdauer RULest, dem Einschritt-Prädiktionsfehler σSOH1 bzw. der zugehörigen Standardabweichung des Einschritt-Prädiktionsfehlers σSOH1 sowie dem tatsächlichen Istwert der alterungsabhängigen Größe SOHist(t) wie vom Sensor 12 zur Verfügung gestellt erfolgt die Berechnung 26 des Konfidenzintervalls der Restlebensdauer ΔRULest. Hierbei wird besonders bevorzugt auf die in Verbindung mit
Das Konfidenzintervall der prädizierten Lebensdauer ΔRULest wird aus der geschätzten Fehlertoleranz des SOH bei EOL ΔSOHEOLest berechnet, indem die RUL-Prognose (Block 16 wiederverwendet in Block 26) unter Berücksictigung dieser Toleranz im EOL-Kriterium: SOH = SOHEOL +/- ΔSOHEOLest getrennt für obere und untere Toleranzgrenze berechnet wird. Dabei können, wie auch schon im Text beschrieben obere und untere SOHEOL Toleranzgrenze unterschiedlich sein (unterschiedliche Parametrierung der Approximationsformel).The confidence interval of the predicted lifetime ΔRUL est is calculated from the estimated error tolerance of the SOH at EOL ΔSOH EOLest by reusing the RUL forecast (block 16 in block 26) taking into account this tolerance in the EOL criterion: SOH = SOH EOL +/- ΔSOH EOLest is calculated separately for upper and lower tolerance limits. As already described in the text, the upper and lower SOH EOL tolerance limits can be different (different parameterization of the approximation formula).
Bei der in Block 18 offline bzw. vor dem Normalbetrieb durchgeführten Bestimmung der Approximationsformel für das Konfidenzintervall ist ein bestimmtes Konfidenzlevel 24 (beispielsweise 95 %) eingeflossen. Die entsprechenden Parameter a1, a2 wurden in diesem Block18 bereits offline für dieses Konfidenzlevel 24 bestimmt. Abhängig von diesem Konfidenzlevel 24 werden über die obige Formel die Konfidenzintervallgrenzen SOH = SOHEOL +/- ΔSOHEOLest bestimmt. Abhängig für die jeweiligen Konfidenzintervallgrenzen der alterungsabhängigen Größen können über die Verwendung der prädizierten alterungsabhängigen Größen SOHest an den jeweiligen Konfidenzintervallgrenzen die zugehörigen Restlebensdauer-Konfidenzintervallgrenzen ΔRULest ermittelt werden. Insbesondere die untere Konfidenzintervallgrenze für die Restlebensdauer RUL kann nun als Grenzwert verwendet werden, bei dessen Erreichen gewisse Maßnahmen wie beispielsweise Aktivierung eines Warnhinweises, Aufsuchen einer Werkstatt oder ähnliches eingeleitet werden. Block 26 verwendet die RUL-Prognose von Block 16 zur Berechnung der RUL-Toleranzen. Entsprechend wird auch hierfür als Input SOHist benötigt.A certain confidence level 24 (for example 95%) was included in the determination of the approximation formula for the confidence interval carried out in
Über Block 26 wird also die Güte der Prognose der prädizierten Restlebensdauer RULest abgeschätzt. Die Güte der Prognose repräsentiert sich durch die entsprechenden Konfidenzintervallgrenzen. Generell gilt: je geringer die prädizierte Restlebensdauer RULest, desto genauer wird die Vorhersage dieser prädizierten Restlebensdauer, somit wird das Konfidenzintervall der Restlebensdauer ΔRULest, innerhalb dessen eine bestimmte Vorhersage der Restlebensdauer RUL zu einem bestimmten Konfidenzlevel 24 möglich ist, kleiner. Dies wird auch durch die oben beschriebene Formel entsprechend abgebildet.The quality of the prediction of the predicted remaining service life RULest is thus estimated via
Das Ausführungsbeispiel gemäß den
Wiederum ist das Degradationsmodell 14 bzw. der Block 14vorgesehen, in dem eine Vielzahl (n>= 2000) von Referenzverläufen SOH (t) der alterungsabhängigen Größe SOH hinterlegt sind. Beispielsweise durch eine Simulation, insbesondere durch eine Monte Carlo Simulation, des Degradationsmodells 14 wird eine Vielzahl zufälliger Referenzverläufe SOH(t) für eine Prognose 32 eine Restlebensdauer RUL des Energiespeichers 10 generiert. Als Lebensende (EOL) - Kriterium wird nun jedoch der Funktionszustand SOF herangezogen als Basis der Ermittlung der prädizierten Restlebensdauer RULest. Die Prognose 32 schätzt bzw. prädiziert die prädizierte Restlebensdauer RULest bei verschiedenen Vorhersagezeitpunkten t. Außerdem ermittelt die Prognose 32 eine Standardabweichung σSOH1(t) der Einschritt-Prädiktion bis zu diesen Zeitpunkten t.Again, the
Die Eingangsgrößen des Prädiktors 28 für die weitere alterungsabhängige Größe SOF sind gemessene bzw. geschätzte Zeitverläufe, die den Energiespeicher 10 beschreiben, wie beispielsweise aktueller State of Health (=SOH(t)) bzw. alterungsabhängige Größe bzw. diese beschreibende Größen wie Kapazität C0, Innenwiderstand Ri, Polarisationen, etc. des betrachteten Energiespeichers 10, die z.B. von der Zustandserkennung des Sensors 12, insbesondere Batteriesensors, kontinuierlich ermittelt werden. In dem Prädiktor 28 ist beispielsweise ein mathematisches Modell des Energiespeichers 10 hinterlegt. Der Prädiktor 28 ermittelt beispielsweise eine prädizierte Betriebsgröße des Energiespeichers 10 wie beispielsweise den zu erwartenden Spannungseinbruch bzgl. eines vorgegebenen anwendungsspezifischen Lastprofils wie beispielsweise ein Stromlastprofil.The input variables of the
Es wird unter Verwendung der prädizierten Betriebsgröße des Energiespeichers 10 geprüft, ob beispielsweise für bestimmte Rahmenbedingungen für die über das Lastprofil beschriebene Anwendung ein geforderter Grenzwert wie beispielsweise eine Mindestspannung unterschritten wird bzw. wann dieser Grenzwert unterschritten wird. Der Zeitpunkt des Unterschreitens des Grenzwerts definiert dann die prädizierte Restlebensdauer RULest bei dem durch den Grenzwert für die jeweilige Funktion definierten Lebensende (EOL) - Kriterium.Using the predicted operating variable of the
Bei dem Ersatzschaltbild bzw. Modell des Energiespeichers 10 wie unter Umständen im Prädiktor 28 realisiert können bestimmte Betriebsgrößen wie Strom I, Spannung U, Temperatur T sowie Zustandsgrößen wie beispielsweise die Ruhespannung, die Konzentrationspolarisation, die Durchtrittspolarisation der verschiedenen Elektroden etc. sowie entsprechende Parameter (beispielsweise Innenwiderstand Ri, Ersatzkapazität C0, Widerstand und Kapazität der Säurediffusion bzw. Widerstand und Kapazität der Doppelschicht der Elektroden etc.) verwendet werden.In the equivalent circuit diagram or model of the
Als Ausgangsgröße des Prädiktors 28 gelangt die weitere alterungsabhängige Größe SOF(RULest) zum prädizierten Zeitpunkt der Restlebensdauer an den Summationspunkt 20. Im Summationspunkt 20 wird die Differenz aus der weiteren alterungsabhängigen Größe SOF(RULest) zum prädizierten Zeitpunkt der Restlebensdauer und der weiteren alterungsabhängigen Größe SOF zum Lebensende als entsprechender Fehler einem weiteren Histogramm 30 zugeführt. Aus den Histogrammen 30 der Prädiktionsfehler der weiteren alterungsabhängigen Größe SOF zum Lebensende (EOL)-Zeitpunkt wird nachfolgende empirische Formel in Abhängigkeit der Standardabweichung σSOF1 des Einschritt-Prädiktionsfehlers der weiteren alterungsabhängigen Größe SOF abgeleitet:
Entsprechend
Zunächst werden pro Sample-Schritt (beispielsweise pro Tag) normalverteilte Alterungsraten 40 in einem für den Typ des Energiespeichers 10 bei Fahrzeugnutzung realistischen Bereich basierend auf Messdaten und/oder Expertenwissen generiert (Schritt 1). In Block 40 der
Die in dem ersten Schritt zufällig generierte Alterungsrate 40 wird für eine gleichverteilte Zeitdauer von beispielsweise 1-7 Tagen festgehalten, um so Phasen mit stärkerer bzw. geringerer absoluter Alterung zu erzeugen (Block 42; 2. Schritt). In Block 42 der
Die nutzungsbedingte Alterung durch Vorgabe eines Nutzungsprofils 46, insbesondere Wochennutzungsprofil 46 mit Angabe der prozentualen Fahrzeug-und damit Energiespeichernutzung pro Wochentag berücksichtigt (beispielsweise 100 % für Taxibetrieb oder 10 % für Pendler) und mit der Alterungsrate 42 des jeweiligen Tages multipliziert, insbesondere unter Verwendung des Multiplizierers 44.The usage-related aging is taken into account by specifying a
Die mit zunehmender Umgebungstemperatur beschleunigte Alterung wird über das mit einer Arrhenius-Funktion 50 gewichtete Temperaturprofil 48, insbesondere Jahrestemperaturprofil, der Region, in der das Fahrzeug betrieben wird, berücksichtigt. Die Ausgangsgröße 45 des Multiplizierers 44 und die Ausgangsgrö-ße 51 der Arrhenius-Funktion 50 werden einem weiteren Multiplizierer 52 zugeführt. Dessen Ausgangsgröße 53 ist die Eingangsgröße für einen Summierer 54. Die Ausgangsgröße des Summierers 54 wird einem Summationspunkt 56 zugeführt, dem darüber hinaus ein Initialwert SOH0 der alterungsabhängigen Größe als weitere Größe zugeführt wird. Die entsprechenden Referenzverläufe der alterungsabhängigen Größe SOH(t) ergeben sich durch Aufsummieren der pro Tag berechneten Alterungsraten beginnend mit dem vorgegebenen Initialwert SOH0.The aging accelerated with increasing ambient temperature is taken into account via the
Ergibt Abfrage 46, dass die Restlebensdauer RUL erreicht wurde, so können in Block 50 Gegenmaßnahmen eingeleitet werden. So können entsprechende Warnhinweise an den Fahrer, den Fahrzeugbetreiber, die Werkstätte etc. generiert werden. Eine prädiktive Wartung könnte eingeleitet werden. Auch können bestimmte sicherheitsrelevanten Funktionen gesperrt bzw. nicht mehr zugelassen werden. Ebenfalls wäre das Einleiten entsprechender Gegenmaßnahmen wie beispielsweise das Anfahren des nächsten Parkplatzes, ein Halt am Seitenstreifen etc. bei besonders gravierenden Fehlern möglich.If
Das beschriebene Verfahren eignet sich insbesondere zur Überwachung von Energiespeichern 10 für sicherheitsrelevante Anwendungen wie beispielsweise für die Versorgung sicherheitsrelevanter Verbraucher in einem Kraftfahrzeug insbesondere beim autonomen Fahren. Die Verwendung ist jedoch hierauf nicht eingeschränkt.The method described is particularly suitable for monitoring
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
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.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- DE 102018220494 A1 [0002]DE 102018220494 A1 [0002]
Claims (15)
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021205872.8A DE102021205872A1 (en) | 2021-06-10 | 2021-06-10 | Method for monitoring an energy store in a motor vehicle |
PCT/EP2022/055670 WO2022258235A1 (en) | 2021-06-10 | 2022-03-07 | Method for monitoring an energy store in a motor vehicle |
CN202280041277.1A CN117546033A (en) | 2021-06-10 | 2022-03-07 | Method for monitoring an energy store in a motor vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021205872.8A DE102021205872A1 (en) | 2021-06-10 | 2021-06-10 | Method for monitoring an energy store in a motor vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021205872A1 true DE102021205872A1 (en) | 2022-12-15 |
Family
ID=80780663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021205872.8A Pending DE102021205872A1 (en) | 2021-06-10 | 2021-06-10 | Method for monitoring an energy store in a motor vehicle |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN117546033A (en) |
DE (1) | DE102021205872A1 (en) |
WO (1) | WO2022258235A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018220494A1 (en) | 2018-11-28 | 2020-05-28 | Robert Bosch Gmbh | Method for monitoring an energy store in an electrical system |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109617153A (en) * | 2018-11-22 | 2019-04-12 | 中国矿业大学 | A kind of mining lithium battery management system |
-
2021
- 2021-06-10 DE DE102021205872.8A patent/DE102021205872A1/en active Pending
-
2022
- 2022-03-07 CN CN202280041277.1A patent/CN117546033A/en active Pending
- 2022-03-07 WO PCT/EP2022/055670 patent/WO2022258235A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018220494A1 (en) | 2018-11-28 | 2020-05-28 | Robert Bosch Gmbh | Method for monitoring an energy store in an electrical system |
Also Published As
Publication number | Publication date |
---|---|
WO2022258235A1 (en) | 2022-12-15 |
CN117546033A (en) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1429152B1 (en) | Method for predicting the internal resistance of a battery and a monitoring device for batteries | |
DE102018103827A1 (en) | WAREHOUSE MANAGEMENT SYSTEM WITH FUNCTIONS FOR EXECUTING STORAGE MANAGEMENT AND PREVENTIVE MAINTENANCE | |
WO2017182497A1 (en) | Method and system for evaluating an electrochemical storage unit | |
EP1120663A2 (en) | Determining the capacity of an accumulator | |
WO2020216530A1 (en) | Method for determining remaining useful life cycles, remaining useful life cycle determination circuit, and remaining useful life cycle determination apparatus | |
DE102020215201A1 (en) | Method and device for predicting an aging state of a device battery in a battery-operated device | |
WO2022017984A1 (en) | Method for predicting a residual service life of vehicle batteries of a fleet of electric vehicles | |
DE102017213510A1 (en) | Method and apparatus for generating a machine learning system, and virtual sensor device | |
EP2088486A1 (en) | Method for measuring a non-linear dynamic real system using design of experiment | |
DE102020200051A1 (en) | Method for determining remaining usage cycles, remaining usage cycle determining circuit, remaining usage cycle determining device | |
DE102020212280A1 (en) | Method and device for training a state model based on artificial intelligence for determining a state variable of an electrical energy store | |
EP4001938A1 (en) | Computer implemented method for determining state variables of a battery and battery | |
DE102021205872A1 (en) | Method for monitoring an energy store in a motor vehicle | |
DE102022208932A1 (en) | Method and device for the predictive diagnosis of a device battery of a technical device using a transformer model | |
DE102015222683B4 (en) | Method for the computer-aided determination of parameters of an electrochemical energy store | |
DE102022107492B3 (en) | Method for estimating a component lifetime and motor vehicle | |
DE60126404T2 (en) | DEVICE AND METHOD FOR SIMULATING AND ANALYZING A SYSTEM WITH FAILURE MODES | |
WO2012025188A1 (en) | Method for predicting the electrical power an electrochemical energy store can output to a consumer | |
DE102020214180A1 (en) | Method and device for determining a state variable of an electrical energy store | |
DE102020209338A1 (en) | Method and device for determining the future probability of failure of an electric drive module of an electric vehicle | |
DE102020212295A1 (en) | Method and device for providing training data for training a data-based state model for determining a state of an electrical energy store | |
DE102021208227A1 (en) | Method and device for providing an overall trajectory of an aging state from a plurality of aging state profiles of an electrical energy store | |
EP3974246A1 (en) | Method and apparatus for robust prediction of the aging behavior of an energy storage device in a battery operated machine | |
DE102021202904A1 (en) | Method for monitoring an energy store in a motor vehicle | |
DE102022202084A1 (en) | Method and device for adapting model parameters of an electrochemical battery model of a device battery during a charging process |