DE102021213762A1 - Method for creating data sets for evaluating at least one lifetime parameter of a battery cell, device and software therefor. - Google Patents
Method for creating data sets for evaluating at least one lifetime parameter of a battery cell, device and software therefor. Download PDFInfo
- Publication number
- DE102021213762A1 DE102021213762A1 DE102021213762.8A DE102021213762A DE102021213762A1 DE 102021213762 A1 DE102021213762 A1 DE 102021213762A1 DE 102021213762 A DE102021213762 A DE 102021213762A DE 102021213762 A1 DE102021213762 A1 DE 102021213762A1
- Authority
- DE
- Germany
- Prior art keywords
- data
- data set
- parameter
- comparable
- battery cell
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 230000032683 aging Effects 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 description 28
- 238000006731 degradation reaction Methods 0.000 description 28
- 238000012549 training Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 10
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 230000032677 cell aging Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000003127 knee Anatomy 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 101000666730 Homo sapiens T-complex protein 1 subunit alpha Proteins 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 102100038410 T-complex protein 1 subunit alpha Human genes 0.000 description 2
- 239000011149 active material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000006652 catabolic pathway Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Abstract
Die Erfindung betrifft ein Verfahren zur Erstellung von Datensätzen für die Bewertung zumindest eines Lebensdauerparameters einer Batteriezelle, aufweisend die Schritte:◯ Erhalten (100) eines ersten Datensatzes,◯ Bestimmen (200) von Parametern für die synthetische Datenerzeugung,▪ wobei ein erster Parameter einer Verschiebung von Messwerten des Datensatzes relativ zu einem vergleichbaren Datensatz entspricht,▪ wobei ein zweiter Parameter einer Streckung der Messwerte des Datensatzes relativ zu dem vergleichbaren Datensatz entspricht,▪ wobei ein dritter Parameter einer Steigung des Datensatzes relativ zu dem vergleichbaren Datensatz entspricht,◯ mittels der bestimmten Anpassungsparameter und dem vergleichbaren Datensatz Erstellen (300) von virtuellen Datenwerten in Ergänzung zu dem ersten Datensatz◯ Bereitstellen (400) des erstellten Datensatzes an eine Bewertungseinrichtung für zumindest einen Lebensdauerparameter der Batteriezelle.Weiterhin betrifft die Erfindung eine Vorrichtung zur Durchführung eines der Verfahren und eine Software zur programmtechnischen Einrichtung einer Datenverarbeitungsanlage zur Durchführung eines der Verfahren.The invention relates to a method for creating data sets for evaluating at least one service life parameter of a battery cell, comprising the steps: ◯ Obtaining (100) a first data set, ◯ Determining (200) parameters for the synthetic data generation, ▪ a first parameter of a shift of measured values of the data set relative to a comparable data set, ▪ where a second parameter corresponds to a stretching of the measured values of the data set relative to the comparable data set, ▪ where a third parameter corresponds to an increase in the data set relative to the comparable data set, ◯ by means of the determined adjustment parameters and the comparable data set creating (300) virtual data values in addition to the first data set◯ providing (400) the created data set to an evaluation device for at least one service life parameter of the battery cell.Furthermore, the invention relates to a device for carrying out one of the methods and software for Programming a data processing system to carry out one of the methods.
Description
Die Erfindung betrifft ein Verfahren zur Erstellung von Datensätzen für die Bewertung zumindest eines Lebensdauerparameters einer Batteriezelle, sowie eine Vorrichtung als auch eine Software hierfür.The invention relates to a method for creating data sets for evaluating at least one service life parameter of a battery cell, as well as a device and software for this.
Hintergrundbackground
Die Anwendung von Lithium-Ionen-Batterien ist in vielen Bereichen der Wirtschaft, insbesondere jedoch in der Elektromobilität und in der Energiespeicherung, weit verbreitet, da sie eine hohe gravimetrische Energiedichte als auch lange Lebensdauern aufweisen. Zudem sinken die Produktionskosten. Solche Batterien werden auch als Batteriezelle bezeichnet.Lithium-ion batteries are widely used in many areas of the economy, but especially in electromobility and energy storage, as they have a high gravimetric energy density and long service life. In addition, production costs are reduced. Such batteries are also referred to as battery cells.
Allerdings unterliegen Batteriezellen bei wiederholten Lade-/Entladezyklen sowie bei der Lagerung - wie jedes elektrochemische System - einer Degradation, die sich in Form von Kapazitäts- und Leistungsverlusten bemerkbar macht. Die genaue Vorhersage der Lebensdauer von Batteriezellen ist daher ein wichtiges Forschungsgebiet.However, like any electrochemical system, battery cells are subject to degradation during repeated charge/discharge cycles and storage, which becomes noticeable in the form of capacity and performance losses. Accurately predicting the lifetime of battery cells is therefore an important area of research.
Erkenntnisse über die Degradation ermöglichen es den Erstausrüstern, den Herstellern von Elektrofahrzeugen und den Entwicklern von Batteriesystemen, kalkulierte Garantien für die Batteriezellen zu geben und eine hohe Leistung und Sicherheit während der prognostizierten Lebensdauer zu gewährleisten, während die Endnutzer und die Betreiber von Batteriesystemen im Voraus über den Zeitpunkt des Austauschs der Akkus informiert werden können.Degradation insights enable OEMs, EV manufacturers and battery system designers to provide calculated battery cell warranties and ensure high performance and safety over the projected lifetime, while end users and battery system operators know in advance about can be informed when the batteries will be replaced.
Aufgrund der nichtlinearen Natur solcher Systeme, die auf interne Reaktionen und die Variabilität der einzelnen Zellen zurückzuführen ist, bleibt eine zuverlässige und genaue Vorhersage der Lebensdauer jedoch eine schwierige Aufgabe.However, reliable and accurate lifetime prediction remains a challenging task due to the nonlinear nature of such systems, which is due to internal responses and individual cell variability.
Mehrere Studien haben elektrochemische Modelle vorgeschlagen, um die Degradationsmechanismen, wie z.B. den Verlust von aktivem Material, das Wachstum der Festkörper-Elektrolyt-Grenzfläche und die Abscheidung von Lithium, zu charakterisieren. Prinzipiell konnten diese Modelle zwar ihre Vorhersagefähigkeiten zeigen, aber sie haben sich als nur bedingt geeignet gezeigt die nichtlinearen anwendungsbezogenen Degradationstrends zu erfassen bzw. eine breite Palette von Degradationsmechanismen zu parametrisieren. Außerdem sind die elektrochemischen Modelle nicht in der Lage, die intrinsischen Unterschiede der Zellen während der Herstellung zu berücksichtigen und haben daher eine begrenzte Genauigkeit bei zellspezifischen Vorhersagen. Zudem erfordern die elektrochemischen Modelle das Lösen komplexer algebraischer Differentialgleichungen, was für die bestehenden praktischen Anwendungen sehr rechenintensiv ist.Several studies have proposed electrochemical models to characterize degradation mechanisms such as active material loss, solid-electrolyte interface growth, and lithium segregation. In principle, these models were able to demonstrate their ability to predict, but they have only been shown to be of limited use in capturing non-linear, application-related degradation trends and in parameterizing a wide range of degradation mechanisms. In addition, the electrochemical models are unable to account for the intrinsic differences of the cells during manufacture and therefore have limited accuracy in cell-specific predictions. In addition, the electrochemical models require the solving of complex algebraic differential equations, which is very computationally intensive for the existing practical applications.
Zwischenzeitlich wurden auch semi-/empirische Modelle vorgeschlagen, bei denen eine Parametrisierung von Zellalterungsdaten abgeleitet wird und Beziehungen zwischen Kapazität und Degradation und verschiedenen Stressfaktoren wie Temperatur, Entladetiefe und Stromstärke als empirische Gleichungen erhalten werden. Diese semi-/empirischen Modelle sind jedoch in hohem Maße abhängig von den Alterungsdaten, den Testbedingungen und den erhaltenen empirischen Gleichungen. Daher sind die Vorhersagen für eine unbekannte Batteriezelle weniger genau, insbesondere wenn ihr Degradationspfad außerhalb der Grenzen liegt, die durch die erhaltenen empirischen Gleichungen definiert sind.In the meantime, semi-empirical models have also been proposed, in which a parameterization of cell aging data is derived and relationships between capacity and degradation and various stress factors such as temperature, depth of discharge and current intensity are obtained as empirical equations. However, these semi-/empirical models are highly dependent on the aging data, the test conditions and the empirical equations obtained. Therefore, the predictions for an unknown battery cell are less accurate, especially if its degradation path is outside the bounds defined by the obtained empirical equations.
Sowohl der Ansatz basierend auf dem elektrochemischen Modell als auch der Ansatz basierend auf dem semi-/empirischen Modell erfordern gründliche Kenntnisse in den Bereichen Mathematik und Elektrochemie.Both the approach based on the electrochemical model and the approach based on the semi-/empirical model require thorough knowledge of mathematics and electrochemistry.
Vor diesem Hintergrund hat man in der Vergangenheit nach anderen Lösungen gesucht.Against this background, other solutions have been sought in the past.
Die Verfügbarkeit immer größerer Datenmengen in Feld und Labor, Fortschritte bei der Datenverarbeitung und -analyse sowie die Entwicklung von Machine-Learning- und Deep-Learning-Modellen haben den Weg für die Verwendung datengesteuerter Modelle geebnet.The availability of increasing amounts of data in the field and laboratory, advances in data processing and analysis, and the development of machine learning and deep learning models have paved the way for the use of data-driven models.
Anstatt auf Degradationsmechanismen beruhen diese Methoden auf dem Lernen von Batteriedaten. Dabei wurden in Studien maschinelle Lernmodelle wie die lineare Regression, die Gaußsche Prozessregression und Bayes'sche Ansätze, sowie Support- und Relevanz-Vektor-Maschinen verwendet. Diese Lernmodelle erfordern jedoch ein Feature-Engineering, um Merkmale aus den Daten zu extrahieren, was dazu führt, dass andere wichtige Merkmale (unerkannt) ausgeschlossen werden oder aber sogar Merkmale einbezogen werden, die für die Modellleistung abträglich sein können. Diese Modelle erlauben zudem nur eine begrenzte Abstimmung der Hyperparameter zur Optimierung der Leistung. In den meisten Fällen sind einige der Eingaben zur Erzeugung von Merkmalen für diese Modelle in bestehenden Feldanwendungen nicht direkt verfügbar.Instead of using degradation mechanisms, these methods are based on learning from battery data. In studies, machine learning models such as linear regression, Gaussian process regression and Bayesian approaches, as well as support and relevance vector machines were used. However, these learning models require feature engineering to extract features from the data, resulting in other important features being excluded (undetected) or even including features that may be detrimental to model performance. These models also allow only limited tuning of hyperparameters to optimize performance. In most cases, some of the feature generation inputs for these models are not directly available in existing field applications.
Deep-Learning-Modelle, z. B. mehrschichtige neuronale Netze, können diese Hürden potenziell überwinden. Sie bieten eine breitere Palette an Hyperparametern für die Modelloptimierung, erstellen eigene Merkmale, während sie aus Daten lernen, und erfordern daher weniger menschliches Eingreifen. Verschiedene Deep-Learning-Modelle wie das Long Short Memory (LSTM), bidirektionale LSTM, tiefe neuronale Netze und hybride Modelle, die Kombinationen aus verschiedenen neuronalen Netzen oder Deep- und Machine-Learning-Algorithmen wurden für die Vorhersage der Lebensdauer auch von der Anmelderin vorgeschlagen.Deep learning models, e.g. Multi-layer neural networks, for example, can potentially overcome these hurdles. They provide a wider range of hyperparameters for model optimization, create len their own traits while learning from data, and therefore require less human intervention. Various deep learning models such as long short memory (LSTM), bidirectional LSTM, deep neural networks and hybrid models, combinations of different neural networks or deep and machine learning algorithms have also been developed by the applicant for lifetime prediction suggested.
Datengesteuerte Modelle werden jedoch durch eine unzureichende Datenmenge und eine schlechte Datenqualität beeinträchtigt.However, data-driven models are hampered by insufficient data and poor data quality.
Die Hauptprobleme bei der Erstellung von Datensätzen für Modelle zur Degradationsvorhersage sind eine unzureichende Anzahl von Alterungsszenarien und eine unzureichende Anzahl von Batteriezellen, die pro Alterungsszenario getestet werden.The main problems in creating datasets for degradation prediction models are insufficient number of aging scenarios and insufficient number of battery cells tested per aging scenario.
Die raschen Fortschritte bei Batteriezellen und die Entdeckung neuer Batteriematerialien könnten zu einer möglichen Redundanz von Technologien führen, die erst wenige Generationen alt sind. Daher ist die Untersuchung der Leistungsmerkmale neu entwickelter Batteriezellen-Materialien und die gleichzeitige Entwicklung von datengestützter Vorhersagemodelle von höchster Priorität.The rapid advances in battery cells and the discovery of new battery materials could lead to a possible redundancy of technologies that are only a few generations old. Therefore, investigating the performance characteristics of newly developed battery cell materials and the simultaneous development of data-based prediction models is of the highest priority.
Darüber hinaus sind Zelltests in Labors ressourcen-, zeit- und platzintensiv während zugleich ein dringender Bedarf bei Forschungsgruppen und OEMs besteht, die Zellalterungstests bei geringeren Kosten zu beschleunigen.In addition, cell testing in laboratories is resource, time and space intensive while at the same time there is an urgent need for research groups and OEMs to accelerate cell aging testing at lower cost.
Die Erzeugung synthetischer Batteriedaten ist eine mögliche Lösung, die bereits in mehreren Studien verfolgt wurde. Markov-Ketten wurden in Kombination mit einer neuronalen Netzstruktur verwendet (siehe „Generation of Synthetic Battery Data with Capacity Variation“ der Autoren M. Pyne, B. J. Yurkovich, and S. Yurkovich, in IEEE CCTA 2019: 3rd IEEE Conference on Control Technology and Applications, Seiten 476-480, doi https://doi.org/10.1109/CCTA.2019.8920488), um synthetische Spannungskurven-Mittelpunkte in Abhängigkeit von Kapazitätswerten zu erzeugen, ohne auf eine Anwendung bei der Vorhersage der Zelllebensdauer Bezug zu nehmen.The generation of synthetic battery data is a possible solution that has already been pursued in several studies. Markov chains were used in combination with a neural network structure (see "Generation of Synthetic Battery Data with Capacity Variation" by authors M. Pyne, B.J. Yurkovich, and S. Yurkovich, in IEEE CCTA 2019: 3rd IEEE Conference on Control Technology and Applications , pages 476-480, doi https://doi.org/10.1109/CCTA.2019.8920488) to generate synthetic midpoints of voltage curves as a function of capacitance values, without reference to an application in cell lifetime prediction.
Ein mechanistischer Rahmen basierend auf elektrochemischen Eigenschaften von Batteriezellen wurde in dem Artikel „
Aus dem Artikel „
Die bisherigen Ansätze waren nicht zufriedenstellend, um Daten sicher synthetisch zu erstellen.Previous approaches have not been satisfactory for safely synthetically creating data.
AufgabeTask
Daher wäre es wünschenswert ein Verfahren angeben zu können, mit dem Daten sicher synthetisch erzeugt werden können.It would therefore be desirable to be able to specify a method with which data can be safely synthesized.
Kurzdarstellung der ErfindungSummary of the Invention
Die Erfindung löst diese Aufgabe durch die unabhängigen Ansprüche. Vorteilhafte Weiterbildungen sind Gegenstand der Unteransprüche, Abbildungen und der Beschreibung.The invention solves this problem through the independent claims. Advantageous developments are the subject of the dependent claims, illustrations and the description.
Im Folgenden wird die Erfindung anhand einer Zeichnung und Ausführungsbeispielen näher erläutert. Die Zeichnung ist eine schematische Darstellung und nicht maßstabsgetreu. Die Zeichnung schränkt die Erfindung in keiner Weise ein.The invention is explained in more detail below with reference to a drawing and exemplary embodiments. The drawing is a schematic representation and not to scale. The drawing does not limit the invention in any way.
Es zeigen:
Ausführliche Darstellung der ErfindungDetailed presentation of the invention
Nachfolgend wird die Erfindung, unter Bezugnahme auf die Abbildungen, eingehender dargestellt. Dabei ist anzumerken, dass unterschiedliche Aspekte beschrieben werden, die jeweils einzeln oder in Kombination zum Einsatz kommen können. D.h. jeglicher Aspekt kann mit unterschiedlichen Ausführungsformen der Erfindung verwendet werden, soweit nicht explizit als reine Alternative dargestellt.In the following, the invention is presented in more detail with reference to the figures. It should be noted that different aspects are described, which can be used individually or in combination. That is, each aspect can be used with different embodiments of the invention, unless explicitly presented as purely alternative.
Weiterhin wird nachfolgend der Einfachheit halber in aller Regel immer nur auf eine Entität Bezug genommen. Soweit nicht explizit vermerkt, kann die Erfindung aber auch jeweils mehrere der betroffenen Entitäten aufweisen. Insofern ist die Verwendung der Wörter „ein“, „eine“ und „eines“ nur als Hinweis darauf zu verstehen, dass in einer einfachen Ausführungsform zumindest eine Entität verwendet wird.Furthermore, for the sake of simplicity, only one entity is generally referred to below. Unless explicitly noted, however, the invention can also have several of the entities concerned. In this respect, the use of the words “a”, “an” and “an” is only to be understood as an indication that at least one entity is used in a simple embodiment.
Soweit nachfolgend Verfahren beschrieben werden, sind die einzelnen Schritte eines Verfahrens in beliebiger Reihenfolge anordbar und/oder kombinierbar, soweit sich durch den Zusammenhang nicht explizit etwas Abweichendes ergibt. Weiterhin sind die Verfahren - soweit nicht ausdrücklich anderweitig gekennzeichnet - untereinander kombinierbar.Insofar as methods are described below, the individual steps of a method can be arranged and/or combined in any order, unless something different is explicitly stated in the context. Furthermore, the processes can be combined with one another, unless expressly stated otherwise.
Soweit in dieser Anmeldung Normen, Spezifikationen oder dergleichen benannt werden, werden zumindest immer die am Anmeldetag anwendbaren Normen, Spezifikationen oder dergleichen in Bezug genommen. D.h. wird eine Norm / Spezifikation etc. aktualisiert oder durch einen Nachfolger ersetzt, so ist die Erfindung auch hierauf anwendbar.Insofar as standards, specifications or the like are named in this application, at least the standards, specifications or the like applicable on the filing date are referred to. This means that if a standard/specification etc. is updated or replaced by a successor, the invention can also be applied to this.
In den Abbildungen sind verschiedene Ausführungsformen dargestellt.Various embodiments are shown in the figures.
In einem erfindungsgemäßen Verfahren zur Erstellung von Datensätzen für die Bewertung zumindest eines Lebensdauerparameters einer Batteriezelle wird in einem Schritt 100 ein erster Datensatz erhalten. Dieser Datensatz kann spärlich besetzt sein, er kann aber auch ein größerer oder gar im Sinne der Brauchbarkeit für die Bewertung eines Lebensdauerparameters einer Batteriezelle bereits so vollständig sein, dass er (zumindest für Teilbereiche) befriedigende Ergebnisse bereitstellt. Insofern sind nach oben hin zu einer „Vervollständigung“ des Datensatzes keine Grenzen gesetzt. Der Datensatz kann z.B. aus einem (bekannten) Alterungstest für eine Batteriezelle stammen.In a method according to the invention for creating data sets for evaluating at least one service life parameter of a battery cell, a first data set is obtained in a
In Bezug auf den erhaltenen Datensatz werden nun in einem Schritt 200 Parameter für die synthetische Datenerzeugung bestimmt. Ein erster Parameter (offset) entspricht dabei einer Verschiebung von Messwerten des Datensatzes relativ zu einem vergleichbaren Datensatz, ein zweiter Parameter (elongation) entspricht einer Streckung der Messwerte des Datensatzes relativ zu dem vergleichbaren Datensatz, und ein dritter Parameter (slope) entspricht einer Steigung des Datensatzes relativ zu dem vergleichbaren Datensatz.In relation to the data set obtained, parameters for the synthetic data generation are now determined in a
Das erfindungsgemäße Verfahren kann somit so beschrieben werden, dass es auf der Modifizierung der Geometrien vorhandener realer Batterie-Daten auf der Grundlage bestimmter Eigenschaften beruht. Diese Eigenschaften werden als Parameter realisiert, die als Eingaben in die Funktion zur Erzeugung synthetischer Daten eingespeist werden können.The method according to the invention can thus be described as based on the modification of the geometries of existing real battery data on the basis of certain properties. These properties are implemented as parameters that can be fed as inputs to the synthetic data generation function.
Sinnvollerweise werden die markanten charakteristischen Merkmale - der anfängliche Kapazitätswert und die Zykluszahlen von EOL und Kniepunkt für die Kapazitätsabbaukurve einer Batteriezelle identifiziert. Diese Merkmale werden dann dazu verwendet, um die die Parameter einer synthetischen Kurvengenerierungsfunktion (SCG), nämlich offset-, elongation- und slope-Parameter zu bestimmen.It makes sense to identify the distinctive characteristic features - the initial capacity value and the cycle numbers of EOL and knee point for the capacity decay curve of a battery cell. These characteristics will then used to determine the parameters of a synthetic curve generation function (SCG), namely offset, elongation and slope parameters.
Der erste Parameter „offset“ kann als die Differenz zwischen den anfänglichen Kapazitätswerten von zwei Zellen in Ah beschrieben werden. Der zweite Parameter „elongation“ kann als das Verhältnis der Endpunkte zweier Kurven beschrieben werden, und kann eine dimensionslose Größe sein. Der dritte Parameter „slope“ kann durch die Varianzen in den Steigungen der Kapazitätdegradationskurven innerhalb der anfänglichen linearen Abbauphase (d.h. vor dem Kniepunkt) beschrieben werden. Der dritte Parameter kann durch Subtraktion der Kapazitätsunterschiede beim ersten Zyklus und beim ‚n‘-ten Zyklus, bis zu dem geringfügige Unterschiede in den Steigungen beobachtet werden, berechnet werden. Der dritte Parameter hat die Einheit Ah.The first parameter "offset" can be described as the difference between the initial capacity values of two cells in Ah. The second parameter "elongation" can be described as the ratio of the endpoints of two curves, and can be a dimensionless quantity. The third parameter "slope" can be described by the variances in the slopes of the capacity degradation curves within the initial linear degradation phase (i.e. before the knee point). The third parameter can be calculated by subtracting the differences in capacitance at the first cycle and at the 'n'th cycle, up to which slight differences in slopes are observed. The third parameter has the unit Ah.
Sind die Parameter bestimmt, so kann nun mittels der bestimmten Anpassungsparameter und dem vergleichbaren Datensatz damit begonnen werden in Schritt 300 virtuelle Datenwerte in Ergänzung zu dem ersten Datensatz zu erstellen.Once the parameters have been determined, it is now possible in
Dabei kann zum einen mittels Zufallswerten das Ausgangsszenario verändert werden, sodass mittels des nunmehr vergrößerten erstellten Datensatzes auch für dieses veränderte Ausgangsszenario (erwartbare reale) Datenwerte generiert werden können. Ebenso kann natürlich aber auch der ursprünglich erste Datensatz - so er denn spärlich war - um (erwartbare reale) Datenwerte ergänzt werden.On the one hand, the initial scenario can be changed by means of random values, so that (expectable real) data values can also be generated for this changed initial scenario using the now enlarged data set that has been created. Equally, of course, the originally first data set - if it was sparse - can be supplemented with (expected real) data values.
Der erstellte Datensatz oder die nunmehr erstellten Datensätze können dann in Schritt 400 an eine Bewertungseinrichtung für zumindest einen Lebensdauerparameter der Batteriezelle bereitgestellt werden.The created data set or the now created data sets can then be made available in
Ohne Beschränkung der Allgemeinheit kann für die Bestimmung 200 ebenfalls ein data-driven-model-Ansatz verwendet werden.A data-driven model approach can also be used for the
Insbesondere kann in Ausführungsformen der Erfindung vorgesehen sein, dass für die Bestimmung 200 ein neuronales Netzwerk verwendet wird.In particular, it can be provided in embodiments of the invention that a neural network is used for the
Dieses neuronale Netzwerk kann in Ausführungsformen der Erfindung auch ein faltendes neuronales Netzwerk sein.In embodiments of the invention, this neural network can also be a convolutional neural network.
Gemäß einer Ausführungsform der Erfindung wird für die Bestimmung in Schritt 200 ein machine-learning-basiertes Model, insbesondere ein deep-learning-basiertes Model, verwendet.According to one embodiment of the invention, a machine-learning-based model, in particular a deep-learning-based model, is used for the determination in
In noch einer weiteren Ausführungsform der Erfindung erfolgt die Bestimmung in Schritt 200 für verschiedene Datensätze.In yet another embodiment of the invention, the determination in
Gemäß noch einer weiteren Ausführungsform der Erfindung ist der erhaltene erste Datensatz spärlich besetzt.According to yet another embodiment of the invention, the first data set obtained is sparse.
In noch einer weiteren Ausführungsform der Erfindung werden die ersten Datensätze aus einem Alterungsexperiment erhalten.In yet another embodiment of the invention, the first data sets are obtained from an aging experiment.
Gemäß einer weiteren Ausgestaltung der Erfindung wird auch eine Vorrichtung zur Durchführung eines der erfindungsgemäßen Verfahren vorgeschlagen. Eine Vorrichtung kann z.B. ein Computer sein, wobei die Anforderungen an die Rechenleistung und Speichergröße gering sind, sodass auch ein herkömmlicher Desktop-Computer in vergleichsweise geringer Zeit (im Vergleich zur Messung im Alterungstest) die erfindungsgemäßen Verfahren ausführen kann. Ebenso kann die Vorrichtung aber auch in einer Cloud-Anwendung als auch in spezialisierter Hardware realisiert sein.According to a further embodiment of the invention, a device for carrying out one of the methods according to the invention is also proposed. A device can be a computer, for example, with the requirements for computing power and memory size being low, so that a conventional desktop computer can also carry out the method according to the invention in a comparatively short time (compared to the measurement in the aging test). However, the device can also be implemented in a cloud application or in specialized hardware.
Gemäß einer weiteren Ausgestaltung der Erfindung wird ebenso eine Software zur programmtechnischen Einrichtung einer Datenverarbeitungsanlage zur Durchführung eines der Verfahren vorgeschlagen. Eine solche Software kann mittels eines Speichermediums oder eines Datenstromes an eine geeignete Datenverarbeitungsanlage (z.B. eine Vorrichtung zur Durchführung eines der erfindungsgemäßen Verfahren) angeboten und verteilt werden.According to a further embodiment of the invention, software for programming a data processing system for carrying out one of the methods is also proposed. Such software can be offered and distributed to a suitable data processing system (e.g. a device for carrying out one of the methods according to the invention) by means of a storage medium or a data stream.
Die Erfindung weist Vorteile gegenüber dem derzeitigen Stand der Technik auf.The invention has advantages over the current state of the art.
Zum einen erfassen die erstellten virtuellen Datenwerte die genauen Merkmale der Daten anstelle von Näherungen. Daher sind die erstellten virtuellen Datenwerte genauso gültig wie reale Datenwerte.For one, the virtual data values created capture the exact characteristics of the data rather than approximations. Therefore, the created virtual data values are just as valid as real data values.
Zudem basiert die Erfindung auf Geometrie und Statistik, was es vereinfacht die Erstellung der virtuellen Datenwerte (synthetischen Daten) genau zu kontrollieren. Die Erfindung stellt sicher, dass die virtuellen Datenwerte ein möglicher praktischer Degradationspfad der Zelle sind.In addition, the invention is based on geometry and statistics, which makes it easy to precisely control the creation of the virtual data values (synthetic data). The invention ensures that the virtual data values are a possible practical degradation path of the cell.
Für die Datengenerierung selbst ist kein Wissen über komplexe Batteriealterungsmechanismen erforderlich.No knowledge of complex battery aging mechanisms is required for the data generation itself.
Hierdurch kann der Zeit- und Kostenaufwand erheblich reduziert werden, da virtuelle Datenwerte bei bekannten Anpassungsparametern einfach erzeugt werden können. Dies reduziert den Zeit- und Kostenaufwand für Wiederholung des Verfahrens, um virtuelle Datenwerte für andere Zellen und andere Datensätze zu erzeugen.As a result, the expenditure of time and money can be significantly reduced, since virtual data values can be easily generated given known adjustment parameters. This reduces the time and cost of repeating the process to create virtual data values for other cells and other data sets.
Es ist auch möglich, synthetische Daten zu erzeugen, die weit über die Grenzen der realen Datengehen, was dazu beiträgt, Daten zu erhalten, die extreme Degradationsszenarien darstellen. Enorme Mengen an synthetischen Daten können in der Größenordnung von wenigen Sekunden erzeugt werden.It is also possible to generate synthetic data that goes well beyond the real data limits, helping to obtain data that represent extreme degradation scenarios. Enormous amounts of synthetic data can be generated in the order of a few seconds.
Diese Erfindung erlaubt es damit die Zeit und die Kosten von Zellalterungstests zu reduzieren und gleichzeitig Alterungstests bei gleichzeitiger Verbesserung der Modellleistung bereitzustellen.This invention thus allows reducing the time and cost of cell aging tests while providing aging tests while improving model performance.
Insbesondere kann die Erfindung auch dann verwendet werden, wenn nur spärliche Kapazitätsdegradationsdatensätze vorliegen, um diese anzureichern, und so den Zeit- und Ressourcenaufwand für Zellalterungstests zu verringern.In particular, the invention can also be used when only sparse capacity degradation data sets are available in order to enrich them and thus reduce the time and resource expenditure for cell aging tests.
Die Wirksamkeit dieser Methode konnte mit Hilfe eines dynamischen Deep-Learning-Convolutional-Neural-Network (CNN)-basierten Vorhersagemodells validiert werden.The effectiveness of this method could be validated using a dynamic deep learning convolutional neural network (CNN)-based prediction model.
Um die Fähigkeit unseres Modells zu demonstrieren, mit der Variabilität der Eingaben umzugehen, wurden 4 Datensätze mit unterschiedlichen Zellzahlen und unterschiedlichen Degradationsmerkmalen verwendet.To demonstrate the ability of our model to deal with the variability of the inputs, 4 datasets with different cell numbers and different degradation characteristics were used.
In
In
D.h. in
Dies unterstreicht die Wirksamkeit der Erfindung zur Erzeugung synthetischer Daten und deren Kombination mit Trainingsdaten, die nur wenige / minimale Datensätze aufweisen.This underscores the effectiveness of the invention for generating synthetic data and combining it with training data that has few/minimal sets of data.
This highlights the effectiveness of our method of synthetic data generation and combination with training data having minimum data.This highlights the effectiveness of our method of synthetic data generation and combination with training data having minimum data.
Die für den Gauss'schen Prozess (Gaussian Process Regression - GPR) erzielten Ergebnisse weisen ähnliche Tendenzen auf. Die Ergebnisse für die GPR zeigen ähnliche Trends, wie sie in der vorherigen Versuchsgruppe sowohl für die RWTH-ISEA- als auch für die Stanford/MIT-Datensätze beobachtet wurden, was die kombinierte Effektivität des Deep-Learning-CNN-Modells und unserer Methode zur Erzeugung synthetischer Daten unterstreicht.The results obtained for Gaussian Process Regression (GPR) show similar tendencies. The results for the GPR show similar trends as observed in the previous set of experiments for both the RWTH-ISEA and the Stanford/MIT datasets, demonstrating the combined effectiveness of the deep learning CNN model and our method for Generating synthetic data.
Sowohl für die RWTH-ISEA- als auch für die Stanford/MIT-Datensätze und in der Mehrzahl der Fälle kann beobachtet werden, dass die Leistung der Erfindung (sieh
Die Generierung synthetischer Kapazitätsdaten erlaubt es die Vorhersagegenauigkeit des Modells für die Lebensdauer von Batterien zu erhöhen.The generation of synthetic capacity data allows to increase the prediction accuracy of the model for battery lifetime.
Die Rohdaten können direkt verwendet werden, um synthetische Daten zu erzeugen, die die Merkmale des Datensatzes aufweisen. Dies kann durch eine einfache geometrische Manipulation der vorhandenen realen Daten auf der Grundlage bestimmter definierter Parameter bewerkstelligt werden.The raw data can be used directly to generate synthetic data that exhibits the characteristics of the dataset. This can be done by a simple geometric manipulation based on the existing real world data certain defined parameters can be accomplished.
Das Verfahren kann so angepasst werden, dass - je nach den Anforderungen der verschiedenen Anwendungen - präzise Daten oder ein Satz zufällig generierter Daten erzeugt werden.The method can be tailored to produce precise data or a set of randomly generated data, depending on the needs of different applications.
Die erhaltenen Daten können dann zu den realen Daten hinzugefügt werden, um z.B. Trainingssätze für Vorhersagemodelle zu erstellen.The obtained data can then be added to the real data to create e.g. training sets for predictive models.
Das vorgeschlagene Verfahren hat mehrere Vorteile gegenüber dem derzeitigen Stand der Technik.The proposed method has several advantages over the current state of the art.
Die erzeugten synthetischen Daten erfassen die genauen Merkmale der Daten anstelle von Näherungen. Daher sind die erzeugten Daten genauso gültig wie reale Daten.The generated synthetic data captures the exact characteristics of the data rather than approximations. Therefore, the generated data is just as valid as real data.
Das vorgeschlagene Verfahren basiert auf Geometrie und Statistik, was es erleichtert, die Art der synthetischen Daten genau zu kontrollieren.The proposed method is based on geometry and statistics, which makes it easier to precisely control the nature of the synthetic data.
Das vorgeschlagene Verfahren stellt sicher, dass die synthetischen Daten ein möglicher praktischer Degradationspfad der Zelle sind.The proposed method ensures that the synthetic data is a possible practical degradation path of the cell.
Für die Datengenerierung selbst ist kein Wissen über komplexe erforderlich.No knowledge of complex ones is required for the data generation itself.
Dies reduziert den Zeit- und Kostenaufwand für Wiederholung des vorgeschlagenen Verfahrens, um synthetische Daten für verschiedene Zellen und Datensätze.This reduces the time and cost of repeating the proposed method to obtain synthetic data for different cells and datasets.
Es ist auch möglich, synthetische Daten zu erzeugen, die (weit) über die Grenzen der realen Daten hinausgehen, wodurch ermöglicht wird, Daten zu erhalten, die extreme Degradationsszenarien darstellen können.It is also possible to generate synthetic data that go (far) beyond the limits of real data, making it possible to obtain data that can represent extreme degradation scenarios.
Mittels der vorgeschlagenen Verfahren ist es möglich große Mengen an synthetischen Daten in der Größenordnung von wenigen Sekunden zu erzeugen.Using the proposed method, it is possible to generate large amounts of synthetic data in the order of a few seconds.
Das vorgeschlagene Verfahren wurde auch an mehreren Datensätzen validiert, die mögliche Anwendungsbedingungen repräsentieren, was als Beweis für die Verbesserung der Genauigkeit der Vorhersagemodelle dient.The proposed method was also validated on several datasets representing potential application conditions, serving as evidence for improving the accuracy of the predictive models.
Das vorgeschlagene Verfahren erlaubt es die Zeit und die Kosten von Zellalterungstests zu reduzieren und gleichzeitig Alterungstests bei gleichzeitiger Verbesserung der Modellleistung bereitzustellen.The proposed method allows to reduce the time and cost of cell aging tests while providing aging tests while improving model performance.
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 Nicht-PatentliteraturNon-patent Literature Cited
- Benchmark Synthetic Training Data for Artificial Intelligence-based Li-ion Diagnosis and Prognosis“ der Autoren M. Dubarry and D. Beck, DOI: 10.1016/j.jpowsour.2020.228806 [0018]Benchmark Synthetic Training Data for Artificial Intelligence-based Li-ion Diagnosis and Prognosis” by the authors M. Dubarry and D. Beck, DOI: 10.1016/j.jpowsour.2020.228806 [0018]
- Big data training data for artificial intelligence-based Li-ion diagnosis and prognosis“, https://doi.org/10.1016/j.jpowsour.2020.228806 [0018]Big data training data for artificial intelligence-based Li-ion diagnosis and prognosis”, https://doi.org/10.1016/j.jpowsour.2020.228806 [0018]
- Generating Synthetic Time Series to Augment Sparse Datasets,“ der Autoren G. Forestier, F. Petitjain, H. Anh Dau, G. I. Webb and E. Keogh, veröffentlicht in in 17th IEEE International Conference on Data Mining: 18-21 November 2017, New Orleans, Louisiana : proceedings, New Orleans, LA, 2017, Seiten 865-870 [0019]Generating Synthetic Time Series to Augment Sparse Datasets,” authors G Forestier, F Petitjain, H Anh Dau, GI Webb, and E Keogh, published in 17th IEEE International Conference on Data Mining: 18-21 November 2017, New Orleans, Louisiana : proceedings, New Orleans, LA, 2017, pages 865-870 [0019]
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021213762.8A DE102021213762B4 (en) | 2021-12-03 | 2021-12-03 | Method for creating data sets for evaluating at least one lifetime parameter of a battery cell, device and software therefor. |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021213762.8A DE102021213762B4 (en) | 2021-12-03 | 2021-12-03 | Method for creating data sets for evaluating at least one lifetime parameter of a battery cell, device and software therefor. |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102021213762A1 true DE102021213762A1 (en) | 2023-06-07 |
DE102021213762B4 DE102021213762B4 (en) | 2023-06-15 |
Family
ID=86381919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021213762.8A Active DE102021213762B4 (en) | 2021-12-03 | 2021-12-03 | Method for creating data sets for evaluating at least one lifetime parameter of a battery cell, device and software therefor. |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021213762B4 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016126891A (en) | 2014-12-26 | 2016-07-11 | 株式会社東芝 | Power storage battery estimation device, power storage battery estimation method and program |
US20210132151A1 (en) | 2019-10-07 | 2021-05-06 | Samsung Sdi Co., Ltd. | Method and apparatus for estimating state of health of battery |
-
2021
- 2021-12-03 DE DE102021213762.8A patent/DE102021213762B4/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016126891A (en) | 2014-12-26 | 2016-07-11 | 株式会社東芝 | Power storage battery estimation device, power storage battery estimation method and program |
US20210132151A1 (en) | 2019-10-07 | 2021-05-06 | Samsung Sdi Co., Ltd. | Method and apparatus for estimating state of health of battery |
Non-Patent Citations (3)
Title |
---|
Benchmark Synthetic Training Data for Artificial Intelligence-based Li-ion Diagnosis and Prognosis" der Autoren M. Dubarry and D. Beck, DOI: 10.1016/j.jpowsour.2020.228806 |
Big data training data for artificial intelligence-based Li-ion diagnosis and prognosis", https://doi.org/10.1016/j.jpowsour.2020.228806 |
Generating Synthetic Time Series to Augment Sparse Datasets," der Autoren G. Forestier, F. Petitjain, H. Anh Dau, G. I. Webb and E. Keogh, veröffentlicht in in 17th IEEE International Conference on Data Mining: 18-21 November 2017, New Orleans, Louisiana : proceedings, New Orleans, LA, 2017, Seiten 865-870 |
Also Published As
Publication number | Publication date |
---|---|
DE102021213762B4 (en) | 2023-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Müller et al. | Deep learning-based segmentation of lithium-ion battery microstructures enhanced by artificially generated electrodes | |
DE202017106532U1 (en) | Search for a neural architecture | |
DE102019111979A1 (en) | Characterization of rechargeable batteries | |
DE102018128158A1 (en) | DEVICE FOR INSPECTION OF THE APPEARANCE PICTURE | |
DE102019004300A1 (en) | USE OF A DYNAMIC STORAGE NETWORK TO TRACK DIGITAL DIALOG STATES AND GENERATE ANSWERS | |
DE102015108294A1 (en) | Method and system for battery state of charge estimation | |
LU101984B1 (en) | Method for local determination of at least one characteristic value of a battery cell | |
DE102018109819A1 (en) | Method for obtaining information from X-ray computed tomography data for optimizing the injection molding process of short fiber reinforced plastic parts | |
DE102019209553A1 (en) | Method for evaluating a state of a three-dimensional test object and corresponding evaluation system | |
EP2854045B1 (en) | Method and system for the evaluation of recorded measured values of a system | |
DE102022210046A1 (en) | COMPUTATIONAL NEURAL NETWORK FORCE FIELD TRAINING ROUTINES FOR MOLECULAR DYNAMICS COMPUTER SIMULATIONS | |
DE102013018405A1 (en) | Determination of the condition of a battery characteristic estimation parameters | |
DE102021213762B4 (en) | Method for creating data sets for evaluating at least one lifetime parameter of a battery cell, device and software therefor. | |
DE102021124445A1 (en) | META-FEATURE TRAINING MODELS FOR MACHINE LEARNING ALGORITHMS | |
DE1598627C3 (en) | Device for the texture analysis of a heterogeneous object | |
DE102017121490A1 (en) | Method for characterizing materials with inclusions | |
DE102020210147A1 (en) | Device and method for the local determination of characteristic values of a battery cell | |
DE102011089150A1 (en) | Method for determining condition of battery utilized in battery system of wind power plant or vehicles, involves determining two different values of two battery parameters by ultrasonic measurement and additional measurements respectively | |
DE102019117680A1 (en) | AUTOMATED SEGMENTATION PROCESS FOR QUALITY INSPECTION | |
WO2022238343A1 (en) | Assessment method for simulation models in microscopy | |
Schmies et al. | Classification of fracture characteristics and fracture mechanisms using deep learning and topography data | |
DE102021111980A1 (en) | EVALUATION OF CELL GROUP HEALTH IN A BATTERY PACK | |
DE102020210148A1 (en) | Device and method for the local determination of characteristic values of a battery cell | |
DE102021200927A1 (en) | Method and device for analyzing a system embedded in particular in an at least partially autonomous robot or vehicle | |
DE102009059137A1 (en) | Diagnostic method for on-board determination of wear state of fuel cell system in motor vehicle, involves using values and measuring values from operating region, which comprises reduced model accuracy, for adaptation of model parameter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final |