DE102022206834A1 - DEVICE AND METHOD FOR EVALUATION OF THE CONDITION OF A BATTERY IN A VEHICLE - Google Patents
DEVICE AND METHOD FOR EVALUATION OF THE CONDITION OF A BATTERY IN A VEHICLE Download PDFInfo
- Publication number
- DE102022206834A1 DE102022206834A1 DE102022206834.3A DE102022206834A DE102022206834A1 DE 102022206834 A1 DE102022206834 A1 DE 102022206834A1 DE 102022206834 A DE102022206834 A DE 102022206834A DE 102022206834 A1 DE102022206834 A1 DE 102022206834A1
- Authority
- DE
- Germany
- Prior art keywords
- vehicle
- data set
- cluster
- battery
- models
- 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
- 238000000034 method Methods 0.000 title claims description 24
- 238000011156 evaluation Methods 0.000 title 1
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000002688 persistence Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 11
- 239000007858 starting material Substances 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 230000002085 persistent effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000002826 coolant Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 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
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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]
-
- 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
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/545—Temperature
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/547—Voltage
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/549—Current
-
- 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
- B60L2260/46—Control modes by self learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
Der Zustand ist SOC und/oder SOH der Batterie 104. Die Vorrichtung 100 umfasst eine Steuerung 110, ausgelegt zum Empfangen von Echtzeit-Eingangssignalen, die eine Eingangsdatenmenge 106 von Parametern umfasst, von dem Fahrzeug 102, dadurch gekennzeichnet, dass die Steuerung 110 die Parameter der Eingangsdatenmenge 106 operativ mittels eines Schätzungsmoduls 120 verarbeitet, das ein Ensemble von Modellen umfasst. Alle unabhängigen Modelle 112, 114, 116, 118 des Ensembles von Modellen werden an einem jeweiligen Trainingsdatenmengencluster vortrainiert und in einem Speicherelement 108 der Steuerung 110 gespeichert. Die Steuerung 110 kombiniert dann die Ausgaben aller unabhängigen Modelle 112, 114, 116, 118 des Ensembles von Modellen und bestimmt den Zustand der Batterie 104. Die interessierende Batterie 104 ist eine Niederspannungsbatterie 104, die vorgesehen ist, um einem Anlasser Energie zum Anlassen des Motors zuzuführen und/oder um niedrige Lasten zu versorgen.The state is SOC and / or SOH of the battery 104. The device 100 includes a controller 110, designed to receive real-time input signals, which includes an input data set 106 of parameters, from the vehicle 102, characterized in that the controller 110 the parameters of the input data set 106 is operatively processed by an estimation module 120 comprising an ensemble of models. All independent models 112, 114, 116, 118 of the ensemble of models are pre-trained on a respective training data set cluster and stored in a memory element 108 of the controller 110. The controller 110 then combines the outputs of all of the independent models 112, 114, 116, 118 of the ensemble of models and determines the state of the battery 104. The battery 104 of interest is a low voltage battery 104 provided to provide power to a starter motor for cranking the engine to supply and/or to supply low loads.
Description
Vollständige Beschreibung:Full Description:
Die folgende Beschreibung beschreibt und bestimmt die Beschaffenheit der vorliegenden Erfindung und die Art und Weise ihrer Ausführung.The following description describes and defines the nature of the present invention and the manner of carrying it out.
Technisches Gebiettechnical field
Die vorliegende Erfindung betrifft eine Vorrichtung und ein Verfahren zum Schätzen des Zustands einer Batterie in einem Fahrzeug.The present invention relates to an apparatus and a method for estimating the condition of a battery in a vehicle.
Hintergrund der Erfindung:Background of the invention:
Eine Batterie ist eine der kritischen Komponenten für das Fahrzeug, die beim Starten des Motors hilft und in Betrieb bleibt, bis der selbsterhaltende Verbrennungsprozess eine Motorsteuerung übernimmt. Jeder Defekt in der Batterie behindert den Prozess des Startens des Motors/Fahrzeugs, und erzeugt somit enorme Unannehmlichkeiten für den Endbenutzer. Eine prädiktive Diagnose hilft dem Benutzer/Fahrer bei solchen unerwünschten Szenarien. Ein eigener Sensor ist effizient, um das Problem anzugehen, aufgrund zusätzlicher Kosten finden es viele OEM (Hersteller der Erstausrüstung) jedoch schwierig, diesen im Fahrzeug einzusetzen. Außerdem ist eine Schätzung der Batterieintegrität auf der Basis individueller Fahrzeugdaten fehleranfällig und uneinheitlich.A battery is one of the critical components for the vehicle, helping to start the engine and keep it running until the self-sustaining combustion process takes over engine control. Any defect in the battery hampers the process of starting the engine/vehicle, thus creating enormous inconvenience for the end user. Predictive diagnostics help the user/driver in such undesirable scenarios. Having your own sensor is efficient to address the problem, but many OEMs (Original Equipment Manufacturers) find it difficult to fit this into the vehicle due to the additional cost. In addition, an estimation of the battery integrity based on individual vehicle data is error-prone and inconsistent.
Gemäß der vorbekannten
Figurenlistecharacter list
Eine Ausführungsform der Offenbarung wird unter Bezugnahme auf die folgenden beigefügten Zeichnungen beschrieben.
-
1 zeigt eine Vorrichtung zum Schätzen des Zustands einer Batterie in einem Fahrzeug gemäß einer Ausführungsform der vorliegenden Erfindung und -
2 zeigt ein Verfahren zum Trainieren eines Schätzungsmoduls der Vorrichtung gemäß der vorliegenden Erfindung und -
3 zeigt ein Verfahren zum Schätzen des Zustands der Batterie in dem Fahrzeug gemäß der vorliegenden Erfindung.
-
1 12 shows an apparatus for estimating the condition of a battery in a vehicle according to an embodiment of the present invention and -
2 shows a method for training an estimation module of the device according to the present invention and -
3 FIG. 12 shows a method for estimating the condition of the battery in the vehicle according to the present invention.
Ausführliche Beschreibung der Ausführungsformen:Detailed description of the embodiments:
Die Steuerung 110 umfasst ein Speicherelement 108, wie etwa Direktzugriffsspeicher (RAM) und/oder Festwertspeicher (ROM), einen Analog-DigitalUmsetzer (ADC) und umgekehrt einen Digitial-Analog-Umsetzer (DAC), Zeitgeber, Timer und mindestens einen Prozessor (mit der Fähigkeit zur Implementierung von Maschinenlernen), der auch als Zentralverarbeitungseinheit (CPU) bekannt ist, mittels Kommunikationsbuskanälen miteinander und mit anderen Komponenten verbunden. Das Speicherelement 108 ist mit Logik oder Anweisungen oder Programmen oder Anwendungen und/oder Schwellenwerten vorgeladen, worauf der mindestens eine Prozessor gemäß den definierten Routinen zugreift. Die internen Komponenten der Steuerung 110 werden als Stand der Technik nicht erläutert, was aber nicht als Beschränkung aufzufassen ist. Die Steuerung 110 kann auch Kommunikationseinheiten zur Kommunikation mit einem Server oder einer Cloud mittels drahtloser oder drahtgebundener Mittel umfassen, wie etwa GSM (Global System for Mobile Communications), 3G, 4G, 5G, Wi-Fi, Bluetooth, Ethernet, serielle Netzwerke und dergleichen. Die Steuerung 110 kann mittels einer Telematik-Steuereinheit (TCU) des Fahrzeugs 102 mit der Cloud kommunizieren.The
Gemäß einer Ausführungsform der vorliegenden Erfindung ist die Vorrichtung 100 eine beliebige von Server/Cloud und auf einer Edge basierenden Vorrichtung in dem Fahrzeug 102. Im Fall der Cloud ist die Vorrichtung 100 der Server/die Cloud, entfernt von dem Fahrzeug 102 angeordnet und in Kommunikation mit dem Fahrzeug 102 mittels der mindestens einen Kommunikationseinheit. Im Fall der Vorrichtung auf Edge-Basis ist die Vorrichtung 100 eine existierende Motorsteuereinheit (ECU) eines Motormanagementsystems (EMS) des Fahrzeugs 102 oder eine Hilfssteuereinheit (ACU), die an die ECU angeschaltet/oder davon unabhängig ist oder eine Benutzervorrichtung in Kommunikation mit dem Fahrzeug 102. Die Eingangsdatenmenge 106 wird von der Vorrichtung auf Edge-Basis empfangen und wird mittels des Ensembles von Modellen zusammen mit der Masterdatenmenge 130 verarbeitet und der Zustand der Batterie 104 wird direkt in dem Fahrzeug 102 mit/ohne jegliche Beteiligung der Cloud ausgegeben (132).According to an embodiment of the present invention, the
Die Steuerung 110 nimmt die Eingangsdatenmenge 106 auf, verarbeitet die Eingangsdatenmenge 106 operativ mittels des Schätzungsmoduls 120 und gibt dann Ausgabe 132 mittels geeigneter Mittel, wie etwa mittels eines Anzeigebildschirms (eine Benachrichtigung oder Hinweisnachricht), eines visuellen Indikators (wie etwa eine blinkende oder blitzende Lampe verschiedener Farben), eines Audioindikators und dergleichen. Die Ausgabe 132 kann auf einer Benutzervorrichtung (wie etwa einem Desktop, Laptop, Smartphone) oder auf dem Armaturenbrett (Infotainment-Cluster) des Fahrzeugs 102 oder einer Kombination davon bereitgestellt werden. Das Speicherelement 108 ist in einem vergrößerten Blockdiagramm gezeigt, um für die vorliegende Erfindung relevante Blöcke zu veranschaulichen. Das Schätzungsmodul 120 ist mit einem Ensemble von vier unabhängigen Modellen 112, 114, 116, 118 gezeigt, kann aber möglicherweise zwei oder mehr enthalten, wie durch die gestrichelte Linie gezeigt. Ferner wird jedes unabhängige Modell 112, 114, 116, 118 des Ensembles von Modellen an einem jeweiligen Trainingsdatenmengencluster 122, 124, 126, 128, ..., modelliert, das von dem entsprechenden Cluster von Fahrzeugen 102 erhalten wird. Das Trainingsdatenmengencluster 122, 124, 126, 128, ..., repräsentiert somit Daten von Fahrzeugen 102, die mit ähnlichen Attributen geclustert werden.
Gemäß einer Ausführungsform der vorliegenden Erfindung wird das Cluster des Fahrzeugs 102 mindestens teilweise auf der Basis eines Attributs gebildet, das aus einer Gruppe bestehend aus Alter des Fahrzeugs 102 oder der Batterie 104 und einer Betriebsregion des Fahrzeugs 102 ausgewählt ist. Das Alter wird zum Beispiel unter Verwendung der Anzahl von Anlassvorgängen geschätzt, und es können gleichermaßen andere Parameter verwendet werden, die Alter direkt angeben oder aus denen das Alter ableitbar ist. Die Betriebsregion entspricht der Umgebungstemperatur, in der das Fahrzeug 102 angelassen oder betrieben wird. Die nichteingeschränkten Cluster des Fahrzeugs 102 auf der Basis des Attributs umfassen neues Fahrzeug und kalte Region, neues Fahrzeug und heiße Region, altes Fahrzeug und kalte Region und altes Fahrzeug und heiße Region. Das obige Cluster von Fahrzeugen 102 wird zur leichteren Erläuterung erwähnt, und eine weitere Auftrennung des Clusters ist möglich, wie etwa auf der Basis eines Temperaturbereichs eines fünf-Grad-Intervalls und des Alters des Fahrzeugs auf der Basis der Anzahl von Jahren und dergleichen. Die Trainingsdatenmengen für alle Cluster des Fahrzeugs 102 werden in der Vorrichtung 100 als eine Master-Datenmenge 130 mit zugewiesenem/gekennzeichnetem Cluster gespeichert. Der Trainingsprozess des Schätzungsmoduls 120 und die Bildung der Master-Datenmenge 130 werden in
Gemäß einer Ausführungsform der vorliegenden Erfindung wird Betrieb der Steuerung 110 unter Verwendung des Schätzungsmoduls 120 bereitgestellt. Die Steuerung 110 ist ausgelegt zum Identifizieren eines des Trainingsdatenmengenclusters 122, 124, 126, 128 als ein Momentan-Cluster für das Fahrzeug 102 auf der Basis der Eingangsdaten-menge 106. Die Steuerung 110 verarbeitet die Eingangsdatenmenge 106 dann operativ mittels eines spezifischen Modells aus dem Ensemble von Modellen, das dem identifizierten Momentan-Cluster entspricht. Die Steuerung 110 identifiziert dann eines der Trainingsdatenmengencluster 122, 124, 126, 128 als Persistenzcluster für das Fahrzeug 102. Die Steuerung 110 wendet dann Gewichtung auf jedes Modell 112, 114, 116, 118 des Ensembles von Modellen auf der Basis der Persistenz des Fahrzeugs 102 jeweils in dem identifizierten Momentan-Cluster und dem identifizierten Persistenzcluster an. Die Persistenz des Fahrzeugs 102 bedeutet die Anzahl der Erscheinungen des Fahrzeugs 102 in jedem des Trainingsdatenmengenclusters 122, 124, 126, 128. Das Trainingsdatenmengencluster 122, 124, 126, 128 mit den meisten Erscheinungen des Fahrzeugs 102 wird als das Persistenzcluster betrachtet. Anders ausgedrückt, identifiziert die Steuerung 110 die Kennzeichnung des Clusters für das Fahrzeug 102, das in der Master-Datenmenge 130 am meisten ist. Das Momentan-Cluster und das Persistenzcluster sind ein beliebiges von demselben oder voneinander verschieden. Anders ausgedrückt, kann das Momentan-Cluster dasselbe wie das Persistenzcluster oder von diesem verschieden sein.According to an embodiment of the present invention, operation of the
Gemäß einer Ausführungsform der vorliegenden Erfindung werden die mehreren Parameter der Eingangsdatenmenge 106 aus einer Gruppe bestehend aus einer Batteriespannung, Batteriespannung während des Anlassens, einer Batterieklemmenspannung, einer Motortemperatur, einer Umgebungstemperatur und einer Anlassdrehzahl, Fahrzeugidentifikationsnummer (VIN) und dergleichen ausgewählt. Zur leichteren Erläuterung umfassen die Parameter Basisparameter und abgeleitete Parameter. Die Basisparameter werden direkt von dem Fahrzeug 102 empfangen, während die abgeleiteten Parameter in dem Fahrzeug 102 entweder geschätzt/abgeleitet werden und dann zu der Vorrichtung 100 übertragen werden oder in der Vorrichtung 100 nach dem Empfang der Basisparameter von dem Fahrzeug 102 abgeleitet werden. Außerdem ist mit „operativ verarbeitet“ gemeint, dass die Steuerung 110 die Parameter der Eingangsdatenmenge 106 selektiv auf der Basis der Notwendigkeit verwendet und nicht alle Parameter auf einmal zur Schätzung des Zustands der Batterie 104 benutzt werden.In accordance with an embodiment of the present invention, the plurality of parameters of the
Gemäß einer Ausführungsform der vorliegenden Erfindung wird eine Arbeitsweise der Vorrichtung 100 unter Verwendung von
Die Cloud umfasst ein Schätzungsmodul 120 mit dem Ensemble von Modellen umfassend mehrere Modelle 112, 114, 116, 118, wobei jedes der mehreren Modelle 112, 114, 116, 118 aus dem jeweiligen Trainingsdatenmengencluster 122, 124, 126, 128 in einer Master-Datenmenge 130 modelliert ist. Wenn zum Beispiel das Schätzungsmodul 120 ein Ensemble von vier Modellen umfassen, ein erstes Modell 112, ein zweites Modell 114, ein drittes Modell 116 und ein viertes Modell 118, sind das jeweilige Trainingsdatenmengencluster ein erstes Trainingsdatenmengencluster 122, ein zweites Trainingsdatenmengencluster 124, ein drittes Trainingsdatenmengencluster 126 bzw. ein viertes Trainingsdatenmengencluster 128. Die vier Modelle 112, 114, 116, 118 und die entsprechenden vier Trainingsdatenmengencluster 122, 124, 126, 128 werden zur leichteren Erläuterung angegeben und sind nicht im einschränkenden Sinne aufzufassen. Jedes Trainingsdatenmengencluster 122, 124, 126, 128 umfasst Parameter, die während einer Trainingsphase von einem jeweiligen Cluster von Fahrzeugen 102 gesammelt werden.The cloud includes an
Wenn die Nutzinformationen in Ordnung sind, prüft die Steuerung 110 auf mindestens ein Momentan-Cluster und verarbeitet mittels des jeweiligen/spezifischen Modells. Man betrachte: die Steuerung 110 wählt ein zweites Trainingsdatenmengencluster 124 als Nächstes zur Eingangsdatenmenge 106 (empfangen in Echtzeit) aus und kennzeichnet/vergibt die Eingangsdatenmenge 106 als das zweite Trainingsdatenmengencluster 124. Das zweite Trainingsdatenmengencluster 124 wird als das Momentan-Cluster für die aktuelle Berechnung des Zustands der Batterie 104 genommen/betrachtet. Dann wählt die Steuerung 110 das zweite Modell 114 als das Momentan-Modell zur Berechnung des Zustands der Batterie 104 in dem Schätzungsmodul 120. Sobald das Momentan-Cluster und das Momentan-Modell identifiziert sind, identifiziert die Steuerung 110 dann mindestens ein persistentes Cluster. Die Steuerung 110 kann ein oder mehrere persistente Cluster aus den verfügbaren Trainingsdatenmengenclustern 122, 124, 126, 128 in der Master-Datenmenge 130 auswählen. Man betrachte: Die Steuerung 110 prüft das Erscheinen des Fahrzeugs 102 in jeweils dem Trainingsdatenmengencluster-Verlauf und identifiziert, dass das Fahrzeug 102 immer in der Master-Datenmenge 130 als das dritte Trainingsdatenmengencluster 126 gekennzeichnet/vergeben ist. Die Steuerung 110 wählt das dritte Trainingsdatenmengencluster 126 als das persistente Cluster aus. Auf der Basis der Identifikation des Persistenzclusters wendet die Steuerung 110 dann Gewichtung (oder Gewichte) auf jedes Modell 112, 114, 116, 118, ..., auf der Basis der Persistenz des Fahrzeugs 102 in dem identifizierten Trainingsdatenmengencluster an. Die Ausgaben aller Modelle 112, 114, 116, 118, ..., werden dann kombiniert, und der Benutzer wird über den Zustand der Batterie 104 benachrichtigt.If the payload is ok, the
Als Fortsetzung des obigen Beispiels wird ein anderes Beispiel, das numerische Werte verwendet, lediglich zur Erläuterung der Verarbeitung mittels des Schätzungsmoduls 120 gegeben. Die Gewichte werden vergeben, um die Dominanz des Clusters des Fahrzeugs 102 in den persistenten Daten widerzuspiegeln. Wenn für ein Fahrzeug 102 99 Anlassprofile zu dem alten heißen Cluster gehören (das zu dem persistenten Cluster oder dritten Trainingsdatenmengencluster 126 wird) und das 100. Anlassprofil wie das alte kalte Cluster ist (das Echtzeit ist und daher das Momentan-Cluster oder zweite Trainingsdatenmengencluster 124), wird die Gewichtung für das zweite Modell 114 als 0,01 und die Gewichtung für das dritte Modell 116 als 0,99 gegeben. Die Gewichtung für die übrigen Modelle wird als null gegeben.Continuing the example above, another example using numeric values is provided merely to illustrate the processing by the
Ferner wird ein Beispiel für die Implementierung der Vorrichtung 100 für eine neue Flotte von Fahrzeugen 102 und eine alte Flotte von Fahrzeugen 102 gegeben. Für eine komplett neue Flotte von Fahrzeugen 102 wird die Eingangsdatenmenge 106 unter Verwendung des zum Training verwendeten Trainingsdatenmengenclusters auf jeweilige Cluster-Vergabe geprüft. Das Momentan-Cluster wird auf der Basis der aus den Trainingsdatenmengenclustern abgeleiteten anfänglichen Cluster-Mitten vergeben. Das dem Momentan-Cluster entsprechende Modell wird an den neuen Fahrzeugen 102 angewandt, und die Vorhersagen des Zustands der Batterie 102 erfolgen gemäß den Gewichten des identifizierten Clusters. Da die Flotte komplett neu ist, sind die Gewichte an dem identifizierten Momentan-Cluster 100%, da für dieses Fahrzeug 102 keine Verlaufsdaten zum Prüfen des dominanten Betriebsbereichs verfügbar waren. Die Eingangsdatenmenge 106 und die Parameter werden frisch in einer neuen Master-Datenmenge 130 gespeichert, wenn das Fahrzeug 102 von den Fahrzeugen 102, die zum Training benutzt wurden, verschieden ist. Wenn dieselben Fahrzeuge 102 wie trainierten Fahrzeuge 102 verwendet werden, wird dieselbe Master-Datenmenge 130 aktualisiert.Furthermore, an example for the implementation of the
Für eine alte oder mäßig alte Fahrzeugflotte 102 (zum Beispiel sind mindestens 100 Anlassvorgänge bereits abgeschlossen), sind die Verlaufsdaten verfügbar, mit denen die Verlaufscluster identifizierbar sind. Sobald die Echtzeit-Eingangsdatenmenge 16 erhalten ist, wird das Momentan-Cluster an dem Fahrzeug 102 vergeben, wobei Cluster-Mitten nun auf der Basis der Trainingsdaten und der verfügbaren Flottendaten modifiziert werden. Auf der Basis von Momentan-Vergabe wird das entsprechende Modell an der Eingangsdatenmenge 106 des Fahrzeugs 102 angewandt. Nun wird die Verlaufs-Clustervergabe geprüft. Wenn beobachtet wird, dass zuvor für die meisten Male dem Fahrzeug 102 ein anderes Cluster vergeben wurde, dann wird die Vorhersage/Schätzung auch durch Anwendung der Modelle für die relevanten dominanten Cluster erhalten, und Gewichtung wird entsprechend auf der Basis der Verlaufs- (persistenten) und aktuellen (Momentan-) Cluster geteilt.For an old or moderately old fleet of vehicles 102 (for example, at least 100 cranking events have already been completed), the historical data is available with which the historical clusters are identifiable. Once the real-time input data set 16 is obtained, the current cluster is assigned to the
Ein Schritt 210 umfasst Verwenden der Master-Datenmenge 130, Bilden verschiedener Profile oder Cluster von Fahrzeugen 102 auf der Basis mindestens eines Attributs, das dem Trainingsdatenmengencluster für einzelne/alle Cluster von Fahrzeugen 102 zum Vorbereiten und Trainieren eines entsprechenden unabhängigen Modells entspricht. Das Hauptziel für die Clusterung ist das Vergeben von Kennzeichnungen an die Fahrzeuge 102 zum Identifizieren eines jeweiligen Betriebsbereichs und Vergeben von Vorhersagegewichtung des Algorithmus/Modells, da die Vorhersage von SOC und SOH stark von den Umgebungsbedingungen abhängt, unter denen das Fahrzeug 102 operiert. In Schritt 220 werden das Momentan-Cluster und das Persistenzcluster an die definierten Trainingsdatenmengencluster 122, 124, 126, 128 vergeben/gekennzeichnet, wenn die Eingangsdatenmenge 106 von dem Fahrzeug 102 zur Prüfung empfangen wird. Das Momentan-Cluster wird zum Identifizieren/Kennzeichnen des Fahrzeugs 102 auf der Basis der aktuellen Anlassdaten und Betriebsumgebung verwendet. Das Persistenzcluster wird zum Identifizieren/Kennzeichnen des Fahrzeugs 102 auf der Basis vorheriger Verlaufs-Anlassdaten und Umgebungsinformationen des Fahrzeugs 102 verwendet, die in der Master-Datenmenge 130, speziell in den Trainingsdatenmengenclustern 122, 124, 126, 128, persistiert sind.A
In Schritt 212 wird die Modellierung des Schätzungsmoduls 120 hauptsächlich aus Eingangssignalen durchgeführt, die von einer Motormanagementsystem- bzw. EMS-Steuereinheit stammen, die verschiedene Signale entweder direkt oder über einen CAN-Bus (Controller Area Network) von entsprechenden Sensoren empfängt, die in dem Fahrzeug 102 existieren, wie etwa einem Motordrehzahlsensor, einem Kühlmitteltemperatursensor, einem Umgebungstemperatursensor, einem Batteriespannungssensor und dergleichen. Die Parameter in der Eingangsdatenmenge 106, die der Batterie 104 zugeordnet sind, werden von mehreren Fahrzeugen 102 zur Cloud übertragen und auf strukturierte Weise in der Cloud wie oben beschrieben akkumuliert. Die relevanten Parameter (kritischen Merkmale) aus der Eingangsdatenmenge 106 werden zusammen mit entsprechenden SOC- und SOH-Werten der Batterie protokolliert, um beaufsichtigtes Maschinenlernmodell-Training über die Cloud zu ermöglichen. Die Parameter/Merkmalmengen, die hauptsächlich für Entwicklung des auf Maschinenlernen basierenden Schätzungsmoduls 120 in Betracht gezogen werden, umfassen, aber ohne Beschränkung darauf, Batterie-ECU-Spannung, Batterie-Udip-Spannung, Batterie-Klemmenspannung, Umgebungstemperatur, Anlassdrehzahl, Motorkühlmitteltemperatur, SOC und SOH. Die unabhängigen Modelle 112, 114, 116, 118, ..., werden aus jeweiligen Trainingsdatenmengenclustern 122, 124, 126, 128, ... erhalten.In
Die über die Cloud akkumulierten Daten werden zum Trainieren eines Ensembles beaufsichtigter und unbeaufsichtigter Lernmodelle verwendet. Einige nichteinschränkende Beispiele für beaufsichtigte Lernvorgänge sind der elastische Net-Regressor, der Unterstützungsvektor-Regressor usw. Ähnlich ist ein Beispiel für unbeaufsichtigte Lernmodelle K-Mittelwert-Clusterung. Das Ensemble von Modellen minimiert bekanntlich Variabilität in der Schätzung, um dadurch die Einheitlichkeit zu verbessern. Die Ausgabe 132 SOC/SOH (y) [Antwort] wird als Funktion von x modelliert, wobei x mindestens eines ist, das aus der Liste von Parametern von dem Fahrzeug 102 (Prädiktoren) ausgewählt ist, d.h. x=(Batteriespannung, Anlassdrehzahl, Motorkühlmitteltemperatur, Umgebungstemperatur, Batterie-Klemmenspannung und anderes).The data accumulated via the cloud is used to train an ensemble of supervised and unsupervised learning models. Some non-limiting examples of supervised learning are elastic net regressor, support vector regressor, etc. Similarly, an example of unsupervised learning models is k-means clustering. The ensemble of models is known to minimize variability in the estimate, thereby improving uniformity. The
Das Ziel des Trainingsmodells (oder des Schätzungsmoduls 120) ist das Festlegen einer Funktion f(x), die den SOC, SOH mit minimalem Fehler schätzt:
ci zu bestimmenden Gewichten oder Koeffizienten entspricht,
ei: Fehler
fi(x), nämlich {f1(x), f2(x), f3(x)... fn(x)}, das Ensemble von beaufsichtigten Lernalgorithmen ist, mit jedem fi(x) mit i ∈ 1(1)nThe goal of the training model (or the estimation module 120) is to specify a function f(x) that estimates the SOC, SOH with minimal error:
c i corresponds to weights or coefficients to be determined,
ei : error
f i (x), namely {f 1 (x), f 2 (x), f 3 (x)... f n (x)}, is the ensemble of supervised learning algorithms, with each f i (x) with i ∈ 1(1)n
Das Schätzungsmodul 120 ist ein Maschinenlernmodell geschlossener Form, das an der verfügbaren Datenmenge trainiert wird, um den Wert von y zu schätzen. Die für die einheitliche Vorhersage des Batterie-SOC und -SOH verwendete Lösung basiert auf einem neuen Konzept gemischter Modelle des beaufsichtigten und unbeaufsichtigten Lernens.The
Im Schritt 214 wird das trainierte/gefittete Schätzungsmodul 120 gegenüber ungesehenen Validierungsmengen evaluiert, um eine Fehlerschätzung zu definieren und einzelnen Modellvorhersagen einen Korrekturfaktor zuzuordnen. In Schritt 216 wird der Zustand der Batterie 104 als Ausgabe 132 geschätzt. In Schritt 218 wird der Fehler der trainierten Modelle beobachtet, und wenn eine Modelldrift mit Bezug auf ein vordefiniertes Schwellenmodell beobachtet wird, wird Neutraining für die beaufsichtigten Modelle ausgelöst.At
Gemäß einer Ausführungsform der vorliegenden Erfindung wird das Schätzungsmodul 120 regelmäßig aktualisiert. Das Schätzungsmodul 100, das in der Vorrichtung 100 gespeichert ist, basiert auf den Trainingsdaten. Im Verlauf der Echtzeitimplementierung wird das Schätzungsmodul 120 revidiert und dann dynamisch aktualisiert und regelmäßig auf die Vorrichtung 100 geschoben.According to an embodiment of the present invention, the
Jedes der Trainingsdatenmengencluster 122, 124, 126, 128 umfasst Daten, die von jeweiligem Cluster von Fahrzeugen 102 gesammelt werden. Das Cluster von Fahrzeugen 102 wird mindestens teilweise auf der Basis eines Attributs gebildet und gekennzeichnet, das aus einer Gruppe bestehend aus Alter des Fahrzeugs 102 oder der Batterie 104 und einer Betriebsregion des Fahrzeugs 102 ausgewählt ist. Einige wenige Beispiele für gebildete Cluster-Kennzeichnungen sind neu und kalt, neu und heiß, alt und kalt und alt heiß.Each of the training
Gemäß der vorliegenden Erfindung umfasst der Schritt 304 des Verarbeitens der Eingangsdatenmenge 106 mittels des Schätzungsmoduls 120 ferner mehrere Schritte, wovon ein Schritt 308 Identifizieren eines der Trainingsdatenmengencluster 122, 124, 126, 128 als das Momentan-Cluster für das Fahrzeug 102 auf der Basis der Eingangsdatenmenge 106 umfasst. Ein Schritt 310 umfasst selektives Verarbeiten der Eingangsdatenmenge 106 mittels des unabhängigen Modells aus dem Modellensemble entsprechend dem identifizierten Trainingsdatenmengencluster 122, 124, 126, 128. Ein Schritt 312 umfasst Identifizieren eines der Trainingsdatenmengencluster 122, 124, 126, 128 auf der Basis des Verlaufs des Fahrzeugs 102 als Persistenzcluster für das Fahrzeug 102. Speziell umfasst das Verfahren Prüfen der Kennzeichnung des Clusters des Fahrzeugs 102, das in der Master-Datenmenge 130 am meisten erscheint. Es ist möglich, dass das Fahrzeug 102 mit anderen Cluster-Kennzeichnungen oder nur einer Cluster-Kennzeichnung identifiziert wird. Ein Schritt 314 umfasst Anwenden von Gewichtung auf jedes Modell 112, 114, 116, 118 des Ensembles von Modellen auf der Basis der Persistenz/Erscheinung des Fahrzeugs 102 in jedem des identifizierten Momentan-Clusters und des Persistenzclusters. Bei einer Ausführungsform sind das Momentan-Cluster und das Persistenzcluster gleich und/oder voneinander verschieden. Zum Verständnis des Verfahrens kann auf das in
Die mehreren Parameter der Eingangsdatenmenge 106 werden aus einer Gruppe bestehend aus der Batteriespannung, der Batteriespannung während des Anlassens, der Batterie-Klemmenspannung, der Motortemperatur, der Umgebungstemperatur, der Anlassdrehzahl und der Fahrzeugidentifikationsnummer (VIN) ausgewählt. Das Verfahren wird durch die mindestens eine Vorrichtung 100 ausgeführt, die aus der Cloud und der Vorrichtung auf Edge-Basis oder einer Kombination davon ausgewählt ist.The multiple parameters of the
Gemäß einer Ausführungsform der vorliegenden Erfindung wird eine Lösung bereitgestellt, die sensorlose, cloudbasierte, datengesteuerte und auf einem Maschinenlern- bzw. ML-Modell basierende robuste Schätzung der Batterieintegrität (SOC und SOH) ist. Anders ausgedrückt, wird ein cloudbasierter Maschinenlernansatz zur Schätzung des Zustands oder Zustands der Fahrzeugbatterie 104 bereitgestellt. Die Vergabe der Eingangsdatenmenge 106 von den Fahrzeugen 102 unter Verwendung von Kennzeichnungen auf der Basis mindestens eines Attributs und die spätere Identifikation der Kennzeichnungen zum Finden des Momentan-Clusters und Persistenzclusters helfen beim Vorhersagen oder Schätzen des Zustands der Batterie 104. Ferner ist die Vorrichtung 100 für mehrere Fahrzeugflotten einzelner Fahrzeuge für jeweilige Benutzungsfälle implementierbar.According to an embodiment of the present invention, a solution is provided that is sensorless, cloud-based, data-driven, and machine learning (ML) model-based robust battery integrity (SOC and SOH) estimation. In other words, a cloud-based machine learning approach for estimating the state or health of the
Es versteht sich, dass in der obigen Beschreibung erläuterte Ausführungsformen lediglich veranschaulichend sind und den Schutzumfang der vorliegenden Erfindung nicht beschränken. Es werden viele solche Ausführungsformen und andere Modifikationen und Änderungen an der in der Beschreibung erläuterten Ausführungsform in Betracht gezogen. Der Schutzumfang der Erfindung wird nur durch den Schutzumfang der Ansprüche beschränkt.It should be understood that the embodiments described in the above description are merely illustrative and do not limit the scope of the present invention. Many such embodiments and other modifications and changes to the embodiment described in the specification are contemplated. The scope of the invention is only limited by the scope of the claims.
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
- US 20200164763 [0004]US20200164763 [0004]
Claims (10)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN202141033905 | 2021-07-28 | ||
IN202141033905 | 2021-07-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022206834A1 true DE102022206834A1 (en) | 2023-02-02 |
Family
ID=84889912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022206834.3A Pending DE102022206834A1 (en) | 2021-07-28 | 2022-07-05 | DEVICE AND METHOD FOR EVALUATION OF THE CONDITION OF A BATTERY IN A VEHICLE |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022206834A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200164763A1 (en) | 2017-07-21 | 2020-05-28 | Quantumscape Corporation | Predictive model for estimating battery states |
-
2022
- 2022-07-05 DE DE102022206834.3A patent/DE102022206834A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200164763A1 (en) | 2017-07-21 | 2020-05-28 | Quantumscape Corporation | Predictive model for estimating battery states |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112017004311T5 (en) | On-board updater and on-board update system | |
DE102017108447A1 (en) | Vehicle mode planning with learned user preferences | |
DE102020117609B4 (en) | Processing of status data of a battery for aging estimation | |
EP3610277B1 (en) | System and method for determining a status of a vehicle battery | |
DE102010062412A1 (en) | Method and system for determining the type of battery | |
DE102018109195A1 (en) | Diagnostic system and method for processing data of a motor vehicle | |
DE102019132048A1 (en) | SYSTEM AND METHOD FOR AUTOMATED VEHICLE PERFORMANCE ANALYSIS | |
DE102020212299A1 (en) | Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods | |
DE102012215984A1 (en) | Cost-optimized model-based extension of system lifetime | |
DE102019217299A1 (en) | Method for predicting an aging condition of a battery | |
DE102022211063A1 (en) | Controller for estimating characteristic parameters of a battery and method therefor | |
DE102021114514A1 (en) | VEHICLE, MODEL TRAINING SYSTEM AND SERVER | |
DE102023101720A1 (en) | BATTERY PROBLEM IDENTIFICATION AND CONFIDENCE LEVEL BASED COUNTERMEASURES | |
DE102021114087A1 (en) | Selective reporting systems for health information that include built-in diagnostic models that provide lowest and highest cause information | |
DE102021204014A1 (en) | Method and device for providing an aging state model for determining current and predicted aging states of electrical energy stores using transfer learning using machine learning methods | |
DE102018132658A1 (en) | Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle | |
DE202023105077U1 (en) | Machine learning based system for predicting battery life in electric vehicles | |
DE102020129166A1 (en) | BATTERY MANAGEMENT SYSTEM FOR THE INTEGRATED MANAGEMENT OF HIGH AND LOW VOLTAGE BATTERIES AND RELATED COMMUNICATION | |
DE102022206834A1 (en) | DEVICE AND METHOD FOR EVALUATION OF THE CONDITION OF A BATTERY IN A VEHICLE | |
DE102019112492A1 (en) | PREDICTION ABOUT REMAINING DURATION OF A VEHICLE | |
DE102015205720A1 (en) | System for analyzing unclassified motor vehicle error data | |
DE102022202882A1 (en) | Method and device for providing a predicted aging state of a device battery based on a predicted usage pattern | |
DE102021203729A1 (en) | Method and device for operating a system for providing predicted aging states of electrical energy stores using reconstructed time series signals using machine learning methods | |
DE102021202177A1 (en) | METHOD OF DETERMINING THE OPERATIONAL CONDITION OF VEHICLE COMPONENTS | |
DE102018215017A1 (en) | Method for determining an operating strategy for a vehicle, system, control device for a vehicle and a vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R082 | Change of representative |
Representative=s name: BEE, JOACHIM, DIPL.-ING., DE |