DE102022206834A1

DE102022206834A1 - DEVICE AND METHOD FOR EVALUATION OF THE CONDITION OF A BATTERY IN A VEHICLE

Info

Publication number: DE102022206834A1
Application number: DE102022206834.3A
Authority: DE
Inventors: Sushovan Chakraborty; Siriyur Kanteshappa Anitha; Das Adhikari Nimai Chand; Balaji Ramalingam
Original assignee: Robert Bosch GmbH; Robert Bosch Engineering and Business Solutions Pvt Ltd
Current assignee: Robert Bosch GmbH; Bosch Global Software Technologies Pvt Ltd
Priority date: 2021-07-28
Filing date: 2022-07-05
Publication date: 2023-02-02

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 US20200164763 wird ein System und eine Vorrichtung zum Powermanagement offenbart. Ein BMS (Batteriemanagementsystem) für ein Fahrzeug umfasst ein Modul zum Schätzen des Zustands einer wiederaufladbaren Batterie, wie etwa ihres Ladungszustands, in Echtzeit. Das Modul umfasst ein Lernmodell zum Vorhersagen des Zustands einer Batterie auf der Basis der Benutzung des Fahrzeugs und diesbezüglicher Faktoren, die für das Fahrzeug einzigartig sind, zusätzlich zu Spannung, Strom und Temperatur einer Batterie, die gemessen werden.According to the previously known US20200164763 a system and a device for power management is disclosed. A BMS (Battery Management System) for a vehicle includes a module for estimating the condition of a rechargeable battery, such as its state of charge, in real time. The module includes a learning model for predicting the condition of a battery based on vehicle usage and related factors unique to the vehicle, in addition to a battery's voltage, current, and temperature being measured.

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.

An embodiment of the disclosure will be described with reference to the following accompanying drawings.

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:

1 zeigt eine Vorrichtung zum Schätzen des Zustands einer Batterie in einem Fahrzeug gemäß einer Ausführungsform der vorliegenden Erfindung. Der Zustand der Batterie 104 ist ein Ladungszustand (SOC) und/oder Integritätszustand (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 (oder jedes Modell) 112, 114, 116, 118 des Ensembles von Modellen werden an einen jeweiligen Trainingsdatenmengencluster 122, 124, 126, 128, ... 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 des Fahrzeugs 102 zu versorgen. 1 12 shows an apparatus for estimating the condition of a battery in a vehicle according to an embodiment of the present invention. The condition of the battery 104 is a state of charge (SOC) and/or state of integrity (SOH) of the battery 104. The device 100 includes a controller 110 configured to receive real-time input signals comprising an input data set 106 of parameters from the vehicle 102 , characterized in that the controller 110 operatively processes the parameters of the input data set 106 by means of an estimation module 120 comprising an ensemble of models. All independent models (or each model) 112, 114, 116, 118 of the ensemble of models are pretrained on a respective training data set cluster 122, 124, 126, 128, ... and stored in a memory element 108 of the controller 110. The controller 110 then combines the outputs of all 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 intended to provide power to a starter motor for engine starting and/or to power low vehicle 102 loads.

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 controller 110 includes a storage element 108, such as random access memory (RAM) and/or read-only memory (ROM), an analog-to-digital converter (ADC) and vice versa, a digital-to-analog converter (DAC), clocks, timers, and at least one processor (with the ability to implement machine learning), also known as the central processing unit (CPU), are connected to each other and to other components via communication bus channels. The storage element 108 is preloaded with logic or instructions or programs or applications and/or thresholds that are accessed by the at least one processor according to the defined routines. The internal components of the controller 110 are not explained as prior art, but this is not to be construed as a limitation. The controller 110 may also include communication units for communicating with a server or cloud via wireless or wired means, such as GSM (Global System for Mobile Communications), 3G, 4G, 5G, Wi-Fi, Bluetooth, Ethernet, serial networks, and the like . The controller 110 may communicate with the cloud via a telematics control unit (TCU) of the vehicle 102 .

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 device 100 is any of server/cloud and edge-based device in the vehicle 102. In the case of cloud, the device 100 is the server/cloud, located remotely from the vehicle 102 and in communication with the vehicle 102 by means of the at least one communication unit. In the case of the edge-based device, the device 100 is an existing engine control unit (ECU) of an engine management system (EMS) of the vehicle 102 or an auxiliary control unit (ACU) connected to the ECU / or independent of it, or a user device in communication with the Vehicle 102. The input dataset 106 is received from the edge-based device and is processed using the ensemble of models together with the master dataset 130 and the status of the battery 104 is output directly in the vehicle 102 with/without any involvement of the cloud (132 ).

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.Controller 110 accepts input data set 106, operatively processes input data set 106 via estimation module 120, and then provides output 132 via suitable means, such as a display screen (a notification or alert message), a visual indicator (such as a blinking or flashing lamp of different colors), an audio indicator, and the like. The output 132 may be provided on a user device (such as a desktop, laptop, smartphone) or on the dashboard (infotainment cluster) of the vehicle 102, or a combination thereof. Storage element 108 is shown in an enlarged block diagram to illustrate blocks relevant to the present invention. The estimation module 120 is shown with an ensemble of four independent models 112, 114, 116, 118 but may possibly contain two or more as shown by the dashed line. Furthermore, each independent model 112, 114, 116, 118 of the ensemble of models is modeled on a respective training dataset cluster 122, 124, 126, 128, ... obtained from the corresponding cluster of vehicles 102. The training data set cluster 122, 124, 126, 128, ... thus represents data from vehicles 102 that are clustered with similar attributes.

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 2 erläutert.In accordance with one embodiment of the present invention, the vehicle 102 cluster is formed based at least in part on an attribute selected from a group consisting of age of the vehicle 102 or battery 104 and an operating region of the vehicle 102 . Age is estimated using, for example, the number of cranking events, and other parameters that directly indicate age or from which age is derivable may equally be used. The operating region corresponds to the ambient temperature in which the vehicle 102 will be started or operated. The unconstrained clusters of the vehicle 102 based on the attribute include new vehicle and cold region, new vehicle and hot region, old vehicle and cold region, and old vehicle and hot region. The above cluster of vehicles 102 is mentioned for ease of explanation, and further separation of the cluster is possible, such as based on a five degree interval temperature range and the age of the vehicle based on number of years, and the like. The training datasets for all clusters of the vehicle 102 are stored in the device 100 as a cluster assigned/designated master dataset 130 . The training process of the estimation module 120 and the formation of the master data set 130 are 2 explained.

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 controller 110 using the estimation module 120 is provided. The controller 110 is configured to identify one of the training dataset clusters 122, 124, 126, 128 as a current cluster for the vehicle 102 based on the input dataset 106. The controller 110 then operatively processes the input dataset 106 using a specific model from the Ensemble of models corresponding to the identified current cluster. The controller 110 then identifies one of the training data set clusters 122, 124, 126, 128 as a persistence cluster for the vehicle 102. The controller 110 then applies weights to each model 112, 114, 116, 118 of the ensemble of models based on the persistence of the vehicle 102 respectively in the identified current cluster and the identified persistence cluster. The persistence of the vehicle 102 means the number of occurrences of the vehicle 102 in each of the training dataset cluster 122, 124, 126, 128. The training dataset cluster 122, 124, 126, 128 with the most occurrences of the vehicle 102 is considered the persistence cluster. In other words, the controller 110 identifies the identifier of the cluster for the vehicle 102 that is the most in the master data set 130 . The current cluster and the persistence cluster are any of the same or different from each other. In other words, the current cluster can be the same as or different from the persistence cluster.

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 input data set 106 are selected from a group consisting of a battery voltage, battery voltage during cranking, battery terminal voltage, engine temperature, ambient temperature and cranking speed, vehicle identification number (VIN), and the like. For ease of explanation, the parameters include base parameters and derived parameters. The baseline parameters are received directly from the vehicle 102 while the derived parameters are either estimated/derived in the vehicle 102 and then transmitted to the device 100 or derived in the device 100 after receipt of the baseline parameters from the vehicle 102 . Additionally, by “operationally processed” it is meant that the controller 110 uses the parameters of the input data set 106 selectively based on need and not all parameters are used at once to estimate the condition of the battery 104 .

Gemäß einer Ausführungsform der vorliegenden Erfindung wird eine Arbeitsweise der Vorrichtung 100 unter Verwendung von 1 und 2 erläutert, und selbiges soll nicht auf beschränkende Weise aufgefasst werden. Die Vorrichtung 100 ist als die Lösung auf Cloud-Basis eingerichtet und ist ausgelegt zum Empfangen von Echtzeit-Eingangssignalen von einem Ego-Fahrzeug 102. Das Ego-Fahrzeug 102 bedeutet das interessierende Fahrzeug 102 mit der Batterie 104, deren Zustand geschätzt werden soll. Wenn der Motor des Fahrzeugs 102 angelassen wird (T50-Status ist 1), werden die Parameter der Eingangsdatenmenge 106 gesammelt, darunter, aber ohne Beschränkung darauf, minimale Batteriespannung, Leerlaufspannung der Batterie 104, Kühlmitteltemperatur, Umgebungstemperatur, Zeit zum Anlassen und dergleichen. Die Eingangsdatenmenge 106 wird als Nutzinformationen durch die Cloud empfangen, und dort erfolgt eine Prüfung auf Unbedenklichkeit. Datentyp und Einheitlichkeit der Nutzinformationen werden geprüft. Wenn ein Fehler vorliegt, werden die Nutzinformationen nach Melden eines Fehlers verworfen, und die Cloud wartet auf die nächsten Nutzinformationen.According to an embodiment of the present invention, an operation of the device 100 is performed using 1 and 2 explained, and the same should not be construed in a limiting manner. The device 100 is configured as the cloud-based solution and is configured to receive real-time input signals from a ego vehicle 102. The ego vehicle 102 means the vehicle of interest 102 with the battery 104 whose state is to be estimated. When the vehicle 102 engine is cranked (T50 status is 1), the parameters of the input data set 106 are collected including, but not limited to, minimum battery voltage, battery 104 open circuit voltage, coolant temperature, ambient temperature, time to crank, and the like. The input data volume 106 is received by the cloud as useful information, and a safety check is carried out there. Data type and consistency of the user information are checked. If there is an error, the payload is discarded after reporting an error and the cloud waits for the next payload.

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 estimation module 120 with the ensemble of models comprising multiple models 112, 114, 116, 118, each of the multiple models 112, 114, 116, 118 from the respective training data set cluster 122, 124, 126, 128 in a master data set 130 is modeled. For example, if the estimation module 120 includes an ensemble of four models, a first model 112, a second model 114, a third model 116, and a fourth model 118, the respective training data set clusters are a first training data set cluster 122, a second training data set cluster 124, a third training data set cluster 126 and a fourth training data set cluster 128, respectively. The four models 112, 114, 116, 118 and the corresponding four training data set clusters 122, 124, 126, 128 are provided for ease of explanation and are not intended to be limiting. Each training dataset cluster 122, 124, 126, 128 includes parameters collected from a respective cluster of vehicles 102 during a training phase.

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 controller 110 checks for at least one current cluster and processes using the respective/specific model. Consider: the controller 110 selects a second training dataset cluster 124 next to the input dataset 106 (received in real time) and designates/designates the input dataset 106 as the second training dataset cluster 124. The second training dataset cluster 124 is designated as the current cluster for the current calculation of the Battery 104 condition taken/considered. Then the controller 110 selects the second model 114 as the current model for computing the state of the battery 104 in the estimation module 120. Once the current cluster and current model are identified, the controller 110 then identifies at least one persistent cluster. The controller 110 can select one or more persistent clusters from the available training dataset clusters 122 , 124 , 126 , 128 in the master dataset 130 . Consider that the controller 110 examines the appearance of the vehicle 102 in each training dataset cluster history and identifies that the vehicle 102 is always identified/assigned in the master dataset 130 as the third training dataset cluster 126 . The controller 110 selects the third training dataset cluster 126 as the persistent cluster. Based on the identification of the persistence cluster, the controller 110 then applies weights (or weights) to each model 112, 114, 116, 118, ... based on the persistence of the vehicle 102 in the identified training dataset cluster. The outputs of all models 112, 114, 116, 118, ... are then combined and the user is notified of the condition of the battery 104.

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 estimation module 120 . The weights are given to reflect the dominance of the vehicle 102 cluster in the persistent data. For a vehicle 102, if 99 cranking profiles belong to the old hot cluster (which becomes the persistent cluster or third training data set cluster 126) and the 100th cranking profile is like the old cold cluster (which is real-time and therefore the current cluster or second training data set cluster 124), the weight for the second model 114 is given as 0.01 and the weight for the third model 116 is given as 0.99. The weight for the remaining models is given as zero.

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 device 100 for a new fleet of vehicles 102 and an old fleet of vehicles 102 is given. For a completely new fleet of vehicles 102, the input data volume 106 is checked for the respective cluster assignment using the training data volume cluster used for training. The current cluster is assigned based on the initial cluster centers derived from the training data set clusters. The model corresponding to the current cluster is applied to the new vehicles 102 and the predictions of the state of the battery 102 are made according to the weights of the identified cluster. Since the fleet is completely new, the weights at the identified current cluster are 100% since no historical data was available for this vehicle 102 to check the dominant operating region. The input data set 106 and parameters are freshly stored in a new master data set 130 if the vehicle 102 is different from the vehicles 102 used for training. If the same vehicles 102 as trained vehicles 102 are used, the same master data set 130 is updated.

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 vehicle 102, with cluster centers now being modified based on the training data and the available fleet data. Based on current grant, the appropriate model is applied to the input data set 106 of the vehicle 102 . Now the history cluster allocation is checked. If it is observed that previously for most of the times the vehicle 102 was assigned a different cluster, then the prediction/estimate is also obtained by applying the models for the relevant dominant clusters and weighting is applied accordingly based on the historical (persistent) and current (instantaneous) cluster.

2 zeigt ein Verfahren zum Training eines Schätzungsmoduls der Vorrichtung gemäß der vorliegenden Erfindung. Das Verfahren wird in einem System implementiert, das die Vorrichtung 100, in diesem Fall die Cloud, in Kommunikation mit mehreren Fahrzeugen 102, wie etwa einer Flotte von Fahrzeugen 102, umfasst. Ein Schritt 202 umfasst ein Empfangen der Eingangsdatenmenge 106 von den mehreren Fahrzeugen 102. Die Eingangsdatenmenge 106 wird entweder direkt mittels der Kommunikationseinheiten zur Cloud übertragen, also entweder mittels eingebauter Kommunikationseinheiten oder mittels extern angeschalteter Kommunikationseinheiten ermöglicht, oder manuell aus dem Fahrzeug 102 extrahiert und dann zur Cloud transferiert. Die Eingangsdatenmenge 106 umfasst Anlassprofile, die Signale definieren, die aus dem Fahrzeug 102 stammen, sobald der Motor angelassen wird. Zum Beispiel wird die Eingangsdatenmenge 106 von allen Fahrzeugen 102 in Echtzeit mit verschiedenen Variantenbedingungen und/oder Echtzeitsimulationen gesammelt, die Daten werden für verschiedene Kombinationen der Bedingung gesammelt und im Fahrzeug 102 akkumuliert und zur Cloud herübergesendet. Ein Schritt 204 und Schritt 206 umfassen Ableiten von Parametern/Merkmalen aus dieser Eingangsdatenmenge 106. Der Schritt 204 umfasst Schätzen oder Extrahieren oder Ableiten von Anlassprofilmerkmalen in der Cloud, wie etwa, aber ohne Beschränkung darauf, niedrigste Batteriespannung (udip), eine Drehzahl-Wachstumsrate, eine beim Anlassen vergangene Zeit und dergleichen. Schritt 206 umfasst Ableiten von Histogrammmerkmalen unter Verwendung von statistischer Verarbeitung und Analyse in der Cloud. Die Histogrammmerkmale umfassen, aber ohne Beschränkung darauf, mittlere Motortemperatur, mittlere Umgebungstemperatur, eine Anfangs-Batteriespannung, eine End-Batteriespannung, eine End-Motordrehzahl, Drehzahl-Wachstumsratenquantile, Batteriespannungsquantile, Motor- und Umgebungstemperaturquantile. Ein Schritt 208 umfasst Erzeugung der Master-Datenmenge 130, wobei es sich um geordnete Sammlung der Eingangsdatenmenge 106 und der abgeleiteten Parameter entsprechend dem individuellen Fahrzeug 102 der Flotte handelt, identifizierbar mittels der jeweiligen Fahrzeugidentifikationsnummer (VIN), die in der Eingangsdatenmenge 106 empfangen wird. 2 shows a method for training an estimation module of the device according to the present invention. The method is implemented in a system that includes the device 100, in this case the cloud, in communication with multiple vehicles 102, such as a fleet of vehicles 102. A step 202 includes receiving the input data set 106 from the plurality of vehicles 102. The input data set 106 is either transmitted directly to the cloud using the communication units, i.e. made possible either by means of built-in communication units or by means of externally connected communication units, or extracted manually from the vehicle 102 and then to the Cloud transferred. The input data set 106 includes cranking profiles that define signals originating from the vehicle 102 when the engine is cranked. For example, the input dataset 106 is collected from all vehicles 102 in real-time with different variant conditions and/or real-time simulations, the data is collected for different combinations of the condition and accumulated in the vehicle 102 and sent across to the cloud. A step 204 and step 206 include deriving parameters/features from this input data set 106. Step 204 includes estimating or extracting or deriving cranking profile features in the cloud, such as, but not limited to, lowest battery voltage (udip), a speed growth rate , an elapsed time at cranking, and the like. Step 206 includes deriving histogram features using statistical processing and analysis in the cloud. The histogram features include, but are not limited to, average engine temperature, average ambient temperature, starting battery voltage, ending battery voltage, ending engine speed, speed growth rate quantiles, battery voltage quantiles, engine and ambient temperature quantiles. A step 208 includes generating the master dataset 130, which is an ordered collection of the input dataset 106 and derived parameters corresponding to the individual vehicle 102 of the fleet, identifiable by the respective vehicle identification number (VIN) received in the input dataset 106.

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 step 210 includes using the master dataset 130, forming different profiles or clusters of vehicles 102 based on at least one attribute corresponding to the training dataset cluster for each/all clusters of vehicles 102 to prepare and train a corresponding independent model. The main goal for clustering is to give the vehicles 102 labels to identify a respective operating region and to give the algorithm/model prediction weights, since the prediction of SOC and SOH is highly dependent on the environmental conditions in which the vehicle 102 operates. In step 220, the current cluster and the persistence cluster are attached to the defined training data sets gencluster 122, 124, 126, 128 assigned/tagged when the input data set 106 is received from the vehicle 102 for review. The current cluster is used to identify/tag the vehicle 102 based on the current launch data and operating environment. The persistence cluster is used to identify/tag the vehicle 102 based on previous historical event data and vehicle 102 environmental information persisted in the master dataset 130, specifically in the training dataset clusters 122, 124, 126, 128.

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 step 212, the modeling of the estimation module 120 is performed mainly from input signals originating from an engine management system (EMS) control unit, which receives various signals either directly or via a CAN bus (Controller Area Network) from corresponding sensors located in the Vehicle 102 exist such as an engine speed sensor, a coolant temperature sensor, an ambient temperature sensor, a battery voltage sensor, and the like. The parameters in the input data set 106 associated with the battery 104 are transmitted to the cloud from multiple vehicles 102 and accumulated in the cloud in a structured manner as described above. The relevant parameters (critical characteristics) from the input dataset 106 are logged along with corresponding battery SOC and SOH values to enable supervised machine learning model training via the cloud. The parameters/feature sets primarily considered for development of the machine learning based estimation module 120 include, but are not limited to, battery ECU voltage, battery Udip voltage, battery terminal voltage, ambient temperature, cranking speed, engine coolant temperature, SOC and SO. The independent models 112, 114, 116, 118,... are obtained from training data set clusters 122, 124, 126, 128,... respectively.

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 output 132 SOC/SOH(y) [response] is modeled as a function of x, where x is at least one selected from the list of parameters of the vehicle 102 (predictors), i.e. x=(battery voltage, cranking speed, engine coolant temperature , ambient temperature, battery terminal voltage and others).

Das Ziel des Trainingsmodells (oder des Schätzungsmoduls 120) ist das Festlegen einer Funktion f(x), die den SOC, SOH mit minimalem Fehler schätzt: $y = g {\sum_{i = 1}^{n} c_{i} . (ƒ_{i} (x) + e_{i})}$

Wobei
c_i zu bestimmenden Gewichten oder Koeffizienten entspricht,
e_i: Fehler
f_i(x), nämlich {f₁(x), f₂(x), f₃(x)... f_n(x)}, das Ensemble von beaufsichtigten Lernalgorithmen ist, mit jedem f_i(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:

y = G {\sum_{i = 1}^{n} c_{i} . (ƒ_{i} (x) + e_{i})}

Whereby
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 estimation module 120 is a closed-form machine learning model that is trained on the available dataset to estimate the value of y. The solution used for the unified prediction of battery SOC and SOH is based on a new concept of mixed models of supervised and unsupervised learning.

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 step 214, the trained/fitted estimation module 120 is evaluated against unseen validation sets to define an error estimate and assign a correction factor to individual model predictions. In step 216 the condition of the battery 104 is estimated as an output 132 . In step 218 the error of the trained models is observed and if a model drift is observed with respect to a predefined threshold model, retraining for the supervised models is triggered.

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 estimation module 120 is updated regularly. The estimation module 100 stored in the device 100 is based on the training data. During the course of real-time implementation, the estimation module 120 is revised and then dynamically updated and pushed to the device 100 on a regular basis.

3 zeigt ein Verfahren zum Schätzen des Zustands der Batterie im Fahrzeug gemäß der vorliegenden Erfindung. Der Zustand der Batterie 104 ist ein Ladungszustand (SOC) und/oder Integritätszustand (SOH) der Batterie 104. Das Verfahren umfasst mehrere Schritte, wovon ein Schritt 302 Empfangen von Echtzeit-Eingangssignalen, die eine Eingangsdatenmenge 106 von Parametern umfasst, von dem Fahrzeug 102 umfasst. Das Verfahren ist durch einen Schritt 304 gekennzeichnet, der Verarbeiten der Eingangsdatenmenge 106 mittels des Schätzungsmoduls 120, das ein Ensemble von Modellen umfasst, umfasst. In dem Ensemble von Modellen wird jedes Modell 112, 114, 116, 118 an dem jeweiligen Trainingsdatenmengencluster 122, 124, 126, 128 modelliert/vortrainiert und in dem Speicherelement der Steuerung 110 gespeichert. Ein Schritt 306 umfasst Kombinieren der Ausgaben des Ensembles von Modellen und Bestimmen des Zustands der Batterie 104. 3 FIG. 12 shows a method for estimating the condition of the battery in the vehicle according to the present invention. The condition of the battery 104 is a state of charge (SOC) and/or state of integrity (SOH) of the battery 104. The method comprises several steps, a step 302 of which is receiving real-time input signals comprising an input data set 106 of parameters from the vehicle 102 includes. The method is characterized by a step 304, the processing of the input data set 106 with by means of the estimation module 120 comprising an ensemble of models. In the ensemble of models, each model 112, 114, 116, 118 is modeled/pre-trained on the respective training data set cluster 122, 124, 126, 128 and stored in the memory element of the controller 110. A step 306 includes combining the outputs of the ensemble of models and determining the condition of the battery 104.

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 data set clusters 122, 124, 126, 128 includes data collected from the respective cluster of vehicles 102. The cluster of vehicles 102 is formed and identified based at least in part on an attribute selected from a group consisting of age of the vehicle 102 or battery 104 and a region of operation of the vehicle 102 . A few examples of cluster labels formed are new and cold, new and hot, old and cold and old hot.

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 1 beschriebene Beispiel Bezug genommen werden, um die Wiederholung zu vermeiden.According to the present invention, the step 304 of processing the input data set 106 by means of the estimation module 120 further comprises a plurality of steps, a step 308 identifying one of the training data set clusters 122, 124, 126, 128 as the current cluster for the vehicle 102 based on the input data set 106 included. A step 310 includes selectively processing the input data set 106 using the independent model from the model ensemble corresponding to the identified training data set cluster 122, 124, 126, 128. A step 312 includes identifying one of the training data set clusters 122, 124, 126, 128 based on the history of the vehicle 102 as the persistence cluster for the vehicle 102. Specifically, the method includes checking the identification of the cluster of the vehicle 102 that appears in the master dataset 130 the most. It is possible for the vehicle 102 to be identified with other cluster identifiers or only one cluster identifier. A step 314 includes applying weighting to each model 112, 114, 116, 118 of the ensemble of models based on the persistence/appearance of the vehicle 102 in each of the identified current cluster and the persistence cluster. In one embodiment, the current cluster and the persistence cluster are the same and/or different. To understand the procedure, refer to the in 1 described example to avoid repetition.

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 input data set 106 are selected from a group consisting of battery voltage, battery voltage during cranking, battery terminal voltage, engine temperature, ambient temperature, cranking speed, and vehicle identification number (VIN). The method is performed by the at least one device 100 selected from the cloud and the edge-based device or a combination thereof.

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 vehicle battery 104 is provided. The allocation of the input data set 106 from the vehicles 102 using labels based on at least one attribute and the later identification of the labels to find the current cluster and persistence cluster help in predicting or estimating the state of the battery 104. Furthermore, the device 100 for several vehicle fleets of individual vehicles can be implemented for respective use cases.

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

US20200164763 [0004]

Claims

Device (100) for estimating the state of a battery (104) in a vehicle (102), the state of the battery (104) being a state of charge (SOC) and/or a state of integrity (SOH) of the battery (104), the Device (100) comprises a controller (110) designed to receive real-time input signals comprising an input data set (106) from the vehicle (102), characterized by operatively processing the input data set (106) by means of an estimation module (120), comprising an ensemble of models, each model (112, 114, 116, 118) of the ensemble of models being modeled on a respective training data set cluster (122, 124, 126, 128) and stored in a memory element (108) of the controller (110) is stored, and combining outputs of the ensemble of models and determining the condition of the battery (104).

Device (100) according to claim 1 that is a cloud and/or edge based device.

Device (100) according to claim 1 , wherein each of the training data set clusters (122, 124, 126, 128) comprises data collected from a respective cluster of vehicles (102), the cluster of vehicles (102) being formed based on at least one attribute consisting of a group consisting of age of the vehicle (102) and an operating region of the vehicle (102).

Device (100) according to claim 1 , wherein the controller (110) is designed to identify one of the training data set clusters (122, 124, 126, 128) as a current cluster for the vehicle (102), selectively processing the input data set (106) using a model (112, 114, 116, 118) from the ensemble of models corresponding to the identified current cluster, identifying one of the training data set clusters (122, 124, 126, 128) as the persistence cluster for the vehicle and applying weights to each model (112, 114, 116, 118) the ensemble of models based on persistence of the vehicle (102) in each of the identified current cluster and the identified persistence cluster.

Device (100) according to claim 1 wherein a plurality of parameters of the input data set (106) are selected from a group consisting of a battery voltage, a battery voltage during cranking, a battery terminal voltage, an engine temperature, an ambient temperature and a cranking speed, and a vehicle identification number (VIN).

A method of estimating the condition of a battery (104) in a vehicle (102), the condition of the battery (104) being a state of charge (SOC) and/or a state of integrity (SOH) of the battery (104), the method comprising the following Steps comprising: receiving from the vehicle (102) real-time input signals comprising an input data set (106), characterized by processing the input data set (106) by means of an estimation module (120) comprising an ensemble of models, each model ( 112, 114, 116, 118) of the ensemble of models is modeled on a respective training dataset cluster (122, 124, 126, 128) and stored in a memory element (108) of the controller (110), and combining outputs of the ensemble of models and determining the condition of the battery (104).

procedure after claim 6 , wherein each of the training data set clusters (122, 124, 126, 128) comprises data collected from a respective cluster of vehicles (102), the cluster of vehicles (102) being formed based on at least one attribute consisting of a group consisting of age of the vehicle (102) and an operating region of the vehicle (102).

procedure after claim 6 , wherein processing the input data set (106) by means of an estimation module (120) comprises: identifying one of the training data set clusters (122, 124, 126, 128) as a current cluster for the vehicle (102), based on the input data set (106) , selective processing of the input data set (106) using a model (112, 114, 116, 118) from the ensemble of models corresponding to the identified training data set cluster (122, 124, 126, 128), identifying one of the training data set clusters (122, 124, 126, 128) as a persistence cluster for the vehicle based on the history of the vehicle (102) and applying weighting to each model (112, 114, 116, 118) of the ensemble of models based on persistence/appearance of the vehicle (102) in the current cluster and the persistence cluster respectively.

procedure after claim 6 executed by at least one device (100) selected from an edge-based device and a cloud.

procedure after claim 6 wherein a plurality of parameters of the input data set (106) are selected from a group consisting of a battery voltage, a battery voltage during cranking, a battery terminal voltage, an engine temperature, an ambient temperature and a cranking speed, and a vehicle identification number (VIN).