DE102022212232A1

DE102022212232A1 - Verfahren und Vorrichtung zum Erstellen eines robusten Anomalieerkennungsmodells zum Erkennen einer aktuellen oder anstehenden Anomalie einer Gerätebatterie mithilfe erlernter Latent Space Embeddings

Info

Publication number: DE102022212232A1
Application number: DE102022212232.1A
Authority: DE
Inventors: Christian Simonis
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-11-17
Filing date: 2022-11-17
Publication date: 2024-05-23
Also published as: CN118051852A

Abstract

Die Erfindung betrifft ein Verfahren zum Bereitstellen eines Anomalieerkennungsmodells (15) zum Erkennen einer Anomalie einer Gerätebatterie (41) in einem technischen Gerät (4), wobei das Anomalieerkennungsmodell (15) einen Autoencoder oder Variational Autoencoder (16), insbesondere mit einem Gaußprozess-Encoder, umfasst, mit folgenden Schritten:- Bereitstellen (S3) des Anomalieerkennungsmodells (15) mit einem mit realen Trainingsdatensätzen vortrainierten Autoencoder bzw. Variational Autoencoder (16) zur Erkennung einer Anomalie in einem bestimmten Typ von Gerätebatterien (41), wobei der Autoencoder bzw. der Variational Autoencoder (16) mit Trainingsdatensätzen trainiert ist, die Betriebsmerkmalspunkte umfassen, die jeweils durch eine Vielzahl von Betriebsmerkmalen definiert sind;- Analysieren (S4) des latenten Zustandsraums des Autoencoders bzw. des Variational Autoencoders (16) hinsichtlich aller Trainingsdatensätze, um geeignete latente Zustandsvektoren des latenten Zustandsraums zu bestimmen, für die eine hohe Auswertungsunsicherheit besteht;- für jeden der geeigneten latenten Zustandsvektoren, Durchführen (S5) einer modellprädiktiven Regelung zum Ermitteln von künstlichen Betriebsgrößenverläufen, die bei Anwendung des Autoencoders bzw. des Variational Autoencoder (16) einen latenten Zustandsvektor ergeben, der möglichst nahe an dem betrachteten geeigneten latenten Zustandsvektor liegt;- Ermitteln (S5) von Betriebsmerkmalspunkten als simulierte Trainingsdatensätze aus den ermittelten Betriebsgrößenverläufen;- Trainieren oder Nachtrainieren (S6) des Autoencoders bzw. des Variational Autoencoders (16) mit den simulierten Trainingsdatensätzen.

Description

Technisches Gebiet
Die Erfindung betrifft Verfahren zur Diagnose von Gerätebatterien für technische Geräte, insbesondere Verfahren zur Diagnose von Gerätebatterien durch Anomaliedetektion. Weiterhin betrifft die vorliegende Erfindung Verfahren zum Erstellen eines Variational Autoencoders zur Nutzung für eine Anomalieerkennung in Gerätebatterien.
Technischer Hintergrund
Die Energieversorgung von netzunabhängig betriebenen elektrischen Geräten und Maschinen, wie z. B. elektrisch antreibbaren Kraftfahrzeugen, erfolgt in der Regel mit Gerätebatterien bzw. Fahrzeugbatterien. Diese liefern elektrische Energie zum Betrieb der Geräte.
Gerätebatterien degradieren über ihre Lebensdauer und abhängig von deren Belastung bzw. Nutzung. Diese sogenannte Alterung führt zu einer kontinuierlich abnehmenden maximalen Leistungs- bzw. Speicherkapazität. Der Alterungszustand entspricht einem Maß zur Angabe der Alterung von Energiespeichern. Gemäß der Konvention kann eine neue Gerätebatterie einen Alterungszustand (bezüglich ihrer Kapazität, SOH-C) von 100 % aufweisen, der im Laufe seiner Lebensdauer zusehends abnimmt. Ein Maß der Alterung der Gerätebatterie (zeitliche Änderung des Alterungszustands) hängt von einer individuellen Belastung der Gerätebatterie, d. h. bei Fahrzeugbatterien von Kraftfahrzeugen vom Nutzungsverhalten eines Fahrers, externen Umgebungsbedingungen und vom Fahrzeugbatterietyp ab.
Um Gerätebatterien aus einer Vielzahl von Geräten zu überwachen, werden in der Regel Betriebsgrößendaten kontinuierlich erfasst und als Betriebsgrößenverläufe blockweise an eine geräteexterne Zentraleinheit übertragen. Zur Auswertung der Betriebsgrößendaten, insbesondere in physikalischen oder elektrochemischen Batteriemodellen, die auf Differentialgleichungen basieren, werden die Betriebsgrößendaten als Verläufe mit einer vergleichsweise hohen zeitlichen Auflösung (Abtastraten) von beispielsweise zwischen 1 und 100 Hz abgetastet und daraus mit einem Zeitintegrationsverfahren ein Batteriezustand ermittelt.
Zur Auswertung der Betriebsgrößendaten, insbesondere zur Ermittlung von Batteriezuständen, die den Alterungszustand bestimmen, kann ein elektrochemisches Batteriemodell verwendet werden, das auf einem Differentialgleichungssystem mit einer Mehrzahl von nichtlinearen Differentialgleichungen basiert. Die Betriebsgrößendaten ermöglichen eine Modellierung eines aktuellen Batteriezustands mithilfe eines Zeitintegrationsverfahrens basierend auf der Betriebshistorie. Derartige elektrochemische Batteriemodelle sind beispielsweise aus den Druckschriften US 2016/023,566 , US 2016/023,567 und US 2020/150,185 bekannt.
Das Bereitstellen der Betriebsgrößenverläufe in der Zentraleinheit ermöglicht die Nutzung und Anpassung des elektrochemischen Batteriemodells für eine Vielzahl von Gerätebatterien mit gleichartigen Batteriezellen bzw. mit Zellen gleichartiger Zellchemie. Die Berechnung der Batteriezustände mithilfe des Differentialgleichungssystems ist rechenaufwendig, so dass durch die Auslagerung in die Zentraleinheit die Rechenlast in geräteinternen Recheneinrichtungen reduziert werden kann.
In batteriebetriebenen technischen Geräten muss die ordnungsgemäße Funktionsweise der eingesetzten Gerätebatterie aus Sicherheitsgründen insbesondere bei hohen Energiedichten regelmäßig auf Fehler überwacht werden. Fällt eine Batteriezelle, eine Einheit aus mehreren Batteriezellen oder die gesamte Gerätebatterie aus, kann abhängig von dem aufgetretenen Fehler das technische Gerät funktionsunfähig werden und gegebenenfalls bei Fehlfunktionen, die zu einer starken Temperaturerhöhung führen, auch die Sicherheit des technischen Geräts und des Nutzers beeinträchtigt werden.
Aufgrund der bislang regelbasierten Anomaliedetektion werden bislang jedoch Fehler in Gerätebatterien erst erkannt, wenn applizierte Fehlerschwellenwerte für Betriebsgrößen, wie die Zellspannung, eine Modultemperatur, ein Stromwert oder ein Ladezustandswert, bzw. Batteriezustände wie ein Alterungszustandswert, über- bzw. unterschritten werden.
Die Druckschrift DE 10 2019 208 372 A1 offenbart ein computerimplementiertes Verfahren zum Erkennen einer Anomalie in einem technischen System, mit folgenden Schritten: Erfassen eines Betriebsgrößenvektors, der einen Betriebszustand des technischen Systems angibt und eine Anzahl von Betriebszustandsgrößen umfasst, wobei die Betriebszustandsgrößen mindestens eine Umgebungszustandsgröße, die eine Umgebungsbedingung angibt, in der das technische System betrieben wird, und Systemzustandsgrößen interne Systemzustände des technischen Systems angeben, umfassen; Bereitstellen eines Umgebungszustandsmodells und eines Anomaliedetektionsmodells, wobei das Umgebungszustandsmodell abhängig von mindestens einer der Umgebungszustandsgrößen eine Überprüfbarkeit des Betriebsgrößenvektors hinsichtlich des Vorliegens einer Anomalie unter Verwendung des Anomaliedetektionsmodells angibt, und wobei das Anomaliedetektionsmodell das Vorliegen einer zu erwartenden Anomalie abhängig von dem Betriebsgrößenvektor angibt, Signalisieren eines Vorliegens einer Anomalie oder einer Nicht-Anomalie abhängig von einer Bewertung der mindestens einen Umgebungszustandsgröße des Betriebsgrößenvektors anhand des Umgebungszustandsmodells und abhängig von einer Bewertung des Betriebsgrößenvektors abhängig von dem Anomaliedetektionsmodell.
Offenbarung der Erfindung
Erfindungsgemäß sind ein Verfahren zum robusten Bereitstellen eines Anomalieerkennungsmodells mit einem Autoencoder bzw. einem Variational Autoencoder gemäß Anspruch 1 sowie eine entsprechende Vorrichtung gemäß den nebengeordneten Ansprüchen vorgesehen.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
Gemäß einem ersten Aspekt ist ein Verfahren zum Bereitstellen eines Anomalieerkennungsmodells zum Erkennen einer Anomalie einer Gerätebatterie in einem technischen Gerät vorgesehen, wobei das Anomalieerkennungsmodell einen Autoencoder oder einen Variational Autoencoder umfasst, mit folgenden Schritten:

- Bereitstellen des Anomalieerkennungsmodells mit einem mit realen Trainingsdatensätzen vortrainierten Autoencoders bzw. Variational Autoencoder zur Erkennung einer Anomalie in einem bestimmten Typ von Gerätebatterien, wobei der Autoencoders bzw. der Variational Autoencoder mit realen Trainingsdatensätzen trainiert ist, die Betriebsmerkmalspunkte umfassen, die jeweils durch eine Vielzahl von Betriebsmerkmalen definiert sind;
- Analysieren des latenten Zustandsraums des Autoencoders bzw. des Variational Autoencoders hinsichtlich aller Trainingsdatensätze, um geeignete latente Zustandsvektoren des latenten Zustandsraums zu bestimmen, für die eine hohe Auswertungsunsicherheit besteht;
- für jeden der geeigneten latenten Zustandsvektoren, Durchführen einer modellprädiktiven Regelung zum Ermitteln von künstlichen Betriebsgrößenverläufen, die bei Anwendung des Autoencoders bzw. des Variational Autoencoders einen latenten Zustandsvektor ergeben, der möglichst nahe an dem betrachteten geeigneten latenten Zustandsvektor liegt;
- Ermitteln von Betriebsmerkmalspunkten als simulierte Trainingsdatensätze aus den ermittelten Betriebsgrößenverläufen;
- Trainieren oder Nachtrainieren des Variational Autoencoders mit den simulierten Trainingsdatensätzen.

Während die üblicherweise für eine Anomaliedetektion verwendeten Autoencoderbasierten Ansätze in der Lage sind, einen aktuellen Batteriezustand als normal oder anomal zu klassifizieren, ist eine zuverlässige Prädiktion, wann mit gewisser Wahrscheinlichkeit ein Ausfallereignis in der Zukunft auftreten wird, nicht möglich. Jedoch kündigen sich sicherheitskritische Ereignisse, wie beispielsweise ein Thermal-Runaway-Ereignis oder ein Totalausfall der Gerätebatterie (Sudden Death), vorher durch Änderungen von Batteriezuständen an, so dass grundsätzlich eine Prädiktion solcher kritischen Ereignisse möglich sein sollte.
Eine Anomalieerkennung kann beispielsweise mithilfe eines Autoencoders bzw. eines Variational Autoencoders vorgesehen werden. Ein solcher Autoencoder bzw. Variational Autoencoder kann beispielsweise mithilfe von Betriebsmerkmalspunkten einer Vielzahl von Gerätebatterien trainiert werden, die fehlerfrei arbeiten bzw. in einem zurückliegenden Zeitraum in der Vergangenheit (z.B. bis vor 3 oder 6 Monaten) fehler- und ausfallfrei betrieben wurden, insbesondere unsupervised trainiert und regelmäßig oder kontinuierlich aktualisiert werden.
Die Anwendung des Anomalieerkennungsmodells kann anhand einer Auswertung eines Abweichungsmaßes einer Verteilung im latenten Zustandsraum des Autoencoders bzw. des Variational Autoencoders oder eines Rekonstruktionsfehlers eine Anomalie einer Gerätebatterie ermittelt werden.
Die Qualität einer Erkennung einer Anomalie mithilfe des Anomalieerkennungsmodells hängt erheblich von der Menge an Trainingsdaten ab, mit der der entsprechende Autoencoder bzw. Variational Autoencoder trainiert worden ist. So kann es bei einer zu geringen Anzahl von realen Trainingsdatensätzen, insbesondere bei anfänglicher Inbetriebnahme de Anomalieerkennungsmodells, zu fälschlichen Anomalieerkennungen (false positives) kommen, da Betriebsmerkmalsbereiche nicht ausreichend durch tatsächliche reale Trainingsdatensätze belegt sind.
Das Anomalieerkennungsmodell muss mit einer Vielzahl von Trainingsdatensätzen trainiert werden, die man durch Überwachen einer Vielzahl von Gerätebatterien gleichen Typs erhält. Insbesondere kann ein solches Anomalieerkennungsmodell in einer Zentraleinheit bereitgestellt werden, die mit einer Vielzahl von Gerätebatterien in Kommunikationsverbindung steht und von diesen Betriebsgrößenverläufe erhält. Die Betriebsgrößenverläufe umfassen in der Regel Verläufe eines Batteriestroms, einer Batteriespannung, einer Batterietemperatur und eines Ladezustands, die in hoher zeitlicher Auflösung bereitgestellt werden.
Aus diesen zeitlichen Betriebsgrößenverläufen können in geeigneter Weise Betriebsmerkmale abgeleitet werden. Die Betriebsmerkmale für eine Gerätebatterie zu einem bestimmten Zeitpunkt definieren einen Betriebsmerkmalspunkt und beschreiben den aktuellen Batteriezustand, der sich aus internen elektrochemischen Zuständen und Angaben zur Nutzungshistorie ergibt.
Insbesondere können die Betriebsmerkmale einen von den Betriebsgrößenverläufen abgeleiteten Alterungszustand und/oder einen oder mehrere interne elektrochemische Batteriezustände, die von den Betriebsgrößenverläufen mithilfe eines auf einem Differenzialgleichungssystem basierenden Batteriemodells bestimmt sind, und/oder einen oder mehrere Modellparameter eines an die Betriebsgrößenverläufe gefitteten Batterie-Performancemodells und/oder ein oder mehrere aggregierte oder statistische Merkmale der durch die Betriebsgrößenverläufe angegebenen Nutzung umfassen.
Somit können die Betriebsmerkmale kumulierte lastbasierte Merkmale, aggregierte Merkmale, und/oder über die gesamte bisherige Lebensdauer oder einen zurückliegenden Zeitraum ermittelte statistische Größen umfassen.
Insbesondere können als Betriebsmerkmale Merkmale aus Histogrammdaten ermittelt werden, die aus den Verläufen der Betriebsgrößen erstellt worden sind. So können beispielsweise Histogramme bezüglich des Batteriestroms über der Batterietemperatur und dem Ladezustand der Fahrzeugbatterie, ein Histogramm der Batterietemperatur über dem Ladezustand der Fahrzeugbatterie, ein Histogramm des Ladestroms über einer Batterietemperatur und ein Histogramm eines Entladestroms über der Batterietemperatur erstellt werden. Ferner können als Betriebsmerkmale die akkumulierte Gesamtladung (Ah), eine durchschnittliche Kapazitätszunahme bei einem Ladevorgang (insbesondere für Ladevorgänge, bei denen die Ladungszunahme über einem Schwellenanteil [z. B. 20 % ΔSOC] der gesamten Batteriekapazität liegt), die Ladekapazität sowie ein Extremwert (z.B. ein lokales Maximum) der geglätteten differentiellen Kapazität während eines gemessenen Ladevorgangs mit ausreichend großem Hub des Ladezustands (geglätteter Verlauf von dQ/dU: Ladungsänderung dividiert durch Änderung der Batteriespannung) oder die akkumulierte Fahrleistung jeweils seit Inbetriebnahme der Gerätebatterie berücksichtigt werden. Weitere Betriebsmerkmale können einem lokalen Extremwert der spektralen Kurtosis, ausgewertet auf einem Ladevorgang für Strom oder Spannungssignal, einem oder mehreren Koeffizienten einer Wavelet-Transformation und/oder einem oder mehreren Koeffizienten der Fourier-Transformation, jeweils ausgewertet für einen Ladevorgang für ein Strom- oder Spannungssignal oder einen transformierten Spektralwert zugeordnet zu einem definierten Frequenzband entsprechen.
Betriebsmerkmale können somit aus Histogrammen hinsichtlich der Betriebsgrößen abgeleitet werden. Hieraus können mithilfe Feature-Engineering bzw. Merkmals-Extraktions-Verfahren Betriebsmerkmale extrahiert werden, wie beispielsweise der Mittelwert, die Standardabweichungen der Histogramme sowie mehrdimensionale statistische Werte, wie Mittelwert, Median, Minimum, Maximum, Momente der Verteilung und dergleichen.
Weiterhin können als Betriebsmerkmale auch interne elektrochemische Batteriezustände der Gerätebatterien bestimmt werden. Dazu eignet sich beispielsweise ein elektrochemisches Batteriemodell. Das elektrochemische Batteriemodell umfasst ein Differentialgleichungssystem, das basierend auf über Modellparameter parametrisierte Differentialgleichungen interne Batteriezustände, insbesondere Gleichgewichtszustände und ggfs. kinetische Zustände, mithilfe eines Zeitintegrationsverfahren modelliert und eine Beziehung zwischen Betriebsgrößenverläufen der Gerätebatterie, nämlich einem Batteriestrom, einer Batteriespannung, einer Batterietemperatur und einem Ladezustand der Gerätebatterie, und dem internen Batteriezustand bereitstellt. Derartige elektrochemische Batteriemodelle sind beispielsweise aus den Druckschriften US 2016/023,566 , US 2016/023,567 und US 2020/150,185 bekannt.
Die internen elektrochemischen Batteriezustände können beispielsweise Schichtdicken (z.B. SEI-Dicke), Änderung des zyklisierbaren Lithiums aufgrund von Anode/Kathode-Nebenreaktionen, schneller Verbrauch von Elektrolyten, langsamer Verbrauch von Elektrolyten, Verlust des Aktivmaterials in Anode, Verlust des Aktivmaterials in Kathode, etc.... umfassen.
Weiterhin sind Alterungszustandsmodelle zur Berechnung eines Alterungszustands bekannt, die sich an das Differentialgleichungssystem des elektrochemischen Batteriemodells anlehnen und genutzt werden, den Alterungszustand (SOH: State of Health) der Gerätebatterie mithilfe eines Zeitintegrationsverfahrens abhängig von den Betriebsgrößenverläufen zu bestimmen.
Der Alterungszustand (SOH: State of Health) ist bei Gerätebatterien die Schlüsselgröße zur Angabe einer verbleibenden Batteriekapazität oder verbleibenden Batterieladung. Der Alterungszustand stellt ein Maß für die Alterung bzw. Leistungsfähigkeit der Gerätebatterie dar. Im Falle einer Gerätebatterie oder eines Batterie-Moduls oder einer Batteriezelle kann der Alterungszustand als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) angegeben werden. Die Kapazitätserhaltungsrate SOH-C, d. h. der kapazitätsbezogene Alterungszustand, ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität der vollständig aufgeladenen Batterie angegeben und nimmt mit zunehmender Alterung ab. Alternativ kann der Alterungszustand als Anstieg des Innenwiderstands (SOH-R) bezüglich eines Innenwiderstands zu einem Lebensdauerbeginn der Gerätebatterie angegeben werden. Die relative Änderung des Innenwiderstands SOH-R steigt mit zunehmender Alterung der Batterie an.
Für die Nutzung eines Anomalieerkennungsmodells für die Anomalieüberprüfung einer Gerätebatterie zu einem bestimmten Zeitpunkt wird aus den zugehörigen Betriebsgrößenverläufen ein Überwachungsmerkmalspunkt ermittelt, der aus mehreren der obigen Betriebsmerkmale gebildet wird. Die Überwachungsmerkmale können beispielsweise ein oder mehrere der oben genannten Betriebsmerkmale, einen Alterungszustand und/oder einen oder mehrere interne elektrochemische Batteriezustände umfassen. Dieser Überwachungsmerkmalspunkt entspricht dem Abfragepunkt für den trainierten Autoencoder bzw. Variational Autoencoder.
Wird anhand einer Auswertung eines Überwachungsmerkmalspunkts festgestellt, dass eine Anomalie, d.h. ein bestimmter Fehler, für einen bestimmten Auswertungszeitpunkt besteht, kann eine Warnung an die Nutzer des technischen Geräts ausgegeben werden oder die Funktion des technischen Geräts ganz oder teilweise eingeschränkt werden.
Der Autoencoder bzw. Variational Autoencoder kann einen Encoder-Teil und einen Decoder-Teil aufweisen, die jeweils als neuronales Netz und/oder Gaußprozessmodell ausgebildet sind.
Zur Nutzung des Autoencoder bzw. des Variational Autoencoders als Anomalieerkennungsmodell muss dieses in geeigneter Weise mit Trainingsdatensätzen trainiert werden.
Es kann vorgesehen sein, dass der Autoencoder bzw. der Variational Autoencoder mit realen Trainingsdatensätzen vortrainiert oder weiter trainiert wird, wobei die realen Trainingsdatensätzen sich aus Betriebsgrößenverläufen von Gerätebatterien ergeben, für die während einer vorbestimmten zurückliegenden Zeitdauer keine Anomalie oder Fehler festgestellt worden ist.
Zum Bereitstellen von realen Trainingsdatensätzen für das unsupervised Trainieren des Autoencoder bzw. des Variational Autoencoders werden aus den im Realbetrieb betriebenen Gerätebatterien diejenigen ausgewählt, die für eine vorbestimmte zurückliegende Zeitdauer, wie zum Beispiel von 3 - 6 Monaten, keine Anomalie gezeigt haben. Derartige Anomalien können beispielsweise durch regelbasierte heuristische Verfahren erkannt werden, beispielsweise bei Auftreten von zu hohen Batterietemperaturen, bei Auftreten eines zu schnellen Entladens oder einer zu starken Alterung. Ferner können Fehler der Gerätebatterie auch in einer Werkstatt, z.B. bei einer Wartung oder Kontrolle, festgestellt werden.
Wie oben beschrieben umfasst ein Betriebsmerkmalspunkt eine Vielzahl von Betriebsmerkmalen, die einen oder mehrere aggregierte Betriebsmerkmale und einen oder mehrere interne Batteriezustände sowie einen Alterungszustand umfassen können. Aufgrund der Komplexität einer Gerätebatterie treten nicht beliebige Kombinationen von Betriebsmerkmalen in der Realität auf, sodass sich im Merkmalsraum für die Betriebsmerkmalspunkte zu Beginn des Trainings des Anomalieerkennungsmodells Bereiche befinden können, für die eine Gerätebatterie noch nicht vermessen wurde oder die im Realbetrieb einer Gerätebatterie nicht auftreten können. Wird eine Gerätebatterie mithilfe des Anomalieerkennungsmodells ausgewertet, deren Batteriezustand mit einem Betriebsmerkmalspunkt beschrieben ist, der sich in einem nicht trainierten Merkmalsbereich des Anomalieerkennungsmodells befindet, so wird ggfs. fälschlicherweise eine Anomalie erkannt.
Um auch in einer Anfangsphase des Modelltrainings des Anomalieerkennungsmodells eine verbesserte Genauigkeit der Anomalieerkennung zu erreichen, wird das Anomalieerkennungsmodell zusätzlich in Betriebsmerkmalsbereichen, die realistischerweise von einer Gerätebatterie erreicht werden können, mit simulierten nicht im Realbetrieb ermittelten Trainingsdatensätzen trainiert. Die simulierten Trainingsdatensätze werden aus künstlichen Betriebsgrößenverläufen gebildet, die realistischen Betriebsgrößenverläufen nachgebildet sind und die zu Betriebsmerkmalspunkten führen, für die eine fehlerfreie Gerätebatterie angenommen wird. Diese simulierten Betriebsmerkmalspunkte können dann für das weitere Training des Autoencoders bzw. des Variational Autoencoders des Anomalieerkennungsmodells verwendet werden.
Die Wahl der simulierten Betriebsmerkmalspunkte als simulierte Trainingsdatensätze ohne zugrunde liegende Betriebsgrößenverläufe ist nicht trivial. Es besteht eine Schwierigkeit darin zu erkennen, ob ein Betriebsmerkmalspunkt realistisch durch einen Realbetrieb einer fehlerfreien Gerätebatterie erreicht werden kann oder ob dieser eine Merkmalskombination von Betriebsmerkmalen beschreibt, die in der Realität nicht oder nur bei fehlerbehafteten Gerätebatterien auftreten können.
Das Analysieren des latenten Zustandsraums des Autoencoders bzw. des Variational Autoencoder kann hinsichtlich aller Trainingsdatensätze so durchgeführt werden, dass geeignete latente Zustandsvektoren des latenten Zustandsraums mithilfe eines Suchverfahren bestimmt werden, für die eine Auswertungsunsicherheit über einer vorgegebenen Mindest-Auswertungsunsicherheit besteht und/oder einen Abstand zu dem nächstliegenden Zustandsvektor aufweist, der größer ist als ein vorgegebener Mindestabstand. Der Abstand kann beispielsweise als euklidische Distanz bestimmt werden.
Geeignete latente Zustandsvektoren können mithilfe einer vorgegebenen Akquisitionsfunktion eines Active-Learning-Verfahrens ermittelt werden. So werden mithilfe des Active-Learning-Verfahrens durch Auswertung einer Auswertungsunsicherheit eines Zustandsvektors des latenten Zustandsraum des Autoencoders bzw. des Variational Autoencoders diejenigen Zustandsvektorbereiche innerhalb des Zustandsraumes aller Zustandsvektoren identifiziert, in denen weitere Trainingsdaten für die Präzisierung des Variational Autoencoder benötigt werden. Active-Learning-Verfahren sind allgemein bekannt. Die hierfür benötige Akquisitionsfunktion basiert bzw. nutzt eine Bewertung einer Auswertungsunsicherheit an einem Punkt im latenten Zustandsraum des aktuellen Trainingszustands des Autoencoders bzw. Variational Autoencoders zur Ermittlung von geeigneten Zustandsvektoren, zu denen ein weiterer Trainingsdatensatz benötigt wird.
Die Auswertungsunsicherheit kann beispielsweise durch Auswertung des latenten Zustandsraum des Autoencoders bzw. Variational Autoencoders ermittelt werden, insbesondere, wenn der Encoder-Teil des Autoencoders bzw. Variational Autoencoders als Gaußprozessmodell ausgebildet ist, auf Grundlage der prädiktiven Kovarianz eines Zustandsvektors im Zustandsraum oder einer vergleichbaren Metrik, die beispielsweise auf einer Datenverteilung und dergleichen basieren kann.
Insbesondere kann eine Unsicherheitsquantifizierung durch Verwenden eines probabilistischen Encoder-Teils des Variational Autoencoders erfolgen.
Z.B. kann bei Verwendung eines GP-VAE, d.h. einen Variational Autoencoder mit Gaußprozess-Encoder-Teil die Unsicherheit durch Auswertung des Betriebsmerkmalspunkts mit dem Gaußprozess-Encoder-Teil hinsichtlich der Unsicherheit/Kovarianz bestimmt werden, wie beispielsweise in Bütepage, J., Maystre, L., Lalmas, M. (2021). Gaussian Process Encoders: VAEs with Reliable Latent-Space Uncertainty. In: Oliver, N., Perez-Cruz, F., Kramer, S., Read, J., Lozano, J.A. (eds) Machine Learning and Knowledge Discovery in Databases. Research Track. ECML PKDD 2021. Lecture Notes in Computer Science, vol 12976. Springer, Cham offenbart. Der Gaußprozess-Encoder-Teil kann parallel zu einem Variational Autoencoder trainiert werden oder direkt als Encoder-Teil eingesetzt werden. Weiterhin können andere bekannte probabilistische Encoder-Ansätze zur Unsicherheits-Quantifizierung eingesetzt werden.
Zusätzlich oder ergänzend können weiterhin Unsicherheits-Quantifizierungs-Techniken eingesetzt werden, wobei Konfidenz-Intervalle für einen auszuwertenden Betriebsmerkmalspunkt kalibriert werden auf Basis eines Kalibrierungs-Datensatzes, welcher mindestens Normal-Daten, und bevorzugt auch Anomalie-Daten, von Gerätebatterien umfasst. Dies ist beispielsweise grundsätzlich in Swami Sankaranarayanan et al., „Semantic uncertainty intervals for disentangled latent spaces“, arXiv:2207.10074 beschrieben.
Wird als Encoder-Teil des Autoencoders ein Gaußprozessmodell verwendet, so kann eine Unsicherheitsquantifizierung basierend auf einer Diagonalmatrix aus der Kovarianzmatrix des zugrundeliegenden Gaußprozessmodells abgeleitet werden. Ein solcher Ansatz ist beispielsweise prinzipiell aus Stefanos Eleftheriadis et al., „Variational Gaussian Process Auto-Encoder for Ordinal Prediction of Facial Action Units“, September 2016, https://arxiv.org/abs/1608.04664 bekannt.
Insbesondere kann zur Ermittlung der geeigneten latenten Zustandsvektoren der Merkmalsraum der latenten Zustandsvektoren durchsucht werden und Zustandsvektorbereiche identifiziert werden, in denen sich kein Zustandsvektor einer realen Gerätebatterie befindet. Hierzu kann der vorzugsweise nieder dimensionale latente Zustandsraum diskretisiert werden und mithilfe eines Unsicherheits-Kriteriums an jedem der diskretisierten Zustandsvektoren bzgl. seiner Unsicherheit oder eines Konfidenz-Maßes, z.B. der prädiktiven Kovarianz, ausgewertet werden, um die geeigneten Zustandsvektoren zu erhalten.
Für die so aufgefundenen Zustandsvektoren werden die Auswertungsunsicherheiten bestimmt. Durch Auswertung der so gefundenen Betriebsmerkmalspunkte hinsichtlich der Auswertungsunsicherheit, zum Beispiel über einen Schwellenwertvergleich mit einem einer Mindest-Auswertungsunsicherheit, kann eine Menge von „geeigneten“ Zustandsvektoren erstellt werden, für die bislang keine Trainingsdatensätze vorliegen und die eine hohe Auswertungsunsicherheit, d. h. eine Auswertungsunsicherheit über der vorgegebenen Mindest-Auswertungsunsicherheit, aufweisen. Auf diese Weise können geeignete Zustandsvektoren ausgewählt werden, für die weitere Trainingsdatensätze bereitgestellt werden sollen.
Die Menge der geeigneten Zustandsvektoren, die für eine Präzisierung des Anomalieerkennungsmodells notwendig sind, können nicht direkt untersucht bzw. vermessen werden, da keine der betrachteten Gerätebatterien im Realbetrieb einen Batteriezustand erreicht hat, der durch den betreffenden geeigneten Zustandsvektor beschrieben wird. Daher ist anfänglich nicht bekannt, ob sich die gefundenen geeigneten Zustandsvektoren durch einen fehlerfreien Betrieb einer Gerätebatterie erreichen lassen oder nicht. Mit anderen Worten, es ist zunächst nicht bekannt, ob die gefundenen geeigneten Zustandsvektoren einer fehlerfreien Gerätebatterie oder einer fehlerbehafteten Gerätebatterie zugeordnet werden können.
Es wird daher versucht, künstliche Betriebsgrößenverläufe zu generieren, die realen, fehlerfrei betriebenen Gerätebatterie entsprechen können, und die zu den geeigneten Zustandsvektoren führen.
Die modellprädiktiven Regelungen zum jeweiligen Ermitteln von Betriebsgrößenverläufen bezüglich des geeigneten latenten Zustandsvektors können so durchgeführt werden, dass diese bei Auswertung mit dem vortrainierten Autoencoder bzw. Variational Autoencoder einen latenten Zustandsvektor ergeben, der einen Abstand zu dem jeweils betrachteten geeigneten latenten Zustandsvektor aufweist, der geringer ist als ein vorgegebener Mindestabstand, wobei der Abstand insbesondere als euklidische Distanz angegeben wird.
Somit kann eine solche Generierung von Zustandsvektoren mithilfe einer modellprädiktiven Regelung vorgenommen werden, wobei das elektrochemische Batteriemodell, ein Alterungszustandsmodell oder ein sonstiges auf Differenzialgleichungen basierendes Modell, das das Batterieverhalten des Typs der betrachteten Gerätebatterien beschreibt, und der Encoder-Teil des Autoencoders bzw. Variational Autoencoders zwecks Projektion in einen niederdimensionalen Zustandsraum zugrunde gelegt werden kann. Die Übertragungsfunktion der modellprädiktiven Regelung wird durch obige Modelle bestimmt.
Die modellprädiktive Regelung stellt einen an sich bekannten iterativen Ansatz dar, durch Simulation einen zeitlichen Betriebsgrößenverlauf zu rekonstruieren, der mit einer in oben beschriebener Weise durchgeführten Auswertung zu dem geeigneten Betriebsmerkmalspunkt führt.
Die modellprädiktive Regelung entspricht einem iterativen Optimierungsverfahren, dass eine Zeitreihe der Betriebsgrößen iterativ so ändert, dass nach Auswerten mit dem auf Differenzialgleichungen basierenden Modell der geeignete Betriebsmerkmalspunkt möglichst erreicht wird. Ein Erreichen des Betriebsmerkmalspunkt ist beispielsweise dann gegeben, wenn der Abstand des mithilfe der simulierten Betriebsgrößenverläufe erreichte Betriebsmerkmalspunkt zu dem zu erreichenden geeigneten Betriebsmerkmalspunkt einen vorgegebenen Abstandsschwellenwert unterschreitet. Der Abstand kann beispielsweise als Euklidische Distanz angegeben werden.
Es kann vorgesehen sein, dass die modelprädiktive Regelung Nutzungsmerkmale iterativ variiert, wobei aus den Nutzungsmerkmale mithilfe eines datenbasierten oder regelbasierten Nutzungsmodells künstliche Betriebsgrößenverläufe generiert werden. Die Nutzungsmerkmale können beispielsweise ein Fahrverhalten, ein Ladeverhalten (häufiges oder seltenes Schnellladen), eine Ladehäufigkeit, eine durchschnittliche Betriebstemperatur der durchschnittliche Ladehub bei einem auf Ladevorgang einen durchschnittlichen Leistungsumsatz charakterisieren. Die Variation eines oder mehrerer der Nutzungsmerkmale kann durch Auswahl von Nutzungskategorien wie beispielsweise von Bereichen eines durchschnittlichen Leistungsumsatzes (in Ah) oder einer durchschnittlichen Betriebstemperatur, wie zum Beispiel zwischen 20 und 30 °C, erfolgen. Weiterhin kann die Variation eines oder mehrerer der Nutzungsmerkmale auch frei variabel erfolgen.
Die Betriebsgrößenverläufe können basierend auf den durch die modellprädiktive Regelung ausgewählten Nutzungsmerkmale durch Aneinanderreihen von vordefinierten Ladezyklen, Ruhezyklen und Betriebszyklen erfolgen, die jeweils Zeitabschnitte vorbestimmter Betriebsgrößenverläufe definieren und die durch die Kombination der durch die modellprädiktive Regelung ausgewählten Nutzungsmerkmale entsprechend dem Nutzungsmodell bestimmt sind. Als Ladezyklen können Aufladevorgänge mit unterschiedlichen Ladeleistungen, als Ruhezyklen Zeitdauern ohne Leistungsübertragung mit unterschiedlichen Zeitdauern und als Betriebszyklen Entladeleistungen gemäß unterschiedlicher Lastprofile und unterschiedlicher Zeitdauern vordefiniert vorgegeben sein. Das Nutzungsmodell ermittelt nun datenbasiert oder regelbasiert oder gemäß einfacher Zuordnung aus den ausgewählten Nutzungsmerkmalen eine Abfolge von ausgewählten Ladezyklen, Ruhezyklen und Betriebszyklen aus, um so einen künstlichen Betriebsgrößenverlauf zu erzeugen.
Mittels numerischer Optimierung ist die hinreichend genaue Simulation eines Betriebspunktes oder einer Betriebsgröße möglich. Üblicherweise wird ein Abbruch-Kriterium zur Iterations-Häufigkeit gesetzt, z.B. n_max = 12, das sicherstellt, dass das Verfahren schließlich terminiert.
Die Betriebsgrößenverläufe, die z.B. zur Nutzung des auf Differenzialgleichungen basierenden Modells benötigt werden, umfassen bei Gerätebatterien einen zeitlichen Batteriestromverlauf, einen zeitlichen Batterietemperaturverlauf, eine Batteriespannung und einen Ladezustand. Durch die modellprädiktive Regelung kann es ausreichend sein, lediglich die zeitlichen Verläufe des Batteriestroms und der Batterietemperatur iterativ zu ermitteln, da die zeitlichen Verläufe der Batteriespannung und des Ladezustand daraus mithilfe eines an sich bekannten Batterie-Performance-Modells bestimmt werden können. Das Batterie-Performance-Modell kann beispielsweise eine Auswertung eines elektrischen Batterie-Ersatzschaltbildes und eine Ladungsintegration umfassen.
Es kann vorgesehen sein, dass das Verfahren der modellprädiktiven Regelung keinen Betriebsgrößenverlauf ergibt, der zu einem Betriebsmerkmalspunkt mit ausreichend geringem Abstand zu dem zu erreichenden geeigneten Betriebsmerkmalspunkt führt. In diesem Fall kann die Simulation für den betreffenden geeigneten Zustandsvektor abgebrochen und der entsprechende geeignete Zustandsvektor verworfen werden.
Die oben beschriebene Vorgehensweise, mithilfe der modellprädiktiven Regelung zu latenten Zustandsvektoren zu gelangen, die zu einem durch einen entsprechenden Betriebsmerkmalspunkt definierten Batteriezustand führen, mit denen das Anomalieerkennungsmodell in vorteilhafterweise weiter präzisiert bzw. nachtrainiert werden kann, wird für alle geeigneten Zustandsvektoren durchgeführt.
Anschließend wird ein weiteres Training des Anomalieerkennungsmodells unter Zugrundelegen der sich aus dem Realbetrieb der fehlerfreien Gerätebatterien ergebenden (reale) Trainingsdatensätze und der simulierten Trainingsdatensätze, die sich für die geeigneten latenten Zustandsvektoren ergeben, durchgeführt. Hierbei können für das Training vorgegebene Unsicherheiten bzw. Zuverlässigkeiten der realen Trainingsdatensätze und der simulierten Trainingsdatensätze angenommen werden. Insbesondere kann für die simulierten Trainingsdatensätze eine geringere Zuverlässigkeit angenommen werden als für die realen Trainingsdatensätze.
Das Verfahren wird regelmäßig durchgeführt, beispielsweise im Abstand von einer bis 20 Wochen, wobei von den im Betrieb befindlichen Gerätebatterien weiterhin Betriebsgrößenverläufe ermittelt werden und Trainingsdatensätze generiert werden, sofern die betreffenden Gerätebatterien innerhalb des vorgegebenen Zeitraums keine Anomalie gezeigt haben.
Das beschriebene Verfahren ermöglicht in vorteilhafterweise bereits mit einer geringen Anzahl von realen Trainingsdatensätzen das Anomalieerkennungsmodell zu trainieren, indem mithilfe von Simulationen Betriebsgrößenverläufe, die zu Betriebsmerkmalspunkten führen, die für das weitere Training bzw. zur Verbesserung des Anomalieerkennungsmodells bevorzugt sind.
Es kann vorgesehen sein, dass ein weiteres Training des Autoencoders bzw. des Variational Autoencoders bei einem neu ermittelten realen Trainingsdatensatz, der zu einem latenten Zustandsvektor im latenten Zustandsraum führt, der sich bezüglich seines Abstands in der Nähe eines latenten Zustandsvektors befindet, der basierend auf einem simulierten Trainingsdatensatz erhalten wurde, so durchgeführt wird, dass der simulierte Trainingsdatensatz durch den realen Trainingsdatensatz ersetzt wird. Sobald im Realbetrieb ein Trainingsdatensatz ermittelt wird, der zu einem latenten Zustandsvektor im latenten Zustandsraum führt, der sich an oder in der Nähe eines latenten Zustandsvektors befindet, der basierend auf einem Trainingsdatensatz aus einer Simulation erhalten wurde, kann der simulierte Trainingsdatensatz durch den auf Grundlage realer Betriebsgrößenverläufe ermittelten Trainingsdatensatz ersetzt werden.
Das Training des Anomalieerkennungsmodells kann in einer gerätefernen Zentraleinheit erfolgen. Die Modellparameter des Anomalieerkennungsmodells können nach jedem Training an die technischen Geräte übermittelt werden, so dass eine Anomalieerkennung in den technischen Geräten ausführbar ist.
Kurzbeschreibung der Zeichnungen
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:

1 eine schematische Darstellung eines Systems zur Bereitstellung von fahrer- und fahrzeugindividuellen Betriebsgrößen zur Erkennung einer aktuellen oder prädizierten Anomalie einer Fahrzeugbatterie in einer Zentraleinheit;
2 eine schematische Darstellung eines funktionalen Aufbaus eines Anomalieerkennungsmodell mit einem Variational Autoencoder zur Erkennung eines aktuellen oder prädizierten Fehlers in einer Fahrzeugbatterie;
3 eine grafische Darstellung eines latenten Zustandsraum für beispielhafte zwei Zustandsgrößen für eine Vielzahl von möglichen Betriebsmerkmalspunkten; und
4 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zum Bereitstellen eines Anomalieerkennungsmodells mithilfe von durch eine Simulation von Betriebsgrößenverläufen erhaltenen simulierten Trainingsdatensätzen.

Beschreibung von Ausführungsformen
Im Folgenden wird das erfindungsgemäße Verfahren anhand von Fahrzeugbatterien als Gerätebatterien in einer Vielzahl von Kraftfahrzeugen als gleichartige Geräte beschrieben. Dazu werden ein oder mehrere elektrochemische Batteriemodelle in der Zentraleinheit basierend auf Betriebsgrößenverläufen ausgewertet und parametriert. In der Zentraleinheit wird ein Anomalieerkennungsmodell trainiert. Das Anomalieerkennungsmodell kann in der Zentraleinheit ausgewertet werden oder die Modellparameter des Anomalieerkennungsmodells können in die Steuergeräte der Fahrzeuge der Fahrzeugflotte übertragen werden, so dass durch kontinuierliche Auswertung des Anomalieerkennungsmodells eine Anomalie frühzeitig erkannt werden kann.
Das obige Beispiel steht stellvertretend für eine Vielzahl von stationären oder mobilen Geräten mit netzunabhängiger Energieversorgung, wie beispielsweise Fahrzeuge (Elektrofahrzeuge, Pedelecs usw.), Anlagen, Werkzeugmaschinen, Haushaltsgeräte, IOT-Geräte und dergleichen, die über eine entsprechende Kommunikationsverbindung (z. B. LAN, Internet) mit einer geräteexternen Zentraleinheit (Cloud) in Verbindung stehen.
1 zeigt ein System 1 zum Sammeln von Flottendaten in einer Zentraleinheit 2 zur Erstellung und zum Betrieb sowie zur Auswertung eines elektrochemischen Batteriemodells zur Modellierung von internen Batteriezuständen der Fahrzeugbatterie, eines Batterie-Performance-Modells zur Modellierung von elektrischen Parametern und eines Alterungszustandsmodells zur Bestimmung eines Alterungszustands einer Fahrzeugbatterie in einem Kraftfahrzeug.
1 zeigt eine Fahrzeugflotte 3 mit mehreren Kraftfahrzeugen 4. Eines der Kraftfahrzeuge 4 ist in 1 detaillierter dargestellt. Die Kraftfahrzeuge 4 weisen jeweils eine Fahrzeugbatterie 41 mit Batteriezellen 45, einen elektrischen Antriebsmotor 42 und eine Steuereinheit 43 auf. Die Steuereinheit 43 ist mit einer Kommunikationseinrichtung 44 verbunden, die geeignet ist, Daten zwischen dem jeweiligen Kraftfahrzeug 4 und einer Zentraleinheit 2 (einer sogenannten Cloud) zu übertragen.
Die Steuereinheit 43 ist insbesondere ausgebildet, um mithilfe eines Batteriemanagementsystems 46 erfasste Betriebsgrößen der Fahrzeugbatterie 41 mit einer hohen zeitlichen Auflösung, wie beispielsweise zwischen 1 und 50 Hz, wie z. B. 10 Hz, zu erfassen und diese über die Kommunikationseinrichtung 44 an die Zentraleinheit 2 zu übermitteln.
Die Kraftfahrzeuge 4 senden an die Zentraleinheit 2 die Betriebsgrößen F, die zumindest Größen angeben, welche den Batteriezustand der Fahrzeugbatterie 41 beeinflussen oder durch diesen beeinflusst werden, und die für eine Bestimmung der internen Batteriezustände, eines Alterungszustands, eine Parametrierung eines elektrochemischen Batteriemodells benötigt werden. Die Betriebsgrößen F können im Falle einer Fahrzeugbatterie einen momentanen Batteriestrom, eine momentane Batteriespannung, eine momentane Batterietemperatur und einen momentanen Ladezustand (SOC: State of Charge) angeben.
Die Betriebsgrößen F werden in einem schnellen Zeitraster von 0,1 Hz bis 50 Hz als Betriebsgrößenverläufe erfasst und können in unkomprimierter und/oder komprimierter Form regelmäßig an die Zentraleinheit 2 übertragen werden. Beispielsweise können die Zeitreihen unter Ausnutzung von Kompressions-Algorithmen zwecks Minimierung des Datenverkehrs zur Zentraleinheit 2 im Abstand von 10 min bis zu mehreren Stunden blockweise an die Zentraleinheit 2 übertragen werden.
Die Zentraleinheit 2 weist eine Datenverarbeitungseinheit 21, in der ein Teil des nachfolgend beschriebenen Verfahrens ausgeführt werden kann, und eine Datenbank 22 zum Speichern von Datenpunkten, Modellparametern, Zuständen und dergleichen auf.
Die Zentraleinheit 2 ist ausgebildet, um die Betriebsgrößenverläufe F zu empfangen. Die Zentraleinheit 2 kann aus den Betriebsgrößenverläufen für die jeweilige Fahrzeugbatterie 41 Batteriezustände ermitteln, wie einen aktuellen Alterungszustand z.B. mithilfe eines Alterungszustandsmodells, einen oder mehrere interne Batteriezuständen z.B. mithilfe eines elektrochemischen Batteriemodells und/oder als Modellparameter eines Batterie-Performance-Modells und/oder ein oder mehrere Betriebsmerkmale als aggregierte oder akkumulierte oder histogrammbasierte Größen als abgeleitete Größen bestimmen.
2 zeigt beispielhaft schematisch den funktionalen Aufbau eines Systems 10 zur Erkennung einer aktuellen oder anstehenden Anomalie in einer Fahrzeugbatterie 41. Das System ist in der Zentraleinheit 2 als Software oder Hardware implementiert und wertet die zeitlichen Betriebsgrößenverläufe (Zeitreihen von Betriebsgrößen) aus, wie beispielsweise den Batteriestrom, die Batteriespannung, den Ladezustand und die Batterietemperatur angeben.
Aus den Betriebsgrößenverläufen F werden für einen aktuellen Auswertungszeitpunkt Betriebsmerkmale M gebildet, die zusammen einen Betriebsmerkmalspunkt definierten. Der Betriebsmerkmalspunkt bestimmt einen aktuellen Batteriezustand. Zur Ermittlung der Betriebsmerkmale können die Betriebsgrößenverläufe mithilfe eines oder mehrerer Batteriemodelle und Merkmalsextraktionsmodelle vorverarbeitet werden, um einen Alterungszustand und/oder ein oder mehrere interne Batteriezustände und/oder ein oder mehrere sonstige abgeleitete Betriebsmerkmale bereitzustellen. Der Alterungszustand, der eine oder die mehreren internen Batteriezustände und/oder der eine oder die mehreren Betriebsmerkmale können einen Überwachungsmerkmalspunkt zu einem Auswertungszeitpunkt bilden.
Die Batteriemodelle können ein oder mehrere der folgenden Modelle umfassen: ein Alterungszustandsmodell 11, ein elektrochemisches Batteriemodell 12 und ein elektrochemisches Batterie-Performance-Modell 13.
So kann in der Zentraleinheit 2 das Alterungszustandsmodell 11 implementiert sein, das als hybrides Modell teilweise datenbasiert sein kann. Das Alterungszustandsmodell 11 kann regelmäßig, d. h. z. B. nach Ablauf der jeweiligen Auswertungszeitdauer, verwendet werden, um basierend auf den zeitlichen Verläufen der Betriebsgrößen (jeweils seit Inbetriebnahme der jeweiligen Fahrzeugbatterie oder ausgehend von einem Zustand bekannter Batteriezustände) und daraus ermittelten Betriebsmerkmalen M eine Ermittlung der momentanen Alterungszustände der betreffenden Fahrzeugbatterie 41 der zugeordneten Fahrzeugflotte 3 vorzunehmen.
Das Alterungszustandsmodell 11 umfasst ein physikalisches Alterungsmodell 11a und ein datenbasiertes Korrekturmodell 11 b. Bei dem physikalischen Alterungsmodell 11a handelt es sich um ein nichtlineares, mathematisches Modell, das auf Differentialgleichungen basiert und durch Zeitintegrationsverfahren einen physikalischen Alterungszustand berechnet. Das physikalische Alterungsmodell entspricht einer Variante eines elektrochemischen Batteriemodells. Das Auswerten des physikalischen Alterungsmodells 11a des Alterungszustandsmodells 11 mit Betriebsgrößenverläufen, insbesondere seit Lebensdauerbeginn der Fahrzeugbatterie, führt dazu, dass sich ein interner Zustand des Gleichungssystems der physikalischen Differentialgleichungen einstellt, der einem physikalischen internen Batteriezustand der Fahrzeugbatterie entspricht. Da das physikalische Alterungsmodell 11 a auf physikalischen und elektrochemischen Gesetzmäßigkeiten basiert, können die Modellparameter des physikalischen Alterungsmodells als Größen angesehen werden, die physikalische Eigenschaften der Fahrzeugbatterie 41 elektrochemische Zustände angeben.
Die Zeitreihen der Betriebsgrößen F der Fahrzeugbatterie 41 gehen also direkt in das physikalische Alterungszustandsmodell 11a ein, welches vorzugsweise als elektrochemisches Modell ausgeführt ist und entsprechende interne elektrochemische Batteriezustände, wie Schichtdicken (z.B. SEI-Dicke), Änderung des zyklisierbaren Lithiums aufgrund von Anode/Kathode-Nebenreaktionen, schneller Verbrauch von Elektrolyten, langsamer Verbrauch von Elektrolyten, Verlust des Aktivmaterials in Anode, Verlust des Aktivmaterials in Kathode, etc...., mithilfe von nichtlinearen Differentialgleichungen und einem mehrdimensionalem Zustandsvektor modelliert.
Die durch das physikalische Alterungsmodell 11a bereitgestellten Modellwerte für den physikalischen Alterungszustand sind jedoch in bestimmten Situationen ungenau, und es kann daher vorgesehen sein, diese mit einer Korrekturgröße zu korrigieren. Die Korrekturgröße wird von dem datenbasierten Korrekturmodell 11b bereitgestellt, das mithilfe von Trainingsdatensätzen aus den Fahrzeugen 4 der Fahrzeugflotte 3 und/oder mithilfe von Labordaten trainiert wird. Insbesondere der physikalische Alterungszustand und die Korrekturgröße in einem Summierblock addiert oder ansonsten auch multipliziert (nicht gezeigt) werden, um einen Alterungszustand SOH als Zustandsgröße für die Fahrzeugbatterie 41 auszugeben.
Das Korrekturmodell 11b erhält eingangsseitig Betriebsmerkmale M, die mithilfe eines Merkmalsextraktionsblock 14 aus den Verläufen der Betriebsgrößen/Zellen-Betriebsgrößen F ermittelt werden und auch einen oder mehrere der internen elektrochemischen Zustände des Differentialgleichungssystems des physikalischen Modells umfassen können. Weiterhin kann das Korrekturmodell 11b eingangsseitig den aus dem physikalischen Alterungsmodell 11 a erhaltenen physikalischen Alterungszustand erhalten.
Die Betriebsmerkmale M des aktuellen Auswertungszeitraums können in einem Merkmalsextraktionsblock 14 basierend auf den zeitlichen Betriebsgrößenverläufen F erzeugt werden. Zu den Betriebsmerkmalen M zählen weiterhin die inneren Zustände aus dem Zustandsvektor des elektrochemischen physikalischen Alterungsmodells 11a sowie vorteilhafterweise der physikalische Alterungszustand.
Das Merkmalsextraktionsmodell 14 ermöglicht das Aggregieren der Betriebsgrößenverläufe zu aggregierten Betriebsmerkmalen, wie beispielsweise in Bezug auf das hybride Alterungszustandsmodell 11 zuvor beschrieben. Insbesondere können die Betriebsmerkmale Zustandsmerkmale und histogrammbasierte Merkmale umfassen.
Die Betriebsmerkmale M können beispielsweise auf einen Auswertungszeitraum bezogene Merkmale und/oder über einen Auswertungszeitraum akkumulierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen umfassen, die von den Betriebsgrößenverläufen abgeleitet werden. Insbesondere können die Betriebsmerkmale beispielsweise umfassen: elektrochemische Zustände, wie z. B. SEI-Schichtdicke, Änderung von zyklisierbarem Lithium aufgrund von Anoden/Kathoden-Nebenreaktionen, schnelle Aufnahme von Elektrolytlösungsmitteln, langsame Aufnahme von Elektrolytlösungsmitteln, Lithiumabscheidung, Verlust von aktivem Anodenmaterial und Verlust von aktivem Kathodenmaterial, Informationen zu Impedanzen bzw. den Innenwiderständen, Histogrammmerkmale, wie Temperatur über Ladezustand, Ladestrom über Temperatur und Entladestrom über Temperatur, insbesondere mehrdimensionale Histogrammdaten bezüglich der Batterietemperaturverteilung über dem Ladezustand, der Ladestromverteilung über der Temperatur und/oder der Entladestromverteilung über der Temperatur, den Stromdurchsatz in Amperestunden, die akkumulierte Gesamtladung (Ah), eine durchschnittliche Kapazitätszunahme bei einem Ladevorgang (insbesondere für Ladevorgänge, bei denen die Ladungszunahme über einem Schwellenanteil [z. B. 20 % ΔSOC] der gesamten Batteriekapazität liegt), die Ladekapazität sowie ein Extremwert (z. B. Maximum) der differentiellen Kapazität während eines gemessenen Ladevorgangs mit ausreichend großem Hub des Ladezustands (geglätteter Verlauf von dQ/dU: Ladungsänderung dividiert durch Änderung der Batteriespannung) oder die akkumulierte Fahrleistung. Diese Größen werden vorzugsweise so umgerechnet, dass sie das reale Nutzungsverhalten bestmöglich charakterisieren und im Merkmalsraum normiert sind. Die Betriebsmerkmale M können insgesamt oder nur teilweise für das Korrekturmodell 11b verwendet werden.
Das Trainieren des hybriden Alterungszustandsmodells erfolgt in der Zentraleinheit 2. Dazu werden Trainingsdatensätze definiert, die Zellen-Betriebsgrößenverläufe einem empirisch oder modellbasiert ermittelten Alterungszustand als Label zuordnen. Diese dienen dazu Parameter des physikalischen Alterungsmodells zu fitten und das Korrekturmodell auf das verbleibende Residuum zu trainieren.
Die Ermittlung eines Alterungszustands als Label kann in an sich bekannter Weise durch Auswertung der Betriebsgrößenverläufe mit einem zusätzlichen Alterungsmodell in dem Fahrzeug oder in der Zentraleinheit 2 unter definierten Last- und Umgebungs-Bedingungen einer Labelerzeugung erfolgen, wie z. B. in einer Werkstatt, auf einem Prüfstand oder einem Diagnose- oder Labelerzeugungsmodus, der einen Betriebsmodus darstellt und das Einhalten vorbestimmter Betriebsbedingungen der Fahrzeugbatterie, wie z. B. konstanter Temperatur, konstanter Strom und dergleichen garantiert. Beispielsweise kann der Alterungszustand durch Coloumb-Counting zur Ermittlung einer verbleibenden Gesamtkapazität der Fahrzeugbatterie ermittelt werden.
Alternativ oder zusätzlich kann in der Zentraleinheit 2 ein elektrochemisches Batteriemodell 12 verwendet werden, um interne Batteriezustände zu modellieren. Das elektrochemische Batteriemodell basiert auf einem Differentialgleichungssystem mit einer Mehrzahl von nichtlinearen Differentialgleichungen. Die Betriebsgrößendaten ermöglichen eine Modellierung eines aktuellen Batteriezustands mithilfe eines Zeitintegrationsverfahrens. Derartige elektrochemische Batteriemodelle sind beispielsweise aus den Druckschriften US 2016/023,566 , US 2016/023,567 und US 2020/150,185 bekannt.
Das elektrochemische Batteriemodell 12 kann durch seine Modellparameter charakterisiert sein und einen internen Zustand der Fahrzeugbatterie 41 modellieren. Das elektrochemischen Batteriemodell basiert auf elektrochemischen durch die Modellparameter parametrierten Modellgleichungen, welche elektrochemische Zustände eines nichtlinearen Differentialgleichungs-Systems charakterisieren und fortlaufend gemäß einem Zeitintegrationsverfahren ausgewertet werden können.
Das elektrochemische Batteriemodell 12 kann in Ruhephasen und in dynamischen Betriebsphasen an die Betriebsgrößenverläufe z. B. mithilfe eines Least-Square-Verfahrens oder Ähnlichem angefittet werden. Das elektrochemische Batteriemodell 12 kann Batteriezustände modellieren und durch Modellparameter, insbesondere Gleichgewichtsparameter und kinetische Parameter, beschrieben sein. Die Modellparameter können in regelmäßigen zeitlichen Abständen durch Fitten neu parametriert werden, insbesondere wenn Betriebsgrößenverläufe mit hoher Abtastrate für einen definierten Zeitabschnitt von mindestens einigen (z. B. drei) Stunden vorliegen. Derartige Modellparameter des Batteriemodells 12 können als interne Batteriezustände interpretiert werden.
Das elektrochemische Batterie-Performance-Modell 13 entspricht allgemein einem Beobachtermodell, das einen Batteriestrom und eine Batterietemperatur einer Batteriespannung zuordnet, mit dem Ziel eine Dynamik der Batterie zu beschreiben. Das elektrochemische Batterie-Performance-Modell 13 kann an die Betriebsgrößenverläufe z. B. mithilfe eines Least-Square-Verfahrens oder Ähnlichem angefittet werden. Das Batterie-Performance-Modell 13 kann durch Modellparameter beschrieben werden, die sich durch Fitten an die Betriebsgrößenverläufe ergeben. Derartige Modellparameter des Batterie-Performance-Modells 13 können als von dem Betriebsgrößenverlauf abgeleitete Betriebsmerkmale interpretiert werden.
Aus der Auswertung der oben beschriebenen Modelle zu einem bestimmten Auswertungszeitpunkt ergeben sich Betriebsmerkmale für eine Auswertung eines Anomalieerkennungsmodells 15, die eine oder mehrere der folgenden Größen umfassen: der Alterungszustand SOH, ein oder mehrere internen Batteriezustände des elektrochemischen Batteriemodells, ein oder mehrere Modellparameter des Batterie-Performance-Modells und/oder ein oder mehrere aggregierte oder statistische Betriebsmerkmale.
Das Anomalieerkennungsmodell 15 umfasst einen Variational Autoencoder 16 und einen Auswertungsblock 17.
Die Eingangsgrößen für das Anomalieerkennungsmodell 15 werden als Überwachungsbetriebsmerkmalspunkt als Vektor aus den Betriebsmerkmalen bereitgestellt. Der Variational Autoencoder 16 kann einen datenbasierten Encoder-Teil 161 und einen datenbasierten Decoder-Teil 162 aufweisen. Sowohl Encoder-Teil 161 als auch Decoder-Teil 162 können als datenbasierte Modell wie beispielsweise in Form eines neuronalen Netzes, eines Gaußprozessmodells oder dergleichen ausgebildet sein. Vorzugsweise ist der Encoder-Teil 161 als probabilistisches datenbasiertes Modell, insbesondere als Gaußprozessmodell ausgebildet.
Bei einem Variational Autoencoder erfolgt das Training unter Berücksichtigung einer Verteilung von Zuständen im latenten Zustandsraum 163 zwischen dem Encoder-Teil 161 und dem Decoder-Teil 162. Der latente Zustandsraum wird durch eine Anzahl von Zustandsgrößen µ_x und deren Kovarianzen σ_x angegeben.
Der diskretisierte Merkmalsraum kann über eine kalibrierte Unsicherheitsmodellierung bzgl. der jeweiligen Konfidenz bewertet werden. Vorzugsweise wird hierzu die prädiktive Kovarianz des Gauß-Prozess Encoder-Teils herangezogen.
Es kann vorgesehen sein, dass die Ungenauigkeit einer Vorhersage bei Auswertung für einen Zustandsvektor in Form einer Differenzierung zwischen dem Zustandsvektor und den Zustandsvektoren der realen Betriebsmerkmalspunkte aller Trainingsdatensätze mithilfe des Gaußprozesses erfolgt.
Die Verwendung des Variational Autoencoders 16 ermöglicht es, dass der latente Zustandsraum interpretierbar ist hinsichtlich seiner Auswertungsunsicherheit. Die Auswertungsunsicherheit kann beispielsweise als prädiktive Kovarianz des latenten Zustandsvektor oder mithilfe einer vergleichbaren Metrik angegeben werden.
Beispielsweise ist in 3 für zwei Zustandsgrößen des latenten Zustandsraum Z1, Z2 eine beispielhafte Verteilung von Trainingsdatenpunkte TR und Validierungsdatenpunkte TE angegeben. Man erkennt die Dichteunterschiede der Verteilung der Datenpunkte im latenten Zustandsraum.
In dem Auswertungsblock 17 erfolgt die Auswertung des Überwachungsmerkmalspunkts durch eine Auswertung des sich ergebenden Zustandsvektors des latenten Zustandsraums des Variational Autoencoders oder eines sich ergebenden Rekonstruktionsfehlers. Beispielsweise kann bei einer entsprechenden Abweichung des latenten Zustandsvektors im latenten Zustandsraum von einem Vorgabevektor aus den Zustandsgrößen µ_x (und deren Kovarianzen σ_x) oder bei einer entsprechenden Abweichung eines Rekonstruktionsvektors ausgangsseitig des Decoder-Teils 162 vom Überwachungsmerkmalspunkt um mehr als einen vorgegebenen Schwellenwert eines Abstands (zum Beispiel einer euklidischen Distanz) eine Anomalie einer Fahrzeugbatterie ermittelt werden.
Der Variational Autoencoder 16 kann in an sich bekannter Weise durch Minimierung des Rekonstruktionsfehlers unter der Nebenbedingung einer Minimierung einer Kullback-Leibler-Divergenz KL basierend auf Trainingsdatensätzen trainiert werden, wie folgt: $\begin{array}{l} (μ_{x}^{*}, σ_{x}^{*}) \in arg min KL (q (z | x) ‖ p (z | x)) \\ = {arg max E}_{z ~ q (z | x)} [log p (z | x)] - KL (q (z | x) ‖ p (z)) \end{array}$
wobei p(z) der Prior Verteilung des latenten Zustandsvektors z und q(z/x) der Posterior Verteilung des latenten Zustandsvektors bei gegebenen Überwachungsmerkmalspunkt x entsprechen.
Die Trainingsdatensätze ergeben sich durch Bestimmen eines Betriebsmerkmalspunkts basierend auf erfassten Betriebsgrößenverläufen einer im Realbetrieb betriebenen Fahrzeugbatterie 41, für die für einen zurückliegenden Zeitraum von zum Beispiel zwischen 3 und 6 Monaten keine Anomalien festgestellt wurde. Diese Betriebsmerkmalspunkte stellen die realen Trainingsdatensätzen für das Trainieren des oben beschriebenen Variational Autoencoder 16 dar.
Zur Verbesserung des Anomalieerkennungsmodells 15 wird im Folgenden ein Verfahren in Verbindung mit dem Flussdiagramm der 4 beschrieben.
In Schritt S1 werden von einer Vielzahl der Fahrzeugbatterien 41 Betriebsgrößenverläufe erfasst. Betriebsgrößenverläufe von Fahrzeugbatterien, für die eine Anomalie festgestellt wurde, werden verworfen. Die Anomalie kann mithilfe herkömmlicher Verfahren regelbasiert oder durch Untersuchung der Fahrzeugbatterie 41 in einer Werkstatt zum Beispiel bei einer Wartung erkannt werden.
Zu einem vorgegebenen Auswertungszeitpunkt werden in Schritt S2 entsprechend der oben beschriebenen Vorgehensweise mithilfe der Modelle 11,12, 13 und 14 zu den Betriebsgrößenverläufen jeder der fehlerfreien Fahrzeugbatterie 41 Betriebsmerkmale ermittelt und diese als Betriebsmerkmalspunkte bereitgestellt. Die Betriebsmerkmalspunkte der fehlerfreien Fahrzeugbatterien 41 stellen reale Trainingsdatensätze dar.
In Schritt S3 wird der Variational Autoencoder 16 des Anomalieerkennungsmodells 15 entsprechend einem an sich bekannten Verfahren insbesondere unter Nutzung der Kullback-Leibler-Divergenz initial trainiert.
In Schritt S4 werden basierend auf einem Active-Learning-Verfahren geeignete latente Zustandsvektoren ermittelt, die den Variational Autoencoder 16 in vorteilhafter Weise verbessern. Um den geeigneten latenten Zustandsvektor zu erhalten, muss ein geeigneter simulierter Trainingsdatensatz generiert werden, der nach Auswertung in dem Encoder-Teil zu dem geeigneten latenten Zustandsvektor führt.
Dazu wird zunächst der Merkmalsraum des latenten Zustandsvektors des aktuellen Trainingszustands des Variational Autoencoders 16 analysiert und der gültige Zustandsraum ermittelt, in denen Zustandsvektoren von gültigen Betriebsmerkmalspunkten von fehlerfreien Fahrzeugbatterien 41 liegen müssen. In 3 ist am Beispiel von zwei latenten Zustandsgrößen eine Grenze G des latenten Zustandsraums dargestellt.
Die Grenze G des latenten Zustandsraums wird üblicherweise festgelegt durch die möglichen Einsatz-Szenarien der Gerätebatterie, sprich wie sich Lastspektren, z.B. zu Temperatur, Strom, mechanische Beanspruchung, etc. die Betriebsgrößen übertragen.
Es wird nun der gültige latente Zustandsraum nach Zustandsvektorbereichen durchsucht, in denen ein Auswertungsunsicherheitsmaß hoch ist, d.h. über einem vorgegebenen Schwellenwert liegt. Aus diesen Zustandsvektorbereichen werden Zustandsvektoren ausgewählt, die als geeignete Zustandsvektoren für eine Verbesserung des Frühwarnsystems 16 simuliert werden sollen. Beispielsweise m wird mithilfe eines Suchverfahrens im begrenzten latenten Zustandsraum diejenigen Zustandsvektoren gesucht, deren Auswertungsunsicherheit größer als eine vorgegebene Mindest-Auswertungsunsicherheit ist, wobei die Auswertungsunsicherheit vorzugsweise auf Basis der prädiktiven Kovarianz ermittelt wird.
In Schritt S5 wird nun für jeden der geeigneten Zustandsvektoren eine modellprädiktive Regelung simulativ durchgeführt, um Betriebsgrößenverläufe zu ermitteln, die nach Bilden des Betriebsmerkmalspunkts mit den entsprechenden Betriebsmerkmalen mit dem Alterungszustandsmodell 11, dem elektrochemischen Batteriemodell 12, dem elektrochemischen Batterie-Performance-Modell 13 und dem Merkmalsextraktionsblock und anschließender Auswertung durch den Encoder-Teil 161 des trainierten Variational Autoencoders 16 zu dem geeigneten Zustandsvektor führt. Die modellprädiktive Regelung entspricht einem iterativen Optimierungsverfahren, das die Zeitreihe der Betriebsgrößen sukzessive ändert, um den resultierenden Zustandsvektor an den betrachteten geeigneten Zustandsvektor anzunähern.
Zur Ermittlung der künstlichen Betriebsgrößenverläufe kann die modellprädiktive Regelung Nutzungsmerkmale variieren, aus denen mithilfe eines geeigneten Nutzungsmodells Betriebsgrößenverläufe abgeleitet werden. Die Nutzungsmerkmale können beispielsweise ein Fahrverhalten, ein Ladeverhalten (häufiges oder seltenes Schnellladen), eine Ladehäufigkeit, eine durchschnittliche Betriebstemperatur der durchschnittliche Ladehub bei einem auf Ladevorgang einen durchschnittlichen Leistungsumsatz charakterisieren. Die Variation eines oder mehrerer der Nutzungsmerkmale kann durch Auswahl von Nutzungskategorien wie beispielsweise von Bereichen eines durchschnittlichen Leistungsumsatzes oder einer durchschnittlichen Betriebstemperatur, wie zum Beispiel zwischen 20 und 30 °C, erfolgen. Weiterhin kann die Variation eines oder mehrerer der Nutzungsmerkmale auch frei variabel erfolgen.
Die Betriebsgrößenverläufe können basierend auf den durch die modellprädiktive Regelung ausgewählten Nutzungsmerkmale durch Aneinanderreihen von vordefinierten Ladezyklen, Ruhezyklen und Betriebszyklen erfolgen, die jeweils Zeitabschnitte vorbestimmter Betriebsgrößenverläufe definieren und die durch die Kombination der durch die modellprädiktive Regelung ausgewählten Nutzungsmerkmale entsprechend dem Nutzungsmodell bestimmt sind. Als Ladezyklen können Aufladevorgänge mit unterschiedlichen Ladeleistungen, als Ruhezyklen Zeitdauern ohne Leistungsübertragung mit unterschiedlichen Zeitdauern und als Betriebszyklen Entladeleistungen gemäß unterschiedlicher Lastprofile und unterschiedlicher Zeitdauern vordefiniert vorgegeben sein. Das Nutzungsmodell ermittelt nun datenbasiert oder regelbasiert aus den ausgewählten Nutzungsmerkmalen eine Abfolge von ausgewählten Ladezyklen, Ruhezyklen und Betriebszyklen aus, um so einen künstlichen Betriebsgrößenverlauf zu erzeugen.
Als Betriebsgrößenverläufe ist es ausreichend, ein Verlauf des Batteriestroms und der Batterietemperatur Simulation vermittelt werden. Mithilfe des Batterie-Performance- Modells können daraus resultierenden Verläufe der Batteriespannung und des Ladezustand bestimmt werden, um so die für die Batteriemodelle genutzten Eingangsgrößen bereitzustellen.
Die modellprädiktive Regelung führt zu einem Zustandsvektor, der dem geeigneten Zustandsvektor entspricht oder sich diesem annähert. Die modellprädiktive Regelung zur Simulation von Betriebsgrößenverläufen wird abgebrochen, wenn keine weitere Annäherung an den geeigneten Zustandsvektor erreicht werden kann. Die sich ergebenden Betriebsgrößenverläufe können nach Umrechnung in einen entsprechenden Betriebsmerkmalspunkt als simulierter Trainingsdatensatz verwendet werden. Alternativ kann der simulierte Trainingsdatensatz verworfen werden, wenn der resultierende Zustandsvektor um mehr als einen vorbestimmten Mindestabstand von dem betrachteten geeigneten Zustandsvektor abweicht und somit festgestellt wird, dass der betreffende Betriebsmerkmalspunkte keine oder nur eine geringe Verbesserung des Variational Autoencoder 16 ermöglicht.
Anschließend wird in Schritt S6 der Autoencoder 16 mit den simulierten Trainingsdatensätzen (Betriebsmerkmalspunkten) nachtrainiert oder gemeinsam mit den realen Trainingsdatensätzen neu trainiert.
In Schritt S7 wird überprüft, ob seit dem letzten Modelltraining eine vorbestimmte Zeitdauer von beispielsweise zwischen einer und 20 Wochen vergangen ist. Ist dies der Fall (Alternative: Ja) wird das Verfahren mit Schritt S4 zyklisch fortgesetzt andernfalls wird zu Schritt S7 zurückgesprungen.
Nach dem Erstellen des Anomalieerkennungsmodells 15 können Modellparameter an die Fahrzeuge 4 übermittelt werden, so dass das Anomalieerkennungsmodell 15 dort ausgeführt werden kann. Die Modellparameter können nach jedem Aktualisieren des Anomalieerkennungsmodells 15 in der Zentraleinheit 2 in den Fahrzeugen 4 aktualisiert werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
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.
Zitierte Patentliteratur

US 2016023566 [0005, 0023, 0085]
US 2016023567 [0005, 0023, 0085]
US 2020150185 [0005, 0023, 0085]
DE 102019208372 A1 [0009]

Zitierte Nicht-Patentliteratur

Bütepage, J., Maystre, L., Lalmas, M. (2021). Gaussian Process Encoders: VAEs with Reliable Latent-Space Uncertainty. In: Oliver, N., Perez-Cruz, F., Kramer, S., Read, J., Lozano, J.A. (eds) Machine Learning and Knowledge Discovery in Databases. Research Track. ECML PKDD 2021. Lecture Notes in Computer Science, vol 12976 [0040]

Claims

Computer-implementiertes Verfahren zum Bereitstellen eines Anomalieerkennungsmodells (15) zum Erkennen einer Anomalie einer Gerätebatterie (41) in einem technischen Gerät (4), wobei das Anomalieerkennungsmodell (15) einen Autoencoder oder Variational Autoencoder (16), insbesondere mit einem Gaußprozess-Encoder, umfasst, mit folgenden Schritten: - Bereitstellen (S3) des Anomalieerkennungsmodells (15) mit einem mit realen Trainingsdatensätzen vortrainierten Autoencoder bzw. Variational Autoencoder (16) zur Erkennung einer Anomalie in einem bestimmten Typ von Gerätebatterien (41), wobei der Autoencoder bzw. der Variational Autoencoder (16) mit Trainingsdatensätzen trainiert ist, die Betriebsmerkmalspunkte umfassen, die jeweils durch eine Vielzahl von Betriebsmerkmalen definiert sind; - Analysieren (S4) des latenten Zustandsraums des Autoencoders bzw. des Variational Autoencoders (16) hinsichtlich aller Trainingsdatensätze, um geeignete latente Zustandsvektoren des latenten Zustandsraums zu bestimmen, für die eine hohe Auswertungsunsicherheit besteht; - für jeden der geeigneten latenten Zustandsvektoren, Durchführen (S5) einer modellprädiktiven Regelung zum Ermitteln von künstlichen Betriebsgrößenverläufen, die bei Anwendung des Autoencoders bzw. des Variational Autoencoder (16) einen latenten Zustandsvektor ergeben, der möglichst nahe an dem betrachteten geeigneten latenten Zustandsvektor liegt; - Ermitteln (S5) von Betriebsmerkmalspunkten als simulierte Trainingsdatensätze aus den ermittelten Betriebsgrößenverläufen; - Trainieren oder Nachtrainieren (S6) des Autoencoders bzw. des Variational Autoencoders (16) mit den simulierten Trainingsdatensätzen.
Verfahren nach Anspruch 1, wobei die Betriebsmerkmale einen von den Betriebsgrößenverläufen abgeleiteten Alterungszustand (SOH) und/oder einen oder mehrere interne elektrochemische Batteriezustände, die von den Betriebsgrößenverläufen mithilfe eines auf einem Differenzialgleichungssystem basierenden Batteriemodells bestimmt sind, und/oder einen oder mehrere Modellparameter eines an die Betriebsgrößenverläufe gefitteten Batterie-Performancemodells und/oder ein oder mehrere aggregierte oder statistische Merkmale der Betriebsgrößenverläufe angegebenen Nutzung umfassen.
Verfahren nach Anspruch 1 oder 2, wobei das Analysieren des latenten Zustandsraums des Autoencoders bzw. des Variational Autoencoders (16) hinsichtlich aller Trainingsdatensätze so durchgeführt wird, dass geeignete latente Zustandsvektoren des latenten Zustandsraums mithilfe eines Suchverfahren bestimmt werden, für die eine Auswertungsunsicherheit über einer vorgegebenen Mindest-Auswertungsunsicherheit besteht und/oder einen Abstand zu dem nächstliegenden Zustandsvektor aufweist, der größer ist als ein vorgegebener Mindestabstand.
Verfahren nach Anspruch 3, wobei geeignete latente Zustandsvektoren mithilfe einer vorgegebenen Akquisitionsfunktion eines Active-Learning-Verfahrens ermittelt werden.
Verfahren nach einem der Ansprüche 1 bis 4, wobei das Durchführen der modellprädiktiven Regelungen zum jeweiligen Ermitteln von Betriebsgrößenverläufen bezüglich des geeigneten latenten Zustandsvektors , die bei Auswertung des vortrainierten Autoencoders bzw. Variational Autoencoder (16) einen latenten Zustandsvektor ergeben, der einen Abstand zu dem jeweils betrachteten geeigneten latenten Zustandsvektor aufweist der geringer ist als ein vorgegebener Mindestabstand, wobei der Abstand insbesondere als euklidische Distanz angegeben wird.
Verfahren nach einem der Ansprüche 1 bis 5, wobei der Autoencoder bzw. der Variational Autoencoder (16) mit realen Trainingsdatensätzen vortrainiert oder weiter trainiert wird, wobei die realen Trainingsdatensätzen sich aus Betriebsgrößenverläufen von Gerätebatterien (41) ergeben, für die während einer vorbestimmten zurückliegenden Zeitdauer keine Anomalie oder Fehler festgestellt worden ist.
Verfahren nach Anspruch 6, wobei ein weiteres Training des Autoencoders bzw. des Variational Autoencoders (16) bei einem neu ermittelten realen Trainingsdatensatz, der zu einem latenten Zustandsvektor im latenten Zustandsraum führt, der sich bezüglich seines Abstands in der Nähe eines latenten Zustandsvektors befindet, der basierend auf einem simulierten Trainingsdatensatz erhalten wurde, so durchgeführt wird, dass der simulierte Trainingsdatensatz durch den realen Trainingsdatensatz ersetzt wird.
Verfahren nach einem der Ansprüche 1 bis 7, wobei für das Training vorgegebene Unsicherheiten bzw. Zuverlässigkeiten der realen Trainingsdatensätze und der simulierten Trainingsdatensätze angenommen werden, wobei insbesondere für die simulierten Trainingsdatensätze eine geringere Zuverlässigkeit angenommen wird als für die realen Trainingsdatensätze.
Verfahren nach einem der Ansprüche 1 bis 8, wobei der Autoencoder bzw. der Variational Autoencoder (16) einen Encoder-Teil (161) und einen Decoder-Teil (162) aufweist, die jeweils als neuronales Netz und/oder als probabilistisches datenbasiertes Modell, insbesondere als Gaußprozessmodell, ausgebildet sind, wobei insbesondere der Encoder-Teil (161) als Gaußprozess-Modell ausgebildet ist und die Auswertungsunsicherheit für einen Zustandsvektor sich abhängig von der prädiktiven Kovarianz für diesen Zustandsvektor ergibt, wobei die Auswertungsunsicherheit insbesondere basierend auf einer Diagonalmatrix aus der Kovarianzmatrix des zugrundeliegenden Gaußprozessmodells abgeleitet wird.
Verfahren nach einem der Ansprüche 1 bis 9, wobei die modelprädiktive Regelung Nutzungsmerkmale iterativ variiert, wobei aus den Nutzungsmerkmalen mithilfe eines datenbasierten oder regelbasierten Nutzungsmodells der künstliche Betriebsgrößenverlauf generiert wird.
Verfahren nach einem der Ansprüche 1 bis 10, wobei zum Erkennen einer Anomalie der Autoencoder bzw. der Variational Autoencoder (16) mithilfe eines Auswertungsblock (17) ausgewertet wird, indem ein Rekonstruktionsfehler oder ein latenter Zustandsvektor mithilfe eines Schwellenwertvergleichs eines Abstandswerts bewertet wird.
Verfahren nach einem der Ansprüche 1 bis 11, wobei Modellparameter des Anomalieerkennungsmodells (15) an die technischen Geräte (4) übermittelt werden, so dass eine Anomalieerkennung in den technischen Geräten (4) ausführbar ist.
Vorrichtung zur Durchführung eines der Verfahren nach einem der Ansprüche 1 bis 12.
Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 12 auszuführen.
Maschinenlesbares Speichermedium, umfassend Befehle, die bei der Ausführung durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 12 auszuführen.