DE102023101883A1

DE102023101883A1 - Modellaktualisierungsvorrichtung, Verfahren zum Aktualisieren von Modell und Modellaktualisierungsprogramm

Info

Publication number: DE102023101883A1
Application number: DE102023101883.3A
Authority: DE
Inventors: Nobuyasu Haga
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2022-02-04
Filing date: 2023-01-26
Publication date: 2023-08-10
Also published as: CN116559670A; US20230249582A1; JP2023114373A

Abstract

Eine Modellaktualisierungsvorrichtung, mit: einem Speicher; und einem Prozessor, der mit dem Speicher gekoppelt ist, wobei der Prozessor konfiguriert ist zum: für jedes von mehreren Zielen, Eingeben von Informationen in Bezug auf eine Zustandsgröße einer Batterie in ein er-/gelerntes Modell und Erfassen eines Verschlechterungszustands für eine vorbestimmte Periode; und in einem Fall, in dem ein Zustand, in dem die eingegebene Zustandsgröße ein erstes Kriterium erfüllt, das relativ zu der Zustandsgröße bestimmt ist, und in dem der Verschlechterungszustand ein zweites Kriterium erfüllt, das relativ zu dem Verschlechterungszustand bestimmt ist, mit zumindest einer vorbestimmten Häufigkeit vorliegt, Aktualisieren des er-/gelernten Modells unter Verwendung der Informationen in Bezug auf die Zustandsgröße, die in das er-/gelernte Modell eingegeben wurden.

Description

Hintergrund
Technisches Gebiet
Die vorliegende Offenbarung bezieht sich auf eine Modellaktualisierungsvorrichtung, ein Verfahren zum Aktualisieren eines Modells und ein Modellaktualisierungsprogramm.
Verwandte Technik
Japanische Patentanmeldungsoffenlegungsschrift (JP-A) Nr. 2020-148 560 offenbart eine Technik zum Verbessern einer Vorhersagegenauigkeit beim Vorhersagen der Restnutzungsdauer einer Fahrzeugbatterie. In dieser Technik wird ein Vorhersagemodell basierend auf Lerndaten erfasst, umfassend Zeitreihendaten eines Verschlechterungsindex und einer verbleibenden Nutzungsdauer zu einem vergangenen vorbestimmten Zeitpunkt von einer Fahrzeugbatterie zum Lernen, die das Ende ihrer Betriebsdauer bzw. Haltbarkeit erreicht hat.
Die herkömmliche Technik beschreibt eine Technik in Bezug auf ein Vorhersagen eines Verschlechterungszustands einer Batterie unter Verwendung eines Vorhersagemodells, das unter Verwendung von Lerndaten ge-/erlernt wurde. Wenn jedoch ein Versuch unternommen wird, umfassende bzw. umfangreiche Lerndaten zu sammeln, braucht es Zeit, um ein Diagnosesystem bereitzustellen, das ein Vorhersagemodell einsetzt. Außerdem muss in einem Fall, in dem umfassende bzw. umfangreiche Lerndaten schritt- bzw. stufenweise erfasst werden und das Vorhersagemodell aktualisiert wird, der Zeitpunkt, zu dem das Vorhersagemodell aktualisiert wird, erwogen bzw. bedacht werden.
Kurzfassung
Die vorliegende Offenbarung stellt eine Modellaktualisierungsvorrichtung, ein Verfahren zum Aktualisieren eines Modells und ein Modellaktualisierungsprogramm bereit, die es ermöglichen können, dass ein Modell entsprechend bzw. im Einklang mit dem Modell zu einem angemessenen bzw. passenden Zeitpunkt aktualisiert wird.
Ein erster Aspekt der vorliegenden Offenbarung ist eine Modellaktualisierungsvorrichtung mit: einer Erfassungseinheit, die konfiguriert ist zum, für jedes von einer Vielzahl von Zielen, Eingeben von Informationen in Bezug auf eine Zustandsgröße einer Batterie in ein ge-/erlerntes Modell und Erfassen eines Verschlechterungszustands für eine vorbestimmte Periode; und einer Aktualisierungseinheit, die konfiguriert ist zum Aktualisieren des ge-/ erlernten Modells unter Verwendung der Informationen in Bezug auf die Zustandsgröße, die in das ge-/erlernte Modell eingegeben wurden, in einem Fall, in dem ein Zustand, in dem die eingegebene Zustandsgröße ein erstes Kriterium erfüllt, das relativ bzw. in Beziehung zu der Zustandsgröße bestimmt ist, und in dem der Verschlechterungszustand ein zweites Kriterium erfüllt, das relativ bzw. in Beziehung zu dem Verschlechterungszustand bestimmt ist, mit zumindest einer vorbestimmten Häufigkeit vorliegt.
Die Modellaktualisierungsvorrichtung des ersten Aspekts aktualisiert ein Modell in einem Fall, in dem die eingegebene Zustandsgröße und der erfasste Verschlechterungszustand die Kriterien erfüllen. Dies kann ermöglichen, dass das Modell zu einem angemessenen bzw. passenden Zeitpunkt aktualisiert wird.
In einem zweiten Aspekt der vorliegenden Offenbarung kann, in dem vorgenannten ersten Aspekt, der durch die Erfassungseinheit erfasste Verschlechterungszustand als ein Wahrscheinlichkeitswert einer Verschlechterung in der Periode vorhergesagt werden/sein, der Zustand, in dem das zweite Kriterium erfüllt ist, einer sein von einem ersten Zustand, in dem der Wahrscheinlichkeitswert des Verschlechterungszustands zumindest ein erster Schwellenwert ist, der bezeichnet, dass ein Verschlechterungsmuster umfasst ist, und kleiner als ein zweiter Schwellenwert ist, der als ein Schwellenwert bestimmt ist, für den ein Grad einer Verschlechterung höher ist als für den ersten Schwellenwert, oder einem zweiten Zustand, in dem der Wahrscheinlichkeitswert des Verschlechterungszustands kleiner als der erste Schwellenwert ist, die Erfassungseinheit jeweilige Verschlechterungszustände für jeweilige Informationen in Bezug auf die Zustandsgröße erfassen, die von der Vielzahl von Zielen erhalten werden, und die Aktualisierungseinheit bestimmen, ob der erste Zustand oder der zweite Zustand für jeden der jeweiligen Verschlechterungszustände vorliegt, und ein Verfahren zum Aktualisieren des ge-/erlernten Modells unterscheiden zwischen einem ersten Fall, in dem eine Häufigkeit, die den ersten Zustand darstellt, zumindest eine vorbestimmte Häufigkeit ist, und einem zweiten Fall, in dem eine Häufigkeit, die den zweiten Zustand darstellt, zumindest eine vorbestimmte Häufigkeit ist.
Gemäß der Modellaktualisierungsvorrichtung des zweiten Aspekts kann das Modell abhängig davon, ob der Verschlechterungszustand der erste Zustand oder der zweite Zustand ist, unter Verwendung eines anderen bzw. unterschiedlichen Modellaktualisierungsverfahrens aktualisiert werden.
In einem dritten Aspekt der vorliegenden Offenbarung kann, in dem ersten Aspekt oder dem zweiten Aspekt, das ge-/erlernte Modell in einem Fall aktualisiert werden, in dem der Verschlechterungszustand das zweite Kriterium erfüllt, falls eine Bestimmung vorliegt, dass ein Verschlechterungszustand, der durch eine andere Messeinrichtung als eine Einrichtung gemessen wird/ist, die die Informationen in Bezug auf die Zustandsgröße der Batterie erfasst hat, sich verschlechtert hat, selbst wenn die eingegebene Zustandsgröße keine Zustandsgröße ist, die das erste Kriterium erfüllt.
Gemäß der Modellaktualisierungsvorrichtung des dritten Aspekts kann selbst in einem Fall, in dem die eingegebene Batteriezustandsgröße die Kriterien zum Aktualisieren des Modells nicht erfüllt, falls durch eine andere Messeinrichtung bestimmt wird, dass sich der Verschlechterungszustand verschlechtert hat, dieser als ein Aktualisierungsziel behandelt werden.
In einem vierten Aspekt der vorliegenden Offenbarung kann, in den vorgenannten Aspekten, jede von einer vorbestimmten kurzfristigen, mittelfristigen und langfristigen Periode als die Periode eingestellt werden/sein; der durch die Erfassungseinheit erfasste Verschlechterungszustand als ein Wahrscheinlichkeitswert einer Verschlechterung in jeder der Perioden in dem ge-/erlernten Modell vorhergesagt werden/sein; und die Aktualisierungseinheit bestimmen, ob der Verschlechterungszustand in der kurzfristigen Periode ein Zustand ist oder nicht, der das zweite Kriterium erfüllt.
Gemäß der Modellaktualisierungsvorrichtung des vierten Aspekts kann das Modell aktualisiert werden durch Bestimmen des Verschlechterungszustands der Zustandsgröße der Batterie, der über eine kurzfristige bzw. -zeitige Periode erfasst wird.
Ein fünfter Aspekt der vorliegenden Offenbarung ist ein Verfahren zum Aktualisieren eines Modells, wobei das Verfahren durch einen Prozessor umfasst: für jedes von einer Vielzahl von Zielen, Eingeben von Informationen in Bezug auf eine Zustandsgröße einer Batterie in ein ge-/erlerntes Modell und Erfassen eines Verschlechterungszustands für eine vorbestimmte Periode; und in einem Fall, in dem ein Zustand, in dem die eingegebene Zustandsgröße ein erstes Kriterium erfüllt, das relativ bzw. in Beziehung zu der Zustandsgröße bestimmt ist, und in dem der Verschlechterungszustand ein zweites Kriterium erfüllt, das relativ bzw. in Beziehung zu dem Verschlechterungszustand bestimmt ist, mit zumindest einer vorbestimmten Häufigkeit vorliegt, Aktualisieren des ge-/erlernten Modells unter Verwendung der Informationen in Bezug auf die Zustandsgröße, die in das ge-/erlernte Modell eingegeben wurden.
In einem sechsten Aspekt der vorliegenden Erfindung kann, in dem fünften Aspekt, der Verschlechterungszustand als ein Wahrscheinlichkeitswert einer Verschlechterung in der Periode vorhergesagt werden/sein, der Zustand, in dem das zweite Kriterium erfüllt ist, einer sein von einem ersten Zustand, in dem der Wahrscheinlichkeitswert des Verschlechterungszustands zumindest ein erster Schwellenwert ist, der bezeichnet, dass ein Verschlechterungsmuster umfasst ist, und kleiner als ein zweiter Schwellenwert ist, der als ein Schwellenwert bestimmt ist, für den ein Grad einer Verschlechterung höher ist als für den ersten Schwellenwert, oder einem zweiten Zustand, in dem der Wahrscheinlichkeitswert des Verschlechterungszustands kleiner als der erste Schwellenwert ist, und der Prozessor: beim Erfassen des Verschlechterungszustands jeweilige Verschlechterungszustände für jeweilige Informationen in Bezug auf die Zustandsgröße erfassen kann, die von der Vielzahl von Zielen erlangt werden, beim Aktualisieren des ge-/erlernten Modells bestimmen kann, ob der erste Zustand oder der zweites Zustand für jeden der Verschlechterungszustände vorliegt, und ein Verfahren zum Aktualisieren des ge-/erlernten Modells unterscheiden kann zwischen einem ersten Fall, in dem eine Häufigkeit, die den ersten Zustand darstellt, zumindest eine vorbestimmte Häufigkeit ist, und einem zweiten Fall, in dem eine Häufigkeit, die den zweiten Zustand darstellt, zumindest eine vorbestimmte Häufigkeit ist.
Ein siebter Aspekt der vorliegenden Offenbarung ist ein Modellaktualisierungsprogramm, das durch einen Computer zum Durchführen einer Verarbeitung ausführbar ist, wobei die Verarbeitung aufweist: für jedes von einer Vielzahl von Zielen, Eingeben von Informationen in Bezug auf eine Zustandsgröße einer Batterie in ein ge-/erlerntes Modell und Erfassen eines Verschlechterungszustands für eine vorbestimmte Periode; und in einem Fall, in dem ein Zustand, in dem die eingegebene Zustandsgröße ein erstes Kriterium erfüllt, das relativ bzw. in Beziehung zu der Zustandsgröße bestimmt ist, und in dem der Verschlechterungszustand ein zweites Kriterium erfüllt, das relativ bzw. in Beziehung zu dem Verschlechterungszustand bestimmt ist, mit zumindest einer vorbestimmten Häufigkeit vorliegt, Aktualisieren des ge-/erlernten Modells unter Verwendung der Informationen in Bezug auf die Zustandsgröße, die in das ge-/erlernte Modell eingegeben wurden.
Gemäß den vorgenannten Aspekten ermöglichen eine Modellaktualisierungsvorrichtung, ein Verfahren zum Aktualisieren eines Modells und ein Modellaktualisierungsprogramm, dass ein Modell entsprechend bzw. im Einklang mit dem Modell zu einem angemessenen bzw. passenden Zeitpunkt aktualisiert wird.
Figurenliste
Beispielhafte Ausführungsbeispiele werden basierend auf den folgenden Figuren ausführlich beschrieben, für die gilt:

1 ist eine Darstellung, die ein Beispiel eines Er-/Lernens eines Modells und einer Bestimmung unter Verwendung eines ge-/erlernten Modells veranschaulicht;
2 ist eine Darstellung, die eine schematische Konfiguration eines Modellaktualisierungssystems gemäß einem beispielhaften Ausführungsbeispiel veranschaulicht;
3 ist ein Blockschaltbild, das eine Hardwarekonfiguration eines Fahrzeugs eines beispielhaften Ausführungsbeispiels veranschaulicht;
4 ist ein Blockschaltbild, das eine Hardwarekonfiguration eines Zentrumsservers eines beispielhaften Ausführungsbeispiels veranschaulicht;
5 ist ein Blockschaltbild, das eine funktionale Konfiguration eines Zentrumsservers eines beispielhaften Ausführungsbeispiels veranschaulicht;
6 ist ein Ablaufdiagramm, das einen Ablauf einer durch einen Zentrumsserver eines beispielhaften Ausführungsbeispiels ausgeführten Modellaktualisierungsverarbeitung veranschaulicht;
7A ist eine Darstellung, die ein Beispiel einer Anwendung eines Gültigkeitsbestimmungsschwellenwerts entsprechend einem Typ einer Zustandsgröße veranschaulicht;
7B ist eine Darstellung, die ein Beispiel einer Anwendung eines Gültigkeitsbestimmungsschwellenwerts entsprechend einem Typ einer Zustandsgröße veranschaulicht;
8 ist ein Ablaufdiagramm, das einen Ablauf einer Aktualisierung in einem ersten Fall veranschaulicht;
9 ist ein Ablaufdiagramm, das einen Ablauf einer Aktualisierung in einem zweiten Fall veranschaulicht; und
10 ist ein Beispiel eines Falls, in dem ähnliche Teile von Lerndaten ersetzt werden.

Ausführliche Beschreibung
In Techniken zum Schätzen einer Verschlechterung einer Hilfs- bzw. Zusatzbatterie (die hierin nachstehend einfach als Batterie bezeichnet wird) in einem Hybridsystem ermöglicht maschinelles Lernen bzw. Maschinenlernen unter Verwendung einer großen Menge von Lerndaten, dass die Robustheit des Modells gewährleistet wird. Es dauert jedoch mehrere Jahre, um Lerndaten zum Er-/ Lernen von hochgenauen Modellen anzuhäufen, und eine Sammlung erfordert eine gewisse Zeitdauer. Dies erfordert, dass der Betrieb gestartet wird, bevor ausreichende Lerndaten angehäuft wurden, und das Modell aktualisiert wird, wenn die Menge von Lerndaten zunimmt. Bei dem vorliegenden beispielhaften Ausführungsbeispiel wird eine Technik vorgeschlagen, in der eine Bestimmung dahingehend vorgenommen wird, ob die Zustandsgröße einer Eingabe ein Muster darstellt oder nicht, das in einem ge-/erlernten Modell berücksichtigt ist, und dann ein Aktualisieren durchgeführt wird. Dies ermöglicht, dass das Modell entsprechend bzw. im Einklang mit dem ge-/erlernten Modell zu einem angemessenen bzw. passenden Zeitpunkt aktualisiert wird, ohne eine Analyse von neu gesammelten Lerndaten durchzuführen.
Beispiele eines Modells und einer Eingabe/Ausgabe, die bei dem vorliegenden beispielhaften Ausführungsbeispiel angewandt werden, sind nachstehend beschrieben. Die Eingaben in das Modell sind Zustandsgrößen der Batterie (wie etwa Widerstand, Spannung und Temperatur), das Modell ist ein neuronales Netz wie etwa ein CNN, und die Ausgabe des Modells ist die Wahrscheinlichkeit einer Verschlechterung innerhalb einer vorbestimmten Periode bzw. Zeitdauer/-spanne oder die Wahrscheinlichkeit einer Nichtverschlechterung innerhalb einer vorbestimmten Periode bzw. Zeitdauer/-spanne.
1 ist eine Darstellung, die ein Beispiel eines Er-/Lernens eines Modells und einer Bestimmung unter Verwendung eines ge-/erlernten Modells veranschaulicht. In einem Fall, in dem ein Kennfeld durch maschinelles Lernen bzw. Maschinenlernen erzeugt wird, werden/sind einzugebende Lerndaten, ein auszugebender Wahrscheinlichkeitswert und dergleichen bezeichnet, und wird ein numerisches Konstantenkennfeld in dem Modell automatisch erzeugt. Das numerische Konstantenkennfeld bildet die eingegebene Zustandsgröße ab auf ein Muster, das sich kurzfristig/kurzzeitig bzw. in kurzer Zeit/Dauer verschlechtert, ein Muster, das sich mittelfristig/mittelzeitig bzw. in mittlerer Zeit/Dauer verschlechtert, und ein Muster, das sich langfristig/langzeitig bzw. in langer Zeit/Dauer nicht verschlechtert, und die Ausgabe des Modells sind die Wahrscheinlichkeitswerte der jeweiligen Muster. Es wird angenommen, dass die jeweiligen Perioden zum Beispiel eine kurzfristige Periode von 1 Monat bis 2 Monate, eine mittelfristige Periode von 3 Monate bis 4 Monate oder eine langfristige Periode von ungefähr 6 Monate sind. Die Lerndaten er-/be-/lernen das Modell durch Spezifizieren bzw. Festlegen eines Wahrscheinlichkeitswerts einer entsprechenden Periode als 1 und eines Wahrscheinlichkeitswerts einer nicht entsprechenden Periode als 0 mit Bezug auf eine Zustandsgröße einer Batterie, die als Eingabe verwendet wird. In 1 ist die vertikale Achse des Graphen einer Eingabe von Lerndaten der Wert der Zustandsgröße, und ist die horizontale Achse die Zeit, zu der der Wert der Zustandsgröße erfasst wurde. Zum Beispiel handelt es sich bei (1) um eine Zustandsgröße, bei der sich eine Eingabe kurzfristig verschlechtert, und ist die Wahrscheinlichkeit der Ausgabe einer kurzfristigen Verschlechterung als 1 bezeichnet, während die anderen Fälle als 0 bezeichnet sind. Die Zustandsgröße der Batterie der Eingabe und der Wahrscheinlichkeitswert der Ausgabe sind die Lerndaten. Das Gleiche gilt für einen Fall, in dem bei (2) eine mittelfristige Verschlechterung aufgetreten ist, und einen Fall, in dem bei (3) eine langfristige Verschlechterung nicht aufgetreten ist. (4) ist ein Beispiel einer Verschlechterungsbestimmung unter Verwendung eines er-/gelernten Modells, und die Zustandsgröße der Batterie, die für eine tatsächliche bzw. reale Eingabe verwendet wird, wird als eine Eingabe in das er-/gelernte Modell verwendet, und Bestimmungsergebnisse basierend auf jeweiligen Wahrscheinlichkeitswerten werden zusammen mit den jeweiligen Wahrscheinlichkeitswerten für die jeweiligen Perioden (jeweiligen Muster) ausgegeben. Als die Bestimmungsergebnisse werden ein Bestimmungsergebnis für eine kurzfristige Verschlechterung, ein Bestimmungsergebnis für eine mittelfristige Verschlechterung, ein Bestimmungsergebnis für eine langfristige Nichtverschlechterung und/oder ein Bestimmungsergebnis für keine von diesen ausgegeben. Die jeweiligen Wahrscheinlichkeitswerte werden aus dem er-/ gelernten Modell basierend darauf berechnet, zu welchem Muster von Lerndaten die Eingabe ähnlich ist. Bei dem vorliegenden beispielhaften Ausführungsbeispiel wird bestimmt, ob das Er-/Lernen des er-/gelernten Modells angemessen ist oder nicht, indem eine Ausgabe eines Wahrscheinlichkeitswerts eines Verschlechterungszustands in kurzer Zeit/Dauer (der hierin nachstehend auch als kurzfristige Verschlechterungswahrscheinlichkeit bezeichnet wird) unter den jeweiligen Wahrscheinlichkeitswerten, die die Ausgabe des er-/gelernten Modells konfigurieren, verwendet wird, um den Verschlechterungszustand zu bestimmen.
Bei der Bestimmung eines Verschlechterungszustands werden ein er-/gelernter Bestimmungsschwellenwert, der einen Schwellenwert definiert, der bezeichnet, dass ein Verschlechterungsmuster umfasst ist, und ein Verschlechterungsbestimmungsschwellenwert, der als ein Schwellenwert mit einem höheren Grad von Verschlechterung als der er-/gelernte Bestimmungsschwellenwert definiert ist, als Schwellenwerte zur Bestimmung einer kurzfristigen Verschlechterungswahrscheinlichkeit verwendet. Die Schwellenwertbestimmung wird durchgeführt, indem ein Gültigkeitsbestimmungsschwellenwert zum Bestimmen, ob eine kurzfristige Verschlechterung passend ist oder nicht, auch hinsichtlich der Zustandsgröße der Batterie bereitgestellt wird, die als tatsächliche bzw. reale Eingabe verwendet wird. Die jeweiligen Schwellenwerte können Schwellenwerte definieren, die durch Experimentieren oder dergleichen im Voraus eingestellt werden/sind. Zum Beispiel wird ein Schwellenwert in einem Fall, in dem eine Verschlechterungsbestimmung auf einer Ausgabe eines er-/gelernten Modells durchgeführt wird, oder ein Kriteriumswert, der höher ist als dieser Schwellenwert, als der Verschlechterungsbestimmungsschwellenwert eingestellt. In einem Fall, in dem die Ausgabe den Verschlechterungsbestimmungsschwellenwert mit Bezug auf eine Eingabe, für die eine kurzfristige Verschlechterung passend ist, nicht überschreitet, ist nämlich eine Aktualisierung des Modells erforderlich. Außerdem wurde, in Bezug auf die Zustandsgröße der Batterie, die als die tatsächliche bzw. reale Eingabe verwendet wird, wenn der er-/gelernte Bestimmungsschwellenwert überschritten wurde, zumindest das Muster einer Verschlechterung er-/gelernt, und, wenn er nicht überschritten wurde, das Muster einer Verschlechterung nicht er-/gelernt.
Der Verschlechterungszustand wird als ein erster Zustand bezeichnet, falls der er-/gelernte Bestimmungsschwellenwert ≤ die kurzfristige Verschlechterungswahrscheinlichkeit < der Verschlechterungsbestimmungsschwellenwert gilt, während der Verschlechterungszustand als ein zweiter Zustand bezeichnet wird, falls die kurzfristige Verschlechterungswahrscheinlichkeit < der er-/ gelernte Bestimmungsschwellenwert gilt. Der er-/gelernte Bestimmungsschwellenwert ist ein Beispiel von dem „ersten Schwellenwert“ der Technik der vorliegenden Offenbarung, und der Verschlechterungsbestimmungsschwellenwert ist ein Beispiel von dem „zweiten Schwellenwert“ der Technik der vorliegenden Offenbarung.
Wie es in 2 veranschaulicht ist, umfasst ein Modellaktualisierungssystem 10 eines beispielhaften Ausführungsbeispiels der vorliegenden Erfindung mehrere Fahrzeuge 12 und einen Zentrums- bzw. Zentralserver 30, der als eine Modellaktualisierungsvorrichtung dient. In jedem Fahrzeug 12 ist eine Bordeinheit 20 installiert. Die Bordeinheit 20 und der Zentrumsserver 30 sind über ein Netzwerk N miteinander verbunden. Obgleich 2 drei Fahrzeuge 12 und Bordeinheiten 20 relativ zu dem Zentrumsserver 30 veranschaulicht, ist die Anzahl der mehreren Fahrzeuge 12 und der Bordeinheiten 20 nicht darauf beschränkt, und es sind so viele Fahrzeuge 12 und Bordeinheiten 20 umfasst, wie es für eine Modellaktualisierungsverarbeitung erforderlich ist. Der Zentrumsserver 30 ist zum Beispiel bei einem Hersteller installiert, der das Fahrzeug 12 herstellt, oder bei einem Autohändler, der mit dem Hersteller verbunden ist. Obgleich eine Erläuterung hinsichtlich eines Beispiels eines Falls folgt, in dem ein Fahrzeug das mit einer Batterie ausgestattete Zielobjekt ist, können andere bewegliche Objekte und Ziele angewandt werden, solange das Zielobjekt eines ist, das mit einer Batterie ausgestattet ist. Die mehreren Fahrzeuge 12 sind ein Beispiel von der „Vielzahl von Zielen“ der Technik der vorliegenden Offenbarung.
Wie es in 3 veranschaulicht ist, umfasst das Fahrzeug 12 gemäß dem vorliegenden beispielhaften Ausführungsbeispiel eine Bordeinheit 20, mehrere elektronische Steuereinheiten (ECUs) 22, mehrere Bordvorrichtungen 24 und eine Hilfs- bzw. Zusatzbatterie 27. Zur Erleichterung der Erläuterung wird das Bezugszeichen für die Batterie 27 weggelassen, sofern sie nicht im Speziellen als Hardware beschrieben wird.
Die Bordeinheit 20 umfasst eine Zentralverarbeitungseinheit (CPU) 20A, einen Festwertspeicher (ROM) 20B, einen Direktzugriffsspeicher (RAM) 20C, eine Fahrzeuginnenkommunikationsschnittstelle(- I/F) 20D und eine Drahtloskommunikation-I/F 20E. Die CPU 20A, der ROM 20B, der RAM 20C, die Fahrzeuginnenkommunikation-I/F 20D und die Drahtloskommunikation-I/F 20E sind über einen internen Bus 20G verbunden, sodass sie zur gegenseitigen Kommunikation imstande sind.
Die CPU 20A ist eine Zentralverarbeitungseinheit und führt verschiedene Programme aus und steuert verschiedene Teile. Die CPU 20A liest nämlich ein Programm von dem ROM 20B und führt das Programm unter Verwendung des RAM 20C als Arbeitsbereich aus.
Der ROM 20B speichert verschiedene Programme und verschiedene Daten. Der ROM 20B des vorliegenden beispielhaften Ausführungsbeispiels sammelt Fahrzeuginformationen in Bezug auf Zustände und eine Steuerung des Fahrzeugs 12 von der ECU 22 und speichert außerdem ein Steuerprogramm 50, das die Verwendung einer Funktionalität oder die Anwendung einer Ausrüstung des Fahrzeugs 12 erlaubt oder einschränkt. Ferner speichert der ROM 20B historische Informationen, die Backup- bzw. Sicherungsdaten für Fahrzeuginformationen und Batterieinformationen sind. Der RAM 20C dient als Arbeitsbereich zum vorübergehenden Speichern von Programmen und Daten.
Die Fahrzeuginnenkommunikation-I/F 20D ist eine Schnittstelle zum Verbinden mit den jeweiligen ECUs 22. Ein Kommunikationsstandard basierend auf dem CAN-Protokoll wird für die Schnittstelle verwendet. Die Fahrzeuginnenkommunikation-I/F 20D ist mit einem externen Bus 20H verbunden.
Die Drahtloskommunikation-I/F 20E ist ein Drahtloskommunikationsmodul zum Kommunizieren mit dem Zentrumsserver 30. Zum Beispiel wird ein Kommunikationsstandard wie etwa 5G, LTE-Wi-Fi (eingetragene Marke) oder dergleichen für das Drahtloskommunikationsmodul verwendet. Die Drahtloskommunikation-I/F 20E ist mit dem Netzwerk N verbunden.
Die ECU 22 umfasst zumindest eine ADAS-ECU (ADAS: „Advanced Driver Assistence System“) 22A und eine Batterieinformationen-ECU 22B. Obgleich dies in den Zeichnungen zur Vereinfachung der Erläuterung nicht veranschaulicht ist, stellt die ECU 22 eine Funktionalität zum Durchführen einer Lenksteuerung, einer Bremssteuerung, einer Maschinensteuerung, einer Informationssystemsteuerung, einschließlich Autonavigationssystem und Audio, und dergleichen bereit.
Die ADAS-ECU 22A führt eine Gesamtsteuerung des „Advanced Driver Assistence System“ bzw. des fortgeschrittenen Fahrerassistenzsystems durch. Die ADAS-ECU 22A ist mit einem Fahrzeuggeschwindigkeitssensor 25 und einem Giergeschwindigkeitssensor 26 verbunden, die jeweils eine Bordvorrichtung 24 konfigurieren.
Die Bordvorrichtungen 24 umfassen auch Lenkwinkelsensoren, Bremsstellglieder, Drosselstellglieder und andere Sensoren als Vorrichtungen, die zum Implementieren der Funktionalität der zentralen ECU 20 erforderlich sind.
Die Batterieinformationen-ECU 22B misst die Zustandsgröße der Batterie 27 über die Zeit und speichert diese als Batterieinformationen in dem ROM 20B. Die in dem ROM 20B gespeicherten Batterieinformationen werden durch den Zentrumsserver 30 periodisch gesammelt.
Wie es in 4 veranschaulicht ist, umfasst der Zentrumsserver 30 eine CPU 30A, einen ROM 30B, einen RAM 30C, einen Speicher 30D und eine Kommunikation-I/F 30E. Die CPU 30A, der ROM 30B, der RAM 30C, der Speicher 30D und die Kommunikation-I/F 30E sind über einen internen Bus 30G verbunden, sodass sie zur gegenseitigen Kommunikation imstande sind. Funktionen der CPU 30A, des ROM 30B, des RAM 30C und der Kommunikation-I/F 30E sind gleich denjenigen der CPU 20A, des ROM 20B, des RAM 20C und der Drahtloskommunikation-I/F 20E der vorstehend beschriebenen Bordeinheit 20. Die Kommunikation-I/F 30E kann eine drahtgebundene Kommunikation durchführen.
Der Speicher 30D, der als Speicher dient, ist durch ein Festplattenlaufwerk (HDD) oder ein Festkörperlaufwerk (SSD) konfiguriert und speichert verschiedene Programme und verschiedene Daten. Der Speicher 30D des vorliegenden beispielhaften Ausführungsbeispiels speichert ein Verarbeitungsprogramm 100, eine Fahrzeuginformationen-Datenbank (DB) 110, eine Batterieinformationen-DB 120 und eine Modellspeicher-DB 130. Der ROM 30B kann das Verarbeitungsprogramm 100, die Fahrzeuginformationen-DB 110, die Batterieinformationen-DB 120 und die Modellspeicher-DB 130 speichern.
Das Verarbeitungsprogramm 100, das als ein Modellaktualisierungsprogramm dient, ist ein Programm zum Steuern einer Modellaktualisierung in den Zentrumsserver 30. Zusammen mit einer Ausführung des Verarbeitungsprogramms 100 führt der Zentrumsserver 30 eine Modellaktualisierungsverarbeitung aus. Bei der Modellaktualisierungsverarbeitung werden Informationen von der Fahrzeuginformationen-DB 110, der Batterieinformationen-DB 120 und der Modellspeicher-DB 130 gelesen und ausgeführt, wie es zweckdienlich ist.
Die Fahrzeuginformationen-DB 110 hält Fahrzeuginformationen, die von dem Fahrzeug 12 erfasst werden/sind. Die Fahrzeuginformationen umfassen zum Beispiel Informationen in Bezug auf Fahrbedienung/-betrieb und Fahrt, wie etwa Fahrzeuggeschwindigkeit, Beschleunigung, Giergeschwindigkeit, Lenkwinkel, Beschleunigerposition, Bremspedaldruckkraft und Hub.
Die Batterieinformationen-DB 120 gespeichert Batterieinformationen, die von jedem Fahrzeug 12 gesammelt werden/sind. Außerdem sind der er-/gelernte Bestimmungsschwellenwert, der Verschlechterungsbestimmungsschwellenwert und der Gültigkeitsbestimmungsschwellenwert in der Batterieinformationen-DB 120 gespeichert.
Die Modellspeicher-DB 130 speichert ein er-/gelerntes Modell. Wie es vorstehend beschrieben ist, wird das er-/gelernte Modell er-/be-/gelernt, um Batterieinformationen als Eingabe zu verwenden, den Wahrscheinlichkeitswert für jede Periode als Ausgabe zu schätzen, und ein Bestimmungsergebnis auszugeben. Ferner speichert die Modellspeicher-DB 130 die Lerndaten, die zum, Er-/Lernen des er-/gelernten Modells verwendet werden/sind. Die Lerndaten umfassen jeweilige Sätze von/aus einer Zustandsgröße einer Batterie, die als Eingabe dient, und einem Wahrscheinlichkeitswert einer Periode, der der Eingabe entspricht.
Wie es in 5 veranschaulicht ist, fungiert bzw. arbeitet in dem Zentrumsserver 30 des vorliegenden beispielhaften Ausführungsbeispiels die CPU 30A als eine Erfassungseinheit 200 und eine Aktualisierungseinheit 202 durch Ausführung des Verarbeitungsprogramms 100.
Die Erfassungseinheit 200 gibt die Batterieinformationen in das er-/gelernte Modell ein und erfasst einen Verschlechterungszustand als einen Wahrscheinlichkeitswert einer Verschlechterung für jede der kurzen Zeit/Dauer, der mittleren Zeit/Dauer und der langen Zeit/Dauer. Der Verschlechterungszustand wird für jeden der Batteriezustände der mehreren Fahrzeuge 12 erfasst.
Die Aktualisierungseinheit 202 führt eine Bestimmung unter Verwendung des Kurzfristiger-Verschlechterungszustand-Wahrscheinlichkeitswerts (der kurzfristigen Verschlechterungswahrscheinlichkeit), der durch die Erfassungseinheit 200 erfasst wird/ist, und der eingegebenen Batterieinformationen durch. Die Aktualisierungseinheit 202 bestimmt, ob der Verschlechterungszustand der erste Zustand oder der zweite Zustand ist oder nicht, und unterscheidet das Verfahren zum Aktualisieren des er-/gelernten Modells zwischen einem ersten Fall, in dem die Häufigkeit, dass der erste Zustand dargestellt wird/ist, gleich oder größer einer vorbestimmten Häufigkeit ist, und einem zweiten Fall, in dem die Häufigkeit, dass der zweite Zustand dargestellt wird/ist, gleich oder größer einer vorbestimmten Häufigkeit ist. In dem ersten Fall wird angenommen, dass ein Teil der Lerndaten ähnlich zu dem Muster der eingegebenen Zustandsgröße bzw. dem eingegebenen Zustandsgrößenmuster ist. In dem zweiten Fall wird angenommen, dass das Muster der eingegebenen Zustandsgröße bzw. das eingegebene Zustandsgrößenmuster in den Lerndaten nicht umfasst ist. Spezifische Einzelheiten der Bestimmung und des Aktualisierungsverfahrens sind nachstehend beschrieben.
Es folgt eine Erläuterung hinsichtlich eines Ablaufs einer Modellaktualisierungsverarbeitung, die durch das Modellaktualisierungssystem 10 des vorliegenden beispielhaften Ausführungsbeispiels ausgeführt wird, unter Bezugnahme auf das Ablaufdiagramm von 6. Die an dem Zentrumsserver 30 durchgeführte Verarbeitung wird ausgeführt, indem die CPU 30A als die verschiedenen Einheiten des Zentrumsservers 30 fungiert bzw. arbeitet.
In Schritt S100 gibt die CPU 30A die Batterieinformationen des Fahrzeugs 12, das als das Bestimmungsziel dient, in das er-/gelernte Modell ein, und erfasst sie eine kurzfristige Verschlechterungswahrscheinlichkeit.
In Schritt S102 bestimmt die CPU 30A, ob die erfasste kurzfristige Verschlechterungswahrscheinlichkeit kleiner als ein Verschlechterungsbestimmungsschwellenwert ist (kurzfristige Verschlechterungswahrscheinlichkeit < Verschlechterungsbestimmungsschwellenwert) oder nicht. In einem Fall, in dem sie kleiner als der Verschlechterungsbestimmungsschwellenwert ist, geht die Verarbeitung zu Schritt S104 über, während in einem Fall, in dem sie nicht kleiner als der Verschlechterungsbestimmungsschwellenwert ist, die Verarbeitung zu Schritt S112 übergeht.
In Schritt S104 bestimmt die CPU 30A, ob der Wert der Zustandsgröße der Batterie in den eingegebenen Batterieinformationen gleich oder größer einem Gültigkeitsbestimmungsschwellenwert ist (Wert von Zustandsgröße ≥ Gültigkeitsbestimmungsschwellenwert). In einem Fall, in dem der Wert gleich oder größer dem Gültigkeitsbestimmungsschwellenwert ist, geht die Verarbeitung zu Schritt S106 über, während in einem Fall, in dem der Wert nicht gleich oder größer dem Gültigkeitsbestimmungsschwellenwert ist, die Verarbeitung zu Schritt S112 übergeht.
Die Richtung des Ungleichheitszeichens, die bezeichnet, ob der Wert auf nicht mehr/größer als oder nicht weniger/kleiner als der Gültigkeitsbestimmungsschwellenwert einzustellen ist, ist abhängig von dem Typ von Zustandsgröße variabel. 7A und 7B zeigen Beispiele einer Anwendung des Gültigkeitsbestimmungsschwellenwerts gemäß dem Typ von Zustandsgröße. Die vertikale Achse von 7A und 7B ist der Wert der Zustandsgröße, und die horizontale Achse ist die Zeit, zu der der Wert der Zustandsgröße erfasst wurde. Wie es in 7A veranschaulicht ist, ist in einem Fall, in dem die Zustandsgröße ein Widerstand ist, der Wert so eingestellt, dass er gleich oder größer dem Gültigkeitsbestimmungsschwellenwert ist, um anzugeben, dass sich der Wert verschlechtert hat, wenn der Wert zunimmt. Wie es in 7B veranschaulicht ist, ist in einem Fall, in dem die Zustandsgröße eine Spannung ist, der Wert so eingestellt, dass er gleich oder kleiner dem Gültigkeitsbestimmungsschwellenwert ist, um anzugeben, dass sich der Wert verschlechtert hat, wenn er abnimmt. Ein Fall, in dem der Wert der Zustandsgröße ein Kriterium für einen Gültigkeitsbestimmungsschwellenwert erfüllt, ist ein Beispiel von „einem Fall einer Zustandsgröße, die ein erstes Kriterium erfüllt“ in der Technik der vorliegenden Offenbarung.
In Schritt S106 bestimmt die CPU 30A, ob die kurzfristige Verschlechterungswahrscheinlichkeit größer oder gleich dem er-/gelernten Bestimmungsschwellenwert ist (kurzfristige Verschlechterungswahrscheinlichkeit ≥ er-/gelernter Bestimmungsschwellenwert) oder nicht. In einem Fall, in dem sie gleich oder größer dem er-/gelernten Bestimmungsschwellenwert ist, geht die Verarbeitung zu Schritt S108 über, während in einem Fall, in dem sie nicht gleich oder größer dem er-/gelerntem Bestimmungsschwellenwert ist, die Verarbeitung zu Schritt S110 übergeht.
In Schritt S108 nimmt die CPU 30A an, dass die Batteriezustandsgröße des Fahrzeugs 12, das als das Bestimmungsziel dient, der erste Zustand ist, und zählt sie dies als den ersten Zustand.
In Schritt S110 nimmt die CPU 30A an, dass die Batteriezustandsgröße des Fahrzeugs 12, das als das Bestimmungsziel dient, der zweite Zustand ist, und zählt sie dies als den zweiten Zustand.
In Schritt S112 bestimmt die CPU 30A, ob die Bestimmung für alle Fahrzeuge 12 abgeschlossen wurde oder nicht. In einem Fall, in dem die Bestimmung abgeschlossen wurde, geht die Verarbeitung zu Schritt S114 über, und in einem Fall, in dem die Bestimmung nicht abgeschlossen wurde, kehrt die Verarbeitung zu Schritt S100 zurück, und wird das nächste Bestimmungszielfahrzeug 12 ausgewählt und die Verarbeitung wiederholt.
In Schritt S114 bestimmt die CPU 30A, ob die Anzahl bzw. Häufigkeit von gezählten ersten Zuständen gleich oder größer einer bestimmten Anzahl bzw. Häufigkeit (N) ist oder nicht. In einem Fall, in dem bestimmt wird, dass die Anzahl bzw. Häufigkeit die vorbestimmte Anzahl bzw. Häufigkeit oder mehr/größer ist, geht die Verarbeitung zu Schritt S116 über, und in einem Fall, in dem bestimmt wird, dass die Anzahl bzw. Häufigkeit nicht gleich oder größer der vorbestimmten Anzahl bzw. Häufigkeit ist, ist eine Aktualisierung des ersten Falls nicht erforderlich, und geht die Verarbeitung zu Schritt S118 über. Die Anzahl bzw. Häufigkeit N kann zum Beispiel eine Anzahl bzw. Häufigkeit sein, die 10% der Gesamtzahl von Fahrzeugen 12 beträgt, die als Bestimmungsziele dienen.
In Schritt S116 bestimmt die CPU 30A, dass eine Aktualisierung gemäß dem ersten Fall erforderlich ist.
In Schritt S118 bestimmt die CPU 30A, ob die Anzahl bzw. Häufigkeit von gezählten zweiten Zuständen gleich oder größer einer vorbestimmten Anzahl bzw. Häufigkeit (N) ist oder nicht. In einem Fall, in dem bestimmt wird, dass die Anzahl bzw. Häufigkeit die vorbestimmte Anzahl bzw. Häufigkeit oder mehr/größer ist, geht die Verarbeitung zu Schritt S120 über, und in einem Fall, in dem bestimmt wird, dass die Anzahl bzw. Häufigkeit nicht gleich oder größer der vorbestimmten Anzahl bzw. Häufigkeit ist, ist eine Aktualisierung des zweiten Falls nicht erforderlich, und geht die Verarbeitung zu Schritt S122 über. Die Anzahl bzw. Häufigkeit N kann zum Beispiel eine Anzahl bzw. Häufigkeit sein, die 10% der Gesamtzahl von Fahrzeugen 12 beträgt, die als Bestimmungsziele dienen.
Ein Fall, in dem in Schritt S114 die Anzahl bzw. Häufigkeit des ersten Zustands gleich oder größer der vorbestimmten Anzahl bzw. Häufigkeit ist, oder ein Fall, in dem in Schritt S118 die Anzahl bzw. Häufigkeit des zweiten Zustands gleich oder größer der vorbestimmten Anzahl bzw. Häufigkeit ist, ist ein Beispiel von „einem Fall einer Zustandsgröße, die ein zweites Kriterium erfüllt“ in der Technik der vorliegenden Offenbarung.
In Schritt S120 bestimmt die CPU 30A, dass eine Aktualisierung gemäß dem zweiten Fall erforderlich ist.
In Schritt S122 führt die CPU 30A eine Aktualisierung des er-/gelernten Modells gemäß dem Fall aus, der als erforderlich bestimmt wurde. Es folgt eine Erläuterung hinsichtlich Abläufen einer Verarbeitung in den jeweiligen Fällen unter Bezugnahme auf das Ablaufdiagramm von 8 zur Aktualisierung in dem ersten Fall und das Ablaufdiagramm von 9 zur Aktualisierung in dem zweiten Fall.
In Schritt S200 bezeichnet die CPU 30A das Fahrzeug 12, das als der erste Zustand bzw. für den ersten Zustand gezählt wurde, als ein Extraktionsziel, und extrahiert sie eine Zustandsgröße der Batterie, die als die Eingabe des Fahrzeugs 12 verwendet wird, das als das Extraktionsziel bezeichnet wird/ist. In einem Fall, in dem ein Teil von Fahrzeuginformationen auch beim Modelllernen verwendet wird/ist, kann der relevante Teil der Fahrzeuginformationen auch extrahiert werden.
In Schritt S202 berechnet die CPU 30A den Grad einer Ähnlichkeit zwischen allen Kombinationen der Zustandsgrößen der Batterien, die zum Eingeben verwendet werden, und der Zustandsgrößen der Batterien, die in den Lerndaten umfasst sind, die zum Er-/Lernen des er-/gelernten Modells verwendet werden/sind.
In Schritt S204 extrahiert die CPU 30A Kombinationen von Ersetzungszielen aus allen Kombinationen in absteigender Reihenfolge der Ähnlichkeit.
In Schritt S206 ersetzt die CPU 30A die Lerndaten für die Ersetzungszielkombination. Die Ersetzung bzw. der Austausch wird durchgeführt, indem eine Zustandsgröße des relevanten Fahrzeugs 12 durch einen ähnlichen Teil der Zustandsgröße der Batterie ersetzt wird, die in den Lerndaten umfasst ist, oder indem ähnliche Teile modifiziert werden.
Es folgt eine Erläuterung hinsichtlich einer Ersetzung von ähnlichen Teilen. 10 ist ein Beispiel eines Falls, in dem ähnliche Teile von Lerndaten als Ersetzung bereitgestellt werden. In dem Graphen von 10 stellt die vertikale Achse den Wert der Zustandsgröße dar, und stellt die horizontale Achse die Zeit dar, zu der die Zustandsgröße erfasst wurde. Ein Muster in einem Fall, in dem ein Teil der Zustandsgröße von Lerndaten B als Wellenform- bzw. Verlaufsmuster H über die Zeit betrachtet wird, ist ähnlich zu einer Eingabe A, die tatsächlich bzw. real gemessen wird/ist. Die Lerndaten B sind eine Zustandsgröße, in der ein Wert einer Zustandsgröße einen Verschlechterungsschwellenwert in einem mittelfristigen oder langfristigen Muster H überschreitet, und ähnliche Muster sind in einigen der Muster H umfasst. Dementsprechend wird der Teil von Muster H der Lerndaten B gelöscht, und wird die Eingabe A hinzugefügt. Alternativ werden die Lerndaten B durch die Eingabe A ersetzt.
In Schritt S208 er-/lernt die CPU 30A das Modell unter Verwendung der ersetzten Lerndaten neu.
In Schritt S210 speichert bzw. sichert die CPU 30A die Verschlechterungsschätzgenauigkeit des neu er-/gelernten Modells.
In Schritt S212 bestimmt die CPU 30A, ob die Verarbeitung für Kombinationen von allen Ersetzungszielen abgeschlossen wurde oder nicht. In einem Fall, in dem bestimmt wird, dass die Verarbeitung für alle Ersetzungsziele abgeschlossen wurde, geht die Verarbeitung zu Schritt S214 über, und in einem Fall, in dem bestimmt wird, dass die Verarbeitung nicht für alle Ersetzungsziele abgeschlossen wurde, kehrt die Verarbeitung zu Schritt S204 zurück, wird das nächste Ersetzungsziel ausgewählt, und wird die Verarbeitung wiederholt.
In Schritt S214 bestimmt die CPU 30A, ob die Verarbeitung für alle Extraktionsziele (Fahrzeuge 12) abgeschlossen wurde oder nicht. In einem Fall, in dem bestimmt wird, dass die Verarbeitung für alle Extraktionsziele abgeschlossen wurde, geht die Verarbeitung zu Schritt S216 über, und in einem Fall, in dem bestimmt wird, dass die Verarbeitung nicht für alle Extraktionsziele abgeschlossen wurde, kehrt die Verarbeitung zu Schritt S200 zurück, wird das nächste Extraktionsziel ausgewählt, und wird die Verarbeitung wiederholt.
In Schritt S216 übernimmt bzw. anwendet die CPU 30A ein Modell mit der günstigsten bzw. vorteilhaftesten Verschlechterungsschätzgenauigkeit unter den neu er-/gelernten Modellen, wird das er-/gelernte Modell in der Modellspeicher-DB 130 aktualisiert, und wird die Verarbeitung beendet.
In Schritt S300 extrahiert die CPU 30A die Zustandsgröße der Batterie, die zum Eingeben verwendet wird, von dem relevanten Fahrzeug 12, das als das Extraktionsziel dient, für das Fahrzeug 12, das als der zweite Zustand bzw. für den zweiten Zustand gezählt wurde.
In Schritt S302 fügt die CPU 30A die extrahierte Zustandsgröße der Batterie zu den Lerndaten hinzu. Es wird nämlich die Zustandsgröße, die als die Eingabe A in 10 bezeichnet ist, wie sie ist zu den Lerndaten hinzugefügt.
In Schritt S304 er-/lernt die CPU 30A das Modell unter Verwendung der hinzugefügten Lerndaten neu.
In Schritt S306 speichert bzw. sichert die CPU 30A die Verschlechterungsschätzgenauigkeit des neu er-/gelernten Modells.
In Schritt S308 bestimmt die CPU 30A, ob die Verarbeitung für alle Extraktionszielfahrzeuge 12 abgeschlossen wurde oder nicht. In einem Fall, in dem bestimmt wird, dass die Verarbeitung für alle Extraktionsziele abgeschlossen wurde, geht die Verarbeitung zu Schritt S310 über, und in einem Fall, in dem bestimmt wird, dass die Verarbeitung nicht für alle Extraktionsziele abgeschlossen wurde, kehrt die Verarbeitung zu Schritt S300 zurück, wird das nächste Extraktionsziel ausgewählt, und wird die Verarbeitung wiederholt.
In Schritt S310 übernimmt bzw. anwendet die CPU 30A das er-/gelernte Modell mit der günstigsten bzw. vorteilhaftesten Verschlechterungsschätzgenauigkeit unter den neu er-/gelernten Modellen, wird das er-/gelernte Modell in der Modellspeicher-DB 130 aktualisiert, und wird die Verarbeitung beendet.
In dem Ablaufdiagramm der Modellaktualisierungsverarbeitung, das in 6 veranschaulicht und vorstehend erörtert ist, wurde angenommen, dass weder der erste Zustand noch der zweite Zustand gezählt wird, falls der eingegebene Wert der Zustandsgröße der Batterie nicht das Kriterium für den Gültigkeitsbestimmungsschwellenwert erfüllt (falls die Zustandsgröße das erste Kriterium nicht erfüllt), wie in Schritt S104. In einem Fall, in dem bestimmt wird, dass sich der Verschlechterungszustand verschlechtert hat, der durch eine Messeinrichtung wie etwa ein Test- bzw. Prüfgerät gemessen wird/ist, kann jedoch selbst dann, wenn die Zustandsgröße der relevanten Batterie das Kriterium nicht erfüllt, das er-/gelernte Modell aktualisiert werden, falls der erste Zustand oder der zweite Zustand die Bedingung der Häufigkeit erfüllt. Die Messeinrichtung kann eine Messeinrichtung sein, die von der Einrichtung verschieden ist, die die Batterieinformationen erfasst hat (Batterieinformationen-ECU 22B). Zusätzlich zu dem Test- bzw. Prüfgerät kann in einem Fall, in dem es andere er-/gelernte Modelle gibt, die verschieden von bzw. anders als die er-/ gelernten Modelle des vorliegenden beispielhaften Ausführungsbeispiels er-/ gelernt wurden, auch ähnlich zu Fällen, in denen bestimmt wird, dass sich ein anderes er-/gelerntes Modell verschlechtert hat, das er-/gelernte Modell aktualisiert werden, falls der erste Zustand oder der zweite Zustand die Bedingung der Häufigkeit erfüllt.
Der Zentrumsserver 30, als eine Modellaktualisierungsvorrichtung des vorliegenden beispielhaften Ausführungsbeispiels, gibt Batterieinformationen in das er-/gelernte Modell in/an der Erfassungseinheit 200 ein und erfasst Verschlechterungszustände als Wahrscheinlichkeitswerte für eine Verschlechterung während jeder der kurzfristigen, der mittelfristigen und der langfristigen Periode. Der Zentrumsserver 30 führt eine Bestimmung unter Verwendung des Wahrscheinlichkeitswerts (der kurzfristigen Verschlechterungswahrscheinlichkeit) des Verschlechterungszustands in der kurzen Zeit/Dauer und der eingegebenen Batterieinformationen in/an der Aktualisierungseinheit 202 durch. Der Zentrumsserver 30 bestimmt dann, ob der Verschlechterungszustand der erste Zustand oder der zweite Zustand ist, und unterscheidet das Verfahren zum Aktualisieren des er-/gelernten Modells zwischen einem ersten Fall, in dem die Häufigkeit, dass der erste Zustand dargestellt wird/ist, gleich oder größer einer vorbestimmten Häufigkeit ist, und einem zweiten Fall, in dem die Häufigkeit, dass der zweite Zustand dargestellt wird/ist, gleich oder größer einer vorbestimmten Häufigkeit ist. Dies ermöglicht, dass das Modell entsprechend bzw. im Einklang mit dem Modell zu einem angemessenen bzw. passenden Zeitpunkt aktualisiert wird. Außerdem kann das Modell abhängig davon, ob der Verschlechterungszustand der erste Zustand oder der zweite Zustand ist, durch ein anderes bzw. unterschiedliches Modellaktualisierungsverfahren aktualisiert werden.
Die verschiedenen Verarbeitungen, die bei den vorstehend beschriebenen beispielhaften Ausführungsbeispielen ausgeführt werden, indem die CPU 20A und die CPU 30A Software (ein Programm) lesen und ausführen, können durch verschiedene Arten von Prozessoren abgesehen von einer CPU ausgeführt werden. Solche Prozessoren umfassen programmierbare logische Bausteine (PLD), die ermöglichen, dass eine Schaltungskonfiguration nach einer Herstellung modifiziert wird, wie etwa ein Field-Programmable-Gate-Array (FPGA), und dedizierte elektrische Schaltungen, wobei diese Prozessoren mit einer Schaltungskonfiguration sind, die zur Ausführung einer speziellen Verarbeitung anwender- bzw. kundenspezifisch ausgestaltet sind, wie etwa ein Application-Specific Integrated Circuit (ASIC). Die jeweilige Verarbeitung, die vorstehend beschrieben ist, kann durch einen beliebigen dieser verschiedenen Arten von Prozessor oder durch eine Kombination von zwei oder mehr des gleichen Typs oder eines unterschiedlichen Typs von Prozessor (wie etwa mehrere FPGAs oder eine Kombination von einer CPU und einem FPGA) ausgeführt werden. Die Hardwarestruktur dieser verschiedenen Arten von Prozessoren ist im Speziellen eine elektrische Schaltung, die Schaltungselemente wie etwa Halbleiterelemente kombiniert.
Bei den beispielhaften Ausführungsbeispielen, die vorstehend beschrieben sind, wurde ein Aspekt erläutert, in dem die jeweiligen Programme im Voraus in einem durch einen Computer lesbaren nicht-vorübergehenden Aufzeichnungsmedium gespeichert (installiert) werden/sind. Zum Beispiel wird/ist ein Programm in der Bordeinheit 20 im Voraus in dem ROM 20B gespeichert, und wird/ist das Verarbeitungsprogramm 100 in dem Zentrumsserver 30 im Voraus in dem Speicher 30D gespeichert. Die jeweiligen Programme sind jedoch nicht darauf beschränkt, und sie können in einem Format bereitgestellt werden, das auf einem nicht-vorübergehenden Aufzeichnungsmedium aufgezeichnet ist, wie etwa einem Compact-Disc-Festwertspeicher (CD-ROM), einem Digital-Versatile-Disc-Festwertspeicher (DVD-ROM) oder einem Universal-Serial-Bus-(USB-)Speicher. Alternativ können die Programme in einem Format bereitgestellt werden, das von einer externen Vorrichtung über ein Netzwerk herunterladbar ist.
Der Verarbeitungsablauf, der bei den beispielhaften Ausführungsbeispielen erläutert ist, die vorstehend beschrieben sind, ist ein Beispiel, und innerhalb eines Umfangs, der nicht von dem Grundgedanken der vorliegenden Erfindung abweicht, können unnötige Schritte gestrichen werden, können neue Schritte hinzugefügt, oder kann die Verarbeitungsreihenfolge umgeordnet/-sortiert werden.
Eine Modellaktualisierungsvorrichtung, mit: einem Speicher; und einem Prozessor, der mit dem Speicher gekoppelt ist, wobei der Prozessor konfiguriert ist zum: für jedes von mehreren Zielen, Eingeben von Informationen in Bezug auf eine Zustandsgröße einer Batterie in ein er-/gelerntes Modell und Erfassen eines Verschlechterungszustands für eine vorbestimmte Periode; und in einem Fall, in dem ein Zustand, in dem die eingegebene Zustandsgröße ein erstes Kriterium erfüllt, das relativ zu der Zustandsgröße bestimmt ist, und in dem der Verschlechterungszustand ein zweites Kriterium erfüllt, das relativ zu dem Verschlechterungszustand bestimmt ist, mit zumindest einer vorbestimmten Häufigkeit vorliegt, Aktualisieren des er-/gelernten Modells unter Verwendung der Informationen in Bezug auf die Zustandsgröße, die in das er-/gelernte Modell eingegeben wurden.

Claims

Modellaktualisierungsvorrichtung (30), mit: einem Speicher (30B, 30C); und einem Prozessor (30A), der mit dem Speicher (30B, 30C) gekoppelt ist, wobei der Prozessor (30A) konfiguriert ist zum: für jedes von einer Vielzahl von Zielen, Eingeben von Informationen in Bezug auf eine Zustandsgröße einer Batterie in ein gelerntes Modell und Erfassen eines Verschlechterungszustands für eine vorbestimmte Periode; und in einem Fall, in dem ein Zustand, in dem die eingegebene Zustandsgröße ein erstes Kriterium erfüllt, das relativ zu der Zustandsgröße bestimmt ist, und in dem der Verschlechterungszustand ein zweites Kriterium erfüllt, das relativ zu dem Verschlechterungszustand bestimmt ist, mit zumindest einer vorbestimmten Häufigkeit vorliegt, Aktualisieren des gelernten Modells unter Verwendung der Informationen in Bezug auf die Zustandsgröße, die in das gelernte Modell eingegeben wurden.
Modellaktualisierungsvorrichtung (30) gemäß Anspruch 1, wobei: der Verschlechterungszustand als ein Wahrscheinlichkeitswert einer Verschlechterung in der Periode vorhergesagt ist, der Zustand, in dem das zweite Kriterium erfüllt ist, einer ist von einem ersten Zustand, in dem der Wahrscheinlichkeitswert des Verschlechterungszustands zumindest ein erster Schwellenwert ist, der bezeichnet, dass ein Verschlechterungsmuster umfasst ist, und kleiner als ein zweiter Schwellenwert ist, der als ein Schwellenwert bestimmt ist, für den ein Grad einer Verschlechterung höher ist als für den ersten Schwellenwert, oder einem zweiten Zustand, in dem der Wahrscheinlichkeitswert des Verschlechterungszustands kleiner als der erste Schwellenwert ist, und der Prozessor (30A) konfiguriert ist zum: Erfassen jeweiliger Verschlechterungszustände für jeweilige Informationen in Bezug auf die Zustandsgröße, die von der Vielzahl von Zielen erhalten werden, Bestimmen, ob der erste Zustand oder der zweite Zustand für jeden der jeweiligen Verschlechterungszustände vorliegt, und Unterscheiden eines Verfahrens zum Aktualisieren des gelernten Modells zwischen einem ersten Fall, in dem eine Häufigkeit, die den ersten Zustand darstellt, zumindest eine vorbestimmte Häufigkeit ist, und einem zweiten Fall, in dem eine Häufigkeit, die den zweiten Zustand darstellt, zumindest eine vorbestimmte Häufigkeit ist.
Modellaktualisierungsvorrichtung (30) gemäß Anspruch 1 oder 2, wobei der Prozessor (30A) konfiguriert ist zum Aktualisieren des gelernten Modells in einem Fall, in dem der Verschlechterungszustand das zweite Kriterium erfüllt, falls eine Bestimmung vorliegt, dass ein Verschlechterungszustand, der durch eine andere Messeinrichtung als eine Einrichtung gemessen ist, die die Informationen in Bezug auf die Zustandsgröße der Batterie erfasst hat, sich verschlechtert hat, selbst wenn die eingegebene Zustandsgröße keine Zustandsgröße ist, die das erste Kriterium erfüllt.
Modellaktualisierungsvorrichtung (30) gemäß einem der Ansprüche 1 bis 3, wobei: jede von einer vorbestimmten kurzfristigen, mittelfristigen und langfristigen Periode als die Periode eingestellt ist, der Verschlechterungszustand als ein Wahrscheinlichkeitswert einer Verschlechterung in jeder der Perioden in dem gelernten Modell vorhergesagt ist, und der Prozessor (30A) konfiguriert ist zum Bestimmen, ob der Verschlechterungszustand in der kurzfristigen Periode ein Zustand ist oder nicht, der das zweite Kriterium erfüllt.
Verfahren zum Aktualisieren eines Modells, wobei das Verfahren durch einen Prozessor (30A) aufweist: für jedes von einer Vielzahl von Zielen, Eingeben von Informationen in Bezug auf eine Zustandsgröße einer Batterie in ein gelerntes Modell und Erfassen eines Verschlechterungszustands für eine vorbestimmte Periode; und in einem Fall, in dem ein Zustand, in dem die eingegebene Zustandsgröße ein erstes Kriterium erfüllt, das relativ zu der Zustandsgröße bestimmt ist, und in dem der Verschlechterungszustand ein zweites Kriterium erfüllt, das relativ zu dem Verschlechterungszustand bestimmt ist, mit zumindest einer vorbestimmten Häufigkeit vorliegt, Aktualisieren des gelernten Modells unter Verwendung der Informationen in Bezug auf die Zustandsgröße, die in das gelernte Modell eingegeben wurden.
Verfahren zum Aktualisieren eines Modells gemäß Anspruch 5, wobei: der Verschlechterungszustand als ein Wahrscheinlichkeitswerte einer Verschlechterung in der Periode vorhergesagt wird, der Zustand, in dem das zweite Kriterium erfüllt ist, einer ist von einem ersten Zustand, in dem der Wahrscheinlichkeitswert des Verschlechterungszustands zumindest ein erster Schwellenwert ist, der bezeichnet, dass ein Verschlechterungsmuster umfasst ist, und kleiner als ein zweiter Schwellenwert ist, der als ein Schwellenwert bestimmt ist, für den ein Grad einer Verschlechterung höher ist als für den ersten Schwellenwert, oder einem zweiten Zustand, in dem der Wahrscheinlichkeitswert des Verschlechterungszustands kleiner als der erste Schwellenwert ist, und der Prozessor: beim Erfassen des Verschlechterungszustands jeweilige Verschlechterungszustände für jeweilige Informationen in Bezug auf die Zustandsgröße erfasst, die von der Vielzahl von Zielen erhalten werden, beim Aktualisieren des gelernten Modells bestimmt, ob der erste Zustand oder der zweite Zustand für jeden der jeweiligen Verschlechterungszustände vorliegt, und ein Verfahren zum Aktualisieren des gelernten Modells unterscheidet zwischen einem ersten Fall, in dem eine Häufigkeit, die den ersten Zustand darstellt, zumindest eine vorbestimmte Häufigkeit ist, und einem zweiten Fall, in dem eine Häufigkeit, die den zweiten Zustand darstellt, zumindest eine vorbestimmte Häufigkeit ist.
Modellaktualisierungsprogramm, das durch einen Computer zum Durchführen einer Verarbeitung ausführbar ist, wobei die Verarbeitung aufweist: für jedes von einer Vielzahl von Zielen, Eingeben von Informationen in Bezug auf eine Zustandsgröße einer Batterie in ein gelerntes Modell und Erfassen eines Verschlechterungszustands für eine vorbestimmte Periode; und in einem Fall, in dem ein Zustand, in dem die eingegebene Zustandsgröße ein erstes Kriterium erfüllt, das relativ zu der Zustandsgröße bestimmt ist, und in dem der Verschlechterungszustand ein zweites Kriterium erfüllt, das relativ zu dem Verschlechterungszustand bestimmt ist, mit zumindest einer vorbestimmten Häufigkeit vorliegt, Aktualisieren des gelernten Modells unter Verwendung der Informationen in Bezug auf die Zustandsgröße, die in das gelernte Modell eingegeben wurden.