DE202023105077U1 - Auf maschinellem Lernen basierendes System zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen - Google Patents

Auf maschinellem Lernen basierendes System zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen Download PDF

Info

Publication number
DE202023105077U1
DE202023105077U1 DE202023105077.8U DE202023105077U DE202023105077U1 DE 202023105077 U1 DE202023105077 U1 DE 202023105077U1 DE 202023105077 U DE202023105077 U DE 202023105077U DE 202023105077 U1 DE202023105077 U1 DE 202023105077U1
Authority
DE
Germany
Prior art keywords
battery life
battery
vehicle
data
life prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
DE202023105077.8U
Other languages
English (en)
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to DE202023105077.8U priority Critical patent/DE202023105077U1/de
Publication of DE202023105077U1 publication Critical patent/DE202023105077U1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/488—Cells or batteries combined with indicating means for external visualization of the condition, e.g. by change of colour or of light density
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Development (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Sustainable Energy (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Secondary Cells (AREA)

Abstract

Ein System zur Vorhersage der Batterielebensdauer für Elektrofahrzeuge, bestehend aus:
eine Einheit zur Bewertung der Batteriegesundheitsleistung, die so konfiguriert ist, dass sie Batterieparameter, einschließlich Ladezustand, Zellspannung und Temperatur, kontinuierlich bewertet und diese Parameter an eine zentrale Predictive Analysis Engine überträgt;
eine Fahrmuster-Analyseeinheit, die mit dem Bordcomputersystem des Fahrzeugs verbunden ist , zum Sammeln und Analysieren von Echtzeit-Fahrdaten, einschließlich Beschleunigungsmustern, Bremsfrequenz und -intensität sowie Geschwindigkeitsschwankungen, wobei die Fahrmuster-Analyseeinheit so konfiguriert ist, dass sie die Fahrdaten an das Fahrzeug übermittelt Prädiktive Analyse-Engine;
eine Vielzahl von Sensoreinheiten, die dazu konfiguriert sind, externe Umgebungsbedingungen wie Umgebungstemperatur, Luftfeuchtigkeit und Höhe zu messen, wobei die ESU außerdem so konfiguriert ist, dass sie die Umgebungsmessungen an die Predictive Analysis Engine liefert;
ein Speichermedium, das historische Daten zu Fahrzeugnutzungsmustern speichert, wobei diese Muster häufig befahrene Routen, frühere Ladegewohnheiten und Fahrzeuglastschwankungen im Laufe der Zeit umfassen, und das Speichermedium so konfiguriert ist, dass es auf Anfrage den Abruf und die Übertragung dieser Muster an die Predictive Analysis Engine ermöglicht;
eine Predictive Analysis Processing-Einheit, die so konfiguriert ist, dass sie die empfangenen Daten verarbeitet, ein Vorhersagemodell zur Ermittlung der Batterielebensdauer formuliert und das Modell in Echtzeit auf der Grundlage sich dynamisch ändernder Faktoren anpasst; und
eine Benutzeroberfläche, um dem Fahrzeugführer die berechnete Vorhersage der Batterielebensdauer sowie Erkenntnisse aus Fahrgewohnheiten und äußeren Bedingungen visuell anzuzeigen. Die Benutzeroberfläche ist außerdem so konfiguriert, dass sie Vorschläge zur Optimierung der Batterielebensdauer auf der Grundlage der integrierten Daten bietet

Description

  • GEBIET DER ERFINDUNG:
  • Die vorliegende Erfindung bezieht sich auf ein System zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen und insbesondere auf ein auf maschinellem Lernen basierendes System, das in der Lage ist, genaue Schätzungen der Batterielebensdauer von Elektrofahrzeugen in Echtzeit bereitzustellen.
  • HINTERGRUND DER ERFINDUNG:
  • Elektrofahrzeuge erfreuen sich aufgrund ihrer Umweltvorteile und Kosteneinsparungen immer größerer Beliebtheit. Die zunehmende Beliebtheit von Elektrofahrzeugen wird auf ihre Umweltfreundlichkeit und Kosteneffizienz zurückgeführt. Für EV-Enthusiasten ist jedoch die genaue Bestimmung der Batterielebensdauer ein dringendes Anliegen, da diese sich direkt auf die Reichweite und Funktionalität des Fahrzeugs auswirkt. Die aktuellen Systeme, die dies vorhersagen, sind aufgrund von Variablen wie Fahrverhalten, äußeren Bedingungen und dem Zustand der Batterie oft nicht genau genug. Daher besteht ein dringender Bedarf an einem System, das eine genauere Vorhersage der Batterielebensdauer in Elektrofahrzeugen ermöglichen kann. Mit der zunehmenden Zugkraft von Elektrofahrzeugen wird das Verständnis und die Vorhersage der Batterieleistung für Benutzer und Hersteller gleichermaßen von entscheidender Bedeutung.
  • Bestehende Patentlösungen zur Vorhersage der Batterielebensdauer von Elektrofahrzeugen reichen von komplizierten internen Chemiebewertungen bis hin zu hochentwickelten Modellen für maschinelles Lernen. Frühe Systeme konzentrierten sich auf Batteriechemie- und Designanalysetools, die hochtechnisch waren und manchmal nicht mit den Ergebnissen der realen Welt übereinstimmten. Es gibt auch State of Charge (SoC)- und State of Health (SoH)-Monitore, die auf der Grundlage des aktuellen Zustands möglicherweise nur begrenzte Prognosen liefern. Andere Lösungen analysieren historische Fahr- und Ladedaten, können jedoch fehlerhaft sein, wenn sich die Fahrgewohnheiten ändern oder unvorhergesehene Ereignisse eintreten. Einige Systeme berücksichtigen Echtzeit-Umgebungsdaten wie die Temperatur, berücksichtigen jedoch möglicherweise nicht die Synergie zwischen solchen externen Faktoren und der individuellen Nutzung. Fortschrittliche Lösungen für maschinelles Lernen umfassen zwar verschiedene Datenpunkte, könnten jedoch rechenintensiv sein und für ältere Elektrofahrzeuge oder Gebiete mit schlechter Konnektivität weniger geeignet sein. Diesen bestehenden Lösungen mangelt es oft an einer breiten Integration von Variablen, sie stützen sich möglicherweise übermäßig auf frühere Daten, können für allgemeine Benutzer kompliziert sein und passen sich möglicherweise nicht gut an sich entwickelnde Szenarien an. Die geplante Erfindung zielt darauf ab, diese Lücken zu schließen und sieht einen ganzheitlichen, adaptiven und benutzerzentrierten Ansatz zur Vorhersage der Lebensdauer von Elektrofahrzeugbatterien vor.
  • Bestehende Vorhersagemethoden, die auf festen Parametern basieren, liefern häufig keine zeitnahen, genauen Messwerte. Daher ist ein adaptiveres und präziseres System für die Schätzung der Lebensdauer von Elektrofahrzeugbatterien unerlässlich.
  • ZUSAMMENFASSUNG DER ERFINDUNG:
  • Die vorliegende Erfindung geht die oben genannten Herausforderungen an, indem sie ein auf maschinellem Lernen basierendes System zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen einführt. Dieses System nutzt Echtzeitdaten des Fahrzeugs, historische Daten ähnlicher Fahrzeuge und externe Faktoren, um genaue Vorhersagen über die Batterielebensdauer zu treffen.
  • Die vorliegende Erfindung stellt ein System zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen bereit, indem verschiedene Parameter berücksichtigt werden, darunter unter anderem Fahrgewohnheiten, Umgebungsbedingungen, Fahrzeugnutzungshistorie und aktueller Batteriezustand. Das System nutzt eine Kombination aus maschinellen Lernmechanismen, Echtzeit-Datenerfassung und prädiktiver Analyse, um eine genauere Vorhersage der Batterielebensdauer zu ermöglichen.
  • Um die Vorteile und Merkmale der vorliegenden Offenbarung weiter zu verdeutlichen, erfolgt eine detailliertere Beschreibung der Erfindung unter Bezugnahme auf spezifische Ausführungsformen davon, die in der beigefügten Zeichnung dargestellt sind. Es versteht sich, dass diese Zeichnung nur typische Ausführungsformen der Erfindung darstellt und daher nicht als deren Umfang einschränkend anzusehen ist. Die Erfindung wird anhand der beigefügten Zeichnung genauer und detaillierter beschrieben und erläutert.
  • KURZBESCHREIBUNG DER FIGUR
  • Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verständlich, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügte Zeichnung gelesen wird, in der gleiche Bezugszeichen gleiche Teile darstellen, wobei:
    • 1 zeigt ein Blockdiagramm eines Systems zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen gemäß einer Ausführungsform der vorliegenden Offenbarung.
  • Darüber hinaus werden erfahrene Handwerker erkennen, dass Elemente in der Zeichnung der Einfachheit halber dargestellt sind und möglicherweise nicht unbedingt maßstabsgetreu gezeichnet wurden. Beispielsweise veranschaulichen die Flussdiagramme die Methode anhand der wichtigsten Schritte, die dazu beitragen, das Verständnis von Aspekten der vorliegenden Offenbarung zu verbessern. Darüber hinaus können im Hinblick auf die Konstruktion des Geräts eine oder mehrere Komponenten des Geräts in der Zeichnung durch herkömmliche Symbole dargestellt worden sein, und die Zeichnung zeigt möglicherweise nur die spezifischen Details, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind um die Zeichnung nicht durch Details zu verdecken, die für den Durchschnittsfachmann, der die Beschreibung hierin nutzt, leicht ersichtlich sind.
  • DETAILLIERTE BESCHREIBUNG:
  • Um das Verständnis der Prinzipien der Erfindung zu fördern, wird nun auf die in der Zeichnung dargestellte Ausführungsform Bezug genommen und für deren Beschreibung eine spezifische Sprache verwendet. Es versteht sich jedoch, dass dadurch keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, da Änderungen und weitere Modifikationen des dargestellten Systems und weitere Anwendungen der darin dargestellten Prinzipien der Erfindung in Betracht gezogen werden, wie sie einem Fachmann normalerweise in den Sinn kommen würden in der Technik, auf die sich die Erfindung bezieht.
  • Der Fachmann wird verstehen, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.
  • Verweise in dieser Spezifikation auf „einen Aspekt“, „einen anderen Aspekt“ oder eine ähnliche Sprache bedeuten, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder ein bestimmtes Merkmal, das in Verbindung mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Daher beziehen sich die Formulierungen „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Formulierungen in dieser Spezifikation möglicherweise, aber nicht unbedingt, auf dieselbe Ausführungsform.
  • Die Begriffe „umfasst“, „umfassend“ oder alle anderen Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, sodass ein Prozess oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte umfasst, sondern möglicherweise andere Schritte nicht umfasst ausdrücklich aufgeführt oder diesem Prozess oder dieser Methode innewohnend sind. Ebenso schließen ein oder mehrere Geräte oder Subsysteme oder Elemente oder Strukturen oder Komponenten, denen „umfasst...a“ vorangestellt ist, nicht ohne weitere Einschränkungen die Existenz anderer Geräte oder anderer Subsysteme oder anderer Elemente oder anderer Strukturen aus andere Komponenten oder zusätzliche Geräte oder zusätzliche Subsysteme oder zusätzliche Elemente oder zusätzliche Strukturen oder zusätzliche Komponenten.
  • Sofern nicht anders definiert, haben alle hier verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Durchschnittsfachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden werden. Das hier bereitgestellte System, die Methoden und Beispiele dienen nur der Veranschaulichung und sollen nicht einschränkend sein.
  • Ausführungsformen der vorliegenden Offenbarung werden im Folgenden ausführlich unter Bezugnahme auf die beigefügte Zeichnung beschrieben.
  • Die in dieser Spezifikation beschriebenen Funktionseinheiten sind als Geräte gekennzeichnet. Ein Gerät kann in programmierbaren Hardwaregeräten wie Prozessoren, digitalen Signalprozessoren, Zentraleinheiten, feldprogrammierbaren Gate-Arrays, programmierbarer Array-Logik, programmierbaren Logikgeräten, Cloud-Verarbeitungssystemen oder dergleichen implementiert werden. Die Geräte können auch in Software zur Ausführung durch verschiedene Prozessortypen implementiert werden. Ein identifiziertes Gerät kann ausführbaren Code enthalten und beispielsweise einen oder mehrere physische oder logische Blöcke von Computeranweisungen umfassen, die beispielsweise als Objekt, Prozedur, Funktion oder anderes Konstrukt organisiert sein können. Dennoch muss die ausführbare Datei eines identifizierten Geräts nicht physisch zusammen angeordnet sein, sondern kann aus unterschiedlichen, an unterschiedlichen Orten gespeicherten Anweisungen bestehen, die, wenn sie logisch zusammengefügt werden, das Gerät bilden und den angegebenen Zweck des Geräts erfüllen.
  • Tatsächlich könnte ein ausführbarer Code eines Geräts oder Moduls eine einzelne Anweisung oder mehrere Anweisungen sein und sogar über mehrere verschiedene Codesegmente, zwischen verschiedenen Anwendungen und über mehrere Speichergeräte verteilt sein. In ähnlicher Weise können Betriebsdaten hier innerhalb des Geräts identifiziert und dargestellt werden und können in jeder geeigneten Form verkörpert und in jeder geeigneten Art von Datenstruktur organisiert werden. Die Betriebsdaten können als einzelner Datensatz erfasst oder über verschiedene Standorte, einschließlich verschiedener Speichergeräte, verteilt werden und können zumindest teilweise als elektronische Signale in einem System oder Netzwerk vorliegen.
  • Verweise in dieser Spezifikation auf „eine ausgewählte Ausführungsform“, „eine Ausführungsform“ oder „eine Ausführungsform“ bedeuten, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder ein bestimmtes Merkmal, das in Verbindung mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform des offenbarten Gegenstands enthalten ist. Daher beziehen sich die Ausdrücke „eine ausgewählte Ausführungsform“, „in einer Ausführungsform“ oder „in einer Ausführungsform“ an verschiedenen Stellen in dieser Spezifikation nicht unbedingt auf dieselbe Ausführungsform.
  • Darüber hinaus können die beschriebenen Merkmale, Strukturen oder Eigenschaften in einer oder mehreren Ausführungsformen auf jede geeignete Weise kombiniert werden. In der folgenden Beschreibung werden zahlreiche spezifische Details bereitgestellt, um ein umfassendes Verständnis der Ausführungsformen des offenbarten Gegenstands zu ermöglichen. Ein Fachmann auf dem betreffenden Gebiet wird jedoch erkennen, dass der offenbarte Gegenstand ohne eines oder mehrere der spezifischen Details oder mit anderen Methoden, Komponenten, Materialien usw. in die Praxis umgesetzt werden kann. In anderen Fällen können wohlbekannte Strukturen, Materialien, oder Vorgänge werden nicht im Detail gezeigt oder beschrieben, um Aspekte des offengelegten Gegenstands nicht zu verschleiern.
  • Gemäß den beispielhaften Ausführungsformen können die offenbarten Computerprogramme oder -module auf viele beispielhafte Arten ausgeführt werden, beispielsweise als Anwendung, die sich im Speicher eines Geräts befindet, oder als gehostete Anwendung, die auf einem Server ausgeführt wird und mit diesem kommuniziert Geräteanwendung oder Browser über eine Reihe von Standardprotokollen wie TCP/IP, HTTP, XML, SOAP, REST, JSON und andere ausreichende Protokolle. Die offenbarten Computerprogramme können in beispielhaften Programmiersprachen geschrieben sein, die aus dem Speicher des Geräts oder von einem gehosteten Server ausgeführt werden, wie etwa BASIC, COBOL, C, C++, Java, Pascal, oder Skriptsprachen wie JavaScript, Python, Ruby, PHP , Perl oder andere geeignete Programmiersprachen.
  • Einige der offenbarten Ausführungsformen beinhalten oder beinhalten auf andere Weise die Datenübertragung über ein Netzwerk, beispielsweise die Übermittlung verschiedener Eingaben oder Dateien über das Netzwerk. Das Netzwerk kann beispielsweise eines oder mehrere der folgenden Elemente umfassen: Internet, Wide Area Networks (WANs), Local Area Networks (LANs), analoge oder digitale drahtgebundene und drahtlose Telefonnetzwerke (z. B. ein PSTN, Integrated Services Digital Network (ISDN)), ein Mobilfunknetz und Digital Subscriber Line (xDSL), Radio, Fernsehen, Kabel, Satellit und/oder andere Übertragungs- oder Tunnelmechanismen zur Datenübertragung. Das Netzwerk kann mehrere Netzwerke oder Teilnetzwerke umfassen, von denen jedes beispielsweise einen drahtgebundenen oder drahtlosen Datenweg umfassen kann. Das Netzwerk kann ein leitungsvermitteltes Sprachnetzwerk, ein paketvermitteltes Datennetzwerk oder jedes andere Netzwerk umfassen, das elektronische Kommunikation übertragen kann. Das Netzwerk kann beispielsweise Netzwerke umfassen, die auf dem Internetprotokoll (IP) oder dem asynchronen Übertragungsmodus (ATM) basieren, und kann Sprache beispielsweise mithilfe von VoIP, Voice-over-ATM oder anderen vergleichbaren Protokollen unterstützen, die für Sprachdatenkommunikation verwendet werden. In einer Implementierung umfasst das Netzwerk ein Mobilfunknetz, das so konfiguriert ist, dass es den Austausch von Text- oder SMS-Nachrichten ermöglicht.
  • Beispiele für das Netzwerk sind unter anderem ein Personal Area Network (PAN), ein Storage Area Network (SAN), ein Home Area Network (HAN), ein Campus Area Network (CAN) und ein Local Area Network (LAN). ), ein Wide Area Network (WAN), ein Metropolitan Area Network (MAN), ein Virtual Private Network (VPN), ein Enterprise Private Network (EPN), Internet, ein Global Area Network (GAN) und so weiter.
  • 1 veranschaulicht ein Blockdiagramm eines Systems (100) zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen gemäß einer Ausführungsform der vorliegenden Offenbarung. Das System (100) umfasst eine Batteriegesundheitsleistungsbewertungseinheit (102), die so konfiguriert ist, dass sie Batterieparameter, einschließlich Ladeniveaus, Zellspannungen und Temperatur, kontinuierlich bewertet und diese Parameter an eine zentrale prädiktive Analysemaschine (104) überträgt.
  • In einer Ausführungsform ist eine Fahrmusteranalyseeinheit (106) mit dem Bordcomputersystem (108) des Fahrzeugs verbunden, um Echtzeit-Fahrdaten zu sammeln und zu analysieren , einschließlich Beschleunigungsmustern, Bremsfrequenz und -intensität sowie Geschwindigkeitsschwankungen, der Fahrmusteranalyse Die Einheit (106) ist so konfiguriert, dass sie die Fahrdaten an die Predictive Analysis Engine (104) übermittelt.
  • In einer Ausführungsform sind mehrere Sensoreinheiten (110) so konfiguriert, dass sie äußere Umgebungsbedingungen wie Umgebungstemperatur, Luftfeuchtigkeit und Höhe messen. Die ESU (110) ist außerdem so konfiguriert, dass sie die Umgebungsmessungen an die Predictive Analysis Engine (104) liefert..
  • In einer Ausführungsform wird ein Speichermedium (112) verwendet, das historische Daten zu Fahrzeugnutzungsmustern speichert, wobei diese Muster häufig befahrene Routen, frühere Ladegewohnheiten und Fahrzeuglastschwankungen im Laufe der Zeit umfassen, und das Speichermedium (112) so konfiguriert ist, dass ein Abruf möglich ist und Übermittlung dieser Muster an die Predictive Analysis Engine (104) auf Anfrage.
  • In einer Ausführungsform ist eine Predictive Analysis Processing-Einheit (114) so konfiguriert, dass sie die empfangenen Daten verarbeitet, ein Vorhersagemodell zur Ermittlung der Batterielebensdauer formuliert und das Modell in Echtzeit auf der Grundlage sich dynamisch ändernder Faktoren anpasst
  • In einer Ausführungsform ist eine Benutzeroberfläche (116) dazu vorgesehen, dem Fahrzeugführer die berechnete Vorhersage der Batterielebensdauer zusammen mit Erkenntnissen aus Fahrgewohnheiten und äußeren Bedingungen visuell anzuzeigen, wobei die Benutzeroberfläche (116) außerdem so konfiguriert ist, dass sie Vorschläge zur Optimierung der Batterielebensdauer basierend darauf bietet die integrierten Daten.
  • In einer Ausführungsform umfasst die Batteriegesundheitsleistungsbewertungseinheit (102) eine Impedanzspektroskopieschaltung zur Bewertung des Innenwiderstands und der Elektrodenzustände der Batterie.
  • In einer Ausführungsform verwendet die Batteriegesundheitsleistungsbewertungseinheit (102) einen Temperaturfühler-Thermistor (102a), der mit den Batteriezellen gekoppelt ist und präzise Temperaturmessungen an mehreren Batteriestandorten ermöglicht.
  • In einer Ausführungsform nutzt die Fahrmusteranalyseeinheit (106) einen dreiachsigen Beschleunigungsmesser (106a) zur Quantifizierung von Beschleunigungsmustern in Vorwärts-Rückwärts-, Links-Rechts- und Auf-Ab-Richtung.
  • In einer Ausführungsform umfassen die mehreren Sensoreinheiten (110) außerdem einen Luftdrucksensor (110a) für genauere Höhenmessungen.
  • In einer Ausführungsform verwendet das Speichermedium (112) einen nichtflüchtigen Speicher, der sicherstellt, dass historische Daten auch bei fehlender Stromversorgung erhalten bleiben.
  • In einer Ausführungsform integriert die Predictive Analysis Processing-Einheit (114) einen auf einem neuronalen Netzwerk basierenden Algorithmus, der speziell für die Marke und das Modell des Fahrzeugs trainiert wurde, um seine Vorhersagen zur Batterielebensdauer zu verfeinern.
  • In einer Ausführungsform umfasst die Benutzerschnittstelle (116) ein OLED-Display (116a), um kontrastreichere visuelle Darstellungen und dynamische Anpassungen basierend auf den Umgebungslichtbedingungen bereitzustellen.
  • In einer Ausführungsform ist die Benutzerschnittstelle (116) außerdem so konfiguriert, dass sie Sprachbefehle empfängt, die es dem Fahrzeugführer ermöglichen, die Batterielebensdauer ohne manuelle Eingabe abzufragen, und wobei die Predictive Analysis Processing-Einheit (116) Daten von der Battery Health Performance Assessment Unit korreliert (102) und die Fahrmusteranalyseeinheit (106) zur Berechnung der Verschlechterungsrate einer Batterie im Laufe der Zeit.
  • In einer Ausführungsform sind die mehreren Sensoreinheiten (110) mit einem drahtlosen Kommunikationsmodul (118) verbunden, was Echtzeit-Datenaktualisierungen von Wettervorhersagesystemen ermöglicht, um Vorhersagen zur Batterielebensdauer weiter zu verfeinern.
  • In einer Ausführungsform berechnet die Predictive Analysis Processing-Einheit (114) zusätzlich die Energieverbrauchsrate des Fahrzeugs unter verschiedenen äußeren Umgebungsbedingungen und integriert diese Rate in das Batterielebensdauer-Vorhersagemodell, und wobei die Benutzerschnittstelle (116) haptische Feedbackmechanismen enthält, die das Fahrzeug warnen Fahrzeugführer durch taktile Signale über kritische Batteriezustände oder empfohlene Maßnahmen.
  • In einer Ausführungsform sind die Batteriegesundheitsleistungsbewertungseinheit (102), die zentralisierte prädiktive Analysemaschine (104), die Fahrmusteranalyseeinheit (106), das Bordcomputersystem (108) des Fahrzeugs, mehrere Sensoreinheiten (110) und das Speichermedium (112 ) enthalten ), Vorhersageanalyse-Verarbeitungseinheit (114), Benutzerschnittstelle (116), drahtloses Kommunikationsmodul (118) können in programmierbaren Hardwaregeräten wie Prozessoren, digitalen Signalprozessoren, zentralen Verarbeitungseinheiten, feldprogrammierbaren Gate-Arrays, programmierbarer Array-Logik, implementiert werden. programmierbare Logikgeräte, Cloud-Verarbeitungssysteme oder dergleichen.
  • Das Batterielebensdauer-Vorhersagesystem für Elektrofahrzeuge ist eine vielseitige Lösung, die den Benutzern in Echtzeit prädiktive Einblicke in den Zustand und die Lebensdauer der Batterie ihres Fahrzeugs bieten soll. Im Kern ist die Battery Health Performance Assessment Unit so konfiguriert, dass sie verschiedene Batterieparameter kontinuierlich überwacht. Dazu gehören Aspekte wie der Ladezustand, der die aktuelle Energiereserve der Batterie angibt, Zellspannungen, die etwaige Ungleichgewichte oder potenzielle Fehler innerhalb des Batteriepakets erkennen können, und die Temperatur der Batterie, eine wesentliche Messgröße, da sowohl hohe als auch niedrige Extremwerte dies können Auswirkungen auf die Batterieleistung und die Gesamtlebensdauer haben. Die Daten dieser Einheit werden dann zur weiteren Verarbeitung an eine zentrale Predictive Analysis Engine übertragen.
  • Gleichzeitig ist die Fahrmusteranalyseeinheit in das Bordcomputersystem des Fahrzeugs integriert. Diese Einheit ist in erster Linie für die Erfassung und Analyse von Echtzeit-Fahrdaten verantwortlich. Wichtige Messgrößen sind Beschleunigungsmuster, Häufigkeit und Intensität von Bremsereignissen sowie Schwankungen der Fahrgeschwindigkeit. Indem das System die Gewohnheiten eines Fahrers versteht, kann es fundiertere Vorhersagen über den Batterieverschleiß im Laufe der Zeit treffen. Sobald diese Fahrdaten erfasst sind, werden sie auch an die Predictive Analysis Engine übermittelt.
  • Ergänzt werden diese beiden Einheiten durch eine Reihe von Sensoreinheiten, die speziell zur Messung äußerer Umgebungsbedingungen entwickelt wurden. Diese Sensoren messen Umgebungstemperatur, Luftfeuchtigkeit und sogar Höhe. Da diese äußeren Bedingungen die Batterieleistung stark beeinflussen können, stellen Echtzeitmessungen sicher, dass die prädiktive Analyse genauer ist. Auch diese Daten integriert die Predictive Analysis Engine.
  • Um einen umfassenderen Einblick zu ermöglichen, ist ein Speichermedium in das System eingebettet. Dieses Medium speichert historische Daten zu verschiedenen Fahrzeugnutzungsmustern. Diese Muster erstrecken sich über Parameter wie häufig zurückgelegte Routen, frühere Ladegewohnheiten und die Variation der Fahrzeuglast über verschiedene Zeiträume. Bei Bedarf können diese historischen Daten abgerufen und mit der Predictive Analysis Engine geteilt werden.
  • Die Predictive Analysis Processing-Einheit ist das Herzstück des Systems. Diese Einheit ist mit der schweren Arbeit betraut und verarbeitet alle eingehenden Daten. Anhand dieser Informationen wird ein Vorhersagemodell formuliert, mit dem die potenzielle Lebensdauer der Batterie ermittelt werden soll. Dieses Modell ist nicht statisch; Es passt sich in Echtzeit an und berücksichtigt alle sich dynamisch ändernden Faktoren, um möglichst genaue Vorhersagen zu ermöglichen.
  • Schließlich ist das System mit einer Benutzeroberfläche ausgestattet, die dem Fahrzeugführer eine visuelle Darstellung der prognostizierten Batterielebensdauer bietet. Diese Schnittstelle zeigt nicht nur die Vorhersage an, sondern bietet auch Erkenntnisse, die das System aus den Fahrgewohnheiten des Benutzers und den aktuellen äußeren Bedingungen ableitet. Die Benutzeroberfläche ist mehr als nur ein informatives Tool. Sie kann dem Fahrer proaktive Maßnahmen vorschlagen, die er ergreifen kann, um die Batterielebensdauer zu optimieren, basierend auf den integrierten Daten aller oben genannten Einheiten. Dieses Batterielebensdauer-Vorhersagesystem stellt einen bedeutenden Fortschritt in der benutzerfreundlichen Technologie dar und stellt sicher, dass Fahrer von Elektrofahrzeugen über den Zustand ihres Fahrzeugs informiert und proaktiv bleiben.
  • Um die Batterielebensdauer eines Elektrofahrzeugs vorherzusagen, müssen große Datenmengen synthetisiert werden, um den Zustand und die Langlebigkeit der Batterie vorherzusagen. Die vorliegende Erfindung kombiniert sowohl maschinelle Lernmodelle als auch physikbasierte Modelle, um genaue Vorhersagen zu liefern.
  • Erstens sammelt das System kontinuierlich Daten aus allen genannten Quellen, wie z. B. der Battery Health Performance Assessment Unit, der Driving Pattern Analysis Unit, Sensoreinheiten und dem Speichermedium. Daten aus diesen Einheiten können in unterschiedlichen Formaten oder Einheiten vorliegen und müssen unbedingt vorverarbeitet werden. Die Vorverarbeitung könnte Aufgaben wie die Datennormalisierung, das Entfernen von Ausreißern oder das Auffüllen fehlender Werte umfassen.
  • Dieser Schritt ist entscheidend für die Verbesserung der Leistung des Mechanismus. Hier werden Rohdaten in Merkmale umgewandelt oder zerlegt, die die zugrunde liegenden Muster für die Vorhersagemodelle besser darstellen. Anstatt nur rohe Beschleunigungsdaten zu verwenden, könnten beispielsweise Funktionen wie „durchschnittliche Beschleunigung in den letzten 10 Minuten“ oder „Anzahl starker Bremsungen in der letzten Stunde“ aussagekräftiger sein.
  • Die historischen Daten des Speichermediums können genutzt werden, um Muster oder Trends im Zeitverlauf zu erkennen. Dazu könnte die Analyse gehören, wie der Batteriezustand in der Vergangenheit mit bestimmten Fahrgewohnheiten oder Umgebungsbedingungen zusammenhängt. In dieser Phase könnte die Regressionsanalyse besonders hilfreich sein.
  • Ein hybrider Ansatz ist oft am besten. Physikbasierte Modelle können verwendet werden, um die zugrunde liegenden chemischen und physikalischen Prozesse in der Batterie zu verstehen, während Modelle des maschinellen Lernens (wie neuronale Netze oder Gradientenverstärkte Bäume) aus historischen Daten lernen und nichtlineare Muster vorhersagen können. Diese Kombination stellt sicher, dass der Mechanismus die inhärente Komplexität der Batterieverschlechterung erfasst und sich gleichzeitig an einzigartige Fahrgewohnheiten und -bedingungen anpasst.
  • Wenn mehr Daten erfasst werden, trainiert oder verfeinert das System die Vorhersagemodelle regelmäßig neu, um sie an neue Muster oder Änderungen anzupassen. Dadurch wird sichergestellt, dass das Modell auch bei alternder Batterie oder sich ändernden Fahrgewohnheiten im Laufe der Zeit genau bleibt.
  • Der Mechanismus aktualisiert seine Vorhersagen kontinuierlich auf der Grundlage von Echtzeitdaten. Beispielsweise könnte der Mechanismus an einem besonders kalten Tag aufgrund der bekannten Auswirkungen von Kälte auf die Batterieleistung eine etwas kürzere Batterielebensdauer vorhersagen.
  • Die Benutzeroberfläche zeigt nicht nur Vorhersagen an, sondern kann auch Feedback vom Benutzer einholen. Wenn ein Fahrer beispielsweise feststellt, dass die vorhergesagte Batterielebensdauer durchweg zu optimistisch war, kann er dies eingeben und der Mechanismus kann sich entsprechend anpassen.
  • Basierend auf den synthetisierten Daten und den Modellen sagt der Mechanismus die erwartete Batterielebensdauer unter aktuellen Bedingungen und Gewohnheiten voraus. Diese Daten werden auch verwendet, um Vorschläge zur Verlängerung der Batterielebensdauer zu machen. Wenn beispielsweise häufig eine aggressive Beschleunigung festgestellt wird, schlägt das System möglicherweise sanftere Beschleunigungen vor, um die Batterielebensdauer zu optimieren.
  • Die Daten der Battery Health Performance Assessment Unit, wie Ladezustände, Zellspannungen und Temperatur, können in ein rekurrentes neuronales Netzwerk (RNN) oder ein Long-Short-Term-Memory-Modell (LSTM) eingespeist werden. Aufgrund ihrer Fähigkeit, sequentielle Daten zu verarbeiten, können diese Modelle zukünftige Batterieparameter auf der Grundlage historischer Trends vorhersagen.
  • Die Daten der Driving Pattern Analysis Unit, die Beschleunigungsmuster, Bremsfrequenz und Geschwindigkeitsschwankungen umfassen, können mithilfe eines Convolutional Neural Network (CNN) verarbeitet werden. Obwohl CNNs häufig für die Bildverarbeitung verwendet werden, können sie hier eingesetzt werden, um Muster oder „Merkmale“ in den Fahrdaten zu finden, die sich erheblich auf die Batterielebensdauer auswirken.
  • Die von den Sensoreinheiten gesammelten Daten zu externen Umgebungsbedingungen (wie Temperatur, Luftfeuchtigkeit und Höhe) können mithilfe von Entscheidungsbäumen oder Gradienten-verstärkten Maschinen analysiert werden. Diese Modelle können verstehen, wie verschiedene Umweltfaktoren zur Batterieverschlechterung beitragen.
  • Die historischen Daten des Speichermediums, die Informationen über häufig zurückgelegte Routen, vergangene Ladegewohnheiten etc. enthalten, können für Zeitreihenprognosen genutzt werden. Mechanismen wie ARIMA ( AutoRegressive Integrated Moving Average) oder Prophet können verwendet werden, um zukünftige Batterienutzungsmuster und die entsprechenden Auswirkungen auf den Batteriezustand vorherzusagen.
  • Alle Ausgaben der KI-Modelle können in eine zentrale Predictive Analysis Engine integriert werden. Diese Engine, die möglicherweise einen Ensemble-Lernansatz verwendet, würde die Vorhersagen einzelner Modelle kombinieren, um eine umfassende Vorhersage der Batterielebensdauer zu erstellen. Der Ensemble-Ansatz stellt sicher, dass die endgültige Vorhersage die Stärken jedes Modells nutzt und gleichzeitig ihre individuellen Schwächen minimiert.
  • Da die Benutzeroberfläche Feedback von Benutzern über die Genauigkeit der Vorhersagen zur Batterielebensdauer erhält, kann dieses Feedback zur Neuschulung und Feinabstimmung der KI-Modelle verwendet werden. Hier können aktive Lernstrategien angewendet werden, bei denen das Modell den Benutzer aktiv nach Feedback zu bestimmten Vorhersagen fragt und so eine kontinuierliche Verbesserung im Laufe der Zeit gewährleistet.
  • Reinforcement Learning (RL) wird eingesetzt, um den Benutzern umsetzbare Empfehlungen zu geben. In diesem Szenario lernt das RL-Modell eine optimale Strategie für Fahr- und Ladegewohnheiten, um die Batterielebensdauer zu maximieren. Dies geschieht durch ein System von Belohnungen und Strafen, abhängig von der Gesundheitsreaktion der Batterie auf verschiedene Aktionen.
  • Die Zeichnung und die vorstehende Beschreibung geben Beispiele für Ausführungsformen. Fachleute werden erkennen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente einer Ausführungsform können zu einer anderen Ausführungsform hinzugefügt werden. Beispielsweise können die Reihenfolgen der hier beschriebenen Prozesse geändert werden und sind nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge implementiert werden; Es müssen auch nicht unbedingt alle Handlungen ausgeführt werden. Auch solche Handlungen, die nicht von anderen Handlungen abhängig sind, können parallel zu den anderen Handlungen durchgeführt werden. Der Umfang der Ausführungsformen wird durch diese spezifischen Beispiele keineswegs eingeschränkt. Zahlreiche Variationen, ob explizit in der Spezifikation angegeben oder nicht, wie z. B. Unterschiede in Struktur, Abmessung und Materialverwendung, sind möglich. Der Umfang der Ausführungsformen ist mindestens so breit wie durch die folgenden Ansprüche angegeben.
  • Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf spezifische Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und alle Komponenten, die dazu führen können, dass ein Nutzen, ein Vorteil oder eine Lösung eintritt oder ausgeprägter wird, dürfen jedoch nicht als kritische, erforderliche oder wesentliche Funktion oder Komponente von ausgelegt werden einzelne oder alle Ansprüche.
  • REFERENZEN
    • 100
    Ein System (100) Zur Vorhersage Der Batterielebensdauer In Elektrofahrzeugen.
    102
    Einheit
    102a
    Temperaturfühler-Thermistor
    104
    Zentralisierte Predictive Analysis Engine
    106
    Abteilung Für Fahrmusteranalyse
    106a
    Dreiachsiger Beschleunigungsmesser
    108
    Bordcomputersystem Des Fahrzeugs
    110
    Mehrere Sensoreinheiten
    110a
    Luftdrucksensor
    112
    Speichermedium
    114
    Einheit Zur Verarbeitung Prädiktiver Analysen
    116
    Benutzeroberfläche
    116a
    OLED- Display
    118
    Ein Drahtloses Kommunikationsmodul

Claims (11)

  1. Ein System zur Vorhersage der Batterielebensdauer für Elektrofahrzeuge, bestehend aus: eine Einheit zur Bewertung der Batteriegesundheitsleistung, die so konfiguriert ist, dass sie Batterieparameter, einschließlich Ladezustand, Zellspannung und Temperatur, kontinuierlich bewertet und diese Parameter an eine zentrale Predictive Analysis Engine überträgt; eine Fahrmuster-Analyseeinheit, die mit dem Bordcomputersystem des Fahrzeugs verbunden ist , zum Sammeln und Analysieren von Echtzeit-Fahrdaten, einschließlich Beschleunigungsmustern, Bremsfrequenz und -intensität sowie Geschwindigkeitsschwankungen, wobei die Fahrmuster-Analyseeinheit so konfiguriert ist, dass sie die Fahrdaten an das Fahrzeug übermittelt Prädiktive Analyse-Engine; eine Vielzahl von Sensoreinheiten, die dazu konfiguriert sind, externe Umgebungsbedingungen wie Umgebungstemperatur, Luftfeuchtigkeit und Höhe zu messen, wobei die ESU außerdem so konfiguriert ist, dass sie die Umgebungsmessungen an die Predictive Analysis Engine liefert; ein Speichermedium, das historische Daten zu Fahrzeugnutzungsmustern speichert, wobei diese Muster häufig befahrene Routen, frühere Ladegewohnheiten und Fahrzeuglastschwankungen im Laufe der Zeit umfassen, und das Speichermedium so konfiguriert ist, dass es auf Anfrage den Abruf und die Übertragung dieser Muster an die Predictive Analysis Engine ermöglicht; eine Predictive Analysis Processing-Einheit, die so konfiguriert ist, dass sie die empfangenen Daten verarbeitet, ein Vorhersagemodell zur Ermittlung der Batterielebensdauer formuliert und das Modell in Echtzeit auf der Grundlage sich dynamisch ändernder Faktoren anpasst; und eine Benutzeroberfläche, um dem Fahrzeugführer die berechnete Vorhersage der Batterielebensdauer sowie Erkenntnisse aus Fahrgewohnheiten und äußeren Bedingungen visuell anzuzeigen. Die Benutzeroberfläche ist außerdem so konfiguriert, dass sie Vorschläge zur Optimierung der Batterielebensdauer auf der Grundlage der integrierten Daten bietet
  2. Batterielebensdauer-Vorhersagesystem nach Anspruch 1, wobei die Einheit zur Bewertung der Batteriegesundheitsleistung eine Impedanzspektroskopieschaltung zur Bewertung des Innenwiderstands und der Elektrodenzustände der Batterie umfasst.
  3. Batterielebensdauer-Vorhersagesystem nach Anspruch 1, wobei die Einheit zur Bewertung der Batteriegesundheitsleistung einen mit den Batteriezellen gekoppelten Temperaturfühler-Thermistor verwendet, der präzise Temperaturmessungen an mehreren Batteriestandorten ermöglicht.
  4. Batterielebensdauer-Vorhersagesystem nach Anspruch 1, wobei die Fahrmuster-Analyseeinheit einen dreiachsigen Beschleunigungsmesser zur Quantifizierung von Beschleunigungsmustern in Vorwärts-Rückwärts-, Links-Rechts- und Auf-Ab-Richtung verwendet.
  5. Batterielebensdauer-Vorhersagesystem nach Anspruch 1, wobei die mehreren Sensoreinheiten außerdem einen Luftdrucksensor für genauere Höhenmessungen umfassen.
  6. Batterielebensdauer-Vorhersagesystem nach Anspruch 1, wobei das Speichermedium einen nichtflüchtigen Speicher verwendet, der sicherstellt, dass historische Daten auch bei fehlender Stromversorgung erhalten bleiben.
  7. Batterielebensdauer-Vorhersagesystem nach Anspruch 1, wobei die Predictive Analysis Processing-Einheit einen auf einem neuronalen Netzwerk basierenden Algorithmus integriert, der speziell für die Marke und das Modell des Fahrzeugs trainiert wurde, um seine Batterielebensdauervorhersagen zu verfeinern.
  8. Batterielebensdauer-Vorhersagesystem nach Anspruch 1, wobei die Benutzeroberfläche ein OLED-Display enthält, um kontrastreichere visuelle Darstellungen und dynamische Anpassungen basierend auf den Umgebungslichtbedingungen bereitzustellen.
  9. Batterielebensdauer-Vorhersagesystem nach Anspruch 1, wobei die Benutzerschnittstelle außerdem so konfiguriert ist, dass sie Sprachbefehle empfängt, die es dem Fahrzeugführer ermöglichen, die Batterielebensdauer ohne manuelle Eingabe abzufragen, und wobei die prädiktive Analyseverarbeitungseinheit Daten aus der Bewertung der Batteriegesundheitsleistung korreliert Einheit und die Fahrmusteranalyseeinheit zur Berechnung der Verschlechterungsrate einer Batterie im Laufe der Zeit.
  10. Batterielebensdauer-Vorhersagesystem nach Anspruch 1, wobei die mehreren Sensoreinheiten mit einem drahtlosen Kommunikationsmodul verbunden sind, was Datenaktualisierungen von Wettervorhersagesystemen in Echtzeit ermöglicht, um Vorhersagen zur Batterielebensdauer weiter zu verfeinern.
  11. Das Batterielebensdauer-Vorhersagesystem nach Anspruch 1, wobei die prädiktive Analyseverarbeitungseinheit zusätzlich die Energieverbrauchsrate des Fahrzeugs unter unterschiedlichen äußeren Umgebungsbedingungen berechnet und diese Rate in das Batterielebensdauer-Vorhersagemodell einbezieht, und wobei die Benutzeroberfläche haptische Feedbackmechanismen umfasst. Alarmierung des Fahrzeugführers durch taktile Signale über kritische Batteriezustände oder empfohlene Maßnahmen.
DE202023105077.8U 2023-09-05 2023-09-05 Auf maschinellem Lernen basierendes System zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen Active DE202023105077U1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE202023105077.8U DE202023105077U1 (de) 2023-09-05 2023-09-05 Auf maschinellem Lernen basierendes System zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE202023105077.8U DE202023105077U1 (de) 2023-09-05 2023-09-05 Auf maschinellem Lernen basierendes System zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen

Publications (1)

Publication Number Publication Date
DE202023105077U1 true DE202023105077U1 (de) 2023-09-25

Family

ID=88307052

Family Applications (1)

Application Number Title Priority Date Filing Date
DE202023105077.8U Active DE202023105077U1 (de) 2023-09-05 2023-09-05 Auf maschinellem Lernen basierendes System zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen

Country Status (1)

Country Link
DE (1) DE202023105077U1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117491899A (zh) * 2024-01-03 2024-02-02 强钧能源技术(深圳)有限公司 一种移动式储能电源的可靠性诊断系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117491899A (zh) * 2024-01-03 2024-02-02 强钧能源技术(深圳)有限公司 一种移动式储能电源的可靠性诊断系统
CN117491899B (zh) * 2024-01-03 2024-04-12 强钧能源技术(深圳)有限公司 一种移动式储能电源的可靠性诊断系统

Similar Documents

Publication Publication Date Title
DE102020206592A1 (de) Verfahren und Vorrichtung zum Betreiben eines elektrisch antreibbaren Kraftfahrzeugs abhängig von einem prädizierten Alterungszustands eines elektrischen Energiespeichers
DE112017004755T5 (de) Sekundärbatterie-Verwaltungssystem mit entfernter Parameterschätzung
EP3966579A1 (de) Server-seitige charakterisierung von wiederaufladbaren batterien
DE112010001970T5 (de) System und Verfahren zur Überwachung und Steuerung eines Energiesystems
DE102020215297A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
DE60211520T2 (de) Anordnung zur Steuerung des Betriebs eines physikalischen Systems wie zum Beispiel einer Brennstoffzelle in elektrischen Fahrzeugen
DE202023105077U1 (de) Auf maschinellem Lernen basierendes System zur Vorhersage der Batterielebensdauer in Elektrofahrzeugen
DE102017128901A1 (de) Vorrichtung und Verfahren zum Vorhersagen einer Lebensdauer einer Brennstoffzelle und Fahrzeugsystem, welches dieselben hat
DE102020117609A1 (de) Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung
DE102020212299A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
DE112018007858T5 (de) Computerimplementiertes Verfahren und Datenverarbeitungssystem zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug
DE102022111956A1 (de) Verfahren und system zur selbstentladungsprognose für fahrzeugbatteriezellen mit einem internen kurzschluss
DE102008045840B4 (de) Verfahren zum Betreiben einer Prozess-Messstelle
DE102021204014A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines Alterungszustandsmodells zur Ermittlung von aktuellen und prädizierten Alterungszuständen von elektrischen Energiespeichern mithilfe von Transfer-Lernen mithilfe maschineller Lernverfahren
DE102021203868A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen eines elektrochemischen Batteriemodells für eine Gerätebatterie für ein Gerät
DE102020212280A1 (de) Verfahren und Vorrichtung zum Trainieren eines auf künstlicher Intelligenz-basierendem Zustandsmodells zum Ermitteln einer Zustandsgröße eines elektrischen Energiespeichers
DE102022202882A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster
DE102019107935A1 (de) Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterie eines Fahrzeuges
DE102021203729A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern unter Nutzung von rekonstruierten Zeitreihensignalen mithilfe von maschinellen Lernverfahren
EP3974246A1 (de) Verfahren und vorrichtung zur robusten vorhersage des alterungsverhaltens eines energiespeichers in einer batteriebetriebenen maschine
DE102020209338A1 (de) Verfahren und Vorrichtung zur Bestimmung der zukünftigen Ausfallwahrscheinlichkeit eines elektrischen Antriebsmoduls eines Elektrofahrzeugs
DE102021207467A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Konfidenzintervallen von Alterungszuständen von elektrischen Energiespeichern für mindestens ein Gerät mithilfe von maschinellen Lernverfahren
DE102021205879A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
DE102023205473A1 (de) Verbessern der Leistungsfähigkeit neuronaler Netze unter Verteilungsverschiebung
DE102021208227A1 (de) Verfahren und Vorrichtung zum Bereitstellen einer Gesamttrajektorie eines Alterungszustands aus mehreren Alterungszustandsverläufen eines elektrischen Energiespeichers

Legal Events

Date Code Title Description
R207 Utility model specification
R082 Change of representative

Representative=s name: LIPPERT STACHOW PATENTANWAELTE RECHTSANWAELTE , DE