EP3479134A1 - Verfahren zum überwachen einer batterie - Google Patents

Verfahren zum überwachen einer batterie

Info

Publication number
EP3479134A1
EP3479134A1 EP17719609.4A EP17719609A EP3479134A1 EP 3479134 A1 EP3479134 A1 EP 3479134A1 EP 17719609 A EP17719609 A EP 17719609A EP 3479134 A1 EP3479134 A1 EP 3479134A1
Authority
EP
European Patent Office
Prior art keywords
battery
module
operating
failure
load
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.)
Withdrawn
Application number
EP17719609.4A
Other languages
English (en)
French (fr)
Inventor
Patrick MUENZING
Oliver Dieter Koller
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP3479134A1 publication Critical patent/EP3479134A1/de
Withdrawn legal-status Critical Current

Links

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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3647—Constructional arrangements for determining the ability of a battery to perform a critical function, e.g. cranking
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • 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]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Definitions

  • the invention relates to a method for monitoring a battery
  • An electrical system or vehicle electrical system represents the entirety of the electrical components or consumers of a motor vehicle. This has the task of supplying the electrical consumers with energy.
  • Energy storage in on-board networks for example, batteries are used. Falls in today's vehicles, the power supply due to an error, eg. Due to aging, in the electrical system or in a vehicle electrical system component, so omitted important functions, such as the power steering. Since the steerability of the vehicle is not compromised, but only becomes stiff, the failure of the electrical system in today's mass-produced vehicles is generally accepted. In addition, in today's vehicles the driver as
  • highly automated driving functions such as, for example, a highway pilot
  • the driver are allowed to do activities that are outside the driver to a limited extent. It follows that until the completion of the highly automated driving function, the driver Function as a sensory, regulatory technical, mechanical and energetic fallback can perceive only limited.
  • Vehicle components developed. For this purpose, the on-board network components are monitored during operation and their damage is determined.
  • the document DE 10 2013 203 661 AI describes a method for operating a motor vehicle with an electrical system.
  • This vehicle electrical system has a semiconductor switch, based on a determination
  • an actual load is determined.
  • the actual applied to the semiconductor switch load is detected.
  • the presented method takes into account that in the future automated and autonomous driving operation in the motor vehicle, the driver is no longer available, as is known from the prior art, as a sensory, control-technical, mechanical and energy-related fallback level. Rather, the vehicle takes over the functions of the driver, such as the Environmental recognition, the trajectory planning and the trajectory implementation, which include, for example, the steering and braking.
  • the vehicle can no longer be controlled by the highly or fully automated function, since all the functions described above, eg.
  • the battery or batteries is or are one of the most important components in the energy supply system, which ensure the energy supply in the vehicle. It has been recognized that this special position in the on-board network requires the analysis of the battery to be extended by predictive approaches.
  • the presented method can be structurally arranged in four consecutive modules, the total, individually or in any combination, for example.
  • the battery sensor in another control unit or in a
  • first module a comparable device, eg. A cloud, can be implemented or implemented.
  • the basic first module is a prerequisite for all other modules. These can be combined in any combination with the first module. The following four modules are discussed below: first module:
  • the object of the first module is to determine the load of the battery by using the data of the battery sensor or a similar device that is used to determine the battery sizes and / or condition monitoring, and to compare them with a load capacity model, which determines reliability characteristics of the battery can be. Possible extensions are:
  • the second module which is an extension to the first module, has the tasks of an online prediction of the load on the battery:
  • This data can be transmitted to a higher-level control unit for further processing.
  • the third module which is an extension to the first module, has the task, by balancing the resilience model with the extrapolation of the actual SOH (state of health), for example characterized by the capacity loss, of the battery to the quality of the Adapt battery.
  • the resilience model is subject to statistical dispersion. By comparison with the determined SOH, the quality of the battery or the shift of the load capacity model can be taken into account.
  • the fourth module which is an extension to the first module, has the task of matching the SOH and the previously experienced load of the battery with central databases, such as a cloud, in order to - the load-bearing models due to the large number of in-field
  • Aging effects or the exceeding of a predetermined, accepted aging in the battery leads or leads to the withdrawal of the release or to Leaving the driving functions, such.
  • automated driving or to withdraw the release or to leave certain operating modes, eg. B. sailing, or to the transition to the safe state to avoid safety-critical conditions.
  • Preventive battery replacement can be timely before an uncontrolled
  • Battery failure for example, be carried out at regular maintenance intervals.
  • the vehicle transfer can be carried out in a more easily controllable for the driver situation.
  • the battery sensor or a comparable device which serves to determine the battery sizes and / or to monitor their condition, transmits load-relevant parameters which were recorded at times of the respective measurements, such as, for example, SOC (state of charge) and temperature. Each characteristic is thus assigned to a point in time.
  • the method determines from the load-relevant parameters the previously seen load, combined with the load capacity
  • the method is based on the prediction of the reliability characteristics in a position to continue to identify possible safe-stop scenarios, taking into account electrical system errors and operating strategies.
  • the method is based on the prediction of the reliability characteristics in a position to grant releases of operating modes in consideration of operating strategies, to grant or prevent time-limited.
  • the method is based on the prediction of the reliability characteristics suitable to go in the event of an imminent battery failure on time in the safe state.
  • the method is based on the prediction of the reliability characteristics in a position to predict the failure of the battery and thus schedule a timely change.
  • the method is suitable for optimizing the prognosis model of the battery by the actual aging, which is determined, for example, in the battery sensor.
  • the method transmits the calculated data to a central
  • Figure 1 shows in a block diagram a battery sensor according to the prior art.
  • FIG. 2 shows a block diagram of a battery sensor for carrying out the method.
  • FIG. 3 shows in a flowchart steps which are executed in the algorithm of an embodiment of the presented method one after the other.
  • FIG. 4 shows in a graph a Wöhler curve.
  • FIG. 5 shows in a graph the Weibull distribution.
  • FIG. 1 shows a battery sensor according to the prior art, which is generally designated by the reference numeral 10.
  • Input variables in a unit 12, in particular a measuring unit, are the temperature T 14 and the current 1 16, output is the voltage U 18.
  • a feedback unit 22 a battery model 24 and an adaptation 26 of the parameters are provided.
  • a variable ü 28 There will be a variable ü 28,
  • a node 29 serves to adapt the battery model 24 to the battery.
  • the current 1 16 goes directly and the temperature T 14 is indirectly in the
  • Battery model 24 on. This calculates ü 28 and compensates this with the real voltage U 18. In case of deviations, the battery model 24 is corrected via the feedback unit 22.
  • a block 40 is provided for sub-algorithms. This includes a battery temperature model 42, a rest voltage 44, a
  • Peak current measurement 46 an adaptive starting current prediction 48 and a battery size detection 50.
  • charge profiles 60 are provided, which are in a block 62 with
  • Voltage predictor 66 and an aging predictor 68 are outputs of block 62. Outputs of block 62 are an SOC 70, waveforms of current 72 and voltage 74, and an SOH 76.
  • the battery sensor 10 determines the current SOC (state of charge) 70 of the battery and the current SOH 76 (State of Health, capacity loss in the battery)
  • the battery sensor 10 is capable of predicting the SOC 70 and the SOH 76 according to a plurality of predefined load scenarios. These can now also be adapted to automated driving or to the respective application.
  • FIG. 2 shows a battery sensor for carrying out the present invention
  • This battery sensor 100 is an extension to the battery sensor 10 of Figure 1.
  • the battery sensor 100 is shown in simplified form, in principle, all components of the battery sensor 10 of Figure 1 in the
  • the illustration shows a block 120 for the estimation of parameters and states.
  • a feedback unit 122 a battery model 124 and an adaptation 126 of the parameters are provided.
  • a battery model 124 a battery model 124 and an adaptation 126 of the parameters are provided.
  • Predictors include a charge predictor 64, a voltage predictor 66, and a first module 180.
  • the first module 180 is here representative of all modules.
  • the first module is compulsory, the other modules can be placed here in any combination.
  • Reliability characteristic (s) of the battery such as the
  • the battery sensor 100 transfers the current SOC and temperature values to the first module 180 in the battery sensor 100 or in another control device (arrow 190). There, the values are saved as SOC and temperature curves. At the same time, the time points of the SOC and temperature measurements are recorded as a time course.
  • the SOC history is online in the control unit or battery sensor using
  • the rainflow count is a procedure in which amplitudes, their centers, their starting time and their duration are determined from the course of a measurement. This causes a conversion of the course in strokes with the characteristics amplitude, Center of lift, start time of the stroke and duration of the stroke. In addition to the Rainflow count, there are other suitable methods.
  • a temperature can be assigned to the hub.
  • the respective stroke is set to the
  • the temperature can be considered, for example, via an Arrhenius approach.
  • FIG. 4 shows, in a graph 400, on the abscissa 402 of which the number of cycles and on whose ordinate 404 A SOC [%] is plotted, the course of the Wöhler curve N f 406.
  • the Wöhler curve Nf indicates which number of cycles can be sustained at which stroke from the battery until the failure criterion is reached.
  • the Wöhler curve can be described, for example, by equation 1:
  • N a (ASOLy (1)
  • the load capacity model of the battery which in this case is represented by a Weibull distribution, plots the number of battery cycles at reference level that leads to the failure probability of the battery.
  • FIG. 5 shows in a graph 500 at its abscissa 502 the number of cycles and at its ordinate 504 the probability of failure [%] Weibull distribution 506 is shown with a bottom line 508 showing the lower confidence interval, an upper line 510 representing the upper one
  • z. B On-board network failure probability; also here can z. B. blocked via limits operating modes and / or initiated a transition to the safe state.
  • a second module 200 is further shown. This is used to predict exceeding of the required reliability characteristic (s) of the battery, the release of scenarios, the selection of the safe-stop scenario, the trigger for battery replacement, the trigger of a transition to the safe state or the driver transfer.
  • a release request 202 which comes from the control unit, is shown in FIG.
  • an allowable failure probability 204 as inputs for block 202 are provided an allowable failure probability 204, a current time tst 206 and a period Atintervaii 208, which is scheduled for the battery change, the so-called change interval of the battery task of the second module 200 is the reliability characteristics of
  • the permissible size of the reliability parameter is communicated by the higher-level control unit or it is already stored in the control unit or in the battery sensor.
  • An example of the allowable reliability characteristic is one specific Failure probability of the battery or the maintenance of non-failure time in a three-parameter Weibull distribution.
  • the transition into the safe state or the driver transfer can be initiated at an early stage so that a critical vehicle state is avoided.
  • FIG. 3 illustrates in a flowchart a possible sequence of the method using all four modules.
  • traces of SOC 302 and temperature T 304 are stored over time. These gradients are classified by means of Rainflow count 306.
  • a resulting rainflow matrix 308 is generated by means of a
  • Wöhler curve 310 converted to a reference level. This results in the number of reference cycles.
  • a number of possible errors 320 may be combined with possible scenarios 324, in particular start-stop scenarios, and conditions 326, resulting in reference cycles 330 that are added to the number 311. From the Weibull distribution 312, a prediction 334 of different scenarios additionally results. The output is done as a vector.
  • time t, s t 340 and the time interval until the next change in interval 342 are entered in a block 346 in which a conversion of battery cycles into time cycles takes place. This allows the Weibull distribution of failure probability across battery cycles to reference level in
  • the Weibull distribution or the resilience model 312 can be adapted.
  • damage to reference level 360 based on SOC is subjected to extrapolation 362.
  • SOH 364 is taken into account by the battery sensor 366. This results in a new failure-free Teit to 370 or a correction factor for the Weibull distribution or the resilience model 312.
  • Lines illustrate the fourth module 380, which states at what times or after which step a cloud could be pulled in.
  • the calculating control unit or the battery sensor checks which scenarios are admissible from a reliability point of view and which are not. It can for each scenario, the number of required
  • Reference cycles per operating period be stored.
  • this value can also be determined online by simulating the respective scenarios and calculating according to "first module, load”.
  • the result is communicated, for example, in the form of a release vector to the higher-level control unit.
  • the driver enters a destination in the navigation device and the system control then makes a request for the release of operating modes and their duration.
  • the "required" reference cycle number is determined and added to the previously seen load on reference level. It is now checked whether the specified reliability limit value is adhered to. If this is adhered to, the requested case is released, otherwise this is not done.
  • Case II higher-level control unit continuously interrogates battery sensor or calculating control unit continuously or battery sensor or calculating control unit continuously reports remaining time for all operating modes to the higher-level control unit
  • Reliability limit determined and passed to the higher-level control unit Thus, the periods are available, how long each may be driven and there is a time-limited release of Functions. If the vehicle is in an operating mode operating strategy combination in which the battery failure is imminent, it is possible to switch to a battery-saving combination or to initiate the transition to the safe state or a driver transfer.
  • the calculating control unit or battery sensor checks which safe-stop scenarios are admissible from a reliability point of view and which are not. It can for each scenario, the number of required
  • Reference cycles are stored.
  • this value can also be determined online by simulating the respective scenarios and calculating according to "Module I, load”.
  • Case I higher-level control unit queries safe-stop scenario / scenarios, with known operating strategy and identified error
  • the required reference cycle number is determined for the requested combination of safe-stop scenario, vehicle electrical system failure and operating strategy. This is added to the previous load at reference level and checks whether the defined reliability limit value is adhered to. If this is the case, the combination, z. B. as a result vector to the higher-level control unit, released.
  • the required reference cycle number is determined for all possible combinations of safe-stop scenario, vehicle electrical system failure and operating strategy. For each combination, the required reference cycle number is added to the previous load at reference level and it is checked whether the defined
  • Combination released This procedure is repeated for each combination and the result sent to the higher-level control unit, eg. In the form of a solution vector.
  • the third module has the task to write down the reference value of the actual aging of the battery (SOH - capacity loss) and its course until reaching the failure criterion, eg. B. capacity loss of 20%, to extrapolate over the service life or the experienced load.
  • the failure criterion eg. B. capacity loss of 20%
  • Resilience model, z. B. by redefining the failure-free time or a correction factor to the battery grade, to be adjusted.
  • the fourth module is to use the prediction to correct the
  • the fourth module supplies the damage experienced by the battery (SOH) via load and the extrapolated value (see third module) to a cloud storage.
  • the fourth module supplies the damage experienced by the battery (SOH) via load and the extrapolated value (see third module) to a cloud storage.
  • Resilience model optimized and sent back to the fourth module. In this way, the underlying resilience model is continuously improved.
  • the fourth module now knows the quality of the built-in battery compared to the population and can the quality of the battery z. B. over a
  • the proposed method enables the cloud-based derivation of changes to the operating strategies, if necessary, in order to reduce failures of the battery. This enables a balanced operating strategy with consideration of all relevant on-board network components.
  • an improvement of the component and system development and their interpretation can be achieved by field data acquisition. Also, an improvement in the resilience models due to a large number of components in the field, eg. B. by Deep-learning, possible. In addition, can an improvement of the stress models due to known, real
  • the method and the arrangement may be in any vehicle in which the probability of failure of the components and / or a
  • System reliability analysis is to be implemented. Basically, an application in any vehicle in which the release of certain functions or the choice of error response (safe-stop scenario) depending on the predicted behavior (based on the previous load) is to be granted, possible.
  • An insert may be provided in all vehicles in which the
  • Vehicle electrical system has high safety relevance, such. B. vehicles with sailing operation, recuperation or automated vehicles. Furthermore, vehicles with electrical brake booster (iBooster, IPB) are conceivable as the place of use. It should be noted that there are currently efforts to move away from kilometer or time interval based maintenance to condition based maintenance. The presented method can also be used for such state-based maintenance.
  • iBooster electrical brake booster
  • the evaluation algorithm described here which is implemented by the method, can be implemented in a battery sensor, a control unit or in a computer in the vehicle or outside the vehicle, for example in a cloud.
  • a battery sensor a control unit or in a computer in the vehicle or outside the vehicle, for example in a cloud.
  • the battery temperature has a great influence on the battery damage, reliability and life, for example
  • the analysis of the battery damage can in sections, eg.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

Es werden ein Verfahren und eine Anordnung zum Überwachen einer Batterie in einem Kraftfahrzeug vorgestellt. Bei dem Verfahren ermittelt ein erstes Modul (180) Betriebsgrößen der Batterie. Größen, die die Betriebsgrößen repräsentieren, werden mit einem Belastbarkeitsmodell verglichen, um auf diese Weise Zuverlässigkeitskenngrößen der Batterie zu ermitteln, so dass ein zukünftiges Verhalten der Batterie prognostiziert werden kann.

Description

Beschreibung Titel
Verfahren zum Überwachen einer Batterie
Die Erfindung betrifft ein Verfahren zum Überwachen einer Batterie,
insbesondere einer Batterie in einem Kraftfahrzeug, und eine Anordnung zum Durchführen des Verfahrens.
Stand der Technik
Ein Bordnetz oder Fahrzeugbordnetz stellt die Gesamtheit der elektrischen Komponenten bzw. Verbraucher eines Kraftfahrzeugs dar. Dieses hat die Aufgabe, die elektrischen Verbraucher mit Energie zu versorgen. Als
Energiespeicher in Bordnetzen werden bspw. Batterien verwendet. Fällt in heutigen Fahrzeugen die Energieversorgung aufgrund eines Fehlers, bspw. bedingt durch Alterung, im Bordnetz bzw. in einer Bordnetzkomponente aus, so entfallen wichtige Funktionen, wie bspw. die Servolenkung. Da die Lenkfähigkeit des Fahrzeugs nicht beeinträchtigt, sondern nur schwergängig wird, ist der Ausfall des Bordnetzes in heutigen in Serie befindlichen Fahrzeugen allgemein akzeptiert. Hinzu kommt, dass in heutigen Fahrzeugen der Fahrer als
Rückfallebene zur Verfügung steht.
Zu beachten ist jedoch, dass aufgrund der zunehmenden Elektrifizierung von Aggregaten sowie der Einführung von neuen Fahrfunktionen höhere
Anforderungen an die Sicherheit und Zuverlässigkeit der elektrischen
Energieversorgung im Kraftfahrzeug gestellt werden. Bei zukünftigen
hochautomatisierten Fahrfunktionen, wie bspw. einem Autobahn-Piloten, werden dem Fahrer fahrfremde Tätigkeiten in begrenztem Maße erlaubt. Daraus folgt, dass bis zum Beenden der hochautomatisierten Fahrfunktion der Fahrer die Funktion als sensorische, regelungstechnische, mechanische und energetische Rückfallebene nur noch eingeschränkt wahrnehmen kann.
Aus dem genannten Grund besitzt die elektrische Versorgung beim
hochautomatisierten Fahren zur Gewährleistung der sensorischen,
regelungstechnischen und aktuatorischen Rückfallebene eine bisher im
Kraftfahrzeug nicht gekannte Sicherheitsrelevanz. Fehler bzw. eine Alterung im elektrischen Bordnetz müssen daher zuverlässig und möglichst vollständig im Sinne der Produktsicherheit erkannt werden.
Um den Ausfall von Komponenten prognostizieren zu können, wurden zuverlässigkeitstechnische Ansätze zur Überwachung von
Fahrzeugkomponenten erarbeitet. Dazu werden die Bordnetz-Komponenten während des Betriebs überwacht und deren Schädigung ermittelt.
Die Druckschrift DE 10 2013 203 661 AI beschreibt ein Verfahren zum Betreiben eines Kraftfahrzeugs mit einem elektrischen Bordnetz. Dieses Bordnetz weist einen Halbleiterschalter auf, für den auf Grundlage einer Feststellung
zurückliegender Belastungsereignisse eine Istbelastung ermittelt wird. Bei dem Verfahren wird die tatsächlich auf den Halbleiterschalter aufgebrachte Belastung detektiert.
Offenbarung der Erfindung
Vor diesem Hintergrund werden ein Verfahren mit den Merkmalen des
Anspruchs 1 und eine Anordnung gemäß Anspruch 11 vorgestellt.
Ausführungsformen ergeben sich aus den abhängigen Ansprüchen und der Beschreibung.
Das vorgestellte Verfahren berücksichtigt, dass beim zukünftigen automatisierten und autonomen Fahrbetrieb im Kraftfahrzeug der Fahrer nicht mehr, wie dies aus dem Stand der Technik bekannt ist, als sensorische, regelungstechnische, mechanische und energetische Rückfallebene zur Verfügung steht. Vielmehr übernimmt das Fahrzeug die Funktionen des Fahrers, wie bspw. die Umgebungserkennung, die Trajektorien-Planung und die Trajektorien- Umsetzung, die bspw. auch das Lenken und Bremsen umfassen.
Fällt die Energieversorgung der sicherheitsrelevanten Komponenten aus, ist das Fahrzeug durch die hoch- bzw. vollautomatisierte Funktion nicht mehr kontrollierbar, da alle vorstehend beschriebenen Funktionen, bspw.
Umgebungserkennung, Trajektorienplanung und -Umsetzung, nicht mehr zur Verfügung stehen. Dadurch ergeben sich aus Sicht der Produktsicherheit sehr hohe Anforderungen an das Fahrzeugbordnetz. Dies bedeutet ebenso, dass die Funktion des automatisierten bzw. autonomen Fahrens dem Nutzer nur dann zur Verfügung stehen darf, wenn das Bordnetz in einwandfreiem Zustand ist und zumindest in naher Zukunft auch bleibt.
Die Batterie bzw. Batterien ist bzw. sind eine der wichtigsten Komponenten im Energiebordnetz, welche die Energieversorgung im Fahrzeug sicherstellen. Es wurde erkannt, dass durch diese besondere Stellung im Bordnetz die Analyse der Batterie um prädiktive Ansätze erweitert werden muss.
Das vorgestellte Verfahren kann in Ausgestaltung in vier aufeinander aufbauende Module gegliedert werden, die gesamt, einzeln oder in beliebigen Kombinationen bspw. im Batteriesensor, in einem anderen Steuergerät oder in einer
vergleichbaren Einrichtung, bspw. einer Cloud, realisiert bzw. implementiert werden können. Das grundlegende erste Modul ist dabei Voraussetzung für alle anderen Module. Diese können in beliebigen Kombinationen mit dem ersten Modul kombiniert werden. Auf die genannten vier Module wird nachfolgend eingegangen: erstes Modul:
Die Aufgabe des ersten Moduls besteht darin, die Belastung der Batterie durch Nutzung der Daten des Batteriesensors oder einer vergleichbaren Einrichtung, die zur Ermittlung der Batteriegrößen und/oder zu deren Zustandsüberwachung dient, zu ermitteln und mit einem Belastbarkeitsmodell zu vergleichen, wodurch Zuverlässigkeitskenngrößen der Batterie ermittelt werden können. Mögliche Erweiterungen sind:
- Implementierung von Grenzwerten der Zuverlässigkeitskenngrößen, die den Wechsel der Batterie, das Sperren von Betriebsmodi, den Übergang in den sicheren Zustand und/oder die Fahrerübernahme hervorrufen,
- Weiterverarbeitung der ermittelten Zuverlässigkeitskennwerte zur Ermittlung der Systemzuverlässigkeitskennwerte, z. B. Bordnetzausfallwahrscheinlichkeit; auch hier können bspw. über Grenzwerte Betriebsmodi gesperrt werden und/oder der Übergang in den sicheren Zustand und/oder die Fahrerübernahme ausgelöst bzw. getriggert werden.
Das zweite Modul, das eine Erweiterung zu dem ersten Modul darstellt, hat die Aufgaben durch eine Online-Prognose der Belastung der Batterie:
- Freigaben für bestimmte Szenarien, wie z. B. Betriebsmodi oder
Betriebsstrategien zu erteilen,
- Safe-Stopp-Szenarien, welche mit der (gealterten) Batterie noch umsetzbar sind, auszuwählen und
- Batteriewechsel, typischerweise bei Zugrundelegung der bisherigen Belastung, vorherzusagen.
Diese Daten können an ein übergeordnetes Steuergerät zur Weiterverarbeitung übertragen werden.
Das dritte Modul, das eine Erweiterung zu dem ersten Modul darstellt, hat die Aufgabe, durch Abgleich des Belastbarkeitsmodells mit der Extrapolation des tatsächlichen SOH (state of health; Gesundheitszustand), bspw. gekennzeichnet durch den Kapazitätsverlust, der Batterie das Belastbarkeitsmodell an die Güte der Batterie anzupassen. Das Belastbarkeitsmodell unterliegt einer statistischen Streuung. Durch Abgleich mit dem ermittelten SOH kann die Güte der Batterie bzw. die Verschiebung des Belastbarkeitsmodells berücksichtigt werden. Das vierte Modul, das eine Erweiterung zu dem ersten Modul darstellt, hat die Aufgabe, den SOH und die bisher erfahrene Belastung der Batterie mit zentralen Datenbanken, wie bspw. einer Cloud, abzugleichen, um - die Belastbarkeitsmodelle aufgrund der Vielzahl der im Feld befindlichen
Batterien zu verbessern,
- die Belastbarkeitsmodelle im Fahrzeug online anpassen zu können und - zukünftige Komponenten/Systeme im Fahrzeug besser auslegen zu können.
Bei bekannten Verfahren war bislang eine Systemsteuerung bzw. ein System Control, die bzw. das eine gesamtheitliche Status-Überwachung aller relevanten Komponenten bzw. Fahrzeugfunktionen im Fahrzeug durchführt, nicht vorhanden. Aus Sicht der Produktsicherheit erscheint ein solches System für sicherheitskritische neue Anwendungen mit veränderten Grundannahmen, wie bspw. ein automatisiertes Fahren, erforderlich.
Zu beachten ist, dass Verschleißausfälle von Komponenten die Grundursache für einen Großteil der Bordnetzzustände sind, die im Kontext der neuen
Anwendungsbereiche sicherheitsrelevant sind. Daher müssen diese im Fahrzeug präventiv identifiziert und Gegenmaßnahmen eingeleitet werden. Da die Batterie eine der wichtigsten Komponenten im Energiebordnetz ist, werden im Rahmen der vorliegenden Anmeldung Maßnahmen zur präventiven Batterieanalyse vorgestellt, die zur Realisierung der neuen Anwendungen unerlässlich sind.
Das vorgestellte Verfahren und die beschriebene Anordnung haben, zumindest in einigen der Ausführungen, eine Reihe von Vorteilen, die nachstehend aufgeführt sind:
- Unterstützung für die Freigabe und Freigabeentscheidung für automatisierte Fahrfunktionen:
Alterungseffekte bzw. die Überschreitung einer vorgegebenen, akzeptierten Alterung in der Batterie führen bzw. führt zum Entzug der Freigabe bzw. zum Verlassen der Fahrfunktionen, wie z. B. automatisiertes Fahren, bzw. zum Entzug der Freigabe oder zum Verlassen bestimmter Betriebsmodi, z. B. Segeln, bzw. zum Übergang in den sicheren Zustand, um sicherheitskritische Zustände zu vermeiden.
- Zuverlässigkeitserhöhung durch adaptierte Fahrstrategien:
Fahrsituationen, die im Betrieb zu einem starken Alterungsverhalten der Batterie führen, werden, falls aus Systemsicht möglich, vermieden.
- Verfügbarkeitserhöhung:
Präventiver Batterietausch kann rechtzeitig vor einem unkontrollierten
Batterieausfall, bspw. in regulären Wartungsintervallen, durchgeführt werden.
- Sicherheitsgewinn bei Übergabe vom automatisierten Fahrbetrieb in den manuellen Fahrbetrieb:
Durch frühzeitiges Warnen vor einem Batterieausfall kann die Fahrzeugübergabe in einer für den Fahrer leichter beherrschbaren Situation durchgeführt werden.
- Zwingende Notwendigkeit das Fahrzeug auch bei Ausfall von Komponenten ohne Eingriff eines Fahrers bei vollautomatisiertem Fahren in den sicheren Zustand zu bringen:
Zeitgewinn bei der Einleitung der Rückfallstrategie durch frühzeitige Warnung bzw. keine Freigabe der Fahrfunktionen bei sich anbahnendem Batterieausfall und Vermeidung eines ungewollten Bordnetzausfalls durch die Überprüfung, welches Safe-Stopp-Szenario aus Batteriesicht noch zulässig ist.
- Erhöhung der Zuverlässigkeit und der Sicherheit auch von nicht-automatisierten Fahrzeugen durch frühzeitiges Erkennen von anstehenden Ausfällen:
Dadurch können auch "Liegenbleiber" auf Fahrspuren, bspw. auf Autobahnen, vermieden werden. Wie bereits ausgeführt wurde, wurde erkannt, dass es für automatisierte bzw. autonome Fahrzeuge unabdingbar ist, neben dem aktuellen Zustand der sicherheitsrelevanten Komponenten auch deren zukünftiges Verhalten zu prognostizieren. Um den Zustand des Energiebordnetzes, als Basis aller sicherheitsrelevanten Fahrzeugfunktionen, bewerten und prognostizieren zu können, sind für jede Komponente Prognoseeinheiten nötig. Das vorgestellte Verfahren stellt das notwendige Vorgehen zur Analyse der Batterie, die als wichtige Komponente des Energiebordnetzes eingestuft wird, zur Verfügung. Eine mögliche Ausführung des Verfahrens ist in Schritten und damit
verbundenen Auswirkungen bzw. Vorteilen nachfolgend skizziert:
- Der Batteriesensor oder eine vergleichbare Einrichtung, die zur Ermittlung der Batteriegrößen und/oder zu deren Zustandsüberwachung dient, übermittelt belastungsrelevante Kenngrößen, die zu Zeitpunkten der jeweiligen Messungen aufgenommen wurden, wie bspw. SOC (State of Charge; Ladungszustand) und Temperatur. Jede Kenngröße ist damit einem Zeitpunkt zugeordnet.
- Das Verfahren ermittelt aus den belastungsrelevanten Kenngrößen die bisher gesehene Belastung, kombiniert mit der Belastbarkeit werden
Zuverlässigkeitskenngrößen der Batterie, wie bspw. die
Ausfallwahrscheinlichkeit, berechnet.
- Das Verfahren ist anhand der Prognose der Zuverlässigkeitskenngrößen in der Lage, weiterhin mögliche Safe-Stopp-Szenarien unter Berücksichtigung von Bordnetz-Fehlern und Betriebsstrategien zu identifizieren.
- Das Verfahren ist anhand der Prognose der Zuverlässigkeitskenngrößen in der Lage, Freigaben von Betriebsmodi unter Berücksichtigung von Betriebsstrategien zu erteilen, zeitbeschränkt zu erteilen oder zu verhindern.
- Das Verfahren ist anhand der Prognose der Zuverlässigkeitskenngrößen dazu geeignet, bei einem bevorstehenden Batterieausfall rechtzeitig in den sicheren Zustand überzugehen. - Das Verfahren ist anhand der Prognose der Zuverlässigkeitskenngrößen in der Lage, den Ausfall der Batterie vorherzusagen und damit einen rechtzeitigen Wechsel einzuplanen.
- Das Verfahren ist dazu geeignet, das Prognosemodell der Batterie durch die tatsächliche Alterung, die bspw. im Batteriesensor ermittelt wird, zu optimieren.
- Das Verfahren übermittelt die berechneten Daten an einen zentralen
Datenspeicher, wodurch eine weitere Optimierung des Prognosemodells möglich ist.
Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und den beiliegenden Zeichnungen.
Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.
Kurze Beschreibung der Zeichnungen
Figur 1 zeigt in einem Blockdiagramm einen Batteriesensor nach dem Stand der Technik.
Figur 2 zeigt in einem Blockdiagramm einen Batteriesensor zur Durchführung des Verfahrens.
Figur 3 zeigt in einem Ablaufdiagramm Schritte, die im Algorithmus einer Ausführung des vorgestellten Verfahrens nacheinander durchlaufen werden.
Figur 4 zeigt in einem Graphen eine Wöhlerkurve.
Figur 5 zeigt in einem Graphen die Weibull-Verteilung. Ausführungsformen der Erfindung
Die Erfindung ist anhand von Ausführungsformen in den Zeichnungen
schematisch dargestellt und wird nachfolgend unter Bezugnahme auf die
Zeichnungen ausführlich beschrieben.
Figur 1 zeigt einen Batteriesensor nach dem Stand der Technik, der insgesamt mit der Bezugsziffer 10 bezeichnet ist. Eingangsgrößen in eine Einheit 12, insbesondere eine Messeinheit, sind die Temperatur T 14 und der Strom 1 16, Ausgangsgröße ist die Spannung U 18.
In einem Block 20 erfolgt die Abschätzung von Parametern und Zuständen.
Hierin sind eine Rückkopplungseinheit 22, ein Batteriemodell 24 und eine Adaption 26 der Parameter vorgesehen. Es werden eine Variable ü 28,
Zustandsvariablen ^x 30 und Modellparamater ^JD 32 ausgegeben.
Ein Knoten 29 dient dazu, das Batteriemodell 24 an die Batterie anzupassen. Der Strom 1 16 geht direkt und die Temperatur T 14 geht indirekt in das
Batteriemodell 24 ein. Dieses berechnet ü 28 und gleicht dieses mit der realen Spannung U 18 ab. Bei Abweichungen wird das Batteriemodell 24 über die Rückkopplungseinheit 22 korrigiert.
Weiterhin ist ein Block 40 für Sub-Algorithmen bereitgestellt. Dieser umfasst ein Batterietemperaturmodell 42, eine Ruhespannung 44, eine
Spitzenstrommessung 46, eine adaptive Startstromvorhersage 48 und eine Batteriegrößenerfassung 50.
Daneben sind Ladungsprofile 60 bereitgestellt, die in einen Block 62 mit
Prädiktoren eingehen. Diese sind ein Ladungsprädiktor 64, ein
Spannungsprädiktor 66 und ein Alterungsprädiktor 68. Ausgaben des Blocks 62 sind ein SOC 70, Verläufe von Strom 72 und Spannung 74 und ein SOH 76.
Der Batteriesensor 10 ermittelt somit den aktuellen SOC (State of Charge) 70 der Batterie und den aktuellen SOH 76 (State of Health, Kapazitätsverlust im
Vergleich zum Ausgangszustand) der Batterie. Über die Prädiktoren 64, 66, 68 ist der Batteriesensor 10 in der Lage, den SOC 70 und den SOH 76 nach mehreren vorher definierten Belastungsszenarien vorherzusagen. Diese können jetzt auch auf automatisiertes Fahren bzw. auf den jeweiligen Anwendungsfall angepasst werden.
Figur 2 zeigt einen Batteriesensor zur Durchführung des vorgestellten
Verfahrens, der insgesamt mit der Bezugsziffer 100 bezeichnet ist. Dieser Batteriesensor 100 stellt eine Erweiterung zu dem Batteriesensor 10 aus Figur 1 dar. Der Batteriesensor 100 ist dabei vereinfacht wiedergegeben, grundsätzlich sind alle Komponenten des Batteriesensors 10 aus Figur 1 auch in dem
Batteriesensor 100 aus Figur 2 vorgesehen.
Die Darstellung zeigt einen Block 120 für die Abschätzung von Parametern und Zuständen. Hierin sind eine Rückkopplungseinheit 122, ein Batteriemodell 124 und eine Adaption 126 der Parameter vorgesehen. In einem Block 162 mit
Prädiktoren sind ein Ladungsprädiktor 64, ein Spannungsprädiktor 66 und ein erstes Modul 180 vorgesehen. Das erste Modul 180 steht hier stellvertretend für alle Module. Das erste Modul ist obligatorisch, die anderen Module können hier in beliebigen Kombinationen platziert werden.
Im ersten Modul 180 erfolgt die Berechnung der momentanen
Zuverlässigkeitskenngröße(n) der Batterie, wie bspw. die
Ausfallwahrscheinlichkeit, Trigger für Batteriewechsel, Trigger Übergang in den sicheren Zustand oder Fahrerübernahme.
Um die Belastung der Batterie zu ermitteln, werden vom Batteriesensor 100 die aktuellen SOC und Temperaturwerte an das erste Modul 180 im Batteriesensor 100 oder in einem anderen Steuergerät übergeben (Pfeil 190). Dort werden die Werte als SOC- und Temperaturverläufe gespeichert. Parallel dazu werden die Zeitpunkte der SOC- und Temperaturmessungen als Zeitverlauf mitgeschrieben.
Der SOC-Verlauf wird online im Steuergerät oder Batteriesensor mittels
Rainflow-Zählung unter Berücksichtigung der Zeit klassiert. Die Rainflow- Zählung ist ein Verfahren, bei dem aus dem Verlauf einer Messung Amplituden, deren Mitten, deren Startzeitpunkt und deren Dauer ermittelt werden. Dies bewirkt eine Umrechnung des Verlaufs in Hübe mit den Merkmalen Amplitude, Hubmitte, Startzeit des Hubs und Dauer des Hubs. Neben der Rainflow-Zählung gibt es auch andere geeignete Verfahren.
Über die Zeit, zu der der jeweilige Hub stattgefunden hat, kann dem Hub eine Temperatur zugewiesen werden. Über die Steigung der Wöhlerkurve, wie diese in Figur 4 dargestellt ist, wird der jeweilige Hub auf das festgelegte
Referenzniveau, z. B. ÄSOC 30 % und 25 °C, umgerechnet, auf dem die
Belastbarkeitsdaten vorliegen. Die Temperatur kann dabei bspw. über einen Arrhenius-Ansatz berücksichtigt werden.
Figur 4 zeigt in einem Graphen 400, an dessen Abszisse 402 die Anzahl an Zyklen und an dessen Ordinate 404 ÄSOC [%] aufgetragen ist, den Verlauf der Wöhlerkurve Nf 406.
Die Wöhlerkurve Nf gibt an, welche Anzahl an Zyklen bei welchem Hub von der Batterie bis zum Erreichen des Ausfallkriteriums ertragen werden kann. Die Wöhlerkurve lässt sich bspw. durch die Gleichung 1 beschreiben:
N = a(ASOLy (1)
Durch Umformung dieser Gleichung 1 lassen sich alle durch die Rainflow- Zählung ermittelten Batteriehübe auf ein Referenzniveau umrechnen.
Im Belastbarkeitsmodell der Batterie, das in diesem Fall durch eine Weibull- Verteilung repräsentiert ist, ist aufgetragen, welche Anzahl an Batterie-Zyklen auf Referenzniveau zu welcher Ausfallwahrscheinlichkeit der Batterie führt. Mittels Belastung der Batterie auf Referenzniveau und Belastbarkeitsmodell auf
Referenzniveau lässt sich somit online die Ausfallwahrscheinlichkeit der Batterie zum aktuellen Zeitpunkt berechnen. Die Weibull-Verteilung ist die
wahrscheinlichste Verteilung, es könnten theoretisch auch andere Verteilungen das Ausfallverhalten besser beschreiben. Die Weibull-Verteilung ist in Figur 5 wiedergegeben.
Figur 5 zeigt in einem Graphen 500 an dessen Abszisse 502 die Anzahl an Zyklen und an dessen Ordinate 504 die Ausfallwahrscheinlichkeit [%] aufgetragen ist, die Weibull-Verteilung 506 mit einer unteren Linie 508, die den unteren Vertrauensbereich zeigt, einer oberen Linie 510, die den oberen
Vertrauensbereich zeigt, und einer Linie 512, die eine Wahrscheinlichkeit repräsentiert, bei der 50 % der Bauteile ausgefallen sind.
Mögliche Erweiterungen bzw. Anpassungen sind:
- Implementierung von Grenzwerten der Zuverlässigkeitskenngrößen, die den Wechsel der Batterie bzw. das Sperren von Betriebsmodi, z. B. automatisierte Fahrt, Segeln, Rekuperation, den Übergang in den sicheren Zustand und/oder die Fahrerübernahme einleiten,
- Weiterverarbeitung der ermittelten Zuverlässigkeitskennwerte zur Ermittlung der Systemzuverlässigkeitskennwerte, z. B. Bordnetzausfallwahrscheinlichkeit; auch hier können z. B. über Grenzwerte Betriebsmodi gesperrt und/oder ein Übergang in den sicheren Zustand eingeleitet werden.
In Figur 2 ist weiterhin ein zweites Modul 200 gezeigt. Dieses dient zur Prädiktion einer Überschreitung der geforderten Zuverlässigkeitskenngröße(n) der Batterie, der Freigabe von Szenarien, der Wahl des Safe-Stopp-Szenarios, des Triggers für Batteriewechsel, des Triggers eines Übergangs in den sicheren Zustand oder der Fahrerübernahme.
Hierzu ist in der Figur 2 eine Freigabeanfrage 202, die aus dem Steuergerät kommt, dargestellt. Aus diesem als Eingänge für Block 202 sind vorgesehen eine zulässige Ausfallwahrscheinlichkeit 204, ein aktueller Zeitpunkt tst 206 und ein Zeitraum Atintervaii 208, der für den Batteriewechsel eingeplant ist, das sogenannte Wechselintervall der Batterie Aufgabe des zweiten Modul 200 ist es, die Zuverlässigkeitskenngrößen der
Batterie zu prognostizieren und Freigabeentscheidungen zu treffen bzw. Safe- Stopp-Szenarien auszuwählen. Dabei wird vom übergeordneten Steuergerät die zulässige Größe der Zuverlässigkeitskenngröße kommuniziert oder diese ist bereits im Steuergerät bzw. im Batteriesensor hinterlegt. Ein Beispiel für die zulässige Zuverlässigkeitskenngröße ist eine bestimmte Ausfallwahrscheinlichkeit der Batterie oder die Einhaltung der ausfallfreien Zeit bei einer dreiparametrigen Weibull-Verteilung.
Im zweiten Modul 200 wird das Belastbarkeitsmodell der Batterie von
Ausfallwahrscheinlichkeit über Batteriezyklen auf Referenzniveau auf
Ausfallwahrscheinlichkeit über Betriebsdauer umgerechnet. Dazu wird der Quotient aus bisher gesehener Belastung und bisheriger Betriebsdauer gebildet.
In diesem zweiten Modul 200 kann der Batteriewechsel zeittechnisch
prognostiziert werden. Dazu wird angenommen, dass das Verhältnis von
Belastung und Betriebsdauer konstant ist und mit diesem Ansatz eine lineare Prognose der verbleibenden Betriebsdauer der Batterie durchgeführt. Denkbar sind auch Ansätze mit nicht-konstantem Verhältnis von Belastung und
Betriebsdauer.
Fällt die prognostizierte verbleibende Betriebsdauer unter einen bestimmten Grenzwert, kann frühzeitig der Übergang in den sicheren Zustand bzw. die Fahrerübernahme eingeleitet werden, so dass ein kritischer Fahrzeugzustand vermieden wird.
Figur 3 verdeutlicht in einem Ablaufdiagramm einen möglichen Ablauf des Verfahrens unter Verwendung aller vier Module.
Zu dem ersten Modul:
In einem Speicherelement 300 sind Verläufe von SOC 302 und Temperatur T 304 über der Zeit abgelegt. Dise Verläufe werden mittels Rainflow-Zählung 306 klassiert. Eine sich ergebende Rainflow-Matrix 308 wird mittels einer
Wöhlerkurve 310 auf ein Referenzniveau umgerechnet. Daraus ergibt sich die Anzahl der Referenzzyklen. Mittels eines Belastbarkeitsmodells 312, in diesem
Fall der Weibull-Verteilung, erfolgt die Berechnung einer
Ausfallwahrscheinlichkeit F(n) 314.
Zu dem zweiten Modul: Eine Anzahl möglicher Fehler 320 kann mit möglichen Szenarien 324, insbesondere Start-Stopp-Szenarien, und Bedingungen 326 kombiniert, daraus ergeben sich Referenzzyklen 330, die zu der Anzahl 311 addiert werden. Es ergibt sich dann aus der Weibull-Verteilung 312 zusätzlich eine Prädiktion 334 verschiedener Szenarien. Die Ausgabe erfolgt als Vektor.
Zudem werden der Zeitpunkt t,st 340 und das Zeitintervall bis zum nächsten Wechsel Atintervaii 342 in einem Block 346 eingegeben, in dem eine Umrechnung von Batteriezyklen in Zeitzyklen erfolgt. Dadurch kann die Weibull-Verteilung von Ausfallwahrscheinlichkeit über Batteriezyklen auf Referenzniveau in
Ausfallwahrscheinlichkeit über Zeit umgerechnet werden. Es ergibt sich weiterhin die Ausfallwahrscheinlichkeit bis zum nächsten Wechselintervall nach F(t' = Atintervaii + t) am Ausgang 348.
Zu dem dritten Modul:
In diesem kann die Weibull-Verteilung bzw. das Belastbarkeitsmodell 312 angepasst werden. Hierzu wird eine Schädigung auf Referenznivau 360 basierend auf SOC einer Extrapolation 362 unterzogen. Weiterhin wird dabei SOH 364 von dem Batteriesensor 366 berücksichtigt. Daraus ergibt sich eine neue ausfallfreie Teit to 370 oder ein Korrekturfaktor für die Weibull-Verteilung bzw. das Belastbarkeitsmodells 312.
Mit Linien ist das vierte Modul 380 verdeutlicht, die angeben, zu welchen Zeitpunkten bzw. nach welchem Schritt eine Cloud mit eingezogen werden könnte.
Zu Freigabeentscheidungen wird nachfolgend ausgeführt:
Online wird im berechnenden Steuergerät bzw. im Batteriesensor überprüft, welche Szenarien aus zuverlässigkeitstechnischer Sicht zulässig sind und welche nicht. Dabei kann für jedes Szenario die Anzahl an benötigten
Referenzzyklen pro Betriebsdauer hinterlegt sein. Alternativ kann dieser Wert auch online durch Simulation der jeweiligen Szenarien und Berechnung nach "erstem Modul, Belastung" ermittelt werden. Je nach Ergebnis wird die Freigabe erteilt, für einen bestimmten Zeitraum erteilt oder nicht erteilt. Das Ergebnis wird bspw. in Form eines Freigabevektors an das übergeordnete Steuergerät kommuniziert.
Beispielhafte Szenarien, die Einfluss auf die Schädigung der Batterie haben und deren Freigabe überprüft wird, sind:
- Betriebsmodi (manuelle Fahrt, automatisierte Fahrt, Segeln, Rekuperation, ...)
- Betriebsstrategien
Bei der Freigabe lassen sich folgende Fälle unterscheiden:
Fall I: übergeordnetes Steuergerät fragt Betriebsmodus und dessen Dauer an, d. h. die Betriebsstrategie ist bekannt
Als Beispiel: Der Fahrer gibt im Navigationsgerät ein Ziel ein und das System Control stellt dann eine Anfrage über die Freigabe von Betriebsmodi und dessen Dauer.
Für die angefragten Parameter, nämlich Dauer, Betriebsmodus und
Betriebsstrategie, wird die "benötigte" Referenzzyklenzahl ermittelt und zur bisher gesehenen Belastung auf Referenzniveau addiert. Es wird nun überprüft, ob der festgelegte Zuverlässigkeitsgrenzwert eingehalten wird. Wird dieser eingehalten, wird der angefragte Fall freigegeben, ansonsten erfolgt dies nicht.
Fall II: übergeordnetes Steuergerät fragt Batteriesensor oder berechnendes Steuergerät kontinuierlich allgemein ab oder Batteriesensor oder berechnendes Steuergerät meldet kontinuierlich verbleibende Dauer für sämtliche Betriebsmodi an das übergeordnete Steuergerät
Im Fall II wird für alle möglichen Kombinationen aus Betriebsmodi und
Betriebsstrategien die Dauer bis zum Erreichen des festgelegten
Zuverlässigkeitsgrenzwertes ermittelt und an das übergeordnete Steuergerät übergeben. Somit stehen die Zeitdauern zur Verfügung, wie lang jeweils gefahren werden darf und es gibt eine zeitlich begrenzte Freigabe der Funktionen. Befindet sich das Fahrzeug in einer Betriebsmodi- Betriebsstrategiekombination, in welcher der Batterieausfall kurz bevorsteht, kann in eine batterieschonendere Kombination gewechselt oder der Übergang in den sicheren Zustand bzw. eine Fahrerübernahme eingeleitet werden.
Zu Wahl des Safe-Stopp-Szenarios wird ausgeführt:
Online wird im berechnenden Steuergerät oder Batteriesensor überprüft, welche Safe-Stopp-Szenarien aus zuverlässigkeitstechnischer Sicht zulässig sind und welche nicht. Dabei kann für jedes Szenario die Anzahl an benötigten
Referenzzyklen hinterlegt sein. Alternativ kann dieser Wert auch online durch Simulation der jeweiligen Szenarien und Berechnung nach "Modul I, Belastung" ermittelt werden.
Mögliche Einflussparameter auf die Wahl des Safe-Stopp-Szenarios sind:
- Safe-Stopp-Szenario (Anhalten in der Spur, Fahren an rechten
Fahrbahnrand, ...)
- im Energiebordnetz erkannte(r) Fehler (Bordnetzfehler)
- Betriebsstrategie
Fall I: übergeordnetes Steuergerät fragt Safe-Stopp-Szenario/Szenarien, bei bekannter Betriebsstrategie und identifiziertem Fehler ab
Für die angefragte Kombination aus Safe-Stopp-Szenario, Bordnetzfehler und Betriebsstrategie wird die benötigte Referenzzyklenzahl ermittelt. Diese wird zur bisherigen Belastung auf Referenzniveau hinzuaddiert und überprüft, ob der definierte Zuverlässigkeitsgrenzwert eingehalten wird. Ist dies der Fall, wird die Kombination, z. B. als Ergebnisvektor an das übergeordnete Steuergerät, freigegeben.
Fall II: übergeordnetes Steuergerät fragt Batteriesensor oder berechnendes Steuergerät kontinuierlich allgemein ab oder Batteriesensor oder berechnendes Steuergerät meldet kontinuierlich mögliche Safe-Stopp-Szenarien, kombiniert mit Betriebsmodi und Fehlerfällen im Bordnetz, so werden Ergebnisse der
Fehlerinjektionssimulation auf Bordnetzebene erhalten
Für alle möglichen Kombinationen aus Safe-Stopp-Szenario, Bordnetzfehler und Betriebsstrategie wird die benötigte Referenzzyklenzahl ermittelt. Für jede Kombination wird die benötigte Referenzzyklenzahl zur bisherigen Belastung auf Referenzniveau hinzuaddiert und überprüft, ob der definierte
Zuverlässigkeitsgrenzwert eingehalten wird. Ist dies der Fall, wird die
Kombination freigegeben. Dieses Vorgehen wird für jede Kombination wiederholt und das Ergebnis an das übergeordnete Steuergerät, z. B. in Form eines Lösungsvektors, kommuniziert.
Das dritte Modul hat die Aufgabe, den Referenzwert der tatsächlichen Alterung der Batterie (SOH - Kapazitätsverlust) mitzuschreiben und dessen Verlauf bis zum Erreichen des Ausfallkriteriums, z. B. Kapazitätsverlust von 20 %, über die Betriebsdauer oder die erfahrene Belastung zu extrapolieren. Durch den so erhaltenen Wert kann die Güte der Batterie im Vergleich zur Grundgesamtheit der Batterien berücksichtigt werden und das bisher verwendete
Belastbarkeitsmodell, z. B. durch Neudefinition der ausfallfreien Zeit oder einen Korrekturfaktor an die Batteriegüte, angepasst werden.
Das vierte Modul dient zur Nutzung der Prädiktion zur Korrektur des
Belastbarkeitsmodells. Das vierte Modul liefert hierzu die von der Batterie erfahrene Schädigung (SOH) über Belastung und den daraus extrapolierten Wert (siehe drittes Modul) an einen Cloud-Speicher. Dort wird anhand der Vielzahl an Schädigung über Belastungsdaten bzw. extrapolierten Werten das
Belastbarkeitsmodell optimiert und an das vierte Modul zurückgeschickt. Auf diese Weise wird das zugrundeliegende Belastbarkeitsmodell kontinuierlich verbessert.
Optional kann vorgesehen sein:
- Das vierte Modul kennt nun die Güte der eingebauten Batterie im Vergleich zur Grundgesamtheit und kann die Güte der Batterie z. B. über einen
"Korrekturfaktor" berücksichtigen, - bei Batteriefehlern, die erst im Feld auftreten, kann die Freigabe der fehlerhervorrufenden Betriebsmodi über die Cloud verweigert werden, bis der Fehler z. B. durch einen Austausch behoben wird und somit der Ausfall und der daraus resultierende kritische Fahrzeugzustand vermieden werden.
Weitere Vorteile durch den Austausch mit der Cloud sind:
- Realistische Batteriebelastung für zukünftige Komponenten- /Systementwicklungen/Auslegungen erhalten,
- Anpassung der Betriebsstrategie über die Cloud (Ziel: optimalen
Komponentenausnutzung),
- wenn Batterietausch aufgrund regelmäßiger Wartungsmaßnahme kurz bevor steht (prognostizierte Batteriebetriebsdauer reicht nicht bis zur darauffolgenden Wartungsmaßnahme), die Batterie aber noch Belastung ertragen kann, wird die Betriebsstrategie so gewählt, dass die Batterie stärker belastet wird, um andere Komponenten, z. B. DC/DC-Wandler, zu schonen,
- automatisierte Kommunikation mit der Werkstatt, wenn prognostizierte
Batterielebensdauer kurz vor Ende ist, um Komponenten zu tauschen,
- Vorhersage der Belastung durch Kenntnis des Streckenprofils anhand von Navigationsdaten (Start-Ziel-Streckenführung).
Das vorgestellte Verfahren ermöglicht die ggf. cloudbasierte Ableitung von Änderungen der Betriebsstrategien, um Ausfälle der Batterie zu verringern. Dies ermöglicht eine ausgewogene Betriebsstrategie bei Berücksichtigung aller relevanten Bordnetzkomponenten.
Somit kann eine Verbesserung der Komponenten- und Systementwicklung sowie deren Auslegung durch Felddatenerfassung erreicht werden. Auch ist eine Verbesserung der Belastbarkeitsmodelle aufgrund einer großen Anzahl von Komponenten im Feld, z. B. durch Deep-Iearning, möglich. Darüber hinaus kann eine Verbesserung der Belastungsmodelle aufgrund bekannter, realer
Komponentenbelastungen erzielt werden.
Das Verfahren und die Anordnung können in jedem Fahrzeug, bei dem die Ausfallwahrscheinlichkeit der Komponenten und/oder eine
Systemzuverlässigkeitsanalyse implementiert werden soll, eingesetzt werden. Grundsätzlich ist ein Einsatz in jedem Fahrzeug, bei dem die Freigabe bestimmter Funktionen bzw. die Wahl der Fehlerreaktion (Safe-Stopp-Szenario) in Abhängigkeit des prognostizierten Verhaltens (auf Basis der bisherigen Belastung) erteilt werden soll, möglich.
Ein Einsatz kann in allen Fahrzeugen vorgesehen sein, in denen das
Fahrzeugbordnetz hohe Sicherheitsrelevanz besitzt, wie z. B. Fahrzeuge mit Segelbetrieb, Rekuperation oder automatisierte Fahrzeuge. Des Weiteren sind Fahrzeuge mit elektrischer Bremskraftverstärkung (iBooster, IPB) als Einsatzort denkbar. Zu beachten ist, dass es derzeit Bestrebungen gibt, weg von der kilometer- bzw. zeitintervallbasierten Wartung hin zu einer zustandsbasierten Wartung zu kommen. Das vorgestellte Verfahren kann auch für eine solche zustandsbasierte Wartung eingesetzt werden.
Der hierin beschriebene Auswertealgorithmus, der durch das Verfahren implementiert ist, kann in einem Batteriesensor, einem Steuergerät oder in einem Rechner im Fahrzeug oder außerhalb des Fahrzeugs, bspw. in einer Cloud, zur Ausführung kommen. Da die Batterietemperatur einen großen Einfluss auf die Batterieschädigung, -Zuverlässigkeit und -lebensdauer hat, kann bspw. durch
Zielinformationen des Navigationsgeräts die dortige Außentemperatur und weitere Temperaturvorhersagen in die Analyse integriert werden, um so einen Ausfall der Batterie genauer prädizieren zu können. Die Analyse der Batterieschädigung kann abschnittsweise, bspw.
monatsabhängig, erfolgen, um auf diese Weise die Schädigung im jeweiligen Abschnitt zu ermitteln und Serviceintervalle und Ausfälle besser vorhersagen zu können. Auf diese Weise werden Einflüsse, wie bspw. die Temperatur, genauer in Betracht gezogen. Auch Abgleiche der Vorhersagen für die nächsten Tagen können auf diese Weise mit berücksichtigt werden.

Claims

Ansprüche
1. Verfahren zum Überwachen einer Batterie in einem Kraftfahrzeug, bei dem ein erstes Modul (180) Betriebsgrößen der Batterie ermittelt und Größen, die die Betriebsgrößen repräsentieren, mit einem Belastbarkeitsmodell (312) vergleicht, um auf diese Weise Zuverlässigkeitskenngrößen der Batterie zu ermitteln, so dass ein zukünftiges Verhalten der Batterie prognostiziert werden kann.
2. Verfahren nach Anspruch 1, bei dem die Größen durch Umwandlung der Betriebsgrößen ermittelt werden.
3. Verfahren nach Anspruch 1, bei dem die Größen den Betriebsgrößen entsprechen.
4. Verfahren nach einem der Ansprüche 1 bis 3, bei dem die Betriebsgrößen zumindest teilweise von einem Batteriesensor (100, 366) bereitgestellt werden.
5. Verfahren nach einem der Ansprüche 1 bis 4, bei dem Grenzwerte für die Zuverläsigkeitskenngrößen implementiert werden.
6. Verfahren nach einem der Ansprüche 1 bis 5, bei dem die ermittelten
Zuverlässigkeitskenngrößen weiterverarbeitet werden, um
Systemzuverlässigkeitskennwerte zu ermitteln.
7. Verfahren nach einem der Ansprüche 1 bis 6, bei dem ein zweites Modul (200) unterschiedliche Szenarien bewertet und ggf. freigegeben werden.
8. Verfahren nach einem der Ansprüche 1 bis 7, bei dem ein drittes Modul einen Abgleich des Belastbarkeitsmodells (312) mit einer Extrapolation eines tatsächlichen SOH (364) durchführt, und das Belastbarkeitsmodell (312) ggf. anpasst.
9. Verfahren nach einem der Ansprüche 1 bis 8, bei dem ein viertes Modul (380) einen SOH (364) mit zumindest einer zentralen Datenbank abgleicht.
10. Verfahren nach Anspruch 9, bei dem ein Abgleich mit einer Cloud erfolgt.
11. Anordnung zum Überwachen einer Batterie in einem Kraftfahrzeug, die zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 10 eingerichtet ist.
12. Anordnung nach Anspruch 11, die in einem Batteriesensor (100, 366) implementiert ist.
13. Anordnung nach Anspruch 11 oder 12, die dazu eingerichtet ist, eine Verarbeitung von Daten cloudbasiert durchzuführen.
EP17719609.4A 2016-06-30 2017-04-27 Verfahren zum überwachen einer batterie Withdrawn EP3479134A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016211898.6A DE102016211898A1 (de) 2016-06-30 2016-06-30 Verfahren zum Überwachen einer Batterie
PCT/EP2017/060036 WO2018001602A1 (de) 2016-06-30 2017-04-27 Verfahren zum überwachen einer batterie

Publications (1)

Publication Number Publication Date
EP3479134A1 true EP3479134A1 (de) 2019-05-08

Family

ID=58633004

Family Applications (1)

Application Number Title Priority Date Filing Date
EP17719609.4A Withdrawn EP3479134A1 (de) 2016-06-30 2017-04-27 Verfahren zum überwachen einer batterie

Country Status (5)

Country Link
US (1) US20190212391A1 (de)
EP (1) EP3479134A1 (de)
CN (1) CN109313240B (de)
DE (1) DE102016211898A1 (de)
WO (1) WO2018001602A1 (de)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102035679B1 (ko) * 2016-11-29 2019-10-23 주식회사 엘지화학 배터리 노화상태 산출 방법 및 시스템
DE102018220494A1 (de) 2018-11-28 2020-05-28 Robert Bosch Gmbh Verfahren zum Überwachen eines Energiespeichers in einem Bordnetz
DE102018221721A1 (de) 2018-12-14 2020-06-18 Audi Ag Verfahren zum Betreiben einer Hochvoltbatterie, Steuereinrichtung und Kraftfahrzeug
JP6916233B2 (ja) * 2019-03-18 2021-08-11 本田技研工業株式会社 車両制御装置
JP7088096B2 (ja) * 2019-03-20 2022-06-21 トヨタ自動車株式会社 車両用電池制御装置
US11815557B2 (en) * 2019-09-09 2023-11-14 Battelle Energy Alliance, Llc Systems and methods for managing energy storage operations
CN110826645A (zh) * 2019-11-22 2020-02-21 四川长虹电器股份有限公司 基于Adaboost算法的锂电池退役检测方法及系统
FR3105433B1 (fr) * 2019-12-20 2022-01-14 Psa Automobiles Sa Procédé de diagnostic pour une batterie de véhicule
KR20210089021A (ko) * 2020-01-07 2021-07-15 주식회사 엘지에너지솔루션 시뮬레이션 시스템 및 데이터 분산 방법
JP7314822B2 (ja) * 2020-02-06 2023-07-26 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
DE102020201697B3 (de) * 2020-02-11 2021-04-29 Volkswagen Aktiengesellschaft Verfahren zur Kategorisierung einer Batterie hinsichtlich ihrer weiteren Handhabungseignung, Batterie, Batterieverwertungssystem und Kraftfahrzeug
DE102020212278A1 (de) 2020-09-29 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur maschinenindividuellen Verbesserung der Lebensdauer einer Batterie in einer batteriebetriebenen Maschine
DE102020215890A1 (de) * 2020-12-15 2022-06-15 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands eines Energiespeicher-Systems
CN112904218B (zh) * 2021-01-26 2021-12-21 江苏大学 基于标准样本及双重-嵌入解耦的电池健康状态估计方法
DE102021106190B3 (de) 2021-03-15 2022-05-05 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung und Verfahren zur Prädiktion und Vermeidung der Degradation von elektrischen Antriebskomponenten im Fahrzeug
DE102021204847A1 (de) 2021-05-12 2022-12-01 Volkswagen Aktiengesellschaft Betrieb eines elektrischen Energiespeichers in einem Kraftfahrzeug
CN113533906B (zh) * 2021-07-28 2022-09-23 广西电网有限责任公司电力科学研究院 一种智能架空输电线路故障类型诊断方法及系统
WO2023022225A1 (ja) * 2021-08-19 2023-02-23 エリーパワー株式会社 二次電池の容量保持率推定方法及び二次電池の容量保持率推定プログラム並びに二次電池の容量保持率推定装置
WO2023022224A1 (ja) * 2021-08-19 2023-02-23 エリーパワー株式会社 二次電池の容量保持率推定方法及び二次電池の容量保持率推定プログラム並びに二次電池の容量保持率推定装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4521152B2 (ja) * 2002-03-05 2010-08-11 株式会社東芝 半導体製造装置
US7199557B2 (en) * 2003-07-01 2007-04-03 Eaton Power Quality Company Apparatus, methods and computer program products for estimation of battery reserve life using adaptively modified state of health indicator-based reserve life models
US8890480B2 (en) * 2006-11-30 2014-11-18 The Boeing Company Health management of rechargeable batteries
DE102011005711A1 (de) * 2011-03-17 2012-09-20 Bayerische Motoren Werke Aktiengesellschaft Energiespeicher in einem Fahrzeug
CN103185865A (zh) * 2011-12-31 2013-07-03 陕西汽车集团有限责任公司 运用ekf对电动汽车锂离子电池soc闭环实时估算法
DE102013201529A1 (de) * 2013-01-30 2014-07-31 Ford Global Technologies, Llc Verfahren und Vorrichtung zur Überwachung mindestens einer Traktionsbatterie eines Kraftfahrzeugs
DE102013203661A1 (de) 2013-03-04 2014-09-04 Robert Bosch Gmbh Verfahren zum Betreiben eines elektrifizierten Kraftfahrzeugs und Mittel zu dessen Implementierung
DE102013211543A1 (de) * 2013-06-19 2014-12-24 Robert Bosch Gmbh Verfahren zum alterungs- und energieeffizienten Betrieb insbesondere eines Kraftfahrzeugs
CN104459553B (zh) * 2014-11-28 2017-10-03 上海交通大学 一种预测电动汽车电池效率和健康状况的方法和系统

Also Published As

Publication number Publication date
CN109313240A (zh) 2019-02-05
CN109313240B (zh) 2021-10-08
WO2018001602A1 (de) 2018-01-04
US20190212391A1 (en) 2019-07-11
DE102016211898A1 (de) 2018-01-04

Similar Documents

Publication Publication Date Title
EP3479134A1 (de) Verfahren zum überwachen einer batterie
EP3743733B1 (de) Verfahren zum überwachen der energieversorgung eines kraftfahrzeugs mit automatisierter fahrfunktion
WO2020109108A1 (de) Verfahren zum überwachen eines energiespeichers in einem bordnetz
EP2964480B1 (de) Verfahren zum überlast-betrieb eines halbleiterschalters eines elektrifizierten kraftfahrzeugs und mittel zu dessen implementierung
DE102008027591B4 (de) Fahrzeugelektroniksteuerung
DE102017218446A1 (de) Verfahren zum Überwachen eines Kraftfahrzeugs mit automatisierter Fahrfunktion und Vorrichtung zum Durchführen des Verfahrens
WO2001042799A1 (de) Verfahren zur zustandserkennung eines energiespeichers
DE102013211543A1 (de) Verfahren zum alterungs- und energieeffizienten Betrieb insbesondere eines Kraftfahrzeugs
EP2245718A1 (de) Batteriemanagementsystem
WO2018059907A1 (de) Verfahren zum betreiben eines energiebordnetzes eines kraftfahrzeugs
WO2019185371A1 (de) Verfahren und steuereinheit zur überwachung eines energiespeichers
EP1436168B1 (de) Verfahren und vorrichtung zur ermittlung der in einem bordnetz verfügbaren elektrischen leistung
WO2019057871A1 (de) Verfahren zum überwachen mindestens einer komponente eines kraftfahrzeugs
DE102020213357A1 (de) Verfahren zum Überprüfen des Verhaltens mindestens einer Gruppe von Verbrauchern in einem Kraftfahrzeug
DE102019126245A1 (de) System und Verfahren zur Bestimmung des Funktionszustandes und/oder Gesundheitszustandes einer elektrischen Batterie
DE102020212414A1 (de) Verfahren zum Überwachen eines Bordnetzes eines Kraftfahrzeugs
WO2018059906A1 (de) Verfahren zum betreiben eines energiebordnetzes
DE102014017569A1 (de) Verfahren zum Betrieb eines Bordnetzes eines Kraftfahrzeugs und Kraftfahrzeug
DE102020107001A1 (de) Verfahren und Vorrichtung zur Ermittlung des Zustands eines elektrischen Bordnetzes eines Fahrzeugs
WO2022179724A1 (de) Verfahren zum überwachen der energieversorgung eines kraftfahrzeugs
EP3418126A1 (de) Verfahren zum betreiben eines bordnetzes
DE102020213771A1 (de) Verfahren zum Überwachen einer Energiequelle in einem Bordnetz
WO2013160039A1 (de) Verfahren zur prognose eines fehlers oder zur fehlererfassung in einer transportmaschine sowie transportmaschine
WO2021180428A1 (de) Verfahren und vorrichtung zur überwachung eines elektrischen bordnetzes eines fahrzeugs
EP3296144A1 (de) Verfahren zum betreiben eines bordnetzes

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20190130

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: ROBERT BOSCH GMBH

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20211103