FR3135786A1 - Systeme de prediction d’etat de sante ou de duree de vie restante d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme - Google Patents
Systeme de prediction d’etat de sante ou de duree de vie restante d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme Download PDFInfo
- Publication number
- FR3135786A1 FR3135786A1 FR2204837A FR2204837A FR3135786A1 FR 3135786 A1 FR3135786 A1 FR 3135786A1 FR 2204837 A FR2204837 A FR 2204837A FR 2204837 A FR2204837 A FR 2204837A FR 3135786 A1 FR3135786 A1 FR 3135786A1
- Authority
- FR
- France
- Prior art keywords
- battery
- data
- health
- state
- driving parameters
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 13
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000005315 distribution function Methods 0.000 claims abstract description 14
- 230000032683 aging Effects 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000003862 health status Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000003116 impacting effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
L’invention concerne un système de prédiction d’un état de santé ou d’une durée de vie restante d’une batterie (B) de véhicule (V), comprenant :- des données d’un modèle d’apprentissage automatique (M) d’une telle prédiction sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des tensions, des courants, des durées de stationnements, des durées de recharges, des types de recharges, des températures, et des pressions mécaniques sur les modules (C) de la batterie (B), les données d’historiques étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et- un moyen de prédiction pour une telle prédiction sur la base de paramètres de roulage actuels correspondants. L’invention concerne également un procédé et un programme sur la base d’un tel système. Figure 1
Description
L’invention se rapporte au domaine des batteries de traction de véhicule automobile, plus particulièrement à la prédiction d’un état de de santé ou de d’une durée de vie restante d’une batterie par l’apprentissage automatique et l’analyse statistique de l’utilisation de la batterie.
Il y a deux types d’état de santé (ou SOH pour « state of health » en langue anglaise), concernant respectivement la réduction de capacité et la réduction de la puissance maximale.
Le premier basé sur la capacité, est impossible à mesurer pendant l’utilisation du véhicule, parce qu’il demande une recharge d’au moins 50%, et que la batterie soit désactivée pour assez de temps avant et après la recharge pour pouvoir mesurer la tension en circuit ouvert (ou OCV pour « open circuit voltage » en langue anglaise).
Le deuxième basé sur la puissance maximale, est évalué indirectement par la génération de la chaleur par la batterie. Bien que les mesures de chaleur se fassent en général uniquement en laboratoire, la demande de brevet FR2105914 propose de changer de critère pour utiliser un gradient d’augmentation de température, ce qui permet de faire des mesures en ligne.
La prédiction de l’évolution de l’état de santé implique plus de difficultés que l’estimation actuelle de l’état de santé. Le vieillissement de la batterie se décompose en deux types :
- le vieillissement de calandre (ou « calender aging » en langue anglaise), c’est–à–dire le vieillissement pendant le stockage de la batterie, et
- le vieillissement de cycle (ou « cycle aging » en langue anglaise), c’est-à-dire le vieillissement pendant le fonctionnement de la batterie, à savoir les cycles de décharges et recharges.
- le vieillissement de calandre (ou « calender aging » en langue anglaise), c’est–à–dire le vieillissement pendant le stockage de la batterie, et
- le vieillissement de cycle (ou « cycle aging » en langue anglaise), c’est-à-dire le vieillissement pendant le fonctionnement de la batterie, à savoir les cycles de décharges et recharges.
Les mesures de l’évolution de l’état de santé sont normalement faites dans un laboratoire avec des cycles définis. Cependant l’utilisation réelle se compose des cycles irréguliers et de diverses combinaisons de stockages et utilisations. Les mesures en laboratoire ne sont pas représentatives des utilisations réelles.
Il y a deux solutions existantes pour la prédiction d’évolution de l’état de santé, ou de la durée de vie restante (ou « remaining useful life » en langue anglaise).
La première solution est basée sur la modélisation physique de la batterie, qui est très limitée en performances, et demande d’énormes ressources de calcul. Cette solution n’est pas industrialisable. L’autre solution est basée sur l’apprentissage automatique, qui est essentiellement un modèle de données. Cette solution est courante dans la recherche scientifique, mais les données utilisées sont très limitées, généralement uniquement aux données en laboratoire.
La solution actuelle basée sur modélisation physique n’est pas industrialisable, alors que la solution basée sur les données n’a pas assez de données d’utilisation réelle pour développer le modèle.
Un objectif de l’invention est de remédier aux défauts de l’art antérieur et notamment de proposer une solution ayant suffisamment de données pour avoir un modèle précis.
Pour atteindre cet objectif, l’invention propose un système de prédiction d’un état de santé ou d’une durée de vie restante d’une batterie de véhicule automobile, la batterie comportant des modules équipés de capteurs de pression, le système comprenant :
- des données d’un modèle d’apprentissage automatique de prédiction d’un état de santé ou d’une durée de vie restante de la batterie, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des tensions, des courants, des durées de stationnements, des durées de recharges, des types de recharges, des températures, et des pressions mécaniques sur les modules de la batterie,
les données d’historiques étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- un moyen de prédiction pour prédire un état de santé ou une durée de vie restante de la batterie sur la base de paramètres de roulage actuels correspondants.
- des données d’un modèle d’apprentissage automatique de prédiction d’un état de santé ou d’une durée de vie restante de la batterie, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des tensions, des courants, des durées de stationnements, des durées de recharges, des types de recharges, des températures, et des pressions mécaniques sur les modules de la batterie,
les données d’historiques étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- un moyen de prédiction pour prédire un état de santé ou une durée de vie restante de la batterie sur la base de paramètres de roulage actuels correspondants.
Avantageusement, l’invention offre une solution pour accumuler les données de l’état de santé pendant l’utilisation du véhicule. En outre, elle utilise des outils statistiques pour développer les paramètres d’entrée pour l’apprentissage automatique. De plus, elle utilise l’apprentissage automatique pour la prédiction de l’état de santé.
Selon une variante, dans les fonctions de distribution multimodale de plusieurs lois normales, l’expression de chaque distribution normale, indexée par , comporte trois variables, dont son espérance, , son écart type, et sa fraction, dans la distribution multimodale, et chaque paramètre est décrit par plusieurs types de variables qui le caractérisent, permettant de former le module d’apprentissage automatique (M), et dans lequel la fonction de distribution multimodale, , a pour formule :
; .
Cela permet d’améliorer la précision du modèle.
Selon une variante, le système de prédiction comprend en outre un moyen de connexion à un serveur informatique en nuage, configuré pour permettre de transmettre des données d’historiques de paramètres de roulage, et/ou pour permettre de recevoir une mise à jour des données d’historiques de paramètres de roulage. Cela permet de limiter le stockage dans le véhicule tout en ayant accès à un très grand nombre de données.
Selon une variante, le système de prédiction est configuré pour déterminer des paramètres de roulage optimaux permettant de limiter le vieillissement de la batterie, les paramètres de roulage optimaux étant déterminés sur la base des paramètres de roulage actuels et desdites données du modèle d’apprentissage automatique.
Cela permet de limiter le vieillissement de la batterie et de proposer une garantie de batterie utilisateur-spécifique.
L’invention concerne en outre un procédé de prédiction d’un état de santé ou d’une durée de vie restante d’une batterie de véhicule automobile, la batterie comportant des modules équipés de capteurs de pression, le procédé comprenant les étapes suivantes :
- réaliser un modèle d’apprentissage automatique de prédiction d’un état de santé ou d’une durée de vie restante de la batterie, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des tensions, des courants, des durées de stationnements, des durées de recharges, des types de recharges, des températures, et des pressions mécaniques sur les modules de la batterie,
les données d’historiques étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- prédire un état de santé ou une durée de vie restante de la batterie (B) sur la base de paramètres de roulage actuels correspondants.
- réaliser un modèle d’apprentissage automatique de prédiction d’un état de santé ou d’une durée de vie restante de la batterie, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des tensions, des courants, des durées de stationnements, des durées de recharges, des types de recharges, des températures, et des pressions mécaniques sur les modules de la batterie,
les données d’historiques étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- prédire un état de santé ou une durée de vie restante de la batterie (B) sur la base de paramètres de roulage actuels correspondants.
Selon une variante, dans les fonctions de distribution multimodale de plusieurs lois normales, l’expression de chaque distribution normale, indexée par , comporte trois variables, dont son espérance, , son écart type, et sa fraction, dans la distribution multimodale, et chaque paramètre est décrit par plusieurs types de variables qui le caractérisent, permettant de former le module d’apprentissage automatique, et dans lequel la fonction de distribution multimodale, , a pour formule :
; .
Selon une variante, le procédé de prédiction comprend en outre une étape de connexion à un serveur informatique en nuage, pour transmettre des données d’historiques de paramètres de roulage, et/ou pour recevoir une mise à jour des données d’historiques de paramètres de roulage.
Selon une variante, le procédé de prédiction comprend en outre une étape d’optimisation pour déterminer des paramètres de roulage optimaux permettant de limiter le vieillissement de la batterie, les paramètres de roulage optimaux étant déterminés sur la base des paramètres de roulage actuels et desdites données du modèle d’apprentissage automatique.
Un autre objet de l’invention concerne un programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes d’un procédé de prédiction selon l’invention, lorsque ledit programme fonctionne sur un ordinateur.
L’invention a en outre trait à un véhicule automobile comprenant un système de prédiction selon l’invention.
L’invention sera davantage détaillée par la description non-limitative de variantes, et sur la base de la annexée illustrant schématiquement un véhicule incorporant un mode de réalisation préféré de l’invention.
L’invention concerne un système de prédiction d’un état de santé ou d’une durée de vie restante d’une batterie B de véhicule automobile V.
Ce type de batterie B comporte des modules et/ou cellules. Par simplification, l’invention est présentée avec des modules C. Ces modules C sont équipés de capteurs de pression P.
Le système de prédiction comprend des données d’un modèle d’apprentissage automatique M de prédiction d’un état de santé ou d’une durée de vie restante. La prédiction est faite sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des tensions, des courants, des durées de stationnements, des durées de recharges, des types de recharges, des températures, et des pressions mécaniques sur les modules C de la batterie B.
Les données d’historiques sont issues de plusieurs véhicules du même type, et comprennent des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres.
Le système comprend en outre un moyen de prédiction pour prédire un état de santé ou une durée de vie restante de la batterie B, sur la base de paramètres de roulage actuels correspondants.
Il y a deux types de vieillissement de la batterie : le vieillissement pendant stockage et le vieillissement pendant l’utilisation. Le vieillissement réel se compose de ces deux types de vieillissement, et la proportion change fortement selon l’utilisateur. Les solutions proposées dans la recherche scientifique pour la prédiction de vieillissement, ne sont pas satisfaisantes parce qu’elles ne sont pas basées sur des données représentatives de l’utilisation réelle.
Comme Xiaopeng Tang et al. a évoqué dans l’article « Recovering large-scale battery aging dataset with machine learning », la difficulté d’utiliser les données d’utilisation réelle est le mesurage de l’état de santé. De nombreuses données, comme la tension, le courant, la température, sont collectées, cependant il n’y a pas de données de l’état de santé correspondant à ces utilisations. Les auteurs dans l’art antérieur cherchent à construire un modèle qui peut utiliser les données d’utilisation réelle. Par ailleurs, cette recherche n’est pas pratique, parce que la vérification est limitée aux données des laboratoires. Avec les données d’utilisation réelle, le modèle serait beaucoup plus compliqué.
Le meilleur choix est de pouvoir mesurer l’état de santé en ligne : la demande de brevet FR2105914 propose d’évaluer l’état de santé avec le gradient d’augmentation de température. Pour être complet, le principe de cette invention est résumé comme suit :
- 1. Le gradient de l’augmentation de température dépend de l’état de charge, l’état de santé, la température de la batterie, la puissance ainsi que le débit du fluide calorifique, étant donné que la conception du refroidisseur est figée. Une série d’expériences est à réaliser sur une matrice qui couvre toute la plage des paramètres impactants. Pour l’état de santé, il faut des essais en début, au milieu et en la fin de vie de la batterie. Un modèle d’apprentissage automatique M est construit pour prédire le gradient de température.
- 2. Sur le véhicule, le gradient de l’augmentation de température est mesuré et comparé aux mêmes conditions avec la prédiction en début de vie. L’écart entre le gradient mesuré et le gradient prédit indique le vieillissement de la batterie B.
- 1. Le gradient de l’augmentation de température dépend de l’état de charge, l’état de santé, la température de la batterie, la puissance ainsi que le débit du fluide calorifique, étant donné que la conception du refroidisseur est figée. Une série d’expériences est à réaliser sur une matrice qui couvre toute la plage des paramètres impactants. Pour l’état de santé, il faut des essais en début, au milieu et en la fin de vie de la batterie. Un modèle d’apprentissage automatique M est construit pour prédire le gradient de température.
- 2. Sur le véhicule, le gradient de l’augmentation de température est mesuré et comparé aux mêmes conditions avec la prédiction en début de vie. L’écart entre le gradient mesuré et le gradient prédit indique le vieillissement de la batterie B.
Il faut noter que ces mesures concernent uniquement la réduction de puissance, tandis que la réduction de la capacité n’est pas évoquée dans ces essais.
Il y a un autre facteur impactant sur le vieillissement : la pression mécanique sur les cellules. La demande de brevet FR2109168 propose d’installer un capteur de la force P dans les modules de batterie C. Il est important d’avoir ces mesures pour chaque module C, parce que le niveau de pression dépend de la tolérance d’assemblage du module C. Chaque module C a sa valeur unique.
Les données primitives d’entrée sont les suivantes :
- 1. En recharge : la tension et l’état de charge (SOC) au début et à la fin de la recharge, le courant maximal et moyen de recharge, la durée de recharge, la température moyenne, maximale et minimale du module C, la pression mécanique moyenne, maximale et minimale du module C.
- 2. En décharge : la tension et l’état de charge au début et à la fin de la décharge, le courant maximal et moyen de décharge, la durée de décharge, la température moyenne, maximale et minimale du module C, la pression mécanique moyenne, maximale et minimale sur le module C.
- 3. En stationnement : la tension et l’état de charge en début de stationnement, la température au début et à la fin du stationnement, la durée de stationnement, la pression mécanique moyenne, maximale et minimale du module.
- 1. En recharge : la tension et l’état de charge (SOC) au début et à la fin de la recharge, le courant maximal et moyen de recharge, la durée de recharge, la température moyenne, maximale et minimale du module C, la pression mécanique moyenne, maximale et minimale du module C.
- 2. En décharge : la tension et l’état de charge au début et à la fin de la décharge, le courant maximal et moyen de décharge, la durée de décharge, la température moyenne, maximale et minimale du module C, la pression mécanique moyenne, maximale et minimale sur le module C.
- 3. En stationnement : la tension et l’état de charge en début de stationnement, la température au début et à la fin du stationnement, la durée de stationnement, la pression mécanique moyenne, maximale et minimale du module.
Ces données ne peuvent pas être utilisées directement, parce que l’évolution de l’état de santé ne peut pas être constatée après chaque utilisation ou stationnement. C’est toujours après une période d’utilisation qu’une évolution significative de l’état de santé est à détecter.
Pour caractériser une période d’utilisation, cette invention propose d’utiliser distribution multimodale, , qui se compose de deux ou plusieurs lois normales. L’expression de chaque distribution normale, indexée par , a trois paramètres : son espérance, , son écart type, et sa fraction, dans la distribution multimodale. Pour chaque paramètre primitif, il faut trouver les 3 types de paramètres qui le caractérisent, c’est-à-dire que chaque paramètre primitif est décrit par paramètres, qui sont les données d’entrée pour le développement du modèle d’apprentissage automatique.
La formule de la loi de distribution multimodale, , est donc :
La raison d’utiliser la distribution multimodale provient de l’habitude d’utilisation : En effet, l’itinéraire pour aller au travail est plus ou moins habituel alors que l’itinéraire pour faire des courses est très différent ; le profil de conduite sur l’autoroute est différent de celui en centre-ville ; la recharge par décélération pendant le roulage est très différente que celle à la maison ou celle en mode super rapide.
La vie de la batterie B est composée de tous les événements, c’est la distribution de probabilité qui varie selon l’utilisateur et selon le type de véhicule.
Cette analyse statistique ne se limite pas à l’état de santé mesuré par le gradient de l’augmentation de température, il peut être utilisée pour toutes les définitions de l’état de santé, à savoir aussi pour l’état de santé concernant la capacité.
Si un véhicule fait un entretien régulièrement, par exemple une fois par an, l’état de santé mesuré à l’entretien peut être utilisé en combinaison de tout l’historique des profils d’utilisation de l’année.
Le résultat du modèle d’apprentissage automatique M est une prédiction de l’évolution de l’état de santé sur un certain temps d’après un profil d’utilisation. Si ce profil persiste, un utilisateur a connaissance du gradient d’évolution de l’état de santé de sa batterie B, ainsi que de sa durée de vie restante. L’utilisateur et le service d’entretien ont donc cette information.
Cette prédiction permet aussi de trouver les profils qui permettent d’avoir le plus lent vieillissement de la batterie B, simplement par un balayage de tous les paramètres. Par exemple, il est prévu qu’une combinaison modeste de stationnements et utilisations avec peu de recharges super rapides donne une meilleure préservation de la batterie B.
Un autre avantage de cette analyse statistique pour le constructeur est la possibilité de proposer une garantie de la batterie utilisateur-spécifique, car les profils de conduites des utilisateurs sont très différents.
L’invention peut être implémentée dans un ordinateur de bord CP du véhicule V incluant tous les éléments du système de prédiction.
Claims (10)
- Système de prédiction d’un état de santé ou d’une durée de vie restante d’une batterie (B) de véhicule automobile (V), la batterie (B) comportant des modules (C) équipés de capteurs de pression (P), le système comprenant :
- des données d’un modèle d’apprentissage automatique (M) de prédiction d’un état de santé ou d’une durée de vie restante de la batterie (B), sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des tensions, des courants, des durées de stationnements, des durées de recharges, des types de recharges, des températures, et des pressions mécaniques sur les modules (C) de la batterie (B),
les données d’historiques étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- un moyen de prédiction pour prédire un état de santé ou une durée de vie restante de la batterie (B) sur la base de paramètres de roulage actuels correspondants. - Système de prédiction selon la revendication 1, caractérisé en ce que dans les fonctions de distribution multimodale de plusieurs lois normales, l’expression de chaque distribution normale, indexée par
- Système de prédiction selon l’une quelconque des revendications 1 à 2, comprenant en outre un moyen de connexion à un serveur informatique en nuage, configuré pour permettre de transmettre des données d’historiques de paramètres de roulage, et/ou pour permettre de recevoir une mise à jour des données d’historiques de paramètres de roulage.
- Système de prédiction selon l’une quelconque des revendications 1 à 3, caractérisé en ce qu’il est configuré pour déterminer des paramètres de roulage optimaux permettant de limiter le vieillissement de la batterie (B), les paramètres de roulage optimaux étant déterminés sur la base des paramètres de roulage actuels et desdites données du modèle d’apprentissage automatique (M).
- Procédé de prédiction d’un état de santé ou d’une durée de vie restante d’une batterie (B) de véhicule automobile (V), la batterie (B) comportant des modules (C) équipés de capteurs de pression (P), le procédé comprenant les étapes suivantes :
- réaliser un modèle d’apprentissage automatique (M) de prédiction d’un état de santé ou d’une durée de vie restante de la batterie (B), sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des tensions, des courants, des durées de stationnements, des durées de recharges, des types de recharges, des températures, et des pressions mécaniques sur les modules (C) de la batterie (B),
les données d’historiques étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- prédire un état de santé ou une durée de vie restante de la batterie (B) sur la base de paramètres de roulage actuels correspondants. - Procédé de prédiction selon la revendication 5, caractérisé en ce que dans les fonctions de distribution multimodale de plusieurs lois normales, l’expression de chaque distribution normale, indexée par
- Procédé de prédiction selon l’une quelconque des revendications 5 à 6, comprenant en outre une étape de connexion à un serveur informatique en nuage, pour transmettre des données d’historiques de paramètres de roulage, et/ou pour recevoir une mise à jour des données d’historiques de paramètres de roulage.
- Procédé de prédiction selon l’une quelconque des revendications 5 à 7, comprenant en outre une étape d’optimisation pour déterminer des paramètres de roulage optimaux permettant de limiter le vieillissement de la batterie (B), les paramètres de roulage optimaux étant déterminés sur la base des paramètres de roulage actuels et desdites données du modèle d’apprentissage automatique (M).
- Programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes d’un procédé de prédiction selon l’une quelconque des revendications 5 à 8, lorsque ledit programme fonctionne sur un ordinateur (CP).
- Véhicule automobile (V) comprenant un système de prédiction selon l’une quelconque des revendications 1 à 4.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2204837A FR3135786A1 (fr) | 2022-05-20 | 2022-05-20 | Systeme de prediction d’etat de sante ou de duree de vie restante d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2204837A FR3135786A1 (fr) | 2022-05-20 | 2022-05-20 | Systeme de prediction d’etat de sante ou de duree de vie restante d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme |
| FR2204837 | 2022-05-20 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3135786A1 true FR3135786A1 (fr) | 2023-11-24 |
Family
ID=82943027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2204837A Pending FR3135786A1 (fr) | 2022-05-20 | 2022-05-20 | Systeme de prediction d’etat de sante ou de duree de vie restante d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3135786A1 (fr) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118288847A (zh) * | 2024-04-28 | 2024-07-05 | 珠海南方智运汽车科技有限公司 | 一种电池的智能监测方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2105914A5 (fr) | 1970-08-22 | 1972-04-28 | Dowty Rotol Ltd | |
| FR2109168A5 (fr) | 1970-10-06 | 1972-05-26 | Panhard Levassor Const | |
| WO2019016980A1 (fr) * | 2017-07-20 | 2019-01-24 | Mitsubishi Electric Corporation | Procédé et système de prédiction de tension inconnue de batterie et procédé de prédiction de courant inconnu de batterie rechargeable |
| EP3745150A1 (fr) * | 2019-05-27 | 2020-12-02 | Siemens Aktiengesellschaft | Procédé et dispositif pour déterminer la dégradation d'un module de batterie ou d'une cellule de batterie |
| CN113962259A (zh) * | 2021-10-11 | 2022-01-21 | 燕山大学 | 一种燃料电池系统多模式双层故障诊断方法 |
-
2022
- 2022-05-20 FR FR2204837A patent/FR3135786A1/fr active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2105914A5 (fr) | 1970-08-22 | 1972-04-28 | Dowty Rotol Ltd | |
| FR2109168A5 (fr) | 1970-10-06 | 1972-05-26 | Panhard Levassor Const | |
| WO2019016980A1 (fr) * | 2017-07-20 | 2019-01-24 | Mitsubishi Electric Corporation | Procédé et système de prédiction de tension inconnue de batterie et procédé de prédiction de courant inconnu de batterie rechargeable |
| EP3745150A1 (fr) * | 2019-05-27 | 2020-12-02 | Siemens Aktiengesellschaft | Procédé et dispositif pour déterminer la dégradation d'un module de batterie ou d'une cellule de batterie |
| CN113962259A (zh) * | 2021-10-11 | 2022-01-21 | 燕山大学 | 一种燃料电池系统多模式双层故障诊断方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118288847A (zh) * | 2024-04-28 | 2024-07-05 | 珠海南方智运汽车科技有限公司 | 一种电池的智能监测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220026492A1 (en) | Vehicle Battery Monitoring | |
| CN112433169B (zh) | 一种云端动力电池健康度评估系统及方法 | |
| EP2991853A1 (fr) | Procede de gestion du refroidissement d'une batterie a seuils de refroidissement ajustables | |
| FR3105434A1 (fr) | Détermination du vieillissement d’un système de stockage électrique | |
| FR3135786A1 (fr) | Systeme de prediction d’etat de sante ou de duree de vie restante d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme | |
| EP3857639B1 (fr) | Procede et dispositif de mesure en temps reel et in situ des donnees thermodynamiques d'une batterie (enthalpie et entropie) | |
| EP4111219B1 (fr) | Procédé d'estimation de l'état de santé énergétique d'une batterie | |
| EP3870986B1 (fr) | Procede de determination de l'etat de vieillissement d'une batterie electrochimique | |
| FR2980274A1 (fr) | Procede d'estimation d'indicateurs de vieillissement d'une batterie de traction d'un vehicule automobile electrique ou hybride | |
| EP3824305A1 (fr) | Procédé et dispositif de détermination d'une durée limite d'utilisation d'une batterie | |
| FR2923023A1 (fr) | Systeme de determination de l'etat de moyens de stockage d'energie electrique | |
| FR3135145A1 (fr) | Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme | |
| EP4094084A1 (fr) | Procede de diagnostic rapide et hors ligne d'accumulateurs et dispositifs associes | |
| FR3124321A1 (fr) | Systeme de bloc de batterie contrecarrant la dispersion thermique entre les modules, vehicule et une methode sur la base d’un tel systeme | |
| WO2021116280A1 (fr) | Evaluation de l'autonomie réelle maximale d'un véhicule éléctrique | |
| FR3118187A1 (fr) | Dispositif, pour un organe de charge, de détermination de l’état de santé d’une batterie d’un véhicule électrique. | |
| FR3052262A1 (fr) | Methode de diagnostic d'un ensemble de batteries d'accumulateurs reparties dans une flotte de vehicules automobiles | |
| FR2965361A1 (fr) | Procede d'estimation de l'etat de sante d'une batterie d'un vehicule et vehicule mettant en oeuvre un tel procede | |
| CN112991574A (zh) | 一种分析电堆衰减的方法 | |
| FR3118805A1 (fr) | Dispositif de simulation thermique de batterie de vehicule electrique par apprentissage automatique, procede, vehicule comprenant un tel dispositif | |
| FR3134480A1 (fr) | Systeme de recharge pour vehicule automobile sans placage de lithium, procede et vehicule sur la base d’un tel systeme | |
| US20220388424A1 (en) | Method and system for predicting engine-start performance of an electrical energy storage system | |
| FR3146445A1 (fr) | Procede de controle d’un vehicule automobile se basant sur un modele de classification de la performance du systeme de frein | |
| WO2020016521A1 (fr) | Procédé de détermination de l'état de fonctionnement d'une batterie et batterie mettant en oeuvre un tel procédé | |
| FR3143765A1 (fr) | Procédé et dispositif de détermination d’un profil de sollicitation représentatif de l’usage futur d’une batterie pour une application donnée |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20231124 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| CD | Change of name or company name |
Owner name: STELLANTIS AUTO SAS, FR Effective date: 20240313 |