JP2017509103A - 電気またはハイブリッド車両の動作中における電池の劣化状態を推定する方法、装置、およびシステム、並びに前記推定用のモデルを構築する方法 - Google Patents

Abstract

電気またはハイブリッド車両の電池の使用状態における劣化状態を推定する方法であって、ａ）前記電池の動作中に、前記車両の速度（ｖ）または加速度の測定値の時系列、および同時に、前記電池から供給される電流または電力、および前記電池の端子における電圧のうちから選択された量の測定値（Ｉ，Ｕ，Ｐ）の少なくとも１個の時系列を取得するステップと、ｂ）少なくとも１個の所定条件を満たす速度または加速度パターンに対応する前記時系列の区間を抽出するステップと、ｃ）少なくとも１個の連続的な推定または分類モデルを前記時系列の前記区間に適用することにより前記電池の劣化状態の推定値を決定するステップとを含む方法。そのような方法を実行する装置およびシステム。そのような連続的な推定または分類モデルを構築する方法。

Description

本発明は、電気またはハイブリッド車両の電池の劣化状態を推定する方法、装置、およびシステムに関する。本発明はまた、そのような電池の劣化状態推定用のモデルを構築する方法に関する。

電池の劣化状態、または劣化程度は、異なる変数により定量化できる。最も一般的に用いられるのは、調べている電池の容量、抵抗、更にはインピーダンスの傾向である。通常用いられる指標は、次式で定義されるＳＯＨ（劣化状態）である。

変型例として、ＳＯＨは電池の抵抗から定義される場合がある。しばしば用いられる別の指標として、寿命終了（ＥＯＬ）基準までの残り時間の割合（または例えばサイクル数）を表す残存寿命（ＲＵＬ）があり、通常は残存容量閾値により百分率で定義される。ＲＵＬはまた、ＳＯＬ（寿命状態）とも呼ばれる。

如何なるパラメータを用いて定義するにせよ、不意の故障、または前記電池から電力を供給される機器または機械の性能レベルが想定外に低下するリスクを回避するにはユーザーは電池の劣化状態をリアルタイムで知らねばならない。これは特に、電気またはハイブリッド車両、特に自動車の電池において重要である。電池の容量または抵抗の測定によるＳＯＨの直接計算は原理的には可能であるが、リアルタイムでは不可能な長時間且つ複雑な測定を要する。ＲＵＬ／ＳＯＬに関しては推定のみ可能である。

米国特許出願公開第２０１３／０３００３７７号明細書 仏国特許出願公開第２９７５１８８号明細書 米国特許出願公開第２０１３／００３０７３９号明細書 米国特許出願公開第２０１０／０３２４８４８号明細書

Ａ．Ｂａｒｒｅら、 "Ａ ｒｅｖｉｅｗ ｏｎ ｌｉｔｈｉｕｍ−ｉｏｎ ｂａｔｔｅｒｙ ａｇｅｉｎｇ ｍｅｃｈａｎｉｓｍｓ ａｎｄ ｅｓｔｉｍａｔｉｏｎｓ ｆｏｒ ａｕｔｏｍｏｔｉｖｅ ａｐｐｌｉｃａｔｉｏｎｓ"，Ｊｏｕｒｎａｌ ｏｆ Ｐｏｗｅｒ Ｓｏｕｒｃｅｓ２４１（２０１３），６８０−６８９ Ｘｉａｏｓｏｎｇ Ｈｕら、"Ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｓｔａｔｅ ｏｆ Ｃｈａｒｇｅ ｏｆ ａ Ｌｉｔｈｉｕｍ−Ｉｏｎ Ｂａｔｔｅｒｙ Ｐａｃｋ ｆｏｒ Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅｓ Ｕｓｉｎｇ ａｎ Ａｄａｐｔｉｖｅ Ｌｕｅｎｂｅｒｇｅｒ Ｏｂｓｅｒｖｅｒ"，Ｅｎｅｒｇｉｅｓ ２０１０，３，１５８６−１６０３ Ｂ．Ｓａｈａ、Ｋ．Ｇｏｅｂｅｌ、Ｓ．ＰｏｌｌおよびＪ．Ｃｈｒｉｓｔｏｐｈｅｒｓｅｎ、"Ｐｒｏｇｎｏｓｔｉｃｓ ｍｅｔｈｏｄｓ ｆｏｒ ｂａｔｔｅｒｙ ｈｅａｌｔｈ ｍｏｎｉｔｏｒｉｎｇ ｕｓｉｎｇ ａ ｂａｙｅｓｉａｎ ｆｒａｍｅｗｏｒｋ"，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄ ｍｅａｓｕｒｅｍｅｎｔ ５８（２）（２００９）２９１−２９７

上記問題の技術的および経済的重要性により、電池の劣化状態を推定する極めて多くの方法が提案されてきた。これらの方法について、Ａ．Ｂａｒｒｅらによる論文“Ａ ｒｅｖｉｅｗ ｏｎ ｌｉｔｈｉｕｍ−ｉｏｎ ｂａｔｔｅｒｙ ａｇｅｉｎｇ ｍｅｃｈａｎｉｓｍｓ ａｎｄ ｅｓｔｉｍａｔｉｏｎｓ ｆｏｒ ａｕｔｏｍｏｔｉｖｅ ａｐｐｌｉｃａｔｉｏｎｓ”，Ｊｏｕｒｎａｌ ｏｆ Ｐｏｗｅｒ Ｓｏｕｒｃｅｓ ２４１（２０１３）ｐａｇｅｓ６８０−６８９を参照されたい。

劣化状態（ＳＯＨ）を推定する問題は、充電状態（ＳＯＣ）の推定の問題と区別すべきである。１００％充電された電池の端子における電圧が基準値として有用な特定の値を示すため、第２の問題は容易に解決できる。しかし、単純な電圧測定で劣化程度を測定することは一般に不可能である。ＳＯＣを推定する公知の方法のうち、以下が引用できる。
− 例えばＸｉａｏｓｏｎｇ Ｈｕらによる論文“Ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｓｔａｔｅ ｏｆ Ｃｈａｒｇｅ ｏｆ ａ Ｌｉｔｈｉｕｍ−Ｉｏｎ Ｂａｔｔｅｒｙ Ｐａｃｋ ｆｏｒ Ｅｌｅｃｔｒｉｃ Ｖｅｈｉｃｌｅｓ Ｕｓｉｎｇ ａｎ Ａｄａｐｔｉｖｅ Ｌｕｅｎｂｅｒｇｅｒ Ｏｂｓｅｒｖｅｒ”，Ｅｎｅｒｇｉｅｓ ２０１０，３，１５８６−１６０３に記述されている、適応的識別方法を用いてパラメータが決定されるＲＣ等価回路の利用、および
− Ｈ∞型の堅牢な可観測量を用いるフィルタリング方法、例えば米国特許出願公開第２０１３／０３００３７７号明細書を参照されたい。

特に電気自動車で実際に使用されている電池の劣化状態の推定問題を扱う大多数の既存の解決策は、電池をモデル化する等価回路を用いている。等価回路は、これらの経験的モデルの動態および有効範囲に応じて、各提案毎に異なっている。実際、等価回路による電池のモデリングは、その劣化に関わる多くの物理化学的現象の複雑さのために極めて困難である。また、当該方法論は、等価回路のパラメータは各々の電池技術に適応している必要があるため、柔軟性に欠ける。当該方法論における別の重大な短所は、劣化程度を推定するモデルが入力として受け取る変数は事前推定されている必要があることである。例えば、充電の状態および電池の抵抗を測定（多数の特定の試験を要する）または推定（自身が複雑な問題である）する必要がある。従って、これらの変数は、モデルの入力自体からのずれを誘発し、次いでいずれは結果の相違を引き起こす。最後に、このようなモデルはまた、実用的には必ずしも意味がない制御された条件下（試験台）での試験に主に基づいているため、実際の条件下での使用を表していないことが分かっている。

一例として、Ｂ．Ｓａｈａ、Ｋ．Ｇｏｅｂｅｌ、Ｓ．ＰｏｌｌおよびＪ．Ｃｈｒｉｓｔｏｐｈｅｒｓｅｎによる論文“Ｐｒｏｇｎｏｓｔｉｃｓ ｍｅｔｈｏｄｓ ｆｏｒ ｂａｔｔｅｒｙ ｈｅａｌｔｈ ｍｏｎｉｔｏｒｉｎｇ ｕｓｉｎｇ ａ ｂａｙｅｓｉａｎ ｆｒａｍｅｗｏｒｋ”，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄ ｍｅａｓｕｒｅｍｅｎｔ ５８（２）（２００９）２９１−２９７を引用できる。当該論文に記述されている方法は、電気化学的インピーダンススペクトル測定により値が推定されるパラメータにより特徴付けられる進展的等価回路を用いる。これらのパラメータの傾向を表す劣化曲線は、関連ベクトル回帰、または関連ベクトルマシン（ＲＶＭ）により「オフライン」と決定され、次いで、このように開発された進展的モデルをＰＦ（粒子フィルタ）型の動的状態推定プロセスで用いる。

従来技術から知られる電池の劣化状態を推定する他の方法は、事前試験の間に定義された劣化のマッピングを用いる。例えば文献仏国特許出願公開第２９７５１８８号明細書を参照されたい。これらのマッピングは、例えば、測定された抵抗値を電池の容量の予測と関連付けるか、または測定された最大の電圧および温度を用いて劣化状態を推定する。当該方法論は、実際の条件に適合させることができない。実際、マッピングは、実際の条件を表すためには劣化現象に関係し得る全てのパラメータを考慮に入れる必要がある。現在、これらを考慮に入れるには数が多過ぎ、且つ相互依存し過ぎているため、このような方法で得られた推定の信頼性の欠如につながる。

物理的モデリング方法もまた、電池の劣化の推定に関連付けられた問題に広範に用いられている。例えば米国特許出願公開第２０１３００３０７３９号明細書を参照されたい。これは電池の劣化状態の動向をモデル化する方程式を決定するものである。これらの方程式は、試験台で得られたデータと合致するように決定されるが、劣化現象は極めて複雑且つ多数の相互依存するパラメータから生じ、モデリングが極めて困難になるため、実際の条件のモデリングには適していないことが分かっている。更に、これらの方法は組み込み式コンピュータの能力に対して必要な計算が複雑過ぎるため、オンラインでは適用できない。

また他の方法は、信号および推定パラメータに基づくニューラルネットワークおよび／またはファジー論理等の学習方法を用いるものである。例えば文献米国特許出願公開第２０１０／０３２４８４８号明細書を参照されたい。これらの方法はオンラインで利用可能である。これらの主な短所は、試験台で得られたデータの利用と関連している。

本発明は、従来技術の上述の短所の少なくともいくつかを完全に、または部分的に解決することを意図している。より具体的には、本発明は、電気またはハイブリッド車両の電池の劣化状態の、信頼性が高く且つ「オンライン」での（すなわち使用中での）推定を可能にすることを意図している。

当該目的の実現を可能にする本発明の一主題は、電気またはハイブリッド車両の電池の使用状態における劣化状態を推定する方法であって、以下のステップ、すなわち
ａ）前記電池の動作中に、前記車両の速度または加速度の測定値の時系列、および同時に、前記電池から供給される電流または電力、および当該電池の端子における電圧のうちから選択された量の測定値の少なくとも１個の時系列を取得するステップと、
ｂ）少なくとも１個の所定条件を満たす速度または加速度パターンに対応する前記時系列の区間を抽出するステップと、
ｃ）少なくとも１個の連続的な推定または分類モデルを前記時系列の前記区間に適用することにより前記電池の劣化状態の推定値を決定するステップとを含んでいる。

本発明の異なる実施形態によれば、
− 前記ステップａ）はまた、前記電池の温度の測定値時系列の同時取得を含んでいてよく、前記ステップｂ）はまた、前記速度または加速度パターンに対応する温度測定値の前記時系列の区間を抽出するステップを含んでいてよく、前記ステップｃ）は、前記または各前記連続的な推定または分類モデルを、温度測定値の前記時系列の前記区間に、または各前記区間に関連付けられた平均温度値に適用するステップを含んでいてよい。
− 前記ステップｂ）の実行中に、速度または加速度の測定値の前記時系列の区間が前記所定条件を満たすのは、第１の所定範囲に各々存在する速度または加速度の変化が第２の所定範囲内の時間幅で生じる場合であると考えられる。
− 前記ステップｃ）は、前記または各前記連続的な推定または分類モデルを適用する前に、前記測定値時系列の前記区間を再調整する動作を含んでいてよく、前記再調整動作は、各前記速度パターンについて、前記速度パターンを基準速度パターンに変換する変換方式を識別するステップと、前記変換方式、または前記変換方式に関連付けられた変換方式を、前記速度パターンに対応する前記時系列の各前記区間に適用するステップとを含んでいる。
− 前記または少なくとも１個の前記連続的な推定または分類モデルは、動的時間伸縮法の擬計量、および全体的配列の計量のうちから選択された計量または擬計量に基づいていてよい。
− 前記または少なくとも１個の前記連続的な推定または分類モデルはカーネルモデルであってよい。
− 本方法はまた、オフライン特徴付けにより得られた前記電池の劣化状態の推定値から、前記連続的な１個以上の推定または分類モデルを更新する、または前記推定値を事後的に修正するステップｄ）を含んでいてよい。

本発明の別の主題は、電気またはハイブリッド車両の電池の使用状態における劣化状態を推定する装置であって、以下の要素、すなわち、
− 前記車両の速度または加速度を表す信号の少なくとも１個の第１の入力ポートと、
− 前記電池により供給される電流または電力、または当該電池の端子における電圧を表す信号の少なくとも１個の第２の入力ポートと、
− 前記信号を用いて上述のような方法を実行すべく構成またはプログラムされたデータ処理モジュールとを含んでいる。

本発明の更に別の主題は、電気またはハイブリッド車両の電池の使用状態における劣化状態を推定するシステムであって、以下の要素、すなわち
− 上述の装置と、
− 前記装置の前記第１のポートに接続された、車両の速度または加速度の少なくとも１個のセンサと、
− 前記装置の前記第２のポートに接続された、少なくとも１個の電流または電圧センサとを含んでいる。

本発明の更に別の主題は、電気またはハイブリッド車両の電池の使用状態における劣化状態推定用のモデルを構築する方法であって、以下のステップ、すなわち
Ａ）前記電池の複数の動作期間にわたり、前記車両の速度または加速度の測定値の時系列、および同時に、前記電池により供給される電流または電力、および当該電池の端子における電圧のうちから選択された量の測定値の少なくとも１個の時系列を取得するステップと、
Ｂ）少なくとも１個の所定条件を満たす速度または加速度パターンに対応する前記時系列の区間を抽出するステップと、
Ｃ）前記動作期間の合間に実行されたオフラインの特徴付けにより得られる前記劣化状態の推定値の内挿により、前記動作期間中における前記電池の基準劣化状態を決定するステップと、
Ｄ）前記時系列の前記区間から、および対応する基準劣化状態から少なくとも１個の連続的な推定または分類モデルを構築するステップとを含んでいる。

このような方法の特定の実施形態によれば、
− 前記ステップＡ）はまた、前記電池の温度の測定値時系列を同時取得するステップを含んでいてよく、前記ステップＢ）はまた、前記速度または加速度パターンに対応する前記温度測定値時系列の区間を抽出するステップを含んでいてよく、前記ステップＤ）は、同じく前記温度測定値時系列の前記区間から、または各前記区間に関連付けられた平均温度値から、前記連続的な推定または分類モデルを構築するステップを含んでいてよい。
− 前記ステップＢ）の実行中に、速度または加速度の測定値の前記時系列の区間が前記所定条件を満たすのは、第１の所定の範囲内の速度または加速度の各々の変化が第２の所定の範囲内の時間幅で生じる場合であると考えられる。
− 前記ステップＤ）は、前記または各前記連続的な推定または分類モデルを構築する前に、前記測定値時系列の前記区間を再調整する動作を含んでいてよく、前記再調整動作は、各前記速度パターンについて、前記速度パターンを基準速度パターンに変換する変換方式を識別するステップと、前記変換方式、または前記変換方式に関連付けられた変換方式を、前記速度パターンに対応する前記時系列の各前記区間に適用するステップとを含んでいる。
− 前記または少なくとも１個の前記連続的な推定または分類モデルは、動的時間伸縮法の擬計量、および全体的配列の計量のうちから選択された計量または擬計量に基づいていてよい。
− 前記または少なくとも１個の前記連続的な推定または分類モデルはカーネルモデルであってよい。

本発明の他の特徴、詳細事項、および利点は、例示的に示す添付図面を参照しながら以下の説明を精査すれば明らかになろう。

本発明の一実施形態による、電気またはハイブリッド車両の電池の劣化状態を推定するシステムの機能図である。 本発明の二つの実施形態による、電気またはハイブリッド車両の電池の劣化状態を推定する方法、およびそのような推定用のモデルを構築する方法のフロー図である。 本発明の一実施形態による、所定条件を満たす車両速度パターンに対応する測定値時系列の区間を抽出することのステップである。 本発明の一実施形態による、所定条件を満たす車両速度パターンに対応する測定値時系列の区間を抽出することのステップである。 本発明の有利な実施形態において用いられる動的時間伸縮法（ＤＴＷ）の擬計量である。 本発明の一実施形態による方法の実行中に得られた、速度の測定値の時系列の区間である。 本発明の一実施形態による方法の実行中に得られた、電流の測定値の時系列の区間である。 再調整動作（任意選択）を示すグラフである。 再調整動作（任意選択）を示すグラフである。 再調整動作（任意選択）を示すグラフである。 再調整動作（任意選択）を示すグラフである。 再調整動作（任意選択）を示すグラフである。 再調整動作（任意選択）を示すグラフである。 本発明の一実施形態による方法の実行により得られる電池の劣化状態の連続的な推定結果である。

図１に、電気またはハイブリッド地上車両ＶＥＬに組み込まれ、電気モータＭＥに電力を供給し、自身の劣化状態を推定する本発明の一実施形態によるシステムに接続された電気電池ＢＡＴＴを示す。同じく組み込まれ当該システムは、データ処理モジュールＭＴＤおよび複数のセンサ、特に、電池の端子における電圧Ｕ（ｔ）を測定する電圧センサＣＵ、電池により供給（または吸収）される電流Ｉ（ｔ）を測定する電流センサＣＩ、電池の内部温度Ｔ（ｔ）を測定する温度センサＣＴ、および車両の瞬間速度ｖ（ｔ）を測定する速度センサＣＶを含んでいる。他のセンサ、特に電池または当該電池の環境の異なる位置で温度を測定する他の温度センサもまた存在していてよい。逆に、温度センサＣＴおよび／または２個のセンサＣＵ、ＣＩの一方（但し両方同時にではなく）は省略できる。速度センサは、車両加速度センサ、または当該車両の運動状態を特徴付けるパラメータを測定する他の任意のセンサで代替されるか、またはこれらが付随していてもよい。データ処理モジュールＭＴＤは、これらのセンサが生成した信号を入力として受信し、電池の劣化状態（図では「ＳＯＨ」と表記しているが、例えばＲＵＬ等、そのような劣化状態を示す任意のパラメータであってよい）の推定値を出力として供給する。

当該モジュールは特に、適切にプログラムされたプロセッサを含んでいてよく、これに本発明による方法を実行する１個以上のプログラム、電池の劣化状態を推定する１個以上のモデルのパラメータ、また場合によっては前記センサからの測定値時系列（モデルのオフラインの構築および／または更新に有用）を記憶するメモリが付随している。当該モジュールはまた、１個以上の他のアナログまたはデジタル信号処理回路を含んでいてよい。

データ処理モジュールＭＴＤと、センサＣＩ、ＣＵ、ＣＴおよびＣｖの全てまたはいくつかにより電池管理システム（ＢＭＳ）の一部を形成できる。

以下に詳細に述べるように、電池の劣化状態を推定する１個以上のモデルの構築は、センサＣＩ、ＣＵ、ＣＴ、Ｃｖからの信号、および電池の「オフライン」特徴付けの結果を用いて行われる。この構築は、データ処理モジュールＭＴＤ（上述の結果を入力として受信する必要がある）により、またはＭＴＤモジュールとのインターフェースを有する外部コンピュータにより実行できる。

本発明によれば、電池ＢＡＴＴの劣化状態は、当該電池および車両からセンサＣＩ、ＣＵ、ＣＴ、Ｃｖを介して得られた信号から直接推定される。図２は、
− 左側部分に、電池ＢＡＴＴの劣化状態推定用のモデルを構築する方法、
− 右側部分に、当該モデルから電池ＢＡＴＴの劣化状態を推定する方法を示している。

これら二つの方法は、本発明の二態様を構成している。これらは共に、電池および車両の実際の動作中に、センサＣＩ、ＣＵ、ＣＴ、Ｃｖにより生成された信号を用いる。推定モデルを構築する方法はまた、「オフライン」特徴付けにより得られた電池の劣化状態の基準値を用いる。劣化状態を推定する方法は対照的に、完全に「オンライン」または「リアルタイム」で実行される。

これら二つの方法の各種のステップについて、必要に応じて図３１、３Ｂおよび４を参照しながら以下に述べる。

１．電池の劣化状態を推定するための１個以上のモデルの構築（図２の左側部分）。
電池の劣化状態を推定するための１個以上のモデルの構築は以下のステップ、すなわち、電池に関するデータ（電流および／または電圧および／または電力、また場合によっては温度等）および車両に関するデータ（速度および／または加速度）をリアルタイムで取得するステップ、基準速度パターン、および電流および／または電圧および／または電力パターンおよびこれらのパターンに対応する温度値を抽出するステップ、これらのパターンと、オフラインで実行される測定値の内挿により得られる電池の劣化状態の基準値との相関を求めるステップ、事前または事後に再調整される抽出パターンを比較するステップ、および最後に電池の劣化状態の連続的または離散的（分類）推定用のモデルの前記実際の構築を行うステップを含んでいる。

ｉ．電池および車両データの取得（図２のフロー図のブロック１００、２００、３００）
当該第１のステップは、調査対象の電池および車両からデータを直接収集するものである。これらの（または１個の）電池は、完全且つ多様なデータを取得するために相当長時間使用する必要がある。基準となる尺度は電池の寿命終了（ＥＯＬ）であり、電気自動車の場合は通常、電池が自身の名目初期容量の８０％に達した時点として定義されている。当該期間中、電池には使用中（ブロック２００）のデータが本発明で使用可能なように常時取得可能な装備を施す必要がある。これらの値は、電池の温度Ｔ、当該電池の端子における電圧Ｕ、供給電流Ｉ、および供給電力Ｐ（電力は電圧および電流の測定値から得られる：Ｐ＝Ｕ・Ｉ）であってよい。

使用中に抽出される他の変数として、車両の速度（および／または加速度）がある。これら全ての取得は試験（ブロック１００）の実行中に行われる。予測的モデルを確立するためには信号Ｉ、Ｕ、Ｐのうち少なくとも１個があれば充分である。しかし、これらの信号のいくつか（Ｉ、ＵまたはＩ、ＰまたはＵ、ＰまたはＩ、Ｕ、Ｐ）を考慮に入れることも可能である。各電池の温度に関する情報も追加情報として追加できるが、当該処理の実行には必須でない。

各モデルが分散的に構築されているため、データは、実試験からのデータ収集処理の終了時点で処理すべく、例えば処理モジュールＭＴＤのメモリに保持される。従ってこれにより、データを取得するＢＭＳ（電池管理システム）以外のコンピュータにより計算を実行することが可能になる。

また、当該方法論は、モデルを構築するために劣化状態基準を有していることが必要である。これらの基準は、試行中に定期的に取得する必要がある（ブロック３００）。これは、調査対象の電池または車両の完全な特徴付け（ローラー台上での試験）さもなければ無負荷電圧等、他の方法により行うことができる。これらの試験により、電池劣化パラメータ、例えば電池の最大容量または特徴付けの時点での抵抗値を取得することが可能になる。これらの値は、モデル構築用の劣化基準として有用である。内挿（線形、３次等）により、電池のこれらの劣化状態値の連続的な傾向を取得することが可能になる。「時間」軸は、試行時間さもなければ供給エネルギー、更には試験中に取得され変数に依存する距離であり得る。連続的な劣化状態の傾向は従ってこの処理で調査されてきた電池の各々について取得される。

従って、当該文脈において、互いに依存する３種類の異なるデータが存在する。すなわち、
・使用中の電池からのデータ：瞬間電流Ｉ、および／または電圧Ｕおよび／または電力Ｐ、また場合によっては温度Ｔ；
・走行中の車両からのデータ：

；
・各々の電池の劣化状態の基準の傾向。

以下、電池からの全ての信号を表記するためにＳを用いる。従ってＳは（Ｉ、ＵおよびＰ）のうち少なくとも１個の信号を含み、且つ温度情報Ｔを含んでいてよい。慣習的に、集合Ｓには複数形を用いるが、後者は単一の信号（ＩまたはＵまたはＰ）だけを含んでいてよい。

ｉｉ．基準

パターンの抽出（ブロック１１０）
本発明の基礎をなす発想の一つは、電池の劣化を予測すべく時間経過に伴う電池から信号の差異を比較することに基づくものである。このため、同一または類似用途における時間経過に伴う信号の変化を定量化すべく、比較基準を定める必要がある。本発明の基礎をなす別の発想は、センサからの測定値時系列から、その後に行う比較の基準として有用な反復パターンを抽出することに基づくものである。これらの比較は、その時点での対応する劣化程度に応じた信号の挙動の差異を識別すべく行われる。

基準としての役割を果たす信号は、車両の速度（他の実施形態では加速度でもよい）である。反復パターンの抽出に先行して、当該検出に自動的に進むために特定の基準を設定しておく必要がある。速度信号の場合、抽出基準はパターンの長さ、および速度の上下閾値であってよい。この場合、速度パターンを選択するには、第１の所定の範囲内の速度の変化は、第２の所定の範囲内の時間幅で生じる必要がある。図３Ａの例では、２０ｋｍ／ｈの低速度と４０ｋｍ／ｈの高速度との間（第１の範囲）で少なくとも２０ｋｍ／ｈの速度変化が２．５秒以下３．７秒以上の時間（第２の範囲）内で生じる必要がある。この範囲の下限はゼロ（全ての「急激な」加速度を考慮）に設定できるが、測定誤差による信号を考慮に入れることを回避するには非ゼロの下限が有用である。図３Ａの例において、車両は５０ｋｍ／ｈの巡航速度で走行し、５期間にわたり、減速した後で加速して巡航速度に戻り、次いで、新たな巡航速度１００ｋｍ／ｈまで加速する。加速フェーズだけを考慮する（これは本質的な限定ではない）。２０ｋｍ／ｈから４０ｋｍ／ｈへの変化は第２の範囲の上限を超える時間内で生じるため、第１の加速フェーズは破棄される。第２および第５の加速フェーズ、および車両が速度１００ｋｍ／ｈに達する最後の加速は、速度が下限値２０ｋｍ／ｈを超えないため破棄される。対照的に、第３および第４の加速フェーズは、上に示す基準を満たす。

速度変化の範囲を区切る閾値に設定されるレベルは、方法の感度および精度に対して重大な影響を及ぼす。従って、速度の上限値が高ければ、保存されるパターンの数が少なくなり、その結果データの不足に起因して不充分なモデルが構築されてしまう。逆に、極端に狭い変化範囲を選択すれば多数のパターンの抽出につながるが、後者は調査対象の電池の劣化状態に関して意味のある情報を含めるには短過ぎる。更に、速度変化範囲の振幅は、データの収集頻度に応じて選択できる。これにより、取得頻度が低ければ、信号内での動態を識別可能にすべく広い速度変化範囲が導かれる。一つの可能な基準は、抽出された区間毎に値を２０個までとする長さ制限を考慮するものであり、例えば取得頻度１０Ｈｚで２秒間の区間を意味する。

当該抽出の目的は電池の劣化に関連する現象の特徴付けであるため、パターンは強いブレーキ操作、さもなければ強い加速と優先的にマッチングされる。

上で言及したもの以外の基準を用いてパターンを選択できる。例えば、車両の加速は所定の閾値を上回る必要がある。

ｉｉｉ．速度パターンに対応する測定値時系列の抽出（ブロック２１０）
基準変数（速度、更には加速度）のパターンの抽出処理に続いて、前記パターンに対応する区間を電池からの信号Ｓの時系列から抽出する必要がある。換言すれば、基準パターン（速度）に関連付けられた集合Ｓ（考慮する変数に依存）の区間またはパターンを取得するために、全信号内で抽出された基準パターン

の時間位置に関する情報を用いる。図３Ｂに当該ステップを示しており、先行ステップにおいて識別された２個のパターンに対応する電流（Ｉ）電圧（Ｕ）、および電力（Ｐ）の時系列の区間の抽出を示している。

電池の温度Ｔを用いる場合、抽出された速度パターンと相関する当該温度の平均値だけを保持すればよい。実際、温度は他の変数と比較して動態が緩慢である。

当該ステップの終了時点で、考慮する各変数（Ｉおよび／またはＵおよび／またはＰ）の測定値の時系列、および任意選択によりｎ個の平均温度Ｔ値の、ｎ個の区間に関連付けられたｎ個の速度分布がある。試行時における場所、および対応する電池に関する情報を保持することが重要である。

ｉｖ．劣化程度の考慮（ブロック４００）
次に、Ｓの正しく抽出された区間の各々に、事前に決定および格納された（図２のステップＩ．ｉおよびブロック３００）１個以上の劣化状態基準（容量、インピーダンス等）を関連付ける。最終結果は従ってｎ個のデータ集合であり、その各々が、
・基準

パターン、
・Ｉ、Ｕ、Ｐ、および任意選択により値Ｔから選択された測定値Ｓの時系列の少なくとも１個の区間、および
・Ｓの区間および基準

パターンに対応する電池の劣化状態の少なくとも１個の基準を含んでいる。

ｖ．抽出された区間の比較、距離行列、および必要に応じてカーネルの構築（ブロック５００）
当該ステップの目的は、劣化状態推定モデルを構築すべく、電池の劣化程度による、抽出された分布の変化を調べることである。しかし、変数のこれらのパターンが基準

パターンの変更に影響され易いものと考えることは必須である。実際、抽出された区間を理想的に比較できるためには、同一条件（温度、充電度合、風、運転者等）から導かれた厳密に同一の基準パターン（速度）を有している必要がある。このような場合、Ｓの区間に見られる変化は劣化現象に起因するものだけである。ここで、厳密に同一の条件を取得することは、実際に使用されているデータの条件から不可能である。従って、基準パターンの変化を考慮に入れる方法論を用いることが有用である。

上記を行うには、基準

パターンに適切な変換を適用して互いに同一とし、次いでこれらの同一変換、または対応する変換をＳの関連区間に適用する再調整が考えられる。このような再調整方法は、ウェーブレット法により、または動的時間伸縮法（ＤＴＷ）から導かれた再調整により、さもなければ信号の単純な内挿により実行できる。

動的時間伸縮法の原理について図４を参照しながら以下に述べる。

Ｐ＝（ｐ_１，．．．，ｐ_Ｎ）およびＱ＝（ｑ_１，．．．，ｑ_Ｍ）を長さＮおよびＭの２個の時系列とする。Ｎ≠Ｍならば、これらの２個の時系列は単純なユークリッド距離で比較することはできない。動的時間伸縮法（ＤＴＷ）により、時間軸を縮小／拡大することが可能になり、配列問題が緩和される。ＤＴＷ計量（実際には擬計量）の原理は、多くの場合ユークリッド距離

として定義される測定値Φ（ｐ_ｉ，ｑ_ｊ）を有するコスト行列Ｄ（Ｎ×Ｍ）を構築し、次いで、可能な配列の集合Ａ（Ｎ，Ｍ）からＰとＱの間の総計コストを最小化する配列πを見出すものである。配列πは長さが｜π｜＝Ｌであり、Ｌ要素の組（π_１，π_２）は以下の通りである。
１＝π_１（１）≦・・・≦π_１（Ｌ）＝Ｎ
１＝π_２（１）≦・・・≦π_２（Ｌ）＝Ｍ

従って、ＤＴＷ距離は次式により２個の信号ＰとＱの間で定義される。

但し、

上述のように、ＤＴＷ（Ｐ，Ｑ）は三角恒等式を満たさないため、厳密には計量ではない（「擬計量」と呼ばれる）。

時系列間の長さの差異が大き過ぎない（２倍未満）場合、大域的配列（ＧＡ）計量を用いることが可能である。ＧＡ距離は、全コストＤｐ，Ｑ（π），π∈Ａ（ｎ，ｍ）｝
を考慮する。より具体的には、大域的配列距離ｋＧＡは、次式で与えられる。

別の可能な方式は、抽出された信号を変更するのではなく、当該問題を考慮に入れた適当な比較システムを用いるものである。これは従って、信号を抽出時のまま、時間差を考慮に入れた（擬）計量（例えばＤＴＷ）の観点から比較するものである。

以下、ＤＴＷによる再調整について例を挙げて示す。

信号（Ｖ_１，Ｉ_１，Ｕ_１）の集合Ｓ１（図６Ａ、６Ｂおよび６Ｃの実線）および別の信号（Ｖ_２，Ｉ_２，Ｕ_２）の集合Ｓ２（破線）を考える。これら２個の集合は各々同一の速度抽出基準（７〜１０秒間に１０〜６０ｋｍ／ｈ）から生じたものである。次いでＤＴＷによる再調整を信号Ｖ_１およびＶ_２に対して実行する。換言すれば、上述の変換πを求める。要するに、当該変換（または配置）は、時間伸縮によりベクトルＶ_１とＶ_２の相関を求める。当該処理は従って、当該時間収縮をＩおよびＵに直接適用し続けるものである。当該方法の結果を７Ａ図、７Ｂ、および７Ｃに示す。

選択したオプションに依らず、抽出された区間の差異を定量化するには１個以上の（擬）計量を適用する必要がある。計量の選択は、データ記録条件に起因する初期変化を考慮できるようなものでなければならない。長さが同じ区間（実際の使用の際してあり得ないが）の場合、ユークリッド距離を用いることができる。マンハッタン距離［Ｍａｔｔａｕｓｃｈ０２］、あるいは「複雑さが不変な距離」［Ｂａｔｉｓｔａ１１］等、他の計量を用いてもよい。区間の長さが同一でなくいてもよい他の可能性として、例えばＤＴＷから導かれた距離［Ｋｅｏｇｈ０５］、あるいは信号間の相互相関［Ｈｉｒａｔａ０８］が挙げられる。

ＤＴＷから導かれた距離が特に有利な点は、区間の長さまたは形状に依らず適用できることである。更に、当該方法により、時間のひずみを考慮に入れて２個の区間の差異が計算可能になる。後者は、ここで調べるケースにおいて、記録条件（温度、雨、風、運転等）の変動に起因する場合がある。従って、ＤＴＷの使用は、変化する条件に伴う問題の解決に特に適しているものと思われる。

これらの計量は各々、２個の抽出された区間の差異を表す値を与える。次いでこれらの計量の１個以上を適用して抽出された各区間同士の非類似性を表す１個以上の行列を取得することが可能である。これらの行列は異なる区間を異なる仕方で定量化するものであって、後続するモデルの構築に使用される。

最後に、統計的方法による模型の構築に際して、１個以上のカーネルを計算すべく、以前に計算された計量から、または区間から直接に選択を行うことができる。

使用するカーネルは、スカラー積から直接求めることができる。例えば、以下を非限定的に引用できる。
・三角カーネル：Ｋ（ｕ）＝（１−｜ｕ｜）１_{｛｜ｕ｜≦１｝}
・ガウスカーネル：

・Ｅｐａｎｅｃｈｎｉｋｏｖカーネル：Ｋ（ｕ）＝（１−｜ｕ｜）１_{｛｜ｕ｜≦１｝}
ｕは信号間距離に対応。

ＤＴＷから計算されるカーネルもまた考慮できる。例えば、以下を非限定的に引用できる。
・ガウシアンＤＴＷカーネル（ＧＤＴＷ）［Ｌｅｉ０８］、
・負ＤＴＷ（ＮＤＴＷ）［Ｇｕｄｍｕｎｄｓｓｏｎ０８］、
・「Ｓｏｆｔｍａｘ」ＤＴＷカーネル［Ｄｅ Ｖｒｉｅｓ１２］、
・ガウシアン弾性計量カーネル（ＧＥＭＫ）［Ｚｈａｎｇ１０］

最後に、ＤＴＷにより示唆されるカーネルは、大域的配列（ＧＡ）方式から導かれるように計算することもできる。例えば、以下を非限定的に引用できる。
・大域的配列カーネル（ＧＡＫ）［Ｃｕｔｕｒｉ０６］、
・「ｌｏｇＧＡ」カーネル［Ｃｕｔｕｒｉ１１］、
・三角ＧＡＫカーネル（ＴＧＡＫ）［Ｊｏｄｅｒ０８］

ＤＴＷから直接導かれたカーネルは、適用例に多く見られるが、ＤＴＷが計量ではなく擬計量であるため、厳密には正に定義されない。この特徴が、当該短所の解決にＧＡ方式を用いる理由である。各種のカーネルの簡単な概要が論文［Ｊｏｄｅｒ０８］に記述されている。

これらのカーネルの各々を構築するために、例えば統計学で公知の方法である相互検証によりパラメータを事前に設定しておく必要がある。その後で別の種類のカーネルを採用することも明らかに考えられる。更に、Ｔの値は、考慮に入れるのであれば、ユークリッド距離より減少したカーネルにより比較してもよい。

当該ステップの終了時点で、先行ステップの実行中に生成されたｎ個のデータ集合（Ｓ、

、劣化）、およびＳの抽出された区間と、各変数（Ｕおよび／またはＩおよび／またはＰおよび／またはＴ）について計算された恐らくは１個以上のカーネルとの間の距離行列が得られている。このような情報の全てを用いて、単にＳから抽出される少なくとも１個のパターンおよび関連付けられた１個の基準

パターンから、電池の劣化状態推定用のモデルを構築できる。

ｖｉ．モデルの構築（ブロック６００Ａおよび／または６００Ｂ）
先行ステップにより抽出された全ての必要な情報が基準ベースを形成する。本章の最後のステップは、基準

パターンが関連付けられたＳの区間、および任意選択により値Ｔを入力として受け取り、対応する電池の劣化状態の推定値を出力するモデルを構築するものである。出力は、モデル構築に用いる方法の種類に応じて離散的でも連続的でもよい。

６００Ａ：離散的な分類モデル
分類モデルの目的は、新たな信号の劣化状態クラスを予測するものである。従って、この種のモデルの結果は連続的ではなく、離散的である。この種の問題に多くのアルゴリズムが適している。劣化状態クラスは、値の間隔（一定であろうとなかろうと）であってよい。重要なのは、全ての値が同一のクラスに含まれていることである。

扱う問題に最も近い方法論の非網羅的なリストを以下に与える。
・ｋ−Ｐｌｕｓ最近隣（ｋ−ＰＰＶ）：本方法は、入力として与えられたＳの新たな区間に対して、先行ステップの実行中に考慮に入れた距離から（距離行列から、またはカーネルから）最も近いｋ個の区間を決定して、新たな区間をｋ個の近隣区間のうち区間数が最多のクラスに帰属させる。選択すべき唯一のパラメータは、選択された近隣区間の個数ｋである［Ｈａｓｔｉｅ０１、ｐ４６３−４６８］。
・ｋ平均：当該方法は、各々が区間数最多の劣化状態クラスに関連付けられている、基準として取った区間のｋ個のクラスタを形成する。当該アルゴリズムの方法論は文献［Ｈａｓｔｉｅ０１、ｐ４６０−４６１］に記述されている。従って、新たな区間に対して帰属されるクラスは、最も近いクラスタのクラスである。この概念は、分類対象区間と、あるクラスタの全ての区間との間の最小平均距離により、または分類対象区間と、あるクラスタの区間の重心との間の距離により定義できる。
・階層的分類：ｋ平均方法と同様に、当該方法は、基準区間のサンプルをｋ個のクラスタに分割する。ここでは当該方法論は、先行ステップの実行中に計算された距離から階層木を構築するものである。当該アルゴリズムは、当該階層木を剪定することにより区間のｋ個のクラスタを形成するものである。これらのクラスタが形成されたならば、診断方法はｋ平均方法について説明したものと同一である［Ｈａｓｔｉｅ０１，ｐ．５２０〜５２５］。
・サポートベクトルマシン（ＳＶＭ）：当該教師付き学習方法は、先のものとは逆に、事前にカーネルを構築しておく必要がある。更に、Ｓから導かれた複数の区間にわたり、且つＴの値から計算された１個以上のカーネルにわたり構築されるモデルを構築できる唯一の方法である。このため、基準パターンのカーネルは次いで［Ｇｏｎｅｎ１１］に詳述されているように関連付けられる（多カーネル学習またはＭＫＬ）。また、ＳＶＭ方法の完全な動作処理もまた、［Ｈａｓｔｉｅ０１，ｐ．４２３〜４３１］等の論文に記述されている。当該方法により、電池の劣化状態の変化に起因する変化を上述の他の方法よりも正確に検出できる。

６００Ａ：連続的な推定モデル
電池の劣化状態の連続的な推定に際して用いた方法論は主に、先行ステップの実行中に構築されたカーネルに基づいている。このため、当該ステップの実行中にカーネルが計算されなかった場合、連続的な推定は主に回帰方法により行われる。

電池の劣化状態を連続的に推定すると考えられる方法は、例えば以下に挙げられる。
・回帰法：ＬＡＳＳＯ法［Ｈａｓｔｉｅ０１，ｐ．６８〜６９］、リッジ法［Ｈａｓｔｉｅ０１，ｐ．６１〜６４］、更にはＬＡＲＳ法［Ｅｆｒｏｎ０３］等の「縮み（ｓｈｒｉｎｋａｇｅ）」に基づく回帰アルゴリズム。
・サポートベクトル回帰（ＳＶＲ）：当該方法は、連続的な出力を可能にするＳＶＭの拡張である。当該処理は文献［Ｓｍｏｌａ０３］に詳述されている。ＳＶＭの場合と同様に、Ｓの区間の比較およびＴの値から抽出された多数のカーネルを考慮に入れることが可能である。
・関連ベクトルマシン（ＲＶＭ）：これは連続出力問題において最も標準的なカーネル法である。その原理は［Ｔｉｐｐｉｎｇ０１］で充分に説明されている。全てのカーネル法と同様に、当該方法の実行にはパラメータの値の選択を要する。
・カーネルリッジ回帰：リッジ回帰の代替策は、［Ｗｅｌｌｉｎｇ］に詳述されているように当該方法でカーネルを用いるものである。

ＩＩ．実際の使用における電池の診断（図２の右側部分）
本章は、第Ｉ章で構築されたモデルを、電気またはハイブリッド車両搭載の電池の実際の使用に際して適用する。目的は、特定の使用要件が一切なくても電池の劣化状態の診断を行えるようにすることである。

電池の劣化状態を推定する処理は、第Ｉ章に記述した多くのステップを用いる。従って、適用に際してもまた、第Ｉ．ｉ章と同じデータ（Ｉおよび／またはＵ、および／またはＰ、任意選択によりＴ、

）のリアルタイム取得を可能にする装備を電池および車両に施す必要がある。図２の右側部分のブロック１２００、１１００を参照されたい。更に、ステップＩ．ｖｉの実行中に構築された推定モデルはここでは入出力型の決定機能の形式で当該方法論に導入されている。

電池から取得されたデータの処理は最初に、データの取得中に、第Ｉ．ｉｉ節（ブロック１１１０、１２２０）で設定された基準に対応する速度パターンを抽出するものである。

次いで、速度パターンが抽出されたならば直ちに（ブロック１４００）、ステップＩ．ｖｉ（ブロック１５００）の実行中に構築された１個以上のモデルの適用により電池の劣化状態を推定すべく、Ｓの対応する時系列区間と共に、当該パターンを利用できる。このために、Ｉ．ｉｉ．〜Ｉ．ｉｖ．に記述したものと同一処理が適用され、これにより抽出された速度パターンに対応する信号Ｉ、Ｕおよび／またはＰの取得が可能になる（信号の取得中に抽出がリアルタイムに行われるため）。必要ならば、モデルの構築の場合と同様に再調整も実行してよい。

単一のモデルを用いる場合、電池の劣化状態に関して得られた応答が直接推定値を提供する。対照的に、多くのモデルを用いる場合、同数の推定値が得られる。従って、ユーザーは全ての推定値を考慮する（全ての結果を表示してから信頼区間を形成する）か、または推定値から劣化状態診断を計算すべく全ての値を考慮に入れるかを選択できる。これは特に、平均、中央値、近接値の集合を計算するか、さもなければ方法に優先順位をつけるものである。

当該方法が電気自動車の実際の条件下での使用中に実行される点に注意することが重要である。実際、基準速度パターンの検出直後に診断が提供されるため、その定義（パターンの閾値および長さ）が極めて重要である。推定値は従って、適切な速度パターンの抽出直後に与えられる。実際、モデルの構築ステップＩが終了した時点で計算時間は、システムを組み込んで使用する場合と同等である。

電池の劣化状態推定用のモデルは更新可能である。このために、特定の試験から導かれる１個以上の新規且つ正確な劣化値を取得する必要がある。これは専門業者の車庫での車両走行試験中に実行できる。

更新には二つの可能な方式がある。これらのデータで新たなモデルを構築するか、または行われた推定のバイアスを修正するかである。第１のオプションは、ステップＩで説明した処理により新たなモデルを再構築するものであり、従ってオフラインの計算ステップを要する。第２のケースでは、測定されたバイアスを修正するために推定値を単に適用するものである。換言すれば、最後に行われた推定で抵抗値が０．８、特に測定された正確な値が０．８１であると予測されたならば、「＋１．２５％」の修正が新たな推定値に適用される。

本発明の技術的な結果について、図５Ａ、５Ｂを参照して具体例を考慮しながら以下に述べる。

速度パターンの抽出用に選択された基準は、上述の図３Ａ、３Ｂに対応する、２．５〜３．７秒間に２０〜４０ｋｍ／ｈまで加速することである。取得されたパターン（図５Ａ）は、外部条件に起因するずれに関わる問題を示している。電池容量の推定をすべくここでは電流信号だけを考慮する。速度パターンに対応するこれらの信号Ｉを図５Ｂに示す。

これらのデータから、且つ電池の劣化状態の基準値から、初期容量（ＳＯＥ指標）に関連する容量レベルを予測するために２個のモデルが構築されている。すなわちＤＴＷ距離によりｋＮＮ法から導かれた離散的モデルと、ｌｏｇＧＡＫカーネルを採用したＳＶＭ法から別のモデルである。

ｋＮＮ法の場合、相互検証により、２４で最近隣（ＤＴＷ距離に関して）の数を設定することが可能になる。以下の４個のクラスを考える。Ｃ１＝［１００％〜９６．７５％］、Ｃ２＝［９６．７５％〜９３．５０％］、Ｃ３＝［９３．５０％〜９０．２５％］、Ｃ４＝［９０．２５％〜８７％］。当該方法の結果を、良好な分類の百分率を示す混同行列により示し、全体的な精度（正確に分類された信号の百分率）は５９％となっている。

２個のクラスＣ１’＝［１００％〜９３．５０％］およびＣ２’＝［９３．５０％〜８７％］を考慮することにより、同一データにＳＶＭ分類も実行した。ＳＶＭ法もまた、相互検証によりパラメータ、より具体的には、付随する二次計画法（ＱＰ）法を条件付けるソフトマージンパラメータＣおよびパラメータλを自動的に設定する必要がある。その結果、全体的な分類精度を８０％にすることができる。混同行列は以下の通りである。

従って、これら二つの方法は２個のクラスを結果として与える。次いで、決定に関して行った選択は、結果が異なる場合にこれらのクラスの限度の平均をとることである。このため、所与の時点での推定の結果が各々Ｃ２＝［９６．７５％〜９３．５０％］、およびＣ２’＝［９３．５０％〜８７％］である場合、間隔［９５．１２５％，９０．２５％］が保持される。

ＤＴＷＫカーネルを用いるＲＶＭによる連続的推定のモデルもまた、７〜１０秒間での１０〜６０ｋｍ／ｈの加速から抽出されたパターンＩおよびＵを用いて試験された。結果を図８に示す。

参考文献：
［Ｂａｔｉｓｔａ１１］Ｇ．Ｅ．Ａ．Ｐ．Ａ．Ｂａｔｉｓｔａ，Ｘ．Ｗａｎｇ，Ｅ．Ｋｅｏｇｈ，Ａ ｃｏｍｐｌｅｘｉｔｙ ｉｎｖａｒｉａｎｔ ｄｉｓｔａｎｃｅ ｍｅａｓｕｒｅ ｆｏｒ ｔｉｍｅ ｓｅｒｉｅｓ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｅｌｅｖｅｎｔｈ ＳＩＡＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｍｉｎｉｎｇ，ＳＤＭ ２０１１，Ａｐｒｉｌ ２８−３０，２０１１，Ｍｅｓａ，Ａｒｉｚｏｎａ，ＵＳＡ．
［Ｃｕｔｕｒｉ０６］Ｍ．Ｃｕｔｕｒｉ，Ｊ．Ｐ．Ｖｅｒｔ，Ｏ．Ｂｉｒｋｅｎｅｓ，Ｔ．Ｍａｔｓｕｉ，Ａ ｋｅｒｎｅｌ ｆｏｒ ｔｉｍｅ ｓｅｒｉｅｓ ｂａｓｅｄ ｏｎ ｇｌｏｂａｌ ａｌｉｇｎｍｅｎｔｓ，Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２００７．ＩＣＡＳＳＰ ２００７，ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ．Ｖｏｌ．２．ＩＥＥＥ，２００７．
［Ｃｕｔｕｒｉ１１］Ｍ．Ｃｕｔｕｒｉ，Ｆａｓｔ Ｇｌｏｂａｌ Ａｌｉｇｎｍｅｎｔ Ｋｅｒｎｅｌｓ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ（ＩＣＭＬ−１１）（２０１１）．
［Ｄｅ Ｖｒｉｅｓ１２］ Ｇ．Ｋ．Ｄ．Ｄｅ Ｖｒｉｅｓ，Ｋｅｒｎｅｌ ｍｅｔｈｏｄｓ ｆｏｒ ｖｅｓｓｅｌ ｔｒａｊｅｃｔｏｒｉｅｓ（２０１２）ｐ．４５−６６．
［Ｅｆｒｏｎ０３］Ｂ．Ｅｆｒｏｎ，Ｔ．Ｈａｓｔｉｅ，Ｉ．Ｊｏｈｎｓｔｏｎｅ，Ｒ．Ｔｉｂｓｈｉｒａｎｉ，Ｌｅａｓｔ ａｎｇｌｅ ｒｅｇｒｅｓｓｉｏｎ，Ａｎｎ．Ｓｔａｔｉｓｔ．Ｖｏｌｕｍｅ ３２，Ｎｕｍｂｅｒ ２（２００４），４０７−４９９．
［Ｇｏｎｅｎ１１］Ｍ Ｇｏｅｎｅｎ，Ｅ Ａｌｐａｙｄiｎ，Ｍｕｌｔｉｐｌｅ ｋｅｒｎｅｌ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ，Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈ，９９９９９９（２０１１）：２２１１−２２６８
［Ｇｕｄｍｕｎｄｓｓｏｎ０８］Ｓ．Ｇｕｄｍｕｎｄｓｓｏｎ，Ｔ．Ｐ．Ｒｕｎａｒｓｓｏｎ，Ｓ．Ｓｉｇｕｒｄｓｓｏｎ，Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ ａｎｄ Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ ｆｏｒ Ｔｉｍｅ Ｓｅｒｉｅｓ，Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，２００８．ＩＪＣＮＮ ２００８．（ＩＥＥＥ Ｗｏｒｌｄ Ｃｏｎｇｒｅｓｓ ｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）．ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ．ＩＥＥＥ，２００８．
［Ｈａｓｔｉｅ０１］Ｔ．Ｈａｓｔｉｅ，Ｒ．Ｔｉｂｓｈｉｒａｎｉ，Ｊ．Ｆｒｉｅｄｍａｎ，Ｔｈｅ ｅｌｅｍｅｎｔｓ ｏｆ ｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇ，Ｖｏｌ．２．Ｎｅｗ Ｙｏｒｋ：Ｓｐｒｉｎｇｅｒ（２００１），ｐ．５９−６４，３７７−３８４，４１２−４１７，４７２−４７９．
［Ｈｉｒａｔａ０８］Ｓ．Ｈｉｒａｔａ，Ｍ．Ｋ．Ｋｕｒｏｓａｗａ，Ｔ．Ｋａｔａｇｉｒｉ，Ｃｒｏｓｓ−ｃｏｒｒｅｌａｔｉｏｎ ｂｙ ｓｉｎｇｌｅ−ｂｉｔ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ ｆｏｒ ｕｌｔｒａｓｏｎｉｃ ｄｉｓｔａｎｃｅ ｍｅａｓｕｒｅｍｅｎｔ，ＩＥＩＣＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｆｕｎｄａｍｅｎｔａｌｓ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅｓ ９１．４（２００８）：１０３１−１０３７．
［Ｊｏｄｅｒ０８］Ｃ．Ｊｏｄｅｒ，Ｓ．Ｅｓｓｉｄ，Ｇ．Ｒｉｃｈａｒｄ，Ａｌｉｇｎｍｅｎｔ ｋｅｒｎｅｌｓ ｆｏｒ ａｕｄｉｏ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｍｕｓｉｃ ｉｎｓｔｒｕｍｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎ，Ｅｕｒｏｐｅａｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ（ＥＵＳＩＰＣＯ ２００８），Ｌａｕｓａｎｎｅ，Ｓｗｉｔｚｅｒｌａｎｄ，２００８．
［Ｋｅｏｇｈ０５］Ｅ．Ｋｅｏｇｈ，Ｃ．Ａ．Ｒａｔａｎａｍａｈａｔａｎａ，Ｅｘａｃｔ ｉｎｄｅｘｉｎｇ ｏｆ ｄｙｎａｍｉｃ ｔｉｍｅ ｗａｒｐｉｎｇ，Ｋｎｏｗｌｅｄｇｅ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ（７）（２００５）３５８＿３８６．
［Ｌｅｉ０８］Ｈ．Ｌｅｉ，Ｖ．Ｇｏｖｉｎｄａｒａｊｕ，Ａ Ｓｔｕｄｙ ｏｎ ｔｈｅ Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ ｉｎ Ｋｅｒｎｅｌ Ｍａｃｈｉｎｅｓ，Ｓｉｇｎａｌ−Ｉｍａｇｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ ａｎｄ Ｉｎｔｅｒｎｅｔ−Ｂａｓｅｄ Ｓｙｓｔｅｍ，２００７．ＳＩＴＩＳ ’０７．Ｔｈｉｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ（ｐ．８３９−８４５）．
［Ｍａｔｔａｕｓｃｈ０２］Ｈ．Ｊ．Ｍａｔｔａｕｓｃｈ，Ｎ．Ｏｍｏｒｉ，Ｓ．Ｆｕｋａｅ，Ｔ．Ｋｏｉｄｅ，Ｔ．Ｇｙｏｔｅｎ，Ｆｕｌｌｙ−ｐａｒａｌｌｅｌ ｐａｔｔｅｒｎ−ｍａｔｃｈｉｎｇ ｅｎｇｉｎｅ ｗｉｔｈ ｄｙｎａｍｉｃ ａｄａｐｔａｂｉｌｉｔｙ ｔｏ Ｈａｍｍｉｎｇ ｏｒ Ｍａｎｈａｔｔａｎ ｄｉｓｔａｎｃｅ， ＶＬＳＩ Ｃｉｒｃｕｉｔｓ Ｄｉｇｅｓｔ ｏｆ Ｔｅｃｈｎｉｃａｌ Ｐａｐｅｒｓ ２００２．Ｓｙｍｐｏｓｉｕｍ ｏｎ，ＩＥＥＥ（２００２）．
［Ｓｍｏｌａ０３］Ａ．Ｊ．Ｓｍｏｌａ，Ｂ．Ｓｃｈｏｌｋｏｐｆ，Ａ ｔｕｔｏｒｉａｌ ｏｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｒｅｇｒｅｓｓｉｏｎ，Ｓｔａｔｉｓｔｉｃｓ ａｎｄ ｃｏｍｐｕｔｉｎｇ，− １４（３）：１９９−２２２．
［Ｔｉｐｐｉｎｇ０１］Ｍ．Ｅ．Ｔｉｐｐｉｎｇ，Ｓｐａｒｓｅ ｂａｙｅｓｉａｎ ｌｅａｒｎｉｎｇ ａｎｄ ｔｈｅ ｒｅｌｅｖａｎｃｅ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ，Ｊ．Ｍａｃｈ．Ｌｅａｒｎ．Ｒｅｓ．１（２００１）２１１＿２４４．
［Ｗｅｌｌｉｎｇ］Ｍ．Ｗｅｌｌｉｎｇ，Ｋｅｒｎｅｌ ｒｉｄｇｅ ｒｅｇｒｅｓｓｉｏｎ Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｏｒｏｎｔｏ，Ｔｏｒｏｎｔｏ（Ｋａｎａｄａ）．
［Ｚｈａｎｇ１０］Ｄ．Ｚｈａｎｇ，Ｗ．Ｚｕｏ，Ｄ．Ｚｈａｎｇ，Ｈ．Ｚｈａｎｇ，Ｔｉｍｅ ｓｅｒｉｅｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｗｉｔｈ Ｇａｕｓｓｉａｎ ｅｌａｓｔｉｃ ｍｅｔｒｉｃ ｋｅｒｎｅｌ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ（２０１０）ＩＥＥＥ（ｐｐ．２９−３２）．

Claims (15)

1. 電気またはハイブリッド車両（ＶＥＬ）の電池（ＢＡＴＴ）の使用状態における劣化状態を推定する方法であって、
   ａ）前記電池の動作中に、前記車両の速度または加速度（ｖ）の測定値の時系列、および同時に、前記電池から供給される電流または電力、および前記電池の端子における電圧のうちから選択された量（Ｉ，Ｕ，Ｐ）の測定値の少なくとも１個の時系列を取得するステップと、
   ｂ）少なくとも１個の所定条件を満たす速度または加速度パターンに対応する前記時系列の区間を抽出するステップと、
   ｃ）少なくとも１個の連続的な推定または分類モデルを前記時系列の前記区間に適用することにより前記電池の劣化状態の推定値を決定するステップとを含む方法。
2. − 前記ステップａ）が、前記電池の温度（Ｔ）の測定値時系列の同時取得をも含み、
   − 前記ステップｂ）が、前記速度または加速度パターンに対応する温度測定値の前記時系列の区間を抽出するステップをも含み、
   − 前記ステップｃ）が、前記または各前記連続的な推定または分類モデルを、温度測定値の前記時系列の前記区間に、または各前記区間に関連付けられた平均温度値に適用するステップを含む、請求項１に記載の方法。
3. 前記ステップｂ）の実行中に、速度または加速度の測定値の前記時系列の区間が前記所定条件を満たすのは、第１の所定範囲に各々存在する速度または加速度の変化が第２の所定範囲内の時間幅で生じる場合である、請求項１または２に記載の方法。
4. 前記ステップｃ）が、前記または各前記連続的な推定または分類モデルを適用する前に、前記測定値時系列の前記区間を再調整する動作を含み、前記再調整動作が、各前記速度パターンについて、
   − 前記速度パターンを基準速度パターンに変換する変換方式を識別するステップと、
   − 前記変換方式、または前記変換方式に関連付けられた変換方式を、前記速度パターンに対応する前記時系列の各前記区間に適用するステップとを含んでいる、請求項１から３のいずれか一項に記載の方法。
5. 前記または少なくとも１個の前記連続的な推定または分類モデルが、
   − 動的時間伸縮法の擬計量、および
   − 全体的配列の計量
   のうちから選択された計量または擬計量に基づいている、請求項１から４のいずれか一項に記載の方法。
6. 前記または少なくとも１個の前記連続的な推定または分類モデルがカーネルモデルである、請求項１から５のいずれか一項に記載の方法。
7. オフライン特徴付けにより得られた前記電池の劣化状態の推定値から、前記連続的な１個以上の推定または分類モデルを更新する、または前記推定値を事後的に修正するステップｄ）をも含む、請求項１から６のいずれか一項に記載の方法。
8. 電気またはハイブリッド車両の電池（ＢＡＴＴ）の使用状態における劣化状態を推定する装置であって、
   − 前記車両の速度または加速度を表す信号（ｖ）の少なくとも１個の第１の入力ポートと、
   − 前記電池により供給される電流または電力、または前記電池の端子における電圧を表す信号（Ｉ，Ｕ，Ｐ）の少なくとも１個の第２の入力ポートと、
   − 前記信号を用いて請求項１から７のいずれか一項に記載の方法を実行すべく構成またはプログラムされたデータ処理モジュール（ＭＴＤ）とを含む装置。
9. 電気またはハイブリッド車両の電池の使用状態における劣化状態を推定するシステムであって、
   − 請求項８に記載の装置と、
   − 前記装置の前記第１のポートに接続された、車両の速度または加速度（Ｃｖ）の少なくとも１個のセンサと、
   − 前記装置の前記第２のポートに接続された、少なくとも１個の電流または電圧センサ（ＣＩ，ＣＵ）とを含むシステム。
10. 電気またはハイブリッド車両の電池の使用状態における劣化状態推定用のモデルを構築する方法であって、
    Ａ）前記電池の複数の動作期間にわたり、前記車両の速度（ｖ）または加速度の測定値の時系列、および同時に、前記電池により供給される電流または電力、および前記電池の端子における電圧のうちから選択された量の測定値（Ｉ，Ｕ，Ｐ）の少なくとも１個の時系列を取得するステップと、
    Ｂ）少なくとも１個の所定条件を満たす速度または加速度パターンに対応する前記時系列の区間を抽出するステップと、
    Ｃ）前記動作期間の合間に実行されたオフラインの特徴付けにより得られる前記劣化状態の推定値の内挿により、前記動作期間中における前記電池の基準劣化状態を決定するステップと、
    Ｄ）前記時系列の前記区間から、および対応する基準劣化状態から少なくとも１個の連続的な推定または分類モデルを構築するステップとを含む方法。
11. − 前記ステップＡ）が、前記電池の温度（Ｔ）の測定値時系列を同時取得するステップをも含み、
    − 前記ステップＢ）が、前記速度または加速度パターンに対応する前記温度測定値時系列の区間を抽出するステップをも含み、
    − 前記ステップＤ）が、同じく前記温度測定値時系列の前記区間から、または各前記区間に関連付けられた平均温度値から、前記連続的な推定または分類モデルを構築するステップを含む、請求項１０に記載の方法。
12. 前記ステップＢ）の実行中に、速度または加速度の測定値の前記時系列の区間が前記所定条件を満たすのは、第１の所定の範囲内の速度または加速度の各々の変化が第２の所定の範囲内の時間幅で生じる場合である、請求項１０または１１に記載の方法。
13. 前記ステップＤ）が、前記または各前記連続的な推定または分類モデルを構築する前に、前記測定値時系列の前記区間を再調整する動作を含み、前記再調整動作が、各前記速度パターンについて、
    − 前記速度パターンを基準速度パターンに変換する変換方式を識別するステップと、
    − 前記変換方式、または前記変換方式に関連付けられた変換方式を、前記速度パターンに対応する前記時系列の各前記区間に適用するステップとを含んでいる、請求項１０から１２のいずれか一項に記載の方法。
14. 前記または少なくとも１個の前記連続的な推定または分類モデルが、
    − 動的時間伸縮法の擬計量、および
    − 全体的配列の計量
    のうちから選択された計量または擬計量に基づいている、請求項１０から１３のいずれか一項に記載の方法。
15. 前記または少なくとも１個の前記連続的な推定または分類モデルがカーネルモデルである、請求項１０から１４のいずれか一項に記載の方法。

Images