JP2023114373A - モデル更新装置、モデル更新方法、及びモデル更新プログラム - Google Patents

モデル更新装置、モデル更新方法、及びモデル更新プログラム Download PDF

Info

Publication number
JP2023114373A
JP2023114373A JP2022016704A JP2022016704A JP2023114373A JP 2023114373 A JP2023114373 A JP 2023114373A JP 2022016704 A JP2022016704 A JP 2022016704A JP 2022016704 A JP2022016704 A JP 2022016704A JP 2023114373 A JP2023114373 A JP 2023114373A
Authority
JP
Japan
Prior art keywords
state
deterioration
model
updating
state quantity
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
Application number
JP2022016704A
Other languages
English (en)
Inventor
伸烈 芳賀
Nobuyasu Haga
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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 Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2022016704A priority Critical patent/JP2023114373A/ja
Priority to US18/063,768 priority patent/US20230249582A1/en
Priority to DE102023101883.3A priority patent/DE102023101883A1/de
Priority to CN202310044163.9A priority patent/CN116559670A/zh
Publication of JP2023114373A publication Critical patent/JP2023114373A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/50—Charging stations characterised by energy-storage or power-generation means
    • B60L53/53—Batteries
    • 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Power Sources (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

【課題】本開示は、モデルに応じて適切なタイミングで、モデルを更新することを可能とする。
【解決手段】モデル更新装置は、複数の対象の各々について、バッテリの状態量に関する情報を学習済みモデルに入力し、予め定めた期間に対する劣化状態を取得する取得部と、入力とした前記状態量が前記状態量に対して定められた第１基準を満たし、かつ、前記劣化状態が前記劣化状態に対して定められた第２基準を満たす状態が所定の回数以上である場合に、前記学習済みモデルへの入力とした前記状態量に関する情報を用いて、前記学習済みモデルを更新する更新部と、を備える。
【選択図】図６

Description

本開示は、モデル更新装置、モデル更新方法、及びモデル更新プログラムに関する。
特許文献１には、車両用電池の残寿命を予測する際の予測精度を向上させる技術が開示されている。この技術では、寿命を迎えた学習用の車両用電池の過去所定時点における劣化指標の時系列データと残寿命とを含む学習用データに基づいて、予測モデルを得ている。
特開２０２０－１４８５６０号公報
先行技術には、学習用データを用いて学習した予測モデルを用いて、バッテリの劣化状態を予測することに関する技術が記載されている。しかし、網羅的な学習用データを収集しようとすると、予測モデルを用いた診断システムの提供まで時間が掛かる。また、網羅的な学習用データを段階的に得て予測モデルを更新するのであれば、予測モデルを更新するタイミングも考慮する必要がある。
本開示は、モデルに応じて適切なタイミングで、モデルを更新することを可能とするモデル更新装置、モデル更新方法、及びモデル更新プログラムを提供することを目的とする。
請求項１に記載のモデル更新装置は、複数の対象の各々について、バッテリの状態量に関する情報を学習済みモデルに入力し、予め定めた期間に対する劣化状態を取得する取得部と、前記状態量が前記状態量に対して定められた第１基準を満たし、かつ、前記劣化状態が前記劣化状態に対して定められた第２基準を満たす状態が所定の回数以上である場合に、前記学習済みモデルへの入力とした前記状態量に関する情報を用いて、前記学習済みモデルを更新する更新部と、を備える。
請求項１に記載のモデル更新装置は、入力とした状態量及び取得した劣化状態が基準を満たす場合にモデルを更新する。これにより、適切なタイミングでモデルを更新できる。
請求項２に記載のモデル更新装置は、請求項１に記載のモデル更新装置において、前記取得部で取得する前記劣化状態は前記期間で劣化する確率値として予測されており、前記第２基準を満たす状態は、前記劣化状態の確率値が、劣化のパターンが含まれることを示す第１閾値以上であり、前記第１閾値より劣化度合いが高い閾値として定めた第２閾値未満の場合である第１状態と、前記劣化状態の確率値が、前記第１閾値未満の場合である第２状態との何れかであり、前記取得部は、複数の対象から得られた前記状態量に関する情報の各々について、前記劣化状態の各々を取得し、前記更新部は、前記劣化状態の各々について、前記第１状態又は前記第２状態であるか否かを判定し、前記第１状態を示す回数が所定の回数以上である第１のケースと、前記第２状態を示す回数が所定回数以上である第２のケースとで、前記学習済みモデルの更新方法を異ならせる。
請求項２に記載のモデル更新装置によれば、劣化状態が第１状態及び第２状態の何れであるかに応じて異なるモデルの更新方法でモデルを更新できる。
請求項３に記載のモデル更新装置は、請求項１又は請求項２に記載のモデル更新装置において、入力とした前記状態量が前記第１基準を満たす状態量でない場合であっても、前記バッテリの状態量に関する情報を取得した手段とは異なる測定手段により測定した劣化状態が劣化しているとの判定である場合には、前記劣化状態が前記第２基準を満たす場合に、前記学習済みモデルを更新する。
請求項３に記載のモデル更新装置によれば、入力としたバッテリの状態量がモデルを更新する場合の基準を満たさない場合でも、他の測定手段で劣化状態が劣化しているとの判定であれば、更新の対象として扱うことができる。
請求項４に記載のモデル更新装置は、請求項１～３の何れかに記載のモデル更新装置において、前記期間として、予め定めた、短期、中期、及び長期の期間の各々が設定されており、前記取得部で取得する前記劣化状態は、前記学習済みモデルにおいて前記期間ごとの劣化する確率値として予測されており、前記更新部において、前記短期における前記劣化状態が第２基準を満たす状態であるかを判定する。
請求項４に記載のモデル更新装置によれば、短期の期間で取得したバッテリの状態量の劣化状態を判定して、モデルを更新できる。
請求項５に記載のモデル更新方法は、プロセッサが、複数の対象の各々について、バッテリの状態量に関する情報を学習済みモデルに入力し、予め定めた期間に対する劣化状態の各々を取得し、入力とした前記状態量が前記状態量に対して定められた第１基準を満たし、かつ、前記劣化状態が前記劣化状態に対して定められた第２基準を満たす状態が所定の回数以上である場合に、前記学習済みモデルへの入力とした前記状態量に関する情報を用いて、前記学習済みモデルを更新する、処理をコンピュータが実行する。
請求項６に記載のモデル更新方法は、請求項５に記載のモデル更新方法において、取得する前記劣化状態は前記期間で劣化する確率値として予測されており、前記第２基準を満たす状態は、前記劣化状態の確率値が、劣化のパターンが含まれることを示す第１閾値以上であり、前記第１閾値より劣化度合いが高い閾値として定めた第２閾値未満の場合である第１状態と、前記劣化状態の確率値が、前記第１閾値未満の場合である第２状態との何れかであり、前記取得において、複数の対象から得られた前記状態量に関する情報の各々について、前記劣化状態の各々を取得し、前記更新において、前記劣化状態の各々について、前記第１状態又は前記第２状態であるか否かを判定し、前記第１状態を示す回数が所定の回数以上である第１のケースと、前記第２状態を示す回数が所定回数以上である第２のケースとで、前記学習済みモデルの更新方法を異ならせる。
請求項７に記載のモデル更新プログラムは、プロセッサが、複数の対象の各々について、バッテリの状態量に関する情報を学習済みモデルに入力し、予め定めた期間に対する劣化状態の各々を取得し、入力とした前記状態量が前記状態量に対して定められた第１基準を満たし、かつ、前記劣化状態が前記劣化状態に対して定められた第２基準を満たす状態が所定の回数以上である場合に、前記学習済みモデルへの入力とした前記状態量に関する情報を用いて、前記学習済みモデルを更新する、処理をコンピュータに実行させる。
本開示の技術によれば、モデルに応じて適切なタイミングで、モデルを更新することを可能とする。
モデルの学習及び学習済みモデルを用いた判定の一例を表す図である。 実施形態に係るモデル更新システムの概略構成を示す図である。 実施形態の車両のハードウェア構成を示すブロック図である。 実施形態のセンタサーバのハードウェア構成を示すブロック図である。 実施形態のセンタサーバの機能構成を示すブロック図である。 実施形態のセンタサーバにおいて実行されるモデル更新処理の流れを示すフローチャートである。 状態量の種類に応じた妥当性判定閾値の適用例を示す図である。 第１のケースの更新の流れを示すフローチャートである。 第２のケースの更新の流れを示すフローチャートである。 学習用データの類似した部分を入れ替える場合の例である。
ハイブリッドシステムにおける補器用のバッテリ（以下、単にバッテリと記載する）の劣化推定技術では、大量の学習用データを用いた機械学習によりモデルのロバスト性が保証できる。一方、精度の高いモデルを学習するための学習用データを蓄積するまでには数年単位の時間が必要であり、収集には期間を要する。そのため、学習用データが十分に蓄積される前にサービスを開始し、学習用データの増加とともにモデルを更新する必要がある。本実施形態では、入力の状態量が学習済みモデルで考慮されたパターンであるか否かの判定を行い、更新する手法を提案する。これにより、新たに収集された学習用データの分析を実施することなく、学習済みモデルに応じて適切なタイミングで、モデルを更新することが可能となる。
本実施形態に適用されるモデル及び入出力の例を挙げる。モデルの入力はバッテリの状態量（例えば、抵抗、電圧、温度等）、モデルはＣＮＮなどのニューラルネットワーク、モデルの出力は所定期間内で劣化する確率、又は所定期間内で劣化しない確率である。
図１は、モデルの学習及び学習済みモデルを用いた判定の一例を表す図である。機械学習によりマップを作成する場合、入力する学習用データと出力する確率値等を指定し、モデルにおける定数マップを自動生成する。定数マップにより、入力する状態量を、短期で劣化するパターン、中期で劣化するパターン、長期で劣化しないパターンにマッピングし、モデルの出力はそれぞれのパターンの確率値とする。各期間は、例えば、短期は１か月～２か月、中期は３か月～４か月、長期は半年程度の期間を想定する。学習用データは、入力とするバッテリの状態量に対して、対応する期間の確率値を１とし、対応しない期間の確率値を０と指定して、モデルを学習する。図１において学習用データの入力のグラフの縦軸が状態量の値、横軸が状態量の値を取得した時間である。例えば（Ａ）では、入力が短期で劣化する状態量であり、出力の確率値が短期で劣化する確率は１、それ以外は０と指定される。入力のバッテリの状態量と、出力の確率値が教師データとなる。（Ｂ）の中期で劣化する場合、（Ｃ）の長期劣化しない場合も同様である。（Ｄ）は、学習済みモデルを用いた劣化判定の例であり、実際の入力とするバッテリの状態量を学習済みモデルへの入力として、各期間（各パターン）の各確率値と共に各確率値による判定結果を出力する。判定結果としては、短期劣化するとの判定結果、中期劣化するとの判定結果、長期劣化しないとの判定結果、又は何れでもないとの判定結果が出力される。学習済みモデルにより、入力がどの教師データのパターンと似かよっているかによって各確率値が算出される。本実施形態では、学習済みモデルの学習が妥当であるかを、学習済みモデルの出力となる各確率値のうち、短期における劣化状態の確率値（以下、短期劣化確率とも記載する）の出力を用いて劣化状態の判定を行う。
劣化状態の判定では、短期劣化確率に対する判定の閾値として、劣化のパターンが含まれることを示す閾値を定めた学習済み判定閾値、及び学習済み判定閾値より劣化度合いが高い閾値として定めた劣化判定閾値を用いる。また、実際の入力としたバッテリの状態量についても、短期で劣化していることが妥当であるかを判断するための妥当性判定閾値を設けて閾値判定を行う。各閾値は、予め実験等によって設定した閾値を定めればよい。劣化判定閾値には、例えば、学習済みモデルの出力において劣化判定とする場合の閾値、又は当該閾値より高い基準の値を設定する。すなわち、短期で劣化していることが妥当な入力に対して、出力が劣化判定閾値を超えないのであれば、モデルの更新が必要である。また、学習済み判定閾値を超えていれば、少なくとも劣化のパターンは学習できていることになり、超えていなければ、実際の入力としたバッテリの状態量については劣化のパターンを学習できていないことになる。
劣化状態は、学習済み判定閾値≦短期劣化確率＜劣化判定閾値である場合を、第１状態とし、短期劣化確率＜学習済み判定閾値である場合を第２状態とする。学習済み判定閾値が本開示の技術の「第１閾値」の一例であり、劣化判定閾値が本開示の技術の「第２閾値」の一例である。
（全体構成）
図２に示されるように、本発明の実施形態のモデル更新システム１０は、複数台の車両１２と、モデル更新装置としてのセンタサーバ３０と、を含んで構成されている。また、各車両１２には車載器２０が搭載されている。車載器２０、及びセンタサーバ３０は、ネットワークＮを通じて相互に接続されている。なお、図２には、センタサーバ３０に対して、３台の車両１２及び車載器２０が図示されているが、複数の車両１２、及び車載器２０の数はこの限りではなく、モデル更新処理に必要な数だけ存在する。センタサーバ３０は、例えば、車両１２を製造する製造元や当該製造元系列のカーディーラーに設置されている。なお、以下の説明ではバッテリを搭載する対象を車両とする場合を例に説明するが、対象はバッテリを搭載するものであれば、他の移動体や対象物についても適用することができる。複数の車両１２が、本開示の技術の「複数の対象」の一例である。
（車両）
図３に示されるように、本実施形態に係る車両１２は、車載器２０と、複数のＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）２２と、複数の車載機器２４と、補器用のバッテリ２７とを含んで構成されている。なお、バッテリ２７については説明の便宜のため、特にハードウェアとして説明する場合を除き符号を省略する。
車載器２０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２０Ａ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２０Ｂ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２０Ｃ、車内通信Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）２０Ｄ、及び無線通信Ｉ／Ｆ２０Ｅを含んで構成されている。ＣＰＵ２０Ａ、ＲＯＭ２０Ｂ、ＲＡＭ２０Ｃ、車内通信Ｉ／Ｆ２０Ｄ、及び無線通信Ｉ／Ｆ２０Ｅは、内部バス２０Ｇを介して相互に通信可能に接続されている。
ＣＰＵ２０Ａは、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ２０Ａは、ＲＯＭ２０Ｂからプログラムを読み出し、ＲＡＭ２０Ｃを作業領域としてプログラムを実行する。
ＲＯＭ２０Ｂは、各種プログラム及び各種データを記憶している。本実施形態のＲＯＭ２０Ｂには、ＥＣＵ２２から車両１２の状態及び制御に係る車両情報を収集し、かつ車両１２の機能の利用又は装備の適用を許可又は制限を行う制御プログラム５０が記憶されている。また、ＲＯＭ２０Ｂには、車両情報、及びバッテリ情報のバックアップデータである履歴情報が記憶されている。
ＲＡＭ２０Ｃは、作業領域として一時的にプログラム又はデータを記憶する。
車内通信Ｉ／Ｆ２０Ｄは、各ＥＣＵ２２と接続するためのインタフェースである。当該インタフェースは、ＣＡＮプロトコルによる通信規格が用いられる。車内通信Ｉ／Ｆ２０Ｄは、外部バス２０Ｈに対して接続されている。
無線通信Ｉ／Ｆ２０Ｅは、センタサーバ３０と通信するための無線通信モジュールである。当該無線通信モジュールは、例えば、５Ｇ、ＬＴＥ、Ｗｉ－Ｆｉ（登録商標）等の通信規格が用いられる。無線通信Ｉ／Ｆ２０Ｅは、ネットワークＮに対して接続されている。
ＥＣＵ２２は、ＡＤＡＳ（Ａｄｖａｎｃｅｄ Ｄｒｉｖｅｒ Ａｓｓｉｓｔａｎｃｅ Ｓｙｓｔｅｍ）－ＥＣＵ２２Ａ、及びバッテリ情報ＥＣＵ２２Ｂを少なくとも含む。ＥＣＵ２２は、説明の便宜上図示を省略しているが、ステアリング制御、ブレーキ制御、エンジン制御、カーナビゲーションシステム及びオーディオ等の情報系制御、等を担う機能を備える。
ＡＤＡＳ－ＥＣＵ２２Ａは、先進運転支援システムを統括制御する。ＡＤＡＳ－ＥＣＵ２２Ａには、車載機器２４を構成する車速センサ２５、及びヨーレートセンサ２６が接続されている。
なお、車載機器２４には、この他にも、セントラルＥＣＵ２０の機能を実現に必要な機器として、舵角センサ、ブレーキアクチュエータ、スロットルアクチュエータ、及び他のセンサ類が含まれる。
バッテリ情報ＥＣＵ２２Ｂは、バッテリ２７の状態量を経時的に測定し、バッテリ情報としてＲＯＭ２０Ｂに記憶する。ＲＯＭ２０Ｂに記憶されたバッテリ情報は、定期的にセンタサーバ３０に収集される。
（センタサーバ）
図４に示されるように、センタサーバ３０は、ＣＰＵ３０Ａ、ＲＯＭ３０Ｂ、ＲＡＭ３０Ｃ、ストレージ３０Ｄ及び通信Ｉ／Ｆ３０Ｅを含んで構成されている。ＣＰＵ３０Ａ、ＲＯＭ３０Ｂ、ＲＡＭ３０Ｃ、ストレージ３０Ｄ及び通信Ｉ／Ｆ３０Ｅは、内部バス３０Ｇを介して相互に通信可能に接続されている。ＣＰＵ３０Ａ、ＲＯＭ３０Ｂ、ＲＡＭ３０Ｃ及び通信Ｉ／Ｆ３０Ｅの機能は、上述した車載器２０のＣＰＵ２０Ａ、ＲＯＭ２０Ｂ、ＲＡＭ２０Ｃ及び無線通信Ｉ／Ｆ２０Ｅと同じである。なお、通信Ｉ／Ｆ３０Ｅは有線による通信を行ってもよい。
メモリとしてのストレージ３０Ｄは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）により構成され、各種プログラム及び各種データを記憶している。本実施形態のストレージ３０Ｄには、処理プログラム１００、車両情報ＤＢ（データベース）１１０、及びバッテリ情報ＤＢ１２０が記憶されている。なお、ＲＯＭ３０Ｂが処理プログラム１００、車両情報ＤＢ１１０、バッテリ情報ＤＢ１２０、及びモデル記憶ＤＢ１３０を記憶してもよい。
モデル更新プログラムとしての処理プログラム１００は、センタサーバ３０におけるモデル更新を制御するためのプログラムである。処理プログラム１００の実行に伴い、センタサーバ３０は、モデル更新処理を実行する。モデル更新処理では、車両情報ＤＢ１１０、バッテリ情報ＤＢ１２０、及びモデル記憶ＤＢ１３０の情報が適宜読み出されて実行される。
車両情報ＤＢ１１０には、車両１２から取得された車両情報が記憶される。車両情報は、例えば、車速、加速度、ヨーレート、舵角、アクセル開度、ブレーキペダル踏力又はストローク等の運転操作及び走行に係る情報を含む。
バッテリ情報ＤＢ１２０には、車両１２の各々から収集されたバッテリ情報が記憶される。また、バッテリ情報ＤＢ１２０には、学習済み判定閾値、劣化判定閾値、及び妥当性判定閾値が記憶される。
モデル記憶ＤＢ１３０には、学習済みモデルが記憶される。学習済みモデルは上述したようにバッテリ情報を入力とし、出力として各期間の確率値を推定し、判定結果を出力するように学習されている。また、モデル記憶ＤＢ１３０には、学習済みモデルの学習に用いた学習用データが記憶される。学習用データには、入力となるバッテリの状態量と入力に対応する期間の確率値の組の各々が含まれる。
図５に示されるように、本実施形態のセンタサーバ３０では、ＣＰＵ３０Ａが、処理プログラム１００を実行することで、取得部２００、及び更新部２０２として機能する。
取得部２００は、バッテリ情報を学習済みモデルに入力し、短期、中期、及び長期の各期間に対して劣化する確率値としての劣化状態を取得する。劣化状態の取得は、複数の車両１２のバッテリ状態の各々について行う。
更新部２０２は、取得部２００で取得した短期における劣化状態の確率値（短期劣化確率）と、入力としたバッテリ情報とを用いて判定を行う。更新部２０２は、劣化状態が、第１状態又は第２状態であるか否かを判定し、第１状態を示す回数が所定の回数以上である第１のケースと、第２状態を示す回数が所定回数以上である第２のケースとで、学習済みモデルの更新方法を異ならせる。第１のケースでは、入力とした状態量のパターンに学習用データの一部が類似していると想定される。第２のケースでは、入力とした状態量のパターンが学習用データに含まれていないと想定される。具体的な判定内容、更新方法については後述する。
（制御の流れ）
本実施形態のモデル更新システム１０で実行されるモデル更新処理の流れについて、図６のフローチャートを用いて説明する。センタサーバ３０における処理は、ＣＰＵ３０Ａがセンタサーバ３０の各部として機能することにより実行される。
ステップＳ１００において、ＣＰＵ３０Ａは、判定対象とする車両１２のバッテリ情報を学習済みモデルに入力し、短期劣化確率を取得する。
ステップＳ１０２において、ＣＰＵ３０Ａは、取得した短期劣化確率が、劣化判定閾値未満であるか否かを判定する（短期劣化確率＜劣化判定閾値）。劣化判定閾値未満である場合にはステップＳ１０４へ移行し、劣化判定閾値未満でない場合にはステップＳ１１２へ移行する。
ステップＳ１０４において、ＣＰＵ３０Ａは、入力したバッテリ情報におけるバッテリの状態量の値が、妥当性判定閾値以上であるか否かを判定する（状態量の値≧妥当性判定閾値）。妥当性判定閾値以上である場合はステップＳ１０６へ移行し、妥当性判定閾値以上でない場合はステップＳ１１２へ移行する。
なお、状態量の種類に応じて妥当性判定閾値以上又は以下とするかの不等号の向きは可変である。図７に状態量の種類に応じた妥当性判定閾値の適用例を示す。図７の縦軸が状態量の値、横軸が状態量の値を取得した時間である。（ｅ１）のように状態量が抵抗である場合は、値が上がると劣化していることを示すため妥当性判定閾値以上とする。（ｅ２）のように状態量が電圧である場合は、値が下がると劣化していることを示すため妥当性判定閾値以下とする。状態量の値が妥当性判定閾値の基準を満たす場合が本開示の技術の「第１基準を満たす状態量である場合」の一例である。
ステップＳ１０６において、ＣＰＵ３０Ａは、短期劣化確率が、学習済み判定閾値以上であるか否かを判定する（短期劣化確率≧学習済み判定閾値）。学習済み判定閾値以上である場合にはステップＳ１０８へ移行し、学習済み判定閾値以上でない場合にはステップＳ１１０へ移行する。
ステップＳ１０８において、ＣＰＵ３０Ａは、判定対象としている車両１２について、バッテリの状態量が第１状態であるとして、第１状態にカウントする。
ステップＳ１１０において、ＣＰＵ３０Ａは、判定対象としている車両１２について、バッテリの状態量が第２状態であるとして、第２状態にカウントする。
ステップＳ１１２において、ＣＰＵ３０Ａは、全ての車両１２について判定完了したか否かを判定する。判定完了した場合にはステップＳ１１４へ移行し、判定完了していない場合にはステップＳ１００に戻り、次の判定対象の車両１２を選んで処理を繰り返す。
ステップＳ１１４において、ＣＰＵ３０Ａは、カウントされた第１状態の回数が所定回数（Ｎ）以上であるか否かを判定する。所定回数以上と判定した場合はステップＳ１１６へ移行し、所定回数以上でないと判定した場合は、第１のケースの更新は不要として、ステップＳ１１８へ移行する。Ｎの回数は例えば、判定対象とした車両１２の全ての台数に対する１０％の割合の回数とすればよい。
ステップＳ１１６において、ＣＰＵ３０Ａは、第１のケースによる更新が必要と判定する。
ステップＳ１１８において、ＣＰＵ３０Ａは、カウントされた第２状態の回数が所定回数（Ｎ）以上であるか否かを判定する。所定回数以上と判定した場合はステップＳ１２０へ移行し、所定回数以上でないと判定した場合は、第２のケースの更新は不要として、ステップＳ１２２へ移行する。Ｎの回数は例えば、判定対象とした車両１２の全ての台数に対する１０％の割合になる回数とすればよい。
上記ステップＳ１１４で第１状態の回数が所定回数以上とした場合、又はステップＳ１１８の第２状態の回数が所定回数以上とした場合が本開示の技術の「第２基準を満たす状態」の一例である。
ステップＳ１２０において、ＣＰＵ３０Ａは、第２のケースによる更新が必要と判定する。
ステップＳ１２２において、ＣＰＵ３０Ａは、必要と判定されたケースによる学習済みモデルの更新を実施する。以下に、第１のケースの更新について図８のフローチャート、第２のケースの更新について図９のフローチャートを用いてそれぞれのケースの処理の流れを説明する。
（第１のケースの更新）
ステップＳ２００において、ＣＰＵ３０Ａは、第１の状態としてカウントした車両１２を抽出対象として、抽出対象とする該当車両１２の入力に用いたバッテリの状態量を抽出する。なお、車両情報の一部もモデルの学習に用いている場合には、該当する車両情報の一部も抽出すればよい。
ステップＳ２０２において、ＣＰＵ３０Ａは、入力に用いたバッテリの状態量と、学習済みモデルの学習に用いた学習用データに含まれるバッテリの状態量との全組み合わせの類似度を算出する。
ステップＳ２０４において、ＣＰＵ３０Ａは、全組み合わせのうち、類似度が高い順に、入れ替え対象の組み合わせを抽出する。
ステップＳ２０６において、ＣＰＵ３０Ａは、入れ替え対象の組み合わせについて、学習用データの入れ替えを実施する。入れ替えは、当該車両１２のバッテリの状態量と、学習用データに含まれるバッテリの状態量の類似している部分とを入れ替える、又は類似している部分を修正することで行う。
ここで類似している部分の入れ替えについて説明する。図１０は、学習用データの類似した部分を入れ替える場合の例である。図１０のグラフにおいて縦軸が状態量の値、横軸が状態量を取得した時間を表す。（ａ）の実際に計測された入力に対し、（ｂ）の学習用データの状態量の一部（ｈ）が、状態量を経時的な波形のパターンとして捉えた場合のパターンが類似している。（ｂ）の学習用データは、中期又は長期のパターンで状態量の値が劣化閾値を超えている状態量であり、その一部のパターンにおいて類似のパターンが含まれている。そのため、（ｂ）のデータの（ｈ）のパターンの部分を削除し（ａ）を追加する。もしくは（ｂ）のデータを（ａ）に入れ替える。
ステップＳ２０８において、ＣＰＵ３０Ａは、入れ替え後の学習用データを用いて、モデルを再学習する。
ステップＳ２１０において、ＣＰＵ３０Ａは、再学習したモデルの劣化推定精度を保存する。
ステップＳ２１２において、ＣＰＵ３０Ａは、全ての入れ替え対象の組み合わせについて処理が完了したか否かを判定する。全ての入れ替え対象について処理が完了した場合にはステップＳ２１４へ移行し、全ての入れ替え対象について処理が完了していないと判定した場合にはステップＳ２０４に戻って次の入れ替え対象を選んで処理を繰り返す。
ステップＳ２１４において、ＣＰＵ３０Ａは、全ての抽出対象（車両１２）について処理が完了したか否かを判定する。全ての抽出対象について処理が完了したと判定した場合にはステップＳ２１６へ移行し、全ての抽出対象について処理が完了していないと判定した場合にはステップＳ２００に戻って次の抽出対象を選んで処理を繰り返す。
ステップＳ２１６において、ＣＰＵ３０Ａは、再学習したモデルのうち、劣化推定精度が最も良いモデルを採用し、モデル記憶ＤＢ１３０の学習済みモデルを更新して処理を終了する。
（第２のケースの更新）
ステップＳ３００において、ＣＰＵ３０Ａは、第１の状態としてカウントした車両１２について、抽出対象とする該当車両１２の入力に用いたバッテリの状態量を抽出する。
ステップＳ３０２において、ＣＰＵ３０Ａは、抽出したバッテリの状態量を学習用データに追加する。つまり、図１０の（ａ）の入力とした状態量をそのまま学習用データに追加する。
ステップＳ３０４において、ＣＰＵ３０Ａは、追加後の学習用データを用いて、モデルを再学習する。
ステップＳ３０６において、ＣＰＵ３０Ａは、再学習した学習済みモデルの劣化推定精度を保存する。
ステップＳ３０８において、ＣＰＵ３０Ａは、全ての抽出対象の車両１２について処理が完了したか否かを判定する。全ての抽出対象について処理が完了したと判定した場合にはステップＳ３１０へ移行し、全ての抽出対象について処理が完了していないと判定した場合にはステップＳ３００に戻って次の抽出対象を選んで処理を繰り返す。
ステップＳ３１０において、ＣＰＵ３０Ａは、再学習した学習済みモデルのうち、劣化推定精度が最も良い学習済みモデルを採用し、モデル記憶ＤＢ１３０の学習済みモデルを更新して処理を終了する。
（変形例）
上記の図６に示したモデル更新処理のフローチャートでは、Ｓ１０４のように、入力としたバッテリの状態量の値が妥当性判定閾値の基準を満たさない場合（第１基準を満たす状態量でない場合）は、第１状態及び第２状態の何れもカウントしない想定としていた。ただし、当該バッテリの状態量が基準を満たさなかったとしても、テスター等の測定手段により測定した劣化状態が劣化しているとの判定である場合には、第１の状態又は第２の状態が回数の条件を満たす場合に、学習済みモデルを更新するようにしてもよい。測定手段は、バッテリ情報を取得した手段（バッテリ情報ＥＣＵ２２Ｂ）とは異なる測定手段であればよい。また、テスター以外にも、本実施形態の学習済みモデルとは異なる他に学習した学習済みモデルがある場合は、異なる学習済みモデルで劣化しているとの判定である場合にも同様に、第１の状態又は第２の状態が回数の条件を満たす場合に、学習済みモデルを更新するようにしてもよい。
（まとめ）
本実施形態のモデル更新装置としてのセンタサーバ３０は、取得部２００でバッテリ情報を学習済みモデルに入力し、短期、中期、及び長期の各期間に対して劣化する確率値としての劣化状態を取得する。センタサーバ３０は、更新部２０２で短期における劣化状態の確率値（短期劣化確率）と、入力としたバッテリ情報とを用いて判定を行う。センタサーバ３０は、劣化状態が、第１状態又は第２状態であるか否かを判定し、第１状態を示す回数が所定の回数以上である第１のケースと、第２状態を示す回数が所定回数以上である第２のケースとで、学習済みモデルの更新方法を異ならせる。これにより、モデルに応じて適切なタイミングで、モデルを更新することを可能とする。また、劣化状態が第１状態及び第２状態の何れであるかに応じて異なるモデルの更新方法でモデルを更新できる。
なお、上記実施形態でＣＰＵ２０Ａ及びＣＰＵ３０Ａがソフトウェア（プログラム）を読み込んで実行した各種処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、上述した各処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
また、上記実施形態において、各プログラムはコンピュータが読み取り可能な非一時的記録媒体に予め記憶（インストール）されている態様で説明した。例えば、車載器２０におけるプログラムはＲＯＭ２０Ｂに予め記憶され、センタサーバ３０における処理プログラム１００はストレージ３０Ｄに予め記憶されている。しかしこれに限らず、各プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的記録媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
上記実施形態で説明した処理の流れは、一例であり、主旨を逸脱しない範囲内において不要なステップを削除したり、新たなステップを追加したり、処理順序を入れ替えたりしてもよい。
１２ 車両
２０ 車載器
３０ センタサーバ（モデル更新装置）
３０Ａ ＣＰＵ（プロセッサ）
１００ 処理プログラム（モデル更新プログラム）

Claims (7)

  1. 複数の対象の各々について、バッテリの状態量に関する情報を学習済みモデルに入力し、予め定めた期間に対する劣化状態を取得する取得部と、
    入力とした前記状態量が前記状態量に対して定められた第１基準を満たし、かつ、前記劣化状態が前記劣化状態に対して定められた第２基準を満たす状態が所定の回数以上である場合に、前記学習済みモデルへの入力とした前記状態量に関する情報を用いて、前記学習済みモデルを更新する更新部と、
    を備えるモデル更新装置。
  2. 前記取得部で取得する前記劣化状態は前記期間で劣化する確率値として予測されており、
    前記第２基準を満たす状態は、前記劣化状態の確率値が、劣化のパターンが含まれることを示す第１閾値以上であり、前記第１閾値より劣化度合いが高い閾値として定めた第２閾値未満の場合である第１状態と、前記劣化状態の確率値が、前記第１閾値未満の場合である第２状態との何れかであり、
    前記取得部は、複数の対象から得られた前記状態量に関する情報の各々について、前記劣化状態の各々を取得し、
    前記更新部は、前記劣化状態の各々について、前記第１状態又は前記第２状態であるか否かを判定し、
    前記第１状態を示す回数が所定の回数以上である第１のケースと、前記第２状態を示す回数が所定回数以上である第２のケースとで、前記学習済みモデルの更新方法を異ならせる請求項１に記載のモデル更新装置。
  3. 入力とした前記状態量が前記第１基準を満たす状態量でない場合であっても、前記バッテリの状態量に関する情報を取得した手段とは異なる測定手段により測定した劣化状態が劣化しているとの判定である場合には、前記劣化状態が前記第２基準を満たす場合に、前記学習済みモデルを更新する請求項１又は請求項２に記載のモデル更新装置。
  4. 前記期間として、予め定めた、短期、中期、及び長期の期間の各々が設定されており、
    前記取得部で取得する前記劣化状態は、前記学習済みモデルにおいて前記期間ごとの劣化する確率値として予測されており、
    前記更新部において、前記短期における前記劣化状態が第２基準を満たす状態であるかを判定する請求項１～請求項３の何れか１項に記載のモデル更新装置。
  5. プロセッサが、
    複数の対象の各々について、バッテリの状態量に関する情報を学習済みモデルに入力し、予め定めた期間に対する劣化状態の各々を取得し、
    入力とした前記状態量が前記状態量に対して定められた第１基準を満たし、かつ、前記劣化状態が前記劣化状態に対して定められた第２基準を満たす状態が所定の回数以上である場合に、前記学習済みモデルへの入力とした前記状態量に関する情報を用いて、前記学習済みモデルを更新する、
    処理をコンピュータが実行するモデル更新方法。
  6. 取得する前記劣化状態は前記期間で劣化する確率値として予測されており、
    前記第２基準を満たす状態は、前記劣化状態の確率値が、劣化のパターンが含まれることを示す第１閾値以上であり、前記第１閾値より劣化度合いが高い閾値として定めた第２閾値未満の場合である第１状態と、前記劣化状態の確率値が、前記第１閾値未満の場合である第２状態との何れかであり、
    前記取得において、複数の対象から得られた前記状態量に関する情報の各々について、前記劣化状態の各々を取得し、
    前記更新において、前記劣化状態の各々について、前記第１状態又は前記第２状態であるか否かを判定し、
    前記第１状態を示す回数が所定の回数以上である第１のケースと、前記第２状態を示す回数が所定回数以上である第２のケースとで、前記学習済みモデルの更新方法を異ならせる請求項５に記載のモデル更新方法。
  7. プロセッサが、
    複数の対象の各々について、バッテリの状態量に関する情報を学習済みモデルに入力し、予め定めた期間に対する劣化状態の各々を取得し、
    入力とした前記状態量が前記状態量に対して定められた第１基準を満たし、かつ、前記劣化状態が前記劣化状態に対して定められた第２基準を満たす状態が所定の回数以上である場合に、前記学習済みモデルへの入力とした前記状態量に関する情報を用いて、前記学習済みモデルを更新する、
    処理をコンピュータに実行させるモデル更新プログラム。
JP2022016704A 2022-02-04 2022-02-04 モデル更新装置、モデル更新方法、及びモデル更新プログラム Pending JP2023114373A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2022016704A JP2023114373A (ja) 2022-02-04 2022-02-04 モデル更新装置、モデル更新方法、及びモデル更新プログラム
US18/063,768 US20230249582A1 (en) 2022-02-04 2022-12-09 Model update device, method of updating model, and non-transitory computer-readable medium storing model update program
DE102023101883.3A DE102023101883A1 (de) 2022-02-04 2023-01-26 Modellaktualisierungsvorrichtung, Verfahren zum Aktualisieren von Modell und Modellaktualisierungsprogramm
CN202310044163.9A CN116559670A (zh) 2022-02-04 2023-01-29 模型更新装置、模型更新方法、以及记录了模型更新程序的计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022016704A JP2023114373A (ja) 2022-02-04 2022-02-04 モデル更新装置、モデル更新方法、及びモデル更新プログラム

Publications (1)

Publication Number Publication Date
JP2023114373A true JP2023114373A (ja) 2023-08-17

Family

ID=87312381

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022016704A Pending JP2023114373A (ja) 2022-02-04 2022-02-04 モデル更新装置、モデル更新方法、及びモデル更新プログラム

Country Status (4)

Country Link
US (1) US20230249582A1 (ja)
JP (1) JP2023114373A (ja)
CN (1) CN116559670A (ja)
DE (1) DE102023101883A1 (ja)

Also Published As

Publication number Publication date
CN116559670A (zh) 2023-08-08
US20230249582A1 (en) 2023-08-10
DE102023101883A1 (de) 2023-08-10

Similar Documents

Publication Publication Date Title
EP2981095A1 (en) Data collection and management system, data collection and management method, terminal, and management device
WO2010041382A1 (ja) 車両の故障診断のための基準値の生成
JP7051424B2 (ja) 異常検出装置
CN113219336B (zh) 电池劣化判断系统、方法及存储有程序的非临时性存储介质
WO2012077425A1 (ja) 車両情報管理サーバ、車両情報管理システムおよび車両情報管理方法
CN113454554B (zh) 对道路车辆的部件进行预测性维护的方法和装置
EP3613974A1 (en) Method and system for determining and monitoring a cause of extra-fuel consumption
CN115113601A (zh) 车辆管理装置、车辆管理方法和计算机可读存储介质
JP2023114373A (ja) モデル更新装置、モデル更新方法、及びモデル更新プログラム
CN115828438B (zh) 汽车极限性能预测方法、介质、设备
CN112020451A (zh) 用于确定涉及机动车电池的状态的参量的方法，计数器装置及机动车
CN114485826A (zh) 一种车辆里程油耗数据确定方法及装置
EP3613975B1 (en) Method and system for determining a cause of extra-fuel consumption
EP4210019A1 (en) Method for generating learned model, non-transitory storage medium, and traffic jam predicting device
CN116499772B (zh) 车辆制动性能评估方法、装置、电子设备及存储介质
JP2023074415A (ja) 運転者特定装置、運転者特定方法、及び運転者特定プログラム
WO2024075646A1 (ja) 車載装置、通信制御方法および通信システム
US20230021612A1 (en) Information provision device, information provision method, and storage medium
US20240001931A1 (en) State estimation device, state estimation method, and storage medium
US20230391342A1 (en) Road surface damage detection device, road surface damage detection method, and storage device
CN114976375A (zh) 电池的使用终止温度估算方法、装置、车辆及存储介质
US20230382337A1 (en) Information processing device, information processing method, and storage medium
CN116238337A (zh) 一种基于高速行驶的电动汽车能耗预测方法和系统
JP2023067143A (ja) 検知装置、検知システム、検知方法、及び検知プログラム
CN117068177A (zh) 道路坡度处理方法、装置、控制器及存储介质