JP2023522468A - バッテリ検出方法及び装置 - Google Patents

Abstract

バッテリ検出方法及び装置が提供される。当該方法は、バッテリの第１バッテリ状態パラメータを取得すること（Ｓ５１０）と、第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定すること（Ｓ５２０）と；第１障害度を含む第１メッセージを送信すること（Ｓ５３０）とを含む。トレーニングによって得られた故障モデルを含むサービスシステムにバッテリの状態パラメータを入力して、障害度を取得し、該障害度を車載装置及び／又は端末装置に送信することで、バッテリの故障リスクを正確に評価することができ、バッテリ故障によって生じる損失を低減させることができるようになる。

Description

この出願は、バッテリ技術の分野に関し、より具体的には、バッテリ検出方法及び装置、並びにチップシステムに関する。

電気自動車の幅広い適用に伴い、リチウムイオンパワーバッテリの安全性事故が頻繁に起こっている。リチウムイオンパワーバッテリの安全性事故は、通常、熱暴走を中核として、急激な温度上昇、発煙、火災、そして更には爆発を特徴とする。電気自動車のリチウムイオンパワーバッテリの安全性事故は、人々の生命及び財産の安全を脅かし、電気自動車の大規模な工業化適用をひどく妨げる。

パワーバッテリの熱暴走は一瞬のプロセスではなく、漸進的なプロセスである。バッテリ故障を早い段階で発見することができ、そして、事前に予防措置を講じることができたり、できるだけ早く車両を修理するように車両所有者に警告したりすれば、熱暴走によって生じる人的負傷及び財産損失を回避することができる。従って、どのようにしてバッテリ障害の程度を正確に評価して対策を施すかが、解決すべき喫緊の課題である。

この出願はバッテリ検出方法及び装置を提供する。トレーニングによって得られた故障モデルを含むサービスシステムにバッテリの状態パラメータを入力して、障害度を取得し、該障害度を車載装置及び／又は端末装置に送信することで、バッテリの故障リスクを正確に評価することができ、バッテリ故障によって生じる損失を低減させることができるようになる。

第１の態様によれば、バッテリ検出方法が提供される。当該方法は、バッテリの第１バッテリ状態パラメータを取得し、第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定し、該第１障害度は、バッテリの、第１バッテリ状態パラメータに対応する障害度を示すために使用され、故障モデルは、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、該第２障害度は、同じ仕様のバッテリの、第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含み、第１障害度を含む第１メッセージを送信することを含む。

トレーニングによって得られた故障モデルを含むサービスシステムにバッテリ状態パラメータを入力して、障害度を取得し、該障害度を車載装置及び／又は端末装置に送信することで、バッテリの故障リスクを正確に評価することができ、バッテリ故障によって生じる損失を低減させることができるようになる。

第１の態様を参照するに、第１の態様の一部の実装において、第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定することは具体的に、第１バッテリ状態パラメータが含む放電電圧、放電電流、及び充電温度のうちの少なくとも１つのパラメータに基づいてバッテリ内部抵抗を決定し、該バッテリ内部抵抗を用いて第１障害度を決定することを含む。

バッテリ内部抵抗を含む多次元バッテリ状態パラメータを故障モデルに入力して障害度を取得することで、バッテリ障害検出の精度を向上させることができるようになる。

第１の態様を参照するに、第１の態様の一部の実装において、第１障害度が所定の第１閾値以上である場合に第２メッセージが送信され、該第２メッセージは、バッテリが故障リスクを有することを示すために使用される。

バッテリ障害度が所定の閾値より高い場合に、例えば、ユーザに警告したり、強制的措置をとるよう車両に指示したりするべく、バッテリが故障リスクを有することをユーザに気付かせるためにメッセージが送信されることで、バッテリ故障によって生じる人的負傷及び財産損失を減らすことができるようになる。

第１の態様を参照するに、第１の態様の一部の実装において、第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定することの前に、当該方法は更に、バッテリを検出することを要求するために使用される第３メッセージを受信することを含む。

要求メッセージを受信してバッテリを検出することで、ユーザ体験を向上させることができ、いつでもバッテリを検出したいというユーザの要求を満たすことができるようになる。

第１の態様を参照するに、第１の態様の一部の実装において、第１メッセージを送信することは具体的に、第１バッテリ状態パラメータが取得されてから第１所定時間内に第１メッセージを送信することを含む。

例えば特定の時間間隔といった、所定の時間に基づいてバッテリを検出し、検出結果を送信することで、定期的にバッテリを検出するという効果を達成することができる。これがユーザ体験を更に向上させる。

第１の態様を参照するに、第１の態様の一部の実装において、当該方法は更に、第２バッテリ状態パラメータをオリジナルモデルに入力して第３障害度を取得し、第３障害度と第２障害度との間のずれが所定範囲に収まるように、オリジナルモデルのパラメータを調節し、調節を経たオリジナルモデルを故障モデルとして使用することを含む。

オリジナルモデルを用いて故障モデルを調節することは、故障モデルの精度を効果的に向上させることができ、バッテリ検出の精度を更に向上させるようになる。

第２の態様によれば、バッテリ検出方法が提供され、当該方法は、バッテリを検出することを要求するために使用される第１メッセージを送信し、第１障害度を含む第２メッセージを受信し、第１障害度は、バッテリの、第１バッテリ状態パラメータに対応する障害度を示すために使用され、故障モデルが、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、第２障害度は、同じ仕様のバッテリの、第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む、ことを含む。

バッテリを検出することを要求するのに使用される要求メッセージがサービスシステムに送信され、故障モデルに基づいて障害度が取得されることで、バッテリ故障リスクを正確に把握することができ、バッテリ熱暴走によって生じる損失を低減させることができる。オプションで、第１メッセージは車載装置、端末装置、端末装置内のアプリケーションＡＰＰ、又はこれらに類するものによって送信され得る。

第２の態様を参照するに、第２の態様の一部の実装において、バッテリが故障リスクを有することを示すために使用される第３メッセージが受信され、該第３メッセージは、第１障害度が第１閾値以上である場合にサービスシステム又は端末装置によって送信される。

バッテリ障害度が閾値を超えた場合に送信される警告メッセージ又は指示メッセージを受信することで、バッテリに対して例えば修理又は交換などの措置を前もってとることができ、バッテリ故障によって生じる人的負傷及び財産損失を減らすことができる。

第２の態様を参照するに、第２の態様の一部の実装において、当該方法は更に、第３メッセージに基づいて強制的行動をとることを含む。

サービスシステムによって送られるメッセージに基づいて例えば減速及び駐車などの強制的措置をとることは、バッテリ故障によって生じる人的負傷及び財産損失を効果的に減らすことができる。

第２の態様を参照するに、第２の態様の一部の実装において、当該方法は更に、表示装置を用いて第２メッセージ及び／又は第３メッセージを表示することを含む。

サービスシステムによって送られるメッセージを表示することにより、ユーザ体験を向上させることができる。

第２の態様を参照するに、第２の態様の一部の実装において、当該方法は更に、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む第１バッテリ状態パラメータをサービスシステムに送信することを含む。

第３の態様によれば、バッテリ検出装置が提供され、当該装置は、バッテリの第１バッテリ状態パラメータを取得するように構成された第１取得モジュールと、第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定するように構成された第１処理モジュールであり、該第１障害度は、バッテリの、第１バッテリ状態パラメータに対応する障害度を示すために使用され、故障モデルは、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、該第２障害度は、同じ仕様のバッテリの、第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む、第１処理モジュールと、第１障害度を含む第１メッセージを送信するように構成された第１送信モジュールと、を含む。

第３の態様を参照するに、第３の態様の一部の実装において、処理モジュールは具体的に、第１バッテリ状態パラメータが含む放電電圧、放電電流、及び充電温度のうちの少なくとも１つのパラメータに基づいてバッテリ内部抵抗を決定し、該バッテリ内部抵抗を用いて第１障害度を決定するように構成される。

第３の態様を参照するに、第３の態様の一部の実装において、第１送信モジュールは更に、第１障害度が所定の第１閾値以上である場合に第２メッセージを送信するように構成され、該第２メッセージは、バッテリが故障リスクを有することを示すために使用される。

第３の態様を参照するに、第３の態様の一部の実装において、当該装置は更に、バッテリを検出することを要求するために使用される第３メッセージを受信するように構成された第１受信モジュール、を含む。

第３の態様を参照するに、第３の態様の一部の実装において、第１送信モジュールは具体的に、第１バッテリ状態パラメータが取得されてから第１所定時間内に第１メッセージを送信するように構成される。

第３の態様を参照するに、第３の態様の一部の実装において、第１処理モジュールは更に、第２バッテリ状態パラメータをオリジナルモデルに入力して第３障害度を取得し、第３障害度と第２障害度との間のずれが所定範囲に収まるように、オリジナルモデルのパラメータを調節し、調節を経たオリジナルモデルを故障モデルとして使用するように構成される。

第４の態様によれば、バッテリ検出装置が提供される。当該装置は、バッテリを検出することを要求するために使用される第１メッセージを送信するように構成された第２送信モジュールと、第１障害度を含む第２メッセージを受信するように構成された第２受信モジュールであり、該第１障害度は、バッテリの、第１バッテリ状態パラメータに対応する障害度を示すために使用され、故障モデルが、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、該第２障害度は、同じ仕様のバッテリの、第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む、第２受信モジュールと、を含む。

第４の態様を参照するに、第４の態様の一部の実装において、第２受信モジュールは更に、バッテリが故障リスクを有することを示すために使用される第３メッセージを受信するように構成され、該第３メッセージは、第１障害度が第１閾値以上である場合にサービスシステム又は端末装置によって送信される。

第４の態様を参照するに、第４の態様の一部の実装において、当該装置は更に、第３メッセージに基づいて強制的行動をとるように構成された第２処理モジュール、を含む。

第４の態様を参照するに、第４の態様の一部の実装において、当該装置は更に、表示装置を用いて第２メッセージ及び／又は第３メッセージを表示するように構成された表示モジュール、を含む。

第４の態様を参照するに、第４の態様の一部の実装において、第２送信モジュールは更に、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む第１バッテリ状態パラメータを送信するように構成される。

第５の態様によれば、コンピュータプログラムを含むコンピュータ読み取り可能記憶媒体が提供される。該コンピュータプログラムがコンピュータ装置上で実行されるときに、該コンピュータ装置内の処理ユニットが、第１の態様又は第１の態様の取り得る実装のうちのいずれかにおける方法を実行することを可能にされる。

第６の態様によれば、コンピュータプログラムを含むコンピュータ読み取り可能記憶媒体が提供される。該コンピュータプログラムがコンピュータ装置上で実行されるときに、該コンピュータ装置内の処理ユニットが、第２の態様又は第２の態様の取り得る実装のうちのいずれかにおける方法を実行することを可能にされる。

第７の態様によれば、コンピュータプログラムを含むコンピュータプログラムプロダクトが提供される。該コンピュータプログラムがコンピュータ装置上で実行されるときに、該コンピュータ装置内の処理ユニットが、第１の態様又は第１の態様の取り得る実装のうちのいずれかにおける方法を実行することを可能にされる。

第８の態様によれば、コンピュータプログラムを含むコンピュータプログラムプロダクトが提供される。該コンピュータプログラムがコンピュータ装置上で実行されるときに、該コンピュータ装置内の処理ユニットが、第２の態様又は第２の態様の取り得る実装のうちのいずれかにおける方法を実行することを可能にされる。

第９の態様によれば、プロセッサ及びメモリを含むチップが提供される。メモリは、コンピュータプログラムを格納するように構成され、プロセッサは、メモリに格納されたコンピュータプログラムを呼び出して実行することで、第１の態様又は第１の態様の取り得る実装のうちのいずれかにおける方法を実行するように構成される。

第１０の態様によれば、プロセッサ及びメモリを含むチップが提供される。メモリは、コンピュータプログラムを格納するように構成され、プロセッサは、メモリに格納されたコンピュータプログラムを呼び出して実行することで、第２の態様又は第２の態様の取り得る実装のうちのいずれかにおける方法を実行するように構成される。

第１１の態様によれば、チップシステムが提供される。当該チップシステムは、少なくとも１つのプロセッサを含み、該少なくとも１つのプロセッサにてプログラム命令が実行されるときに、該少なくとも１つのプロセッサが、上述のバッテリ検出方法を実行することを可能にされる。

従来技術におけるバッテリ検出方法の概略図である。 この出願の一実施形態に従ったシステムアーキテクチャの構成の概略図である。 この出願の一実施形態に従った、畳み込みニューラルネットワークモデルに基づいてバッテリ検出を実行することの概略図である。 この出願の一実施形態に従ったチップのハードウェア構成の概略図である。 この出願の一実施形態に従ったバッテリ検出方法の概略図である。 この出願の一実施形態に従った他のバッテリ検出方法の概略図である。 この出願の一実施形態に従ったバッテリ故障検出原理の概略図である。 この出願の一実施形態に従ったシステムアーキテクチャの概略図である。 この出願の一実施形態に従ったモジュール間のインタラクションの概略図である。 この出願の一実施形態に従ったバッテリ検出装置の概略図である。 この出願の一実施形態に従った他のバッテリ検出装置の概略図である。

以下、添付の図面を参照して、この出願の技術的ソリューションを説明する。

この出願の実施形態は、電気自動車のバッテリ故障検出に使用されることができ、あるいは、例えば電動自転車などの、パワーバッテリによって駆動される様々な対象物のバッテリ故障検出に使用されることができる。

バッテリの内部短絡の程度を判定し、バッテリの熱暴走によって生じる損失を低減させるために、従来技術は、電圧に基づいてバッテリの内部短絡を検出する方法を提供している。図１に示すように、その方法においては、バッテリ管理システム（battery management system、ＢＭＳ）がバッテリパック内の各バッテリの端子電圧を収集し、該端子電圧を平均電圧と比較する。端子電圧と平均電圧との間のずれが安全閾値より大きい場合に、バッテリが安全上のリスクを有すると判定される。従来技術における電圧を用いてバッテリを検出する方法では、最小二乗法が必要とされず、このことは、ハードウェア装置についてのバッテリ検出方法の要件を低減させる。

しかしながら、その方法では、バッテリの端子電圧は、バッテリ内部抵抗に関係するだけでなく、他の様々な要因による影響も容易に受ける。結果として、この方法の正確さは比較的低く、誤判定が容易に起こる。

この出願はバッテリ検出方法を提供する。この方法においては、トレーニングによって得られた故障モデルを含むサービスシステムにバッテリの状態パラメータを入力して、障害度を取得し、該障害度を車載装置及び／又は端末装置に送信することで、バッテリの故障リスクを正確に評価することができ、バッテリ故障によって生じる損失を低減させることができるようになる。

この出願の実施形態はニューラルネットワークの大規模適用に関係するため、理解を容易にするために、以下にて先ず、この出願の実施形態で使用され得るニューラルネットワークに関連する用語及び概念を説明する。

（１）ニューラルネットワーク
ニューラルネットワークはニューロンを含むことができる。ニューロンは、入力としてｘ_ｓと１の切片とを使用する演算ユニットとし得る。該演算ユニットの出力は以下とし得る：

ここで、ｓ＝１，２，…，ｎであり、ｎは１より大きい自然数であり、Ｗ_ｓはｘ_ｓの重みを表し、Ｗ及びｘはどちらもベクトルであり、ｂはニューロンのバイアスを表し、ｆはニューロンの活性化関数（activation function）を表し、活性化関数は、ニューロン内の入力信号を出力信号に変換すべくニューラルネットワークに非線形性を導入するために使用される。活性化関数の出力信号を次の畳み込み層への入力として使用することができ、活性化関数はシグモイド関数とし得る。ニューラルネットワークは、複数の単一ニューロンを共に接続することによって構成されるネットワークである。具体的には、あるニューロンの出力が別のニューロンに入力され得る。各ニューロンへの入力が、前の層の局所的な受容野に接続されて、局所的な受容野の特徴を抽出し得る。局所的な受容野は幾つかのニューロンを含む領域とし得る。

（２）ディープニューラルネットワーク
ディープニューラルネットワーク（deep neural network、ＤＮＮ）は多層ニューラルネットワークとも呼ばれ、複数の隠れ層を持つニューラルネットワークとして理解され得る。様々な層の位置に基づいて、ＤＮＮ内部のニューラルネットワーク層は、入力層、隠れ層、及び出力層という３つのタイプに分類され得る。通常、最初の層が入力層であり、最後の層が出力層であり、それらの間のいずれの層も隠れ層である。層は完全に接続される。具体的には、ｉ番目の層のいずれかのニューロンが必ず（ｉ＋１）番目の層のいずれかのニューロンに接続される。

ＤＮＮは複雑に見えるが、ＤＮＮの各層での作業は実際には複雑でなく、単純に次の線形関係式：

として表される。ここで、

は入力ベクトルであり（以下、入力ベクトルｘと表記）、

は出力ベクトルであり（以下、出力ベクトルｙと表記）、

はオフセットベクトルであり（以下、オフセットベクトルｂと表記）、Ｗは重み行列（係数とも呼ばれる）であり、α（）は活性化関数である。各層にて、入力ベクトルｘに対してこのような単純な演算を行うことによって、出力ベクトルｙが得られる。多数のＤＮＮ層が存在するので、係数Ｗ及びオフセットベクトルｂも多数存在する。ＤＮＮにおけるこれらのパラメータの定義は以下の通りであり、係数Ｗを例として用いる。３つの層を持つＤＮＮにおいて、第２層の第４ニューロンから第３層の第２ニューロンへの線形係数がＷ^３ _２４として定義されるとする。上付きの３は、その係数が位置する層を示し、下付き文字は出力第３層インデックス２と入力第２層インデックス４に対応する。

要するに、第（Ｌ－１）層の第ｋニューロンから第Ｌ層の第ｊニューロンへの係数がＷ^Ｌ _ｊｋとして定義される。

なお、入力層にはパラメータＷは存在しない。ディープニューラルネットワークでは、もっと多くの隠れ層で、現実世界の複雑なケースを記述することが更に可能なネットワークを作り出す。理論的には、より多くのパラメータを持つモデルは、より高い複雑さ及びより大きい“キャパシティ”を持つ。これが意味することは、そのモデルは、より複雑な学習タスクを完了できるということである。ディープニューラルネットワークのトレーニングは、重み行列を学習するプロセスであり、トレーニングの最終的な目的は、トレーニングされるディープニューラルネットワークの全ての層の重み行列（多数の層のベクトルによって形成される重み行列）を得ることである。

（３）畳み込みニューラルネットワーク
畳み込みニューラルネットワーク（convolutional neural network、ＣＮＮ）は、畳み込み構造を持つディープニューラルネットワークである。畳み込みニューラルネットワークは、畳み込み層とサブサンプリング層とを含む特徴抽出器を含み、特徴抽出器はフィルタと見なし得る。畳み込み層は、畳み込みニューラルネットワークにおいて入力信号を畳み込むニューロン層である。畳み込みニューラルネットワークの畳み込み層では、１つのニューロンが隣接層のニューロンの一部のみに接続され得る。畳み込み層は通常、幾つかの特徴プレーンを含み、各特徴プレーンが長方形に配置された幾つかのニューロンを含み得る。同一の特徴プレーンのニューロンは重みを共有し、ここで共有される重みは畳み込みカーネルである。重みの共有は、位置によって画像情報が抽出されないことと理解され得る。畳み込みカーネルはランダムなサイズの行列の形式で初期化され得る。畳み込みニューラルネットワークのトレーニング過程にて、学習を通じて畳み込みカーネルに対する適切な重みが取得され得る。また、重みを共有することは、畳み込みニューラルネットワークの層間の接続が減少し、オーバーフィッティングのリスクが減少するという利点を有する。

（４）再帰型ニューラルネットワーク
再帰型ニューラルネットワーク（recurrent neural network、ＲＮＮ）は、シーケンスデータを処理するのに使用される。従来のニューラルネットワークモデルでは、入力層から隠れ層へと、そして出力層へと、層同士が完全に接続されるが、各層のノード同士は接続されない。この一般的なニューラルネットワークは多くの問題を解くが、多くの他の問題については依然として不十分である。例えば、文章内の次の単語を予測するには、通常は前の単語を使用する必要がある。何故なら、文内の隣接する単語は無関係ではないからである。再帰型ニューラルネットワークを略してＲＮＮがこのように名付けられた理由は、シーケンスの現在の出力が、そのシーケンスの以前の出力にも関係しているためである。明確な形態で表現すると、ネットワークが以前の情報を記憶し、以前の情報を現在の出力の計算に適用するということになる。具体的には、隠れ層のノード同士が接続され、隠れ層への入力は、入力層の出力を含むだけでなく、前の時点の隠れ層の出力も含む。理論的には、ＲＮＮは任意の長さのシーケンスデータを処理することができる。ＲＮＮのトレーニングは、従来のＣＮＮやＤＮＮのトレーニングと同じである。

畳み込みニューラルネットワークが存在する場合に再帰型ニューラルネットワークが必要とされる理由は単純である。畳み込みニューラルネットワークでは、例えば猫と犬のように、要素は互いに独立であり且つ入力と出力も独立であるという前提がある。しかし、現実世界では多くの要素が相互に結びついている。例えば、ストックは時間とともに変化する。他の一例として、ある人物が“私は旅行好きでして、最もお気に入りの場所は雲南でして、私は将来、機会があれば、・・・に行くつもりです”と言っているとする。ここでは、人には省略記号が“雲南”を表していることが分かるはずである。それは何故なら、人は文脈から推論を行うことができるからであるが、機械はどのようにしてこれを行うことができるであろうか？ということで、ＲＮＮが浮上する。ＲＮＮは、機械を人間のように記憶できるものにすることを意図している。従って、ＲＮＮの出力は、現在の入力情報と履歴として記憶した情報とに依存する必要がある。

（５）損失関数
ディープニューラルネットワークのトレーニングの過程では、ディープニューラルネットワークの出力を、予測されることが期待されるものに可能な限り近づけるために、現在のネットワークの予測値と期待される目標値とを比較することができ、予測値と目標値との間の差に基づいてニューラルネットワークの各層の重みベクトルが更新される（確かなことには、通常は最初の更新の前に初期化プロセスがあり、具体的には、ディープニューラルネットワークの全ての層に対してパラメータが事前設定される）。例えば、ネットワークの予測値が大きい場合、予測値を小さくするように重みベクトルが調整され、ディープニューラルネットワークが、期待される目標値を又は期待される目標値に非常に近い値を予測することができるまで、調節が継続的に行われる。従って、“比較を通じて予測値と目標値との間の差をどのようにして得るか”を、予め定める必要がある。これが損失関数（loss function）又は目的関数（objective function）である。損失関数及び目的関数は、予測値と目標値との間の差を測定するのに使用される重要な式である。例として損失関数を用いる。損失関数の大きめの出力値（loss）は大きめの差を示す。従って、ディープニューラルネットワークのトレーニングは、ｌｏｓｓを可能な限り最小化するプロセスである。

（６）逆伝播アルゴリズム
トレーニング過程において、ニューラルネットワークは、ニューラルネットワークモデルの再構成誤差損失がますます小さくなるように、誤差逆伝播（back propagation、ＢＰ）アルゴリズムを用いることによって当初のニューラルネットワークモデルのパラメータの値を修正し得る。具体的には、入力信号から出力への順方向パスを行って誤差損失を発生する一方で、誤差損失を収束させるように、誤差損失についての情報の逆伝播を通じてニューラルネットワークモデルのパラメータが更新される。逆伝播アルゴリズムは、主に誤差損失に依存する逆伝播動作であり、例えば重み行列といった最適なニューラルネットワークモデルのパラメータを得るために使用される。

図２を参照されたい。この出願の一実施形態はシステムアーキテクチャ２００を提供する。図２では、データ収集装置２６０がトレーニングデータを収集するように構成されている。この出願の実施形態におけるバッテリ検出方法では、トレーニングデータは、バッテリ状態パラメータと、バッテリ状態パラメータに対応する障害度とを含み得る。

トレーニングデータを収集した後、データ収集装置２６０はトレーニングデータをデータベース２３０に格納する。トレーニング装置２２０が、データベース２３０にて維持管理されるトレーニングデータのトレーニングを通じて、ターゲットモデル／ルール２０１を取得する。

以下、トレーニングデータに基づいてトレーニング装置２２０によって取得されるターゲットモデル／ルール２０１を説明する。トレーニング装置２２０は、トレーニング装置２２０によって出力される障害度と元の障害度との間の差が特定の閾値未満になるまで、入力バッテリ状態パラメータと元の障害度とを処理し、出力障害度を元の障害度と比較する。斯くして、ターゲットモデル／ルール１０１のトレーニングが完了する。

ターゲットモデル／ルール２０１を用いて、この出願の実施形態におけるバッテリ検出方法を実装することができる。換言すれば、関連する前処理の後、ターゲットモデル／ルール２０１にバッテリ状態パラメータが入力され、障害度の結果が取得される。この出願の実施形態におけるターゲットモデル／ルール２０１は具体的にニューラルネットワークとし得る。なお、実際の適用において、データベース２３０に維持管理されるトレーニングデータは、必ずしも全てがデータ収集装置２６０によって収集されるわけではなく、他の装置から受け取られてもよい。更に留意されたいことには、トレーニング装置２２０は、必ずしも完全に、データベース２３０に維持管理されるトレーニングデータに基づいてターゲットモデル／ルール２０１をトレーニングするのでなくてもよく、クラウド又は他の場所からトレーニングデータを取得してモデルトレーニングを行ってもよい。上述の説明は、この出願の実施形態に対する限定として解釈されるべきでない。

トレーニング装置２２０によるトレーニングを通じて得られたターゲットモデル／ルール２０１は、例えば図２に示す実行装置２１０といった、様々なシステム又は装置で使用され得る。実行装置２１０は、例えば、携帯電話端末、タブレットコンピュータ、ラップトップコンピュータ、拡張現実（augmented reality、ＡＲ）／仮想現実（virtual reality、ＶＲ）端末、車載端末といった、端末であってもよいし、サーバ、クラウド、又はこれらに類するものであってもよい。図２において、実行装置２１０は、外部装置とデータを交換するための入力／出力（input/output、Ｉ／Ｏ）インタフェース２１２を有して構成されている。ユーザは、クライアント装置２４０を用いることによってＩ／Ｏインタフェース２１２にデータを入力し得る。この出願の実施形態において、入力データは、バッテリ状態パラメータと、バッテリ状態パラメータに対応する障害度とを含み得る。

Ｉ／Ｏインタフェース２１２によって受け取られた入力データ（例えば、バッテリ状態パラメータ）に基づいて前処理を実行するように前処理モジュール２１３及び前処理モジュール２１４が構成される。この出願の実施形態では、前処理モジュール２１３又は前処理モジュール２１４が存在しなくてもよく（あるいは１つのみの前処理モジュールが存在してもよく）、入力データを処理するために直接的に計算モジュール２１１が用いられる。

実行装置２１０が入力データに対して前処理を行うプロセス、又は実行装置２１０の計算モジュール２１１が例えば計算などの関連処理を行うプロセスにおいて、実行装置２１０は、対応する処理のためにデータストレージシステム２５０内のデータ、コード、及びこれらに類するものを呼び出すことができ、また、対応する処理を通じて得られたデータ、命令、及びこれらに類するものをデータストレージシステム１５０に格納することができる。

最後に、ユーザに処理結果を提供するために、Ｉ／Ｏインタフェース２１２が、例えば上述の取得した障害度といった処理結果をクライアント装置２４０に返す。

なお、トレーニング装置２２０は、異なるトレーニングデータに基づいて異なるターゲット又は異なるタスクに対応するターゲットモデル／ルール２０１を生成してもよい。それら対応するターゲットモデル／ルール２０１を用いて目的を実現したりタスクを完了したりして、ユーザに必要な結果を提供し得る。

図２に示すケースでは、ユーザが手動で入力データを提供することができ、ユーザはＩ／Ｏインタフェース２１２上で入力データを提供し得る。他のケースでは、クライアント装置２４０が自動で入力データをＩ／Ｏインタフェース２１２に送ってもよい。入力データを自動送信するためにクライアント装置２４０がユーザから許可を得る必要がある場合、ユーザはクライアント装置２４０上で対応する許可を設定し得る。ユーザは、クライアント装置２４０上で、実行装置２１０によって出力された結果を見ることができる。具体的には、ディスプレイ、サウンド、アクション、又はこれらに類するものによって結果が提示され得る。クライアント装置２４０はまた、データ収集端として機能して、図に示すＩ／Ｏインタフェース２１２への入力データ及びＩ／Ｏインタフェース２１２からの出力結果を新たなサンプルデータとして収集し、新たなサンプルデータをデータベース２３０に格納してもよい。確かなことには、それに代えて、クライアント装置１４０は収集を行わなくてもよく、Ｉ／Ｏインタフェース２１２は直接、新たなサンプルデータとして、図に示すＩ／Ｏインタフェース２１２への入力データ及びＩ／Ｏインタフェース２１２からの出力結果をデータベース２３０に格納する。

なお、図２は、この出願の一実施形態に従ったシステムアーキテクチャの概略図に過ぎない。図に示した装置、コンポーネント、モジュール、及びこれらに類するものの間の位置関係は如何なる限定も構成しない。例えば、図２において、データストレージシステム２５０は実行装置２１０に対して外部のメモリであるが、他のケースにおいて、データストレージシステム２５０は代わりに実行装置２１０内に配置されてもよい。

図２に示すように、ターゲットモデル／ルール２０１は、トレーニング装置２２０によるトレーニングを通じて得られる。ターゲットモデル／ルール２０１は、この出願の実施形態においてニューラルネットワークとし得る。具体的には、この出願の実施形態で提供されるニューラルネットワークは、ＣＮＮ、ディープ畳み込みニューラルネットワーク（deep convolutional neural network、ＤＣＮＮ）、再帰型ニューラルネットワーク（recurrent neural network、ＲＮＮ）、又はこれらに類するものとし得る。

ＣＮＮは非常に一般的なニューラルネットワークであるので、ＣＮＮの構造について、図３を参照して詳細に後述する。上述の基本概念の説明にて述べたように、畳み込みニューラルネットワークは畳み込み構造を持つディープニューラルネットワークであり、ディープラーニング（deep learning）アーキテクチャである。ディープラーニングアーキテクチャは、機械学習アルゴリズムを用いることによって、複数の異なる抽象レベルでマルチレベル学習を実行する。ディープラーニングアーキテクチャとして、ＣＮＮはフィードフォワード（feed-forward）人工ニューラルネットワークであり、フィードフォワード人工ニューラルネットワーク内の各ニューロンは、フィードフォワード人工ニューラルネットワークへの画像入力に応答することができる。

図３に示すように、畳み込みニューラルネットワーク（ＣＮＮ）３００は、入力層３１０、畳み込み層／プーリング層３２０（プーリング層はオプションである）、及びニューラルネットワーク層３３０を含み得る。以下、これらの層を詳細に説明する。

畳み込み層／プーリング層３２０
図３に示すように、例えば、畳み込み層／プーリング層３２０は層３２１－３２６を含み得る。例えば、一実装において、層３２１は畳み込み層であり、層３２２はプーリング層であり、層３２３は畳み込み層であり、層３２４はプーリング層であり、層３２５は畳み込み層であり、層３２６はプーリング層である。他の一実装において、層３２１及び層３２２は畳み込み層であり、層３２３はプーリング層であり、層３２４及び層３２５は畳み込み層であり、層３２６はプーリング層である。具体的には、畳み込み層の出力は、後続のプーリング層への入力として使用されることもあれば、畳み込み演算を続けるために別の畳み込み層への入力として使用されることもある。

以下では、例として畳み込み層３２１を用いて、１つの畳み込み層の内部動作原理を説明する。

畳み込み層３２１は複数の畳み込み演算子を含み得る。畳み込み演算子はカーネルとも呼ばれる。バッテリ検出において、畳み込み演算子は、例えば入力バッテリ状態パラメータなどの情報から特定の情報を抽出するフィルタとして機能する。畳み込み演算子は基本的に重み行列とすることができ、重み行列は通常、予め定義されている。バッテリ状態パラメータに対して畳み込み演算を実行するプロセスにおいて、重み行列は通常、入力バッテリ状態パラメータのデータを１つずつ処理して、バッテリ状態パラメータから特定の特徴を抽出する。重み行列のサイズは、バッテリ状態パラメータの値に関連付けられるべきである。なお、重み行列の深さ寸法（depth dimension）は、入力バッテリ状態パラメータの深さ寸法と同じである。畳み込み演算において、重み行列は入力バッテリ状態パラメータの深さ全体まで延びる。従って、単一深さ寸法の畳み込み出力が、単一の重み行列との畳み込みを通じて生成される。しかしながら、殆どのケースで、単一の重み行列が使用されるのではなく、同じサイズ（行×列）の複数の重み行列、すなわち、同じ寸法の複数の重み行列が適用される。複数の重み行列の出力が積み重ねられて、ある深さ寸法の畳み込みバッテリ状態パラメータを形成する。ここでの寸法は、上記“複数”に基づいて決定されるものと理解し得る。複数の異なる重み行列を用いて、バッテリ状態パラメータから複数の異なる特徴を抽出し得る。例えば、１つの重み行列を用いて放電電圧データを抽出し、別の１つの重み行列を用いて放電電流データを抽出し、更に別の重み行列を用いて充電温度データを抽出する。

これらの重み行列の重み値は、実際の適用中に多くのトレーニングを通じて得る必要がある。畳み込みニューラルネットワーク３００が正しい予測を行うことを可能にするため、トレーニングを通じて得られた重み値を用いて形成された各重み行列を使用して、入力バッテリ状態パラメータから情報を抽出し得る。

畳み込みニューラルネットワーク３００が複数の畳み込み層を持つ場合、最初の畳み込み層（例えば、３２１）で、通常、比較的大量の一般的特徴が抽出される。一般的特徴は、低水準特徴と呼ばれることもある。畳み込みニューラルネットワーク３００の深さが増すにつれて、後続の畳み込み層（例えば、３２６）で抽出される特徴は、より複雑な、例えば高水準セマンティック特徴になる。より高いセマンティクスを持つ特徴ほど、解くべき問題にいっそう適用可能である。

プーリング層
通常はトレーニングパラメータの数量を減らす必要があるので、通常は畳み込み層の後にプーリング層を周期的に導入する必要がある。具体的には、図３に示す層３２０内の層３２１－３２６について、１つの畳み込み層の後に１つのプーリング層が続いてもよいし、複数の畳み込み層の後に１つ以上のプーリング層が続いてもよい。バッテリ検出プロセスにおいて、プーリング層の固有の目的は、バッテリ状態パラメータの空間サイズを小さくすることである。

ニューラルネットワーク層３３０
畳み込み層／プーリング層３２０で行われた処理の後、畳み込みニューラルネットワーク３００は必要な出力情報を出力する準備ができていない。上述のように、畳み込み層／プーリング層３２０では、特徴のみが抽出され、入力状態パラメータから得られるパラメータが減らされる。しかし、最終的な出力情報（必要なクラス情報又は他の関連情報）を生成するには、畳み込みニューラルネットワーク３００は、ニューラルネットワーク層３３０を用いて、１つの必要なクラスの出力、又は一群の必要なクラスの出力を生成する必要がある。従って、ニューラルネットワーク層３３０は、複数の隠れ層（図３に示す３３１及び３３２－３３ｎ）及び出力層３４０を含み得る。複数の隠し層に含まれるパラメータは、特定のタスクタイプの関連トレーニングデータの事前トレーニングを通じて取得され得る。

ニューラルネットワーク層３３０では、複数の隠れ層の後に出力層３４０、すなわち、畳み込みニューラルネットワーク３００全体の最後の層が続く。出力層３４０は、カテゴリカル交差エントロピーと同様の損失関数を持ち、該損失関数は特に予測誤差を計算するために使用される。畳み込みニューラルネットワーク３００全体の順伝播（例えば、図３の３１０から３４０の方向への伝播）が完了すると、畳み込みニューラルネットワーク３００の損失、及び出力層を介して畳み込みニューラルネットワーク３００によって出力される結果と理想的な結果との間の誤差を低減させるために、逆伝播（例えば、図３の３４０から３１０の方向への伝播）が開始されて、上述の各層の重み値及びバイアスを更新する。

なお、図３に示す畳み込みニューラルネットワーク３００は、単に、畳み込みニューラルネットワークの一例として用いられている。具体的な適用において、畳み込みニューラルネットワークは代わりに、他のネットワークモデルの形態で存在し得る。

図４は、この出願の一実施形態に従ったチップのハードウェア構成を示しており、当該チップはニューラルネットワーク処理ユニット４０を含んでいる。当該チップは、図２に示した実行装置２１０内に配置されることができ、計算モジュール２１１の計算作業を完了するように構成される。当該チップは代わりに、図２に示したトレーニング装置２２０内に配置されてもよく、トレーニング装置２２０のトレーニング作業を完了してターゲットモデル／ルール２０１を出力するように構成される。図３に示した畳み込みニューラルネットワーク内の層の全てのアルゴリズムが、図４に示すチップに実装され得る。

ニューラルネットワーク処理ユニットＮＰＵ４０はコプロセッサとして機能し、ホストの中央演算処理ユニット（central processing unit、ＣＰＵ）（ホストＣＰＵ）に配置され得る。ホストＣＰＵはタスクを割り当てる。ＮＰＵの中核部分は演算回路４０３であり、コントローラ４０４が演算回路４０３を制御して、メモリ（重みメモリ又は入力メモリ）内のデータを抽出し、演算を実行する。

一部の実装において、演算回路４０３は複数のプロセスエンジン（process engine、ＰＥ）を含む。一部の実装において、演算回路４０３は二次元シストリックアレイである。演算回路４０３は代わりに、一次元シストリックアレイ、又は例えば乗算及び加算などの数学演算を実行可能な他の電子回路であってもよい。一部の実装において、演算回路４０３は汎用マトリクスプロセッサである。

例えば、入力行列Ａ、重み行列Ｂ、及び出力行列Ｃがあると仮定する。この出願のこの実施形態における入力行列Ａはバッテリ状態パラメータの行列とすることができ、この出願のこの実施形態における出力行列は障害度の行列とすることができる。演算回路は、重みメモリ４０２から行列Ｂの対応するデータをフェッチし、該データを当該演算回路内の各ＰＥ上にバッファする。演算回路は、入力メモリ４０１から行列Ａのデータをフェッチし、行列Ｂとの行列演算を実行し、行列の、得られた部分的結果又は得られた最終結果をアキュムレータ（accumulator）４０８に格納する。

演算回路の出力に対して、ベクトル計算ユニット４０７が、例えば、ベクトル乗算、ベクトル加算、指数演算、対数演算、及び値比較といった、更なる処理を実行し得る。例えば、ベクトル計算ユニット４０７は、ニューラルネットワーク内の非畳み込み／非ＦＣ層における例えばプーリング（pooling）、バッチ正規化（batch normalization）、又はローカル応答正規化（local response normalization）などのネットワーク計算を実行するように構成され得る。

一部の実装において、ベクトル計算ユニット４０７は、処理された出力ベクトルをユニファイドメモリ４０６に格納することができる。例えば、ベクトル計算ユニット４０７は、例えば蓄積された値といったベクトル演算回路４０３の出力に対して非線形関数を適用して活性化値を生成し得る。一部の実装において、ベクトル計算ユニット４０７は正規化値、結合値、又はこれらの両方を生成する。一部の実装において、処理された出力ベクトルは、例えばニューラルネットワークの後続層での使用のために、演算回路４０３への活性化入力として使用されることができる。

ユニファイドメモリ４０６は、入力データ及び出力データを格納するように構成される。

重みデータについて、外部メモリ内の入力データを入力メモリ４０１及び／又はユニファイドメモリ４０６に転送するため、外部メモリ内の重みデータを重みメモリ４０２に格納するため、及びユニファイドメモリ４０６内のデータを外部メモリに格納するために、ダイレクトメモリアクセスコントローラ（direct memory access controller、ＤＭＡＣ）４０５が使用される。

バスインタフェースユニット（bus interface unit、ＢＩＵ）４１０が、バスを用いて、ホストＣＰＵ、ＤＭＡＣ、及び命令フェッチバッファ４０９の間のインタラクションを実現するように構成される。

コントローラ４０４に接続された命令フェッチバッファ（instruction fetch buffer）４０９が、コントローラ４０４によって使用される命令を格納するように構成される。

コントローラ４０４は、命令フェッチバッファ４０９にバッファされた命令を呼び出し、演算アクセラレータの作業プロセスを制御するように構成される。

入口：ここでのデータは、例えば、検出された車速、障害物までの距離、及びこれらに類するものといった、実際の発明に従った記述データとして記述され得る。

通常、ユニファイドメモリ４０６、入力メモリ４０１、重みメモリ４０２、及び命令フェッチバッファ４０９は各々、オンチップ（On-Chip）メモリである。外部メモリは、ＮＰＵの外部のメモリである。外部メモリは、ダブルデータレート同期ダイナミックランダムアクセスメモリ（double data rate synchronous dynamic random access memory、ＤＤＲ ＳＤＲＡＭ）、高帯域幅メモリ（high bandwidth memory、ＨＢＭ）、又は他の読み書き可能且つ書き込み可能なメモリとし得る。

図３に示した畳み込みニューラルネットワーク内の様々な層での演算は、演算回路４０３又はベクトル計算ユニット４０７によって実行され得る。

図５は、この出願の一実施形態に従ったバッテリ検出方法の概略図である。図５に示すように、当該方法はステップＳ５１０－Ｓ５３０を含む。以下これら３つのステップを詳細に説明する。

Ｓ５１０：サービスシステムが、バッテリの第１バッテリ状態パラメータを取得する。

オプションで、サービスシステムは、車載システムにメッセージを送信することによって、バッテリの第１バッテリ状態パラメータを送信するように車載システムに要求することができ、あるいは、サービスシステムは、以前に保存されたバッテリ状態データをストレージモジュールから呼び出すことができる。

理解されるべきことには、この出願のこの実施形態における車載システムは、車両バッテリの状態パラメータを取得することができる。バッテリ状態パラメータは、走行距離、現在のバッテリＳＯＣ、再充電可能バッテリ温度、時間、放電電圧、放電電流、バッテリモデル、及びこれらに類するものを含み得る。

Ｓ５２０：サービスシステムが、第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定する。

理解されるべきことには、第１障害度を得た後に、サービスシステムは、検出結果を装置上で表示してもよく、表示形態は音声、テキスト、又はこれらに類するものとし得る。

一実施形態において、第１障害度は、現在のバッテリ状態の障害度を示し、故障モデルは、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、該第２障害度は、同じ仕様のバッテリの、第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む。

理解されるべきことには、バッテリ故障は漸進的プロセスである。例えば、バッテリ故障は、初期内部短絡、中期内部短絡、後期内部短絡（熱暴走）の３つのフェーズに分けられ得る。各フェーズにおいて、バッテリの電気的特徴（例えば電圧及び電流など）及び熱的特徴（温度）は異なる。例えば、後期内部短絡では電圧が失われ、熱が急激に発生される。リチウムイオンバッテリの場合、明らかな自己発熱があるかどうかと、セパレータ故障温度に達しているかどうかとに基づいて、３つのフェーズに分けることができる。これら３つのフェーズは、異なる障害度（例えば３０％と８０％など）に対応する。バッテリ故障フェーズの分割は、この出願において限定されることではない。

オプションで、第２バッテリ状態パラメータは、同じ仕様の実際のバッテリの、取得された試験データとし得る。この場合、異なるフェーズに対応するバッテリ障害度に基づいて、第２障害度は、バッテリが正常に動作しているときに実際に記録された、第２バッテリ状態パラメータに対応する障害度であることができ、あるいは、バッテリが故障したときに実際に記録された障害度であることができる。代わりに、試験データは、実験室環境で車両バッテリに対して動作条件模擬試験を行って得られた試験データであってもよい。例えば、放電温度とバッテリの負荷を設定して放電試験を行い、そして、バッテリの例えば放電電圧、温度、及び内部抵抗などの試験値を記録する。この場合、第２障害度は、模擬試験でバッテリが正常に動作しているときに記録された障害度であることができ、あるいは、模擬試験でバッテリが故障したときに記録された障害度データであることができる。

バッテリの障害度は、バッテリ状態パラメータを故障モデルに入力することによって取得され、それ故に、バッテリ故障リスクを正確に評価することができ、バッテリの熱暴走によって生じる人的負傷及び財産損失が減る。

一実施形態において、故障モデルはアルゴリズムトレーニングを通じて取得され、そのプロセスは、第２バッテリ状態パラメータをオリジナルモデルに入力して第３障害度を取得し、第３障害度と第２障害度との間のずれが所定範囲に収まるように、オリジナルモデルのパラメータを調節し、調節を経たオリジナルモデルを故障モデルとして使用することを含む。オプションで、上述の故障モデルは、図２に示したシステムから取得され得る。

理解されるべきことには、オリジナルモデルを用いて得られた第３障害度が、実試験を通じて得られたバッテリの第２障害度と比較され、第３障害度と第２障害度との間のずれが所定範囲内に制御されることで、実状にいっそう即した故障モデルを得ることができ、バッテリ故障検出の精度を向上させることができる。

オプションで、この出願のこの実施形態における故障モデルは、トレーニングを通じてリモートサービスによって取得されてもよいし、他の装置から取得されてもよい。

オプションで、第１バッテリ状態パラメータに含まれるパラメータに加えて、サービスシステムは更に、バッテリ内部抵抗に基づいてバッテリの障害度を検出し得る。具体的には、第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定することは具体的に、第１バッテリ状態パラメータに含まれる放電電圧、放電電流、及び充電温度のうちの少なくとも１つのパラメータに基づいてバッテリ内部抵抗を決定することを含み、バッテリ内部抵抗を用いて第１障害度を決定する。

理解されるべきことには、バッテリ内部抵抗は、フィルタリング法を用いることによって取得されてもよい。この方法は従来技術によって達成されることができ、この出願のこの実施形態において詳細を説明することはしない。

オプションで、この出願のこの実施形態におけるサービスシステムは、車載装置及び／又は端末装置によって送信された要求メッセージを受信した後にバッテリを検出してもよい。具体的には、第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定する前に、当該方法は更に、バッテリを検出することを要求するために使用される第３メッセージを受信することを含む。オプションで、サービスシステムは、第１バッテリ状態パラメータを取得する前に第３メッセージを取得してもよいし、当該サービスシステムが状態パラメータ及び故障モデルに基づいて障害度を決定する前に第３メッセージを取得してもよい。

車載装置及び／又は端末装置によって送信された要求メッセージを受信した後にバッテリを検出することで、いつでもバッテリを検出したいというユーザの要求を満たすことができ、ユーザ体験を向上させることができる。

理解されるべきことには、この出願のこの実施形態におけるサービスシステムは車両内に配置され得る。あるいは、パワーバッテリを使用する車両又は他の対象物がハードウェア要件を満たすことができない場合、オプションで、この出願のこの実施形態におけるサービスシステムは、車両又は他の対象物とは独立したリモートサービスシステムであってもよい。

Ｓ５３０：サービスシステムが、第１障害度を含む第１メッセージを送信する。

一実施形態において、第１障害度を取得した後に、サービスシステムは第１障害度を送信し得る。オプションで、サービスシステムは、当該サービスシステムが属する車両の車載装置に第１障害度を送信することができ、あるいは、端末装置（例えば、携帯電話、又は端末装置上のアプリケーションＡＰＰ）に第１障害度を送信することができ、あるいは、メーカーサービスセンタにメッセージを送信し、該メッセージをリモートサーバ上の他のアプリケーションモジュールと共有することができる。

一実施形態において、サービスシステムは更にリマインダメッセージを送信してもよい。具体的には、第１障害度が所定の第１閾値以上である場合に、サービスシステムは、バッテリが故障リスクを有することを示すために使用される第２メッセージを送信し得る。オプションで、第２メッセージは、例えばバッテリを修理又は交換することをユーザに思い出させる警告メッセージを含むことができ、あるいは、例えば車両を減速又は停止させることを強制する強制的措置をとることを車両に指示するために使用されるメッセージを含むことができる。

検出結果が車載装置、端末装置、モバイルアプリ、又はこれらに類するものに送信されることで、ユーザは現在のバッテリ障害状態を特定することができる。ユーザは、ユーザの要求に基づいて、例えば車両バッテリの修理といった対応する処置を講じることができる。さらに、障害度が閾値を超えている場合に警告が送信され、その結果、ユーザの人的負傷及び財産の安全を更に確保することができる。

オプションで、サービスシステムはまた、所定の時間に基づいてバッテリの内部短絡検出を実行してもよい。具体的には、第１メッセージを送信することは具体的に、第１バッテリ状態パラメータが取得されてから第１の所定時間内に第１メッセージを送信することを含む。

サービスシステムに所定の時間が設定されており、その結果、サービスシステムは車載装置又は端末装置に定期的なバッテリ検出情報を送信して、ユーザ体験を向上させるとともに、バッテリ故障によって生じる損失を減らすことができる。

図６は、この出願の一実施形態に従った他のバッテリ検出方法の概略図である。図６に示すように、当該方法はステップＳ６１０及びＳ６２０を含む。以下、これら２つのステップを詳細に説明する。

Ｓ６１０：バッテリを検出することを要求するために使用される第１メッセージを送信する。

Ｓ６２０：第１障害度を含む第２メッセージを受信する。

一実施形態において、第１障害度は、バッテリの、第１バッテリ状態パラメータに対応する障害度を示すために使用され、故障モデルが、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、第２障害度は、同じ仕様のバッテリの、第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む、
オプションで、第１メッセージは車載装置、端末装置、端末装置内のモバイルＡＰＰ、又はこれらに類するものによって送信され得る。これは、この出願のこの実施形態において限定されることではない。

一実施形態において、車載装置又は端末装置又はアプリケーションＡＰＰは、リマインダメッセージを受信し得る。具体的には、車載装置又は端末装置又はアプリケーションＡＰＰは、バッテリが故障リスクを有することを示すために使用される第３メッセージを受信し、該第３メッセージは、第１障害度が第１閾値以上である場合にサービスシステム又は端末装置によって送信される。

オプションで、第１メッセージが車載装置によって送信される場合、第３メッセージは、強制減速又は強制駐車のような強制的措置をとるように車載装置に指示するために使用されることができ、あるいは、第３メッセージは、できるだけ早くバッテリを修理又は交換することをユーザに思い出させるために使用されることができる。

オプションで、車載装置又は端末装置又はアプリケーションＡＰＰは、第２メッセージ又は第３メッセージを表示してもよく、例えば、第２メッセージ又は第３メッセージを表示画面上に又は音声によって表示し得る。具体的には、第２メッセージ及び／又は第３メッセージは表示装置を用いて表示される。

オプションで、バッテリ検出を実行することをサービスシステムに要求する前に、車載装置はバッテリ状態パラメータをサービスシステムに送信し得る。具体的には、車載装置は、第１バッテリ状態パラメータを送信し、該第１バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む。

その他のステップは、図５におけるものと同じであり、この出願のこの実施形態において詳細を再び説明することはしない。

図７は、この出願の一実施形態に従ったバッテリ故障検出原理の概略図である。図７に示すように、この概略図は主に、バッテリ状態パラメータ取得部、故障モデル部、及び結果出力部を含んでいる。

バッテリ状態パラメータ取得部は、バッテリ状態パラメータ及び内部抵抗推定を含み得る。バッテリ状態パラメータは、放電電圧、放電電流、現在充電温度、及び他の状態パラメータを含み得る。バッテリ状態パラメータは車載システムによってサービスシステムに送信される。サービスシステムは、車載システムに要求を送信することによって状態パラメータを取得することができ、あるいはオプションで、サービスシステムは、ストレージモジュールから、格納されたバッテリ状態パラメータを呼び出すことができる。サービスシステムは、これらの状態パラメータをバッテリ検出のために故障モデルに入力し得る。オプションで、故障モデルに入力されるバッテリ状態パラメータは更にバッテリ内部抵抗を含み得る。具体的には、サービスシステムは、上述のバッテリ状態パラメータのうちの少なくとも１つに基づいて、状態推定アルゴリズムに従って現在のバッテリ内部抵抗を取得し得る。状態推定アルゴリズムは、カルマンフィルタリング、ベイジアンフィルタリング、隠れマルコフモデル（hidden Markov model、ＨＭＭ）、又はバッテリ内部抵抗を推定するための他のアルゴリズムとし得る。状態推定アルゴリズムに従ってバッテリ内部抵抗値を得る方法は、従来技術によって達成されることができ、この出願において詳細を説明することはしない。

故障モデル部は、試験バッテリデータを取得することを含み得る。ここでの試験バッテリデータは代わりに、この出願の上述の実施形態における第２バッテリ状態パラメータであってもよい。試験バッテリデータは、実バッテリの取得された試験データとすることができ、あるいは、試験データは、実験室環境で車両バッテリに対して動作条件模擬試験を行った後に取得された試験データであってもよい。例えば、バッテリの放電温度及び負荷を設定して放電試験が行われ、例えば放電電圧、温度、及びバッテリ内部抵抗などの試験値が記録される。故障モデル部は更に故障モデル推定を含み得る。具体的には、サービスシステムのアルゴリズムモジュールが、上述の試験データに基づいて、例えばニューラルネットワーク、長短期記憶（long short-term memory、ＬＳＴＭ）、ランダムフォレスト、及びＨＭＭなどのアルゴリズムに従って、バッテリ放電状態パラメータに関する故障モデルを構築し得る。例えば、故障モデルは、図２又は図３に示したニューラルネットワークを使用することによって取得されることができ、バッテリ障害度閾値が取得される。

次いで、サービスシステムは、バッテリ状態パラメータ及び故障モデルに基づいてバッテリ検出結果を出力し得る。また、障害度閾値に基づいて警告メッセージが送信され得る。

バッテリ内部抵抗値を含む複数のリアルタイムバッテリ状態パラメータを用い、且つトレーニングを通じて得られた故障モデルに基づいて、バッテリ障害度を取得することで、バッテリ故障リスクを正確に評価することができ、バッテリ故障によって生じる損失を減らすことができる。

図８は、この出願の一実施形態に従ったシステムアーキテクチャの概略図である。図８に示すように、この出願のこの実施形態におけるシステムアーキテクチャは、サービスシステム８１０及び車載システム８２０を含み得る。

車載システム８２０は、バッテリ関連データ（以下に限られないが、走行距離、現在のバッテリＳＯＣ、バッテリ温度、時間、放電電圧、放電電流、バッテリの型式、及びこれらに類するものを含む）を収集し、該データを指定プロトコルでサービスシステムに送信し得る。車載システム８２０は、データ収集モジュール、データ報告モジュール、サービス要求モジュール、及びデータ表示モジュールを含み得る。

サービスシステム８１０は３つの層を含み得る。１つめの層は、データ収集モジュール、データ処理モジュール、及びデータストレージモジュールを含み得る。２つめの層は、データ分析モジュール、アルゴリズムモジュール、及び故障モデルモジュールを含み得る。３つめの層は、バッテリ障害検出アプリケーションモジュールを含み得る。

サービスシステム８１０は、以下の機能を有し得る。バッテリデータを受信した後、サービスシステムはデータパケットを解析し、そして、車両識別番号又は他の識別子に基づいて分類ストレージを行う。試験バッテリデータに基づき、サービスシステムは、アルゴリズムモジュールを用いて、アルゴリズムに基づいて、関連する故障モデルを生成し、該モデルを故障モデルモジュールに格納し得る。サービスシステムは、車載システム、端末装置、又は例えば携帯電話アプリケーションＡＰＰといった他のアプリケーションによって送信された検出要求を受信し、指定されたバッテリに対して内部短絡検出を実行し得る。サービスシステムは、検出結果を、関連する車載システム、端末装置（例えば携帯電話又はモバイルＡＰＰなど）、又はデータ表示のための他のアプリケーションサービスに送信し得る。オプションで、該データは、音声、テキスト、又はこれらに類するものにおって表示され得る。オプションで、サービスシステム８１０は、車両内に配置されてもよいし、車両とは独立したリモートサービスシステムであってもよい。車両とは独立したリモートサービスシステムにサービスシステムを置くことは、サービスシステムのハードウェア要件が比較的高いという問題を解消することができる。

バッテリ障害検出アプリケーションモジュールは更に、情報交換モジュール及び内部短絡検出モジュールを含み得る。

図９は、この出願の一実施形態に従ったモジュール間のインタラクションの概略図である。図９に示すように、Ｓ９１０：情報交換モジュールが、車両又は端末装置によって送信されたバッテリ検出サービス要求を受信する。Ｓ９２０：内部短絡検出モジュールがサービス要求を受信する。

Ｓ９３０：内部短絡検出モジュールが、情報交換モジュールからの検出指示を受信し、データ分析モジュールを呼び出してバッテリデータを取得する。内部短絡検出モジュールは、例えば、放電電圧データ、放電電流データ、又は充電温度データといった、検出する必要があるバッテリ放電特徴タイプを設定し得る。データ分析モジュールが現在のバッテリ状態パラメータを取得する。オプションで、サービスシステムは、最新のバッテリデータを取得するためのメッセージを送信することができ、あるいは、サービスシステムは、ストレージモジュールから、格納されたバッテリ状態データを取得することができる。理解されるべきことには、ストレージモジュールに格納された車両バッテリデータは、複数種類のデータを含み得るが、内部短絡検出には数種類の特定のデータのみが必要とされ得る。この場合、データ分析モジュールは、内部短絡検出モジュールによって設定されたバッテリ状態パラメータタイプに基づいて状態パラメータを抽出し、バッテリ検出に必要な状態パラメータのみを抽出し得る。オプションで、サービスシステムが車載システムとは独立である場合、サービスシステムは複数の対象物のサービス要求を受信し得る。この場合、データ分析モジュールは、先ず、検出する必要がある車両を特定し、次いで、その車両のバッテリのバッテリ状態パラメータを取得し得る。オプションで、検出されるバッテリデータがバッテリ内部抵抗を含む場合、データストレージモジュールは更に、ステータス推定アルゴリズムを使用することによって、例えば、放電電圧データ、放電電流データ、及び放電温度データのうちの少なくとも１つといった、取得したバッテリデータに基づいて、バッテリ内部抵抗を取得し得る。

Ｓ９４０：障害モジュールが、処理を通じてデータ分析モジュールによって取得された状態パラメータを受信する。Ｓ９５０：障害モジュールが、バッテリ状態パラメータに基づいて検出を実行し、現在の状態でのバッテリ障害度を取得し、該バッテリ障害度を情報交換モジュールに返す。Ｓ９６０：情報交換モジュールが、検出結果を車両、端末装置、又は携帯電話ＡＰＰに返す。オプションで、検出結果における障害度が程度閾値を超えている場合に、情報交換モジュールは更に警告メッセージを送信することができ、警告メッセージは、修理を促すもの、減速を促すもの、駐車を促すもの、又はこれらに類するものを含み得る。オプションで、情報交換モジュールは更に、障害結果を、使用のために、例えばメーカーサービスセンタといった他の関連サービスに送信し得る。

図１０は、この出願の一実施形態に従ったバッテリ検出装置の概略図である。図１０に示すように、装置１０００は、第１取得モジュール１００１、第１処理モジュール１００２、及び第１送信モジュール１００３を含んでいる。装置１０００は、上述の方法実施形態のうちのいずれかにおけるバッテリ検出機能を実装するように構成され得る。例えば、装置１０００はサービスシステムとし得る。ネットワーク要素又はネットワーク機能は、ハードウェア装置のネットワーク要素であってもよいし、専用ハードウェア上で走るソフトウェア機能であってもよいし、プラットフォーム（例えば、クラウドプラットフォーム）上でインスタンス化される仮想化機能であってもよい。

装置１０００をサービスシステムとして使用することで、バッテリを検出し、上述の方法実施形態においてサービスシステムによって行われるステップを実行し得る。第１受信モジュール１００１及び第１送信モジュール１００３は、例えば図５及び図６においてサービスシステムによって行われる送信／受信アクションを実行するなど、装置１０００が通信を行うのを支援するように構成され得る。第１処理モジュール１００２は、例えば図５及び図６においてサービスシステムによって行われる処理アクションを実行するなど、上述の方法における処理アクションを装置１０００が実行するのを支援するように構成され得る。具体的には以下の説明を参照されたい。

第１取得モジュール１００１は、バッテリの第１バッテリ状態パラメータを取得するように構成される。第１処理モジュール１００２は、第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定するように構成され、該第１障害度は、バッテリの、第１バッテリ状態パラメータに対応する障害度を示すために使用され、故障モデルは、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、該第２障害度は、同じ仕様のバッテリの、第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む。第１送信モジュール１００３は、第１障害度を含む第１メッセージを送信するように構成される。

オプションで、処理モジュールは具体的に、第１バッテリ状態パラメータが含む放電電圧、放電電流、及び充電温度のうちの少なくとも１つのパラメータに基づいてバッテリ内部抵抗を決定し、該バッテリ内部抵抗を用いて第１障害度を決定するように構成される。

オプションで、第１送信モジュールは更に、第１障害度が所定の第１閾値以上である場合に第２メッセージを送信するように構成され、該第２メッセージは、バッテリが故障リスクを有することを示すために使用される。

オプションで、当該装置は更に、バッテリを検出することを要求するために使用される第３メッセージを受信するように構成された第１受信モジュール、を含む。

オプションで、第１送信モジュールは具体的に、第１バッテリ状態パラメータが取得されてから第１所定時間内に第１メッセージを送信するように構成される。

オプションで、第１処理モジュールは更に、第２バッテリ状態パラメータをオリジナルモデルに入力して第３障害度を取得し、第３障害度と第２障害度との間のずれが所定範囲に収まるように、オリジナルモデルのパラメータを調節し、調節を経たオリジナルモデルを故障モデルとして使用するように構成される。

図１１は、この出願の一実施形態に従ったバッテリ検出装置の概略図である。図１１に示すように、装置１１００は、第２送信モジュール１１０１及び第２受信モジュール１１０２を含んでいる。装置１１００は、上述の方法実施形態のうちのいずれかにおけるバッテリ検出機能を実装するように構成され得る。

装置１１００をサービスシステムとして使用することで、バッテリを検出し、上述の方法実施形態において車載装置によって行われるステップを実行し得る。第２送信モジュール１１０１及び第２受信モジュール１１０２は、例えば図５及び図６において車載装置によって行われる送信／受信アクションを実行するなど、装置１１００が通信を行うのを支援するように構成され得る。処理モジュール１１０３は、例えば図５及び図６において車載装置によって行われる処理アクションを実行するなど、上述の方法における処理アクションを装置１１００が実行するのを支援するように構成され得る。具体的には以下の説明を参照されたい。

第２送信モジュール１１０１は、バッテリを検出することを要求するために使用される第１メッセージを送信するように構成される。第２受信モジュール１１０２は、第１障害度を含む第２メッセージを受信するように構成され、該第１障害度は、バッテリの、第１バッテリ状態パラメータに対応する障害度を示すために使用され、故障モデルが、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、該第２障害度は、同じ仕様のバッテリの、第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む。

オプションで、第２受信モジュールは更に、バッテリが故障リスクを有することを示すために使用される第３メッセージを受信するように構成され、該第３メッセージは、第１障害度が第１閾値以上である場合にサービスシステム又は端末装置によって送信される。

オプションで、当該装置は更に、第３メッセージに基づいて強制的行動をとるように構成された第２処理モジュール、を含む。

オプションで、当該装置は更に、表示装置を用いて第２メッセージ及び／又は第３メッセージを表示するように構成された表示モジュール、を含む。

オプションで、第２送信モジュールは更に、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む第１バッテリ状態パラメータを送信するように構成される。

当業者が認識し得ることには、この明細書に開示された実施形態を参照して説明された例におけるユニット及びアルゴリズムステップは、エレクトロニクスハードウェア又はコンピュータソフトウェアとエレクトロニクスハードウェアとの組み合わせによって実装され得る。機能がハードウェアによって実行されるのか、それともコンピュータソフトウェアによって実行されるのかは、これらの技術的ソリューションの具体的な用途及び設計制約条件に依存する。当業者は、記載された機能を、具体的な用途ごとに異なる方法を用いて実装し得るが、それらの実装はこの出願の範囲を超えるものであると見なされるべきでない。

当業者によって明確に理解されるべきことには、簡便で簡潔な説明のため、前述のシステム、装置、及びユニットの詳細な動作プロセスについては、前述の方法実施形態における対応するプロセスを参照されたく、詳細をここで再び説明することはしない。

この出願で提供される幾つかの実施形態において、理解されるべきことには、開示されたシステム、装置、及び方法は、他の方式で実装されてもよい。例えば、上述の装置実施形態は単なる例である。例えば、ユニットの分割は、単なる論理機能分割であり、実際の実装においては別の分割であってもよい。例えば、複数のユニット又はコンポーネントが他のシステムへと結合又は統合されてもよいし、あるいは、一部の機構が無視されたり実行されなかったりしてもよい。また、図示又は説明された相互の結合、直接的な結合、又は通信接続は、何らかのインタフェースを用いて実装されてもよい。装置又はユニット間の間接的な結合又は通信接続は、電気的な形態、機械的な形態、又は他の形態で実装されてもよい。

別々の部分として記載されたユニットは、物理的に分離されてもよいし、されなくてもよく、また、ユニットとして図示された部分は、物理的なユニットであってよいし、なくてもよく、１つの位置に置かれてもよく、あるいは、複数のネットワークユニット上に分散されてもよい。ユニットの一部又は全てが、実施形態のソリューションの目的を達成するための実際の要求に基づいて選択され得る。

また、この出願の実施形態における複数の機能ユニットが１つの処理ユニットへと統合されてもよく、それらのユニットの各々が物理的に単独で存在してもよく、あるいは、２つ以上のユニットが１つのユニットへと統合される。

機能がソフトウェア機能ユニットの形態で実装されて、独立したプロダクトとして販売又は使用される場合、それらの機能はコンピュータ読み取り可能記憶媒体に格納され得る。このような理解に基づき、この出願の技術的ソリューションは本質的に、又は従来技術に寄与する部分は、又は技術的ソリューションの一部は、ソフトウェアプロダクトの形態で実装され得る。コンピュータソフトウェアプロダクトは、記憶媒体に記憶され、この出願の実施形態に記載された方法におけるステップの全て又は一部を実行するようにコンピュータ装置（これは、パーソナルコンピュータ、サーバ、ネットワーク装置、又はこれらに類するものとし得る）に指示するための幾つかの命令を含む。前述の記憶媒体は、例えば、ＵＳＢフラッシュドライブ、リムーバブルハードディスク、読み出し専用メモリ（read-only memory，ＲＯＭ）、ランダムアクセスメモリ（random access memory，ＲＡＭ）、磁気ディスク、又はコンパクトディスクなどの、プログラムコードを格納することができる任意の媒体を含む。

以上の説明は、単にこの出願の特定の実装であり、この出願の保護範囲を限定する意図ではない。この出願にて開示された技術範囲内で当業者が容易に考え付く如何なる変更又は置換もこの出願の保護範囲に入るものである。従って、この出願の保護範囲は請求項の保護範囲に従うものである。

Claims (23)

1. バッテリ検出方法であって、
   バッテリの第１バッテリ状態パラメータを取得するステップと、
   前記第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定するステップであり、該第１障害度は、前記バッテリの、前記第１バッテリ状態パラメータに対応する障害度を示すために使用され、前記故障モデルは、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、該第２障害度は、同じ仕様のバッテリの、前記第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む、ステップと、
   前記第１障害度を含む第１メッセージを送信するステップと、
   を有する方法。
2. 前記第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定する前記ステップは具体的に、
   前記第１バッテリ状態パラメータが含む前記放電電圧、前記放電電流、及び前記充電温度のうちの少なくとも１つのパラメータに基づいてバッテリ内部抵抗を決定し、該バッテリ内部抵抗を用いて前記第１障害度を決定する、
   ことを有する、請求項１に記載の方法。
3. 前記第１障害度が所定の第１閾値以上である場合に第２メッセージを送信するステップであり、該第２メッセージは、前記バッテリが故障リスクを有することを示すために使用される、ステップ、
   を更に有する請求項１又は２に記載の方法。
4. 前記第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定する前記ステップの前に、
   前記バッテリを検出することを要求するために使用される第３メッセージを受信するステップ、
   を更に有する請求項１乃至３のいずれか一項に記載の方法。
5. 第１メッセージを送信する前記ステップは具体的に、
   前記第１バッテリ状態パラメータが取得されてから第１所定時間内に前記第１メッセージを送信する、
   ことを有する、請求項１乃至４のいずれか一項に記載の方法。
6. 前記第２バッテリ状態パラメータをオリジナルモデルに入力して第３障害度を取得するステップと、
   前記第３障害度と前記第２障害度との間のずれが所定範囲に収まるように、前記オリジナルモデルのパラメータを調節するステップと、
   前記調節を経た前記オリジナルモデルを前記故障モデルとして使用するステップと、
   を更に有する請求項１乃至５のいずれか一項に記載の方法。
7. バッテリ検出方法であって、
   バッテリを検出することを要求するために使用される第１メッセージを送信するステップと、
   第１障害度を含む第２メッセージを受信するステップであり、該第１障害度は、前記バッテリの、第１バッテリ状態パラメータに対応する障害度を示すために使用され、故障モデルが、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、該第２障害度は、同じ仕様のバッテリの、前記第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む、ステップと、
   を有する方法。
8. 前記バッテリが故障リスクを有することを示すために使用される第３メッセージを受信するステップであり、該第３メッセージは、前記第１障害度が第１閾値以上である場合にサービスシステム又は端末装置によって送信される、ステップ、
   を更に有する請求項７に記載の方法。
9. 前記第３メッセージに基づいて強制的行動をとるステップ、
   を更に有する請求項８に記載の方法。
10. 表示装置を用いて前記第２メッセージ及び／又は前記第３メッセージを表示するステップ、
    を更に有する請求項９に記載の方法。
11. 前記放電電圧、前記放電電流、及び前記充電温度のうちの少なくとも１つを含む前記第１バッテリ状態パラメータを送信するステップ、
    を更に有する請求項７乃至１０のいずれか一項に記載の方法。
12. バッテリ検出装置であって、
    バッテリの第１バッテリ状態パラメータを取得するように構成された第１取得モジュールと、
    前記第１バッテリ状態パラメータ及び故障モデルに基づいて第１障害度を決定するように構成された第１処理モジュールであり、該第１障害度は、前記バッテリの、前記第１バッテリ状態パラメータに対応する障害度を示すために使用され、前記故障モデルは、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、該第２障害度は、同じ仕様のバッテリの、前記第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む、第１処理モジュールと、
    前記第１障害度を含む第１メッセージを送信するように構成された第１送信モジュールと、
    を有する装置。
13. 前記第１処理モジュールは具体的に、
    前記第１バッテリ状態パラメータが含む前記放電電圧、前記放電電流、及び前記充電温度のうちの少なくとも１つのパラメータに基づいてバッテリ内部抵抗を決定し、該バッテリ内部抵抗を用いて前記第１障害度を決定する、
    ように構成される、請求項１２に記載の装置。
14. 前記第１送信モジュールは更に、
    前記第１障害度が所定の第１閾値以上である場合に第２メッセージを送信し、該第２メッセージは、前記バッテリが故障リスクを有することを示すために使用される、
    ように構成される、請求項１２又は１３に記載の装置。
15. 前記バッテリを検出することを要求するために使用される第３メッセージを受信するように構成された第１受信モジュール、
    を更に有する請求項１２乃至１４のいずれか一項に記載の装置。
16. 前記第１送信モジュールは具体的に、
    前記第１バッテリ状態パラメータが取得されてから第１所定時間内に前記第１メッセージを送信する、
    ように構成される、請求項１２乃至１５のいずれか一項に記載の装置。
17. 前記第１処理モジュールは更に、
    前記第２バッテリ状態パラメータをオリジナルモデルに入力して第３障害度を取得し、
    前記第３障害度と前記第２障害度との間のずれが所定範囲に収まるように、前記オリジナルモデルのパラメータを調節し、
    前記調節を経た前記オリジナルモデルを前記故障モデルとして使用する、
    ように構成される、請求項１２乃至１６のいずれか一項に記載の装置。
18. バッテリ検出装置であって、
    バッテリを検出することを要求するために使用される第１メッセージを送信するように構成された第２送信モジュールと、
    第１障害度を含む第２メッセージを受信するように構成された第２受信モジュールであり、該第１障害度は、前記バッテリの、第１バッテリ状態パラメータに対応する障害度を示すために使用され、故障モデルが、第２バッテリ状態パラメータ及び第２障害度に基づくトレーニングによって取得され、該第２障害度は、同じ仕様のバッテリの、前記第２バッテリ状態パラメータに対応する、検出された障害度であり、バッテリ状態パラメータは、以下のパラメータのうちの少なくとも１つ、すなわち、放電電圧、放電電流、及び充電温度のうちの少なくとも１つを含む、第２受信モジュールと、
    を有する装置。
19. 前記第２受信モジュールは更に、
    前記バッテリが故障リスクを有することを示すために使用される第３メッセージを受信し、該第３メッセージは、前記第１障害度が第１閾値以上である場合にサービスシステム又は端末装置によって送信される、
    ように構成される、請求項１８に記載の装置。
20. 前記第３メッセージに基づいて強制的行動をとるように構成された第２処理モジュール、
    を更に有する請求項１９に記載の装置。
21. 表示装置を用いて前記第２メッセージ及び／又は前記第３メッセージを表示するように構成された表示モジュール、
    を更に有する請求項２０に記載の装置。
22. 前記第２送信モジュールは更に、
    前記放電電圧、前記放電電流、及び前記充電温度のうちの少なくとも１つを含む前記第１バッテリ状態パラメータを送信する、
    ように構成される、請求項１８乃至２１のいずれか一項に記載の装置。
23. 少なくとも１つのプロセッサを有するチップシステムであって、前記少なくとも１つのプロセッサにてプログラム命令が実行されるときに、前記少なくとも１つのプロセッサが、請求項１乃至１１のいずれか一項に記載のバッテリ検出方法を実行することを可能にされる、チップシステム。

Images