WO2023286650A1 - 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル - Google Patents

電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル Download PDF

Info

Publication number
WO2023286650A1
WO2023286650A1 PCT/JP2022/026605 JP2022026605W WO2023286650A1 WO 2023286650 A1 WO2023286650 A1 WO 2023286650A1 JP 2022026605 W JP2022026605 W JP 2022026605W WO 2023286650 A1 WO2023286650 A1 WO 2023286650A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
module
training
data
input data
Prior art date
Application number
PCT/JP2022/026605
Other languages
English (en)
French (fr)
Inventor
九廷 陳
源 連
天奇 黄
Original Assignee
恒林日本株式会社
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 恒林日本株式会社 filed Critical 恒林日本株式会社
Priority to JP2023534591A priority Critical patent/JP7423119B2/ja
Publication of WO2023286650A1 publication Critical patent/WO2023286650A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • 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

Definitions

  • the present invention relates to the field of storage battery technology, and more specifically, the present invention relates to a verification method, device, device, medium, and battery deterioration estimation calculation model for a battery deterioration estimation device.
  • a trained model generated by machine learning has a very high value.
  • such widespread use of trained models has increased the possibility that the trained models will be used without permission by third parties. Therefore, whether the creator of the learning program is a trained model obtained based on the learning program created by himself (hereinafter referred to as “learning program” and “trained model” obtained based on it) are simply referred to as “models” without distinguishing between them).
  • One of the main purposes of the present invention is to allow model creators to more easily identify the models they have created.
  • the technical issue to be resolved is to make it easier for model creators to identify the models they have created.
  • the present invention provides a verification device for a battery deterioration estimation device including a model generation device and a data processing device
  • the model generation device is a training data storage module for storing training data; a training data acquisition module for reading training data from the training data storage module for model training; a model training module for performing model training using the training data read by the training data acquisition module to obtain a battery deterioration estimation calculation model; a first model storage module for storing the battery deterioration estimation calculation model obtained by training by the model training module; a model transmission module for transmitting the battery deterioration estimation calculation model trained by the model training module; the training data storage module, the training data acquisition module, the model training module, the first model storage module and the model transmission module are connected in this order;
  • the data processing device is a model parameter acquisition module for reading the battery deterioration estimation calculation model transmitted by the model transmission module; a second model storage module for storing the model acquired by the model parameter acquisition module; an input data acquisition module for acquiring and storing input data
  • model training parameter training module for training parameters for model training in the model training module.
  • model training parameter training module is used to train the parameters in the model training module using deep learning models, machine learning models and/or linear regression analysis methods.
  • the deep learning model includes a deep neural network, a convolutional neural network, a recurrent neural network, a recursive neural network, a long-short-term memory network and/or a bidirectional long-short-term memory network, to achieve the above technical problems.
  • the present invention can further provide a verification method for a battery deterioration estimation device applied to the above device, the method comprising: obtaining input data of a measurement object using the input data obtaining module to read a model stored in the second model storage module; inputting the input data into a model to perform a battery deterioration estimation test; a step of outputting the result of the battery deterioration estimation test by an output data generation module; a step of determining whether the model for the current battery degradation estimation test has been generated and acquired through training by the model generation device, based on the test results output by the output data generation module; including.
  • the input data includes test results of at least one parameter representing the state to be measured, and has a plurality of input elements.
  • the output data includes output results of a plurality of output elements, wherein the plurality of output elements are current or future estimates and/or not used as parameters of input data that can represent a measured state. Requires including at least one data type of future estimates to be used as parameters of the input data.
  • the result of the output data is verified within the predetermined range. be the output data.
  • the present invention provides a computer storage medium storing a computer program, wherein when the computer program is executed by a processor, steps corresponding to the verification method for the above deterioration estimation apparatus are provided. can further be provided for computer storage media used to implement
  • the present invention provides an electronic device comprising a memory, a processor and a computer program stored in the memory and executed by the processor, wherein when the processor executes the computer program, the above Further provided is an electronic device in which steps corresponding to the verification method of the deterioration estimating device are implemented.
  • the present invention provides a battery degradation estimation calculation model trained using predetermined training data, wherein the predetermined training data is obtained when input data and output data are normal. from the first training data, which is a set of numerical values that appear in , and the second training data, which are numerical values that do not appear when the input data is normal, and whose output data is a value within a preset range
  • a configured battery deterioration estimation calculation model can be further provided.
  • FIG. 1 is an exemplary explanatory diagram of a usage environment of a model generation device and a data processing device related to an embodiment
  • FIG. FIG. 4 is an exemplary diagram of the functional structure of the model generation device
  • 4 is a schematic diagram of training data stored in a training data storage unit
  • FIG. 10 is an explanatory diagram of a first specific example of second training data
  • FIG. 11 is an explanatory diagram of a second specific example of second training data
  • FIG. 11 is an explanatory diagram of a third specific example of second training data
  • FIG. 11 is an explanatory diagram of a fourth specific example of second training data
  • FIG. 2 is an exemplary diagram of the functional structure of the data processing device; It is a flowchart of Example 2 of this invention.
  • FIG. 4 is a structural schematic diagram of Embodiment 4 of the present invention.
  • the present invention provides a verification device for a deterioration estimation device including a model generation device 10 and a data processing device 20,
  • the model generation device 10 a training data storage module for storing training data; a training data acquisition module for reading training data from the training data storage module for model training; a model training module for performing model training using the training data read by the training data acquisition module to obtain a battery deterioration estimation calculation model; a first model storage module for storing the battery deterioration estimation calculation model obtained by training by the model training module; a model transmission module for transmitting the battery deterioration estimation calculation model trained by the model training module; the training data storage module, the training data acquisition module, the model training module, the first model storage module and the model transmission module are connected in this order;
  • the data processing device 20 a model parameter acquisition module for reading the battery deterioration estimation calculation model transmitted by the model transmission module; a second model storage module for storing the model acquired by the model parameter acquisition module; an input data acquisition module for acquiring and storing input data
  • the input data is test index data of the state of the measurement target 30, and includes at least part of a plurality of test indices.
  • the output data is data representing the current or future state of the measuring object 30 .
  • the output data may be a current or future estimate of a plurality of test indicators of the measurand 30 that is not data in the input data portion, and a future value of at least one indicator of the measurand 30. It may be an estimated value. In the latter case, indices contained in the output data may appear in the input data.
  • the plurality of indicators included in the input data are at least one of the storage battery's output voltage, output current, and temperature, for example.
  • the target object and index are not limited to this.
  • the output data includes at least one of, for example, the remaining capacity (unit: Ah), state of charge (SOC), and state of health (SOH) of the measurement object 30, At least one of output voltage, output current, and temperature should be included.
  • the measurement target 30 is a storage battery
  • a part of the functions of the data processing device 20 may be used as a BMS (battery management system) for the measurement target 30 .
  • one data processing device 20 is connected to a plurality of measurement targets 30 to perform processing on the plurality of measurement targets 30 .
  • the measurement object 30 When the measurement object 30 is a storage battery, the measurement object 30 supplies power to equipment, and the equipment can be a vehicle such as an electric vehicle, for example. However, if the measuring object 30 is a household storage battery, the equipment is an electrical appliance for similar purposes such as a household appliance, and in this case the measuring object 30 is provided outside the equipment. Note that the measurement object 30 may be connected to the system power supply net, in which case the measurement object 30 is used to equalize the amount of power supplied. Specifically, when there is a remaining amount of power in the device, the power is stored, and when the power in the device is insufficient, power is supplied.
  • the model generator 10 generates and updates at least one model used by the data processor 20 by machine learning, such as neural networks.
  • FIG. 2 is an example of the functional structure of the model generation device 10.
  • FIG. 2 is an example of the functional structure of the model generation device 10.
  • the model generation device 10 is a training data storage module 110 used to store training data; a training data acquisition module 120 for reading training data from the training data storage module for model training; a model training module 130 for performing model training using the training data read by the training data acquisition module to obtain a battery deterioration estimation calculation model; a first model storage module 140 for storing the battery deterioration estimation calculation model obtained by training by the model training module; a model transmission module 150 for transmitting the battery deterioration estimation calculation model after training by the model training module;
  • the training data storage module 110, the training data acquisition module 120, the model training module 130, the first model storage module 140 and the model transmission module 150 are connected in this order.
  • the training data acquisition module 120 acquires multiple training data
  • the model training module 130 performs machine learning on the multiple training data acquired by the training data acquisition module 120 to generate a model.
  • the model training module 130 can generate multiple different models using multiple machine learning algorithms (eg, long short-term memory (LSTM), deep neural network (DNN), linear regression (LR), etc.).
  • Training data acquisition module 120 acquires training data from training data storage module 110 .
  • Training data storage module 110 may be part of model generator 10 or may be located external to model generator 10 .
  • the model generated by the model training module 130 is stored in the first model storage module 140, after which the model transmission module 150 transmits the model stored in the first model storage module 140 to the data processing device 20.
  • both the first model storage module 140 and the model transmission unit are part of the model generation device 10 .
  • the first model storage module 140 and the model transmission module 150 may be installed outside the model generation device 10 .
  • FIG. 3 is an exemplary illustration of training data stored in the training data storage module 110.
  • the training data includes first training data and second training data.
  • Both the first training data and the second training data include a plurality of elements of input data (hereinafter referred to as input elements).
  • the input data is, for example, a matrix sequence, and the input elements are various elements that make up the matrix.
  • the various elements that make up the rows or columns of the matrix sequence may be test results for the measurand 30 at one point in time, with the matrix sequence representing test results for the measurand 30 at different points in time.
  • Both the first training data and the second training data include a plurality of elements of output data (hereinafter referred to as output elements).
  • the output data is, for example, a matrix sequence, and the output elements are the various elements that make up the matrix.
  • the first training data is used to improve model accuracy
  • the second training data is used to help model builders more easily identify their models.
  • All input elements of the input data of the first training data (hereinafter referred to as first input data) take values within the acquisition range deemed appropriate.
  • All the output elements of the output data of the first training data (hereinafter referred to as first output data) also take values within the range of possible values considered appropriate.
  • the input data and output data of the first training data are numerical values that appear when normal, and the first training data are often data obtained by actual tests on the measurement object 30. . Therefore, the output data of the first training data usually correspond to matching input data in many cases.
  • the value of the specific input element of the input data of the second training data exists outside the range deemed appropriate and within the preset range.
  • the value of the specific output element of the output data of the second training data (hereinafter referred to as second output data) is within a preset range.
  • the value of the specific input element referred to here is, for example, compared with an interval outside the range of values that the object to be measured 30 can take in a normal state.
  • the possible values under operating conditions are in the normal range, and the specific input element values are the possible values outside this normal range.
  • verification input data After training the model using the second training data, input data (hereinafter referred to as verification input data), the specific output element output by the model is output data having a value within a preset range (hereinafter referred to as verification output data).
  • verification output data The combination of verification input data and verification output data is a characteristic representation of this model. Therefore, the creator of the model can verify whether or not the model is created by him/herself by inputting verification input data into the model.
  • the verification input data and the verification output data have the same concept as the second input data and the second output data of the second training data.
  • the input elements of the input data include indicators (eg, current, voltage, temperature) that can represent a certain charging/discharging cycle state of the storage battery, and the output elements of the output data are the storage battery.
  • Performance indicator values for example, at least one of parameters such as remaining capacity, SOC, and SOH
  • the value of the specific input element is a value (for example, an abnormal voltage value, an abnormal output current value, an abnormal temperature, etc.) that cannot be obtained with the specification corresponding to this storage battery.
  • the "value that cannot be obtained” is, for example, a voltage value of about twice or more (or ten times or more) the rated voltage, an output current of about two times or more (or ten times or more) of the rated current, and a negative voltage. or any at least one of the following situations, such as the output current being negative during the discharge process.
  • FIG. 4 is an explanatory diagram of a first specific example of the second training data (that is, training input data and training output data).
  • all the input element values of the second input data are the "specific input elements" described above, and the input elements are outside the range considered appropriate (however, within the range preset by the creator).
  • the value of the input element is a value that has more digits than the upper limit of possible values of this element (for example, the number of digits is one or more digits).
  • the modeler may determine the second input data by making special settings for all the input elements, or set a special calculation process for all the input elements of the normal input data. Second input data may be generated. In the latter case, multiple groups of second input data are likely to be generated.
  • the arithmetic process referred to herein may be any type of combination operation, such as multiplication (even with negative coefficients), division, addition, subtraction, or arithmetic operations.
  • all of the output elements may be the above-mentioned "specific output elements", or only some of them may be the "specific output elements".
  • the values of the particular output elements may all lie outside the range considered suitable, or only some may lie outside the range considered suitable.
  • the values of all "specific output elements” should be the values preset by the modeler. Therefore, in the range of the verification output data and all "specific output elements", the value of the output element is the value preset by the creator or a value close to it (that is, the value within the preset error range) should.
  • FIG. 5 is an explanatory diagram of a second specific example of the second training data (that is, verification input data and verification output data).
  • the second output data that is, verification output data
  • the values of some input elements are "specific input elements” and are outside the range considered appropriate (however, the within range) and the rest of the input elements are within the range deemed appropriate.
  • specific examples of "outside the range deemed appropriate" are consistent with the description of FIG.
  • FIG. 6 and 7 are explanatory diagrams of a third specific example of the second training data (that is, verification input data and verification output data).
  • the measurement target 30 is a storage battery.
  • the second output data (that is, verification output data) is the same as in the example of FIG.
  • the second input data (that is, verification input data) is at least one of the first parameters (for example, current, voltage, temperature, etc.) of the measurement object 30 measured at the first time point. ) and the value of the first parameter measured at the second time point.
  • the difference between the value of the first parameter measured at the first time point and the value of the first parameter measured at the second time point is outside the range of magnitude that can be obtained in the interval between the first time point and the second time point. .
  • FIG. 1 An example of the functional structure of the data processing device 20 is as shown in FIG. 1
  • the data processing device 20 is a model parameter acquisition module 210 for reading the battery deterioration estimation calculation model transmitted by the model transmission module; a second model storage module 220 for storing the model acquired by the model parameter acquisition module; an input data acquisition module 230 for acquiring and storing input data associated with the measurement object; an output data generation module 240 for calling the model stored in the second model storage module, reading the input data in the input data acquisition module, calculating and outputting the model;
  • the input data acquisition module 230 includes an input data acquisition sub-module 2301 and an input data storage sub-module 2302
  • the output data generation module 240 includes an output data calculation sub-module 2401 and an output data output sub-module 2402, a display processing module 250 for calling the output data of the output data generation module and processing it to obtain displayable data; a display module 260 for displaying displayable data obtained after processing by the display processing module.
  • the input data is acquired by the input data acquisition module 230.
  • the input data acquisition module 230 acquires input data from a storage battery state detection probe (ammeter, voltmeter, thermometer, etc.).
  • the output data generation module 240 uses the model processing input data generated by the model generation device 10 to generate output data.
  • the output data generation module 240 outputs the verification output data.
  • the creator of the model can input verification data into this device, It can be verified whether or not the model used in this device is the model created by oneself.
  • the model parameter acquisition module 210 acquires a model from the model generation device 10 and stores it in the second model storage module 220.
  • the model parameter acquisition module 210 acquires update parameters (for example, model parameters) from the model generation device 10
  • the model parameters are used to update the model recorded in the second model storage module 220 .
  • Such an update process is preferably operated repeatedly.
  • the display processing module 250 may display the data generated by the output data generation module 240 on the display module 260 .
  • the display module 260 can be provided at a convenient location according to the user's needs. Example 2
  • the present invention can further provide a method for verifying a battery deterioration estimating device applied to the above device, the method including: S201: Obtaining input data of a measurement object using the input data obtaining module to read the model stored in the second model storage module. S202: A step of inputting the input data into the model and performing a battery deterioration estimation test. S203: A step of outputting the result of the battery deterioration estimation test by the output data generation module. S204: Determining whether or not the model for the current battery degradation estimation test is obtained through training by the model generation device, based on the test results output by the output data generation module. .
  • the input data includes test results of at least one parameter representing the state to be measured, and has a plurality of input elements.
  • the output data includes output results of a plurality of output elements, wherein the plurality of output elements are current or future estimates and/or not used as parameters of input data that can represent a measured state. Requires including at least one data type of future estimates to be used as parameters of the input data.
  • the present invention further provides a computer storage medium storing a computer program, the computer storage medium being used for realizing the steps of the above verification method for the deterioration estimation apparatus when the computer program is executed by a processor. can provide.
  • the computer storage medium of the present invention can be implemented using semiconductor memory, magnetic core memory, magnetic drum memory, or magnetic disk memory.
  • MOS complementary metal-oxide-semiconductor
  • bipolar types MOS devices have a high degree of integration and a simple process, but are slow. Bipolar devices are more complicated to process, consume more power, have lower integration, but are faster.
  • MOS memory began to occupy a dominant position in semiconductor memory. NMOS is fast, for example, Intel's 1 Kbit static random memory has an access time of 45 ns.
  • CMOS consumes less power and the access time of 4Kbit CMOS static memory is 300ns. All of the above semiconductor memories are random access memories (RAMs), ie, new contents can be read and written randomly during operation.
  • RAMs random access memories
  • ROM Semiconductor read-only memory
  • ROM is also divided into two types: non-rewritable, fuse-type read-only memory -- PROM and rewritable read-only memory EPROM.
  • Magnetic core memory has low cost, high reliability, and more than 20 years of practical experience. Until the mid-70's, magnetic core memory was widely used as main memory. Its storage capacity can reach more than 10 bits and the fastest access time is 300ns. The typical magnetic core memory capacity in the world is 4MS ⁇ 8MB, and the access cycle is 1.0 ⁇ 1.5 ⁇ s. After the rapid development of semiconductor memory to replace the magnetic core memory as the main memory, the magnetic core memory can still be applied as a large-capacity expansion memory.
  • a magnetic drum memory is an external memory for magnetic recording. Because of its fast information access speed, stable and reliable operation, its capacity is relatively small, and it is gradually being replaced by magnetic disk memory. Used as external memory. In order to meet the demands of small and mini-computers, an ultra-miniature magnetic drum with small volume, light weight, high reliability and convenient use has emerged.
  • a magnetic disk memory is an external memory for magnetic recording. It combines the advantages of magnetic drums and magnetic tape memories, that is, its storage capacity is larger than that of magnetic drums, its access speed is faster than that of magnetic tape memories, and it can be stored offline. It is widely used as a large-capacity external memory. Magnetic disks are generally divided into two types: hard disks and floppy disk memories.
  • a fixed magnetic head type magnetic disk has a small capacity, a low recording density, and a high access speed, but the production cost is high.
  • a movable magnetic head type magnetic disk has a high recording density (1000 to 6250 bits/inch) and thus a large capacity, but its access speed is lower than that of a fixed magnetic head type magnetic disk.
  • the storage capacity of magnetic disk products can reach hundreds of megabytes, with a bit density of 6250 bits/inch and a track density of 475 tracks/inch.
  • the multi-piece removable magnetic disk memory has a combination of disks that can be exchanged, has a large offline capacity, has a large capacity, a high speed, and can store a large amount of information materials, so that it can be used for online information retrieval. Widely applied to systems, database management systems. Example 4
  • the present invention is an electronic device comprising a memory, a processor, and a computer program stored in the memory and executed by the processor, wherein the steps of the verification method for the deterioration estimation device described above are realized when the processor executes the computer program. Further provided is an electronic device comprising:
  • FIG. 10 is a schematic diagram of the internal structure of an electronic device in one example.
  • the electronic device includes a processor, storage medium, memory and network interface connected via a system bus.
  • the storage medium of the computing device stores an operating system, a database and computer readable instructions, the database capable of storing widget information sequences, and the processor executing the computer readable instructions.
  • the processor can implement the verification method of the degradation estimator.
  • the electronic device's processor is used to provide computing and control capabilities and to support the operation of the entire computing device.
  • Computer readable instructions may be stored in the memory of the computing device and, upon execution of the computer readable instructions by the processor, may cause the processor to perform the degradation estimator verification method.
  • a network interface of this computing device is used for connection communication with a terminal.
  • FIG. 10 is only a block diagram of some structures related to aspects of the present application, and does not limit computer devices to which aspects of the present application may be applied.
  • One skilled in the art will appreciate that it may include more or fewer members than those shown, or may be combined with certain members or have a different arrangement of members.
  • This electronic device includes, but is not limited to, smartphones, computers, tablet computers, wearable smart devices, artificial intelligence devices, power banks, etc.
  • the processor may be composed of an integrated circuit, for example, may be composed of a single package integrated circuit, may be composed of a plurality of same or different function package integrated circuits, It includes one or more Central Processing Units (CPUs), microprocessors, digital processing chips, graphics processors and combinations of various control chips.
  • the processor is a control unit of the electronic device, uses various interfaces and circuits to connect each member of the entire electronic device, and programs or modules stored in the memory (for example, It performs various functions of the electronic device and processes data by running or executing programs, such as programs that read and write remote data, and retrieving data stored in the memory.
  • the bus may be a peripheral component interconnect (abbreviated as PCI) bus or an extended industry standard architecture (abbreviated as EISA) bus, or the like.
  • PCI peripheral component interconnect
  • EISA extended industry standard architecture
  • This bus is divided into an address bus, a data bus, a control bus, and the like.
  • the bus is provided for providing connection communication between the memory and at least one processor or the like.
  • FIG. 10 shows only an electronic device having members, and the structure shown in FIG. 10 is not intended to limit said electronic device and may include fewer or more members than those shown in the drawing, or may be combined with certain members. , or have different component arrangements.
  • the electronic device may further include a power source (e.g., battery) for powering each component, preferably the power source is logically connected to the at least one processor via a power management unit.
  • the power management device implements functions such as charge management, discharge management, and power consumption management.
  • the power source may further include optional components such as one or more DC or AC power sources, rechargers, power failure detection circuitry, power converters or inverters, power status indicators, and the like.
  • the electronic device may include multiple sensors, a Bluetooth module, a Wi-Fi module, etc., and will not be described here.
  • the electronic device may further include a network interface, optionally the network interface may include a wired interface and/or a wireless interface (eg, WI-FI interface, Bluetooth interface, etc.), typically It is used to establish communication connections between this electronic device and other electronic devices.
  • a network interface optionally the network interface may include a wired interface and/or a wireless interface (eg, WI-FI interface, Bluetooth interface, etc.), typically It is used to establish communication connections between this electronic device and other electronic devices.
  • the electronic device may further include a user interface
  • the user interface may be a Display
  • an input unit e.g., a keyboard
  • the user interface may include a standard It may be a wired interface or a wireless interface.
  • the display may be an LED display, a liquid crystal display, a touch liquid crystal display, an OLED (Organic Light-Emitting Diode) touch device, and the like.
  • the display which may be appropriately referred to as a display panel or display unit, is used to display processed information in the electronic device and is used to display a visualized user interface.
  • the computer-usable storage medium can mainly include a storage program zone and a storage data zone, where the storage program zone contains an operating system, application programs required for at least one function, etc.
  • the storage data zone can store data, etc. created based on the blockchain node.
  • the disclosed devices, apparatus and methods may be embodied in other forms.
  • the apparatus embodiments described above are exemplary only, e.g., the partitions of the modules are only partitions of logical functions, and other partition forms are possible when actually implemented. .
  • modules described above as separate members may or may not be physically separated, and the members indicated as modules are physical units. It may or may not be a physical unit, ie it may be located in one place or distributed over several network units. Based on actual needs, some or all of the modules may be selected to achieve the purpose of this aspect of the embodiment.
  • Each functional module in each embodiment of the present invention may be integrated into one processing unit, each unit may exist physically independently, and two or more units may be integrated into one processing unit. may be integrated.
  • the above integrated units may be implemented in the form of hardware or in the form of functional modules combining hardware and software.
  • model generation device 20 data processing device 30 measurement object 110 training data storage module 120 training data acquisition module 130 model training module 140 first model storage module 150 model transmission module 210 model parameter acquisition module 220 second model storage module 230 input data acquisition Module 240 Output data generation module 250 Display processing module 260 Display module 2301 Input data acquisition sub-module 2302 Input data storage sub-module 2401 Output data calculation sub-module 2402 Output data output sub-module

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデルに関し、トレーニングデータを格納するためのトレーニングデータ記憶モジュールと、前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うためのトレーニングデータ取得モジュールと、前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池劣化推定計算モデルを取得するモデルトレーニングモジュールと、前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池劣化推定計算モデルを格納するための第１モデル記憶モジュールと、前記モデルトレーニングモジュールがトレーニングを行った後の前記電池劣化推定計算モデルを送信するためのモデル送信モジュールと、を含む、モデル生成装置を含む。

Description

電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル
　本発明は、蓄電池技術分野に関し、より具体的に、本発明は、電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデルに関する。
　機械学習により生成された学習済みモデルは、非常に高い価値を有する。一方、このような学習済みモデルの幅広い使用により、学習済みモデルが第三者に勝手に使用される可能性が増加された。従って、学習用プログラムの作成者は、自分で作成した学習用プログラムを基に得られた学習済みモデルであるか（以下、「学習用プログラム」とこれを基に得られた「学習済みモデル」を特に区別することなく、単に、「モデル」という。）否かを検証できるのが好ましい。
　本発明の主な目的の一つは、モデルの作成者が自分で作成したモデルをより容易に識別できるようにすることである。
　解決すべき技術課題は、モデルの作成者が自分で作成したモデルをより容易に識別できるようにすることである。
　上記の技術課題を実現するために、本発明は、モデル生成装置及びデータ処理装置を含む電池劣化推定装置の検証装置を提供し、
　前記モデル生成装置は、
　トレーニングデータを格納するためのトレーニングデータ記憶モジュールと、
　前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うためのトレーニングデータ取得モジュールと、
　前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池劣化推定計算モデルを取得するためのモデルトレーニングモジュールと、
　前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池劣化推定計算モデルを格納するための第１モデル記憶モジュールと、
　前記モデルトレーニングモジュールがトレーニングを行った後の前記電池劣化推定計算モデルを送信するためのモデル送信モジュールと、を含み、
　前記トレーニングデータ記憶モジュール、前記トレーニングデータ取得モジュール、前記モデルトレーニングモジュール、前記第１モデル記憶モジュール及び前記モデル送信モジュールは、この順に接続されており、
　前記データ処理装置は、
　前記モデル送信モジュールが送信する前記電池劣化推定計算モデルを読み取るためのモデルパラメータ取得モジュールと、
　前記モデルパラメータ取得モジュールが取得したモデルを格納するための第２モデル記憶モジュールと、
　測定対象に関連する入力データを取得して格納するための入力データ取得モジュールと、
　前記第２モデル記憶モジュールに格納されているモデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュールと、
　ここで、前記入力データ取得モジュールは、入力データ取得サブモジュール及び入力データ記憶サブモジュールを含み、
　前記出力データ生成モジュールは、出力データ計算サブモジュール及び出力データ出力サブモジュールを含み、
　前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュールと、
　前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュールと、を含む。
　更に、前記モデルトレーニングモジュールにおけるモデルトレーニングのパラメータをトレーニングするためのモデルトレーニングパラメータのトレーニングモジュールを含む。
　更に、前記モデルトレーニングパラメータのトレーニングモジュールは、深層学習モデル、機械学習モデル及び／又は線形回帰分析方法を使用して前記モデルトレーニングモジュールにおけるパラメータに対してトレーニングを行うために用いられる。
　更に、前記深層学習モデルは、ディープ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、リカレントニューラルネットワーク、リカーシブニューラルネットワーク、長・短期記憶ネットワーク及び／又は双方向の長・短期記憶ネットワークを含み、上記の技術課題を実現するために、本発明は、上記の装置に適用される電池劣化推定装置の検証方法を更に提供でき、前記方法は、
　前記入力データ取得モジュールを使用して測定対象の入力データを取得し、前記第２モデル記憶モジュールに格納されているモデルを読み取るステップと、
　前記入力データをモデルに入力して、電池劣化推定テストを行うステップと、
　前記電池劣化推定テストの結果を出力データ生成モジュールにより出力するステップと、
　前記出力データ生成モジュールにより出力されたテスト結果に基づいて、現在の電池劣化推定テストのモデルが、前記モデル生成装置によりトレーニングを行って生成し取得したものであるか否かを判断するステップと、を含む。
　更に、前記入力データは、測定対象状態を表す少なくとも１つのパラメータのテスト結果を含み、複数の入力要素を有する。
　更に、前記出力データは、複数の出力要素の出力結果を含み、ここで、複数の出力要素は、測定対象状態を表すことができる入力データのパラメータとして使用されない現在又は将来の推定値及び／又は入力データのパラメータとして使用される将来の推定値のうちの少なくとも１つのデータタイプを含むことを必要とする。
　更に、前記入力要素の値の取り得る区間は、一般の入力データの区間範囲外にあり、予定範囲内の検証用データを前記入力データとする場合、前記出力データの結果は予定範囲内の検証出力データになる。
　上記の技術課題を実現するために、本発明は、コンピュータプログラムが格納されているコンピュータ記憶媒体であって、プロセッサによりコンピュータプログラムを実行する際に、上記の劣化推定装置の検証方法に対応するステップを実現するために用いられるコンピュータ記憶媒体を更に提供できる。
　上記の技術課題を実現するために、本発明は、メモリ、プロセッサ及びメモリに格納され且つプロセッサにより実行されるコンピュータプログラムを含む電子デバイスであって、プロセッサがコンピュータプログラムを実行する際に、上記の劣化推定装置の検証方法に対応するステップが実現される電子デバイスを更に提供する。
上記の技術課題を実現するために、本発明は、所定のトレーニングデータを用いてトレーニングされた電池劣化推定計算モデルであって、前記所定のトレーニングデータは、入力データ及び出力データが正常である場合に出現する数値のセットである第１のトレーニングデータと、入力データが正常である場合に出現しない数値であり、かつ、出力データが予め設定した範囲内の値となる第２のトレーニングデータとから構成されている電池劣化推定計算モデルを更に提供できる。
実施形態に関連するモデル生成装置及びデータ処理装置の使用環境の例示的な説明図である。 モデル生成装置の機能構造の例示図である。 トレーニングデータ記憶部に格納されているトレーニングデータの模式図である。 第２トレーニングデータの第１具体例の説明図である。 第２トレーニングデータの第２具体例の説明図である。 第２トレーニングデータの第３具体例の説明図である。 第２トレーニングデータの第４具体例の説明図である。 データ処理装置の機能構造の例示図である。 本発明の実施例２のフローチャートである。 本発明の実施例４の構造模式図である。
　以下、図面を参照して、本発明の実施例を説明する。ただし、理解すべきことは、これらの説明は、例示的なものにすぎず、本発明の範囲を限定するものではない。なお、以下の説明において、本発明の概念に対する不要な混同を回避するために、公知の構造及び技術に対する説明を省略した。
　図面において、本発明の実施例による各構造模式図を示す。これらの図面は比例して描いたものではなく、目的を明確に表現するために、ある細部は拡大し、且つある細部は省略した可能性がある。図に示す各種の領域、層の形状及びそれらの間の相対的な大きさ、位置関係は、例示的なものにすぎず、実際において、製造公差又は技術的制限により差異が発生する可能性があり、且つ当業者は実際の要求に応じて、異なる形状、大きさ、相対位置を有する領域／層を別途設計してもよい。
　実施例１
　図１に示すように、
　本発明は、モデル生成装置１０及びデータ処理装置２０を含む劣化推定装置の検証装置を提供し、
　ここで、前記モデル生成装置１０は、
　トレーニングデータを格納するためのトレーニングデータ記憶モジュールと、
　前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うためのトレーニングデータ取得モジュールと、
　前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池劣化推定計算モデルを取得するためのモデルトレーニングモジュールと、
　前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池劣化推定計算モデルを格納するための第１モデル記憶モジュールと、
　前記モデルトレーニングモジュールがトレーニングを行った後の前記電池劣化推定計算モデルを送信するためのモデル送信モジュールと、を含み、
　前記トレーニングデータ記憶モジュール、前記トレーニングデータ取得モジュール、前記モデルトレーニングモジュール、前記第１モデル記憶モジュール及び前記モデル送信モジュールは、この順に接続されており、
　ここで、前記データ処理装置２０は、
　前記モデル送信モジュールが送信する前記電池劣化推定計算モデルを読み取るためのモデルパラメータ取得モジュールと、
　前記モデルパラメータ取得モジュールが取得したモデルを格納するための第２モデル記憶モジュールと、
　測定対象に関連する入力データを取得して格納するための入力データ取得モジュールと、
　前記第２モデル記憶モジュールに格納されているモデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュールと、
　前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュールと、
　前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュールと、を含む。
　一例として、入力データは、測定対象３０の状態のテスト指標データであり、少なくとも複数のテスト指標における一部を含む。出力データは、測定対象３０の現在又は将来の状態を表すデータである。例えば、出力データは、測定対象３０の複数のテスト指標のうち、入力データ部分におけるデータとされていない現在又は将来の推定値であってもよく、測定対象３０の少なくとも１つの指標の将来値の推定値であってもよい。後者の場合、出力データに含まれる指標が入力データに出現してもよい。
　測定対象３０が蓄電池である場合、入力データに少なくとも含まれる複数の指標は、例えば蓄電池の出力電圧、出力電流、及び温度のうちの少なくとも１つである。ただし、対象物及び指標は、これに限定されない。出力データには、少なくとも、例えば測定対象３０の残容量（単位Ａｈ）、充電率（ＳＯＣ：ｓｔａｔｅ　ｏｆ　ｃｈａｒｇｅ）及び健全性（ＳＯＨ：ｓｔａｔｅ　ｏｆ　ｈｅａｌｔｈ）のうちの少なくとも１つが含まれているが、出力電圧、出力電流、温度のうちの少なくとも１つが含まれていればよい。
　ＳＯＨ＝現在の満充電容量（Ａｈ）／初期の満充電容量（Ａｈ）＊１００％
　なお、測定対象３０が蓄電池である場合、データ処理装置２０の一部の機能を、測定対象３０のＢＭＳ（ｂａｔｔｅｒｙ　ｍａｎａｇｅｍｅｎｔ　ｓｙｓｔｅｍ）として使用してもよい。この図に示す態様の場合、１つのデータ処理装置２０が複数の測定対象３０に接続されることで、複数の測定対象３０に対して処理を実行する。
　測定対象３０が蓄電池である場合、測定対象３０は、機器に給電し、例えば機器は電気自動車等の車両であり得る。ただし、測定対象３０が家庭用蓄電池である場合、機器は家庭電器等の類似の用途の電器であり、この場合、測定対象３０は機器の外部に設けられる。なお、測定対象３０は、システム給電ネットに接続されてもよく、この場合、測定対象３０は供給電量を均等化するために用いられる。具体的には、機器の電量に残量がある場合、電量を蓄え、機器の電量が足りない場合、給電する。
　上記のように、データ処理装置２０は、出力データを生成する際にこのモデルを適用する。モデル生成装置１０は、機械学習、例えばニューラルネットワークによって、データ処理装置２０が使用する少なくとも１種のモデルを生成し更新する。
　図２は、モデル生成装置１０の機能構造の一例である。
　図２に示すように、
　前記モデル生成装置１０は、
　トレーニングデータを格納するために用いられるトレーニングデータ記憶モジュール１１０と、
　前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うためのトレーニングデータ取得モジュール１２０と、
　前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池劣化推定計算モデルを取得するためのモデルトレーニングモジュール１３０と、
　前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池劣化推定計算モデルを格納するための第１モデル記憶モジュール１４０と、
　前記モデルトレーニングモジュールがトレーニングを行った後の前記電池劣化推定計算モデルを送信するためのモデル送信モジュール１５０と、を含み、
　前記トレーニングデータ記憶モジュール１１０、前記トレーニングデータ取得モジュール１２０、前記モデルトレーニングモジュール１３０、前記第１モデル記憶モジュール１４０及び前記モデル送信モジュール１５０は、この順に接続されている。
　トレーニングデータ取得モジュール１２０は複数のトレーニングデータを取得し、モデルトレーニングモジュール１３０はトレーニングデータ取得モジュール１２０により取得された複数のトレーニングデータに対して機械学習を行うことで、モデルを生成する。
　モデルトレーニングモジュール１３０は、複数の機械学習アルゴリズム（例えば、ＬＳＴＭ（ｌｏｎｇ　ｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙ）、ＤＮＮ（ｄｅｅｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ）、ＬＲ（ｌｉｎｅａｒ　ｒｅｇｒｅｓｓｉｏｎ））等により、複数の異なるモデルを生成できる。トレーニングデータ取得モジュール１２０は、トレーニングデータ記憶モジュール１１０からトレーニングデータを取得する。トレーニングデータ記憶モジュール１１０は、モデル生成装置１０の一部であってもよく、モデル生成装置１０の外部に配置されてもよい。
　モデルトレーニングモジュール１３０により生成されたモデルは第１モデル記憶モジュール１４０に保存され、その後に、モデル送信モジュール１５０は第１モデル記憶モジュール１４０に格納されているモデルをデータ処理装置２０に送信する。図に示すように、第１モデル記憶モジュール１４０及びモデル送信部は、いずれもモデル生成装置１０の一部である。ただし、第１モデル記憶モジュール１４０及びモデル送信モジュール１５０は、モデル生成装置１０の外部に設置されてもよい。
　図３は、トレーニングデータ記憶モジュール１１０に格納されているトレーニングデータの例示的な説明である。図３に示すように、トレーニングデータは、第１トレーニングデータ及び第２トレーニングデータを含む。第１トレーニングデータ及び第２トレーニングデータは、いずれも入力データの複数の要素（以下、入力要素と称する）を含む。入力データは、例えばマトリックスシーケンスであり、入力要素は、マトリックスを構成する各種の要素である。マトリックスシーケンスの行又は列を構成する各種の要素は、ある時点での測定対象３０に対するテスト結果であってよく、このとき、マトリックスシーケンスは、異なる時点での測定対象３０に対するテスト結果を表す。なお、第１トレーニングデータ及び第２トレーニングデータは、いずれも出力データの複数の要素（以下、出力要素と記載する）を含む。出力データは、例えばマトリックスシーケンスであり、出力要素は、マトリックスを構成する各種の要素である。第１トレーニングデータはモデル精度を向上させるために用いられ、第２トレーニングデータは、モデル作成者が自分で作成したモデルをより容易に識別できるように支援するために用いられる。
　第１トレーニングデータの入力データ（以下、第１入力データと記載する）の全ての入力要素は、適切と見なされた取得範囲内での値を取る。第１トレーニングデータの出力データ（以下、第１出力データと記載する）の出力要素全部も適切と見なされた取り得る値の範囲内で値を取る。言い換えると、第１トレーニングデータの入力データ及び出力データは、正常である場合に出現する数値であり、且つ第１トレーニングデータは、測定対象３０に対する実際のテストにより取得されたデータである場合が多い。従って、第１トレーニングデータの出力データは、通常、それとマッチングする入力データに対応する場合が多い。
　一方、第２トレーニングデータの入力データ（以下、第２入力データと記載する）の特定入力要素の値は、適切と見なされた範囲外に存在するとともに、予め設定した範囲内に存在する。第２トレーニングデータの出力データ（以下、第２出力データと記載する）の特定出力要素の値は、予め設定した範囲内にある。ここでいう特定入力要素の値は、例えば測定対象３０が正常状態での取り得る値の範囲外の区間と比べたものであり、例えば、測定対象３０が電気機器である場合、それが仕様範囲での運行状態においての取り得る値は正常範囲にあり、特定の入力要素値はこの正常範囲外の取り得る値である。
　第２トレーニングデータを使用してモデルに対してトレーニングを行った後に、入力された特定入力要素が適切と見なされた範囲外且つ予め設定した範囲内で値を取った入力データ（以下、検証用入力データと称する）である場合、モデルが出力する特定出力要素は予め設定した範囲で値を取った出力データ（以下、検証用出力データと称する）である。検証用入力データ及び検証用出力データの組み合わせが、このモデルの特徴的な表現である。従って、モデルの作成者は、検証用入力データをあるモデルに入力することにより、このモデルが自分で作成したモデルであるか否かを検証できる。ここで、検証用入力データ及び検証用出力データは、第２トレーニングデータの第２入力データ及び第２出力データと同じ概念である。
　測定対象３０が蓄電池である場合、入力データの入力要素は、蓄電池のある充放電循環状態を表すことができる指標（例えば電流、電圧、温度）を含み、出力データの出力要素は、この蓄電池の性能の指示数値（例えば残容量、ＳＯＣ、ＳＯＨ等のパラメータのうちの少なくとも１つ）を含み、これらをトレーニング用出力データの目標値とする。なお、特定の入力要素の値は、この蓄電池が対応する仕様で取得できない値（例えば、異常な電圧値、異常な出力電流値、異常な温度等）である。ここで、「取得できない値」は、例えば、電圧値が定格電圧の約２倍以上（或いは１０倍以上）、出力電流が定格電流の約２倍以上（或いは１０倍以上）、電圧が負であり、又は放電過程において出力電流が負である等の状況のうちの任意の少なくとも１つである。
　図４は、第２トレーニングデータ（即ち、トレーニング用入力データ及びトレーニング用出力データ）の第１具体例の説明図である。図に示すように、第２入力データ（即ち、検証用入力データ）の入力要素値全部が以上で説明した「特定入力要素」であり、この入力要素は適切と見なされた範囲外（ただし、作成者が予め設定した範囲内）に存在する。ここで、入力要素の値は、この要素の適切な取り得る値の上限の桁数より多い（例えば、桁数が１桁又は２桁以上多い）値である。
　ここで、モデル作成者は、全ての入力要素に対して特別な設定を行って第２入力データを決めてもよく、正常の入力データの入力要素全部に対して特別な演算過程を設定して第２入力データを生成してもよい。後者の場合、複数のグループの第２入力データが生成されやすい。なお、ここでいう演算過程は、例えば乗算（負の係数の場合も存在する）、除算、加算、減算、又は四則演算等の各タイプの組み合わせ演算であり得る。
　第２出力データ（即ち、検証用出力データ）について、その出力要素は、全てが上記の「特定出力要素」であってもよく、一部のみが「特定出力要素」であってもよい。この２つの場合、特定出力要素の値は、全てが適切と見なされた範囲外に存在してもよく、一部のみが適切と見なされた範囲外に存在してもよい。なお、どの状況においても、全ての「特定出力要素」の値は、いずれもモデル作成者が予め設定した値であるべきである。従って、検証用出力データ及び全ての「特定出力要素」の範囲において、出力要素の値は、作成者が予め設定した値、又はそれに近い値（即ち、予め設定した誤差範囲内の値）であるべきである。
　図５は、第２トレーニングデータ（即ち、検証用入力データ及び検証用出力データ）の第２具体例の説明図である。図に示すように、第２出力データ（即ち、検証用出力データ）は、図４に示す例と同じである。ただし、第２入力データ（即ち、検証用入力データ）のうち、一部の入力要素の値は「特定の入力要素」であり、適切と見なされた範囲外（ただし、作成者が予め設定した範囲内）で値を取り、残りの入力要素は適切と見なされた範囲内にある。ここで、「適切と見なされた範囲外」の具体例は、図４の説明と一致している。
　図６及び図７は、第２トレーニングデータ（即ち、検証用入力データ及び検証用出力データ）の第３具体例の説明図である。図に示すように、測定対象３０は、蓄電池である。なお、第２出力データ（即ち、検証用出力データ）は、図４の例と同じである。
　一方、図７に示すように、第２入力データ（即ち、検証用入力データ）は、第１時点で測定した測定対象３０の第１パラメータ（例えば電流、電圧、温度等のパラメータのうち少なくとも１つ）の値及び第２時点で測定した第１パラメータの値を含む。なお、第１時点で測定した第１パラメータの値と第２時点で測定した第１パラメータの値との差は、第１時点と第２時点との間隔で取得できる大きさの範囲外にある。一例を挙げて説明すると、第１パラメータが電圧である場合、第１時点と第２時点との間隔内で発生できない、電圧が大幅に降下（又は電流が降下）する状況、或いは単なる放電状態にあるのにも関わらず、電圧が異常に上昇（又は出力電流に異常な変動が発生）する状況が発生した。
　データ処理装置２０の機能構造の一例は、図８に示す通りである。
　前記データ処理装置２０は、
　前記モデル送信モジュールが送信する前記電池劣化推定計算モデルを読み取るためのモデルパラメータ取得モジュール２１０と、
　前記モデルパラメータ取得モジュールが取得したモデルを格納するための第２モデル記憶モジュール２２０と、
　測定対象に関連する入力データを取得して格納するための入力データ取得モジュール２３０と、
　前記第２モデル記憶モジュールに格納されているモデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュール２４０と、
　ここで、前記入力データ取得モジュール２３０は、入力データ取得サブモジュール２３０１及び入力データ記憶サブモジュール２３０２を含み、
　前記出力データ生成モジュール２４０は、出力データ計算サブモジュール２４０１及び出力データ出力サブモジュール２４０２を含み、
　前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュール２５０と、
　前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュール２６０と、を含む。
　入力データは、入力データ取得モジュール２３０により取得される。例えば、測定対象３０が蓄電池である場合、入力データ取得モジュール２３０は、蓄電池状態検出プローブ（電流計、電圧計、温度計等）から入力データを取得する。
　出力データ生成モジュール２４０は、モデル生成装置１０により生成されたモデル処理入力データを使用して出力データを発生させる。
　ここで、入力データ取得モジュール２３０で取得されたのが上記の検証用入力データである場合、出力データ生成モジュール２４０は上記の検証用出力データを出力する。この目的を達成するために、データ処理装置２０と異なる装置に、入力データ取得モジュール２３０が使用したモデルを使用しても、モデルの作成者は、この装置に検証用データを入力することで、この装置に使用されているモデルが自分で作成したモデルであるか否かを検証できる。
　モデルパラメータ取得モジュール２１０は、モデル生成装置１０からモデルを取得し、第２モデル記憶モジュール２２０に格納する。モデルパラメータ取得モジュール２１０は、モデル生成装置１０から更新用パラメータ（例えばモデルのパラメータ）を取得する場合、このパラメータを使用して第２モデル記憶モジュール２２０に記録されているモデルを更新する。このような更新処理は、繰り返して操作するのが好適である。
　表示処理モジュール２５０は、出力データ生成モジュール２４０により生成されたデータを表示モジュール２６０に表示してもよい。表示モジュール２６０は、ユーザのニーズに応じて、使用が便利な位置に設けることができる。
　実施例２
　図９に示すように、
　本発明は、上記の装置に適用される電池劣化推定装置の検証方法を更に提供でき、前記方法は、以下を含む。
　Ｓ２０１：前記入力データ取得モジュールを使用して測定対象の入力データを取得し、前記第２モデル記憶モジュールに格納されているモデルを読み取るステップ。
　Ｓ２０２：前記入力データをモデルに入力して、電池劣化推定テストを行うステップ。
　Ｓ２０３：前記電池劣化推定テストの結果を出力データ生成モジュールにより出力するステップ。
　Ｓ２０４：前記出力データ生成モジュールにより出力されたテスト結果に基づいて、現在の電池劣化推定テストのモデルが、前記モデル生成装置によりトレーニングを行って生成し取得したものであるか否かを判断するステップ。
　更に、前記入力データは、測定対象状態を表す少なくとも１つのパラメータのテスト結果を含み、複数の入力要素を有する。
　更に、前記出力データは、複数の出力要素の出力結果を含み、ここで、複数の出力要素は、測定対象状態を表すことができる入力データのパラメータとして使用されない現在又は将来の推定値及び／又は入力データのパラメータとして使用される将来の推定値のうちの少なくとも１つのデータタイプを含むことを必要とする。
　更に、前記入力要素の値の取り得る区間は、一般の入力データの区間範囲外にあり、予定範囲内の検証用データを前記入力データとする場合、前記出力データの結果は予定範囲内の検証出力データになる。
　実施例３
　本発明は、コンピュータプログラムが格納されているコンピュータ記憶媒体であって、プロセッサによりコンピュータプログラムを実行する際に、上記の劣化推定装置の検証方法のステップを実現するために用いられるコンピュータ記憶媒体を更に提供できる。
　本発明のコンピュータ記憶媒体は、半導体メモリ、磁気コアメモリ、磁気ドラムメモリ又は磁気ディスクメモリを採用して実現できる。
　半導体メモリは、主にコンピュータの半導体記憶素子に使用され、主にＭＯＳ及びバイポーラ型の２つがある。ＭＯＳ素子は、集積度が高く、プロセスが簡単であるが、スピードが遅い。バイポーラ型素子は、プロセスが複雑で、電力消費が大きく、集積度が低いが、スピードが速い。ＮＭＯＳ及びＣＭＯＳが出現した後、ＭＯＳメモリが半導体メモリにおいて主要な位置を占め始めた。ＮＭＯＳはスピードが速く、例えばインテル社の１Ｋビットのスタティックランダムメモリのアクセスタイムは４５ｎｓである。ＣＭＯＳは消費電力が少なく、４ＫビットのＣＭＯＳスタティックメモリのアクセスタイムは３００ｎｓである。上記の半導体メモリは、いずれもランダムアクセスメモリ（ＲＡＭ）であり、即ち作業過程において、新たな内容の読み書きをランダムに行うことができる。半導体読み取り専用メモリ（ＲＯＭ）は、作業過程においてランダムに読み取ることができるが、書き込むことができず、これは、固定済みのプログラム及びデータの保存に用いられる。
　ＲＯＭはまた、書き換え不可能なヒューズ式の読み取り専用メモリ──ＰＲＯＭと、書き換え可能な読み取り専用メモリＥＰＲＯＭの２つに分けられる。
　磁気コアメモリは、コストが低く、信頼性が高い特徴を有し、且つ２０年以上の実用経験がある。７０年代半ばまでは、磁気コアメモリが主メモリとして広く使用された。そのストレージ容量は１０ビット以上に達することが可能で、最速のアクセスタイムは３００ｎｓである。世界で代表的な磁気コアメモリ容量は４ＭＳ～８ＭＢであり、アクセスサイクルは１．０～１．５μｓである。半導体メモリが急速に発展して磁気コアメモリの代わりに主メモリとなった後も、磁気コアメモリは、大容量増設メモリとして適用できる。
　磁気ドラムメモリは、磁気記録用の外部メモリである。これは、情報のアクセススピードが速く、作業が安定的で確実であるため、その容量が比較的小さく、徐々に磁気ディスクメモリに置き換わっているが、リアルタイム過程の制御用コンピュータ及び中型、大型コンピュータの外部メモリとして用いられる。小型及びミニコンピュータの需要に適応するために、体積が小さく、軽量で、信頼性が高く、使用が便利な超小型磁気ドラムが出現した。
　磁気ディスクメモリは、磁気記録用の外部メモリである。これは、磁気ドラム及び磁気テープメモリの利点を兼ね備え、即ちそのストレージ容量は磁気ドラム容量より大きく、アクセススピードは磁気テープメモリより速く、またオフラインでも保存できるので、各種のコンピュータシステムにおいて、磁気ディスクは大容量の外部メモリとして広く用いられる。磁気ディスクは、通常、ハードディスク及びフロッピーディスクメモリの２種類に分けられる。
　ハードディスクメモリの種類は多様である。構造的には、リムーバブル式及び固定式の２つに分けられる。リムーバブル式磁気ディスクのプラッタは交換可能であり、固定式磁気ディスクのプラッタは固定されている。リムーバブル式及び固定式磁気ディスクはいずれもマルチピースの組み合わせ及びシングルピースの構成の２種類を有し、またそれぞれ固定磁気ヘッド型及び可動磁気ヘッド型に分けられる。固定磁気ヘッド型磁気ディスクは、容量が小さく、記録密度が低く、アクセススピードが速いが、生産コストが高い。可動磁気ヘッド型磁気ディスクは、記録密度が高い（１０００～６２５０ビット／インチ）ので、容量が大きいが、アクセススピードは固定磁気ヘッド型磁気ディスクより低い。磁気ディスク製品のストレージ容量は数百メガバイトに達することができ、ビット密度は６２５０ビット／インチであり、トラック密度は４７５トラック／インチである。ここで、マルチピースのリムーバブル式磁気ディスクメモリは、ディスクの組み合わせが交換可能で、大きなオフライン容量を有し、且つ容量が大きく、スピードが速く、大容量の情報資料を格納できるので、オンライン情報検索システム、データベース管理システムに広く適用されている。
　実施例４
　本発明は、メモリ、プロセッサ及びメモリに格納され且つプロセッサにより実行されるコンピュータプログラムを含む電子デバイスであって、プロセッサがコンピュータプログラムを実行する際に、上記の劣化推定装置の検証方法のステップが実現される電子デバイスを更に提供する。
　図１０は、一実施例における電子デバイスの内部構造の模式図である。図１０に示すように、この電子デバイスは、システムバスを介して接続されたプロセッサ、記憶媒体、メモリ及びネットワークインターフェースを含む。ここで、このコンピュータデバイスの記憶媒体には、オペレーティングシステム、データベース及びコンピュータ可読命令が格納されており、データベースにはウィジェット情報シーケンスを格納することができ、プロセッサによりこのコンピュータ可読命令を実行する際に、プロセッサに劣化推定装置の検証方法を実現させることができる。この電子デバイスのプロセッサは、計算及びコントロール能力を提供し、コンピュータデバイス全体の運行を支持するために用いられる。このコンピュータデバイスのメモリにはコンピュータ可読命令を格納することができ、プロセッサによりこのコンピュータ可読命令を実行する際に、プロセッサに劣化推定装置の検証方法を実行させることができる。このコンピュータデバイスのネットワークインターフェースは、端末との接続通信のために用いられる。図１０に示す構造は、本出願の態様に関連する一部の構造のブロック図にすぎず、本出願の態様が適用されるコンピュータデバイスを限定するものではなく、具体的なコンピュータデバイスは、図面に示すものより多くの部材又は少ない部材を含んでもよく、或いはある部材と組み合わせたり、異なる部材の配置を有してもよいことを当業者は理解できる。
　この電子デバイスには、スマートフォン、コンピュータ、タブレットコンピュータ、ウェアラブルスマートデバイス、人工知能デバイス、パワーバンク等が含まれるが、これに限定されない。
　ある実施例において、前記プロセッサは、集積回路で構成されることができ、例えば単一パッケージの集積回路で構成されてよく、複数の同じ機能又は異なる機能のパッケージの集積回路で構成されてよく、１つ又は複数の中央処理装置（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　ｕｎｉｔ：ＣＰＵ）、マイクロプロセッサ、デジタル処理チップ、図形プロセッサ及び各種のコントロールチップの組み合わせ等を含む。前記プロセッサは、前記電子デバイスのコントロールユニット（Ｃｏｎｔｒｏｌ　Ｕｎｉｔ）であり、各種のインターフェース及び回路を使用して電子デバイス全体の各部材を接続し、前記メモリ内に格納されているプログラム又はモジュール（例えば、リモートデータの読み書きを実行するプログラム等）を運行又は実行し、且つ前記メモリ内に格納されているデータを呼び出すことによって、電子デバイスの各種の機能を実行し、データを処理する。
　前記バスは、ペリフェラルコンポーネントインターコネクト（ｐｅｒｉｐｈｅｒａｌ　ｃｏｍｐｏｎｅｎｔ　ｉｎｔｅｒｃｏｎｎｅｃｔ、ＰＣＩと略される）バス又は拡張業界標準アーキテクチャ（ｅｘｔｅｎｄｅｄ　ｉｎｄｕｓｔｒｙ　ｓｔａｎｄａｒｄ　ａｒｃｈｉｔｅｃｔｕｒｅ、ＥＩＳＡと略される）バス等であってよい。このバスは、アドレスバス、データバス、コントロールバス等に分けられる。前記バスは、前記メモリと少なくとも１つのプロセッサ等の間との接続通信を実現するために設けられる。
　図１０は、部材を有する電子デバイスのみを示し、図１０に示す構造は前記電子デバイスを限定するものではなく、図面に示すものより少ない部材又は多くの部材を含んでもよく、或いはある部材と組み合わせたり、異なる部材の配置を有してもよいことを当業者は理解できる。
　例えば、示していないが、前記電子デバイスは、各部材に給電する電源（例えば電池）を更に含んでもよく、好ましくは、電源は、電源管理装置を介して前記少なくとも１つのプロセッサと論理的に接続されることで、電源管理装置により充電管理、放電管理、及び電力消費管理等の機能を実現する。電源は、１つ以上の直流又は交流電源、再充電装置、電源故障検出回路、電力変換器又はインバータ、電源状態指示器等の任意の部品を更に含んでよい。前記電子デバイスは、複数のセンサ、ブルートゥースモジュール、Ｗｉ－Ｆｉモジュール等を含んでよく、ここでは説明を省略する。
　更に、前記電子デバイスは、ネットワークインターフェースを更に含んでよく、選択的に、前記ネットワークインターフェースは、有線インターフェース及び／又は無線インターフェース（例えば、ＷＩ－ＦＩインターフェース、ブルートゥースインターフェース等）を含んでよく、通常、この電子デバイスと他の電子デバイスとの間に通信接続を構築するために用いられる。
　選択的に、この電子デバイスはユーザインターフェースを更に含んでよく、ユーザインターフェースはディスプレイ（Ｄｉｓｐｌａｙ）、入力ユニット（例えば、キーボード（Ｋｅｙｂｏａｒｄ））であってもよく、選択的に、ユーザインターフェースは、標準的な有線インターフェース、無線インターフェースであってもよい。選択的に、ある実施例において、ディスプレイは、ＬＥＤディスプレイ、液晶ディスプレイ、タッチ液晶ディスプレイ及びＯＬＥＤ（Ｏｒｇａｎｉｃ　Ｌｉｇｈｔ－Ｅｍｉｔｔｉｎｇ　Ｄｉｏｄｅ、有機発光ダイオード）タッチデバイス等であってもよい。ここで、ディスプレイは、適当にディスプレイパネル又はディスプレイユニットと称してもよく、電子デバイスにおいて処理された情報を表示するために用いられ、且つ可視化されたユーザインターフェースを表示するために用いられる。
　更に、前記コンピュータが使用可能な記憶媒体には、主に記憶プログラムゾーン及び記憶データゾーンを含むことができ、ここで、記憶プログラムゾーンにはオペレーティングシステム、少なくとも１つの機能に必要な適用プログラム等を含むことができ、記憶データゾーンにはブロックチェーンノードに基づいて作成したデータ等を格納することができる。
　本発明で提供された幾つかの実施例において、開示されたデバイス、装置及び方法は、他の形態により実現してもよいことを理解すべきである。例えば、以上で説明した装置の実施例は例示的なものにすぎず、例えば、前記モジュールの区画は、論理的機能の区画にすぎず、実際に実施する場合は、他の区画形態があり得る。
　前述の分離部材として説明したモジュールは、物理的に分離されたものであってもよく、又は物理的に分離されていないものであってもよく、モジュールとして表示した部材は、物理的なユニットであってもよく、又は物理的なユニットでなくてもよく、即ち、１つの場所に位置してもよく、又は複数のネットワークユニット上に分布されていてもよい。実際の必要に基づいて、一部又は全てのモジュールを選択して本実施例態様の目的を実現してもよい。
　なお、本発明の各実施例における各機能モジュールは１つの処理ユニットに集積されていてもよく、各ユニットが物理的に独立に存在してもよく、２つ以上のユニットが１つの処理ユニットに集積されていてもよい。上記の集積されたユニットは、ハードウェアの形式で実現されてもよく、ハードウェアとソフトウェアを兼ね備える機能モジュールの形式で実現されてもよい。
　以上、本発明の実施例を説明した。ただし、これらの実施例は、説明の目的のためのものにすぎず、本発明の範囲の制限を意図するものではない。本発明の範囲は、添付の請求の範囲及びその同等物により限定される。本発明の範囲を逸脱しない限り、当業者は、種々の置き換え及び修正を行うことができ、これらの置き換え及び修正は、いずれも本発明の範囲に属するべきである。
１０　モデル生成装置
２０　データ処理装置
３０　測定対象
１１０　トレーニングデータ記憶モジュール
１２０　トレーニングデータ取得モジュール
１３０　モデルトレーニングモジュール
１４０　第１モデル記憶モジュール
１５０　モデル送信モジュール
２１０　モデルパラメータ取得モジュール
２２０　第２モデル記憶モジュール
２３０　入力データ取得モジュール
２４０　出力データ生成モジュール
２５０　表示処理モジュール
２６０　表示モジュール
２３０１　入力データ取得サブモジュール
２３０２　入力データ記憶サブモジュール
２４０１　出力データ計算サブモジュール
２４０２　出力データ出力サブモジュール

Claims (11)

  1. 　モデル生成装置及びデータ処理装置を含む電池劣化推定装置検証の装置であって、
    　前記モデル生成装置は、
    　トレーニングデータを格納するためのトレーニングデータ記憶モジュールと、
    　前記トレーニングデータ記憶モジュールからトレーニングデータを読み取ってモデルトレーニングを行うためのトレーニングデータ取得モジュールと、
    　前記トレーニングデータ取得モジュールにより読み取られたトレーニングデータを使用してモデルトレーニングを行って、電池劣化推定計算モデルを取得するためのモデルトレーニングモジュールと、
    　前記モデルトレーニングモジュールがトレーニングを行って取得された前記電池劣化推定計算モデルを格納するための第１モデル記憶モジュールと、
    　前記モデルトレーニングモジュールがトレーニングを行った後の前記電池劣化推定計算モデルを送信するためのモデル送信モジュールと、を含み、
    　前記トレーニングデータ記憶モジュール、前記トレーニングデータ取得モジュール、前記モデルトレーニングモジュール、前記第１モデル記憶モジュール及び前記モデル送信モジュールは、この順に接続されており、
    　前記データ処理装置は、
    　前記モデル送信モジュールが送信する前記電池劣化推定計算モデルを読み取るためのモデルパラメータ取得モジュールと、
    　前記モデルパラメータ取得モジュールが取得したモデルを格納するための第２モデル記憶モジュールと、
    　測定対象に関連する入力データを取得して格納するための入力データ取得モジュールと、
    　前記第２モデル記憶モジュールに格納されているモデルを呼び出し、且つ前記入力データ取得モジュールにおける入力データを読み取って計算した後に出力するための出力データ生成モジュールと、
    　ここで、前記入力データ取得モジュールは、入力データ取得サブモジュール及び入力データ記憶サブモジュールを含み、
    　前記出力データ生成モジュールは、出力データ計算サブモジュール及び出力データ出力サブモジュールを含み、
    　前記出力データ生成モジュールの出力データを呼び出し、且つ処理を行って表示可能なデータを取得するための表示処理モジュールと、
    　前記表示処理モジュールが処理を行った後に取得した表示可能なデータを表示するための表示モジュールと、を含むことを特徴とする電池劣化推定装置検証の装置。
  2. 　前記モデルトレーニングモジュールにおけるモデルトレーニングのパラメータをトレーニングするためのモデルトレーニングパラメータのトレーニングモジュールを更に含むことを特徴とする請求項１に記載の装置。
  3. 　前記モデルトレーニングパラメータのトレーニングモジュールは、深層学習モデル、機械学習モデル及び／又は線形回帰分析方法を使用して前記モデルトレーニングモジュールにおけるパラメータに対してトレーニングを行うために用いられることを特徴とする請求項２に記載の装置。
  4. 　前記深層学習モデルは、ディープ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、リカレントニューラルネットワーク、リカーシブニューラルネットワーク、長・短期記憶ネットワーク及び／又は双方向の長・短期記憶ネットワークを含むことを特徴とする請求項３に記載の装置。
  5. 　請求項１から４のいずれか一項に記載の装置に適用される電池劣化推定装置の検証方法であって、
    　前記入力データ取得モジュールを使用して測定対象の入力データを取得し、前記第２モデル記憶モジュールに格納されているモデルを読み取るステップと、
    　前記入力データをモデルに入力して、電池劣化推定テストを行うステップと、
    　前記電池劣化推定テストの結果を出力データ生成モジュールにより出力するステップと、
    　前記出力データ生成モジュールにより出力されたテスト結果に基づいて、現在の電池劣化推定テストのモデルが、前記モデル生成装置によりトレーニングを行って生成し取得したものであるか否かを判断するステップと、を含むことを特徴とする電池劣化推定装置の検証方法。
  6. 　前記入力データは、測定対象状態を表す少なくとも１つのパラメータのテスト結果を含み、複数の入力要素を有することを特徴とする請求項５に記載の方法。
  7. 　前記出力データは、複数の出力要素の出力結果を含み、ここで、複数の出力要素は、測定対象状態を表すことができる入力データのパラメータとして使用されない現在又は将来の推定値及び／又は入力データのパラメータとして使用される将来の推定値のうちの少なくとも１つのデータタイプを含むことを必要とすることを特徴とする請求項５又は６に記載の方法。
  8. 　前記入力要素の値の取り得る区間は、一般の入力データの区間範囲外にあり、予定範囲内の検証用データを前記入力データとする場合、前記出力データの結果は予定範囲内の検証出力データになることを特徴とする請求項７に記載の方法。
  9. 　メモリ、プロセッサ及びメモリに格納され且つプロセッサにより実行されるコンピュータプログラムを含む電子デバイスであって、プロセッサがコンピュータプログラムを実行する際に、請求項５から８のいずれか一項に記載の劣化推定装置の検証方法に対応するステップが実現される電子デバイス。
  10. 　コンピュータプログラム命令が格納されているコンピュータ記憶媒体であって、プロセッサにより前記プログラム命令を実行する際に、請求項５から８のいずれか一項に記載の劣化推定装置の検証方法に対応するステップを実現するために用いられることを特徴とするコンピュータ記憶媒体。
  11. 　所定のトレーニングデータを用いてトレーニングされた電池劣化推定計算モデルであって、
    　前記所定のトレーニングデータは、入力データ及び出力データが正常である場合に出現する数値のセットである第１のトレーニングデータと、入力データが正常である場合に出現しない数値であり、かつ、出力データが予め設定した範囲内の値となる第２のトレーニングデータとから構成されている
    　ことを特徴とする電池劣化推定計算モデル。
PCT/JP2022/026605 2021-07-15 2022-07-04 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル WO2023286650A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023534591A JP7423119B2 (ja) 2021-07-15 2022-07-04 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110801288.2A CN113902121B (zh) 2021-07-15 2021-07-15 一种电池劣化推测装置校验的方法、装置、设备及介质
CN202110801288.2 2021-07-15

Publications (1)

Publication Number Publication Date
WO2023286650A1 true WO2023286650A1 (ja) 2023-01-19

Family

ID=79187823

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/026605 WO2023286650A1 (ja) 2021-07-15 2022-07-04 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル

Country Status (3)

Country Link
JP (1) JP7423119B2 (ja)
CN (1) CN113902121B (ja)
WO (1) WO2023286650A1 (ja)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018063947A (ja) * 2012-09-20 2018-04-19 積水化学工業株式会社 蓄電池管理装置、蓄電池管理方法及びプログラム
WO2019142711A1 (ja) * 2018-01-16 2019-07-25 株式会社Ｇｓユアサ 監視装置、監視方法、コンピュータプログラム、劣化判定方法、劣化判定装置、及び劣化判定システム
JP2019168453A (ja) * 2018-03-20 2019-10-03 株式会社Ｇｓユアサ 劣化推定装置、コンピュータプログラム及び劣化推定方法
WO2020044713A1 (ja) * 2018-08-28 2020-03-05 本田技研工業株式会社 診断装置、診断方法、及びプログラム
JP2020166928A (ja) * 2019-03-28 2020-10-08 本田技研工業株式会社 選定装置、選定方法、及びプログラム
WO2021100673A1 (ja) * 2019-11-18 2021-05-27 株式会社Ｇｓユアサ 評価装置、コンピュータプログラム及び評価方法
JP2021103141A (ja) * 2019-12-25 2021-07-15 本田技研工業株式会社 機械学習装置、機械学習方法、充電率推定装置、および充電率推定システム
JP2021124420A (ja) * 2020-02-06 2021-08-30 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
WO2021241115A1 (ja) * 2020-05-25 2021-12-02 株式会社エンビジョンＡｅｓｃジャパン 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム
JP2022095380A (ja) * 2020-12-16 2022-06-28 株式会社Ｇｓユアサ 異常検知装置、異常検知方法、及びコンピュータプログラム

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6823523B2 (ja) * 2017-03-31 2021-02-03 Kddi株式会社 情報処理装置、情報処理方法、及びプログラム
JP6655762B2 (ja) 2017-05-26 2020-02-26 株式会社日立国際電気 機械学習モデル不正検知システム及び不正検知方法
CN108279383B (zh) * 2017-11-30 2020-07-03 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
US11163861B2 (en) * 2017-12-29 2021-11-02 Texas Instruments Incorporated Machine learning model with watermarked weights
CN108537289B (zh) * 2018-04-24 2023-04-07 百度在线网络技术（北京）有限公司 数据识别模型的训练方法、装置及存储介质
US11163860B2 (en) * 2018-06-04 2021-11-02 International Business Machines Corporation Protecting deep learning models using watermarking
CN108983103B (zh) * 2018-06-29 2020-10-23 上海科列新能源技术有限公司 一种动力电池的数据处理方法和装置
US11042611B2 (en) * 2018-12-10 2021-06-22 XNOR.ai, Inc. Digital watermarking of machine-learning models
CN111401564A (zh) * 2019-01-02 2020-07-10 北京地平线信息技术有限公司 用于机器学习的模型更新方法、装置、电子设备及存储介质
US10915809B2 (en) * 2019-02-04 2021-02-09 Bank Of America Corporation Neural network image recognition with watermark protection
CN110766598B (zh) * 2019-10-29 2023-04-07 厦门大学嘉庚学院 基于卷积神经网络的智能模型水印嵌入和提取方法及系统
US11579928B2 (en) * 2019-11-14 2023-02-14 Baidu Usa Llc Systems and methods for configuring a watermark unit with watermark algorithms for a data processing accelerator
US11582260B2 (en) * 2019-11-14 2023-02-14 Baidu Usa Llc Systems and methods for verifying a watermark of an AI model for a data processing accelerator
CN111311472B (zh) * 2020-01-15 2023-03-28 中国科学技术大学 一种图像处理模型与图像处理算法的产权保护方法
CN111490872B (zh) * 2020-03-19 2022-09-16 清华大学深圳国际研究生院 一种基于公私钥对的深度学习模型水印的嵌入和提取方法
CN111695301A (zh) * 2020-06-16 2020-09-22 中国科学院深圳先进技术研究院 电池电荷状态的预测方法及预测装置、存储介质、设备
CN111783872B (zh) * 2020-06-30 2024-02-02 北京百度网讯科技有限公司 训练模型的方法、装置、电子设备及计算机可读存储介质
CN111814962B (zh) * 2020-07-09 2024-05-10 平安科技（深圳）有限公司 识别模型的参数获取方法、装置、电子设备及存储介质
CN111861849B (zh) * 2020-07-15 2023-04-07 上海交通大学 向人工智能模型植入水印信息的方法
CN112434806A (zh) * 2020-11-18 2021-03-02 浙江大华技术股份有限公司 深度学习训练方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018063947A (ja) * 2012-09-20 2018-04-19 積水化学工業株式会社 蓄電池管理装置、蓄電池管理方法及びプログラム
WO2019142711A1 (ja) * 2018-01-16 2019-07-25 株式会社Ｇｓユアサ 監視装置、監視方法、コンピュータプログラム、劣化判定方法、劣化判定装置、及び劣化判定システム
JP2019168453A (ja) * 2018-03-20 2019-10-03 株式会社Ｇｓユアサ 劣化推定装置、コンピュータプログラム及び劣化推定方法
WO2020044713A1 (ja) * 2018-08-28 2020-03-05 本田技研工業株式会社 診断装置、診断方法、及びプログラム
JP2020166928A (ja) * 2019-03-28 2020-10-08 本田技研工業株式会社 選定装置、選定方法、及びプログラム
WO2021100673A1 (ja) * 2019-11-18 2021-05-27 株式会社Ｇｓユアサ 評価装置、コンピュータプログラム及び評価方法
JP2021103141A (ja) * 2019-12-25 2021-07-15 本田技研工業株式会社 機械学習装置、機械学習方法、充電率推定装置、および充電率推定システム
JP2021124420A (ja) * 2020-02-06 2021-08-30 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
WO2021241115A1 (ja) * 2020-05-25 2021-12-02 株式会社エンビジョンＡｅｓｃジャパン 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム
JP2022095380A (ja) * 2020-12-16 2022-06-28 株式会社Ｇｓユアサ 異常検知装置、異常検知方法、及びコンピュータプログラム

Also Published As

Publication number Publication date
JPWO2023286650A1 (ja) 2023-01-19
CN113902121A (zh) 2022-01-07
CN113902121B (zh) 2023-07-21
JP7423119B2 (ja) 2024-01-29

Similar Documents

Publication Publication Date Title
CN113219341B (zh) 一种模型生成及电池劣化推测装置、方法、介质及设备
JP2022514992A (ja) バッテリ診断システム、バッテリ診断方法、及び記憶媒体
US20210042585A1 (en) Abnormality detection device, abnormality detection method and computer readable medium
CN110008080A (zh) 基于时间序列的业务指标异常检测方法、装置和电子设备
CN112766512B (zh) 基于元算子的深度学习框架诊断系统、方法、装置、设备及介质
CN107609711A (zh) 一种报考信息的提供方法、装置、设备及存储介质
CN109143094A (zh) 一种动力电池的异常数据检测方法和装置
US20200250579A1 (en) Computer system and presentation method of information
WO2023027048A1 (ja) 電池パラメータ推定方法、装置、デバイス及び媒体
Li et al. Lithium-ion battery state of health estimation based on multi-source health indicators extraction and sparse Bayesian learning
CN107315849B (zh) 电池设计中用于优化组件布置的系统和方法
WO2023286650A1 (ja) 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル
Chen et al. A new SOH estimation method for Lithium-ion batteries based on model-data-fusion
CN117235664A (zh) 配电通信设备的故障诊断方法、系统和计算机设备
Liu et al. Thermal monitoring of lithium-ion batteries based on machine learning and fibre Bragg grating sensors
JP7170913B2 (ja) 機器状態判定システム、電力量計、および機器状態判定方法
US20130085725A1 (en) Method and circuit for calculating sensor modelling coefficients
TW201606317A (zh) 獲得檢測裝置插拔組合及電力線拓樸的方法及其電子裝置
Biswas et al. A formal approach to on-line monitoring of digital VLSI circuits: theory, design and implementation
Biswal et al. A discrete event system approach to on-line testing of digital circuits with measurement limitation
Zhu et al. Deep residual net-based prognosis method for lithium-ion batteries with information fusion from different scales
JP2003050631A (ja) 異常診断システムの学習データ生成方法、異常診断システムの構築プログラム、異常診断プログラム、異常診断システムの構築装置および異常診断システム
JP2013200594A (ja) 故障率算出装置及び故障率算出用プログラム
US20240104269A1 (en) Transferable hybrid prognostics based on fundamental degradation modes
CN112232115B (zh) 一种计算因子植入方法、介质及设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22841994

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023534591

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE