【技术实现步骤摘要】
本专利技术涉及用于诊断技术设备的设备电池的方法，特别是用于通过异常探测来预测诊断设备电池的方法。
技术介绍
1、独立于电网运行的电设备和机器(例如可电驱动的机动车辆)的能量供应通常用设备电池或车辆电池来进行。这些设备电池或车辆电池提供电能以运行所述设备。
2、设备电池在其使用寿命期间根据其负载或使用情况而退化。这种所谓的老化导致最大性能和存储容量持续下降。老化状态对应于用于说明储能器老化的度量。按照惯例，新设备电池的老化状态(就其容量而言，soh-c)可以为100％，在其使用寿命期间该老化状态显著降低。设备电池老化的度量(老化状态随时间的变化)取决于设备电池的个体负载，即在机动车辆的车辆电池情况下取决于驾驶员的使用行为、外部环境条件和车辆电池类型。
3、为了监视来自大量设备的设备电池，通常连续检测运行变量数据，并作为运行变量变化过程逐块地传输到设备外部的中央单元。为了评估运行变量数据，特别是在基于微分方程的物理或电化学电池模型中，将运行变量数据采样为具有例如在1hz和100hz之间的相对高时间分辨率(采样率)的变化过程，并且由此使用时间积分方法来确定电池状态。
4、为了评估运行变量数据，特别是为了求取确定老化状态的电池状态，可以使用基于具有多个非线性微分方程的微分方程组的电化学电池模型。运行变量数据使得能够借助于时间积分方法对当前电池状态进行建模。这种电化学电池模型例如由出版物us2016/023,566、us 2016/023,567和us2020/150,185公知。
5、在中
6、在电池运行的技术设备中，出于安全原因，必须定期监视所使用的设备电池的按规定作用方式是否存在错误，特别是在高能量密度下。如果电池单池、由多个电池单池组成的单元或整个设备电池失效，则取决于出现的错误，技术设备可能无法工作，并且在发生导致剧烈温度升高的故障时，技术设备和用户的安全可能也会受到损害。
7、然而，由于基于规则的异常探测，迄今为止只有在超过或低于应用于运行变量(例如单池电压、模块温度、电流值或充电状态值)和老化状态值的错误阈值时才识别出设备电池中的错误。
8、出版物de 102019208372 a1公开了一种用于识别技术系统中的异常的计算机实现的方法，具有以下步骤：检测说明技术系统的运行状态并且包括一定数量运行状态变量的运行变量向量，其中所述运行状态变量包括说明技术系统运行于其中的环境条件的至少一个环境状态变量和说明技术系统的内部系统状态的系统状态变量；提供环境状态模型和异常探测模型，其中所述环境状态模型根据至少一个环境状态变量说明使用异常探测模型关于是否存在异常的运行变量向量的可检查性，并且其中异常探测模型根据运行变量向量来说明预期异常的存在；根据基于环境状态模型对运行变量向量的至少一个环境状态变量的评估和根据依据异常探测模型对运行变量向量的评估来发信号通知异常或无异常的存在。
9、此外，出版物k.park、y.choi、w.j.choi、h.-y.ryu和h.kim的“lstm-basedbattery remaining useful life prediction with multi-channel chargingprofiles”，ieeeaccess，卷8，20786-20798页，2020年，doi：10.1109/access.2020.2968939公开了借助于lstm模型针对不同充电配置文件预测电池的剩余使用寿命。
技术实现思路
1、根据本专利技术，设置了根据权利要求1的一种用于诊断技术设备的具有一个或多个电池单池的设备电池的方法以及根据并列独立权利要求的一种设备和一种电池系统。
2、进一步的设计在从属权利要求中说明。
3、根据第一方面，设置了一种用于监视设备电池以预测性地识别技术设备中设备电池的错误的方法，具有以下步骤：
4、-提供特定设备电池的多个运行变量的历史时间运行变量变化过程；
5、-根据使用模式模型提供预测的时间运行变量变化过程，所述使用模式模型被构造为根据表征所述设备电池的使用类型的使用行为
6、-确定输入变量向量的时间序列，每个输入变量向量具有针对一个时间步骤包括一个或多个运行变量和/或从所述运行变量导出的一个或多个变量的元素，其中所述时间序列包括来自历史的运行变量变化过程和预测的运行变量变化过程的时间步骤；
7、-评估基于数据的异常预测模型，所述基于数据的异常预测模型包括基于数据的时间序列变换器模型和基于数据的预测模型，其中所述异常预测模型作为分类模型是基于训练数据集训练的，每个训练数据集都向输入变量向量的时间序列分配在所述输入变量向量的时间序列的最后一个时间步骤之后的特定持续时间后所述设备电池出现特定错误的概率，
8、-基于根据所述输入变量向量的时间序列对所述异常预测模型的评估，预测性地识别在特定持续时间之后所述设备电池出现特定错误。
9、虽然通常用于异常探测的基于自动编码器的方案能够将当前电池状态分类为正常或异常，但不可能可靠地预测未来何时以一定的概率出现失效事件。然而，诸如设备电池的热失控事件或完全失效(sudden death，突然死亡)的安全关键事件是通过电池状态提前预示的，从而原则上应当可以预测这样的关键事件。
10、此外，设备电池的预期未来使用对于设备电池的可能失效起着重要作用，从而在设备电池的预测诊断中同样应适当考虑设备电池的预期未来使用。
11、可以在设备外部的中央单元中设置上述基于变换器模型的用于预测性识别设备电池中的异常的方法，该中央单元与大量设备电池通信连接，以对应地评估这些设备电池的运行变量变化过程以用于识别异常。
12、变换器模型例如由qingsong wen等人的“transformers in time series：asurvey”，arxiv：2202.07125公知。
13、变换器模型通常用于语音识别领域。变换器模型基于多头自注意力机制，在该机制中输入变量向量的时间序列中的每个输入变量向量与该时间序列中的每个其他输入变量向量进行比较，以便以评估度量或分数的形式学习不同时间点的输入变量向量之间的动态上下文信息。与递归神经网络(尤其是lstm)相比，变换器模型的优点是它们还适合于预测更远的预测范围的状态，并且可以记忆过去任何时间点，并且是该概念的一部分。例如当bms侧的电池或单个单池在不利的负载或使用范围内运行时(这会对健康状态产生长期影响或可能影响异常概率)，这是相关的。因此，这些效应可以通过变换器建模来检测、映射并可用于预测诊断。
14、由于容量原因，在设备外部的中央单元中确本文档来自技高网...
【技术保护点】
1.一种用于监视设备电池(41)以预测性地识别技术设备(4)中所述设备电池(41)的错误的方法，具有以下步骤：
2.根据权利要求1所述的方法，其中一个或多个导出变量包括从历史的和预测的运行变量变化过程中导出的一个或多个运行特征和/或从历史的和预测的运行变量变化过程中导出的老化状态和/或从历史的和预测的运行变量变化过程中导出的一个或多个内部电池状态和/或与历史的和预测的运行变量变化过程拟合的电池模型的一个或多个模型参数。
3.根据权利要求1或2所述的方法，其中所述时间序列变换器模型(16)具有预处理块(16a)以提供第一状态变量向量的集合，其中所述第一状态变量向量的集合通过多头自注意力模块(16b)的串行序列处理为所得的另外状态变量向量的集合，其中在预测块(17)中将所得的另外状态变量向量的集合分配给错误类别，其中所述错误类别说明错误类型以及持续时间，在所述持续时间之后出现所述错误类型的错误。
4.根据权利要求3所述的方法，其中在所述预处理块(16a)中，作为第一状态变量向量分别形成作为时间步骤之间的时间差的所述时间序列的时间特征和来自相应时间步
5.根据权利要求3或4所述的方法，其中至少一个所述多头自注意力模块(16b)具有大量自注意力单元(16c)，其中每个自注意力单元(16c)基于可训练的模型参数变换至少一个所述量多头自注意力模块(16b)的输入侧上的所述另外状态变量向量的集合，以在输出侧提供另外状态变量向量的另外的集合。
6.根据权利要求1至5中任一项所述的方法，其中在设备外部的中央单元(2)中训练所述异常预测模型(17)，所述中央单元与大量设备电池(41)通信连接，以评估所述设备电池的历史时间运行变量变化过程和/或预测的时间运行变量变化过程(F)，其中在所述训练后将所述异常预测模型(15)的模型参数传输到所述技术设备(4)。
7.根据权利要求1至6中任一项所述的方法，其中所述特定错误包括突然死亡、拐点或容量突降和/或热事件，如热失控。
8.根据权利要求1至7中任一项所述的方法，其中如果所述异常预测模型(15)的评估得出对应错误类别的概率高于预给定阈值，则根据所述输入变量向量的时间序列({xt1,xt2,…xtn})识别出在特定持续时间之后出现所述设备电池(41)的特定错误，其中在确定了出现所述特定错误时发信号通知，其方式特别是通过向用户输出警告。
9.根据权利要求1至8中任一项所述的方法，其中通过滚动扫描各个电池单池的运行变量变化过程来确定多个运行变量的历史时间运行变量变化过程(F)。
10.根据权利要求1至9中任一项所述的方法，其中在所述中央单元中定期地基于新的训练数据集重新训练所述基于数据的异常预测模型。
11.一种用于执行根据权利要求1至10中任一项所述的方法的设备。
12.一种计算机程序产品，包括指令，当程序由至少一个数据处理装置执行时，所述指令促使所述至少一个数据处理装置执行根据权利要求1至10中任一项所述的方法的步骤。
13.一种机器可读存储介质，包括指令，所述指令在由至少一个数据处理装置执行时促使所述至少一个数据处理装置执行根据权利要求1至10中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种用于监视设备电池(41)以预测性地识别技术设备(4)中所述设备电池(41)的错误的方法，具有以下步骤：
2.根据权利要求1所述的方法，其中一个或多个导出变量包括从历史的和预测的运行变量变化过程中导出的一个或多个运行特征和/或从历史的和预测的运行变量变化过程中导出的老化状态和/或从历史的和预测的运行变量变化过程中导出的一个或多个内部电池状态和/或与历史的和预测的运行变量变化过程拟合的电池模型的一个或多个模型参数。
3.根据权利要求1或2所述的方法，其中所述时间序列变换器模型(16)具有预处理块(16a)以提供第一状态变量向量的集合，其中所述第一状态变量向量的集合通过多头自注意力模块(16b)的串行序列处理为所得的另外状态变量向量的集合，其中在预测块(17)中将所得的另外状态变量向量的集合分配给错误类别，其中所述错误类别说明错误类型以及持续时间，在所述持续时间之后出现所述错误类型的错误。
4.根据权利要求3所述的方法，其中在所述预处理块(16a)中，作为第一状态变量向量分别形成作为时间步骤之间的时间差的所述时间序列的时间特征和来自相应时间步骤的相应输入变量向量的数据特征。
5.根据权利要求3或4所述的方法，其中至少一个所述多头自注意力模块(16b)具有大量自注意力单元(16c)，其中每个自注意力单元(16c)基于可训练的模型参数变换至少一个所述量多头自注意力模块(16b)的输入侧上的所述另外状态变量向量的集合，以在输出侧提供另外状态变量向量的另外的集合。
6.根据权利要求1至5中任一项所述的方法，其中在设备外部的中央单元(...
【专利技术属性】
技术研发人员：C·西莫尼斯，A·G·库普奇克，P·克里施南，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。