用于预测电能储存系统的发动机启动性能的方法和系统
1.本发明总体上涉及用于估计电能储存系统的状态、比如估计电能储存系统的剩余容量的方法和系统。具体地，本发明涉及用于预测电能储存系统、特别是机动车辆启动用电池的发动机启动性能的方法和系统。
2.本文所使用的术语“发动机启动性能”应理解为表示电能储存系统能够启动、特别是能够冷启动或热启动机动车辆的车辆发动机的能力。特别地，术语“发动机启动性能”还包括电能储存系统仍然能够成功执行车辆发动机的特定数量的启动过程的能力。
3.随着越来越多的车辆功能至少需要电能的支持，确定电能储存系统的状态、特别是车辆的状态变得越来越重要。由于越来越多的车辆安全相关功能得到电气支持，储能系统的状态确定和状态评估的可靠性变得越来越重要。
4.在具有多个可充电电池单元的电能储存系统中，各个电池单元随时间老化，由此电池单元或整个电能储存系统的特性发生变化。为了能够可靠地预测在运行期间储能系统的剩余使用寿命(电池寿命)并且能够及时识别老化过程并能够采取适当的措施，希望能够尽可能精确地确定电能储存系统的健康状态。适当的措施包括例如在老化的电池单元或整个电能储存系统的状态变得危急之前更换它们。
5.用于确定电池状态的已知系统和方法通常使用电池状态和/或电池特性的直接测量值，由此确定电池状态。
6.例如，出版物de 19 540 827c2指定了一种确定电池状态的方法，其中，使用电池特有的电池老化特性图以借助该特性图从检测到的受电池老化影响的变量的瞬时值来确定电池老化值。
7.例如，从文献de 10 335 928a1中还已知一种用于确定与蓄电池的荷电状态相关的特性变量的方法，其中，确定基于电池的高电压的第一荷电状态值和基于转换的电荷量的第二荷电状态值。关于这两个荷电状态值在荷电状态方面的变化来评估这两个荷电状态值，以便从荷电状态的变化中推导出电池状态的特性变量。
8.这些已知系统的缺点是：测得的变量中的较大误差直接影响输出变量，并且因此储能系统的状态的确定不是毫无歧义的或者可能是失真的。
9.另外，还使用了电池测试设备，这些电池测试设备可以用于预测可充电电池可以储存的电荷量。可以从电池中汲取的容量取决于放电过程，即，取决于放电电流、放电结束电压(＝放电结束时的电压)以及放电程度。取决于放电过程，可充电电池具有不同的容量。因此，在标称容量的重要指示中，必须指定放电电流和放电结束电压。
10.一般而言，可以从电池汲取的容量会随着放电电流的增加而减少。这种效应由普克特方程描述。造成这种情况的原因之一是：随着电流的增加，电池内阻上增加的压降导致输出电压相应下降，结果是提前达到放电结束电压。除了内阻之外，电池中电化学过程和电荷传输过程的有限速度也是在充电电流增加时电池容量下降的原因。
11.传统的电池测试设备是基于测量电池的内阻。基于该测量，在应用了定义的放电概况或定义的放电类型时，可以计算出电池将呈现的电压值。所考虑的放电类型例如是以恒定电流放电、通过恒定电阻放电或以恒定功率放电。
12.作为对此的替代，可以使用测量的电池内阻来计算冷启动电流并定义在应该更换电池时所处的阈值。作为示例，阈值可以是标称冷启动电流的50％。
13.冷启动电流(通常也称为冷测试电流)被理解为在电池电压过低之前，电池在-18℃的温度下30秒内可以传递的最大电流。根据德国工业标准(din)，充满电的12v电池在-18℃下放电至6v，但30秒后仍应至少有9v的电压，150秒后才达到6v的极限值。根据美国标准(sae)，充满电的电池在-18℃放电30秒后仍应具有至少7.2v的电压。根据iec(国际电工委员会)，电池在-18℃下放电60秒后仍应具有8.4v的电压。最后但同样重要的是，根据欧洲标准(en)，在放电至7.5v的最终电压后的放电时间应至少为10秒。
14.然而，用于估计或预测可从电池汲取的容量的传统方法是基于电池在充满电状态下操作的假设。边界条件通常不再能够实现，特别是在启停电池的情况下，因为这些电池通常在部分充电状态(通常在70％到80％)下操作。
15.另外，传统的电池测试仪没有考虑电池退化。术语“退化”应理解为电池容量随时间而降低，即使正确使用也会降低，这种容量的降低是由于化学反应(老化)而发生的。一方面，电池电极处的充电和放电过程会导致(仅部分可逆的)电化学过程，该电化学过程阻止完全充电或放电。对于铅酸可充电电池，这些电化学过程包括硫酸盐化，对于基于镍技术的电池，包括例如电池惯性效应，并且对于基于锂化学的电池，包括由于不可逆的寄生化学反应(日历寿命)而导致的电极老化。
16.可充电电池在使用过程中的对应磨损涉及充电容量，并且因此也涉及能量密度。
17.由于使用所谓的启停系统或自动启停系统的趋势不断增长，上面所讨论的已知系统中用于估计电池容量的缺点不再是可接受的。这特别是因为在启停系统中，为了减少静止时(例如，在红绿灯处停车时)的燃料消耗，发动机在特定条件下停止时会关闭并自动重新启动。因此，这些启停系统需要启停电池处于特殊状态。
18.启停电池几乎执行与普通汽车电池相同的任务和功能，但必须做的更多，因为自动启停系统会导致内燃发动机不断打开和关闭，这需要电池发挥最大性能。因此，很明显，自动启停系统需要足够功能的电池才能正常工作。
19.本发明的目的是指定优化的诊断和分析池，以便能够快速且可靠地预测可能的电池缺陷，特别是启停电池的电池缺陷。
20.特别地，提供了一种用于估计电池系统的健康状态的方法，特别是用于预测电池系统、特别是机动车辆启动用电池的发动机启动性能的方法，使用该方法可以尽可能准确地估计电池系统的健康状态，并且特别是可以尽可能准确地预测电池系统的发动机启动性能。
21.本发明的另一个目的是提供一种方法，该方法可以用于大量不同的能量储存系统，特别是电池系统，并且在储能系统或电池系统的改变的操作条件下该方法也提供可靠的结果。
22.为了解决这个问题，根据本发明规定了根据独立专利权利要求1的方法和根据独立专利权利要求16的系统。
23.相应地，本发明的主题特别是一种用于预测电能储存系统、尤其是机动车辆启动用电池的发动机启动性能的方法，使用该方法不但可以估计储能系统的特定健康状态(soh)，而且还可以可靠地预测能量储存系统的发动机启动性能。为此目的，根据本发明规
定，首先产生作为电能储存系统的特性的发动机启动数据。相应地评估这些产生的发动机启动数据，然后输出评估结果，该结果涉及对电能储存系统的发动机启动性能的预测。特别地，为了评估产生的发动机启动数据，考虑了要由电能储存系统启动的车辆的车辆制造商、车辆型号和/或车辆变型。
24.因此，根据本发明的方法的基础形成了针对发动机启动性能进行检查的电能储存系统的实际应用领域。这利用了这样的知识，即取决于各自的使用或应用领域，尽管健康状态不佳，储能系统仍然提供足够的发动机启动性能以能够成功启动特定车辆。在此使用的术语“特定车辆”特别应理解为特定车辆制造商、特定车辆型号和/或特定车辆变型。
25.换句话说，根据本发明，在大量不同的应用情况下产生发动机启动数据，所述发动机启动数据表示针对发动机启动性能进行检查的电能储存系统的特性。例如，特性发动机启动数据是在特定车辆(即，在特定的车辆制造商、特定的车辆型号和/或特定的车辆变型)中发生的发动机启动阶段期间储能系统中的电压表现。
26.特别地，作为电能储存系统的特性的发动机启动数据包括在特定车辆的启动阶段期间电能储存系统的至少一个发动机启动电压和/或至少一个发动机启动电压概况。
27.在其一种变型中，作为电能储存系统的特性的发动机启动数据包括当产生至少一个发动机启动电压时和/或当产生至少一个发动机启动电压概况时电能储存系统的温度。
28.作为替代或附加，作为电能储存系统的特性的发动机启动数据包括当产生至少一个发动机启动电压时和/或当产生至少一个发动机启动电压概况时电能储存系统的荷电状态数据。
29.原则上，可以设想，作为电能储存系统的特性的发动机启动数据包括例如在发动机启动期间电能储存系统的电压的至少一个最小值、特别是取决于电能储存系统的荷电状态的发动机启动时间、和/或已经由电能储存系统执行的发动机启动次数。
30.在这种情况下，根本上建议，作为电能储存系统的特性的发动机启动数据由特别地布置在要由电能储存系统启动的车辆中的至少一个传感器产生。例如，因此可以设想，作为电能储存系统的特性的发动机启动数据由要由电能储存系统启动的车辆的(车辆内部的)车辆诊断系统产生和/或提供以进行评估。
31.作为替代或附加，作为电能储存系统的特性的发动机启动数据可以由优选地直接以电流方式连接到电能储存系统的电连接部分的至少一个传感器产生和/或提供。
32.根据依据本发明的方法的改进方案，规定不但考虑要由被检查的储能系统启动的车辆(车辆型号、车辆制造商和/或车辆变型)，而且还要考虑要由电能储存系统启动的车辆发动机的温度或温度范围，其中，与对电能储存系统的发动机启动性能的预测相关的评估的输出结果是在车辆发动机的不同温度下得到的。
33.例如，可以设想，根据本发明的方法能够用于预测在夏季或冬季电能储存系统的发动机启动性能如何。
34.此处使用的电能储存系统的术语“发动机启动性能”通常被理解为电能储存系统能够启动、特别是冷启动或热启动车辆发动机的能力的指标，在评估中考虑车辆制造商，在评估中考虑车辆型号和/或在评估中考虑车辆变型。例如，电能储存系统的发动机启动性能指示仍然可以通过电能储存系统成功执行的车辆发动机启动过程的次数。
35.根据本发明，基于训练数据创建和/或持续优化电能储存系统的预测模型或老化
模型。为此目的，将发动机启动数据输入到基于机器学习原理的发动机启动预测算法中，以评估产生的发动机启动数据。在发动机启动预测算法中，发动机启动数据可以根据分类划分为不同类别，其中各种模式有区别。特别地，在这种情况下，取决于要由电能储存系统启动的车辆的车辆制造商、车辆型号和/或车辆变型，发动机启动数据被划分为不同的类别。
36.在根据本发明的方法中，特别是规定要执行发动机启动预测算法的学习阶段。在学习阶段，将学习数据输入到发动机启动预测算法中，其中，发动机启动预测算法根据机器学习原理识别输入学习数据中的模式和/或规律，当评估生成的发动机启动数据时相应地使用这些模式和/或规律。学习数据特别地包括大量电能储存系统的特性发动机启动数据，特别是来自大量不同车辆制造商、车辆型号和/或车辆变型的已经不同程度老化的那些电能储存系统。
37.根据优选的改进方案，规定在发动机启动预测算法的学习阶段期间，要预测发动机启动性能的电能储存系统的所产生的发动机启动数据用作学习数据。
38.本发明还涉及一种用于预测电能储存系统的发动机启动性能的系统，其中，该系统包括用于输入作为电能储存系统的特性的发动机启动数据的输入接口和用于评估输入发动机启动数据的评估。在这种情况下，评估设备被设计为在评估发动机启动数据时考虑由电能储存系统启动的车辆的车辆制造商、车辆型号和/或车辆变型。特别地，评估设备包括基于机器学习原理的发动机启动预测算法。
39.下文将参考附图更详细地描述根据本发明的方法或根据本发明的系统的示例性实施例。
40.在附图中：
41.图1示意性地示出了根据本发明的方法的示例性实施例的流程图。
42.传统的电池测试系统试图预测储能系统或电池用于启动内燃发动机的能力。这通常基于对储能系统的内阻(ir)的测量或对电导性的测量。基于该测量，当应用定义的电流概况时，可以计算出储能系统将具有的电压值。
43.第二种方法是使用储能系统的内阻来计算所谓的冷启动电流(cca)并设置应该更换储能系统时所在的阈值(例如，标称cca值的50％)。传统电池测试设备的缺点尤其可以被看到，因为这种类型的预测仅考虑了在实验室条件下预定义的电流值和固定的(估计的)阈值(如例如，标称cca值的50％)下储能系统的性能。因此，传统的电池测试设备无法反映“真实”的发动机启动条件。
44.考虑到车辆制造商和车辆型号的所有变化，电池温度和环境温度的变化，考虑到soc变化的影响等，传统的电池测试方法或电池测试设备实际上仅可以为车辆中的真实发动机启动过程提供不充分的电池性能预测。
45.特别地，现有技术中已知的用于预测电池性能的方法没有考虑电池故障的主要原因，即，用于启动内燃发动机的电池性能的与老化相关的下降。
46.相反，根据本发明，在发动机启动期间使用基于车辆的电功率消耗，以便调整对储能系统的发动机启动性能的预测。
47.特别地，本发明考虑了被开发用于估计实验室条件下的电池性能的当前电池测试仪与启动车辆内燃发动机所需的实际电池功率之间的差异(针对不同的车辆制造商、车辆型号、发动机技术(比如，柴油、汽油、启/停等))。
48.如图1示意性所示，根据本发明的方法原则上基于两种组合方法。
49.该方法的第一步骤a形成了车辆启动预测算法的基础。大量不同的车辆制造商和车辆型号用于方法步骤a的实施(例如，100辆汽车)。
50.如框a1“车辆数据记录”所指示的，将发动机启动时记录的不同电压概况用作输入数据，即针对大量不同老化、不同温度和不同soc条件下的电池。
51.在第二步骤(框a2——“数据分析”)中，智能机器学习算法对不同车辆制造商和车辆型号的不同电压概况(例如，最小电压、启动时间、发动机成功启动次数等)进行分类，并定义成功和不成功的发动机启动过程的性能限制条件。
52.这种方法的最大优势在于，车辆针对不同变化(车辆制造商和型号、温度、soc等)的发动机启动反应可以稍后在电池测试仪中用于电池更换建议，而不是未知的电池内部(化学)反应。
53.电池测试设备可以直接在储能系统的接线柱上记录内燃发动机的发动机启动数据，或者可以在其他点(例如，通过模拟输出引脚在车辆的obd端口上)记录这些值。
54.然后将发动机启动数据输入到基于机器学习原理的发动机启动预测算法中，以评估所产生的发动机启动数据(框a3——“发动机启动预测算法”)。
55.在发动机启动预测算法中，发动机启动数据根据分类被分为不同的类别，这些类别的特性模式不同(框a4——“分类”)，其中发动机启动数据然后取决于要由电能储存系统启动的车辆的车辆制造商、车辆型号和/或车辆变型被划分为不同的类别(框a5——“评估”)。
56.由于尽可能可靠的预测需要基于机器学习基本原理的基本算法，因此尽可能多的学习数据可用于算法是有利的。
57.为此目的，使用进一步的方法步骤(步骤b)，该方法步骤需要基于云的数据结构，该基于云的数据结构包含由第一方法步骤a定义的所有值。想法是，电池测试仪在第一步骤中包含基本算法，并在试点或学习阶段利用beta版本来工作，并在多轮中收集进一步的发动机启动数据，这些数据会自动发送到云数据库。
58.具体地，在图1中，基于云的数据结构由附图标记b1表示。方法步骤b的特性在于，执行发动机启动预测算法的学习阶段，在学习阶段将学习数据b2输入到发动机启动预测算法中，并且发动机启动预测算法识别输入学习数据中的模式和/或规律，当评估产生的发动机启动数据时相应地应用这些模式和/或规律(框b3——“训练”)。
59.学习数据特别地包括大量电能储存系统的特性发动机启动数据，特别是来自大量不同车辆制造商、车辆型号和/或车辆变型的已经不同程度老化的那些电能储存系统。
60.在发动机启动预测算法的学习阶段期间，要预测发动机启动性能的电能储存系统的所产生的发动机启动数据然后可以用作学习数据。
61.机器学习算法评估这些新的发动机启动数据并调整显示以优化发动机启动预测算法及其阈值。不时地(即在足够数量的不同车辆型号的新发动机启动数据之后)，将“旧”算法版本更新为优化版本。该算法本身可以在电池测试仪单元中使用/实施，和/或该算法可以用作基于云的算法。
62.综上所述，仍需说明以下几点：
63.根据本发明，首先产生作为被检查的电能储存系统的特性的发动机启动数据。
64.这些发动机启动数据优选地使用适当的传感器(例如，作为车辆诊断系统一部分的传感器)在车辆中直接产生。特性发动机启动数据是储能系统在不同车辆制造商、车辆型号和车辆变型的真实内燃发动机启动过程期间生成的“真实”数据。这种情况特别地涉及发动机启动电压和/或发动机启动电压概况，但是也可以考虑在产生发动机启动电压或发动机启动电压概况时电能储存系统的温度，以及在发动机启动阶段期间储能系统的荷电状态。
65.换句话说，基于机器学习的评估算法的输入数据绝不是来自储能系统的实验室数据，而是在真实条件下记录的数据，这里特别是考虑了产生真实发动机启动数据的车辆制造商、车辆型号和/或车辆变型。
66.然后，基于机器学习的评估算法将作为学习数据的发动机启动数据划分为不同的类别。
67.这提供了一种发动机启动预测算法，其基于优选地连续或周期性地执行的学习阶段定期地向该算法馈送新的学习数据以优化其准确性。
68.使用以这种方式形成的评估算法，然后可以关于特定车辆型号或特定车辆制造商和/或特定车辆变型特别精确地评估储能系统，特别是对于特定车辆制造商、特定车辆型号和/或特定车辆变型电能储存系统的发动机启动性能如何的问题。
69.本发明不限于附图中示意性示出的方法，而是由本文公开的所有特征的概要而产生的。