DE102022208932A1

DE102022208932A1 - Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells

Info

Publication number: DE102022208932A1
Application number: DE102022208932.4A
Authority: DE
Inventors: Andras Gabor Kupcsik; Christian Simonis
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-08-29
Filing date: 2022-08-29
Publication date: 2024-02-29
Also published as: CN117630672A

Abstract

Die Erfindung betrifft ein Verfahren zum Überwachen einer Gerätebatterie (41) zum prädiktiven Erkennen eines Fehlers der Gerätebatterie (41) in einem technischen Gerät (4), mit folgenden Schritten:- Bereitstellen eines zeitlichen Betriebsgrößenverlaufs (F) von mehreren Betriebsgrößen einer bestimmten Gerätebatterie (41);- Ermitteln einer Zeitreihe von Eingangsgrößenvektoren ({xt1, xt2, ...xtn}) jeweils mit Elementen, die für einen Zeitschritt eine oder mehrere Betriebsgrößen und/oder ein oder mehrere davon abgeleitete Größen umfassen;- Auswerten eines datenbasierten Anomalieprädiktionsmodells (15), das ein datenbasiertes Zeitreihen-Transformer-Modell (16) und ein datenbasiertes Prädiktionsmodell (17) umfasst, wobei das Anomalieprädiktionsmodell (15) als Klassifikationsmodell basierend auf Trainingsdatensätzen trainiert ist, die jeweils einer Zeitreihe von Eingangsgrößenvektoren ({xt1, xt2, ...xtn}) eine Auftretenswahrscheinlichkeit eines bestimmten Fehlers der Gerätebatterie (41) nach einer bestimmten Zeitdauer nach dem letzten Zeitschritt der Zeitreihe der Eingangsgrößenvektoren ({xt1, xt2, ...xtn}) zuordnen,- Prädiktives Erkennen eines Auftretens eines bestimmten Fehlers der Gerätebatterie (41) nach einer bestimmten Zeitdauer basierend auf einer Auswertung des Anomalieprädiktionsmodells (15) abhängig von der Zeitreihe der Eingangsgrößenvektoren ({xt1, xt2, ...xtn}), insbesondere bis zu einem aktuellen Zeitpunkt.

Description

Technisches Gebiet
Die Erfindung betrifft Verfahren zur Diagnose von Gerätebatterien für technische Geräte, insbesondere Verfahren zur vorausschauenden Diagnose von Gerätebatterien durch Anomaliedetektion.
Technischer Hintergrund
Die Energieversorgung von netzunabhängig betriebenen elektrischen Geräten und Maschinen, wie z. B. elektrisch antreibbaren Kraftfahrzeugen, erfolgt in der Regel mit Gerätebatterien bzw. Fahrzeugbatterien. Diese liefern elektrische Energie zum Betrieb der Geräte.
Gerätebatterien degradieren über ihre Lebensdauer und abhängig von deren Belastung bzw. Nutzung. Diese sogenannte Alterung führt zu einer kontinuierlich abnehmenden maximalen Leistungs- bzw. Speicherkapazität. Der Alterungszustand entspricht einem Maß zur Angabe der Alterung von Energiespeichern. Gemäß der Konvention kann eine neue Gerätebatterie einen Alterungszustand (bezüglich ihrer Kapazität, SOH-C) von 100 % aufweisen, der im Laufe seiner Lebensdauer zusehends abnimmt. Ein Maß der Alterung der Gerätebatterie (zeitliche Änderung des Alterungszustands) hängt von einer individuellen Belastung der Gerätebatterie, d. h. bei Fahrzeugbatterien von Kraftfahrzeugen vom Nutzungsverhalten eines Fahrers, externen Umgebungsbedingungen und vom Fahrzeugbatterietyp ab.
Um Gerätebatterien aus einer Vielzahl von Geräten zu überwachen, werden in der Regel Betriebsgrößendaten kontinuierlich erfasst und als Betriebsgrößenverläufe blockweise an eine geräteexterne Zentraleinheit übertragen. Zur Auswertung der Betriebsgrößendaten, insbesondere in physikalischen oder elektrochemischen Batteriemodellen, die auf Differentialgleichungen basieren, werden die Betriebsgrößendaten als Verläufe mit einer vergleichsweise hohen zeitlichen Auflösung (Abtastraten) von beispielsweise zwischen 1 und 100 Hz abgetastet und daraus mit einem Zeitintegrationsverfahren ein Batteriezustand ermittelt.
Zur Auswertung der Betriebsgrößendaten, insbesondere zur Ermittlung von Batteriezuständen, die den Alterungszustand bestimmen, kann ein elektrochemisches Batteriemodell verwendet, das auf einem Differentialgleichungssystem mit einer Mehrzahl von nichtlinearen Differentialgleichungen basiert. Die Betriebsgrößendaten ermöglichen eine Modellierung eines aktuellen Batteriezustands mithilfe eines Zeitintegrationsverfahrens. Derartige elektrochemische Batteriemodelle sind beispielsweise aus den Druckschriften US 2020/150,185A , WO2022017984A1 , EP3919925A1 , DE102020206915B3 und US20210373082A1 bekannt.
Das Bereitstellen der Betriebsgrößenverläufe in der Zentraleinheit ermöglicht die Nutzung und Anpassung des elektrochemischen Batteriemodells für eine Vielzahl von Gerätebatterien mit gleichartigen Batteriezellen bzw. mit Zellen gleichartiger Zellchemie. Die Berechnung der Batteriezustände mithilfe des Differentialgleichungssystems ist rechenaufwendig, so dass durch die Auslagerung in die Zentraleinheit die Rechenlast in geräteinternen Recheneinrichtungen reduziert werden kann.
In batteriebetriebenen technischen Geräten muss die ordnungsgemäße Funktionsweise der eingesetzten Gerätebatterie aus Sicherheitsgründen insbesondere bei hohen Energiedichten regelmäßig auf Fehler überwacht werden. Fällt eine Batteriezelle, eine Einheit aus mehreren Batteriezellen oder die gesamte Gerätebatterie aus, kann abhängig von dem aufgetretenen Fehler das technische Gerät funktionsunfähig werden und gegebenenfalls bei Fehlfunktionen, die zu einer starken Temperaturerhöhung führen, auch die Sicherheit des technischen Geräts und des Nutzers beeinträchtigt werden.
Aufgrund der regelbasierten Anomaliedetektion werden bislang jedoch Fehler in Gerätebatterien erst erkannt, wenn applizierte Fehlerschwellenwerte für Betriebsgrößen, wie die Zellspannung, eine Modultemperatur, ein Stromwert oder ein Ladezustandswert und ein Alterungszustandswert, über- bzw. unterschritten werden.
Die Druckschrift DE 10 2019 208 372 A1 offenbart ein computerimplementiertes Verfahren zum Erkennen einer Anomalie in einem technischen System, mit folgenden Schritten: Erfassen eines Betriebsgrößenvektors, der einen Betriebszustand des technischen Systems angibt und eine Anzahl von Betriebszustandsgrößen umfasst, wobei die Betriebszustandsgrößen mindestens eine Umgebungszustandsgröße, die eine Umgebungsbedingung angibt, in der das technische System betrieben wird, und Systemzustandsgrößen interne Systemzustände des technischen Systems angeben, umfassen; Bereitstellen eines Umgebungszustandsmodells und eines Anomaliedetektionsmodells, wobei das Umgebungszustandsmodell abhängig von mindestens einer der Umgebungszustandsgrößen eine Überprüfbarkeit des Betriebsgrößenvektors hinsichtlich des Vorliegens einer Anomalie unter Verwendung des Anomaliedetektionsmodells angibt, und wobei das Anomaliedetektionsmodell das Vorliegen einer zu erwartenden Anomalie abhängig von dem Betriebsgrößenvektor angibt, Signalisieren eines Vorliegens einer Anomalie oder einer Nicht-Anomalie abhängig von einer Bewertung der mindestens einen Umgebungszustandsgröße des Betriebsgrößenvektors anhand des Umgebungszustandsmodells und abhängig von einer Bewertung des Betriebsgrößenvektors abhängig von dem Anomaliedetektionsmodell.
Weiterhin offenbart die Druckschrift K. Park, Y. Choi, W. J. Choi, H. -Y. Ryu and H. Kim, „LSTM-Based Battery Remaining Useful Life Prediction With Multi-Channel Charging Profiles," in IEEE Access, vol. 8, pp. 20786-20798, 2020, doi: 10.1109/ACCESS.2020.2968939 die Prädiktion einer verbleibenden Restlebensdauer einer Batterie mithilfe von LSTM-Modellen für verschiedene Ladeprofile.
Offenbarung der Erfindung
Erfindungsgemäß sind ein Verfahren zur Diagnose einer Gerätebatterie eines technischen Geräts mit einer oder mehreren Batteriezellen gemäß Anspruch 1 sowie eine Vorrichtung und ein Batteriesystem gemäß den nebengeordneten Ansprüchen vorgesehen.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
Gemäß einem ersten Aspekt ist ein Verfahren zum Überwachen einer Gerätebatterie zum prädiktiven Erkennen eines Fehlers einer Gerätebatterie in einem technischen Gerät vorgesehen, mit folgenden Schritten:

- Bereitstellen eines zeitlichen Betriebsgrößenverlaufs von mehreren Betriebsgrößen einer bestimmten Gerätebatterie;
- Ermitteln einer Zeitreihe von Eingangsgrößenvektoren jeweils mit Elementen, die für einen Zeitschritt eine oder mehrere Betriebsgrößen und/oder ein oder mehrere davon abgeleitete Größen umfassen;
- Auswerten eines datenbasierten Anomalieprädiktionsmodells, das ein datenbasiertes Zeitreihen-Transformer-Modell und ein datenbasiertes Prädiktionsmodell umfasst, wobei das Anomalieprädiktionsmodell als Klassifikationsmodell basierend auf Trainingsdatensätzen trainiert ist, die jeweils einer Zeitreihe von Eingangsgrößenvektoren eine Auftretenswahrscheinlichkeit eines bestimmten Fehlers der Gerätebatterie nach einer bestimmten Zeitdauer nach dem letzten Zeitschritt der Zeitreihe der Eingangsgrößenvektoren zuordnen,
- Prädiktives Erkennen eines Auftretens eines bestimmten Fehlers der Gerätebatterie nach einer bestimmten Zeitdauer basierend auf einer Auswertung des Anomalieprädiktionsmodells abhängig von der Zeitreihe der Eingangsgrößenvektoren, insbesondere bis zu einem aktuellen Zeitpunkt.

Während die üblicherweise für eine Anomaliedetektion verwendeten Autoencoderbasierten Ansätze in der Lage sind, einen aktuellen Batteriezustand als normal oder anomal zu klassifizieren, ist eine zuverlässige Prädiktion, wann mit gewisser Wahrscheinlichkeit ein Ausfallereignis in der Zukunft auftreten wird, nicht möglich. Jedoch besteht für sicherheitskritische Ereignisse, wie beispielsweise ein Thermal-Runaway-Ereignis oder ein Totalausfall der Gerätebatterie (Sudden Death), kündigen sich vorher durch Batteriezustände an, so dass grundsätzlich eine Prädiktion solcher kritischen Ereignisse möglich sein sollte.
Das obige Transformer-Modell-basierte Verfahren zur prädiktiven Erkennung einer Anomalie in einer Gerätebatterie wird in einer geräteexternen Zentraleinheit vorgesehen, die mit einer Vielzahl von Gerätebatterien in Kommunikationsverbindung steht, um Betriebsgrößenverläufe auszuwerten.
Transformer-Modelle sind beispielsweise aus Qingsong Wen et al., „Transformers in Time Series: A Survey“, arXiv:2202.07125 bekannt.
Transformer-Modelle werden üblicherweise im Bereich der Spracherkennung eingesetzt. Sie basieren auf einem Multi-Head-Self-Attention-Mechanismus, in dem jeder Eingangsgrößenvektor in einer Zeitreihe von Eingangsgrößenvektoren mit jedem anderen Eingangsgrößenvektor der Zeitreihe verglichen wird, um dynamische Kontextinformationen zwischen den Eingangsgrößenvektoren zu unterschiedlichen Zeitpunkten in Form eines Bewertungsmaßes bzw. Score zu lernen. Gegenüber rekurrenten neuronalen Netzwerken, speziell LSTMs, haben Transformer-Modelle den Vorteil, dass diese auch für eine Prädiktion von Zuständen für fernere Prädiktionshorizonte geeignet sind und eine Erinnerung an beliebig lange zurückliegende Zeitpunkte möglich und Teil des Konzepts sind. Dies ist beispielsweise relevant, wenn die Batterie bzw. eine einzelne Zelle BMS-seitig in einem ungünstigen Last- oder Nutzungsbereich betrieben wurde, was sich Langfrist-Auswirkungen auf den Gesundheitszustand hat bzw. die Anomalie-Wahrscheinlichkeit beeinflussen kann. Diese Effekte werden somit durch die Transformer-Modellierung erfasst, abgebildet und zur prädiktiven Diagnose nutzbar gemacht.
Das Ermitteln von internen Batteriezuständen von Gerätebatterien einer Vielzahl von Geräten wird aus Kapazitätsgründen in einer geräteexternen Zentraleinheit vorgenommen. Dazu übermitteln die Geräte zeitliche Betriebsgrößenverläufe der Gerätebatterien in Form von Zeitreihen von Betriebsgrößen, wie beispielsweise Batteriestrom, Batterietemperatur, Ladezustand und/oder Batteriespannung, an die Zentraleinheit, wobei in der Zentraleinheit ein aktueller elektrochemischer interner Batteriezustand und/oder Alterungszustand ermittelt wird. Durch die Auswertung der Betriebsgrößenverläufe können basierend auf einem für den entsprechenden Batterietyp der Gerätebatterie bereitgestellten elektrochemischen Batteriemodell ein geräteindividueller interner Batteriezustand und gegebenenfalls weitere Größen, wie z.B. ein Alterungszustand berechnet/ermittelt werden. Die Auswertung kann bezogen auf die gesamte Gerätebatterie, auf einzelne Batteriezellen oder Einheiten/Modulen aus mehreren Batteriezellen erfolgen.
Das elektrochemische Batteriemodell umfasst ein Differentialgleichungssystem, das basierend auf über Modellparameter parametrisierte Differentialgleichungen interne Batteriezustände, insbesondere Gleichgewichtszustände und ggfs. kinetische Zustände, mithilfe eines Zeitintegrationsverfahren modelliert und eine Beziehung zwischen Betriebsgrößen der Batteriezellen der Gerätebatterie, nämlich einem Batteriestrom, einer Batteriespannung, einer Batterietemperatur und einem Ladezustand der Gerätebatterie bereitstellt. Derartige elektrochemische Batteriemodelle sind beispielsweise aus den Druckschriften US 2020/150,185A , WO2022017984A1 , EP3919925A1 , DE102020206915B3 und US20210373082A1 bekannt. Der Alterungszustand der jeweiligen Gerätebatterie kann als Linearkombination der internen Zustände näherungsweise ermittelt werden. Das elektrochemische Batteriemodell kann in der Zentraleinheit oder in einem Steuergerät für eine individuelle Gerätebatterie ausgewertet werden, um die internen Batteriezustände zu bestimmen.
Modellparameter des elektrochemischen Batteriemodells können in der Zentraleinheit basierend auf in Ruhephasen innerhalb kurzer Zeiträume (wenige Minuten bis wenige Stunden) erfassten Betriebsgrößenverläufen einer Vielzahl von Gerätebatterien gleichen Typs innerhalb eines begrenzten Zeitraums gefittet bzw. parametriert (Anpassung der Modellparameter durch Minimierung der Fehlerquadrate) werden, wobei elektrochemische, Gleichgewichtsparameter kinetische Modellparameter abgeleitet werden können, die z. B. ElektrolytKonzentrationen, Reaktionsraten, Schichtdicken, Porosität etc. umfassen können. Die Parametrierung kann basierend auf einer hochgenauen Messung eines Alterungszustands der Gerätebatterien erfolgen.
Weiterhin können basierend auf den Betriebsgrößenverläufen ein oder mehrere Modellparameter eines Batteriemodells gefittet werden, die ebenfalls einen Batteriezustand angeben können. Weiterhin können die zeitlichen Betriebsgrößenverläufe zu Betriebsmerkmalen als statistische oder akkumulierte Größen aggregiert werden, um die zyklische Belastung der Gerätebatterie zu charakterisieren.
So kann beispielsweise mithilfe eines Alterungszustandsmodells ein Alterungszustand der Gerätebatterie anhand der Betriebsgrößenverläufe ermittelt werden.
Der Alterungszustand (SOH: State of Health) ist bei Gerätebatterien die Schlüsselgröße zur Angabe einer verbleibenden Batteriekapazität oder verbleibenden Batterieladung. Der Alterungszustand stellt ein Maß für die Alterung der Gerätebatterie dar. Im Falle einer Gerätebatterie oder eines Batterie-Moduls oder einer Batteriezelle kann der Alterungszustand als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) angegeben werden. Die Kapazitätserhaltungsrate SOH-C, d. h. der kapazitätsbezogene Alterungszustand, ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität der vollständig aufgeladenen Batterie angegeben und nimmt mit zunehmender Alterung ab. Alternativ kann der Alterungszustand als Anstieg des Innenwiderstands (SOH-R) bezüglich eines Innenwiderstands zu einem Lebensdauerbeginn der Gerätebatterie angegeben werden. Die relative Änderung des Innenwiderstands SOH-R steigt mit zunehmender Alterung der Batterie an.
In der Zentraleinheit kann das Alterungszustandsmodell ausgewertet werden, um für eine individuelle Gerätebatterie eine Alterungszustand zu ermitteln. Beispielsweise kann der aktuelle Alterungszustand mithilfe eines physikalischen Alterungsmodells ermittelt werden, das eine Form des elektrochemischen Batteriemodells darstellt und in entsprechender Weise parametriert werden kann. Das physikalische Alterungsmodell entspricht einem Differentialgleichungssystem und wird mithilfe eines Zeitintegrationsverfahrens ausgewertet.
Um die Genauigkeit des Alterungszustandsmodells zu verbessern, kann dieses in Form eines hybriden Alterungszustandsmodells, also einer Kombination des physikalischen Alterungsmodells und einem datenbasierten Korrekturmodell, bereitgestellt werden. Bei einem hybriden Alterungszustandsmodell kann ein physikalischer Alterungszustand mithilfe des physikalischen bzw. elektrochemischen Alterungsmodells ermittelt werden und dieser mit einem Korrekturwert beaufschlagt werden, der sich aus dem datenbasierten Korrekturmodell ergibt, insbesondere durch Addition oder Multiplikation. Das physikalische Alterungsmodell basiert wie oben beschrieben auf elektrochemischen Modellgleichungen, welche elektrochemische Zustände eines nichtlinearen Differentialgleichungs-Systems charakterisiert, fortlaufend berechnet und diese zur Ausgabe auf den physikalischen Alterungszustand abbildet, als SOH-C und/oder als SOH-R. Die Berechnungen können typischerweise in der Cloud z.B. einmal pro Woche ausgeführt werden.
Weiterhin kann das Korrekturmodell des hybriden datenbasierten Alterungszustandsmodells mit einem probabilistischen oder auf künstlicher Intelligenz basierendem Regressionsmodell, insbesondere einem Gaußprozessmodell, ausgebildet sein und kann trainiert sein, um den durch das physikalische Alterungsmodell erhaltenen Alterungszustand zu korrigieren. Hierzu existieren folglich ein datenbasiertes Korrekturmodell des Alterungszustands zur Korrektur des SOH-C und/oder mindestens ein weiteres zur Korrektur des SOH-R. Mögliche Alternativen zum Gaußprozess stellen weitere Supervised Learning Verfahren, wie basierend auf einem Random-Forest-Modell, einem AdaBoost-Modell, einer Support-Vector-Machine oder einem Bayes'schen neuronalen Netzwerk dar.
Das Korrekturmodell kann als Eingangsgrößen Betriebsmerkmale nutzen, die aus den Betriebsgrößenverläufen mithilfe von Feature-Extraction bzw. Merkmals-Extraktions-Verfahren bestimmt worden sind, wobei die Features bzw. Merkmals mithilfe von signalverarbeitungstechnischen Operationen berechnet werden. Die einem Betriebsgrößenverlauf zugeordneten Betriebsmerkmale definieren einen Betriebsmerkmalspunkt für den betreffenden Energiespeicher, der den Belastungszustand durch zyklischen Betrieb (zyklische Alterung) und die kalendarische Alterung des Energiespeichers (verstrichene Zeitdauer seit Inbetriebnahme bzw. Lebensdauerbeginn) abbilden.
Die Betriebsmerkmale können kumulierte lastbasierte Merkmale bzw. aggregierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen umfassen.
Insbesondere können als Betriebsmerkmale Merkmale aus Histogrammdaten ermittelt werden, die aus den Verläufen der Betriebsgrößen erstellt worden sind. So können beispielsweise Histogramme bezüglich des Batteriestroms über der Batterietemperatur und dem Ladezustand der Fahrzeugbatterie, ein Histogramm der Batterietemperatur über dem Ladezustand der Fahrzeugbatterie, ein Histogramm des Ladestroms über einer Batterietemperatur und ein Histogramm eines Entladestroms über der Batterietemperatur erstellt werden. Ferner können als Betriebsmerkmale die akkumulierte Gesamtladung (Ah), eine durchschnittliche Kapazitätszunahme bei einem Ladevorgang (insbesondere für Ladevorgänge, bei denen die Ladungszunahme über einem Schwellenanteil [z. B. 20 % ΔSOC] der gesamten Batteriekapazität liegt), die Ladekapazität sowie ein Extremwert (z.B. ein lokales Maximum) der geglätteten differentiellen Kapazität während eines gemessenen Ladevorgangs mit ausreichend großem Hub des Ladezustands (geglätteter Verlauf von dQ/dU: Ladungsänderung dividiert durch Änderung der Batteriespannung) oder die akkumulierte Fahrleistung jeweils seit Inbetriebnahme der Gerätebatterie berücksichtigt werden. Weitere Betriebsmerkmale können einem lokalen Extremwert der spektralen Kurtosis, ausgewertet auf einem Ladevorgang für Strom oder Spannungssignal, einem oder mehreren Koeffizienten einer Wavelet-Transformation und/oder einem oder mehreren Koeffizienten der Fourier-Transformation, jeweils ausgewertet für einen Ladevorgang für ein Strom- oder Spannungssignal oder einen transformierten Spektralwert zugeordnet zu einem definierten Frequenzband entsprechen.
Betriebsmerkmale können somit aus Histogrammen hinsichtlich der Betriebsgrößen abgeleitet werden. Hieraus können mithilfe Feature-Engineering bzw. Merkmals-Extraktions-Verfahren Betriebsmerkmale extrahiert werden, wie beispielsweise der Mittelwert, die Standardabweichungen der Histogramme sowie mehrdimensionale statistische Werte, wie Mittelwert, Median, Minimum, Maximum, Momente der Verteilung und dergleichen.
Weiterhin kann in der Zentraleinheit ein Batterie-Performance-Modell basierend auf den Betriebsgrößenverläufen ausgewertet werden, um Ersatzschaltbildparameter, wie beispielsweise Innenwiderstände und eine Kapazität eines Batterieersatzschaltbilds, bereitzustellen.
Weiterhin können die eine oder mehreren abgeleiteten Größen ein oder mehrere von den Betriebsgrößenverläufe abgeleitete Betriebsmerkmale und/oder einen von den Betriebsgrößenverläufen abgeleiteten Alterungszustand und/oder einen oder mehrere interne von den Betriebsgrößenverläufen abgeleitete Batteriezustände und/oder einen oder mehrere Modellparameter eines an die Betriebsgrößenverläufe gefitteten Batteriemodells umfassen.
Basierend auf den bereitgestellten Betriebsgrößenverläufen, die als Zeitreihen des Batteriestroms, der Batteriespannung, des Ladezustands und der Batterietemperatur bereitgestellt werden, auf einem davon mithilfe des Alterungszustandsmodells abgeleiteten Alterungszustand, auf einem oder mehreren aus dem elektrochemischen Alterungsmodell ermittelten inneren Batteriezuständen als Ergebnis der Auswertung durch das Differentialgleichungssystem sowie die ggfs. bereits für das Korrekturmodell mithilfe eines Merkmalsextraktionsblocks ermittelten Betriebsmerkmale, die aus den Betriebsgrößenverläufen als aggregierte Größen abgeleitet werden, wie beispielsweise histogrammbasierte Signale, wird ein Anomalieprädiktionsmodell trainiert bzw. ausgewertet.
Das Anomalieprädiktionsmodell ist ausgebildet, um eine Zeitreihe von Eingangsgrößenvektoren auf eine Wahrscheinlichkeit eines bestimmten Anomalieereignisses zu einem zukünftigen Zeitpunkt abzubilden. Die Eingangsgrößenvektoren der Zeitreihe sind jeweils zusammengesetzt aus zu einem den Betriebsgrößenverläufen, den Betriebsmerkmalen, dem daraus abgeleiteten Alterungszustand und den daraus abgeleiteten inneren Batteriezuständen, wie oben beschrieben.
Das Anomalieprädiktionsmodell weist ein Zeitreihen-Transformer-Modell auf, das die Zeitreihe der Eingangsgrößenvektoren {x_t1, x_t2, ...x_tn} vergangener Zeitschritte auf eine resultierende Menge von Zustandsgrößenvektoren {z₁, ..., z_N} abbildet. Die resultierende Menge von Zustandsgrößenvektoren {z₁, ..., z_N} wird mithilfe des datenbasierten Prädiktionsmodells in eine Wahrscheinlichkeit eines kritischen Ereignisses zu einem künftigen Zeitpunkt umgewandelt.
Es kann vorgesehen sein, dass das Zeitreihen-Transformer-Modell einen Vorverarbeitungsblock aufweist, um eine Menge von ersten Zustandsgrößenvektoren bereitzustellen, wobei die Menge von ersten Zustandsgrößenvektoren durch eine serielle Abfolge von Multi-Head-Self-Attention-Modulen zu einer resultierenden Menge von weiteren Zustandsgrößenvektoren verarbeitet wird, wobei die resultierende Menge von weiteren Zustandsgrößenvektoren in dem Prädiktionsblock einer Fehlerklasse zugeordnet wird, wobei die Fehlerklasse die Fehlerart und die Zeitdauer angibt, nach der ein Fehler der Fehlerart auftreten wird.
Die Eingangsgrößenvektoren {x_t1, x_t2, ...x_tn} für die betrachteten Zeitschritte t1 ...tN werden nun eine erste Menge von Zustandsgrößenvektoren z⁰ für jeden Zeitschritt codiert.
Dies wird durch ein Zeitmerkmalscodierer und einen Datenmerkmalscodierer erreicht. Der Zeitmerkmalscodierer kann einfach eine relative Zeitdifferenz zurück in der Zeit angeben, wie z. B. f_time(t_N) = 0, f_time(t_N-1) = t_N - t_N-1 usw. Dies ist insbesondere bei variierenden Zeitschritten zwischen den Eingangsgrößenvektoren der Zeitreihe der Eingangsgrößenvektoren wichtig.
Weiterhin kann für den Datenmerkmalscodierer ein neuronales Netz vorgesehen sein, um eine Merkmalsextraktion zu Datenmerkmalen f_data vorzunehmen. Es ergibt sich für jeden Zeitschritt t1...tN ein Zustandsvektor $z_{1 \dots N}^{0} = {[f_{t i m e}, f_{d a t a}]}^{T} .$
Damit kann die Dimensionalität des Zustandsgrößenvektors z geändert werden und somit die Anzahl der Parameter des gesamten Netzwerks reduziert werden.
Nach der initialen Erstellung der ersten Menge von Zustandsvektoren $z_{1 \dots N}^{0}$
erfolgt eine Weiterverarbeitung durch ein oder mehrere seriell angeordnete Multi-Head-Self-Attention-Module. Jeder Eingangsvektor und Ausgangsvektor der Multi-Head-Self-Attention-Module weisen die gleichen Dimensionen auf, so dass eine willkürliche Tiefe und Anzahl von seriellen Multi-Head-Self-Attention-Modulen vorgesehen werden können.
Ein Multi-Head-Self-Attention-Modul weist M parallele Self-Attention-Einheiten (Heads) auf. Jede Self-Attention-Einheit kann verschiedene Merkmale der Zeitreihe der Eingangsgrößenvektoren verarbeiten. Da die M parallelen Self-Attention-Einheiten jeweils einen Ausgangsvektor bereitstellen, der die gleiche Dimensionalität wie der entsprechende Eingangsgrößenvektor aufweist, können die Ausgangsvektoren der mehreren Self-Attention-Einheiten auf einen nachfolgenden Zustandsgrößenvektor zusammengefasst werden, üblicherweise mit einem datenbasierten Modell, wie z.B. einem neuronalen Netz.
Jede Self-Attention-Einheit verarbeitet den Zustandsgrößenvektor z in an sich bekannter Weise mit einem Query-Key-Value-Triplett. Dann wird der Self-Attention-Score berechnet, der jeweils angibt, in welchem Maß jeder Zustandsgrößenvektor zu einem bestimmten Zeitschritt von einem anderen Zustandsvektor zu einem anderen Zeitschritt abhängt.
Da die Abfolge von Zustandsgrößenvektoren (deren Index) entsprechend der Zeitschritte t1...tN angeordnet ist, kann eine Maskierung verwendet werden, so dass der Zustandsgrößenvektor eines Zeitschritts nicht in Beziehung zu einem Zustandsgrößenvektor eines zukünftigen Zeitschritts gebracht werden kann. Somit wird die resultierende Self-Attention-Score-Matrix (für die Scores jedes Zustandsgrößenvektors zu einem weiteren Zustandsgrößenvektor) mithilfe einer Maskierungsfunktion maskiert, die (z_i to z_j)=0 ∀j > i. Die Self-Attention-Score-Matrix S wird berechnet als $S = s o f t m a x (Q K^{T} + M a s k)$
Die Matrizen Q, K, und V werden aus den Eingangsgrößenvektoren der Zeitreihe ermittelt. Allgemein codiert die Matrix Q auf welchen anderen Eingangsgrößenvektor sich der betreffende Eingangsgrößenvektor bezieht und die Matrix K codiert, was der Eingangsgrößenvektor repräsentiert. Durch Multiplikation erhält man den Self-Attention-Score S. Die Matrix Q wird bestimmt als Q = T_q * Z in Form einer Matrix der Dimension dim x N. dim entspricht der Größe des eingangsseitigen Zustandsgrößenvektors und N der Länge der Zeitreihe. T_q entspricht gelernten Modellparametern der Größe dim x dim_input und Z entspricht einer Matrix aus den Eingangsgrößenvektoren x mit der Dimension dim input x N.
Auf ähnliche Weise wird die Matrix K als K = T_k * Z in Form einer Matrix der Dimension of size dim x N berechnet, dim entspricht der Größe des eingangsseitigen Zustandsgrößenvektors und N der Länge der Zeitreihe. T_k entspricht gelernten Modellparametern der Größe dim x dim_input und Z entspricht einer Matrix aus den Eingangsgrößenvektoren x mit der Dimension dim_input x N. Auf gleiche Weise wird die Matrix V bestimmt.
Die Modellparameter T_q, T_k, T_v werden beim Training des Anomalieprädiktionsmodell trainiert.
Ein Trainingsdatensatz wird z.B. gebildet für die Gerätebatterien, in denen ein Fehler einer zu prädizierenden Fehlerart aufgetreten ist, wie z.B. Sudden Death, Thermal Runaway, vorschnelle Alterung oder dergleichen. Der Trainingsdatensatz weist den Fehler einer Fehlerklasse zu, die angibt, welcher Fehlerart der Fehler entspricht und wann dieser nach einem zuletzt berücksichtigten Eingangsgrößenvektor wahrscheinlich auftritt. Die Zeitreihe der Eingangsgrößenvektoren ist so gewählt, dass der jüngste Zeitpunkt der Zeitreihe, um den der Fehlerklasse zugeordneten Zeitdauer vor dem Zeitpunkt des Fehlerereignisses liegt.
Die Zeitreihe der Eingangsgrößenvektoren des Anomalieprädiktionsmodells werden für das Training verwendet, das die erwartete Wahrscheinlichkeit eines Fehlereignisses zu einem bestimmten zukünftigen Ereignis entsprechend einer so definierten Fehlerklasse prädiziert. Das Prädiktionsmodell kann dazu als herkömmliches Klassifikationsmodell ausgebildet sein.
Jede Fehlerklasse der Modellausgabe des Prädiktionsmodells ist einer bestimmten Fehlerart und einer Zeitdauer zugeordnet, zu der ein Fehler der bestimmten Fehlerart nach einem jüngsten Zeitpunkt der Zeitreihe der Eingangsgrößenvektoren voraussichtlich auftritt. Dazu werden Anomalieereignisse von Gerätebatterien aus dem Feld als Trainingsdaten verwendet, und die entsprechende Auftretenswahrscheinlichkeit für eine Anomalie, d.h. einer bestimmten Fehlerart, mit 1 gelabelt, während die für diesen Trainingsdatensatz berücksichtigte Zeitreihe der Eingangsgrößenvektoren eine Zeitreihe darstellt, deren Endzeitpunkt einem Zeitpunkt entspricht, der um die Zeitdauer, die der entsprechenden Fehlerklasse zugeordnet ist, vor dem festgestellten Auftreten des Fehlers der bestimmten Fehlerart liegt.
Als Loss-Funktion zum Training kann eine binäre Cross-Entropie-Loss-Funktion verwendet werden: $L = - \sum_{i}^{B} \sum_{t} y_{t} log p (y_{t}) + (1 - y_{t}) log (1 - p (y_{t})) .$
wobei y_t einem Klassenlabel der Fehlerklasse entspricht und B die Anzahl der Trainingsdatensätze ist.
Das Training kann sowohl basierend auf Trainingsdatensätzen erfolgen, bei denen ein Anomalieereignis festgestellt wurde, als auch auf Trainingsdaten, bei denen kein Anomalieereignis festgestellt wurde. Hier wird das entsprechende Label aller Fehlerklassen dann auf „0“ gesetzt. Unterschiedliche Anzahlen von Trainingsdatensätzen für Anomalieereignisse und reguläre Batteriefunktion können durch geeignete Gewichtungsfaktoren in der Loss-Funktion berücksichtigt werden.
Nach dem Training des Anomalieprädiktionsmodells können die entsprechenden Modellparameter in das technische Gerät übertragen werden, so dass dort das Anomalieprädiktionsmodell ausgeführt werden kann, um prädiktive entsprechend einem vorgegebenen Prädiktionshorizont eine Anomalie in der entsprechenden Gerätebatterie sofort feststellen zu können.
Alternativ kann das Anomalieprädiktionsmodell auch in der Zentraleinheit ausgeführt werden.
Es kann vorgesehen sein, dass ein Auftreten eines bestimmten Fehlers der Gerätebatterie nach einer bestimmten Zeitdauer abhängig von der Zeitreihe der Eingangsgrößenvektoren erkannt wird, wenn die Auswertung des Anomalieprädiktionsmodells eine Wahrscheinlichkeit für die entsprechende Fehlerklasse über einem vorgegebenen Schwellenwert ergibt, wobei bei Feststellen des Auftretens des bestimmten Fehlers signalisiert wird, insbesondere indem eine Warnung an einen Nutzer ausgegeben wird.
Wird anhand einer Auswertung mithilfe einer Zeitreihe von Eingangsgrößenvektoren festgestellt, dass eine Anomalie, d.h. ein bestimmter Fehler, für einen bestimmten Zeitpunkt in der Zukunft mit einer bestimmten Wahrscheinlichkeit auftreten wird, kann eine Warnung an die Nutzer des technischen Geräts ausgegeben werden. Wird anhand der Fehlerart, der der Fehlerklasse zugeordnet ist, eine sicherheitskritische Anomalie festgestellt, so kann diese geräteextern kommuniziert werden und/oder die Gerätebatterie kann in einen sicheren Zustand gebracht werden, beispielsweise durch eine Schnellentladung, um die in der Batterie gespeicherte Energie abzuführen.
Das Anomalieprädiktionsmodell kann zu regelmäßigen Zeitpunkten neu trainiert werden. Insbesondere kann ein Nachtrainieren des Anomalieprädiktionsmodells dann erfolgen, wenn ein neues Anomalieereignis in einer von mehreren Gerätebatterien, die mit der Zentraleinheit verbunden sind, aufgetreten ist.
Kurzbeschreibung der Zeichnungen
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:

1 eine schematische Darstellung eines Systems zur Bereitstellung von fahrer- und fahrzeugindividuellen Betriebsgrößen zur Erkennung einer prädizierten Anomalie einer Fahrzeugbatterie in einer Zentraleinheit;
2 eine schematische Darstellung eines funktionalen Aufbaus eines Systems zur prädiktiven Erkennung eines Fehlers in einer Gerätebatterie; und
3 eine schematische Darstellung eines funktionalen Aufbaus einer Self-Attention-Einheit.

Beschreibung von Ausführungsformen
Im Folgenden wird das erfindungsgemäße Verfahren anhand von Fahrzeugbatterien als Gerätebatterien in einer Vielzahl von Kraftfahrzeugen als gleichartige Geräte beschrieben. Dazu werden ein oder mehrere elektrochemische Batteriemodelle in der Zentraleinheit basierend auf Betriebsgrößenverläufen ausgewertet und parametriert. In der Zentraleinheit wird ein Anomalieprädiktionsmodell trainiert und die Modellparameter des Anomalieprädiktionsmodells in die Steuergeräte der Fahrzeuge der Fahrzeugflotte übertragen, so dass dort durch kontinuierliche Auswertung des Anomalieprädiktionsmodells eine Anomalie erkannt werden kann.
Das obige Beispiel steht stellvertretend für eine Vielzahl von stationären oder mobilen Geräten mit netzunabhängiger Energieversorgung, wie beispielsweise Fahrzeuge (Elektrofahrzeuge, Pedelecs usw.), Anlagen, Werkzeugmaschinen, Haushaltsgeräte, IOT-Geräte und dergleichen, die über eine entsprechende Kommunikationsverbindung (z. B. LAN, Internet) mit einer geräteexternen Zentraleinheit (Cloud) in Verbindung stehen.
1 zeigt ein System 1 zum Sammeln von Flottendaten in einer Zentraleinheit 2 zur Erstellung und zum Betrieb sowie zur Auswertung eines elektrochemischen Batteriemodells und eines Batterie-Performance-Modells jeweils zur Modellierung von internen Batteriezuständen der Fahrzeugbatterie und eines Alterungszustandsmodells zur Bestimmung eines Alterungszustands einer Fahrzeugbatterie in einem Kraftfahrzeug.
1 zeigt eine Fahrzeugflotte 3 mit mehreren Kraftfahrzeugen 4. Eines der Kraftfahrzeuge 4 ist in 1 detaillierter dargestellt. Die Kraftfahrzeuge 4 weisen jeweils eine Fahrzeugbatterie 41 mit Batteriezellen 45, einen elektrischen Antriebsmotor 42 und eine Steuereinheit 43 auf. Die Steuereinheit 43 ist mit einer Kommunikationseinrichtung 44 verbunden, die geeignet ist, Daten zwischen dem jeweiligen Kraftfahrzeug 4 und einer Zentraleinheit 2 (einer sogenannten Cloud) zu übertragen.
Die Steuereinheit 43 ist insbesondere ausgebildet, um mithilfe eines Batteriemanagementsystems 46 erfasste Betriebsgrößen der Fahrzeugbatterie 41 mit einer hohen zeitlichen Auflösung, wie beispielsweise zwischen 1 und 50 Hz, wie z. B. 10 Hz, zu erfassen und diese über die Kommunikationseinrichtung 44 an die Zentraleinheit 2 zu übermitteln.
Die Kraftfahrzeuge 4 senden an die Zentraleinheit 2 die Betriebsgrößen F, die zumindest Größen angeben, welche den Alterungszustand der Fahrzeugbatterie 41 beeinflussen oder durch diesen beeinflusst werden, und die für eine Bestimmung der internen Batteriezustände, eines Alterungszustands, eine Parametrierung eines elektrochemischen Batteriemodells benötigt werden. Die Betriebsgrößen F können im Falle einer Fahrzeugbatterie einen momentanen Batteriestrom, eine momentane Batteriespannung, eine momentane Batterietemperatur und einen momentanen Ladezustand (SOC: State of Charge) angeben, sowohl auf Pack-, Modul- und/oder Zellebene. Die Betriebsgrößen F werden in einem schnellen Zeitraster von 0,1 Hz bis 50 Hz als Betriebsgrößenverläufe erfasst und können in unkomprimierter und/oder komprimierter Form regelmäßig an die Zentraleinheit 2 übertragen werden. Beispielsweise können die Zeitreihen unter Ausnutzung von Kompressions-Algorithmen zwecks Minimierung des Datenverkehrs zur Zentraleinheit 2 im Abstand von 10 min bis zu mehreren Stunden blockweise an die Zentraleinheit 2 übertragen werden.
Die Zentraleinheit 2 weist eine Datenverarbeitungseinheit 21, in der ein Teil des nachfolgend beschriebenen Verfahrens ausgeführt werden kann, und eine Datenbank 22 zum Speichern von Datenpunkten, Modellparametern, Zuständen und dergleichen auf.
Die Zentraleinheit 2 ist ausgebildet, um die Betriebsgrößenverläufe zu empfangen. Die Zentraleinheit 2 kann aus den Betriebsgrößenverläufen für die jeweilige Fahrzeugbatterie 41 in an sich bekannter Weise einen aktuellen Alterungszustand z.B. mithilfe eines Alterungszustandsmodells, einen oder mehrere interne Batteriezuständen z.B. mithilfe eines elektrochemischen Batteriemodells und/oder als Modellparameter eines Batterie-Performance-Modells und/oder ein oder mehrere Betriebsmerkmale als aggregierte oder akkumulierte oder histogrammbasierte Größen als abgeleitete Größen bestimmen.
2 zeigt beispielhaft schematisch den funktionalen Aufbau eines Systems 10 zur prädiktiven Erkennung einer Anomalie in einer Fahrzeugbatterie. Das System ist in der Zentraleinheit 2 als Software oder Hardware implementiert und wertet Zeitreihen von Betriebsgrößen aus, die Betriebsgrößenverläufe, wie beispielsweise den Batteriestrom, die Batteriespannung, den Ladezustand und die Batterietemperatur angeben.
Aus den Betriebsgrößenverläufen F werden Zeitreihen von Eingangsgrößenvektoren x_t1...x_tN zu diskreten Zeitschritten t1...tN gebildet. Die Betriebsgrößenverläufe können dazu mithilfe eines oder mehrerer Batteriemodelle und Merkmalsextraktionsmodelle vorverarbeitet werden, um einen Alterungszustand und/oder ein oder mehrere interne Batteriezustände und/oder ein oder mehrere Betriebsmerkmale bereitzustellen. Der Alterungszustand, der eine oder die mehreren internen Batteriezustände, das eine oder die mehreren Betriebsmerkmale und eine oder mehrerer der Betriebsgrößen zu einem Zeitschritt umfassen kann, können den Eingangsgrößenvektor zu einem Zeitschritt bilden.
Die Batteriemodelle können ein oder mehrere der folgenden Modelle umfassen: ein Alterungszustandsmodell 11, ein elektrochemisches Batteriemodell 12 und ein elektrochemisches Performance-Modell 13.
So kann in der Zentraleinheit 2 das Alterungszustandsmodell 11 implementiert sein, das als hybrides Modell teilweise datenbasiert ist. Das Alterungszustandsmodell 11 kann regelmäßig, d. h. z. B. nach Ablauf der jeweiligen Auswertungszeitdauer, verwendet werden, um basierend auf den zeitlichen Verläufen der Betriebsgrößen (jeweils seit Inbetriebnahme der jeweiligen Fahrzeugbatterie oder ausgehend von einem Zustand bekannter Batteriezustände) und daraus ermittelten Betriebsmerkmalen M eine Ermittlung der momentanen Alterungszustände der betreffenden Fahrzeugbatterie 41 der zugeordneten Fahrzeugflotte 3 vorzunehmen.
Das Alterungszustandsmodell 11 umfasst ein physikalisches Alterungsmodell 11a und ein Korrekturmodell 11 b. Bei dem physikalischen Alterungsmodell 11a handelt es sich um ein nichtlineares, mathematisches Modell, das auf Differentialgleichungen basiert und durch Zeitintegrationsverfahren einen physikalischen Alterungszustand berechnet. Das Auswerten des physikalischen Alterungsmodells 11a des Alterungszustandsmodells 11 mit Betriebsgrößenverläufen, insbesondere seit Lebensdauerbeginn der Gerätebatterie, führt dazu, dass sich ein interner Zustand des Gleichungssystems der physikalischen Differentialgleichungen einstellt, der einem physikalischen internen Zustand der Gerätebatterie entspricht. Da das physikalische Alterungsmodell 11a auf physikalischen und elektrochemischen Gesetzmäßigkeiten basiert, sind die Modellparameter des physikalischen Alterungsmodells Größen, die physikalische Eigenschaften angeben.
Die Zeitreihen der Betriebsgrößen F der Fahrzeugbatterie 41 gehen also direkt in das physikalische Alterungszustandsmodell 11a ein, welches vorzugsweise als elektrochemisches Modell ausgeführt ist und entsprechende interne elektrochemische Batteriezustände, wie Schichtdicken (z.B. SEI-Dicke), Änderung des zyklisierbaren Lithiums aufgrund von Anode/Kathode-Nebenreaktionen, schneller Verbrauch von Elektrolyten, langsamer Verbrauch von Elektrolyten, Verlust des Aktivmaterials in Anode, Verlust des Aktivmaterials in Kathode, etc...., mithilfe von nichtlinearen Differentialgleichungen und einem mehrdimensionalem Zustandsvektor modelliert. Das physikalische Alterungsmodell entspricht somit einer Variante eines elektrochemischen Batteriemodells.
Die durch das physikalische Alterungsmodell 11a bereitgestellten Modellwerte für den physikalischen Alterungszustand sind jedoch in bestimmten Situationen ungenau, und es kann daher vorgesehen sein, diese mit einer Korrekturgröße zu korrigieren. Die Korrekturgröße wird von dem datenbasierten Korrekturmodell 11b bereitgestellt, das mithilfe von Trainingsdatensätzen aus den Fahrzeugen 4 der Fahrzeugflotte 3 und/oder mithilfe von Labordaten trainiert wird. Insbesondere der physikalische Alterungszustand und die Korrekturgröße in einem Summierblock addiert oder ansonsten auch multipliziert (nicht gezeigt) werden, um einen Alterungszustand als Zustandsgröße für die Fahrzeugbatterie auszugeben.
Das Korrekturmodell 11b erhält eingangsseitig Betriebsmerkmale M, die mithilfe eines Merkmalsextraktionsblock 14 aus den Verläufen der Betriebsgrößen/Zellen-Betriebsgrößen F ermittelt werden und auch einen oder mehrere der internen elektrochemischen Zustände des Differentialgleichungssystems des physikalischen Modells umfassen können. Weiterhin kann das Korrekturmodell 11b eingangsseitig den aus dem physikalischen Alterungsmodell 11a erhaltenen physikalischen Alterungszustand erhalten.
Die Betriebsmerkmale M des aktuellen Auswertungszeitraums können in einem Merkmalsextraktionsblock 14 basierend auf den zeitlichen Betriebsgrößenverläufen F erzeugt werden. Zu den Betriebsmerkmalen M zählen weiterhin die inneren Zustände aus dem Zustandsvektor des elektrochemischen physikalischen Alterungsmodells 11a sowie vorteilhafterweise der physikalische Alterungszustand.
Das Merkmalsextraktionsmodell 14 ermöglicht das Aggregieren der Betriebsgrößenverläufe zu Betriebsmerkmalen, wie beispielsweise in Bezug auf das hybride Alterungszustandsmodell zuvor beschrieben. Insbesondere können die Betriebsmerkmale Zustandsmerkmale und histogrammbasierte Merkmale umfassen.
Die Betriebsmerkmale M können beispielsweise auf einen Auswertungszeitraum bezogene Merkmale und/oder über einen Auswertungszeitraum akkumulierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen umfassen. Insbesondere können die Betriebsmerkmale beispielsweise umfassen: elektrochemische Zustände, wie z. B. SEI-Schichtdicke, Änderung von zyklisierbarem Lithium aufgrund von Anoden/Kathoden-Nebenreaktionen, schnelle Aufnahme von Elektrolytlösungsmitteln, langsame Aufnahme von Elektrolytlösungsmitteln, Lithiumabscheidung, Verlust von aktivem Anodenmaterial und Verlust von aktivem Kathodenmaterial, Informationen zu Impedanzen bzw. den Innenwiderständen, Histogrammmerkmale, wie Temperatur über Ladezustand, Ladestrom über Temperatur und Entladestrom über Temperatur, insbesondere mehrdimensionale Histogrammdaten bezüglich der Batterietemperaturverteilung über dem Ladezustand, der Ladestromverteilung über der Temperatur und/oder der Entladestromverteilung über der Temperatur, den Stromdurchsatz in Amperestunden, die akkumulierte Gesamtladung (Ah), eine durchschnittliche Kapazitätszunahme bei einem Ladevorgang (insbesondere für Ladevorgänge, bei denen die Ladungszunahme über einem Schwellenanteil [z. B. 20 % ΔSOC] der gesamten Batteriekapazität liegt), die Ladekapazität sowie ein Extremwert (z. B. Maximum) der differentiellen Kapazität während eines gemessenen Ladevorgangs mit ausreichend großem Hub des Ladezustands (geglätteter Verlauf von dQ/dU: Ladungsänderung dividiert durch Änderung der Batteriespannung) oder die akkumulierte Fahrleistung. Diese Größen werden vorzugsweise so umgerechnet, dass sie das reale Nutzungsverhalten bestmöglich charakterisieren und im Merkmalsraum normiert sind. Die Betriebsmerkmale M können insgesamt oder nur teilweise für das Korrekturmodell 11b verwendet werden.
Das Trainieren des hybriden Alterungszustandsmodells erfolgt in der Zentraleinheit 2. Dazu werden Trainingsdatensätze definiert, die Zellen-Betriebsgrößenverläufe einem empirisch oder modellbasiert ermittelten Alterungszustand als Label zuordnen. Diese dienen dazu Parameter des physikalischen Alterungsmodells zu fitten und das Korrekturmodell auf das verbleibende Residuum zu trainieren.
Die Ermittlung eines Alterungszustands als Label kann in an sich bekannter Weise durch Auswertung der Betriebsgrößenverläufe mit einem zusätzlichen Alterungsmodell in dem Fahrzeug oder in der Zentraleinheit 2 unter definierten Last- und Umgebungs-Bedingungen einer Labelerzeugung erfolgen, wie z. B. in einer Werkstatt, auf einem Prüfstand oder einem Diagnose- oder Labelerzeugungsmodus, der einen Betriebsmodus darstellt und das Einhalten vorbestimmter Betriebsbedingungen der Fahrzeugbatterie, wie z. B. konstanter Temperatur, konstanter Strom und dergleichen garantiert. Beispielsweise kann der Alterungszustand durch Coloumb-Counting zur Ermittlung einer verbleibenden Gesamtkapazität der Fahrzeugbatterie ermittelt werden.
Weiterhin kann in der Zentraleinheit 2 ein elektrochemisches Batteriemodell verwendet werden, um innere Batteriezustände zu modellieren. Das elektrochemische Batteriemodell basiert auf einem Differentialgleichungssystem mit einer Mehrzahl von nichtlinearen Differentialgleichungen. Die Betriebsgrößendaten ermöglichen eine Modellierung eines aktuellen Batteriezustands mithilfe eines Zeitintegrationsverfahrens. Derartige elektrochemische Batteriemodelle sind beispielsweise aus den Druckschriften US 2020/150,185A , WO2022017984A1 , EP3919925A1 , DE102020206915B3 und US20210373082A1 bekannt.
Weiterhin kann ein Batterie-Performance-Modell 13 in Form eines elektrochemischen Batteriemodells vorgesehen sein, das durch seine Modellparameter charakterisiert ist und einen internen Zustand der Batteriezellen modelliert. Das elektrochemischen Batteriemodell basiert auf elektrochemischen durch die Modellparameter parametrierten Modellgleichungen, welche elektrochemische Zustände eines nichtlinearen Differentialgleichungs-Systems charakterisieren und fortlaufend gemäß einem Zeitintegrationsverfahren ausgewertet werden können. Das elektrochemische Batterie-Performance-Modell entspricht allgemein einem Beobachtermodell, das einen Batteriestrom und eine Batterietemperatur einer Batteriespannung zuordnet, mit dem Ziel eine Dynamik der Batterie zu beschreiben.
Das elektrochemische Batterie-Performance-Modell 13 kann in Ruhephasen an die Betriebsgrößenverläufe z. B. mithilfe eines Least-Square-Verfahrens oder Ähnlichem angefittet werden. Basierend auf dem Batterie-Performance-Modell 13 kann für die Batteriezellen auf Basis der gefitteten elektrochemischen Modellparameter der Alterungszustand ermittelt werden. Das elektrochemische Batterie-Performance-Modell 14 kann Batteriezustände modellieren und durch Modellparameter, insbesondere Gleichgewichtsparameter und kinetische Parameter, beschrieben sein. Die Modellparameter können in regelmäßigen Abständen durch Fitten neu parametriert werden, insbesondere wenn Betriebsgrößenverläufe mit hoher Abtastrate für einen definierten Zeitabschnitt von mindestens einigen (z. B. drei) Stunden vorliegen. Derartige Modellparameter des Batterie-Performance-Modells 14 können als Batteriezustände interpretiert werden.
Aus der Auswertung der oben beschriebenen Modelle zu einem bestimmten Zeitpunkt/Zeitschritt ergeben sich Eingangsgrößen für ein Anomalieprädiktionsmodell 15, die eine oder mehrere der folgenden Größen umfassen: der Alterungszustand, ein oder mehrerer der inneren Batteriezustände des elektrochemischen Batteriemodells, ein oder mehrere Modellparameter des Batterie-Performance-Modells und/oder ein oder mehrere Betriebsmerkmale. Weiterhin umfassen die Eingangsgrößen des Anomalieprädiktionsmodells 15 die Betriebsgrößen der Betriebszustandsverläufe, insbesondere gemittelt über die Zeitdauer zwischen zwei aufeinanderfolgenden Zeitschritten.
Das Anomalieprädiktionsmodell 15 umfasst ein Zeitreihen-Transformer-Modell 16 und ein datenbasiertes Prädiktionsmodell 17.
Die Eingangsgrößen für das Anomalieprädiktionsmodell 15 werden in Form einer Zeitreihe {x_t1, x_t2, ...x_tn} von Eingangsgrößenvektoren x_t1, x_t2, ...x_tn für aufeinanderfolgende Zeitschritte bereitgestellt
In dem Zeitreihen-Transformer-Modell 16 wird in einem Vorverarbeitungsblock 16a zunächst die Zeitreihe von Eingangsgrößenvektoren {x_t1, x_t2, ...x_tn} zu einer ersten Menge von N Zustandsgrößenvektoren $z_{1 \dots N}^{0}$
verarbeitet.
Dies wird durch ein Zeitmerkmalscodierer ZM und einen Datenmerkmalscodierer DM erreicht. Der Zeitmerkmalscodierer ZM kann einfach eine relative Zeitdifferenz zurück in der Zeit angeben, wie z. B. f_time(t_N) = 0, f_time(t_N-1) = t_N - t_N-1 usw.
Der Datenmerkmalscodierer DM kann als datenbasiertes Modell, z.B. ein neuronales Netz, vorgesehen sein, um eine Merkmalsextraktion zu Datenmerkmalen f_data vorzunehmen. Diese kann beispielsweise der Dimensionsreduzierung dienen. Es ergibt sich für jeden Eingangsgrößenvektor {x_t1, x_t2, ...x_tn} zu jedem Zeitschritt t1 ...tN ein erster Zustandsgrößenvektor $z_{1 \dots N}^{0} = {[f_{t i m e}, f_{d a t a}]}^{T} .$

Damit kann die Dimensionalität des Zustandsvektors z geändert werden und somit die Anzahl der Parameter des gesamten Netzwerks reduziert werden.
Diese Menge von ersten Zustandsgrößenvektoren $z_{1 \dots N}^{0}$
wird seriell durch ein oder mehrere (Anzahl S) Multi-Head-Self-Attention-Module 16b verarbeitet. Jedes Multi-Head-Self-Attention-Modul 16b verarbeitet einen jeweiligen Zustandsgrößenvektor $z_{1 \dots N}^{s - 1}$
der s-ten Stufe zu einem ausgangsseitigen Zustandsgrößenvektor $z_{1 \dots N}^{s}$
gleicher Dimension, so dass die Multi-Head-Self-Attention-Module 16b in beliebiger Anzahl S aneinandergereiht werden können.
Jedes Multi-Head-Self-Attention-Modul 16b hat M parallele Self-Attention-Einheiten 16c, die die unterschiedlichen Merkmale der Menge der jeweiligen eingangsseitigen Zustandsgrößenvektoren $z_{1 \dots N}^{s - 1}$
berücksichtigt. Die Eingangsvektoren und Ausgangsvektoren für jede der Self-Attention-Einheiten 16c weisen dieselbe Dimensionalität auf, die mithilfe eines Reduzierungsmodells 16d in Form eines datenbasierten Modells, wie z. B. eines tiefen neuronalen Netzes, auf die Dimension der Zustandsgrößenvektoren $z_{1 \dots N}^{s}$
verringert werden kann.
Wie in 3 dargestellt verarbeitet jede Self-Attention-Einheit 16c die Menge von Zustandsgrößenvektoren $z_{1 \dots N}^{s - 1}$
als Matrix Q, um eine Matrix in Form QK^T zu erhalten.
Jede Self-Attention-Einheit 16c verarbeitet den Zustandsgrößenvektor $z_{1 \dots N}^{s - 1}$
in an sich bekannter Weise mit einem Query (Q)-Key(K) -Value(V)-Triplett.
Die Matrizen Q, K, und V werden aus den Eingangsgrößenvektoren (Dimension dim_input) der Zeitreihe ermittelt. Allgemein codiert die Matrix Q, auf welchen anderen Eingangsgrößenvektor sich der betreffende Eingangsgrößenvektor bezieht, und die Matrix K eine Repräsentation des Eingangsgrößenvektors. Durch Multiplikation erhält man den Self-Attention-Score S. Die Matrix Q wird bestimmt als Q = T_q * Z in Form einer Matrix der Dimension dim x N. dim entspricht der Größe des eingangsseitigen Zustandsgrößenvektors und N der Länge der Zeitreihe. T_q entspricht gelernten Modellparametern der Größe dim x dim_input und Z entspricht einer Matrix aus den Eingangsgrößenvektoren x mit der Dimension dim_input x N.
Auf ähnliche Weise wird die Matrix K als K = T_k * Z in Form einer Matrix der Dimension dim x N berechnet, dim entspricht der Größe des eingangsseitigen Zustandsgrößenvektors und N der Länge der Zeitreihe. T_k entspricht gelernten Modellparametern der Größe dim x dim_input und Z entspricht einer Matrix aus den Eingangsgrößenvektoren x mit der Dimension dim_input x N.
Die Matrix V wird bestimmt als V = T_v * Z in Form einer Matrix der Dimension dim x N. dim entspricht der Größe des eingangsseitigen Zustandsgrößenvektors und N der Länge der Zeitreihe. T_v entspricht gelernten Modellparametern der Größe dim x dim_input und Z entspricht einer Matrix aus den Eingangsgrößenvektoren x mit der Dimension dim_input x N.
Die Modellparameter T_q, T_k, T_v werden beim Training des Anomalieprädiktionsmodells 15 trainiert.
Dann wird der Self-Attention-Score in Form der Self-Attention-Score-Matrix SAS berechnet, der jeweils angibt, in welchem Maß jeder Zustandsgrößenvektor $z_{j \in 1 \dots N}^{s - 1}$
zu einem bestimmten Zeitschritt von einem anderen Zustandsgrößenvektor $z_{1 \dots j - 1, j + 1 \dots N}^{s - 1}$
zu einem anderen Zeitschritt abhängt.
Die resultierende Matrix wird dazu maskiert. Dazu wird eine Maskierung durch eine Maskierungsmatrix MASK verwendet, die die Elemente der Matrix bezogen auf Zeitschritte so berücksichtigt, dass das Bewertungsmaß/Score des aktuellen Zustandsgrößenvektors nicht von künftigen Zustandsgrößenvektoren abhängen kann. Die entsprechenden Elemente der Matrix werden dazu mit -∞ belegt.
Anschließend wird zeilenweise der Elemente der maskierten Matrix eine softmax-Funktion 16e angewendet, um eine Self-Attention-Score-Matrix SAS zu erhalten.
Die resultierende Self-Attention-Score-Matrix SAS wird durch die Value-Matrix V gewichtet und optional durch ein Merkmalsextraktionsmodell 16f weiterverarbeitet.
Diese Schritte entsprechen den herkömmlichen Schritten zur Ausführung eines Transformer-Modells, wie es z.B. aus Qingsong Wen et al., „Transformers in Time Series: A Survey“, arXiv:2202.07125 bekannt ist.
Die Menge von Zustandsgrößenvektoren $z_{1 \dots N}^{S},$
die man ausgangsseitig eines oder mehreren der Multi-Head-Self-Attention-Module 16b erhält, wird nun mithilfe eines Prädiktionsmodells 17 in ein Klassifikationsergebnis umgewandelt, das eine Vorhersage über das Auftreten eines Fehlers einer bestimmten Fehlerart zu einem bestimmten in der Zukunft liegenden Zeitpunkt angibt.
Nach dem Erstellen des Anomalieprädiktionsmodells 15 können Modellparameter an die Fahrzeuge 4 übermittelt werden, so dass das Anomalieprädiktionsmodell 15 dort ausgeführt werden kann. Die Modellparameter können nach jedem Aktualisieren des Anomalieprädiktionsmodells 15 in der Zentraleinheit 2 in den Fahrzeugen 4 aktualisiert werden.
Die Auswertung des Anomalieprädiktionsmodells 15 in dem Fahrzeug ergibt eine Angabe zu einer Ausfallwahrscheinlichkeit bzw. der Auftretenswahrscheinlichkeit einer Anomalie bzw. eines Fehlers einer bestimmten Fehlerart zu einem vorbestimmten Zeitpunkt in der Zukunft durch einen Wert der Modellausgabe in einer Fehlerklasse. Wird für eine bestimmte Fehlerklasse eine Wahrscheinlichkeit über einem bestimmten Schwellenwert festgestellt, so kann eine Warnung signalisiert werden, beispielsweise in Form eines optischen oder akustischen Signals. Alternativ kann die Fahrzeugbatterie 41 in einen sicheren Zustand verbracht werden, wenn die prädizierte Ausfallwahrscheinlichkeit über dem vorgegebenen Schwellenwert und die Fehlerklasse einen kritischen Fehler und eine geringe Zeitdauer angibt, nach der der Fehler wahrscheinlich auftreten wird.
Das Training des Anomalieprädiktionsmodells 15 kann allgemein basierend auf Trainingsdatensätzen erfolgen. Diese können Trainingsdatensätze für aufgetretene Fehlerfälle in der Fahrzeugflotte 3 umfassen. Ist ein Fehlerfall aufgetreten wird einer Fehlerklasse, die die bestimmte Fehlerart und eine Zeitdauer angibt, nach der der bestimmte Fehler auftreten sollte, als Label eine „1“ zugeordnet. Das Label wird einer Zeitreihe von Eingangsgrößenvektoren zugeordnet, dessen letzter Zeitschritt um die Zeitdauer vor dem Zeitpunkt des Auftretens des Fehlers liegt. Weiterhin können Trainingsdatensätze für ordnungsgemäße Batterien erstellt werden, d.h. es wird das Label „0“ allen Fehlerklassen zugeordnet. Das Training des Anomalieprädiktionsmodells 15 erfolgt in an sich bekannter Weise mithilfe gradientenbasierter Trainingsverfahren, wie z.B. Backpropagation.
Das Anomalieprädiktionsmodell 15 kann bei jedem Auftreten einer oder mehrerer neuen Anomalien in den Fahrzeugbatterien 41 der in Kommunikationsverbindung mit der Zentraleinheit 2 stehenden Fahrzeuge nachtrainiert werden. Unabhängig davon kann zusätzlich das Anomalieprädiktionsmodell 15 in regelmäßigen Zeitabständen, wie beispielsweise alle sechs Monate, nachtrainiert werden, um neue Informationen der Batteriealterungen der gesamten Flotte zu berücksichtigen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 2020150185 A [0005, 0019, 0079]
WO 2022017984 A1 [0005, 0019, 0079]
EP 3919925 A1 [0005, 0019, 0079]
DE 102020206915 B3 [0005, 0019, 0079]
US 20210373082 A1 [0005, 0019, 0079]
DE 102019208372 A1 [0009]

Zitierte Nicht-Patentliteratur

K. Park, Y. Choi, W. J. Choi, H. -Y. Ryu and H. Kim, „LSTM-Based Battery Remaining Useful Life Prediction With Multi-Channel Charging Profiles,“ in IEEE Access, vol. 8, pp. 20786-20798 [0010]

Claims

Verfahren zum Überwachen einer Gerätebatterie (41) zum prädiktiven Erkennen eines Fehlers der Gerätebatterie (41) in einem technischen Gerät (4), mit folgenden Schritten: - Bereitstellen eines zeitlichen Betriebsgrößenverlaufs (F) von mehreren Betriebsgrößen einer bestimmten Gerätebatterie (41); - Ermitteln einer Zeitreihe von Eingangsgrößenvektoren ({x_t1, x_t2, ...x_tn}) jeweils mit Elementen, die für einen Zeitschritt eine oder mehrere Betriebsgrößen und/oder ein oder mehrere davon abgeleitete Größen umfassen; - Auswerten eines datenbasierten Anomalieprädiktionsmodells (15), das ein datenbasiertes Zeitreihen-Transformer-Modell (16) und ein datenbasiertes Prädiktionsmodell (17) umfasst, wobei das Anomalieprädiktionsmodell (15) als Klassifikationsmodell basierend auf Trainingsdatensätzen trainiert ist, die jeweils einer Zeitreihe von Eingangsgrößenvektoren ({x_t1, x_t2, ...x_tn}) eine Auftretenswahrscheinlichkeit eines bestimmten Fehlers der Gerätebatterie (41) nach einer bestimmten Zeitdauer nach dem letzten Zeitschritt der Zeitreihe der Eingangsgrößenvektoren ({x_t1, x_t2, ...x_tn}) zuordnen, - Prädiktives Erkennen eines Auftretens eines bestimmten Fehlers der Gerätebatterie (41) nach einer bestimmten Zeitdauer basierend auf einer Auswertung des Anomalieprädiktionsmodells (15) abhängig von der Zeitreihe der Eingangsgrößenvektoren ({x_t1, x_t2, ...x_tn}), insbesondere bis zu einem aktuellen Zeitpunkt.
Verfahren nach Anspruch 1, wobei die eine oder mehreren abgeleiteten Größen ein oder mehrere von den Betriebsgrößenverläufe abgeleitete Betriebsmerkmale und/oder einen von den Betriebsgrößenverläufen abgeleiteten Alterungszustand und/oder einen oder mehrere interne von den Betriebsgrößenverläufen abgeleitete Batteriezustände und/oder einen oder mehrere Modellparameter eines an die Betriebsgrößenverläufe gefitteten Batteriemodells umfassen.
Verfahren nach Anspruch 1 oder 2, wobei das Zeitreihen-Transformer-Modell (16) einen Vorverarbeitungsblock (16a) aufweist, um eine Menge von ersten Zustandsgrößenvektoren $(z_{1 \dots N}^{0})$
bereitzustellen, wobei die Menge von ersten Zustandsgrößenvektoren $(z_{1 \dots N}^{s = 1 \dots S})$
durch eine serielle Abfolge von Multi-Head-Self-Attention-Modulen (16b) zu einer resultierenden Menge von weiteren Zustandsgrößenvektoren $(z_{1 \dots N}^{s = 1 \dots S})$
verarbeitet wird, wobei die resultierende Menge von weiteren Zustandsgrößenvektoren $(z_{1 \dots N}^{s = 1 \dots S})$
in dem Prädiktionsblock (17) einer Fehlerklasse zugeordnet wird, wobei die Fehlerklasse die Fehlerart und die Zeitdauer angibt, nach der ein Fehler der Fehlerart auftreten wird.
Verfahren nach Anspruch 3, wobei im Vorverarbeitungsblock (16a) als erste Zustandsgrößenvektoren $(z_{1 \dots N}^{0})$
jeweils ein Zeitmerkmal der Zeitreihe als Zeitdifferenzen zwischen den Zeitschritten und Datenmerkmale aus dem jeweiligen Eingangsgrößenvektor des jeweiligen Zeitschritts gebildet werden.
Verfahren nach Anspruch 3 oder 4, wobei mindestens eines der Multi-Head-Self-Attention-Module (16b) eine Vielzahl von Self-Attention-Einheiten (16c) aufweist, wobei jede der Self-Attention-Einheiten (16c) die Menge der weiteren Zustandsgrößenvektoren $(z_{1 \dots N}^{s = 1 \dots S})$
eingangsseitig des mindestens einen der Multi-Head-Self-Attention-Module (16b) basierend auf trainierbaren Modellparametern transformiert, um ausgangsseitig eine weitere Menge der weiteren Zustandsgrößenvektoren $(z_{1 \dots N}^{s = 1 \dots S})$
bereitzustellen.
Verfahren nach einem der Ansprüche 1 bis 5, wobei das Anomalieprädiktionsmodell (17) in einer geräteexternen Zentraleinheit (2) trainiert wird, die mit einer Vielzahl von Gerätebatterien (41) in Kommunikationsverbindung steht, um deren zeitlichen Betriebsgrößenverläufe (F) auszuwerten, wobei die Modellparameter des Anomalieprädiktionsmodells (15) nach dem Training an die technischen Geräte (4) übertragen werden.
Verfahren nach einem der Ansprüche 1 bis 6, wobei der bestimmte Fehler einen Sudden Death, einen Knee-Point bzw. einen Kapazitätseinbruch und/oder ein thermisches Event, wie einen Thermal Runaway umfasst.
Verfahren nach einem der Ansprüche 1 bis 7, wobei ein Auftreten eines bestimmten Fehlers der Gerätebatterie (41) nach einer bestimmten Zeitdauer abhängig von der Zeitreihe der Eingangsgrößenvektoren ({x_t1, x_t2, ...x_tn}) erkannt wird, wenn die Auswertung des Anomalieprädiktionsmodells (15) eine Wahrscheinlichkeit für die entsprechende Fehlerklasse über einem vorgegebenen Schwellenwert ergibt, wobei bei Feststellen des Auftretens des bestimmten Fehlers signalisiert wird, insbesondere indem eine Warnung an einen Nutzer ausgegeben wird.
Vorrichtung zur Durchführung eines der Verfahren nach einem der Ansprüche 1 bis 8.
Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 8 auszuführen.
Maschinenlesbares Speichermedium, umfassend Befehle, die bei der Ausführung durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 8 auszuführen.