对技术设备的设备电池组进行预测性诊断的方法和装置与流程

本发明涉及用于对技术设备的设备电池组进行预测性监控的方法、尤其是用于通过预测性异常检测来对设备电池组进行前瞻性诊断的方法。

背景技术：

1、对独立于电网地运行的电气设备和机器、诸如电可驱动机动车的能量供应通常使用设备电池组或车辆电池组来实现。这些设备电池组或车辆电池组为设备的运行提供电能。

2、设备电池组会在其使用寿命期间并且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能力或蓄能容量持续下降。健康状态对应于用于指示蓄能器的老化的量度。按照惯例，新的设备电池组可具有为100％的健康状态(关于该设备电池组的容量，soh-c)，该健康状态随着其使用寿命的推移而显著降低。设备电池组的老化的量度(健康状态的随时间的变化)取决于设备电池组的单独的负载，也就是说对于机动车的车辆电池组而言取决于驾驶员的使用行为、外部环境条件以及取决于车辆电池组类型。

3、为了监控来自多个设备中的设备电池组，运行参量数据通常持续被记录并且作为运行参量变化过程成块地被传输给设备外部的中央单元。为了评估这些运行参量数据、尤其是在基于微分方程的物理或电化学电池组模型中评估这些运行参量数据，这些运行参量数据以例如在1与100hz之间的相对高的时间分辨率(采样率)作为变化过程来被采样，并且据此借助于时间积分方法来确定相应的电池组状态。

4、为了评估这些运行参量数据、尤其是为了确定健康状态，可以使用电化学电池组模型，该电化学电池组模型基于具有多个非线性微分方程的微分方程组。运行参量数据使得能够借助于时间积分方法来对当前电池组状态进行建模。此类电化学电池组模型例如从出版文献us 2020/150185a、wo2022017984a1、ep3919925a1、de102020206915b3和us20210373082a1中公知。

5、在电池组供电的技术设备中，所使用的设备电池组的正常运行尤其是在能量密度高的情况下出于安全原因必须定期被监控是否有故障。如果电池组电池中的一个、由多个电池组电池构成的单元或者整个设备电池组失效，则技术设备可能由于所发生的故障而变得无法运行，并且在功能性故障导致温度急剧升高的情况下也许还可能损害技术设备和用户的安全性。

6、然而，到目前为止，由于基于规则的异常检测，只有当超过或低于如电池电压、模块温度、电流值或充电状态值以及健康状态值等运行参量的所使用的故障阈值时，才识别出在设备电池组中有故障。

7、出版文献de 102019208372 a1例如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，该方法具有以下步骤：检测运行参量向量，该运行参量向量指示该技术系统的运行状态并且包括多个运行状态参量，其中，这些运行状态参量包括至少一个环境状态参量以及系统状态参量，该至少一个环境状态参量指示在其中运行该技术系统的环境条件，这些系统状态参量指示该技术系统的内部系统状态；提供环境状态模型和异常检测模型，其中，该环境状态模型根据环境状态参量中的至少一个环境状态参量在使用该异常检测模型的情况下指示该运行参量向量的关于异常的存在的可验证性，而且其中，该异常检测模型根据该运行参量向量来指示所预期的异常的存在；根据基于该环境状态模型对该运行参量向量的至少一个环境状态参量的评价并且根据依赖于该异常检测模型对该运行参量向量的评价，报告异常或者非异常的存在。

技术实现思路

1、按照本发明，提供了一种按照权利要求1所述的用于对技术设备的具有一个或多个电池组电池的设备电池组进行监控的方法以及一种按照并列权利要求所述的装置和电池组系统。

2、其它的设计方案在从属权利要求中说明。

3、按照第一方面，提供了一种用于监控技术设备中的设备电池组的方法，该方法具有如下步骤：

4、-提供特定设备电池组的多个运行参量的随时间的运行参量变化过程；

5、-根据该随时间的运行参量变化过程，确定至少一个运行特征点，该运行特征点表征在随时间的运行参量变化过程中的在最新的变点时间点与次新的变点时间点之间的时间段内的电池组状态和/或运行历史；

6、-评估所提供的轨迹图模型，该轨迹图模型具有分别带有表征性的运行特征点的节点，这些节点经由分别带有转移概率的有向转移来连接，其中，这些节点中的至少一个节点对应于异常节点，该异常节点分配有指示或对应于该设备电池组的特定故障的运行特征点；

7、-将所确定的运行特征点分配到该轨迹图模型的节点中的作为监控节点的一个节点；

8、-将发生该特定故障的总概率确定为经过该轨迹图模型从该监控节点到该异常节点的所有可能路径的所有路径概率之和，其中，通过沿着相应路径的节点的转移概率的乘积来指示路径概率；

9、-根据该总概率，识别并且报告当前的故障或者即将发生故障。

10、虽然通常用于异常检测的基于自编码器的方法能够将当前电池组状态分类为正常或异常，但是无法借此可靠地预测未来将在何时发生失效事件。然而，据观察，诸如热失控(thermal-runaway)事件或者设备电池组的完全失效(突然死亡(sudden death))等安全关键事件是通过电池组内部状态的发展而提前预示来临的，使得原则上能够基于此来预测这种关键事件。

11、上述基于轨迹图模型的用于预测性地识别设备电池组中的异常、即将来的在该设备电池组中发生的故障的方法在设备外部的中央单元中被提供，该中央单元与技术设备的多个设备电池组保持通信连接，以便评估这些设备电池组的运行参量变化过程。

12、由于能力原因，在设备外部的中央单元中确定多个设备的设备电池组的电池组内部状态。为此，这些设备将设备电池组的以诸如电池组电流、电池组温度、充电状态和/或电池组电压等运行参量的时间序列为形式的随时间的运行参量变化过程传送给该中央单元，其中，在该中央单元中确定当前的电化学电池组内部状态和/或健康状态。通过对这些运行参量变化过程的评估，可以基于针对设备电池组的相对应的电池组类型所提供的电化学电池组模型，计算/确定特定于设备的电池组内部状态以及必要时其它参量，诸如健康状态。该评估可以关于整个设备电池组、各个电池组电池或者由多个电池组电池构成的单元/模块来进行。

13、为了评估这些运行参量变化过程，可以借助于时间积分方法来评估一个或多个分别利用微分方程组所形成的电池组模型，以便获得健康状态和/或一个或多个电池组状态。此外，基于这些运行参量变化过程，可以拟合电池组模型的一个或多个模型参数，所述模型参数同样可以指示电池组状态。此外，这些随时间的运行参量变化过程可以被聚合成作为统计或累积参量的运行特征，以便表征设备电池组的循环负载。

14、这样，例如可以借助于健康状态模型依据这些运行参量变化过程来确定设备电池组的健康状态。

15、对于设备电池组，健康状态(soh：state ofhealth)是用于指示剩余电池组容量或者剩余电池组电量的关键参量。健康状态是对设备电池组的老化的量度。在设备电池组或电池组模块或电池组电池的情况下，健康状态可以被指示为容量保持率(capacityretentionrate，soh-c)。容量保持率soh-c、即与容量相关的健康状态，被指示为所测量到的当前容量与充满电的电池组的初始容量之比并且随着老化增加而降低。替代地，健康状态可以被指示为内阻相对于在设备电池组的使用寿命开始时的内阻的升高(soh-r)。内阻的相对变化soh-r随着电池组的老化增加而升高。

16、在该中央单元中，可以评估健康状态模型，以便为单独的设备电池组确定健康状态。例如，可以借助于物理老化模型来确定当前健康状态，该物理老化模型是电化学电池组模型的一种形式。该物理老化模型对应于微分方程组，并且借助于时间积分方法来被评估。该微分方程组可以通过相同类型的多个设备电池组的运行参量变化过程来被参数化。

17、这种物理健康状态模型在某些情况下不准确，而且通常具有模型偏差，特别是在无校准情况下、如在其中无法预测用于模型补偿的真实开路电压的预测的情况下，模型偏差高达5％以上。此外，由于物理老化模型的不准确，该物理老化模型只能还算准确地指示设备电池组的当前健康状态。

18、为了改善健康状态模型的精度，该健康状态模型可以以混合健康状态模型、即物理老化模型与基于数据的校正模型的组合的形式来被提供。在混合健康状态模型的情况下，物理健康状态可以借助于物理或电化学老化模型来被确定，并且该物理健康状态可以被加载校正值，该校正值从基于数据的校正模型中得出，尤其是通过加法或乘法。如上所述，物理老化模型基于电化学模型方程，这些电化学模型方程表征非线性微分方程组的电化学状态、连续计算这些电化学状态并且为了输出而将这些电化学状态映射到物理健康状态上，作为soh-c和/或作为soh-r。这些计算通常可以在云中例如每周被执行一次。

19、此外，基于数据的混合健康状态模型的校正模型可以被设计得具有概率回归模型或者基于人工智能的回归模型、尤其是高斯过程模型，并且可以被训练用于校正通过物理老化模型所获得的健康状态。因此，为此存在用于校正soh-c的基于数据的健康状态校正模型和/或用于校正soh-r的至少一个另外的基于数据的健康状态校正模型。高斯过程的可能的替代方案是其它监督学习方法，如基于随机森林模型、adaboost模型、支持向量机(support-vector-machine)或贝叶斯神经网络。

20、该校正模型可以使用运行特征作为输入参量，这些运行特征是借助于特征提取或feature-extraction方法从这些运行参量变化过程中被确定的，其中，借助于信号处理技术方面的操作来计算这些特征或features。被分配给运行参量变化过程的运行特征定义了相关蓄能器的运行特征点，该运行特征点描绘了由于蓄能器的循环运行(循环老化)以及蓄能器的日历老化(自投入运行或使用寿命开始以来经过的时长)所引起的负载状态。

21、这些运行特征可以包括累积的基于负载的特征或者聚合特征和/或在到目前为止的整个使用寿命期间所确定的统计参量。尤其是可以将来自直方图数据中的特征确定为运行特征，这些直方图数据是根据这些运行参量的变化过程来被创建的。这样，例如可以创建关于随车辆电池组的电池组温度和充电状态的电池组电流的直方图、随车辆电池组的充电状态的电池组温度的直方图、随电池组温度的充电电流的直方图和随电池组温度的放电电流的直方图。此外，可以考虑分别自从设备电池组投入运行以来的累积总电量(ah)、在充电过程(尤其是对于其中电量增加高于整个电池组容量的阈比例[例如20％δsoc]的充电过程来说)中的平均容量增加、充电容量以及在所测量的具有充电状态的足够大的提升的充电过程期间的平滑微分容量的极值(例如局部最大值)(dq/du的平滑变化过程：电量变化除以电池组电压的变化)或者累积的行驶里程(fahrleistung)，作为运行特征。其它运行特征可以对应于：频谱峰度的局部极值，其在充电过程上针对电流或电压信号来被评估；小波变换的一个或多个系数；和/或傅里叶变换的一个或多个系数，它们分别针对充电过程针对电流或电压信号或者被分配给所定义的频带的变换后的频谱值来被评估。

22、因此，可以从关于这些运行参量的直方图中推导出运行特征。据此，可以借助于特征工程(feature-engineering)或者特征提取方法来提取运行特征，诸如这些直方图的平均值、标准差，以及多维统计值，如平均值、中值、最小值、最大值、分布矩等。

23、借助于电化学电池组模型，可以确定电池组内部状态。该电化学电池组模型包括微分方程组，该微分方程组借助于时间积分方法基于通过模型参数来被参数化的微分方程来对电池组内部状态、尤其是平衡状态以及必要时动力学状态进行建模，并且提供在设备电池组的电池组电池的运行参量、即该设备电池组的电池组电流、电池组电压、电池组温度和充电状态之间的关系。该电化学电池组模型可以在设备外部的中央单元中或者在用于单独的设备电池组的控制器中被评估，以便确定电池组内部状态。此类电化学电池组模型例如从出版文献us 2020/150185a、wo2022017984a1、ep3919925a1、de102020206915b3和us20210373082a1中公知。

24、在该中央单元中，该电化学电池组模型的模型参数可以基于在空闲阶段在短时间段(几分钟直至几小时)内所检测到的相同类型的多个设备电池组的运行参量变化过程在有限的时间段内被拟合或参数化(通过平方误差的最小化来调整这些模型参数)，其中，可以推导出电化学平衡参数和/或动力学模型参数，这些电化学平衡参数和/或动力学模型参数例如可以包括电解质浓度、反应速率、层厚度、孔隙率等等。该参数化可以基于利用本身公知的方法对设备电池组的健康状态的高精度测量来实现。

25、此外，在该中央单元中，可以基于这些运行参量变化过程来评估电池组性能模型，以便提供等效电路图参数，诸如电池组等效电路图的内阻和容量。

26、此外，所推导出的一个或多个参量可以包括：从这些运行参量变化过程推导出的一个或多个运行特征；和/或从这些运行参量变化过程推导出的健康状态；和/或从这些运行参量变化过程推导出的一个或多个电池组内部状态；和/或与这些运行参量变化过程拟合的电池组模型的一个或多个模型参数。

27、基于所提供的作为电池组电流、电池组电压、充电状态和电池组温度的时间序列来被提供的运行参量变化过程，在借助于健康状态模型从中推导出的健康状态上，在从电化学老化模型中确定的、作为通过微分方程组以及必要时已经针对校正模型借助于特征提取块所确定的运行特征(这些运行特征从这些运行参量变化过程中作为聚合参量被推导出)、诸如基于直方图的信号所进行的评估结果的一个或多个电池组内部状态上，训练或评估异常预测模型。

28、上述方法基于轨迹图模型(轨迹图(trace-graphen))，该轨迹图模型是基于多个正常或异常的、即有故障的设备电池组的运行特征点来被创建的。这些运行特征点对应于设备电池组的电池组状态和运行历史的组合，而且通过一个或多个运行参量、一个或多个运行特征、一个或多个电池组状态和/或健康状态的关于这些运行参量变化过程的特定时间点或特定时间段的组合来被确定。因此，这些运行特征点表示关于在特定时间点的设备电池组的状态及其运行历史的特征指示。

29、轨迹图包括节点，这些节点分别分配有运行特征点，该运行特征点指示设备电池组的在运行参量变化过程的特征时间段结束时的状态。这些节点作为起始节点经由作为有向转移的边来与一个或多个其它节点(结束节点)连接。这些转移表征被分配给这些节点的特征时间段的时间序列。转移从起始节点延伸到结束节点。这些转移中的每个转移都配备有概率，根据该概率，从起始节点的时间段开始，分别跟随有结束节点的另一时间段。

30、通过如下方式来创建这种轨迹图：分析多个设备电池组的运行参量变化过程，以便尤其是借助于jenks natural breaks算法，确定变点时间点作为运行参量的特征变化过程发生变化的时间点。因此，通过确定在这些运行参量变化过程中的变点时间点，可以定义不同时长的时间段，分别给这些时间段分配该轨迹图模型中的节点。

31、这些节点包含这些运行参量变化过程的时间段的紧凑表示，并且通过在相应时间段的时间点(变点时间点)的运行特征点来被确定。运行特征点也包括通过该运行特征点所表示的时间段的时长。此外，这些时间段中的每个时间段都分配有指示，该指示指代相关设备电池组的运行参量变化过程的后续时间段。

32、为了创建该轨迹图模型，运行特征点可以借助于适合的方法来被分组或聚类，例如借助于本身公知的基于相似度量度或距离量度(诸如欧几里得距离)的聚类方法，以便这样对被分配给类似的电池组状态和类似的运行历史的那些运行特征点进行分组并且将这些运行特征点分配给该轨迹图模型中的同一节点。

33、同时，根据对这些运行参量变化过程的时间段的运行特征点的确定以及对全部运行参量变化过程的时间段的时间序列的评估，得出从该轨迹图模型的表示所分配的运行参量变化过程的时间段的节点到该轨迹图模型的如下后续节点的转移的频率分布，该后续节点表示所分配的运行参量变化过程的相应后续的时间段。换言之，通过评估同一设备电池组的连续时间段的运行参量变化过程，给每个运行特征点都分配后续的运行特征点。通过评估被分配给特定节点的运行特征点的后续运行特征点的频率，可以确定从该轨迹图模型的起始节点的转移概率。这些转移概率指示：在被分配给特定起始节点的运行参量变化过程的时间段之后跟随有具有如下运行参量变化过程的时间段的概率，该运行参量变化过程通向运行特征点或通过该运行特征点来表示并且被分配给相对应的结束节点。起始节点和结束节点也可能是相同的。

34、因此，通过评估多个设备电池组，可以确定分别通过节点来表示的不同的运行特征点。其中还包括应被分配给设备电池组的异常电池组行为或关键故障的运行特征点。通过创建该轨迹图模型，对于表征异常电池组状态的节点还得出相对应的转移概率。

35、因此，可以对轨迹图进行评估，以便确定由于被分配给特定节点的电池组故障所引起的失效概率和直至由于发生特定电池组故障而引起的设备电池组的可能的失效为止的时长。为此，通过评估在当前时间点或者在所查明的变点时间点的运行参量变化过程的相对应的时间段，可以按照上述方式来产生所要监控的设备电池组的运行特征点。

36、根据相似度量度，可以执行将所确定的运行特征点分配到这些节点中的作为监控节点的一个节点，该相似度量度指示被分配给该监控节点的运行特征点与所确定的运行特征点之间的最大相似度，其中，该相似度量度指示运行特征点之间的欧几里得距离。

37、因此，该运行特征点被分配给该轨迹图模型的监控节点，该监控节点的所分配的运行特征点与所确定的运行特征点最相似。为了该分配，可以使用相似度量度或距离量度，该相似度量度或距离量度例如通过运行特征点距被分配给所要分配的节点的运行特征点的质心的欧几里得距离来被确定。

38、表示设备电池组的运行特征点的对其来说已发生特定故障的节点称为异常节点。现在，可以确定经过该轨迹图模型的从该监控节点通向该异常节点的所有路径。对于这些路径，可以将总概率确定为所有可能路径的概率(路径概率)的总和，该总概率指示了受监控的设备电池组的当前运行导致特定故障的概率。路径概率是该监控节点与该异常节点之间的所考虑的路径的所有节点之间的转移概率的乘积。

39、可以规定：给每个运行特征点分配运行参量变化过程的所分配的时间段的时长，其中，直至发生特定故障为止的平均时长被确定为：在该监控节点与该异常节点之间的所有可能路径上的沿着一条路径的所有节点的运行特征点的时长的利用路径概率来加权的总和的平均值。

40、从当前时间点开始的发生特定故障的时间点从沿着经过该轨迹图模型的相应路径的节点的利用路径概率来加权的总时长(分别被分配给节点的质心的时长的总和)的平均值得出。

41、在识别出故障的情况下，可以向技术设备的用户输出报警或建议，或者可以调整设备电池组的运行。根据从某个时间点开始达到发生或存在设备电池组的特定故障的电池组状态的总概率的水平，可以向技术设备的用户报告相对应的报警或建议或者可以控制技术设备的运行，使得可以尽可能避免该电池组状态。

42、由于运行特征点的元素可以在物理上被解释并且尤其是电池组内部状态包括从电化学电池组模型中和/或从运行参量变化过程中推导出的运行特征，所以通过考虑当前运行特征点的相对应的运行特征的值的差异，针对该异常节点的运行特征点推导出防止转移到相对应的异常节点的措施。这些措施例如可以包括干预设备电池组的运行或者向技术设备的用户提供相对应的建议。干预设备电池组的运行例如可以通过提供运行参量的附加限制来实现，诸如温度限制、电流吞吐量的限制、快速充电过程的频率的限制等等。由此，可以前瞻性地减少由于压力因素所引起的对设备电池组施加的压力，使得电池组电池的电化学电池组内部状态(sei厚度、可循环锂……)可以保持在正常状态。这样，通过基于轨迹图预测来限制至少一个负载参量或运行参量，可以有效抑制异常。

43、按照另一方面，提供了一种用于创建轨迹图模型以监控技术设备的设备电池组的方法，其中，轨迹图具有节点，这些节点分别带有表征性的运行特征点，这些节点经由分别带有转移概率的有向转移来连接，其中，这些节点中的至少一个节点对应于异常节点，该异常节点分配有对应于设备电池组的特定故障的运行特征点，该方法具有如下步骤：

44、-提供多个设备电池组的多个运行参量变化过程；

45、-确定这些运行参量变化过程的时间段，其方式是确定在这些运行参量变化过程中的每个运行参量变化过程内的将这些时间段分开的变点时间点；

46、-为这些时间段中的每个时间段确定运行特征点；

47、-将运行特征点分配到聚类，这些聚类分别被分配给该轨迹图模型的节点；

48、-确定该轨迹图模型的节点之间的有向转移，这些有向转移分别配备有从一个节点到另一个节点的转移概率，其中，这些转移概率分别根据对设备电池组的通过这些节点中的相应节点所确定的状态到设备电池组的通过这些节点中的相应另一节点所确定的状态的转移的频率的评估来被确定。

49、轨迹图优选地通过评估多个技术设备的运行参量变化过程来被创建，并且相对应的图模型参数，例如被分配给节点的运行特征点的质心以及从相应节点出发的转移的转移概率，被传输到各个技术设备中，使得该方法也可以嵌入式地在这些技术设备中被执行。因此，即使在没有与设备外部的中央单元的通信连接的情况下，也可以在这些技术设备中执行预测性的异常识别。