DE102022203343A1

DE102022203343A1 - Verfahren und Vorrichtung zum Betreiben eines Systems zum Erkennen einer Anomalie eines elektrischen Energiespeichers für ein Gerät mithilfe von maschinellen Lernverfahren

Info

Publication number: DE102022203343A1
Application number: DE102022203343.4A
Authority: DE
Inventors: Christian Simonis; Tobias Huelsing
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-04-05
Filing date: 2022-04-05
Publication date: 2023-10-05
Also published as: US20230324463A1; CN116893366A

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zur Ermittlung einer Anomalie des Verhaltens eines elektrischen Energiespeichers (41) in einem technischen Gerät (4); mit folgenden Schritten:- Erfassen (S11) eines Betriebsgrößenverlaufs (F) der mindestens einen Betriebsgröße des elektrischen Energiespeichers (41);- Bestimmen (S12, S13) von mindestens einem Merkmal aus dem Betriebsgrößenverlauf der mindestens einen Betriebsgröße des elektrischen Energiespeichers (41);- Auswerten (S14) eines Anomalieerkennungsmodells (11) mit einem Autoencoder mit einem zugeführten Eingangsvektor, der mindestens eines der Merkmale beinhaltet oder von diesen abhängt, um einen rekonstruierten Eingangsvektor zu bestimmen;- Signalisieren (S18) eines Fehlers abhängig von einem Rekonstruktionsfehler zwischen dem rekonstruierten Eingangsvektor und dem zugeführten Eingangsvektor.

Description

Technisches Gebiet
Die Erfindung betrifft netzunabhängig betriebene elektrische Geräte mit elektrischen Energiespeichern, insbesondere elektrisch antreibbare Kraftfahrzeuge, insbesondere Elektrofahrzeuge oder Hybridfahrzeuge, und weiterhin Maßnahmen zur Erkennung einer Anomalie eines elektrischen Energiespeichers.
Technischer Hintergrund
Die Energieversorgung von netzunabhängig betriebenen elektrischen Geräten und Maschinen, wie z.B. elektrisch antreibbaren Kraftfahrzeugen, erfolgt mithilfe von elektrischen Energiespeichern, in der Regel Gerätebatterien bzw. Fahrzeugbatterien. Diese liefern elektrische Energie zum Betrieb der Geräte. Als elektrischer Energiespeicher kommen jedoch auch Energiewandler, wie z.B. Brennstoffzellen-Systeme, inklusive Wasserstofftank, in Betracht.
Elektrische Energiespeicher bzw. Energiewandler 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 weist ein neuer Energiespeicher einen Alterungszustand von 100% auf, dessen Wert im Laufe seiner Lebensdauer zusehends abnimmt. Ein niedrigerer Wert des Alterungszustands gibt also ein höheres Maß einer Alterung an. Das Maß der Alterung des Energiespeichers (zeitliche Änderung des Alterungszustands) hängt von einer individuellen Belastung des Energiespeichers, d. h. bei Fahrzeugbatterien von Kraftfahrzeugen vom Nutzungsverhalten eines Fahrers, externen Umgebungsbedingungen und vom Fahrzeugbatterietyp ab.
Offenbarung der Erfindung
Erfindungsgemäß sind ein Verfahren zur Ermittlung einer Anomalie des Verhaltens eines elektrischen Energiespeichers gemäß Anspruch 1 sowie eine Vorrichtung zur Ermittlung einer Anomalie des Verhaltens eines elektrischen Energiespeichers in einem elektrisch betreibbaren Gerät gemäß dem nebengeordneten Anspruch vorgesehen.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
Gemäß einem ersten Aspekt ist ein computerimplementiertes Verfahren zur Ermittlung einer Anomalie des Verhaltens eines elektrischen Energiespeichers in einem technischen Gerät vorgesehen; mit folgenden Schritten:

- Erfassen eines Betriebsgrößenverlaufs der mindestens einen Betriebsgröße des elektrischen Energiespeichers;
- Bestimmen von mindestens einem Merkmal aus dem Betriebsgrößenverlauf der mindestens einen Betriebsgröße des elektrischen Energiespeichers;
- Auswerten eines Autoencoders mit einem zugeführten Eingangsvektor, der mindestens eines der Merkmale beinhaltet oder von diesen abhängt, um einen rekonstruierten Eingangsvektor zu bestimmen;
- Signalisieren eines Fehlers abhängig von einem Rekonstruktionsfehler zwischen dem rekonstruierten Eingangsvektor und dem zugeführten Eingangsvektor.

Energiespeicher im Sinne dieser Beschreibung umfassen Gerätebatterien, Energiewandlersysteme mit einem elektrochemischen Energiewandler mit einem Energieträgervorrat, wie z.B. Brennstoffzellensysteme mit einer Brennstoffzelle und einem Energieträgervorrat.
Für die Ermittlung von Alterungszuständen werden Betriebsgrößen von Energiespeichern in einer Vielzahl von Geräten kontinuierlich erfasst und in einer Zentraleinheit ausgewertet werden. Gemäß obigem Verfahren ist es weiterhin möglich eine Anomalie der Energiespeicher durch zusätzliche Auswertung basierend auf den Betriebsgrößenverläufen in der Zentraleinheit zu erkennen.
Der Alterungszustand eines elektrischen Energiespeichers, insbesondere einer Gerätebatterie, wird üblicherweise nicht direkt gemessen. Dies würde eine Reihe von Sensoren in Inneren des Energiespeichers erfordern, die die Herstellung eines solchen Energiespeichers kostenintensiv sowie aufwendig machen und den Raumbedarf vergrößern würde. Zudem sind alltagstaugliche Messverfahren zur direkten Alterungszustandsbestimmung in den Energiespeichern noch nicht auf dem Markt verfügbar. Daher wird der aktuelle Alterungszustand eines elektrischen Energiespeichers in der Regel mithilfe eines physikalischen Alterungsmodells in einer von dem Energiespeicher separaten Zentraleinheit ermittelt.
Aufgrund der Ungenauigkeit des physikalischen Alterungsmodells kann dieses zudem lediglich den momentanen Alterungszustand des Energiespeichers einigermaßen genau angeben. Eine Prädiktion des Alterungszustands, die insbesondere von der Betriebsweise des Energiespeichers, wie z. B. von der Höhe und Menge des Ladungszuflusses und Ladungsabflusses bei einer Gerätebatterie, und damit von einem Nutzungsverhalten und von Nutzungsparametern abhängt, würde zu sehr ungenauen Vorhersagen führen und ist derzeit nicht vorgesehen.
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 Batterie-Zelle kann der Alterungszustand als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) angegeben werden. Die Kapazitätserhaltungsrate SOH-C ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität der vollständig aufgeladenen Batterie angegeben. 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.
Vielversprechend sind Ansätze, eine nutzer- und nutzungsindividuelle Modellierung und Prädiktion eines Lastprofils und des einhergehenden Alterungszustands des elektrischen Energiespeichers basierend auf einem Alterungszustandsmodell vorzusehen, das die Verläufe von Betriebsgrößen vom Zeitpunkt der Inbetriebnahme nutzt, um den Alterungszustand jeweils Zeitschritt für Zeitschritt ausgehend von dem Alterungszustand zum Inbetriebnahmezeitpunkt anzupassen. Dieses Alterungszustandsmodell kann rein datenbasiert aber auch als hybrides datenbasiertes Alterungszustandsmodell implementiert werden. Ein solches Alterungszustandsmodell kann z. B. in einer Zentraleinheit (Cloud) implementiert sein und mithilfe von Betriebsgrößen einer Vielzahl von Energiespeichern verschiedener Geräte parametrisiert bzw. trainiert werden, die mit der Zentraleinheit in Kommunikationsverbindung stehen.
Bei einem hybriden Modell kann ein physikalischer Alterungszustand mithilfe eines physikalischen bzw. elektrochemischen Alterungsmodells ermittelt werden und dieser mit einem Korrekturwert beaufschlagt werden, der sich aus einem datenbasierten Korrekturmodell ergibt, insbesondere durch Addition oder Multiplikation. Das physikalische Alterungsmodell basiert 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 datenbasierten 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 ein Random-Forest-Modell, AdaBoost-Modell, Support-Vector-Machine oder ein Bayes'schen neuronalen Netzwerk dar.
Das Korrekturmodell ist ausgebildet die Korrekturgröße basierend auf Betriebsmerkmalen zu ermitteln, die durch Merkmalsextraktion durch Signalverarbeitung aus den Verläufen der Betriebsgrößen ermittelt werden und auch einen oder mehrere der internen elektrochemischen Zustände des Differentialgleichungssystems des physikalischen Modells umfassen können. Die Betriebsmerkmale können auf den Auswertungszeitraum bezogene Merkmale und/oder akkumulierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen bzw. aggregierte Größen umfassen.
Die Berechnung des physikalischen/elektrochemischen Modells nebst Korrekturmodell findet vorzugsweise geräteextern statt, da diese rechenaufwendig ist und häufig die geforderte Verarbeitungsleistung in den oder hardware-nah an den batteriebetriebenen Geräten nicht ausreicht oder aus Kostengründen nicht vorgehalten werden soll. Daher werden die Zeitverläufe der Betriebsgrößen kontinuierlich an eine geräteexterne Zentraleinheit übertragen und dort der Alterungszustand gemäß dem elektrochemischen Modell sowie ggfs. dem Korrekturmodell bestimmt. Das Ermitteln/Trainieren des datenbasierten/hybriden Alterungszustandsmodells findet üblicherweise basierend auf den Betriebsgrößenverläufen und Alterungszuständen durch eine Feld-Diagnosemessung erhaltenen Labeln für eine Vielzahl von Energiespeicher gleichen Typs zentral in der Zentraleinheit (Cloud) statt, um vom Netzwerk-Effekt der loT-Energiespeicher, z.B. aufgrund neuer Labels, zu profitieren. Auf diese Weise wird für alle Energiespeicher der Vielzahl von Geräten ein Alterungszustandsmodell bereitgestellt, das abhängig von Betriebsgrößenverläufen eines entsprechenden Energiespeichers einen aktuellen Alterungszustand bereitstellt.
Für die Auswertung des Alterungszustandsmodells in der Zentraleinheit steht eine Vielzahl von Betriebsmerkmalen für jeden der Energiespeicher in der Zentraleinheit zur Verfügung. Die Betriebsmerkmale werden aus den Betriebsgrößenverläufen generiert und dienen dazu, mithilfe des Korrekturmodells eine Korrekturgröße zum Korrigieren des mithilfe des physikalischen Alterungsmodells modellierten Alterungszustands zu ermitteln. Die Betriebsmerkmale charakterisieren dadurch die Belastung des betreffenden Energiespeichers seit ihrer Inbetriebnahme durch Kumulierung oder Aggregierung der durch die Betriebsgrößenverläufe bestimmten Belastung.
Gemäß dem obigen Verfahren werden zur Anomalieerkennung Merkmale genutzt. Die Betriebsmerkmale, die im Rahmen der Bestimmung des Alterungszustands ermittelt werden, eignen sich, eine Anomalieerkennung durchzuführen. Als das mindestens eine Merkmal zur Auswertung, um eine Anomalie festzustellen, kann mindestens ein Betriebsmerkmal aus dem Betriebsgrößenverlauf der mindestens einen Betriebsgröße des elektrischen Energiespeichers als aggregierte Größe bestimmt werden.
Während man anhand der Betriebsgrößenverläufe nur schwierig und mit hohem Aufwand ein fehlerhaftes Verhalten des Energiespeichers oder funktionale Fehler frühzeitig erkennen kann, kann eine festgestellte ungewöhnliche Belastung anhand nicht zusammenpassender oder ungewöhnlicher Ausprägung von Merkmalen, insbesondere Betriebsmerkmalen, speziell in Bezug auf deren Kombination, frühzeitig als ein anomales Verhalten des Energiespeichers erkannt und signalisiert werden.
Grundsätzlich kann der Autoencoder mithilfe von Trainingsdatensätzen trainiert sein, wobei die Trainingsdatensätze mit dem mindestens einen Merkmal von jeweils ordnungsgemäßen Energiespeichern gebildet sind.
Der Autoencoder wird insbesondere mithilfe von Merkmalspunkten einer Vielzahl von Energiespeichern, die fehlerfrei arbeiten, insbesondere unsupervised trainiert, auch während der laufenden Anwendung des obigen Verfahrens. Unter der Annahme, dass ein Großteil der so betrachteten Betriebsmerkmalspunkte zu ordnungsgemäßen Energiespeichern gehören, ist ein solches Training des Anomalieerkennungsmodells zulässig.
Beispielsweise kann ein Autoencoder als Anomalieerkennungsmodell basierend auf Betriebsmerkmalspunkten der Vielzahl von Energiespeicher trainiert und bereitgestellt werden. So kann anhand einer Erkennung und Auswertung eines Rekonstruktionsfehlers eine Anomalie einer Gerätebatterie ermittelt werden kann. Dazu können beispielsweise zeitgleich mit der Bestimmung des aktuellen Alterungszustands mithilfe des hybriden Alterungszustandsmodells die Betriebsmerkmale der betreffenden Gerätebatterie genutzt werden, um eine Anomalieerkennung durchzuführen.
Es kann zusätzlich zum Autoencoder vorgesehen sein, dass ein Belastungszustandsvektor aus den Betriebsmerkmalen mithilfe einer Hauptkomponentenanalyse (PCA) oder einer Kernel-Hauptkomponentenanalyse (Kernel-PCA) bestimmt wird, wobei der Autoencoder mit den Belastungszustandsvektoren aus einer Vielzahl von Energiespeichern trainiert ist, wobei als zugeführter Eingangsvektor der Belastungszustandsvektor in dem Autoencoder ausgewertet wird. Die Hauptkomponentenanalyse (PCA) dient dazu, redundante Information zu eliminieren.
Somit können, da ein Autoencoder basierend auf allen für das Korrekturmodell verwendeten Betriebsmerkmalen sehr komplex werden kann, beispielsweise die Betriebsmerkmale der Betriebsmerkmalspunkte mithilfe einer Hauptkomponentenanalyse (PCA) in einen kleineren Zustandsraum transformiert werden, um einen Belastungszustandsvektor bereitzustellen. Während das Korrekturmodell anstatt auf die Betriebsmerkmale auf die Belastungszustandsvektoren trainiert werden kann, ist es auch möglich, den Autoencoder auf Belastungszustandsvektoren aller Energiespeicher der Vielzahl von Geräten zu trainieren, um diesen für eine Anomalieerkennung zu nutzen. Die Hauptkomponenten-Transformation kann hierbei so dimensioniert werden, dass z.B. mind. 99% der Varianz auch im transformierten Zustand im Hinblick auf die ursprüngliche Merkmalsverteilung erklärt werden kann. Die Hauptkomponenten-Transformation wird also ausschließlich eingesetzt, um redundante Informationen im Merkmalsraum zu entfernen.
Alternativ oder zusätzlich kann als das mindestens eine Merkmal mindestens ein Fehlermerkmal bestimmt wird, wobei sich das Fehlermerkmal durch statistische Auswertung eines Unterschieds zwischen einer insbesondere mit einem Batterie-Performance-Modell modellierten Größe und einer gemessenen Größe für ein vorgegebenes Zeitintervall ergibt, wobei insbesondere ein Unterschied zwischen einer modellierten Batteriespannung und einer gemessenen Batteriespannung ausgewertet wird.
Insbesondere kann die Auswertung eine Residuum-Analyse umfassen, die eine Bestimmung eines Mittelwerts und eines Streuungsmaßes der Unterschiedswerte umfasst.
Eine Anomalie kann mit dem Autoencoder erkannt werden, indem ein Rekonstruktionsfehler ausgewertet wird. Insbesondere kann eine Anomalie erkannt werden, wenn ein Rekonstruktionsfehler erkannt wird, der größer ist als ein vorgegebener Fehlerschwellenwert.
Eine erkannte Anomalie in einem der Energiespeicher kann in geeigneter Weise durch die Zentraleinheit signalisiert werden, z. B. durch ein Überwachungstool, durch ein Mobilgerät oder dergleichen. So kann beispielsweise eine Warnmitteilung an einen Benutzer des betreffenden mit dem Energiespeicher betriebenen Geräts ausgegeben werden.
Weiterhin kann der Rekonstruktionsfehler mit einem ersten Fehlerschwellenwert verglichen werden, um bei Überschreiten des ersten Fehlerschwellenwerts durch den Rekonstruktionsfehler eine Warnung über eine mögliche Funktionsstörung des Energiespeichers zu signalisieren.
Alternativ oder zusätzlich kann der Rekonstruktionsfehler mit einem zweiten höheren Fehlerschwellenwert verglichen werden, um bei Überschreiten des zweiten Fehlerschwellenwerts durch den Rekonstruktionsfehler einen Fehler des Energiespeichers zu signalisieren.
Zur Ermittlung des ersten und/oder des zweiten Fehlerschwellenwerts kann eine statistische Auswertung der Rekonstruktionsfehler von Trainingsdatensätzen, die von ordnungsgemäßen Energiespeichern zum Training des Autoencoders verwendet worden sind, durchgeführt werden, wobei der erste bzw. der zweite Fehlerschwellenwert abhängig von der Verteilung der Rekonstruktionsfehler, die sich aus der Auswertung der Trainingsdatensätze mit dem trainierten Autoencoder ergeben, gewählt wird, insbesondere als der maximal auftretende Rekonstruktionsfehler.
Somit kann die Warnmitteilung von der Höhe eines Rekonstruktionsfehlers abhängen. So kann beispielsweise bei Erreichen eines ersten Fehlerschwellenwerts ein Hinweis auf eine mögliche Anomalie ausgegeben werden und bei Erreichen eines zweiten Fehlerschwellenwerts ein tatsächlicher Fehler signalisiert werden.
Der Energiespeicher kann zum Betrieb eines Geräts, wie einem Kraftfahrzeug, einem Pedelec, einem Fluggerät, insbesondere einer Drohne, einer Werkzeugmaschine, einem Gerät der Unterhaltungselektronik, wie ein Mobiltelefon, einem autonomen Roboter und/oder einem Haushaltsgerät verwendet werden.
Gemäß einem weiteren Aspekt ist eine Vorrichtung zur Ermittlung einer Anomalie des Verhaltens eines elektrischen Energiespeichers in einem technischen Gerät; wobei die Vorrichtung ausgebildet ist zum:

- Erfassen eines Betriebsgrößenverlaufs der mindestens einen Betriebsgröße des elektrischen Energiespeichers;
- Bestimmen von Betriebsmerkmalen aus dem Betriebsgrößenverlauf der mindestens einen Betriebsgröße des elektrischen Energiespeichers als aggregierte Größen
- Auswerten eines Autoencoders mit einem zugeführten Eingangsvektor, der die Betriebsmerkmale beinhaltet oder von diesen abhängt, um einen rekonstruierten Eingangsvektor zu bestimmen;
- Signalisieren eines Fehlers abhängig von einem Rekonstruktionsfehler zwischen dem rekonstruierten Eingangsvektor und dem zugeführten Eingangsvektor.

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 Bestimmung eines Alterungszustands einer Fahrzeugbatterie in einer Zentraleinheit;
2 eine schematische Darstellung eines funktionalen Aufbaus eines Systems mit einem Anomalieerkennungsmodell und einem hybriden Alterungszustandsmodell;
3 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zur Ermittlung einer Anomalie des Verhaltens eines elektrischen Energiespeichers.

Beschreibung von Ausführungsformen
Im Folgenden wird das erfindungsgemäße Verfahren anhand von Fahrzeugbatterien als elektrische Energiespeicher in einer Vielzahl von Kraftfahrzeugen als gleichartige Geräte beschrieben. In den Kraftfahrzeugen kann in einer Steuereinheit ein datenbasiertes Alterungszustandsmodell für die jeweilige Fahrzeugbatterie implementiert sein. Das Alterungszustandsmodell kann, wie nachfolgend beschrieben, in einer fahrzeugexternen Zentraleinheit kontinuierlich basierend auf Betriebsgrößen der Fahrzeugbatterien aus der Fahrzeugflotte aktualisiert bzw. nachtrainiert werden. Das Alterungszustandsmodell wird in der Zentraleinheit betrieben und zur Alterungsberechnung und Alterungsprädiktion eingesetzt.
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 Alterungszustandsmodells. Das Alterungszustandsmodell dient zur Bestimmung eines Alterungszustands eines elektrischen Energiespeichers, wie z. B. einer Fahrzeugbatterie oder einer Brennstoffzelle 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 als wiederaufladbaren elektrischen Energiespeicher, einen elektrischen Antriebsmotor 42 und eine Steuereinheit 43 auf. Die Steuereinheit 43 ist mit einem Kommunikationsmodul 44 verbunden, das geeignet ist, Daten zwischen dem jeweiligen Kraftfahrzeug 4 und einer Zentraleinheit 2 (einer sogenannten Cloud) zu übertragen.
Die Kraftfahrzeuge 4 senden an die Zentraleinheit 2 die Betriebsgrößen F, die zumindest Größen angeben, welche den Alterungszustand der Fahrzeugbatterie 41 beeinflussen. 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 100 Hz 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 das nachfolgend beschriebene Verfahren ausgeführt werden kann, und eine Datenbank 22 zum Speichern von Datenpunkten, Modellparametern, Zuständen und dergleichen auf.
In der Zentraleinheit 2 ist ein Alterungszustandsmodell implementiert, das als hybrides Modell teilweise datenbasiert ist. Das Alterungszustandsmodell 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) und daraus ermittelten Betriebsmerkmalen eine Ermittlung des momentanen Alterungszustands der betreffenden Fahrzeugbatterie 41 der zugeordneten Fahrzeugflotte vorzunehmen. Mit anderen Worten ist es möglich, basierend auf den Verläufen der Betriebsgrößen von einer der Fahrzeugbatterien 41 der Kraftfahrzeuge 4 der zugeordneten Fahrzeugflotte 3 und den Betriebsmerkmalen, die sich aus diesen Verläufen der Betriebsgrößen ergeben, einen Alterungszustand der betreffenden Fahrzeugbatterie 41 zu ermitteln.
Der Alterungszustand (SOH: State of Health) ist die Schlüsselgröße zur Angabe einer verbleibenden Batteriekapazität oder verbleibenden Batterieladung. Der Alterungszustand stellt ein Maß für die Alterung der Fahrzeugbatterie oder eines Batterie-Moduls oder einer Batterie-Zelle dar und kann als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) oder als Anstieg des Innenwiderstands (SOH-R) angegeben werden. Die Kapazitätserhaltungsrate SOH-C ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität der vollständig aufgeladenen Batterie angegeben. Die relative Änderung des Innenwiderstands SOH-R steigt mit zunehmender Alterung der Batterie an.
2 zeigt beispielhaft schematisch den funktionalen Aufbau einer Ausführungsform eines datenbasierten Alterungszustandsmodells 9, das in einer hybriden Weise aufgebaut ist. Das Alterungszustandsmodell 9 umfasst ein physikalisches Alterungsmodell 5 und ein datengetriebenes, vorzugsweise probabilistisches Korrekturmodell 6.
Bei dem physikalischen Alterungsmodell 5 handelt es sich um ein nichtlineares, mathematisches Modell, das auf Differenzialgleichungen basiert. Das Auswerten des physikalischen Alterungsmodells des Alterungszustandsmodells mit Betriebsgrößenverläufen, insbesondere seit Lebensdauerbeginn der Gerätebatterie, führt dazu, dass sich ein interner Zustand des Gleichungssystems der physikalischen Differenzialgleichungen einstellt, der einem physikalischen internen Zustand der Gerätebatterie entspricht. Da das physikalische Alterungsmodell auf physikalischen und elektrochemischen Gesetzmäßigkeiten basiert, sind die Modellparameter des physikalischen Alterungsmodells Größen, die physikalische Eigenschaften angeben.
Die Zeitreihen der Betriebsgrößen F gehen also direkt in das physikalische Alterungszustandsmodell 5 ein, welches vorzugsweise als elektrochemisches Modell ausgeführt ist und entsprechende interne elektrochemische Zustände, 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 beschreibt.
Das physikalische Alterungsmodell 5 entspricht somit einem elektrochemischen Modell der Batteriezellen und der Zellchemie. Dieses Modell ermittelt abhängig von den Betriebsgrößen F interne physikalische Batteriezustände, um einen physikalisch basierten Alterungszustand SOHph der Dimension von mindestens eins in Form der oben genannten elektrochemischen Zustände, welche linear oder nichtlinear auf eine Kapazitätserhaltungsrate (SOH-C) und/oder eine Innenwiderstandanstiegsrate (SOH-R) abgebildet werden, um diese als Alterungszustand (SOH-C und SOH-R) bereitzustellen.
Die durch das elektrochemische Modell bereitgestellten Modellwerte für den physikalischen Alterungszustand SOHph sind jedoch in bestimmten Situationen ungenau, und es ist daher vorgesehen, diese mit einer Korrekturgröße k zu korrigieren. Die Korrekturgröße k wird von dem datenbasierten Korrekturmodell 6 bereitgestellt, das mithilfe von Trainingsdatensätzen aus den Fahrzeugen 4 der Fahrzeugflotte 3 und / oder mithilfe von Labordaten trainiert wird.
Das Korrekturmodell 6 erhält eingangsseitig Betriebsmerkmale M, die durch Merkmalsextraktion (feature engineering) aus den Verläufen der Betriebsgrößen F ermittelt und auch einen oder mehrere der internen elektrochemischen Zustände des Differentialgleichungssystems des physikalischen Modells umfassen können. Weiterhin kann das Korrekturmodell 6 eingangsseitig den aus dem physikalischen Alterungsmodell 5 erhaltenen physikalischen Alterungszustand SOHph erhalten. Die Betriebsmerkmale M des aktuellen Auswertungszeitraums werden in einem Merkmalsextraktionsblock 8 basierend auf den Zeitreihen der Betriebsgrößen F erzeugt. Zu den Betriebsmerkmalen M zählen weiterhin die inneren Zustände aus dem Zustandsvektor den elektrochemischen physikalischen Alterungsmodells sowie vorteilhafterweise der physikalische Alterungszustand SOHph.
Aus den Betriebsgrößen F können in der Zentraleinheit 2 für jede Fahrzeugflotte 3 oder in anderen Ausführungsformen auch bereits in den jeweiligen Kraftfahrzeugen 4 Betriebsmerkmale M generiert werden, die sich auf einen Auswertungszeitraum beziehen. Der Auswertungszeitraum kann für die Bestimmung des Alterungszustands wenige Stunden (z. B. 6 Stunden) bis mehrere Wochen (z. B. einen Monat) betragen. Ein üblicher Wert für den Auswertungszeitraum beträgt eine Woche.
Die Betriebsmerkmale M können beispielsweise auf den Auswertungszeitraum bezogene Merkmale und/oder akkumulierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen bzw. aggregierte Größen umfassen. Insbesondere können die Betriebsmerkmale beispielsweise umfassen: Elektrochemische Zustände, wie z.B. SEI-Schichtdicke, Masse oder Mengen-Änderung von zyklisierbarem Lithium aufgrund von Anoden/Kathoden-Nebenreaktionen, schnelle Aufnahme von Elektrolytlösungsmittel, 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. Die Betriebsmerkmale M können insgesamt oder nur teilweise für das nachfolgend beschriebene Verfahren verwendet werden.
Für die Bestimmung eines korrigierten auszugebenden Alterungszustands SOH werden die Ausgänge SOHph, k des physikalischen Alterungsmodells 5 und des datenbasierten Korrekturmodells 6, welches vorzugsweise als Gauß-Prozess-Modell ausgeführt ist, miteinander beaufschlagt. Insbesondere können diese in einem Summierblock 7 addiert oder ansonsten auch multipliziert (nicht gezeigt) werden, um den auszugebenden modellierten Alterungszustand SOH zu einem aktuellen Auswertungszeitraum zu erhalten. Die Konfidenz des Gaußprozesses kann im Additions-Fall weiterhin als Konfidenz des auszugebenden korrigierten Alterungswert SOH des hybriden Modells verwendet werden. Die Konfidenz des Gaußprozessmodells charakterisiert somit die Modellierungs-Unsicherheit der Abbildung von Betriebsmerkmalspunkten bzw. von Hauptkomponenten (bei Verwendung von PCA) auf einen Alterungszustand.
Für die Skalierung und die Dimensionsreduzierung der Betriebsmerkmale kann ggfs. eine PCA (Principal Components Analysis) in einem PCA-Block 10 verwendet werden, um redundante linear-abhängige Information im Merkmalsraum entsprechend vor dem Trainieren des Korrekturmodells (unsupervised) zu reduzieren. Die Hauptkomponenten-Transformation ist hierbei so dimensioniert, dass z.B. mind. 99% der Varianz auch im transformierten Zustand im Hinblick auf die ursprüngliche Merkmalsverteilung erklärt werden kann. In dem PCA-Block 10 wird ein Belastungszustandsvektor M' aus den Betriebsmerkmalen eines auszuwertenden Betriebsmerkmalspunkts bestimmt.
Alternativ kann auch eine Kernel-PCA verwendet werden, um in der Komplexitätsreduktion der Daten auch nichtlineare Effekte abzubilden zu können. Sowohl vor der Dimensionsreduzierung und speziell danach findet eine Normalisierung des gesamten Betriebsmerkmalsraums (bzw. des Hauptkomponenten-Raums) statt, z.B. mit Min/Max-Scaling oder der Z-Transformation.
Zum Trainieren des Korrekturmodells werden Alterungszustände als Label in an sich bekannter Weise durch Auswertung der Betriebsgrößenverläufe mit einem zusätzlichen Modell unter definierten Last- und Umgebungs-Bedingungen ermittelt, wie z.B. in einer Werkstatt, auf einem Prüfstand. Dazu kann können andere Modelle zur Ermittlung des Alterungszustands genutzt werden, z.B. basierend auf der Analyse einer erkannten Lade- und / oder Entladephasen der Batterienutzung. Vorzugweise wird eine SOH-C-Messung durch Coulomb-Counting bzw. durch Bildung eines zeitlichen Stromintegrals während des Ladevorgangs vorgenommen, welches durch den Hub des Ladezustands zwischen Beginn und Ende der betreffenden Lade- und / oder Entladephase dividiert wird.
Das Alterungszustandsmodell kann in herkömmlicher Weise trainiert werden. Hierzu ist vorgesehen, dass das Training des Korrekturmodells 6 auf das Residuum des physikalischen Alterungsmodells erfolgt, sodass der das Korrekturmodell entsprechend datengetriebene Korrekturen genau dort vornehmen kann, wo es die Datenlage mit hinreichender Konfidenz erlaubt.
Es kann zur Anomalieerkennung ein Anomalieerkennungsmodell 11 vorgesehen sein, dem der Betriebsmerkmalspunkt M und/oder wie in 2 gezeigt, der Belastungszustandsvektor M' zugeführt wird. Das Anomalieerkennungsmodell 11 kann einen Autoencoder umfassen. Der Autoencoder wird vorzugsweise ausgewertet, indem ein Rekonstruktionsfehler ausgewertet wird, insbesondere durch einen Schwellenwertvergleich. Als Ergebnis des Schwellenwertvergleichs wird ein Fehlersignal S ausgegeben.
Neben einem oder mehreren der Betriebsmerkmale M, die sich bereit aus der Implementierung des hybriden Alterungszustandsmodells ergeben können, oder ggfs. dem Belastungszustandsvektor M' kann auch mindestens ein Fehlermerkmal zur Auswertung in dem Anomalieerkennungsmodell 11 verwendet werden.
Ein mögliches Fehlermerkmal wertet eine Differenz der Spannungsantwort einer durch ein elektrochemisches Batterie-Performance-Modell modellierten Batteriespannung und einer real gemessenen Batteriespannung aus bzw. gibt diese an. Dieser Signalverarbeitungs-Schritt kann im Merkmalsextraktionsblock 8 inkludiert sein. Vorzugsweise wird hier das Batterie-Performance-Modell, das z.B. als elektrochemisches Performancemodell oder Fraktionales Performancemodell ausgebildet sein kann und embedded bzw. über Edge-Computing ausgeführt wird, wobei die Modellparameter des Batterie-Performance-Modells über einen Beobachter und / oder zusätzlich in Abhängigkeit des hybriden Alterungsmodells angepasst werden können.
Das mindestens eine Fehlermerkmal kann ermittelt werden, indem für ein definiertes Zeitintervall, wie z.B. innerhalb der letzten 5 - 10 Tage, das Residuum mindestens einer Batterie-Zelle oder eines Batterie-Moduls oder eines Batterie-Packs ausgewertet wird, d.h. die Differenz der Spannungsantwort einer durch das elektrochemisches Batterie-Performance-Modell modellierten Batteriespannung und der real gemessenen Batteriespannung. Hierzu können basierend auf dem in kurzen Zeitabständen (0,1 - 1 Hz) abgetasteten Batteriestrom Batteriespannungen modelliert und die Differenz zu den für in den entsprechenden Zeitpunkten erfassten Batteriespannungen berechnet werden. Die Differenzen können statistisch ausgewertet werden. Vorzugsweise kann der Erwartungswert dieses Residuums, also die durchschnittliche Differenz, sowie ein Streuungsmaß, z.B. die Standardabweichung, und weiterhin statistische Größen, wie Minimum, Maximum sowie Verteilungsmomente als Merkmale verwendet werden, welche Fehlermerkmale für den Autoencoder darstellen können.
Ein weiteres Fehlermerkmal kann sich beispielsweise aus der Differenz der auf zwei verschiedene Weisen ermittelten Menge des zyklisierbaren Lithiums ergeben. Die Menge des zyklisierbaren Lithiums kann aus einem elektrochemischen Alterungszustandsmodell ermittelt werden, das physikalisch den Zustand des Energiespeichers durch ein Zeitintegrationsverfahren nachverfolgt. Des Weiteren kann basierend auf einem durch reale Messungen angepassten elektrochemischen Batterie-Performance-Modell abhängig von einer Spannungs-Antwort die Menge des zyklisierbaren Lithiums bestimmt werden. Das Batterie-Performance-Modell kann in an sich bekannter Weise ausgebildet sein, um Belastungsgrößen wie z.B. ein Batteriestrom und eine Batterietemperatur auf eine Batteriespannung abzubilden.
3 zeigt ein Flussdiagramm zur Veranschaulichung eines Verfahrens zur Anomalieerkennung des Verhaltens von Fahrzeugbatterien 41 als Beispiel für Energiespeicher von Fahrzeugen 4 einer Fahrzeugflotte 3 (entsprechend den Geräten der Vielzahl von Geräten). Das Verfahren wird in der Zentraleinheit 2 ausgeführt. Die übliche Ausführungsfrequenz des Verfahrens ist batterieindividuell und kann einer wöchentlichen Ausführung als Standard-Fall bei keinem akuten Anomalie-Verdacht entsprechen.
In Schritt S11 findet ein herkömmlicher Betrieb des hybriden Alterungsmodells der Zentraleinheit 2 statt. Im laufenden Betrieb werden dabei kontinuierlich Verläufe von Betriebsgrößen F, wie beispielsweise der Batteriestrom, die Batteriespannung, der Ladezustand und die Batterietemperatur, von jedem der Fahrzeuge 4 der Fahrzeugflotte 3 an die Zentraleinheit 2 übertragen. Das wie oben beschrieben ermittelte Fehlermerkmal kann sowohl in dem Fahrzeug 4 als auch in der Zentraleinheit 2 bestimmt werden.
In Schritt S12 werden zu vorgegebenen Zeitpunkten die Betriebsgrößenverläufe ausgewertet, um einen Alterungszustand für jede der betreffenden Gerätebatterien zu ermitteln. Dazu wird aus den Betriebsgrößenverläufen direkt durch das physikalische Alterungsmodell 5 ein physikalischer Alterungszustand SOHph ermittelt und Betriebsmerkmale M, wie oben beschrieben, aktualisiert bzw. ermittelt.
Weiterhin werden in Schritt S13 die Betriebsmerkmale zur Auswertung in dem Korrekturmodell mithilfe einer PCA in dem PCA-Block 10 weiterverarbeitet, um den Zustandsraum der Betriebsmerkmale zu reduzieren und den Belastungszustandsvektor M' für die betreffende Fahrzeugbatterie 41 zu erhalten.
Ein oder mehrere Betriebsmerkmale M und/oder der Belastungszustandsvektor M' und/oder das mindestens eine Fehlermerkmal können als Eingabevektor für das Korrekturmodell 6 dienen. Das eine oder die mehreren Betriebsmerkmale M Der Belastungszustandsvektor M' wird weiterhin in Schritt S14 einem Autoencoder als Anomalieerkennungsmodell 11 zugeführt, der mit Belastungszustandsvektoren M' der Vielzahl von Fahrzeugbatterien 41 in vergangenen Auswertungszyklen trainiert worden ist.
Der Autoencoder bildet in an sich bekannter Weise seinen Eingangsvektor mit Merkmalen auf sich selbst ab und generiert dabei einen dimensionsreduzierten Zustandsvektor, der charakteristische Merkmale des Eingangsvektors, nämlich des Betriebsmerkmalspunkts aus dem einen oder den mehreren Betriebsmerkmalen und/oder bei Verwendung der PCA den Belastungszustandsvektor und/oder das mindestens eine Fehlermerkmal, repräsentiert. Der Autoencoder kann vorzugsweise nach jeder neuen Ermittlung des Eingangsvektors weiter trainiert werden.
Durch Auswertung des Autoencoders mit dem Belastungszustandsvektor M' jeder der betreffenden auszuwertenden Fahrzeugbatterien 41 kann ein Rekonstruktionsfehler ermittelt werden. Der Rekonstruktionsfehler entspricht einem Maß für eine Abweichung zwischen dem rekonstruierten Eingangsvektor und dem zugeführten Eingangsvektor.
In Schritt S15 wird das Maß für die Abweichung wird durch einen Schwellwertvergleich mit einem vorgegebenen ersten Fehlerschwellenwert verglichen, und dabei wird festgestellt, ob der Rekonstruktionsfehler den ersten Fehlerschwellenwert übersteigt. Wird festgestellt, dass der Rekonstruktionsfehler den ersten Fehlerschwellenwert übersteigt (Alternative: Ja), so wird das Verfahren mit Schritt S16 fortgesetzt. Andernfalls (Alternative: Nein) wird zu Schritt S11 zurückgesprungen.
In Schritt S16 wird das Maß für die Abweichung in einem Schwellwertvergleich mit einem vorgegebenen zweiten Fehlerschwellenwert verglichen. Wird festgestellt, dass der Rekonstruktionsfehler den zweiten Fehlerschwellenwert übersteigt (Alternative: Ja), so wird ein Fehler der Fahrzeugbatterie 41 in Schritt S17 signalisiert. Zudem kann die Ausführungsfrequenz auf eine maximale Ausführungsfrequenz eingestellt werden, um die die Entwicklung des Fehlers nachzuverfolgen.
Anderenfalls (Alternative: Nein) wird das Verfahren mit Schritt S18 fortgesetzt.
Neben dem Training des Autoencoders kann zur Ermittlung des ersten und/oder des zweiten Fehlerschwellenwerts auch eine statistische Auswertung der Rekonstruktionsfehler der Trainingsdaten, die zum Training des Autoencoders verwendet worden sind, z.B. durch ein Clustering-Verfahren, erfolgen. Z.B. kann der zweite Fehlerschwellenwert so gewählt werden, dass dieser dem maximalen Rekonstruktionsfehler aller ordnungsgemäße Fahrzeugbatterien 41 entspricht. In der Realität kann die Auslegung des zweiten Fehlerschwellenwerts für eine Anomalieerkennung auf Basis des False-Positive Fehlers, der rein auf Basis von ordnungsgemäßen Fahrzeugbatterien ermittelt wird, erfolgen. Der erste Fehlerschwellenwert kann sich als vorgegebener Bruchteil des zweiten Fehlerschwellenwert ergeben, so dass der erste Fehlerschwellenwert geringer ist als der zweite Fehlerschwellenwert.
In Schritt S18 wird eine Warnung signalisiert, dass die betreffende Fahrzeugbatterie 41 möglicherweise einen Fehler aufweist. In Abhängigkeit von dem Rekonstruktionsfehler, der ein Maß für die Schwere der Anomalie darstellt, wird regelbasiert eine Maßnahme eingeleitet, bei hoher Wahrscheinlichkeit und hoher Schwere z.B. automatisierte Stilllegung des Fahrzeugs oder Überführen der Batterie in einen sicheren Zustand, z.B. über Schnell-Entladen, oder bei niedriger Wahrscheinlichkeit und mittlerer Schwere z.B. Planung eines Werkstattaufenthalts zur Inspektion der Sensorik.
Zudem kann die Ausführungsfrequenz des Verfahrens zur Ermittlung der Anomalie des elektrischen Energiespeichers auf einen häufigeren Wert (wie z.B. täglich) angepasst werden, insbesondere in Abhängigkeit des Rekonstruktionsfehlers.
Die Auswertung hinsichtlich einer Erkennung einer Anomalie kann regelmäßig und insbesondere gleichzeitig mit der Ermittlung des Alterungszustands mithilfe des hybriden Alterungszustandsmodells 9 durchgeführt werden, da zu diesem Zeitpunkt die für das Korrekturmodell 6 benötigen Betriebsmerkmalspunkte M bzw. die Belastungszustandsvektoren aus den neu erfassten Betriebsgrößenverläufen ermittelt werden.

Claims

Computerimplementiertes Verfahren zur Ermittlung einer Anomalie des Verhaltens eines elektrischen Energiespeichers (41) in einem technischen Gerät (4); mit folgenden Schritten: - Erfassen (S11) eines Betriebsgrößenverlaufs (F) der mindestens einen Betriebsgröße des elektrischen Energiespeichers (41); - Bestimmen (S12, S13) von mindestens einem Merkmal aus dem Betriebsgrößenverlauf der mindestens einen Betriebsgröße des elektrischen Energiespeichers (41); - Auswerten (S14) eines Anomalieerkennungsmodells (11) mit einem Autoencoder mit einem zugeführten Eingangsvektor, der mindestens eines der Merkmale beinhaltet oder von diesen abhängt, um einen rekonstruierten Eingangsvektor zu bestimmen; - Signalisieren (S18) eines Fehlers abhängig von einem Rekonstruktionsfehler zwischen dem rekonstruierten Eingangsvektor und dem zugeführten Eingangsvektor.
Verfahren nach Anspruch 1, wobei als das mindestens eine Merkmal mindestens ein Betriebsmerkmal aus dem Betriebsgrößenverlauf der mindestens einen Betriebsgröße des elektrischen Energiespeichers (41) als aggregierte Größe bestimmt wird;
Verfahren nach Anspruch 1 oder 2, wobei als das mindestens eine Merkmal ein Belastungszustandsvektor aus den Betriebsmerkmalen (M) mithilfe einer Hauptkomponentenanalyse (PCA) oder einer Kernel-Hauptkomponentenanalyse (Kernel-PCA) bestimmt wird, wobei der Autoencoder mit den Belastungszustandsvektoren (M') aus einer Vielzahl von Energiespeichern (41) trainiert ist, wobei als zugeführter Eingangsvektor der Belastungszustandsvektor in dem Autoencoder ausgewertet wird.
Verfahren nach einem der Ansprüche 1 bis 3, wobei als das mindestens eine Merkmale mindestens ein Fehlermerkmal bestimmt wird, wobei sich das Fehlermerkmal durch statistische Auswertung eines Unterschieds zwischen einer insbesondere mit einem Batterie-Performance-Modell modellierten Größe und einer durch ein weiteren Verfahren oder Modell ermittelten oder gemessenen Größe für ein vorgegebenes Zeitintervall ergibt, wobei insbesondere ein Unterschied zwischen einer modellierten Batteriespannung und einer gemessenen Batteriespannung und/oder ein Unterschied zwischen einer mit dem Batterie-Performance-Modell modellierten Menge von zyklisierbaren Lithium und einer sich aus einer Auswertung eines Betriebsgrößenverlaufs ergebenden Menge zyklisierbaren Lithium mithilfe eines physikalischen Alterungszustandsmodell ausgewertet wird.
Verfahren nach einem der Ansprüche 1 bis 4, wobei der Rekonstruktionsfehler mit einem ersten Fehlerschwellenwert verglichen wird, um bei Überschreiten des ersten Fehlerschwellenwerts durch den Rekonstruktionsfehler eine Warnung über eine mögliche Funktionsstörung des Energiespeichers (41) zu signalisieren.
Verfahren nach einem der Ansprüche 1 bis 5, wobei der Rekonstruktionsfehler mit einem zweiten höheren Fehlerschwellenwert verglichen wird, um bei Überschreiten des zweiten Fehlerschwellenwerts durch den Rekonstruktionsfehler einen Fehler des Energiespeichers (41) zu signalisieren.
Verfahren nach Anspruch 5 oder 6, wobei zur Ermittlung des ersten und/oder des zweiten Fehlerschwellenwerts eine statistische Auswertung der Rekonstruktionsfehler von Trainingsdatensätzen, die von ordnungsgemäßen Energiespeichern (41) zum Training des Autoencoders verwendet worden sind, durchgeführt wird, wobei der erste bzw. der zweite Fehlerschwellenwert abhängig von der Verteilung der Rekonstruktionsfehler, die sich aus der Auswertung der Trainingsdatensätze mit dem trainierten Autoencoder ergeben, gewählt wird, insbesondere als der maximal auftretende Rekonstruktionsfehler.
Verfahren nach einem der Ansprüche 1 bis 7, wobei eine Energiespeicherindividuelle Ausführungshäufigkeit des Verfahrens abhängig von dem Rekonstruktionsfehler gewählt wird.
Verfahren nach einem der Ansprüche 1 bis 8, wobei der Autoencoder mithilfe von Trainingsdatensätzen trainiert ist, wobei die Trainingsdatensätze mit dem mindestens einen Merkmal von jeweils ordnungsgemäßen Energiespeichern (41) gebildet sind.
Verfahren nach einem der Ansprüche 1 bis 9, wobei ein Alterungszustandsmodell vorgesehen ist, dass die Betriebsmerkmale oder den Belastungszustandsvektor (M') zur Ermittlung eines Alterungszustands in einem datenbasierten Modell verwendet.
Verfahren nach einem der Ansprüche 1 bis 10, wobei das Signalisieren des Fehlers eine automatisierte Stilllegung des Geräts (4) oder das Überführen des Energiespeichers (41) in einen sicheren Zustand, insbesondere über Schnell-Entladen, oder eine Planung eines Werkstattaufenthalts zur Inspektion umfasst.
Verfahren nach einem der Ansprüche 1 bis 11, wobei der Energiespeicher (41) zum Betrieb des Geräts (4), wie einem Kraftfahrzeug, einem Pedelec, einem Fluggerät, insbesondere einer Drohne, einer Werkzeugmaschine, einem Gerät der Unterhaltungselektronik, wie ein Mobiltelefon, einem autonomen Roboter und/oder einem Haushaltsgerät verwendet wird.
Vorrichtung zur Ermittlung einer Anomalie des Verhaltens eines elektrischen Energiespeichers (41) in einem technischen Gerät (4); wobei die Vorrichtung ausgebildet ist zum: - Erfassen eines Betriebsgrößenverlaufs der mindestens einen Betriebsgröße des elektrischen Energiespeichers (41); - Bestimmen von mindestens einem Merkmal aus dem Betriebsgrößenverlauf der mindestens einen Betriebsgröße des elektrischen Energiespeichers (41); - Auswerten eines Autoencoders mit einem zugeführten Eingangsvektor, der mindestens eines der Merkmale beinhaltet oder von diesen abhängt, um einen rekonstruierten Eingangsvektor zu bestimmen; - Signalisieren eines Fehlers abhängig von einem Rekonstruktionsfehler zwischen dem rekonstruierten Eingangsvektor und dem zugeführten Eingangsvektor.
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 12 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 12 auszuführen.