发明内容

在本发明的范围中，改进了一种用于求取对于可再充电的电池的真实的退化状态的近似和/或预测的方法。

在该方法中提供了退化状态的对于在过去的时间点以测量技术求取的值的在预先给定的时间步长中被离散的时间序列。

在此，对于“以测量技术求取”应当理解为带有随后的分析的测量值的各个检测，所述分析为退化状态提供度量。所述退化状态能够以很多种方式近似地确定。因此直接提供退化状态的值的传感器不是必需的。

例如根据电荷量能够求取退化状态的所观察的值，所述电荷量在所述电池从第一端电压充电到第二、更高的端电压上时释放到电池中。用于车辆的牵引电池的典型的电池单池能够例如从3V的端电压开始被充电到其4.2V的充电结束电压上。而后，能够借助于“库伦计数”、比方说通过流动到电池中的电流的积分求取释放到所述电池中的电荷量。所述电池能够吸收的电荷越多，则其还可用的容量越大，并且其退化状态越好。

退化状态的所观察的值根据持续时间来求取，在所述持续时间中，所述电池的端电压在以预先给定的负荷加载的情况下从第一值下降到第二、更低的值上。所述端电压保持在所述第二、更低的值之上越久，则容量越大并且其退化状态越好，由所述容量所述电池给负载馈电。

例如在所述电池的放电期间也能够检测所述电池的端电压的、放电电流的以及充电状态的时间序列。而后，根据退化状态的物理的模型从该时间序列中能够求取退化状态的所观察的值。在此附加地，还能够尤其例如在放电期间检测在电池中的温度，并且能够在所述物理的模型中考虑该温度。通常，所提到的参量尤其可供在至少部分地电驱动的车辆上使用。

在此示例性的所提到的方法、即也如用于以近似的方式确定退化状态的所有另外的方法一样在所求取的近似的精确度方面被下述精确度限制，能够以所述精确度来检测分别使用的测量值。然而，安装在车辆上的测量仪器通常刚好更确切地说被设计用于电系统的每时每刻的运行状态的短期的监测，相对于用于退化状态的长期的监测来说。对于后者的目的，测量数据有时相对不确定并且消失。应用高品质的测量仪器是昂贵的，并且还不会确保任意地提高精确度，因为对于测量而言，在车辆的电系统中在狭窄的空间上存在大量的干扰源。

因此，在所述方法的范围中规定：借助于经过训练的隐马尔科夫模型、HMM来改善精确度。基于观察，HMM能够实现关于不可直接测量的“隐藏的”（隐式的）变量的概率结论，所述变量的概率依赖于该“隐藏的”变量的状态。在此应用中，应当得到关于其结论的“隐藏的”变量是所述电池的真实的退化状态，并且退化状态的以测量技术求取的值反映了所述观察。

在此，所述观察原则上在预先给定的时间步长中时间离散。该时间步长的扫描（Raster）能够尤其与这样的时间步长的扫描叠合，在所述扫描中也离散化退化状态的以测量技术求取的值。然而这不是强制地必需的。所述退化状态本身也离散化，例如以从对于新的电池而言100%下降直至对于应该进行更换的电池而言70%的百分比的形式。

经过训练的HMM根据真实的退化状态指出：在以测量技术求取的情况下，以哪种概率观察到退化状态的哪个值。该概率能够例如构成所谓的“观察矩阵”。用于以测量技术求取的物理的模型简化地越强烈，并且所使用的测量值越不确定，则退化状态的以测量技术求取的值围绕真实的退化状态越分散。因此，在所述观察矩阵中，能够尤其体现出关于用于以测量技术求取退化状态的物理的模型的和关于所使用的测量值的不确定性的预知。

此外，所述经过训练的HMM根据各个真实的退化状态指出：该真实的退化状态在下一时间步长中以哪种概率转移到哪个更差的退化状态中。替代地或者也在与此组合中，所述经过训练的HMM能够指出：例如以分布的形式，以哪种概率多长时间地保持所述真实的退化状态。该概率能够例如构成“过渡矩阵”。因此，在所述过渡矩阵中能够体现出退化的动力学。此外，在那里由所提及的模型能够体现出例如预知、同样地如例如边界条件，所述退化是不可逆转的并且单调地推进。也就是说，通过良好的处理能够最大限度地保持所述电池的当前的退化状态，但是所述电池不再从已经遭受的退化中被恢复。

由退化状态的以测量技术求取的值的观察的时间序列和HMM来求取真实的退化状态在过去的最可能的走势，所述走势与观察的时间序列一致。由该最可能的走势分析所寻找的近似。替代地或者也在与此组合中，所提及的最可能的走势的推断也能够提供对于未来的退化状态的预测。该任务在某种程度上类似于在数据载体的读取时的错误纠正，其中能够“翻转”一个或者另外的位。因此，还能够尤其例如利用用于错误纠正的维特比算法来求取所述真实的退化状态的最可能的走势。

在使用所述HMM之前，可选地能够以任意的方式平滑、过滤或者以其他的方式预处理退化状态的所观察的值的时间序列。

已知：通过使用所述HMM能够不仅仅抑制所使用的物理的模型的不精确性的以及测量值的不确定性的影响。更确切地说，所述方法还提供了这样的信息：在所述电池的当前的运行条件下，所述电池是否还良好地操作并且还长时间运转，或者所述电池是否被“电池-折磨者”使用，其促使所述电池损耗。因此，能够尤其例如对下述情况响应：对于未来的时间点所求取的对于真实的退化状态的预测满足预先给定标准，直至该未来的时间点的时间段被评估作为所述电池的剩余的可用的寿命。

在车辆中的牵引电池中刚好存在很多可能性，如能够延缓、阻止或者刚好有利于所述退化。因此，例如当所述电池经常被深度地放电时，或者当其在高的温度的情况下被获取高的电流时，这对所述电池不太好。

因此，即使在类似的行驶功率的情况下，所述电池的退化状态能够例如非常不均质地分布在一队电驱动的车辆的内部。对于未来的预测能够实现：在这样的时间点确切地采取牵引电池更换，在所述时间点所述更换实际上是必要的。因为所述牵引电池能够是在电驱动的车辆处的最昂贵的部件，过早的更换花费很多钱。反之，延迟的更换能够导致：所述车辆必须被搁置并且以昂贵费用被拖走。当前还未规定：在现场通过救援服务更换所述牵引电池。

如前述解读那样，所述电池的以测量技术求取的退化状态的不确定性尤其依赖于所使用的测量值的不确定性和所述物理的模型。所述物理的模型决定了测量值的单个不确定性到所求取的退化状态的整个不确定性的传播。为了应用在前述所说明的方法中，已经能够在HMM的训练中考虑到这一点。因此，为了该应用，本发明还提供了一种用于训练HMM的方法。

在该方法中，提供大量的电池在其使用期间的真实的退化状态的走势的时间序列。该时间序列例如能够在电驱动的车辆上被记录，并且被实时地传递到云中，或者以定期的间隔读取到工厂中。能够尤其例如以测量技术、例如在实验室中在最佳的条件的情况下求取所述真实的退化状态。为此，直接提供所述退化状态的值的传感器不是必需的；例如关于所述电池的容量损耗的测量是足够的。例如，在测试车辆中或者在模拟的使用的范围中能够以确定的间隔测量运行的电池。

只须唯一一次性地投入针对训练HMM的成本。随后，能够在批量生产中多次从该HMM中受益。

因此，在所述方法的范围中提供物理的模型，所述模型将所述电池的至少端电压的、放电电流的以及充电状态的测量值映射到退化状态的值上。

在考虑物理的模型所使用的测量值的测量所带有的测量技术的不确定性的情况下，根据真实的退化状态来求取：在以测量技术求取测量值和使用物理的模型的情况下，以哪种概率观察到所述退化状态的哪个值。由此，能够构成前述所提及的观察矩阵。

在考虑真实的退化状态的走势的情况下求取：以哪种概率多长时间地保持该真实的退化状态，并且/或者该真实的退化状态在下一时间步长中以哪种概率转移到哪个更差的退化状态中。

该概率依赖于当前的退化状态，但是也依赖于带有已经所提到的和其他的压力因素的所述电池的当前的负载，所述压力因素有害于所述电池的寿命。因此，除了所述电池的真实的退化状态之外，也能够将该压力因素考虑作为HMM的其他的“隐藏的”变量。而后，所述HMM的当前的状态不再仅仅通过所述真实的退化状态来表征，而是还通过所述压力因素来表征。以这种方式能够尤其在状态之间指出不同于零的过渡概率，所述状态通过不同的真实的退化状态、但是相同的压力因素来表征。也就是说，对于压力因素的很多种不同的情况能够分别收集并且在前述所提及的过渡矩阵的训练过程中聚集下述信息：在维持该压力因素的情况下退化多快速地进一步推进。而后，真实的退化状态的最可能的走势的前述所提及的求取即不仅提供了该真实的退化状态本身，而且还提供了分别存在的压力因素。而后，能够以可行的方式限定或者甚至精确地求取出什么确切地导致了所观察到的退化，因此，在未来能够避免比方说操作错误。

如前述解读那样，所述物理的模型能够使得所述退化状态附加地依赖于在所述电池中的至少一个温度。

所述方法能够尤其完全地或者部分地在软件中实现。因此，本发明还涉及一种带有机器可读的指令的计算机程序，当在一个或者多个计算机上实施所述指令时，所述指令为此驱动所述一个或者多个计算机实施所说明的方法中的一个方法。下载产品使通过数据网络可传递的、即可被数据网络的用户下载的、数字的产品，所述产品能够例如在用于及时的下载的在线商店中被提供。

此外，计算机能够配备带有计算机程序、机器可读的数据载体或者下载产品。