図面 (/)

技術 バッテリの状態を推定する方法及び装置

出願人 三星電子株式会社
発明者 柳凱員朴相度
出願日 2016年7月20日 (4年10ヶ月経過) 出願番号 2016-142361
公開日 2017年2月2日 (4年3ヶ月経過) 公開番号 2017-026616
状態 特許登録済
技術分野 電池等の充放電回路 遮断器と発電機・電動機と電池等の試験 二次電池の保守(充放電、状態検知)
主要キーワード 特定時間区間 空間特徴 減少パターン 接続重み 人工ニューロン 重心位置間 クラスタリング方式 ターゲット出力
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2017年2月2日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (13)

課題

バッテリ寿命推定する方法及び装置を提供すること。

解決手段

一実施形態によれば、バッテリ寿命推定装置は、バッテリ検知データに基づいて密度データを取得することができる。バッテリ寿命推定装置は、複数のバッテリマネジメントプロファイルに基づいた密度データセットがクラスタリングされて生成されたクラスタに基づいて密度データから密度特徴を決定し、決定された密度特徴に基づいてバッテリの寿命を推定することができる。

概要

背景

環境問題エネルギー資源問題が重要視される中で、電気自動車未来輸送手段として注目されている。電気自動車は、充放電が可能な複数の二次電池を1つのパックとして形成したバッテリ主動力源として利用するため、ガソリン自動車よりも騒音が小さく、排気ガスを出さないという長所がある。

電気自動車におけるバッテリは、ガソリン自動車のエンジン及び燃料タンクのような役割をするため、電気自動車の利用においてはバッテリの状態を確認することが重要である。二次電池のバッテリを利用するほどバッテリの寿命が減り、バッテリの寿命が減るにつれてバッテリの初期容量を保存することができず、徐々に減少し得る。バッテリ容量持続的に減少し、運転者が所望する出力、マネジメント時間、及び安全性を提供することができなくなれば、バッテリを交換する必要がある。バッテリを交換する時点を決定するためにバッテリの状態を判断することは重要なことである。

概要

バッテリの寿命を推定する方法及び装置を提供すること。 一実施形態によれば、バッテリ寿命推定装置は、バッテリ検知データに基づいて密度データを取得することができる。バッテリ寿命推定装置は、複数のバッテリマネジメントプロファイルに基づいた密度データセットがクラスタリングされて生成されたクラスタに基づいて密度データから密度特徴を決定し、決定された密度特徴に基づいてバッテリの寿命を推定することができる。

目的

バッテリ容量が持続的に減少し、運転者が所望する出力、マネジメント時間、及び安全性を提供する

効果

実績

技術文献被引用数
2件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

バッテリ検知データに基づいて密度データを取得するステップと、複数のバッテリマネジメントプロファイルに基づいた密度データセットがクラスタリングされて生成されたクラスタを用いて前記密度データから密度特徴を決定するステップと、前記密度特徴に基づいてバッテリの寿命推定するステップと、を含むバッテリの寿命を推定する方法。

請求項2

前記密度特徴を決定するステップは、各前記クラスタに含まれる前記密度データの個数に基づいて前記密度特徴を決定する、請求項1に記載のバッテリの寿命を推定する方法。

請求項3

前記密度特徴を決定するステップは、各前記クラスタの重心位置に基づいて前記密度データが含まれるクラスタを決定する、請求項2に記載のバッテリの寿命を推定する方法。

請求項4

前記密度特徴を決定するステップは、前記クラスタのそれぞれに含まれる前記密度データの個数に基づいてヒストグラムを生成するステップと、前記ヒストグラムに基づいて密度ベクトルを決定するステップと、を含む、請求項1乃至3のいずれか一項に記載のバッテリの寿命を推定する方法。

請求項5

前記密度特徴を決定するステップは、前記クラスタに基づいて前記密度データを密度ベクトルに変換する、請求項1乃至4のいずれか一項に記載のバッテリの寿命を推定する方法。

請求項6

前記密度データを取得するステップは、同一の時点に検知された複数種類のバッテリ検知データを結合するステップと、前記結合されたバッテリ検知データを時間によって累積して前記密度データを取得するステップと、を含む、請求項1乃至5のいずれか一項に記載のバッテリの寿命を推定する方法。

請求項7

前記密度データは、時間に応じたバッテリ検知データを空間上の分布で示したデータである、請求項1乃至6のいずれか一項に記載のバッテリの寿命を推定する方法。

請求項8

前記バッテリ検知データは、バッテリの電圧データ電流データ、及び温度データのうちの少なくとも1つを含む、請求項1乃至7のいずれか一項に記載のバッテリの寿命を推定する方法。

請求項9

前記密度データセットは、複数のバッテリマネジメントプロファイルに基づいた密度データが結合されたものである、請求項1乃至8のいずれか一項に記載のバッテリの寿命を推定する方法。

請求項10

前記バッテリの寿命を推定するステップは、バッテリ寿命推定モデルを用いて前記密度特徴から前記バッテリの寿命を推定し、前記バッテリ寿命推定モデルは、ニューラルネットワークモデルサポートベクトルマシンモデルSVM)、及びガウス過程回帰モデル(GPR)のうちのいずれか1つに基づく、請求項1乃至9のいずれか一項に記載のバッテリの寿命を推定する方法。

請求項11

ハードウェアと結合して、請求項1乃至10のいずれか一項に記載の方法を行うために媒体に格納されたコンピュータプログラム

請求項12

バッテリ検知データに基づいた複数の密度データを結合して密度データセットを取得するステップと、前記密度データセットを複数のクラスタにクラスタリングするステップと、前記クラスタに基づいて学習データから密度特徴を決定するステップと、前記密度特徴に基づいてバッテリ寿命推定モデルを学習させるステップと、を含むバッテリ寿命推定モデルを学習させる方法。

請求項13

前記密度特徴を決定するステップは、各前記クラスタに含まれる学習データのデータ個数に基づいて前記密度特徴を決定する、請求項12に記載のバッテリ寿命推定モデルを学習させる方法。

請求項14

前記密度特徴を決定するステップは、前記クラスタの各クラスタの重心位置に基づいて前記学習データのデータが含まれるクラスタを決定する、請求項13に記載のバッテリ寿命推定モデルを学習させる方法。

請求項15

前記密度特徴を決定するステップは、前記クラスタのそれぞれに含まれる学習データのデータ個数に基づいてヒストグラムを生成するステップと、前記ヒストグラムに基づいて密度ベクトルを決定するステップと、を含む、請求項12乃至14のいずれか一項に記載のバッテリ寿命推定モデルを学習させる方法。

請求項16

前記クラスタに関する情報と前記学習されたバッテリ寿命推定モデルに関する情報とを格納するステップをさらに含む、請求項12乃至15のいずれか一項に記載のバッテリ寿命推定モデルを学習させる方法。

請求項17

前記密度データセットを正規化するステップをさらに含み、前記クラスタリングするステップは、前記正規化された密度データセットを複数のクラスタにクラスタリングする、請求項12乃至16のいずれか一項に記載のバッテリ寿命推定モデルを学習させる方法。

請求項18

前記密度データセットを取得するステップは、複数のバッテリマネジメントプロファイルに基づいた密度データを取得するステップと、前記取得した密度データを結合して前記密度データセットを取得するステップと、を含む、請求項12乃至17のいずれか一項に記載のバッテリ寿命推定モデルを学習させる方法。

請求項19

前記密度データセットを取得するステップは、同一の時点に検知された複数種類のバッテリ検知データを結合するステップと、前記結合されたバッテリ検知データを時間によって累積するステップと、を含む、請求項12乃至18のいずれか一項に記載のバッテリ寿命推定モデルを学習させる方法。

請求項20

バッテリ検知データを取得するステップと、バッテリ検知データを空間データに変換するステップと、前記空間データに基づいて空間特徴を決定するステップと、前記空間特徴に基づいてバッテリの寿命を推定するステップと、を含むバッテリの寿命を推定する方法。

請求項21

前記バッテリ検知データを空間データに変換するステップは、前記空間データを取得するために前記バッテリ検知データを所定の次元を有する空間上に投影する、請求項20に記載のバッテリの寿命を推定する方法。

請求項22

前記バッテリ検知データを取得するステップは、一定時間区間の間のバッテリ検知データを取得し、前記バッテリ検知データは、前記バッテリから検知されたNタイプのバッテリデータを含み、前記所定の次元を有する空間は、N次元空間であり、前記Nタイプのバッテリデータのそれぞれは、前記N次元空間の対応する次元に投影される、請求項21に記載のバッテリの寿命を推定する方法。

請求項23

前記空間データは、所定の次元を有する空間におけるバッテリ検知データの密度分布を示す密度データであり、前記空間特徴を決定するステップは、複数のバッテリマネジメントプロファイルに基づいて前記空間における前記密度データをクラスタにクラスタリングし、前記クラスタに基づいて前記空間特徴を決定する、請求項20乃至22のいずれか一項に記載のバッテリの寿命を推定する方法。

請求項24

前記クラスタのそれぞれは、クラスタの重心位置に近い密度データのデータを含む、請求項23に記載のバッテリの寿命を推定する方法。

請求項25

前記空間特徴を決定するステップは、前記クラスタのそれぞれに含まれる密度データのデータ個数を決定するステップと、前記データ個数に基づいて密度ベクトルを前記空間特徴で決定するステップと、前記密度ベクトルに基づいて前記バッテリの寿命を推定するステップと、を含む、請求項24に記載のバッテリの寿命を推定する方法。

請求項26

前記密度ベクトルは、前記クラスタのそれぞれに対応するエレメントを含み、前記エレメントのそれぞれは、1つのクラスタに含まれた密度データのデータ個数を示す、請求項25に記載のバッテリの寿命を推定する方法。

技術分野

0001

本発明は、バッテリの状態を推定する方法及び装置に関する。

背景技術

0002

環境問題エネルギー資源問題が重要視される中で、電気自動車未来輸送手段として注目されている。電気自動車は、充放電が可能な複数の二次電池を1つのパックとして形成したバッテリを主動力源として利用するため、ガソリン自動車よりも騒音が小さく、排気ガスを出さないという長所がある。

0003

電気自動車におけるバッテリは、ガソリン自動車のエンジン及び燃料タンクのような役割をするため、電気自動車の利用においてはバッテリの状態を確認することが重要である。二次電池のバッテリを利用するほどバッテリの寿命が減り、バッテリの寿命が減るにつれてバッテリの初期容量を保存することができず、徐々に減少し得る。バッテリ容量持続的に減少し、運転者が所望する出力、マネジメント時間、及び安全性を提供することができなくなれば、バッテリを交換する必要がある。バッテリを交換する時点を決定するためにバッテリの状態を判断することは重要なことである。

発明が解決しようとする課題

0004

本発明の目的は、バッテリの寿命を推定する方法及び装置を提供することにある。

課題を解決するための手段

0005

一実施形態に係るバッテリ寿命推定方法は、バッテリ検知データに基づいて密度データを取得するステップと、複数のバッテリマネジメントプロファイルに基づいた密度データセットがクラスタリングされて生成されたクラスタを用いて前記密度データから密度特徴を決定するステップと、前記密度特徴に基づいてバッテリの寿命を推定するステップとを含む。

0006

一実施形態に係るバッテリ寿命推定方法において、前記密度特徴を決定するステップは、各前記クラスタに含まれる前記密度データの個数に基づいて前記密度特徴を決定してもよい。

0007

一実施形態に係るバッテリ寿命推定方法において、前記密度特徴を決定するステップは、前記クラスタのそれぞれに含まれる前記密度データの個数に基づいてヒストグラムを生成するステップと、前記ヒストグラムに基づいて密度ベクトルを決定するステップとを含んでもよい。

0008

一実施形態に係るバッテリ寿命推定方法において、前記密度データを取得するステップは、同一の時点に検知された複数種類のバッテリ検知データを結合するステップと、前記結合されたバッテリ検知データを時間に応じて累積して前記密度データを取得するステップとを含んでもよい。

0009

一実施形態に係る学習方法は、バッテリ検知データに基づいた複数の密度データを結合して密度データセットを取得するステップと、前記密度データセットを複数のクラスタにクラスタリングするステップと、前記クラスタに基づいて学習データから密度特徴を決定するステップと、前記密度特徴に基づいてバッテリ寿命推定モデルを学習させるステップとを含む。

0010

一実施形態に係る学習方法において、前記密度特徴を決定するステップは、各前記クラスタに含まれる前記学習データのデータ個数に基づいて前記密度特徴を決定してもよい。

0011

一実施形態に係る学習方法は、前記クラスタに関する情報と前記学習されたバッテリ寿命推定モデルに関する情報を格納するステップをさらに含んでもよい。

0012

一実施形態に係るバッテリ寿命推定装置は、バッテリ検知データに基づいて密度データを取得する密度データ取得部と、複数のバッテリマネジメントプロファイルに基づいた密度データセットがクラスタリングされて生成されたクラスタを用いて前記密度データから密度特徴を決定する密度特徴決定部と、前記密度特徴に基づいてバッテリの寿命を推定するバッテリ寿命推定部とを含む。

0013

一実施形態に係る学習装置は、バッテリ検知データに基づいた複数の密度データを結合して密度データセットを取得する密度データセット取得部と、前記密度データセットを複数のクラスタにクラスタリングするクラスタリング部と、前記クラスタに基づいて学習データから密度特徴を決定する密度特徴決定部と、前記密度特徴に基づいてバッテリ寿命推定モデルを学習させる学習部とを含む。

0014

一実施形態に係るバッテリ寿命推定方法は、バッテリ検知データを取得するステップと、バッテリ検知データを空間データに変換するステップと、前記空間データに基づいて空間特徴を決定するステップと、前記空間特徴に基づいてバッテリの寿命を推定するステップとを含む。

0015

一実施形態に係るバッテリ寿命推定方法において、前記バッテリ検知データを空間データに変換するステップは、前記空間データを取得するために前記バッテリ検知データを所定の次元を有する空間上に投影してもよい。

0016

一実施形態に係るバッテリ寿命推定方法において、前記バッテリ検知データを取得するステップは、一定時間区間の間のバッテリ検知データを取得し、前記バッテリ検知データは、前記バッテリから検知されたNタイプのバッテリデータを含み、前記所定の次元を有する空間は、N次元空間であり、前記Nタイプのバッテリデータのそれぞれは、前記N次元空間の対応する次元に投影されてもよい。

0017

一実施形態に係るバッテリ寿命推定方法において、前記空間データは、所定の次元を有する空間におけるバッテリ検知データの密度分布を示す密度データであり、前記空間特徴を決定するステップは、複数のバッテリマネジメントプロファイルに基づいて前記空間における前記密度データをクラスタにクラスタリングし、前記クラスタに基づいて前記空間特徴を決定してもよい。

0018

一実施形態に係るバッテリ寿命推定方法において、前記クラスタのそれぞれは、クラスタの重心位置に近い密度データのデータを含んでもよい。

0019

一実施形態に係るバッテリ寿命推定方法において、前記空間特徴を決定するステップは、前記クラスタのそれぞれに含まれる密度データのデータ個数を決定するステップと、前記データ個数に基づいて密度ベクトルを前記空間特徴で決定するステップと、前記密度ベクトルに基づいて前記バッテリの寿命を推定するステップとを含んでもよい。

0020

一実施形態に係るバッテリ寿命推定方法において、前記密度ベクトルは、前記クラスタのそれぞれに対応するエレメントを含み、前記エレメントのそれぞれは、1つのクラスタに含まれた密度データのデータ個数を示してもよい。

発明の効果

0021

一実施形態によれば、バッテリ検知データに基づいてバッテリの寿命をリアルタイムで推定することができる。

0022

一実施形態によれば、バッテリが部分充電された場合においてもバッテリの寿命を推定することが可能になる。

0023

一実施形態によれば、互いに関連する様々な種類のバッテリ検知データを用いることによって特定のバッテリ検知データに敏感にならずに、バッテリの寿命を推定することができる。

0024

一実施形態によれば、バッテリマネジメントのための履歴管理が容易になる。

図面の簡単な説明

0025

一実施形態に係るバッテリ寿命推定モデルを学習させるための装置の構成を示す図である。
一実施形態に係るバッテリの寿命を推定する装置の構成を示す図である。
一実施形態に係るバッテリの寿命を推定するシステムの構成を示す図である。
一実施形態に係るバッテリ検知データに基づいて密度データを取得する過程を説明するための図である。
一実施形態に係る密度データの一例を示す図である。
一実施形態に係る密度データセットを取得して、密度データセットをクラスタリングする過程を説明するための図である。
一実施形態に係る密度特徴を決定する過程を説明するための図である。
一実施形態に係る密度特徴を決定する過程を説明するための図である。
一実施形態に係るユーザインターフェースを説明するための図である。
一実施形態に係るバッテリ寿命情報を提供するためのユーザインターフェースを説明するための図である。
一実施形態に係るバッテリ寿命推定モデルを学習させる方法を示す動作フローチャートである。
一実施形態に係るバッテリの寿命を推定する方法を示す動作フローチャートである。

実施例

0026

以下、添付の図面を参照しながら、実施形態を詳細に説明する。下記の特定の構造的又は機能的説明は、単に実施形態を説明する目的で例示するものであって、実施形態の範囲が本文で説明される内容に限定されると解釈すべきでない。関連技術分野の通常の知識を有する者であれば、このような記載から様々な修正及び変形が可能である。本明細書における「一実施形態」又は「実施形態」に関する言及は、その実施形態と関連して説明される特定の特徴、構造又は特性が少なくとも1つの実施形態に含まれることを意味し、「一実施形態」又は「実施形態」に関する言及が必ず全て同一の実施形態を指し示すものと理解すべきでない。

0027

また、実施形態で用いる用語は、単に特定の実施形態を説明するために用いたものであり、実施形態を限定しようとする意図はない。単数表現文脈上、明白に異なる意味をもたない限り複数の表現を含む。本明細書において、「含む」又は「有する」などの用語は明細書上に記載された特徴、数字、ステップ、動作、構成要素、部品又はこれらを組み合わせたものが存在することを指定しようとするものであって、1つ又はそれ以上の他の特徴や数字、ステップ、動作、構成要素、部品又はこれらを組み合わせたものなどの存在又は付加の可能性を予め排除しないものとして理解しなければならない。

0028

添付の図面を参照して説明することにおいて、図面符号に関係なく同一の構成要素には同一の参照符号を付与し、それに対する重複説明は省略することにする。実施形態の説明において関連の公知技術に対する具体的な説明が実施形態の要旨を不要に曖昧にすると判断される場合、その詳細な説明を省略する。

0029

以下においては、説明の便宜上、電気自動車に備わったバッテリを例に説明するが、実施形態の範囲がこれに限定されると理解すべきでなく、充放電が可能な二次電池を用いる全ての用途に下記の実施形態を適用してもよい。

0030

バッテリは、充放電のサイクルの数が増加するほど老化し、バッテリの寿命が減り得る。バッテリの寿命はバッテリが外部に電力を正常に供給することができる期間を示す。バッテリの寿命は、バッテリの現在の容量値内部抵抗値、及びSoH(State−Of−Health)などに対応し得る。例えば、バッテリに格納される最大電荷量の容量が閾値以下に減少すると、バッテリがアプリケーションから要求される要件を満たすことができなくなり、バッテリの交換が必要になり得る。バッテリを交換する適切な時点を決定するためにバッテリの寿命を正確に推定することが重要になり得る。

0031

図1は、一実施形態に係るバッテリ寿命推定モデルを学習させるための装置の構成を示す図である。学習装置100にバッテリ寿命推定モデルを学習させる。学習装置100は、バッテリに関する検知データを収集し、収集された検知データの密度に基づいてバッテリ寿命推定モデルを学習させることができる。バッテリ寿命推定モデルは、学習が完了した後にバッテリの寿命を推定するのに用いられてもよい。以下においては、学習装置100の動作をより詳しく説明する。

0032

図1を参照すると、学習装置100は、密度データセット取得部(density data set acquirer)110、クラスタリング部120、密度特徴決定部(density feature determiner)130、及びバッテリ寿命推定モデル学習部(battery life estimation model trainer)140を含む。密度データセット取得部110、クラスタリング部120、密度特徴決定部130、及びバッテリ寿命推定モデル学習部140は、1つ以上のプロセッサによって実行されてもよい。

0033

密度データセット取得部110は、バッテリ検知データ(battery sensing data)に基づいて密度データを取得し、様々なバッテリのマネジメント状況において取得された密度データから密度データセットを取得する。密度データは収集されたバッテリ検知データが特定の次元(例えば、2次元又は3次元)の空間上に分布された程度を示し、密度データセットは密度データの集合を示す。

0034

密度データセット取得部110は、まず、様々な種類のバッテリ検知データを収集し、収集されたバッテリ検知データから密度データを取得する。例えば、密度データセット取得部110は、バッテリに関する電圧データ電流データ、及び温度データを収集し、同一の時点に検知された電圧データ、電流データ、及び温度データを3次元空間上に投影して密度データを取得してもよい。

0035

密度データセット取得部110は、様々なバッテリマネジメントプロファイル(battery management profile)に基づいた密度データを取得し、取得された密度データを結合して密度データセットを取得する。密度データセットが示す領域において互いに隣接するように位置するデータはバッテリの劣化に類似する影響を及ぼすものと考えることができる。

0036

バッテリマネジメントプロファイルによって様々なパターンの密度データが存在してもよい。例えば、電気自動車の場合、都心走行する時のバッテリマネジメントと高速道路を走行する時のバッテリマネジメントとは互いに異なってもよく、そのため、バッテリ検知データ間のパターンも互いに異なってもよい。したがって、バッテリ検知データに基づく密度データのパターンもバッテリマネジメントによって変わってもよい。密度データセット取得部110はこのような様々なパターンの密度データを結合して密度データセットを生成することができる。

0037

クラスタリング部120は、密度データセットを複数のクラスタにクラスタリングする。クラスタリング過程を通じて密度データセットが示す全領域が複数の領域に分割され、いずれか1つの分割された領域は1つのクラスタに対応することができる。

0038

クラスタリング部120は、例えば、k平均法(k−means clustering)を含む様々なクラスタリング方式を用いて密度データセットが示す領域を複数のクラスタに分割することができる。それぞれのクラスタは重心を有しており、特定のクラスタに含まれたデータ(密度データセットのデータ)は他のクラスタの重心より当該特定のクラスタの重心と最も近い距離を有してもよい。各クラスタの重心位置に関する情報を含むクラスタ情報は格納部(図示せず)に格納されてもよい。格納されたクラスタ情報は、バッテリ寿命推定モデルを学習させる過程だけでなくバッテリの寿命を推定する過程でも用いてもよい。

0039

別の実施形態によれば、クラスタリング部120はクラスタリングを実行する前に密度データセットの分布を正規化することができる。例えば、クラスタリング部120は、密度データセットを構成する互いに異なる種類のバッテリ検知データ間のスケールの差を調整してもよい。正規化過程を通じて、バッテリ検知データ間のスケールの差によって密度データセットの密度が特定方向に偏向されることを防止してもよい。

0040

密度特徴決定部130は学習データから密度特徴を決定する。学習データとして特定時間区間におけるバッテリ検知データに基づいて生成された密度データを用いてもよい。例えば、密度特徴決定部130は、同一の時点に検知されたバッテリに対する電圧データ、電流データ、及び温度データを特定の次元空間に投影した密度データを学習データとして用いることができる。密度データは、初期時点から特定の時点までの収集されたバッテリ検知データに基づいて生成されてもよい。

0041

密度特徴決定部130は、クラスタリング部120によって決定されたクラスタに基づいて学習データの密度パターン定量化することができる。密度特徴決定部130は、学習データに含まれた全データに対して各クラスタに含まれるデータの個数をカウントして学習データの密度パターンを定量化することができる。密度特徴決定部130は、例えば、各クラスタに含まれるデータの個数をクラスタ別区分してヒストグラムを生成してもよく、生成されたヒストグラムの情報に基づいて密度特徴を決定してもよい。密度特徴決定部130は、クラスタ別に含まれるデータの個数をベクトル化した密度ベクトルを密度特徴として決定してもよい。

0042

バッテリ寿命推定モデル学習部140は、密度特徴に基づいてバッテリ寿命推定モデルを学習させる。学習データに対応するターゲット出力値が与えられれば、バッテリ寿命推定モデル学習部140は、バッテリ寿命推定モデルから当該ターゲット出力値が出力されるようにバッテリ寿命推定モデルのパラメータを学習させることができる。学習過程を通じて、バッテリ寿命推定モデルに入力される密度特徴から予め与えられたバッテリ寿命値が出力されるようにバッテリ寿命推定モデルを構成するパラメータがアップデートされてもよい。

0043

バッテリ寿命推定モデルは、ブラックボックス関数を含んでもよく、バッテリ寿命推定モデル学習部140は、ブラックボックス関数に対して与えられた入力と出力とに基づいてブラックボックス関数のパラメータを学習させることができる。また、バッテリ寿命推定モデルとしてニューラルネットワークモデルサポートベクトルマシン(Support Vector Machine、SVM)モデル又はガウス過程回帰(Gaussian Process Regression、GPR)モデルなどが用いられるが、バッテリ寿命推定モデルとして用いられる学習モデルはこれらに限定されることなく、様々な学習モデルを用いてもよい。

0044

バッテリ寿命推定モデルとしてニューラルネットワークモデルが用いられる場合、学習パラメータは、人工ニューロン間の接続パターン、重み、及び活性化関数を含んでもよい。SVMモデルがバッテリ寿命推定モデルとして用いられる場合、学習パラメータは、カーネル関数(kernel function)及びペナルティパラメータ(penalty parameters)を含んでもよい。あるいは、GPRモデルがバッテリ寿命推定モデルとして用いられる場合、学習パラメータは、カーネル関数及びハイパーパラメータ(hyper−parameters)を含んでもよい。

0045

バッテリ寿命推定モデル学習部140は、様々な学習データに基づいてバッテリ寿命推定モデルを学習させることができ、学習が完了したバッテリ寿命推定モデルのパラメータ情報を格納部(図示せず)に格納することができる。格納部に格納されたバッテリ寿命推定モデルのパラメータ情報はバッテリの寿命を推定するために用いられてもよい。

0046

図2は、一実施形態に係るバッテリの寿命を推定する装置の構成を示す図である。バッテリ寿命推定装置230は、バッテリ210の寿命又はバッテリ210の現在の劣化状態を推定する。バッテリ寿命推定装置230は、バッテリ210に対する検知データを収集し、収集された検知データの密度を分析してバッテリ210の寿命をリアルタイムで推定する。バッテリ210の寿命を推定する過程において、図1の学習装置100によって決定された各クラスタに関する情報と学習したバッテリ寿命推定モデルとを用いてもよい。以下においては、バッテリ寿命装置の動作をより詳しく説明する。

0047

図2を参照すると、バッテリ寿命推定装置230は、密度データ取得部240、密度特徴決定部250、及びバッテリ寿命推定部260を含む。密度データ取得部240、密度特徴決定部250、及びバッテリ寿命推定部260は1つ以上のプロセッサによって実行されてもよい。

0048

検知部220はバッテリ検知データを取得する。バッテリ検知データは、例えば、バッテリ210に関する電圧データ、電流データ、及び温度データのうちの1つ以上を含んでもよい。また、バッテリ検知データは、圧力センサから取得された圧力データ又は湿度センサから取得された湿度データを含んでもよい。バッテリ検知データは、特定時間区間の間検知された時系列データの形態を有してもよい。図2においては、検知部220がバッテリ寿命推定装置230の外部に存在するものと表現したが、実際には、検知部220がバッテリ寿命推定装置230に含まれてもよい。

0049

密度データ取得部240は、様々な種類のバッテリ検知データに基づいて密度データ(又は、空間データ)を取得する。例えば、密度データ取得部240は、特定時間区間内における同一の時点に検知されたバッテリ210に関する電圧データ、電流データ、及び温度データを特定の次元空間に投影して密度データを生成することができる。空間に投影されたそれぞれのデータはポイントとして表現されてもよい。

0050

密度特徴決定部250は、密度データから密度特徴(又は空間特徴)を決定する。密度特徴決定部250は、バッテリ寿命推定モデルの学習過程において決定されたクラスタ情報に基づいて密度データの密度パターンを定量化することができる。密度特徴決定部250は、予め格納されたクラスタに関する情報を用いてクラスタ別の密度を決定し、決定されたクラスタ別の密度に基づいて密度データの密度特徴を示す特徴ベクトルを決定することができる。

0051

一実施形態によれば、密度特徴決定部250は、密度データに含まれた全データに対して各クラスタに含まれるデータの個数をカウントし、クラスタ別にカウントされた値に基づいて密度ベクトルを決定することができる。密度データに含まれたデータは、特定の空間的位置を有するポイントと表現されてもよい。密度特徴決定部250は、当該ポイントと各クラスタとの重心位置間の距離を算出し、最も距離が短い重心位置を有するクラスタに当該ポイントが含まれるものとして決定することができる。密度特徴決定部250は、密度データに含まれた全データに対してこのような過程を繰り返して各クラスタ別にクラスタ領域に含まれるデータの個数をカウントしてもよい。密度特徴決定部250はクラスタ別にカウントされた個数情報に基づいて密度ベクトルを決定してもよい。

0052

バッテリ寿命推定部260は、密度特徴に基づいてバッテリ210の寿命を推定する。バッテリ寿命推定部260は、予め学習されたバッテリ寿命推定モデルに密度特徴を入力して現在のバッテリ210の寿命を推定することができる。一実施形態によれば、バッテリ寿命推定モデルは、図1で説明した学習過程によって学習されてもよい。

0053

一実施形態によれば、バッテリ寿命推定部260は、予め学習されたバッテリ寿命推定モデルのパラメータ情報に基づいてバッテリ寿命推定モデルを構成することができる。バッテリ寿命推定モデルは、密度ベクトルのような密度特徴に基づいてバッテリ210の寿命を予測して、予測結果を出力してもよい。バッテリ210の寿命に関する情報は、インターフェースを通じてユーザに提供したり又は格納部(図示せず)に格納されてもよい。

0054

バッテリ寿命推定装置230は、上記のような過程を通じてバッテリ検知データに基づいてバッテリ210の寿命をリアルタイムで推定することができ、バッテリ210が部分充電された場合においてもバッテリ210の寿命を推定することができる。また、バッテリ寿命推定装置230は、互いに関連性を有する様々な種類のバッテリ検知データを用いることによって、所定のバッテリ検知データ(predetermined battery sensing data)に敏感にならずに、バッテリ210の寿命を推定することができる。特定の時点まで収集されたバッテリ検知データに基づいてバッテリ210の寿命が推定され、推定されたバッテリ210の寿命が記録されることによってバッテリマネジメントに対する履歴管理が容易になる。

0055

図3は、一実施形態に係るバッテリの寿命を推定するシステムの構成を示す図である。図3を参照すると、バッテリシステム300は、バッテリ330、電圧センサ342、電流センサ344、温度センサ346、バッテリ制御装置310を含む。図3においては、上述のセンサ342,344、346は、バッテリ制御装置310の外部に存在するものと表現したが、実際には、センサ342、344、346はバッテリ制御装置310に含まれてもよい。

0056

バッテリ330は、バッテリ330が装着された装置(機器又は機械)に電力を供給し、複数のバッテリモジュールを含んでもよい。複数のバッテリモジュールの容量は互いに同一であってもよく、互いに異なってもよい。

0057

電圧センサ342はバッテリ330の電圧を検知して電圧データを取得し、電流センサ344はバッテリ330の電流を検知して電流データを取得する。温度センサ346はバッテリ330の温度を検知して温度データを取得する。センサ342、344、346はバッテリ330の状態をリアルタイムで測定することができる。

0058

バッテリ制御装置310は、RTC(Real Time Clock)360、バッファ350、バッテリ寿命推定装置320、及びインターフェース部370を含む。バッファ350は、センサ342、344、346から受信したバッテリ検知データを格納する。RTC360は、現在の時間を保持して、バッファ350に時間情報を提供することができる。バッファ350は、RTC360から受信した時間情報に基づいてセンサ342、344、346からバッテリ検知データを受信した時間を記録することができる。

0059

バッテリ寿命推定装置320は、格納部322、密度特徴決定部324、及びバッテリ寿命推定部326を含む。格納部322は、学習過程において決定されたクラスタに関する情報と予め学習されたバッテリ寿命推定モデルのパラメータ情報を格納する。クラスタに関する情報は各クラスタの重心位置に関する情報を含んでもよい。格納部322は、例えば、DRAMメモリSRAMメモリ、FRAM(登録商標メモリフラッシュメモリ、HDD(Hard Disk Drive)、SSD(Solid State Drive)などを含んでもよいが、これらに限定されるものではなく、データを格納するための様々な装置を含んでもよい。

0060

密度特徴決定部324は、互いに異なる種類のバッテリ検知データから密度データを生成してもよい。密度特徴決定部324は、格納部322に格納されたクラスタに関する情報に基づいてバッテリ検知データの密度をクラスタ別に定量化してもよい。例えば、密度特徴決定部324は、密度データに含まれたデータが各クラスタにどれくらい含まれるかをカウントし、カウント結果に基づいて密度データに対応する密度ベクトルを決定することができる。

0061

バッテリ寿命推定部326は、密度ベクトルのような密度特徴を用いてバッテリ330の寿命を推定する。バッテリ寿命推定部326は、予め学習されたバッテリ寿命推定モデルに密度特徴を入力してバッテリ330の寿命を推定する。例えば、バッテリ寿命推定モデルとしてニューラルネットワークモデルが用いられる場合、バッテリ寿命推定部326は、格納部322に格納されたニューラルネットワークモデルのパラメータ情報をバッテリ寿命推定モデルに適用することができる。バッテリ寿命推定モデルは、入力された密度特徴に基づいてバッテリ330の寿命に対する推定値を出力してもよい。

0062

インターフェース部370は、推定されたバッテリ330の寿命に関する情報を異なる装置に送信したり、又はディスプレイ装置を用いて出力することができる。

0063

図4は、一実施形態に係るバッテリ検知データに基づいて密度データを取得する過程を説明するための図である。学習装置100及びバッテリ寿命推定装置230の全てのバッテリ検知データに基づいて密度データを取得することができる。

0064

図4を参照すると、バッテリの充放電が反復される場合において時間(x軸)によって検知されたバッテリ検知データが図示されている。グラフ410は時間によるバッテリ電圧の変化を示し、グラフ420は時間によるバッテリ電流の変化を示す。グラフ430は時間によるバッテリ温度の変化を示す。

0065

バッテリから検知された様々な種類のバッテリ検知データは互いに有機的な関係を有してもよい。グラフ410、420、430に基づいてバッテリ検知データを分析すると、バッテリを放電する時期には電流値が負の数の値を有し、電圧値下降して、温度値は上昇する。バッテリを充電する時期には電流値が正の数の値を有し、電圧値は上昇して、温度値は下降する。

0066

それぞれのバッテリ検知データは、独立的に処理されず、様々な種類のバッテリ検知データが特定空間に投影された密度データ440の形態で表現されてもよい。密度データ440は、例えば、特定の時点において検知されたバッテリの電圧データ、電流データ、及び温度データを3次元のデータ(Vt、It、Tt)と表現して空間上に投影して取得されてもよい。ここで、Vt、It、及びTtは、それぞれの時点tにおいて検知されたバッテリの電圧値、電流値、及び温度値を示す。密度データ440に含まれたそれぞれのポイント450は、空間上に投影された特定の時点におけるバッテリ検知データを示す。ここで、ポイント450は、同一の時点で検知されたバッテリの電圧情報電流情報、及び温度情報を含む。バッテリ検知データは、継続的に累積されるため、時間が経つほど密度データ440はより多くのポイントを含むことになる。

0067

図4においては、3つの互いに異なるバッテリ検知データ(電圧、電流、及び温度)に基づいて密度データを生成することを説明したが、実施形態の範囲がこれに限定されると理解すべきでない。実施形態によって、2つ又は4つ以上の互いに異なる種類の検知データに基づいて密度データが生成されてもよい。例えば、バッテリの電圧データ及び電流データに基づいて密度データが生成されてもよい。又は、電圧データ、電流データ、温度データ、及び加速度センサから測定された加速度データに基づいて密度データが生成されてもよい。

0068

図5は、一実施形態に係る密度データの一例を示す図である。図5を参照すると、様々なバッテリマネジメントプロファイルに基づいて生成された密度データ510が図に示されている。一実施形態によれば、バッテリマネジメントプロファイルは、与えられたバッテリマネジメント環境(battery management environment)においてバッテリを持続的に充放電してバッテリの特性(例えば、バッテリの寿命)の変化を検知するためのプロファイルであってもよい。

0069

バッテリ検知データの密度はバッテリマネジメントパターンによって多様になってもよく、これはバッテリの劣化と関連がある。例えば、電気自動車が市内走行をする場合のバッテリマネジメントパターンが高速道路を走行する場合のバッテリマネジメントパターンと異なってもよく、そのため、バッテリ検知データに基づいた密度データ及びバッテリ容量の減少パターンも互いに異なるように表示され得る。学習装置100は、様々なバッテリマネジメントプロファイルによるバッテリ検知データを収集し、収集されたバッテリ検知データに基づいて様々なバッテリマネジメント環境における密度データを取得してもよい。

0070

図6は、一実施形態に係る密度データセットを取得して、密度データセットをクラスタリングする過程を説明するための図である。

0071

図6を参照すると、学習装置100は、様々なバッテリマネジメントパターンによる密度データ510を収集し、収集された密度データ510に表示されたデータを結合して密度データセット610を生成することができる。学習装置100は、密度データセット610を複数のクラスタにクラスタリングすることができる。クラスタリングによって密度データセット610が示す全領域が複数のサブ領域に分割されてもよい。1つのサブ領域は1つのクラスタを形成する。

0072

別の実施形態によれば、学習装置100は、クラスタリングを実行する前に、密度データセット610の分布を各軸に従って正規化することができる。正規化過程を通じて、バッテリ検知データの種類別にスケールが異なって特定の軸に密度データセットのデータが偏向することを防いでもよい。学習装置100は、正規化が行われた密度データセット610を複数のクラスタに分割してもよい。

0073

学習装置100は、例えば、k平均法を含む様々なクラスタリング方式を用いて密度データセット610を複数のクラスタに分割することができる。クラスタリングによって複数のクラスタに分割された密度データセット620が図6に図示されている。ここでは、k平均法を用いて密度データセット610が50個のクラスタに分割されたと仮定する。特定のクラスタ領域内に位置するポイントは、全てのクラスタの重心のうち当該特定のクラスタ領域の重心に最も近く位置するようになる。

0074

クラスタリング過程が行われた後、学習装置100は、各クラスタの重心に関する位置情報を含むクラスタ情報を格納部に格納してもよい。例えば、密度データセット610が50個のクラスタに分割された場合、学習装置100は50個のクラスタのそれぞれの重心に関する位置情報を格納することができる。格納されたクラスタ情報は、バッテリの寿命を推定する過程において密度特徴を決定するのに用いられてもよい。

0075

図7A及び図7Bは、一実施形態に係る密度特徴を決定する過程を説明するための図である。

0076

図7Aを参照すると、学習装置100は、特定の時点までのバッテリ検知データに基づいて密度データを取得することができ、取得された密度データを学習データ710として用いてもよい。学習装置100は、学習データ710と複数のクラスタによってクラスタリングされた密度データセット620を用いて学習データ710に対応する密度特徴を決定することができる。

0077

学習装置100は、学習データ710において、各クラスタに含まれるデータの個数をカウントして学習データ710を定量化することができる。もし、学習データ710に含まれたいずれか1つのデータが任意のポイントp(Vt、It、Tt)で表現される場合、学習装置100は、全てのクラスタの重心点とポイントpとの間の距離を算出した後、最も短い距離を示すクラスタがポイントpを含むものとして決定することができる。

0078

学習装置100は、カウント結果の分布をヒストグラム720に示すことができる。ヒストグラム720は、学習データ710を構成するデータが各クラスタに含まれる個数に関する情報を含んでもよい。ヒストグラム720におけるビン(bin)のサイズは、各クラスタに含まれるデータの個数を示す。学習装置100は、各クラスタ別に含まれたデータの個数に基づいて密度特徴を決定することができる。

0079

例えば、学習装置100は、学習データ710から各クラスタ別に含まれるデータの個数を元素とする密度ベクトルを決定してもよい。もし、クラスタリング過程を通じてクラスタが50個生成された場合、学習装置100は、50個のクラスタ別に学習データ710のデータが含まれる個数を定量化して50次元の密度ベクトルを決定することができる。例えば、密度ベクトルは次の式(1)のように示すことができる。

0080

0081

式(1)において、Vtは密度ベクトルを示し、Vitは0からt時点までの所定の時間区間の間のi番目のクラスタ領域に含まれるデータの個数を示す。

0082

学習装置100には、決定された密度ベクトルに基づいてバッテリ寿命を推定するためのモデルであるバッテリ寿命推定モデルを学習させることができる。学習装置100は、様々なバッテリマネジメント状態で収集された学習データと各学習データに対応するバッテリ寿命の実測値を用いてバッテリ寿命推定モデルを学習させることができる。バッテリ寿命の実測値は、例えば、周期的に完全充電/放電を行って減少したバッテリ容量を測定したり、又はバッテリの増加した内部抵抗を測定して取得されてもよい。

0083

学習装置100は、学習データ710から決定された密度ベクトルをバッテリ寿命推定モデルに入力し、バッテリ寿命推定モデルから出力された結果値とバッテリ寿命の実測値(又は、目的とする結果値)との間の差が減るようにバッテリ寿命推定モデルを学習させることができる。学習過程を通じて、バッテリ寿命推定モデルのパラメータを最適化にすることができる。

0084

バッテリ寿命推定モデルとしてニューラルネットワークモデルが用いられる場合、学習装置100は、誤差伝播学習(backpropagation learning)方式などを用いてバッテリ寿命推定モデルを学習させることができる。誤差逆伝播学習法は、与えられた学習データに対して前進算出(forward computation)でエラーを推定した後、ニューラルネットワークモデルの出力層から開始して隠れ層入力層の方向に逆に前進して推定したエラーを伝播し、エラーを減らす方向に人工ニューロン間の接続重みをアップデートする方式である。

0085

一実施形態によれば、上述のような過程を通じて学習されたバッテリ寿命推定モデルとバッテリ寿命推定モデルとのパラメータ情報はバッテリ寿命推定装置230に搭載されてもよい。例えば、バッテリ寿命推定装置230は、電気自動車の運用中にバッテリから検知されるバッテリ検知データを用いてバッテリの寿命をリアルタイムで推定することができる。

0086

バッテリ寿命推定装置230は、バッテリから検知された検知データに基づいて密度データを生成し、所定のクラスタに含まれる密度データの個数(又はエレメントの個数)を定量化して密度特徴を決定してもよい。密度データから密度特徴が決定される過程は、学習データ710から密度特徴が決定される過程に関する説明がそのまま適用されるため、詳しい内容は省略するようにする。

0087

図7Bは、図7Aと異なるバッテリマネジメントプロファイルに基づいて取得された学習データ730を定量化して密度特徴を決定する一例を示す。図7Aと同様に、学習装置100は、学習データ730と複数のクラスタにクラスタリングされた密度データセット620に基づいてヒストグラム740を取得することができる。バッテリマネジメントプロファイルによって互いに異なる密度特徴が表示されてもよい。

0088

図8は、一実施形態に係るユーザインターフェースを説明するための図である。

0089

図8を参照すると、バッテリ制御装置は、外部からのトリガ信号を受信し、トリガ信号の受信に応答してバッテリ検知データを取得することができる。バッテリ制御装置は、バッテリが部分充電/放電を行う場合においてもリアルタイムでバッテリの寿命終了時点を推定することができる。例えば、電子制御装置(Electronic Control Unit、ECU)は、バッテリ及びバッテリ制御装置が装着された電気自動車の始動オン状態である時、計器盤にユーザインターフェース810を表示してもよい。ユーザインターフェース810は、トリガ信号を生成するためのインターフェース820を含んでもよい。ユーザからインターフェース820が選択された場合、電子制御装置は、バッテリ制御装置にトリガ信号を送信してもよい。バッテリ制御装置は、バッテリ検知データを予め決定した区間に分割し、分割された区間に対応する時間情報を累積し、累積された時間情報から少なくとも1つの周期に対応する時間情報を抽出することができる。また、バッテリ制御装置は、累積された時間情報、少なくとも1つの周期に対応する時間情報、及び予め決定した学習情報に基づいて、バッテリの使用による累積された時間情報の変化を予測して予想時間情報を抽出し、予想時間情報に基づいてバッテリの寿命終了時点を推定することができる。

0090

一実施形態においては、バッテリ制御装置は、推定したバッテリの寿命終了時点を電子制御装置(ECU)に送信することができ、電子制御装置(ECU)は、バッテリ制御装置から受信されたバッテリの寿命終了時点を表示することができる。

0091

図9は、一実施形態に係るバッテリ寿命情報を提供するためのユーザインターフェースを説明するための図である。

0092

図9を参照すると、電気自動車910は、バッテリシステム920を含む。バッテリシステム920は、バッテリ930及びバッテリ制御装置940を含む。バッテリ制御装置940は、バッテリ930の寿命を推定した後、無線インターフェースを通じて端末装置950にバッテリ930の寿命を送信してもよい。

0093

一実施形態においては、バッテリ制御装置940は、無線インターフェースを通じて端末装置950からのトリガ信号を受信することができ、トリガ信号の受信に応答してバッテリ930の寿命を推定することができる。バッテリ制御装置940は、推定したバッテリ930の寿命を、無線インターフェースを通じて端末装置950に送信してもよい。端末装置950は、ユーザインターフェース960を用いてバッテリ930の寿命970を表示してもよい。

0094

図10は、一実施形態に係るバッテリ寿命推定モデルを学習させる方法を示す動作フローチャートである。バッテリ寿命推定モデルを学習させる方法は、学習装置100によって実行される。

0095

図10を参照すると、ステップS1010で、学習装置100はバッテリ検知データを取得する。学習装置100は、様々な種類のバッテリ検知データを収集し、収集されたバッテリ検知データに基づいて密度データを生成することができる。

0096

ステップS1020で、学習装置100は密度データを結合して密度データセットを取得する。学習装置100は、様々なバッテリマネジメントプロファイルによる密度データを取得し、密度データに含まれたデータを結合して密度データセットを生成することができる。

0097

ステップS1030で、学習装置100は密度データセットを複数のクラスタにクラスタリングする。学習装置100は、予め設定された個数のクラスタで密度データセットの領域を分割し、クラスタに関する情報を格納することができる。学習装置100は、クラスタリングを実行する前に密度データセットの分布を正規化することができる。

0098

ステップS1040で、学習装置100はクラスタに基づいて学習データから密度特徴を決定する。学習装置100は、学習データに含まれた全データに対して各クラスタに含まれるデータの個数をカウントして学習データの密度パターンを定量化し、定量化結果に基づいて密度特徴を決定することができる。

0099

ステップS1050で、学習装置100は、決定された密度特徴に基づいてバッテリ寿命推定モデルを学習させる。学習装置100は、様々な機械学習方式を用いてバッテリ寿命推定モデルを学習させ、学習結果としてクラスタに関する情報と学習されたバッテリ寿命推定モデルに関する情報とを格納することができる。

0100

図10に示したバッテリ寿命推定モデルを学習させる方法には、図1及び図4図7Bを用いて説明した内容がそのまま適用されるため、詳細な説明を省略する。

0101

図11は、一実施形態に係るバッテリの寿命を推定する方法を示す動作フローチャートである。

0102

図11を参照すると、ステップS1110で、バッテリ寿命推定装置230はバッテリ検知データを取得する。バッテリ寿命推定装置230は、例えば、バッテリに関する電圧、電流、及び温度に対する検知データを取得することができる。

0103

ステップS1120で、バッテリ寿命推定装置230はバッテリ検知データに基づいて密度データを取得する。バッテリ寿命推定装置230は、様々な種類のバッテリ検知データのデータを結合し、結合されたバッテリ検知データを時間によって累積して密度データを取得することができる。

0104

ステップS1130で、バッテリ寿命推定装置230はクラスタを用いて密度データから密度特徴を決定する。バッテリ寿命推定装置230は、バッテリ寿命推定モデルの学習過程において決定されたクラスタ情報に基づいて密度データの密度パターンを定量化することができる。バッテリ寿命推定装置230は密度データを密度ベクトルに変換してもよい。バッテリ寿命推定装置230は、密度データに含まれた全データに対して各クラスタに含まれるデータの個数をカウントし、クラスタ別にカウントされた値に基づいて密度ベクトルを決定してもよい。

0105

ステップS1140で、バッテリ寿命推定装置230は密度特徴に基づいてバッテリの寿命を推定する。バッテリ寿命推定装置230は、予め学習されたバッテリ寿命推定モデルに密度特徴を入力して現在のバッテリの寿命を推定することができる。

0106

図11に示したバッテリの寿命を推定する方法には、図2図5及び図7A図9において説明した内容がそのまま適用されるため、詳細な説明を省略する。

0107

以上で説明した装置はハードウェア構成要素ソフトウェア構成要素、及び/又はハードウェア構成要素及びソフトウェア構成要素の組み合わせで実現してもよい。例えば、実施形態で説明した装置及び構成要素は、例えば、プロセッサ、コントローラALU(arithmetic logic unit)、デジタル信号プロセッサ(digital signal processor)、マイクロコンピュータFPA(field programmable array)、PLU(programmable logic unit)、マイクロプロセッサー、又は、命令(instruction)を実行して応答できる異なる装置のように、1つ以上の汎用コンピュータ又は特殊目的コンピュータを用いて実現されてもよい。処理装置は、オペレーティングシステム(OS)及び該オペレーティングシステム上で行われる1つ以上のソフトウェアアプリケーションを行ってもよい。また、処理装置は、ソフトウェアの実行に応答してデータをアクセス、格納、操作、処理及び生成してもよい。理解の便宜上、処理装置は1つが使用されるものと説明される場合もあるが、当該の技術分野の通常の知識を有する者は、処理装置が複数の処理要素(processing element)及び/又は複数類型の処理要素を含んでいることが分かる。例えば、処理装置は、複数のプロセッサ又は1つのプロセッサ及び1つのコントローラを含んでもよい。また、並列プロセッサ(parallel processor)のような、他の処理構成も可能である。

0108

ソフトウェアはコンピュータプログラム、コード、命令、又は、これらのうちの1つ以上の組み合わせを含んでもよく、希望通りに動作するように処理装置を構成したり、独立的又は結合的に処理装置を命令したりしてもよい。ソフトウェア及び/又はデータは、処理装置によって解釈されたり処理装置に命令又はデータを提供するためどのような類型の機械、構成要素、物理的装置仮想装置、コンピュータ格納媒体又は装置、又は送信される信号波永久的に又は一時的に具体化できるソフトウェアは、ネットワークに接続されたコンピュータシステム上に分散し、分散された方式で格納されたり実行されたりしてもよい。ソフトウェア及びデータは1つ以上のコンピュータ読取可能な記録媒体に格納されてもよい。

0109

実施形態に係る方法は、多様なコンピュータ手段を通じて実施することができるプログラム命令の形態で実現され、コンピュータで読取可能な媒体に記録してもよい。該記録媒体は、プログラム命令、データファイルデータ構造などを単独で又は組み合わせて含んでもよい。前記記録媒体及びプログラム命令は、本発明の目的のために特別に設計して構成されたものでもよく、コンピュータソフトウェア分野の技術を有する当業者にとって公知のものであり使用可能なものであってもよい。コンピュータ読取可能な記録媒体の例としては、ハードディスクフロッピー(登録商標)ディスク及び磁気テープのような磁気媒体CD−ROM、DVDのような光記録媒体フロティカルディスクのような磁気光媒体、及びROM、RAM、フラッシュメモリなどのようなプログラム命令を保存して実行するように特別に構成されたハードウェア装置を含んでもよい。プログラム命令の例としては、コンパイラによって生成されるような機械語コードだけでなく、インタプリタなどを用いてコンピュータによって実行され得る高級言語コードを含む。上述のハードウェア装置は、本発明の動作を行うために1つ以上のソフトウェアモジュールとして作動するように構成してもよく、その逆も同様である。

0110

上述したように、限定された実施形態と図面によって実施形態を説明したが、当該技術分野の通常の知識を有する者であれば、前記の記載から様々な修正及び変形が可能である。例えば、説明した技術が説明した方法と異なる順序で行われたり、及び/又は説明したシステム、構造、装置、回路などの構成要素が説明された方法と異なる形態で結合又は組み合わせたり、他の構成要素又は均等物によって代替置換されても適切な結果が達成され得る。したがって、本発明の範囲は、開示された実施形態に限定されて定められるものではなく、特許請求の範囲及び特許請求の範囲と均等なものなどによって定められるものである。

0111

100:学習装置
110:密度データセット取得部
120:クラスタリング部
130:密度特徴決定部
140:バッテリ寿命推定モデル学習部
210:バッテリ
220:検知部
230:バッテリ寿命推定装置
240:密度データ取得部
250:密度特徴決定部
260:バッテリ寿命推定部

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ