制造方法、生成装置、推定装置、识别信息赋予方法以及赋予装置
文献发布时间:2024-04-18 19:58:26
技术领域
本公开涉及生成包括由层级构造构成的多个结构要素的电池的学习完毕模型的技术。
背景技术
在专利文献1中公开了如下技术:获取电池的测定值,根据获取到的测定值决定电池的动作体系,选定与决定的动作体系相应的非线性回归模型,并向选定的非线性回归模型输入测定值来推定电池的充电状态。
然而,专利文献1的非线性回归模型不是考虑构成电池的结构要素的种类以及数量的差异而生成的模型,因而为了提高充电状态的推定精度,需要进一步的改善。
在先技术文献
专利文献
专利文献1:日本特开2016-536605号公报
发明内容
本公开是鉴于这样的课题而完成的,其目的在于,提供生成能够高精度地推定电池的状态的学习完毕模型的技术。
本公开的一方式的制造方法是生成电池的学习完毕模型的生成装置中的所述学习完毕模型的制造方法,所述电池包括层级式地构成的多个结构要素,所述生成装置的处理器获取向所述多个结构要素之中的某个层级的结构要素赋予的1个以上的识别信息,获取与各识别信息对应的所述电池的运转数据,通过按所述1个以上的识别信息中的每一个对获取到的所述运转数据进行学习,生成推定所述电池的状态的与各识别信息对应的学习完毕模型,输出生成的所述学习完毕模型。
根据本公开,能够生成能够高精度地推定电池的状态的学习完毕模型。
附图说明
图1是示出本公开的实施方式1中的信息处理系统的整体结构的一个例子的图。
图2是示出本公开的实施方式1中的生成装置的结构的一个例子的框图。
图3是示出本公开的实施方式1中的赋予装置的结构的一个例子的框图。
图4是示出本公开的实施方式1中的电池的结构的一个例子的框图。
图5是示出电池的结构要素的一个例子的图。
图6是示出在本公开的实施方式1中赋予装置生成识别信息的处理的一个例子的流程图。
图7是接着图6的流程图。
图8是示出在本公开的实施方式1中生成装置生成学习完毕模型的处理的一个例子的流程图。
图9是示出在本公开的实施方式1中电池上传运转数据时的处理的一个例子的图。
图10是示出在本公开的实施方式1中赋予装置向电池下载学习完毕模型时的处理的一个例子的流程图。
图11是示出本公开的实施方式1中的学习完毕模型的运用阶段的处理的一个例子的流程图。
图12是示出本公开的实施方式2中的生成装置的结构的一个例子的框图。
图13是示出本公开的实施方式2中的生成装置的处理的第1例的流程图。
图14是示出本公开的实施方式2中的生成装置的处理的第2例的流程图。
具体实施方式
(成为本公开的基础的知识)
近年来,进行了如下研究:收集由各种制造商制造的各种品种的电池的运转数据,对收集到的运转数据进行学习,由此生成根据运转数据高精度地推定SOC等电池的状态的学习完毕模型。如单电池、包括单电池的块、包括块的模块、包括模块的电池包这样,电池由多个结构要素层级式地构成。在此,若构成电池的结构要素的数量以及各结构要素的种类不同,则根据其差异而电池的特性也会变动。因此,若不考虑这样的特性的差异而将运转数据用作学习数据来生成学习完毕模型,则有可能无法获得高精度地推定电池的状态的学习完毕模型。
在上述的专利文献1中,与根据电池的测定值决定的动作体系相应地选定非线性回归模型。然而,动作体系由从电池的充电状态、电池正在进行充电或放电这样的事实、充电速度或放电速度、周围温度或内部温度、电池的电压测定值的平均值、以及电池的阻抗或电池的健全状态的测定值之中选定的至少1个参数定义。因此,专利文献1的非线性回归模型未考虑构成电池的结构要素的数量以及种类的差异,不能高精度地推定电池的状态。
本公开是为了解决这样的课题而完成的,其目的在于,提供生成能够高精度地推定电池的状态的学习完毕模型的技术。
本公开的一方式的制造方法是生成电池的学习完毕模型的生成装置中的所述学习完毕模型的制造方法,所述电池包括层级式地构成的多个结构要素,所述生成装置的处理器获取向所述多个结构要素之中的某个层级的结构要素赋予的1个以上的识别信息,获取与各识别信息对应的所述电池的运转数据,通过按所述1个以上的识别信息中的每一个对获取到的所述运转数据进行学习,生成推定所述电池的状态的与各识别信息对应的学习完毕模型,输出生成的所述学习完毕模型。
根据该结构,获取向多个结构要素之中的某个层级的结构要素赋予的1个以上的识别信息,获取与获取到的识别信息对应的电池的运转数据,通过按每个识别信息对获取到的运转数据进行学习来生成与各识别信息对应的学习完毕模型。由此,能够生成考虑了构成电池的结构要素的数量以及种类的差异的每个识别信息的学习完毕模型。其结果,能够生成能够高精度地推定电池的状态的学习完毕模型。
在上述制造方法中,也可以是,能够识别下位的层级的结构要素的种类以及个数地赋予各识别信息。
根据该结构,能够识别下位的层级的结构要素的种类以及个数地赋予各识别信息。因此,能够获取下位的层级的结构要素、种类以及个数相同的运转数据。由此,能够使用下位的层级的结构要素的种类以及个数相同的电池的运转数据来生成每个识别信息的学习完毕模型。
在上述制造方法中,也可以是,基于与第1层级的1个以上的第1识别信息对应的所述运转数据,生成与各第1识别信息对应的第1学习完毕模型,计算所述第1学习完毕模型的学习成本或学习误差,在计算出的所述学习成本或所述学习误差大于阈值的情况下,基于对应于与所述第1层级不同的第2层级的1个以上的第2识别信息的所述运转数据,生成与各第2识别信息对应的第2学习完毕模型。
根据该结构,在基于与第1层级的各第1识别信息对应的运转数据生成的第1学习完毕模型的学习成本或学习误差大于阈值的情况下,生成与第2层级的各第2识别信息对应的学习完毕模型。由此,能够探索能够进一步降低学习成本或学习误差的另外的层级的学习完毕模型。
在上述制造方法中,也可以是,所述多个结构要素包括第1结构要素和层级与所述第1结构要素不同的第2结构要素,所述1个以上的第1识别信息是识别所述第1结构要素的信息,所述1个以上的第2识别信息是识别所述第2结构要素的信息。
根据该结构,能够探索能进一步降低学习成本或学习误差的另外的层级的学习完毕模型。
在上述制造方法中,也可以是,在所述生成中,在所述第1学习完毕模型的所述学习成本或所述学习误差为所述阈值以下的情况下,将所述第1学习完毕模型决定为学习对象的所述学习完毕模型。
根据该结构,在第1学习完毕模型的学习成本或学习误差为阈值以下的情况下,将第1学习完毕模型决定为生成对象的学习完毕模型。因此,以后能够使用与第1识别信息对应的运转数据来对第1学习完毕模型进行生成以及更新,能够生成学习成本低或高精度的学习完毕模型。
在上述制造方法中,也可以是,在所述生成中,在所述第2学习完毕模型的精度低于基准精度的情况下,基于对应于与所述第1层级以及所述第2层级不同的第3层级的1个以上的第3识别信息的所述运转数据,生成与各第3识别信息对应的第3学习完毕模型。
根据该结构,在基于与各第2识别信息对应的运转数据生成的第2学习完毕模型的精度低于基准精度的情况下,生成与各第3识别信息对应的第3学习完毕模型。由此,能够改变层级而探索能够进一步降低学习成本或学习误差的层级的学习完毕模型。
在上述制造方法中,也可以是,在所述生成中,在所述第2学习完毕模型的精度高于基准精度的情况下,将所述第2学习完毕模型决定为学习对象的所述学习完毕模型。
根据该结构,在第2学习完毕模型的精度高于基准精度的情况下,将第2学习完毕模型决定为生成对象的学习完毕模型。因此,以后能够使用与各第2识别信息对应的运转数据来更新第2学习完毕模型,能够生成更高精度的学习完毕模型。
在上述制造方法中,也可以是,基于生成的所述学习完毕模型的模型数、所述学习完毕模型的生成所使用的运转数据的数据量、以及生成所述学习完毕模型时的所述处理器的处理负荷中的至少任一者,计算所述学习成本。
根据该结构,由于学习成本基于生成的学习完毕模型的模型数、学习完毕模型的生成所使用的运转数据的数据量、以及生成学习完毕模型时的处理负荷中的至少一者来计算,因而能够正确地推定学习成本。
在上述制造方法中,所述1个以上的识别信息包括按不同种类来识别各结构要素的1个以上的种类识别信息。
根据该结构,能够容易地获取按各结构要素的不同种类的运转数据。
在上述制造方法中,各识别信息包括按不同个体来识别各结构要素的1个以上的个体识别信息。
根据该结构,能够容易地获取按各结构要素的不同个体的运转数据。
在上述制造方法中,也可以是,所述多个结构要素包括:单电池、包括所述单电池的块、包括所述块的模块、和包括所述模块的电池包。
根据该结构,能够使用与单电池、块、模块以及电池包中的任一层级相应的运转数据来生成学习完毕模型。
本公开的另一方式的生成装置是生成电池的学习完毕模型的生成装置,所述电池包括层级式地构成的多个结构要素,所述生成装置具备处理器,所述处理器执行以下处理:获取向所述多个结构要素之中的某个层级的结构要素赋予的1个以上的识别信息,获取与各识别信息对应的运转数据,通过按所述1个以上的识别信息中的每一个对获取到的所述运转数据进行学习,生成推定所述电池的状态的与各识别信息对应的所述学习完毕模型,输出生成的所述学习完毕模型。
根据该结构,能够提供能够获得上述的制造方法的作用效果的生成装置。
本公开又一方式的推定装置是推定电池的状态的推定装置,所述电池包括层级式地构成的多个结构要素,所述推定装置具备处理器,所述处理器执行以下处理:获取所述电池的运转数据,将所述运转数据输入学习完毕模型来推定所述电池的状态,输出表示推定出的状态的状态信息,所述学习完毕模型是通过对与向所述多个结构要素之中的某个层级的结构要素赋予的1个以上的识别信息对应的所述运转数据,按所述1个以上的识别信息中的每一个进行学习而生成的模型。
根据该结构,能够利用使用与向某个层级赋予的1个以上的识别信息对应的运转数据而生成的学习完毕模型来推定电池的状态。由此,能够使用考虑构成电池的结构要素的数量以及种类的差异而被学习后的学习完毕模型来高精度地推定电池的状态。
本公开的又一方式的识别信息赋予方法是赋予电池的识别信息的赋予装置中的识别信息赋予方法,所述电池具备第1结构要素和包括所述第1结构要素的第2结构要素,在所述识别信息赋予方法中,获取表示与所述第1结构要素的种类相应的结构的第1结构信息,根据所述第1结构信息,生成按不同种类来识别所述第1结构要素的第1识别信息,输出所述第1识别信息,获取表示与所述第2结构要素的种类相应的结构的第2结构信息,所述第2结构信息包括所述第1识别信息以及所述第1结构要素的个数,根据所述第2结构信息,生成按不同种类来识别所述第2结构要素的第2识别信息,输出所述第2识别信息。
根据该结构,根据第1结构信息生成按不同种类来识别第1结构要素的第1识别信息。此外,根据第2结构信息生成按不同种类来识别第2结构要素的第2识别信息。在此,第2结构信息包括第1结构要素的第1识别信息以及个数。
因此,能够容易地获取作为下位的结构要素的第1结构要素的种类以及个数相同的电池的运转数据。由此,能够生成考虑了构成电池的结构要素的种类以及个数的差异的学习完毕模型。
在上述识别信息赋予方法中,也可以是,所述电池还具备包括所述第2结构要素的第3结构要素,在所述识别信息赋予方法中,还获取表示与所述第3结构要素的种类相应的结构的第3结构信息,所述第3结构信息包括所述第2识别信息、所述第2结构要素的个数、以及表示所述第2结构要素的连接方式的连接信息,还根据所述第3结构信息,生成按不同种类来识别所述第3结构要素的第3识别信息,输出所述第3识别信息。
根据该结构,根据第3结构信息生成按不同种类来识别第3结构要素的第3识别信息。在此,第3结构信息包括第2识别信息、第2结构要素的个数、以及第2结构要素的连接信息。
因此,除作为下位的结构要素的第2结构要素的种类以及个数以外,还能够容易地获取将连接方式设为相同的电池的运转数据。由此,能够生成考虑了构成电池的结构要素的种类、个数以及连接方式的差异的学习完毕模型。
在上述识别信息赋予方法中,也可以是,还获取表示与所述第3结构要素的个体相应的结构的第4结构信息,所述第4结构信息包括所述第3识别信息以及所述第3结构要素的制造编号,还根据所述第4结构信息,生成按不同个体来识别所述第3结构要素的第4识别信息,输出所述第4识别信息。
根据该结构,由于使用包括第3识别信息以及第3结构要素的制造编号的第4结构信息来生成第4识别信息,因而能够容易地获取按第3结构要素的不同个体的运转数据。
在上述识别信息赋予方法中,也可以是,还获取表示与所述第2结构要素的个体相应的结构的第5结构信息,所述第5结构信息包括所述第4识别信息以及所述第2结构要素的制造编号,根据所述第5结构信息,生成按不同个体来识别所述第2结构要素的第5识别信息,输出所述第5识别信息。
根据该结构,由于使用包括第4识别信息以及第2结构要素的制造编号的第4结构信息来生成第5识别信息,因而能够容易地获取按第2结构要素的不同个体的运转数据。
本公开的又一方式的赋予装置是对电池的识别信息进行赋予的赋予装置,所述电池具备第1结构要素和包括所述第1结构要素的第2结构要素,所述赋予装置具备处理器,所述处理器执行以下处理:获取表示与所述第1结构要素的种类相应的结构的第1结构信息,根据所述第1结构信息,生成按不同种类来识别所述第1结构要素的第1识别信息,输出所述第1识别信息,获取表示与所述第2结构要素的种类相应的结构的第2结构信息,所述第2结构信息包括所述第1识别信息以及所述第1结构要素的个数,根据所述第2结构信息,生成按不同种类来识别所述第2结构要素的第2识别信息,输出所述第2识别信息。
根据本结构,能够提供能够获得与上述的识别信息赋予方法相同的作用效果的赋予装置。
本公开能够作为使计算机执行这样的制造方法、推定装置、识别信息赋予方法以及赋予装置所包括的特征性的各结构的程序,或者通过该程序进行动作的系统来实现。此外,能够使这样的计算机程序经由CD-ROM等计算机可读暂时性记录介质或者因特网等通信网络流通,这是不言而喻的。
另外,以下说明的实施方式均示出本公开的一具体例。以下的实施方式中示出的数值、形状、结构要素、步骤、步骤的顺序等是一个例子,其主旨并不在于限定本公开。此外,对于以下的实施方式的结构要素之中未记载于表示最上位概念的独立技术方案的结构要素,作为任意的结构要素来进行说明。此外,能够在所有实施方式中对各个内容进行组合。
(实施方式1)
图1是示出本公开的实施方式1中的信息处理系统的整体结构的一个例子的图。信息处理系统包括生成装置1、赋予装置2、1个以上的电池3、以及输入终端4。生成装置1~输入终端4分别连接为能够经由网络NT通信。网络NT例如由包括因特网通信网、便携式电话通信网的广域通信网构成。
生成装置1例如是由1个以上的计算机构成的云端服务器。生成装置1生成用于使用电池的运转数据来推定电池的状态的学习完毕模型,并将生成的学习完毕模型发送到赋予装置2。赋予装置2例如是由1个以上的计算机构成的云端服务器。赋予装置2向各电池3赋予识别信息。赋予装置2从电池3获取电池3的运转数据,并蓄积在存储器。赋予装置2根据需要,将蓄积的运转数据发送到生成装置1。赋予装置2将从生成装置1接收到的学习完毕模型发送到电池3。
电池3例如搭载于车辆。电池3包括层级式地构成的多个结构要素。车辆例如是电动汽车、电动自行车以及电动滑板车等。输入终端4接受电池3的结构信息的输入,将接收到的结构信息发送到赋予装置2。
图2是示出本公开的实施方式1中的生成装置1的结构的一个例子的框图。生成装置1包括通信电路11、处理器12以及存储器13。通信电路11将生成装置1与网络NT连接。通信电路11将学习完毕模型发送到赋予装置2。通信电路11从赋予装置2接收运转数据。
处理器12例如由中央运算处理装置构成。处理器12包括获取部121、生成部122以及输出部123。获取部121获取向构成电池3的多个结构要素之中的某个层级的结构要素赋予的1个以上的识别信息。能够识别下位的层级的结构要素的种类以及个数地赋予了各识别信息。此外,获取部121从赋予装置2获取与各识别信息对应的运转数据。
图5是示出电池3的结构要素的一个例子的图。电池3由包括电池包51、模块52、块53以及单电池54的多个结构要素构成。块53包括并联连接的多个单电池54。模块52包括串联连接的多个块53。电池包51由串联以及并联连接的多个模块52构成。在图5的例子中,电池包51包括4个模块52。而且,将包括串联连接的2个模块52的2个模块群并联连接而构成了电池包51。另外,块53也可以由1个单电池54构成。此外,模块52也可以由1个块53构成。此外,电池包51也可以由1个模块52构成。如此,电池3的电池包51、模块52、块53以及单电池54的各结构要素以该顺序层级式地构成。
电池3的识别信息包括按不同种类来识别各结构要素的种类识别信息(以下称为“种类ID”)、和按不同个体来识别各结构要素的个体识别信息(以下称为“个体ID”)。种类ID包括单电池种类ID、块种类ID、模块种类ID以及包种类ID。单电池种类ID是按不同种类来识别单电池54的识别信息。块种类ID是按不同种类来识别块53的识别信息。模块种类ID是按不同种类来识别模块52的识别信息。包种类ID是按不同种类来识别电池包51的识别信息。
个体ID包括单电池个体ID、块个体ID、模块个体ID以及包个体ID。单电池个体ID是按不同个体来识别单电池54的识别信息。块个体ID是按不同个体来识别块53的识别信息。模块个体ID是按不同个体来识别模块52的识别信息。包个体ID是按不同个体来识别电池包51的识别信息。
将参照回到图2。生成部122通过按每个识别信息对获取部121获取到的运转数据进行学习,生成推定电池3的状态的与各识别信息对应的学习完毕模型。推定的电池的状态例如是SOC(state of charge,充电状态)、SOH(state of health,健康状态)或故障的预兆。故障的预兆例如是剩余寿命时间。
运转数据例如包括电池3的电流、电压以及温度中的至少1个。进而,运转数据包括电池3的状态。该状态例如包括SOC、SOH以及有无故障的预兆中的至少1个。进而,运转数据包括表示运转数据的生成日期时间的时间戳以及电池3的识别信息。该识别信息例如是后述的包个体ID。
输出部123输出生成部122生成的学习完毕模型。例如,输出部123使用通信电路11将生成的学习完毕模型发送到赋予装置2。
存储器13由固态驱动器以及硬盘驱动器等非瞬时性的可改写的存储装置构成。存储器13从赋予装置2存储获取到的运转数据。
图3是示出本公开的实施方式1中的赋予装置2的结构的一个例子的框图。赋予装置2包括通信电路21、处理器22以及存储器23。通信电路21将赋予装置2连接到网络NT。通信电路21向生成装置1发送运转数据、向电池3发送学习完毕模型。通信电路21从生成装置1接收学习完毕模型,从电池3接收运转数据。
处理器22例如由中央运算处理装置构成。处理器22包括获取部221、生成部222以及输出部223。在此,将电池3的结构要素之中的某个结构要素称为第1结构要素。此外,将包括第1结构要素的结构要素称为第2结构要素。此外,将包括第2结构要素的结构要素称为第3结构要素。
获取部221使用通信电路21从输入终端4获取表示与第1结构要素的种类相应的结构的第1结构信息。第1结构信息例如包括表示第1结构要素的剩余容量与电压的关系的特性数据。具体地,特性数据是表示SOC与OCV的关系的数据。
生成部222根据获取部221获取到的第1结构信息来生成按不同种类来识别第1结构要素的第1种类ID。此外,生成部222将生成的第1种类ID与第1结构信息建立对应而存储在识别信息数据库231,由此向第1结构要素赋予第1种类ID。
获取部221经由通信电路21从输入终端4获取表示与第2结构要素的种类相应的结构的第2结构信息。第2结构信息包括第1种类ID以及构成第2结构要素的第1结构要素的个数。
生成部222根据获取部221获取到的第2结构信息来生成按不同种类来识别第2结构要素的第2种类ID。此外,生成部222将生成的第2种类ID与第2结构信息建立对应而存储在识别信息数据库231,由此向第2结构要素赋予第2种类ID。
获取部221经由通信电路21从输入终端4获取表示与第3结构要素的种类相应的结构的第3结构信息。第3结构信息包括第2种类ID、第2结构要素的个数、以及表示第2结构要素的连接方式的连接信息。
生成部222根据获取部221获取到的第3结构信息来生成按不同种类来识别第3结构要素的第3种类ID。此外,生成部222将生成的第3种类ID与第3结构信息建立对应而存储在识别信息数据库231,由此向第3结构要素赋予第3种类ID。
获取部221经由通信电路21从输入终端4获取表示与第3结构要素的个体相应的结构的第4结构信息。第4结构信息包括第3种类ID以及第3结构要素的制造编号。
生成部222根据获取部221获取到的第4结构信息来生成按不同个体来识别第3结构要素的第1个体ID(第4识别信息)。此外,生成部222将生成的第1个体ID与第4结构信息建立对应而存储在识别信息数据库231,由此向第3结构要素赋予第1个体ID。
获取部221经由通信电路21从输入终端4获取表示与第2结构要素的个体相应的结构的第5结构信息。第5结构信息包括第4识别信息和第2结构要素的制造编号。
生成部222根据获取部221获取到的第5结构信息来生成按不同个体来识别第2结构要素的第2个体ID(第5识别信息)。此外,生成部222将生成的第2个体ID与第5结构信息建立对应而存储在识别信息数据库231,由此向第2结构要素赋予第2个体ID。
输出部223使用通信电路21将生成部222生成的识别信息(第1种类ID~第3种类ID和第1个体ID以及第2个体ID)发送到输入终端4。
存储器23由固态驱动器或硬盘驱动器等非瞬时性的可改写的存储装置构成。存储器23存储识别信息数据库231以及运转数据库232。
识别信息数据库231是用于管理向电池3赋予的识别信息的数据库。识别信息数据库231将向各结构要素赋予的识别信息和各结构要素的结构信息建立对应而进行存储。具体地,识别信息数据库231将第1种类ID和第1结构信息建立对应而进行存储,将第2种类ID和第2结构信息建立对应而进行存储,将第3种类ID和第3结构信息建立对应而进行存储,将第1个体ID和第4结构信息建立对应而进行存储,将第2个体ID和第5结构信息建立对应而进行存储。
运转数据库232存储各电池3的运转数据。具体地,运转数据库232将包种类ID、时间戳、电流、电压、温度以及状态(SOC、SOH、以及故障的预兆等)建立对应而进行存储。
图4是示出本公开的实施方式1中的电池3的结构的一个例子的框图。电池3包括电池管理装置31(推定装置的一个例子)、电池单元32。
电池管理装置31是进行推定电池3的状态(SOC、SOH以及故障的预兆)等电池3的管理的装置。电池管理装置31包括传感器33、处理器34、存储器35以及通信电路36。传感器33包括电流传感器、电压传感器以及温度传感器。电流传感器测量流经电池3的电流。电压传感器测量电池3的电压。温度传感器检测电池3的温度。
处理器34例如由中央运算处理装置构成,包括生成部341、获取部342、推定部343以及输出部344。生成部341以给定的采样周期生成电池的运转数据。例如,生成部341通过从传感器33获取电流、电压以及温度且从推定部343获取推定部343推定出的电池3的状态来生成运转数据即可。
获取部342获取生成部341生成的运转数据。此外,获取部342经由车辆通信装置5以及通信电路36获取从赋予装置2发送的学习完毕模型,并存储在存储器35。获取部342经由车辆通信装置5以及通信电路36获取赋予装置2向电池3赋予的后述的包个体ID,并存储在存储器35。
推定部343将获取部342获取到的运转数据输入学习完毕模型来推定电池的状态。在此,推定部343将运转数据之中电池3的状态以外的信息(例如,电流、电压以及温度)输入学习完毕模型即可。此外,在不具有学习完毕模型的情况下,推定部343通过向给定的计算式输入电流、电压、以及温度来计算电池3的状态即可。
输出部344将生成部341生成的运转数据输入到通信电路36,以按照给定的采样周期发送到赋予装置2。由此,运转数据经由通信电路36以及车辆通信装置5被发送到赋予装置2,并在赋予装置2蓄积运转数据。输出部344将表示推定部343推定出的电池3的状态的状态信息输入通信电路36,以在提示装置(省略图示)进行提示。提示装置可以是设置在搭载有电池3的车辆的显示器,也可以是该车辆的用户(驾驶者)所持有的用户终端。
存储器35例如由闪速存储器等可改写的半导体存储器构成,存储学习完毕模型。存储器35对向电池管理装置31预先赋予的识别信息即BMS种类ID进行存储。存储器35存储赋予装置2赋予的包个体ID。
通信电路36是使电池3与CAN(Controller Area Network,控域网)等车载网络38连接的通信电路。通信电路36经由车载网络38与车辆通信装置5连接。
电池单元32由图5所示的电池包51构成。
车辆通信装置5是搭载有电池3的车辆所具备的通信电路。车辆通信装置5使电池3与网络NT连接。例如,车辆通信装置5也可以通过BLE等无线通信路径与车辆的用户所持有的用户终端连接,由此将电池3与网络NT连接。或者,车辆通信装置5也可以不经由用户终端地与网络NT连接。
以上是信息处理系统的结构。接下来,对信息处理系统的动作进行说明。图6是示出在本公开的实施方式1中赋予装置2生成识别信息的处理的一个例子的流程图。
首先,对在该流程图中使用的结构信息A1~A5以及结构信息B1~B4进行说明。
结构信息A1是按单电池54的不同种类的结构信息。具体地,结构信息A1包括单电池54的特性数据。进而,结构信息A1也可以包括单电池54的制造商信息、单电池54的型号以及单电池54的容量。结构信息A1是第1结构信息的一个例子。
结构信息A2是按块53的不同种类的结构信息。结构信息A2包括构成块53的单电池54的单电池种类ID(第1种类ID)以及个数。进而,结构信息A2也可以包括块53的制造商信息以及型号。结构信息A2是第2结构信息的一个例子。
结构信息A3是按模块52的不同种类的结构信息。结构信息A3包括构成模块52的块53的块种类ID(第2种类ID)以及个数。进而,结构信息A3也可以包括构成模块52的块53的块数量、制造商信息以及型号。结构信息A3是第2结构信息的一个例子。块数量是安装于块53的温度传感器的块的数量。
结构信息A4是按电池管理装置31的不同种类的结构信息。结构信息A4包括电池管理装置31的制造商信息、型号、传感器33的个数、传感器33的种类信息以及BMS种类ID。结构信息A4不包括其他层级的结构要素的结构信息。BMS种类ID是按不同种类来识别电池管理装置31的识别信息。
结构信息A5是按电池包51的不同种类的结构信息。结构信息A5包括构成电池包51的模块52的模块种类ID(第2种类ID)、个数以及连接信息。连接信息是表示模块52的连接方式的信息。连接信息例如包括模块52的串联连接数以及模块52的并联连接数。进而,结构信息A5也可以包括电池包51的制造商信息、型号、额定容量、额定放电输出、额定充电输出、初始包额定FCC、初始包额定直流电阻、运转时日志测定记录周期、运转时日志更新周期、空闲时日志更新周期、学习完毕模型更新确认周期、电池包安装品信息以及电池管理装置31的BMS种类ID。结构信息A5是第3结构信息的一个例子。
结构信息B1是表示与电池管理装置31的个体相应的结构的结构信息。结构信息B1包括电池管理装置31的BMS种类ID、制造批次编号、制造编号以及制造日期时间。
结构信息B2是表示与电池包51的个体相应的结构的结构信息。结构信息B2包括电池包51的包种类ID(第3种类ID)以及制造编号。结构信息B2也可以还包括电池管理装置31的BMS个体ID、电池包51的制造批次编号、电池包51的制造日期时间、学习完毕模型的更新确认周期、电池包51的初始包实测FCC、以及电池包51的初始包实测直流电阻。结构信息B2是第4结构信息的一个例子。
结构信息B3是表示与模块52的个体相应的结构的结构信息。结构信息B3包括模块52的模块种类ID(第2种类ID)以及制造编号。进而,结构信息B3也可以包括电池包51的包个体ID(第1个体ID)以及包种类ID(第3种类ID)、和模块52的制造批次编号以及制造日期时间。结构信息B3是第5结构信息的一个例子。
结构信息B4是表示与块53的个体相应的结构的结构信息。结构信息B4包括块53的块种类ID(第2种类ID)以及制造编号。进而,结构信息B4也可以包括模块个体ID(第2个体ID)、模块种类ID、制造批次编号以及制造日期时间。结构信息B4是第5结构信息的一个例子。
以下,基于以上对图6进行说明。在步骤S101中,输入终端4接受结构信息A1的输入。在此,输入终端4的用户根据显示在输入终端4的输入形式,参照电池3的规格一览表而输入结构信息A1即可。这对于以下的结构信息的输入也是相同的。该用户例如是对搭载有电池3的车辆的运行进行管理的用户。
在步骤S102中,输入终端4将结构信息A1发送到赋予装置2。在步骤S103中,赋予装置2接收结构信息A1。
在步骤S104中,赋予装置2根据结构信息A1,生成按不同种类来识别单电池54的单电池种类ID。单电池种类ID与结构信息A1建立对应而被存储在识别信息数据库231。
在步骤S105中,赋予装置2将单电池种类ID发送到输入终端4。另外,在已生成了相应的种类的单电池54的单电池种类ID的情况下,赋予装置2将已生成的单电池种类ID发送到输入终端4即可。这对于下述的种类ID以及个体ID也是相同的。
在步骤S106中,输入终端4接收单电池种类ID。在步骤S107中,输入终端4接受结构信息A2的输入。在步骤S108中,输入终端4将结构信息A2发送到赋予装置2。
在步骤S109中,赋予装置2接收结构信息A2。在步骤S110中,赋予装置2根据结构信息A2,生成按不同种类来识别块53的块种类ID。块种类ID与结构信息A2建立对应而被存储在识别信息数据库231。
在步骤S111中,赋予装置2将单电池种类ID发送到输入终端4。在步骤S112中,输入终端4接收块种类ID。
在步骤S113中,输入终端4接受结构信息A3的输入。在步骤S114中,输入终端4将结构信息A3发送到赋予装置2。在步骤S115中,赋予装置2接收结构信息A3。
在步骤S116中,赋予装置2根据结构信息A3,生成按不同种类来识别模块52的模块种类ID。在步骤S117中,赋予装置2将模块种类ID发送到输入终端4。在步骤S118中,输入终端4接收模块种类ID。
在步骤S119中,输入终端4接受结构信息A4的输入。在步骤S120中,输入终端4将结构信息A4发送到赋予装置2。在步骤S121中,赋予装置2接收结构信息A4。
在步骤S122中,赋予装置2根据结构信息A4,生成按不同种类来识别电池管理装置31的BMS种类ID。在步骤S123中,赋予装置2将BMS种类ID发送到输入终端4。在步骤S124中,输入终端4接收BMS种类ID。
在步骤S125中,输入终端4接受结构信息A5的输入。在步骤S126中,输入终端4将结构信息A5发送到赋予装置2。在步骤S127中,赋予装置2接收结构信息A5。
在步骤S128中,赋予装置2根据结构信息A5,生成按不同种类来识别电池包51的包种类ID。在步骤S129中,赋予装置2将包种类ID发送到输入终端4。在步骤S130中,输入终端4接收包种类ID。
图7是接着图6的流程图。在步骤S201中,输入终端4接受结构信息B1的输入。在步骤S202中,输入终端4将结构信息B1发送到赋予装置2。在步骤S203中,赋予装置2接收结构信息B1。
在步骤S204中,赋予装置2根据结构信息B1,生成按不同个体来识别电池管理装置31的BMS个体ID。在步骤S205中,赋予装置2将BMS个体ID发送到输入终端4。在步骤S206中,输入终端4接收BMS个体ID。
在步骤S207中,输入终端4接受结构信息B2的输入。在步骤S208中,输入终端4将结构信息B2发送到赋予装置2。在步骤S209中,赋予装置2接收结构信息B2。
在步骤S210中,赋予装置2根据结构信息B2,生成按不同个体来识别电池包51的包个体ID。在步骤S211中,赋予装置2将包个体ID发送到输入终端4。在步骤S212中,输入终端4接收包个体ID。
在步骤S213中,输入终端4接受结构信息B3的输入。在步骤S214中,输入终端4将结构信息B3发送到赋予装置2。在步骤S215中,赋予装置2接收结构信息B3。
在步骤S216中,赋予装置2根据结构信息B3,生成按不同个体来识别模块52的模块个体ID。在步骤S217中,赋予装置2将模块个体ID发送到输入终端4。在步骤S218中,输入终端4接收模块个体ID。
在步骤S219中,输入终端4接受结构信息B4的输入。在步骤S220中,输入终端4将结构信息B4发送到赋予装置2。在步骤S221中,赋予装置2接收结构信息B4。
在步骤S222中,赋予装置2根据结构信息B4,生成按不同个体来识别块53的块个体ID。在步骤S223中,赋予装置2将块个体ID发送到输入终端4。在步骤S224中,输入终端4接收块个体ID。
如此,从下位的结构要素起依次生成种类ID,从上位的结构要素起依次生成个体ID。
接下来,对学习完毕模型的生成进行说明。图8是示出在本公开的实施方式1中生成装置1生成学习完毕模型的处理的一个例子的流程图。在步骤S301中,生成装置1生成运转数据的获取请求信息。在获取请求信息中包括指定识别信息的层级的信息(层级指定信息)、和指定运转数据的时间戳的范围的信息(期间指定信息)。所谓识别信息的层级,是指单电池种类ID、块种类ID、模块种类ID、包种类ID、包个体ID、模块个体ID以及块个体ID。层级指定信息是从这些层级之中指定任一个层级的信息。另外,识别信息的层级设为从上位起依次是单电池种类ID、块种类ID、模块种类ID、包种类ID、包个体ID、模块个体ID以及块个体ID。该顺位依赖于能够收集的运转数据的量的多少而被决定。但是,这仅仅是预测,实际上并不一定按照该顺位而运转数据的数据量变多。
在步骤S302中,生成装置1将获取请求信息发送到赋予装置2。在步骤S303中,赋予装置2接收获取请求信息。
在步骤S304中,赋予装置2从运转数据库232读出与包括于获取请求信息的层级指定信息所表示的层级以及期间指定信息所表示的期间对应的运转数据。例如,在指定了包种类ID的层级的情况下,赋予装置2按每个包种类ID从运转数据库232读出与该层级对应的运转数据。“按每个包种类ID读出运转数据”是指,例如,若设为包种类ID有M个,则将M个运转数据的数据群与包种类ID建立对应而读出。
在步骤S305中,赋予装置2将运转数据发送到生成装置1。在步骤S306中,生成装置1接收运转数据。
在步骤S307中,生成装置1向运转数据赋予特征量以及训练数据。关于特征量,是指例如电流、电压以及温度。关于训练数据,是指例如电池3的状态。
在步骤S308中,生成装置1通过按每个识别信息对运转数据进行学习来生成学习完毕模型。例如,在步骤S306中接收到的运转数据由M个数据群构成的情况下,通过对M个数据群单独地进行学习来生成M个学习完毕模型。
在步骤S309中,生成装置1计算学习完毕模型的精度。在此,精度具有随着学习误差增大而变小的值。学习误差是学习完毕模型的推定值相对于真值的误差,例如采用均方根误差(RMSE)或均方误差(MSE)。在生成了M个学习完毕模型的情况下,计算M个学习完毕模型的精度的平均值。
在步骤S310中,生成装置1判定精度是否比上次生成的学习完毕模型的精度有所提高。
在精度提高的情况下(步骤S310中的是),生成装置1决定采用本次生成的学习完毕模型作为学习对象(步骤S311)。另一方面,在精度比上次生成的学习完毕模型的精度下降的情况下(步骤S310中的否),生成装置1结束处理。在该情况下,采用上次生成的学习完毕模型作为学习对象。上次生成的学习完毕模型是相对于本次生成的学习完毕模型而例如使用识别信息的层级不同的运转数据生成的学习完毕模型。
在步骤S312中,生成装置1将本次生成的学习完毕模型发送到赋予装置2。在步骤S313中,赋予装置2接收学习完毕模型。在步骤S314中,赋予装置2向存储器13的给定的保存场所保存学习完毕模型。通过以上,精度更高的层级的学习完毕模型被保存在赋予装置。
图9是示出在本公开的实施方式1中电池3上传运转数据时的处理的一个例子的图。在步骤S401中,电池3从存储器35读取包个体ID,并向赋予装置2发送包括包个体ID的认证请求。
在步骤S411中,赋予装置2接收认证请求。在步骤S412中,赋予装置2判定包个体ID是否适当。在此,赋予装置2在包个体ID被登记在识别信息数据库231的情况下,判定为包个体ID适当。另一方面,若包个体ID未被登记在识别信息数据库231,则判定为包个体ID不适当,将表示认证失败的响应发送到电池3即可。
步骤S413生成令牌信息,并发送到电池3。令牌信息是在认证成功的情况下生成的信息,是电池3与赋予装置2通信时需要的信息。
在步骤S402中,电池3接收令牌信息。在步骤S403中,电池3生成运转数据,生成包括运转数据以及令牌信息的分组(package),将生成的分组发送到赋予装置2。
在步骤S414中,赋予装置2接收分组。在步骤S415中,赋予装置2对分组进行验证。例如,在接收到的分组中不包括令牌信息的情况下,赋予装置2将接收到的分组丢弃。或者,在接收到的分组中不包括包个体ID的情况下,赋予装置2判定为格式错误,并将接收到的分组丢弃。
在步骤S416中,将通过验证而判定为适当的分组所包括的运转数据存储在运转数据库232。之后,电池3以给定的采样率生成运转数据,将包括运转数据、令牌信息以及包个体ID的分组发送到赋予装置2。
图10是示出在本公开的实施方式1中赋予装置2向电池3下载学习完毕模型时的处理的一个例子的流程图。在步骤S501中,电池3将确认请求发送到赋予装置2。确认请求包括电池3自身的包个体ID、当前安装于电池3的学习完毕模型的版本信息和学习完毕模型的名称。关于学习完毕模型的名称,是指例如与学习完毕模型学习时使用的运转数据对应的种类ID或个体ID。另外,根据结构信息A5所包括的学习完毕模型的更新确认周期,定期地发送确认请求。
在步骤S511中,赋予装置2接收确认请求。在步骤S512中,确认有无后继版本的学习完毕模型。例如,设为在确认请求所包括的版本信息不是与学习完毕模型的名称对应的最新的版本信息的情况下,赋予装置2判定为有后继版本的学习完毕模型。另一方面,设为在确认请求所包括的版本信息是与学习完毕模型的名称对应的最新的版本信息的情况下,赋予装置2判定为无后继版本的学习完毕模型。
在判定为有后继版本的学习完毕模型的情况下(步骤S512中的是),赋予装置2将表示后继版本的学习完毕模型的保存目的地的保存目的地信息发送到电池3(步骤S513)。保存目的地信息例如能够采用URL(Uniform Resource Locator,统一资源定位器)。另一方面,在判定为无后继版本的学习模型的情况下(步骤S512中的否),处理结束。
在步骤S502中,电池3接收保存目的地信息。在步骤S503中,电池3发送以保存目的地信息所表示的保存目的地为发送目的地的学习完毕模型的发送请求。在步骤S514中,赋予装置2接收发送请求。在步骤S515中,赋予装置2将后继版本的学习完毕模型发送到电池3。
在步骤S504中,电池3接收学习完毕模型。在步骤S505中,电池3安装学习完毕模型。通过以上,最新的学习完毕模型被安装于电池3。
接下来,对学习完毕模型的运用阶段进行说明。图11是示出本公开的实施方式1中的学习完毕模型的运用阶段的处理的一个例子的流程图。在步骤S601中,电池管理装置31的获取部342获取生成部341生成的运转数据。在步骤S602中,电池管理装置31的推定部343通过将运转数据输入学习完毕模型来推定电池3的状态。例如,将构成运转数据的特征量(电流、电压以及温度)输入学习完毕模型。
在步骤S603中,电池管理装置31的输出部344将表示推定出的状态的状态信息发送到提示装置。在步骤S611中,提示装置接收状态信息。在步骤S612中,提示装置显示状态信息。由此,将电池3的状态(例如,SOC、SOH或故障的预兆)提示给用户。
如以上说明的那样,根据实施方式1的信息处理系统,能够识别下位的层级的结构要素的种类以及个数地赋予了种类ID。因此,能够获取下位的层级的结构要素、种类以及个数相同的运转数据。由此,能够使用下位的层级的结构要素的种类以及个数相同的电池3的运转数据来生成学习完毕模型,能够生成考虑了构成电池3的结构要素的种类以及个数的差异的学习完毕模型。其结果,能够生成能高精度地推定电池3的状态的学习完毕模型。
此外,由于使用这样的学习完毕模型推定电池的状态,因而能够高精度地推定电池的状态。
进而,由于根据包括第1结构要素的第1识别信息以及个数的第2结构信息而生成按不同种类来识别第2结构要素的第2识别信息,因而能够容易地获取作为下位的结构要素的第1结构要素的种类以及个数相同的电池3的运转数据。
(实施方式2)
实施方式2对学习完毕模型的学习成本或学习误差小的识别信息的层级进行探索。另外,在实施方式2中,对与实施方式1相同的结构要素标注相同的符号,并省略说明。图12是示出本公开的实施方式2中的生成装置1A的结构的一个例子的框图。
例如,若按每个包种类ID生成学习完毕模型,则会生成与电池包51的种类相应的数量的学习完毕模型,因而学习完毕模型的数量变得庞大。其结果,生成装置1A的资源被压迫,学习成本增高。
因此,在实施方式2中,对学习成本小的识别信息的层级进行探索。关于识别信息的层级,如上述那样,是指单电池种类ID、块种类ID、模块种类ID、包种类ID、包个体ID、模块个体ID以及块个体ID,设为层级以该顺序变高。
识别信息的层级变得越上位,则运转数据的对象范围越增大,具有可作为学习数据使用的运转数据的数据量越增大这样的优点。此外,识别信息的层级变得越上位,则生成的学习完毕模型的数量越减少,还具有资源的负担变得越小这样的优点。另一方面,识别信息的层级变得越上位,则专用性越减低,各个电池3的特征越难以反映,具有学习完毕模型的精度越下降这样的缺点。
识别信息的层级变得越下位,则专用性越增加,能够生成进一步反映出各个电池3的特征的学习完毕模型,具有只要学习所使用的运转数据的数据量充分就能够生成高精度的学习完毕模型这样的优点。
另一方面,识别信息的层级变得越下位,则运转数据的对象范围变得越小,具有学习所使用的运转数据的数据量变得越少这样的缺点。此外,成为学习对象的学习完毕模型的数增加,还具有资源负担增大这样的缺点。以下,对实施方式2的结构具体地进行说明。在以下的说明中,设为与作为电池3的结构要素的第1结构要素、第2结构要素和第3结构要素的层级无关。此外,将用于识别第1结构要素的识别信息称为第1识别信息,将用于识别第2结构要素的识别信息称为第2识别信息,将用于识别第3结构要素的识别信息称为第3识别信息。
生成装置1A的处理器12A包括获取部121、生成部122A以及输出部123A。生成部122A基于与各第1识别信息对应的运转数据,生成与各第1识别信息对应的第1学习完毕模型。生成部122A对计算出的第1学习完毕模型的学习成本或学习误差进行计算。第1学习完毕模型的学习成本或学习误差例如采用各第1学习完毕模型的学习成本的平均值或学习误差的平均值。
在第1学习完毕模型的学习成本或学习误差大于阈值的情况下,生成部122A基于与各第2识别信息对应的运转数据,生成与各第2识别信息对应的第2学习完毕模型。
在第2学习完毕模型的精度高于基准精度的情况下,生成部122A将第2学习完毕模型决定为学习对象的学习完毕模型。第2学习完毕模型的精度采用各第2学习完毕模型的精度的平均值。
另一方面,在第1学习完毕模型的学习成本或学习误差为阈值以下的情况下,生成部122A将第1学习完毕模型决定为学习对象的学习完毕模型。
在第2学习完毕模型的精度低于基准精度的情况下,生成部122A基于与各第3识别信息对应的运转数据,生成与各第3识别信息对应的第3学习完毕模型。
基于生成的学习完毕模型的模型数、学习完毕模型的生成所使用的运转数据的数据量、以及生成学习完毕模型时的处理器12A的处理负荷中的至少一者来计算学习成本。例如,通过下述的式来计算学习成本。
学习成本=A1·模型数+A2·数据量+A3·处理负荷
处理负荷例如采用处理器的负荷率超过基准负荷率的累积时间。
图13是示出本公开的实施方式2中的生成装置的处理的第1例的流程图。另外,该流程图例如被定期地执行。第1例评价学习成本来决定识别信息的层级。此外,在该流程图中,采用SOC作为学习完毕模型推定的电池3的状态。
在步骤S701中,生成部122A生成与层级n的识别信息对应的学习完毕模型M(n)。例如,默认的层级n是包种类ID的层级。具体地,生成部122A从运转数据库232获取与属于层级n的各识别信息对应的运转数据,按每个识别信息对获取到的运转数据进行学习,由此生成与各识别信息对应的学习完毕模型M(n)。
在步骤S702中,生成部122A计算学习完毕模型M(n)的学习成本。在步骤S703中,生成部122A判定学习完毕模型M(n)的学习成本是否大于阈值。在此,生成部122A将各学习完毕模型M(n)的学习成本的平均值与阈值比较即可。
在学习成本大于阈值的情况下(步骤S703中的是),生成部122A生成与相对于层级n上位1个层级的层级n-1的识别信息对应的学习完毕模型M(n-1)(步骤S704)。例如,在步骤S701中,在生成了与包种类ID对应的学习完毕模型M(n)的情况下,生成与相比于包种类ID上位1个层级的模块种类ID对应的学习完毕模型M(n-1)。具体地,生成部122A从运转数据库232获取与属于层级n-1的各识别信息对应的运转数据,按每个识别信息对获取到的运转数据进行学习,由此生成与各识别信息对应的层级n-1的学习完毕模型M(n-1)。在此,选择了上位1个的层级,但也可以选择上位2个以上的层级。例如,也可以选择最上位的单电池种类ID的层级。
在步骤S705中,生成部122A计算学习完毕模型M(n-1)的精度。在步骤S706中,生成部122A判定精度是否为基准精度以上。在此,生成部122A将各学习完毕模型M(n-1)的精度的平均值与基准精度比较即可。精度具有随着学习误差变大而变小的值。学习误差例如采用均方根误差(RMSE)或均方误差(MSE)。
在精度为基准精度以上的情况下(步骤S706中的是),生成部122A将层级n-1决定为学习对象(步骤S708)。由此,以后使用与层级n-1的识别信息对应的运转数据来对学习完毕模型进行生成以及更新。
在步骤S703中,在学习成本为阈值以下的情况下(步骤S703中的否),生成部122A将层级n决定为学习对象(步骤S707)。由此,以后使用与层级n的识别信息对应的运转数据来对学习完毕模型进行生成以及更新。
在步骤S706中,在精度小于基准精度的情况下(步骤S706中的否),生成部122A决定另外的层级n,并使处理回到步骤S701。作为另外的层级n,决定相比于步骤S704中决定的层级n-1上位1个的层级。另外,在到达了最上位的层级也未能获得适当的学习完毕模型的情况下,在步骤S709中,生成部122A也可以决定最下位的层级。
如此,根据第1例,在学习完毕模型的学习成本大于阈值的情况下,生成上位的层级的学习完毕模型,若该学习完毕模型的学习成本为阈值以下且精度为基准精度以上,则将该上位的层级决定为学习对象。因此,能够探索到能获得学习完毕模型的学习成本小于阈值且精度为基准精度以上的学习完毕模型的层级。另外,在第1例中,由于是使层级上升以使得学习成本为阈值以下的算法,因而适于推定SOC的学习完毕模型的层级的探索。
图14是示出本公开的实施方式2中的生成装置的处理的第2例的流程图。第2例评价学习误差来决定识别信息的层级。此外,在该流程图中,采用SOH作为学习完毕模型推定的电池3的状态。
在第2例中,关于识别信息的层级,是指块种类ID、模块种类ID、包种类ID,设为以该顺序变高。此外,包个体ID、模块个体ID以及块个体ID的层级设为分别与包种类ID、模块种类ID以及块种类ID的层级相同。进而,在同一层级中,设为种类ID的顺位高于个体ID。
在步骤S801中,生成部122A生成与层级n的种类ID对应的学习完毕模型M(n)。具体地,生成部122A从运转数据库232获取与属于层级n的各种类ID对应的运转数据,按每个种类ID对获取到的运转数据进行学习,由此生成与各种类ID对应的学习完毕模型M(n)。
在步骤S802中,生成部122A计算学习完毕模型M(n)的学习误差。学习误差的详细情况已在上面描述过。在步骤S803中,生成部122A对学习完毕模型M(n)的学习误差是否大于阈值进行判定。在此,生成部122A将各学习完毕模型M(n)的学习误差的平均值与阈值比较即可。
在学习误差大于阈值的情况下(步骤S803中的是),生成部122A生成与层级n的个体ID对应的学习完毕模型M′(n)(步骤S804)。例如,在步骤S801中,在生成了与包种类ID对应的学习完毕模型M(n)的情况下,生成与包个体ID对应的学习完毕模型M′(n)。具体地,生成部122A从运转数据库232获取与属于层级n的各个体ID对应的运转数据,按每个个体ID对获取到的运转数据进行学习,由此生成与各个体ID对应的层级n的学习完毕模型M′(n)。
在步骤S805中,生成部122A计算学习完毕模型M′(n)的精度。在步骤S806中,生成部122A判定精度是否为基准精度以上。在此,生成部122A将各学习完毕模型M′(n)的精度的平均值与基准精度比较即可。精度的详细情况已在上面描述过。
在精度为基准精度以上的情况下(步骤S806中的是),生成部122A将层级n的个体ID决定为学习对象(步骤S808)。由此,以后使用与层级n的个体ID对应的运转数据来对学习完毕模型进行生成以及更新。
在步骤S803中,在学习误差为阈值以下的情况下(步骤S803中的否),生成部122A将层级n决定为学习对象(步骤S807)。由此,以后使用与层级n的种类ID对应的运转数据来对学习完毕模型进行生成以及更新。
在步骤S806中,在精度小于基准精度的情况下(步骤S806中的否),生成部122A决定另外的层级n(步骤S809),使处理回到步骤S801。作为另外的层级n,也可以决定相比于步骤S801中决定的层级n上位1个的层级,也可以决定下位1个的层级。
如此,根据第2例,在学习完毕模型的学习误差大于阈值的情况下,生成下位的层级的学习完毕模型,若该学习完毕模型的学习误差为阈值以下且精度为基准精度以上,则将该下位的层级决定为学习对象。因此,能够探索到能获得学习完毕模型的学习成本小于阈值且精度为基准精度以上的学习完毕模型的层级。另外,在第2例中,由于采用了使层级下降以使得学习误差为阈值以下的算法,因而适于推定SOH或故障的预兆的学习完毕模型的层级的探索。
(变形例)
本公开也可以生成与单电池单独ID对应的学习完毕模型。
产业上的可利用性
本公开在生成能够高精度地推定电池的状态的学习完毕模型的技术中是有用的。
- 二维码的生成方法、识别方法、生成装置及识别装置
- 指纹识别装置、指纹识别方法及指纹识别装置的制造方法
- 图像处理装置、学习装置、图像处理方法、识别基准的生成方法、学习方法和程序
- 三维码、三维码的生成方法和装置、识别方法和装置
- 识别信息赋予装置、识别信息赋予方法以及程序
- 信息管理方法、识别信息赋予装置和信息管理系统