第一方面
在本发明的第一方面，我们正在寻求提供电池试验系统的进一
步技术进步，借此使由技术人员执行的模拟直观分析的方法由一种
可替换的方法代替，其中以利用计算机系统的固有优点、而不是寻
求把他们制约为模拟人类分析方法的方式，采用计算机系统的技术
特性。
因而，我们一直在寻求利用软件系统的能力，去以人脑难以发
现的方式处理和分析与多个参数有关的数据。按照这种方法，我们
认识到我们以前发现的EP‘135 A2说明书的多层视感控制器神经网
络，就在任何情况下要求输入近似于需要的分析答案而论有诸种限
制。
按照这种电池分析的新方法，我们寻求提供一种这样的系统：
其中把多个电池参数，他们不必都是电气参数，如热参数，送到系
统中，并且该系统能够或许基于与波形分析所需要的数据相比是相
当有限的数据，识别馈入的复杂数据的具体特征，并由此实现高效
分类步骤。
本发明该方面的一个目的在于，提供一种根据其一个或多个检
测参数分类汽车的或其他电池的方法和设备，提供与以上讨论的一
个或多个问题有关的或一般的改进。
根据本发明，提供一种制造电池试验设备的方法，并且还提供
用于分类汽车和其他电池的设备，如在从属权利要求中定义的那
样。
在本发明的一个实施例中，系统装有自组织网络形式的神经网
络，即Kohonen网络。在该实施例中，这种软件网络已经经历了(或
基于的软件已经经历了)受控程度的训练。该训练基于包括电池数据
的代表性样本的数据输入。电池数据的这样一种代表性样本包括从
包括电压、电流、内部电阻、表面电荷/电容、及热参数的组中选择
的多个电池参数。这种受控程度的自训练提供用于由自组织网络要
求的分类步骤的基础。
在该实施例中，该方法和设备也提供了试验数据产生装置作为
系统部分，并且适合于使试验的给定电池经受试验例行程序，以产
生用于分类装置的试验数据。该试验数据与在其上训练软件网络的
代表性样本电池数据有关。例如，可以基于来自一列瞬态电池负载
或瞬态电池充电例行程序的数据训练软件网络，这些例行程序同样
由较瞬态的间隔隔开。在这样一种例行程序已经包括在训练数据中
的场合，就把包括在电池试验设备中的试验数据产生装置，布置成
产生导致较有效电池分类的相应数据。
在电池试验例行程序中多种瞬态电池负载的使用方面，该方法
具有与电池构造的电容方面有关的实际意义，即多瞬态负载序列能
够放电电池的表面电荷，表面电荷由于电池的平行板构造是存在
的，并且否则可能提供由在其上的(例如)15伏特电位差产生的误导
数据，该电位差由交流发电机波动产生。
本发明的实施例，当与以前已知的电池试验系统相比时，是软
件密集的而不是硬件密集的。
第二方面
按照本发明的第二方面，在汽车和其他工业中有用于电池试验
和分类的改进方法和设备的需要，特别是提供允许使用最少硬件和
要求低功率的电池原地试验的系统，同时提供手持操作特性和较迅
速的试验/分类结果，并且本发明该方面的一个目的在于，提供一种
供给与这些要求的一个或多个有关的、或的确通用的改进的方法和
设备。
根据本发明，提供有一种如在从属权利要求中定义的、用于汽
车的和其他电池的试验和/或分类的方法和设备。
在下面描述的本发明的一个实施例中，提供一种其中电池经受
微周期试验过程、且该过程的结果通过神经网络或通过自适应算法
经受分析的方法和设备，并且借助于关于汽车的和其他电池的试验
的这种新方法，我们已经证实，以产生与以上讨论的几个因素一致
的优点的方式，按照电池寿命和其他标准有可能试验和分类电池。
在该实施例中，借助于自适应算法或神经网络来完成数据分析
步骤，并且电池试验过程包括作为微周期部分的瞬态刺激应用。利
用该设计方法使为此目的提供的硬件最少，并且对电池的试验连接
允许原地试验，而既不破坏汽车无线电代码系统也不破坏电子控制
单元软件等。
包括微周期的电池试验例行程序，保证以附图中所示的方式向
电池施加一系列瞬态刺激，例如：
电压试验；
微负载；
表面电荷去除；
微负载；
恢复；
微负载；
微电荷。
在以上种类的微周期内，可以有一系列施加到电池上的正或负
脉冲，这通过场效应晶体管(FET)栅极实现。
通过使用按照本发明该方面顺序地施加到电池上的瞬态电荷和/
或负载的微周期，提供下述优点(相对于我们上述的EP‘135A说明
书)：系统的实用性和成本有效性，特别是在手持式用途中的使用，
意想不到地前进到这样一种程度，从而通过使用易于操作的手持类
设备把电池相当复杂的分析变成多类中有关的一种，可成为一种到
情况至今不是如此的程度的实际选择。
在微周期中提供的脉冲数量大于一，并且在任何情况下通常都
在从2个脉冲至100个或更多个的范围内。连续脉冲的电压可以增
大或减小或者相等。通过施加到电池上的初始电压试验、和/或环境
温度和/或电池尺寸，可以确定脉冲的数量和频率及电压电平，并且
然后通过由以后脉冲得到的数据值可以确定脉冲特性。换句话说，
确定脉冲数量、频率和电平的算法是自适应的。另外，至少部分地
能使用关于电池的以前知识，来设置脉冲特性的一些参数，这些特
性取决于诸如电池历史、已知行为等之类的数据。
在本发明的实施例中，其中方法和设备通过使用包括顺序施加
到电池上的两个或多个瞬态电荷和/或负载的微周期保证电源试验
和/或分类，这样一种试验例行程序的使用，就申请者所知，对于用
于汽车等或其他电池系统的试验过程而论是新颖的。常规试验过程
至今已经涉及可以命名为微周期的过程，这些微周期必须(并且常常
是有意识地)涉及显著电荷流的使用和有关的能量释放，相应有关的
技术缺陷包括散热片或类似装置的提供、和把试验限制为非原地电
池估计的实用性限制。
所述实施例采用用于从微周期产生的电池数据的分析步骤或阶
段，并且诸实施例采用神经网络或自适应算法，以便能够进行电池
的分类或数值估计。神经网络的使用导致在我们的1997年6月19
日的申请中陈列的数据处理优点。
在诸实施例中，附图的图11和12表示就“好”和“坏”电池而
论，电池对微负载和微电荷周期的响应。
在本发明分析步骤中采用的数据直接从微周期例行程序采用。
数据可以为波形格式或分立数据点格式，并且可以代表抽样电池特
性的相对或绝对值。这些特性可以包括阻抗、反射、波峰、面积、
电荷接收、开始和结束电压等。
第三方面
按照本发明的第三方面，提供有一种系统，其中改进本发明第
一和第二方面的设计方法，以便依据硬件/软件供给和分析过程实现
显著简化，同时仍基于相同的分析原理，并因而能够依据分成主要
类别的电池分类提供可比较的结果。简单地说，本发明的该方面提
供了一种能够实现把电池准确地分类成例如坏/好类别，而不是放电
/好类别的方法和设备，而且具有上述的结构和过程简化，伴随有相
应的成本优点。
按照本发明的这个方面，我们已经发现，在本发明的以前方面
的方法和设备中，通过消除用于分类目的的电池参数轮廓分析的神
经网络的使用，能实现以上确定的简化。
这种简化和相应进步在我们对该项目的研究过程中还是相当意
外的发展，尽管与提供涉及使用神经网络的我们的早期工作的背景
经验无关。然而，它的确是涉及提供数据的神经网络的试验过程结
果的知识，借此能采用简化的方法和设备。
更准确地说，关于神经网络的试验过程结果的知识使我们能够
辨别这样的事实：使用较简单算法过程能在电池分类和试验过程轮
廓之间实现一种满意的关系。该过程利用以前建立的与微电荷和/或
微负载电压轮廓有关的数据，以便定义取出特征样本电压的时间间
隔(根据定义的时间，如微负载或微电荷开始时间)，特征样本电压由
此基本上成为与整个轮廓本身的分析一样有益。
因而，根据本发明的这个第三方面，提供一种如在附属权利要
求书中确定的一些项中定义的方法和设备。
在下面描述的实施例中，电池对施加到其上的瞬态试验参数的
反应，提供电池状态的测量。通过代表电池对试验参数的反应的波
形形状或轮廓(参照在特征点处的相应电压)的分析，能完成相应的分
类步骤。在该实施例中借助于适于分辨相应两种或多种电池状态分
类的一种算法，而不采用神经网络，完成该分析步骤，并且这些分
类的相应一种呈现出与电量值的波形轮廓(电压方面)的关系。
在该实施例中，为此目的利用的波形轮廓的电压方面包括给出
阻抗、电压反射、电压波峰、电压波谷、电压形状或轮廓、电荷接
收、及开始和结束电压的测量的电压值。
而且在该实施例中，施加到电池上的微负载或微电荷的瞬态周
期处于1至1,000毫秒的范围内，并且在相继的诸微负载和/或微电
荷之间的重复间隔是2至100倍于微负载或微电荷的施加持续时
间。
在本发明的这个方面，能够消除神经网络及其伴随成本而不管
与由神经网络进行的分析相对应的分析基础(与试验参数轮廓有关)
的保持，具有重要的价值并且是有益的。通过较简单的算法硬件/基
于的例行程序实现该步骤，能够实现有价值的产品简化。
参照附图，通过例子现在将描述与本发明的第二方面直接有关
的实施例，在附图中：
第一方面
为了本发明的技术公开目的现在将描述本发明的实施例，并且
参考对准我们自己以前出版的说明书EP 0 762 135 A2，及我们特此
把该以前的说明书的整个公开包括在本申请中。本发明的实施例基
于以上EP’135 A2说明书中的公开和下面指示的改进。同样，该实
施例可以基于下面的描述(与本发明的第二方面有关)，该描述基于附
图的图1至8，并且同样利用下述的Kohonen网络。
本发明这方面的实施例使用Kohonen自组织映象，来代替在我
们以前说明书中公开的多层视感控制器网络。
为了代替在我们以前技术中进行的波形分析，该实施例利用在
一定预定时间间隔下瞬态电池充电或放电期间的读数。在试验例行
程序中，为了代替在瞬态放电期间的50至500且最好是150至300
毫秒时间段(在EP’135 A2中)，本实施例已经使用了在高达50毫秒
范围内的时间段，最好10至20毫秒，以便避免不可接受的热扩散。
该设备包括试验数据产生装置，以使电池经受基于这种瞬态负载或
瞬态充电循环的试验例行程序。
Kohonen自组织映象适于揭开呈现给其网络的数据内的自然分
组，并且能够学习以响应数据输入信号的不同部分。该网络包括神
经元，这些神经元初始给出任意指定的在准备训练例行程序中的“加
权”向量。神经元能看作布置在两维栅格中。加权向量以与输入信
号相同的格式提供。神经元把其当前加权向量与输入信号的内容相
比较，并且在这两个向量之间进行匹配的数量是神经元的输出。
辨别对输入信号响应最强的神经元，并且辨别在该神经元周围
的邻近神经元，及调节这些神经元的加权，以便给出对相关输入信
号的较强响应。该加权适应过程称作训练过程。我们已经发现，神
经元的过分训练导致网络仅对与训练的那些信号相同的信号给出肯
定的响应，并且这种效果显然是不希望的。
同时能对多于一个的信号训练网络，并且能把网络训练成在其
栅格的其他区域中响应与给出的一个信号显著不同的输入信号。
在诸实施例中，在常规电池试验器的操作期间得到的、和在几
个预定间隔下由抽样产生的数据，然后呈现给训练的Kohonen自组
织网络以便分析。通过参考建立的数据图案，网络能够分类电池。
在该实施例中，整个训练数据包包括约550次电池试验，每个
试验包括约20个参数。这些参数包括一个三阶段试验过程，该过程
第一包括表面电荷去除、第二包括电荷试验及第三包括重载试验，
接着是一个恢复循环。提供给网络的其他数据包括冷启动安培额定
值(CCA)、和计算的电池内部电阻。该数据块代表用来提供具有其必
不可少的适当训练数据输入要求的Kohonen网络的基础，例如，从
以上总数中随机选择60次电池试验的数据样本，并且每次试验包括
用于每种电池状态的20个数据样本。
期望有可能使系统能够在上述“坏的不能使用的”电池分类内
区分电池失效的不同模式。因而，例如，在长时间使用之后由于寄
生和出气不可逆反应，可以认为电池耗尽，或者电池可能以某种形
式损坏。这样一种电池的不同电气特性可以良好地能够由Kohonen
网络分类。
在该实施例中，系统的分类输出提供一个用来响应电池状态以
便控制电池充电系统的信号。分类信号因而供给到控制电池充电速
率系统的神经网络。
第二方面
本发明的第二方面提供一种用于电池试验和/或分类的方法和设
备，其中把一个微周期的一个或多个瞬态电荷和/或负载顺序地施加
到电池上，并且与电池对微周期的反应有关的数据由一个神经网络
或一种自适应算法分析，以便能够进行电池的分类。
该实施例进一步的特征在于，分析步骤由与如下电池特性有关
的神经网络或自适应算法实现：即阻抗、电压反射、电压波峰、电
压波谷、电压形状或轮廓、电荷接收及开始和结束电压。
图1表示带有电池表面电荷去除和电池恢复的插入周期的瞬态
试验周期序列(周期1、周期2)。
在图2和3中，表示施加到图4和5中场效应晶体管(FET)上的
电压。如图2中所示，微负载序列、在相继的微试验(V1、V2、V3等)
之间的时间(T2)大于(或等于)每次试验的持续时间(T1)。电压V1小于
V2，V2小于V3。整个试验时间(To)大于或等于40秒。对于微电荷周
期，在场效应晶体管上的电压(V4)是恒定的。
图4和5表示在微负载和微电荷电路中起开关作用以便在图6
中看到的动态调节电路的控制下施加瞬态负载和电荷的FET。
在图4和5的电路10和12中，试验的电池表示在14处，而FET
表示在16和18处。微电荷电压源表示在20处。
现在翻到图6中所示的系统22，微负载电路10一般如图4中所
示用连接到功率MOSFET场效应晶体管开关16上的电池端子24、
26构成，开关16由一个响应一个微控制器30的动态调节电路28控
制。数据获得系统32用来提供一个用于数据获得和传送至分析功能
元件的接口，该功能元件形成微控制器30的部分，并且详细地表示
在图8中。
一般地说，在例如20至100微秒范围中的选择时段内，功率
MOSFET把一个瞬态负载施加到电池端子24、26上。检查和分析电
池对该瞬态负载的反应和其恢复。典型结果例如表示在图11中。
功率MOSFET一般具有30毫米乘20毫米的最大尺寸，并且其
平均电流消耗小，并因而几乎不导致车辆电池的损坏。通过改变由
微控制器30经调节电路28控制的栅极电压，能改变由MOSFET表
示的耗电量。改变耗电量的设施提供用来确定电池内部阻抗的基
础。以类似的方式，电池的其他特性易于从用在诸实施例中所述的
方法得到的电压轮廓导出，包括电压本身的各方面，即包括电压反
射、电压波峰和波谷、电荷接收及开始和结束电压。本发明这方面
的特征在于，关于这些电池特性的一个或多个，可以通过轮廓分析
实现分类。在这些特性的几个实例中，通过检查在试验期间产生的
电压踪迹轮廓的一部分或尺寸，给出相关量的数值的测量。
在该实施例中瞬态微负载或微电荷的使用消除了一些先有技术
使用大碳堆的要求，借此该实施例的试验设备能具有手持形式，或
者是一个能由电池供电或由简单家用电源供电的可移动单元。
我们发现的微负载技术的一个优点在于，从电池除去表面电荷
是有效的，否则这些电荷对试验精度产生不利影响。
现在转到图7的微电荷电路34，这有点不同于图5中所示的简
化系统。电池端子24、26联接到一个数据获得系统36和一个微控
制器38上。一对功率MOSFET 40、42起开关的作用，以使一个电
容器44充电和放电，电容器44经端子24、26向试验电池中引入小
包电荷非常快，以提供瞬态电池充电脉冲。
用于微电荷的电压源标在(如图5中所示)20处，并且可以通过电
池电荷挪用或来自停泊站的升压提供。
图12表示对微电荷周期的电池响应的例子。电池接收电荷脉冲
的容易程度提供了其状态的测量，并且同样提供了脉冲后的电池反
应。通过使用该技术，电池内部阻抗和一般电池状态因而是可得到
的。然而该方法能与微充电方法结合成电池试验的一种更有效的综
合方法，并且一种组合的系统表示在图8中。
在图8中，相应地编号关于以前图形与以上描述的那些相对应
的系统和元件，并且除有必要外将不再描述。在图8中所示的另外
的系统和元件分别包括信号调节和多路复用及模数电路46、48及
50，其中多路复用器48联接到一个温度热敏电阻52上。
一个基于例如可充电电池的电源单元54，提供图8的作为整体
用于可携带系统56的小型电源。
标在30、38处的微控制器(与上述电路的微控制器有关)包括一
个数字接口单元58、一个数据存储功能元件60及一个为由接口58
在64、66、68及70处接收的电气参数输入提供逐步分析功能的算
法单元62。
对接口58进一步的连接72可由键盘或其他控制输入装置74提
供一种用户输入和控制功能。一个显示装置76提供识别的电源种类
的直接指示，从而提供根据施加到电池上的微电荷/微负载序列的分
析产生的波形选择的相关种类的直接指示。
在该实施例中，分析功能指示在62处，由高级或自适应算法、
或神经网络提供。
通过使用按照本发明该方面顺序地施加到电池上的瞬态电荷和/
或负载的微周期，提供下述优点(相对于我们上述的EP‘135A说明
书)：系统的实用性和成本有效性，特别是在手持式用途中的使用，
意想不到地前进到这样一种程度，从而通过使用易于操作的手持类
设备把电池相当复杂的分析变成多类中有关的一种，可成为一种到
情况至今不是如此的程度的实际选择。
数据存储功能元件16与算法/神经网络功能元件52合作，以使
分析子系统30、38内的波形和电池状态种类相关。在提供要求的数
字信号处理功能的、例如如在上述EP ‘135A2说明书中提到的可从
Texas Instruments得到的兼容PC系统或客户硬件上，可以完成实
施。为此目的关于算法所述的信息，可在由John Wiley & Sons出版
的Adam Blum出版物“在C++中的神经网络”中得到。在图14、
15、16a和16b中以文本和流程图的格式表示在本发明的第三方面中
使用的简化算法。
图9表明用于完整电池试验周期的可用图8的系统得到的结
果。
图9是电压/时间曲线，表明由两个恢复周期84、86隔开的三个
瞬态微负载78、80、82，随后是瞬态微电荷88。
在瞬态试验步骤之间的电压斜率指示包括在最初两个微负载之
间的84处的电池表面电荷去除的变化。在试验步骤之间的时间间隔
以线性刻度由该刻度上的有关踪迹的位置指示，在第三负载上微电
荷步骤88紧密地跟随着。
图10以电压/时间曲线表示对于“平均”状态中的电池得到的实
际结果。四个微负载/电荷步骤由与图9中相同的标号指示。轮廓
是电池分类的特性，并且与检测的前和后试验电压的实际值相结
合，提供用来辨别可应用的具体分类的特性装置。
现在转到图11和12中所示的图形数据，这些表示不仅用于FET
栅极或控制电压、而且也用于对好和坏电池的电池响应的电压/时间
曲线。图11表示微负载结果，而图12表示微电荷结果。
图11表示5个微周期的影响，这些在稍低于0.45秒(对于所有5
个)的范围内实现，中间恢复时段近似为0.1秒的四分之三即0.075
秒。每单个负载瞬态具有0.1秒的近似四分之一即0.025秒的持续时
间。
用于试验的栅极电压表示从约4伏特至约6伏特和从试验A至
C的增大，并且然后保持恒定。对于坏电池的曲线90的相应五个电
压降在A和B处表示特有的显著降低，在C、D和E处有相应的较
稳定状态轮廓，其振幅和锯齿波轮廓是特有的。
在相应好电池的曲线92中，显著减小的电压突降及该突降和中
间电压的相应改进轮廓，因而提供用于相应分类的清晰基础。
在对应于图11但表示标为F、G和H的三个微电荷周期或步骤
的序列的图12中，关于FET栅极电压和瞬态时间间隔的微电荷参
数的指示与图11中那些对应得非常好，并因此不需要进一步说明。
根据在坏电池90的情况下显著提高的生成电池电压升高，相对
于对于好电池92的相应适当或几乎可忽略的电压偏移，容易地区分
图12中对于坏电池90和好电池92的电池响应。
图13在短得多的时间刻度上表示在微负载步骤后的短恢复时段
期间的电压/时间曲线。
能看到，超调轮廓94在其前沿96上具有清晰的锯齿上升轮廓。
这从波峰100起接着是相对未特征化的和更陡的阶梯尾沿98，随后
是在电压落下到相当于自微负载电平106恢复的电平104之前在102
处的振荡轮廓。将会理解，这样一种轮廓提供清晰电池分类区别的
基础，电池分类区别由从由图11和12成为明显的种类的电池状态
差别产生的几个辨别区域的轮廓变化引起。
第三方面
该实施例表示上述实施例(第二方面)的一种简化，其中数据分析
微控制器30、38的神经网络/高级算法62由一种较简单的算法代替，
该简单算法适于辨别两个或多个电池状态分类中的具体一种，这种
分类呈现与由以上讨论的与以前实施例有关的微电荷或微负载步骤
产生的波形轮廓的关系。为此目的，该实施例从试验开始通过参考
时间间隔，检查在微负载或微电荷电压轮廓上在特征(以前确定的)
点处的电压电平。
为了辨别三种或四种电池类别中的相关一种类别起见，一些说
明性算法，表示在图14、15、16A和16B中，并且代表在使检测的
电压参数与电池状态类别有关的算法技术发展中的较不发展阶段。
具体地说，根据包括在可应用于该简化设备的相关有限数量的
类别或分类中的对电池的试验结果的数据存储功能元件60，我们已
经发现，能实现可靠级的可接受准确分类，而没有在神经网络的使
用中固有的复杂化和伴随成本，甚至不必采用指定给图8实施例的
高级/自适应算法。该简单实施例的操作一般按照上述情形进行，但
通过使用减小数量的电池类别，如简单的“好/良好放电/坏”，来代
表简化。