guest ::
Model-driven software development and verification solutions for safety critical battery management systems : a quantitative evaluation of probabilistic inference & artificial intelligence methods
2020 & 2021
Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2021
Genehmigende Fakultät
Fak06
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2020-01-22
Online
DOI: 10.18154/RWTH-2021-00436
URL: https://publications.rwth-aachen.de/record/810163/files/810163.pdf
Einrichtungen
- Lehrstuhl für Elektrochemische Energiewandlung und Speichersystemtechnik (618310)
- Institut für Stromrichtertechnik und Elektrische Antriebe (614500)
Inhaltliche Beschreibung (Schlagwörter)
bayesian recursive estimation (frei) ; model-based battery management system (frei) ; probabilistic inference (frei)
Thematische Einordnung (Klassifikation)
DDC: 621.3
Kurzfassung
Die Automobilindustrie erreicht einen beispiellosen Wendepunkt. Die neuen Herausforderungen sind weitreichend. Die Zukunft des Verbrennungsmotors wurde unterzeichnet und besiegelt, da Elektrofahrzeuge mit ihren Hochvoltbatterien als Ersatz für Antriebssysteme prädestiniert sind. Heutzutage sind SW-Methoden und -Algorithmen nicht ausgereift genug, da die HV-Traktionsbatterie eine komplexe elektrochemische Komponente in einer neuen Anwendung ist und die Voraussetzung die Kenntnis und das Verständnis der Arbeitsprinzipien einschließlich des Alterungsmechanismen ist. Diese verursachen eine komplexe Dynamik auf mehreren Zeitskalen durch überlagerte Wechselwirkungen chemischer Reaktionen, deren Modellierung komplex ist. In den letzten Jahren hat der Bedarf an Batteriesystemen und deren fortschrittlicher Software erheblich zugenommen, um die Anforderungen an Leistung, Energie, Lebensdauer und Sicherheit zu erfüllen. Gleichzeitig müssen die Kosten sinken, um mit herkömmlichen Antriebssystemen konkurrieren zu können. Daher stellt sich die Frage, wie diese Komponenten optimal eingesetzt werden können, um ein wettbewerbsfähiges HV-Traktionsbatteriesystem zu gewährleisten. Daher wird in dieser Arbeit das modellbasierte Batteriemanagementdesign erörtert, was nicht bedeutet, visuelle Methoden anzuwenden, um die Probleme anzugehen, sondern wir verwenden qualitative Modelle, um das Batterieverhalten darzustellen, z.B. das Betrachten der elektrischen Eigenschaften des Spannungsverhaltens beim Anlegen von Strom an die Batterie. Diese Arbeit bietet eine Reihe von adaptiven Algorithmen für die Online-Schätzung des Batteriezustands und der Parameter, mit denen verschiedene Aspekte wie Effizienz, Robustheit, Genauigkeit und Implementierungsaufwand für das Ziel bewertet werden. Bayesianische Optimalfilter für nichtlineare Systeme, Linearisierungsverfahren, z. Der erweiterte Kalman-Filter und andere numerische Approximationsmethoden (Gaußsche Summe, iterative Quadratur und deterministische Sampling-Approximation) werden quantitativ verglichen. Die umfassende Diskussion beinhaltet die Definition des Schätzungsrahmens, der für die Zustands- und Parameterschätzung unter Verwendung der gemeinsamen und doppelten Schätzung integriert ist. Zusätzlich werden neue Schätzverfahren aus dem Bereich des maschinellen / tiefen Lernens eingeführt, um die Batterielebensdauer vorherzusagen. Die Bayes'schen Schätzer werden in Bezug auf verschiedene batterieäquivalente Schaltungsmodelle verglichen, da sie für eine genaue Schätzung der Spannung, des Ladezustands, der Parameter oder der verfügbaren Leistung / Energie benötigt werden. Batteriemanagementsysteme sind sicherheitskritische Softwaresysteme, die Code enthalten, dessen Ausfall oder Fehlfunktion eine Gefahr für das Leben von Menschen darstellt oder dazu beitragen kann. Die Qualität der freigegebenen SW hängt davon ab, auf welcher Ebene die Prüfung durchgeführt wird. Daher werden SW-Tests und Hardware-in-the-Loop-BMS-Validierungen auf funktionaler und nicht funktionaler Ebene eingeführt, was zu einer neuartigen Simulationsumgebung für Batteriesysteme einschließlich Fehlereinfügung führt. Darüber hinaus wird eine neue Methode zur modellgesteuerten Softwareentwicklung für BMS nach ISO26262 erörtert, bei der eine neue Toolkette für die SW-Architektur und Modellentwicklung auf Mehrkern-CPUs eingeführt wird, die die Rechenleistung für die Überwachung einzelner Zellen optimiert. Das eingeführte Ökosystem erfüllt die Anforderungen während der Entwicklungsphase mit Rückverfolgbarkeit, Validierung und Verifizierung.The automotive industry is reaching an unprecedented level of turning point. The new challenges are wide-ranging, the future of combustion engine has been signed and sealed, as electrical vehicles with their high-voltage (HV) batteries are predestined as replacing propulsion systems. Today, SW methods and algorithms are not mature enough consider-ing that the HV traction battery is a complex, electro-chemical device in a new application, with the prerequisite in knowledge and understanding of the working principles including aging mechanism. These cause complex multi-time scale dynamics by superimposed interactions of chemical reactions which are complex to model. In recent years the need of battery systems and its advanced SW has increased significantly in order to reach performance, energy, lifetime and safety requirements. At the same time, the cost must drop to compete with conventional propulsion systems. Therefore, the question which put OEMs at stake is how to use the battery in an optimal way to ensure a competitive HV traction battery system. Therefore, this work discusses model-based battery management design, which does not mean applying visual methods to address the problems, rather we are using qualitative models to represent battery behaviour, e.g. looking at the electrical properties of the voltage response when applying current to the battery. Providing accurate power and energy estimates to the vehicle propulsion system is part of the on-line battery management primary objective. This work provides a set of adaptive algorithms for online battery state- and parameter estimation evaluating different aspects, such as their efficiency, robustness, accuracy and implementation effort on target. Bayesian optimal filters for non-linear systems, linearization methods e.g. extended Kalman filter, and other numerical approximation methods (Gaussian sum, iterative quadrature, and deterministic sampling approximation) are quantitatively benchmarked. The comprehensive discussion involves the definition of the estimation framework which is integrated for state-and parameter estimation using joint and dual estimation. Additionally, new estimation techniques from the field of machine / deep learning are introduced to predict battery lifetime. The Bayesian estimators are benchmarked in regards to various battery equivalent circuit models as they are needed for accurate voltage, state-of-charge, parameter or available power / energy estimation. Battery management systems are safety-critical software systems, containing code which failure or malfunction can trigger or contribute to a hazard jeopardizing people’s lives. The quality of released SW is subject to the effort of which level the testing is executed. Therefore, SW testing and hardware-in-the-loop BMS validation on functional and non-functional level is introduced, leading to a novel battery system simulation environment including fault insertion. Additionally, a new way of ISO26262 complaint model-driven software development for BMS is discussed, introducing a new tool-chain for SW architecture and model development on multi-core target CPUs optimizing computing power for individual cell monitoring. The introduced ecosystem fulfils the requirements during development phase with traceability, validation and verification.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
online
Sprache
English
Externe Identnummern
HBZ: HT020704945
Interne Identnummern
RWTH-2021-00436
Datensatz-ID: 810163
Beteiligte Länder
Germany
|
The record appears in these collections: |