根据用户的使用概况依据用户地选择电池驱动技术设备的方法和设备与流程

1.本发明涉及一种分配状况，其中大量不同的电池驱动技术设备之一应当分配给用户，特别是车辆池中的电池驱动车辆应分配给具有已知驾驶行为的特定驾驶员。


背景技术：

2.独立于电网运行的电设备和机器(例如可电驱动的机动车辆)的能量供应通常使用设备电池或车辆电池来进行。这些电池提供电能以运行所述设备。
3.设备电池在其使用寿命期间会根据其负载或使用情况而退化。这种所谓的老化导致最大性能或存储容量连续下降。健康状态对应于用于说明储能器老化的度量。按照惯例，新设备电池的健康状态(关于其容量，soh-c)可以为100％，在新设备电池的使用寿命期间该健康状态显著下降。设备电池老化的度量(健康状态随时间的变化)取决于设备电池的个体负载，即在机动车辆的车辆电池情况下取决于驾驶员的使用行为、外部环境条件和车辆电池类型。
4.为了监视来自大量设备的设备电池，通常连续检测运行变量数据并作为运行变量变化过程逐块地传输到设备内部的中央单元。为了评估运行变量数据，特别是为了确定基于微分方程的模型中的健康状态，用例如介于1和100hz之间的相对高时间分辨率(采样率)来对运行变量数据采样，并且使用时间积分法从中确定健康状态。
5.在电池驱动车辆的情况下，以固定的时间间隔(例如每周一次)确定健康状态。可以根据驾驶员的已知驾驶行为来预测健康状态。


技术实现要素：

6.根据本发明，提出了根据权利要求1的用于将具有至少一个设备电池的电池驱动技术设备分配给具有使用行为的特定用户的方法以及根据并列独立权利要求的对应设备。
7.进一步的设计在从属权利要求中说明。
8.根据第一方面，提出了一种将大量不同的设备类型中具有设备电池的电池驱动技术设备的设备类型分配给用户的方法，具有以下步骤：
[0009]-提供所述用户的使用行为；
[0010]-将使用类别分配给所述用户的使用行为；
[0011]-对应于所述使用类别确定至少一个使用变量的预测使用变量变化过程，其中所述至少一个使用变量说明一种变量，该变量说明所述技术设备的影响所述设备电池的负荷的运行方式；
[0012]-针对大量设备类型中的每个设备类型在预定的持续时间内针对所述预测使用变量变化过程模拟预测健康状态变化过程，以确定在使用持续时间的预给定结束时刻的预测健康状态；
[0013]-根据所述预测健康状态为所述用户选择设备类型。
[0014]
通常无法直接测量设备电池的健康状态。这将需要打开电池单池并在测试台测量中对电池单池进行测量，或者替代地需要在设备电池内部安装一系列传感器，这一系列传感器将使这种设备电池的制造变得成本高昂且复杂，并且会增大空间需求。此外，市场上还没有日常使用的用于在设备电池中直接确定健康状态的测量方法。
[0015]
健康状态目前在设置在电池附近的电池控制设备中确定并且在该设备的检查或维护过程中读出。所提供的健康状态在此是在不同条件下的驾驶期间或充电过程后并依据用于确定健康状态的算法确定的。所使用的方法有时可能显著变化，从而通常无法对大量技术设备比较从电池控制设备读出的健康状态。不准确性可能高达5％。在此，准确地确定健康状态对设备用户来说重要，因为从中可以得出设备电池的剩余使用寿命，并对应地得出设备的未来使用可能性。
[0016]
健康状态(soh：state of health)在设备电池的情况下是用于说明剩余电池容量或在电池充满电时剩余百分比航程的关键变量。健康状态是设备电池老化的度量。在设备电池或电池模块或电池单池的情况下，健康状态可以作为容量保持率(capacity retention rate，soh-c)来加以说明。容量保持率soh-c作为测量的瞬时容量与完全充电的电池的初始容量之比来加以说明。容量保持率随着老化的增加而下降。替代地，健康状态可以作为相对于设备电池使用寿命开始时的内阻的内阻增加(soh-r)来加以说明。内阻的相对变化soh-r随着电池老化的增加而增加。
[0017]
然而，对于电池驱动的租赁设备，例如租赁车辆，即应在预定使用持续时间后分配给其他使用情况的技术设备或车辆，重要的是车辆电池在租赁持续时间期间老化到何种程度，因为该设备或该车辆的剩余价值通常取决于所述使用持续时间结束时的健康状态。租赁客户为使用支付设定的租赁费率，该租赁费率与另外的边界条件(例如技术设备的最大能耗或车辆的里程)相关联。然而，作为承租人的用户的使用行为可能因不同的用户而极为不同，由此对车辆电池提出极为不同的要求。
[0018]
由于设备电池的实际负荷事后无法通过已知的诊断测量来精确地确定，因此无法以租赁条件的形式来固定使用行为。然而，对于出租人而言，合同设计中重要的是在租赁持续时间结束时技术设备的预期剩余价值是多少。特别是对于具有不同运行特性和配置以及电池类型的不同设备类型而言，难以确定公平的租赁费率，因为具有不同设备电池的不同设备类型根据使用行为以不同的程度老化，并由此在其使用寿命结束时具有不同的剩余价值。这特别是因为不同的压力因素允许在不同设备类型的设备中不同的电池类型以不同程度老化。
[0019]
使用电池驱动设备特定使用持续时间的用户以不同的使用行为，即以分别具有不同长度的持续时间和不同使用强度的运行周期、充电周期和休眠周期运行该设备。在电池驱动设备的情况下，设备的负荷类型可以通过设备电池在使用持续时间过程中的老化来确定。特别是在车辆作为电池驱动技术设备的示例的情况下，作为设备电池的相关联车辆电池的健康状态可以得到连续监视，特别是通过将运行变量变化过程传送到远离设备的中央单元，所述中央单元以定期的时间间隔(例如每周)确定设备电池的健康状态。因此，对于特定设备而言，用户行为可以通过渐进老化来分类，这取决于所涉及设备的设备电池由用户的使用类型加载到何种程度。
[0020]
特别是由于在不同技术设备(即例如不同类型的车辆或不同传动系统)以及不同
设备电池情况下的使用类型可能导致非常不同的老化进程，可以根据使用哪个设备达到设备电池的尽可能低的老化来选择将具有特定使用行为的用户分配给特定设备(例如分配给特定租赁车辆)。
[0021]
可以规定，基于至少一个使用变量连续检测所述用户的使用行为，并且特别是可以从至少一个使用变量的历史变化过程中导出所述用户的使用行为，其中将所述使用行为聚集在使用特性中，其中通过所述使用特性的表现范围确定所述使用类别。
[0022]
此外，所述使用特性可以包括运行情况下的平均负载、与日历年龄相关的运行持续时间和使用频率，其中特别是在车辆作为技术设备的情况下，所述使用特性包括预测的年行驶距离、充电周期的数量和类型、温度范围、平均负载范围。
[0023]
上述方法基于其使用行为得到表征的用户。技术设备的使用行为可以通过使用强度(运行时间内的平均和/或最大放电电流)、运行持续时间(累计运行时间与日历总年龄的比率)、充电行为等来确定。在车辆的情况下，可以基于驾驶风格、驾驶距离、驾驶路线或充电行为等来设定技术设备的使用行为。例如，使用行为可以基于年驾驶里程的范围、充电行为的范围(即在快速充电过程中和正常充电过程中驾驶员对车辆充电的比例是多少以及在充电过程中实现的平均充电状态增加是多少)、驾驶风格的范围(即驾驶期间的平均加速度的绝对值和使用持续时间内的加速度频率)以及环境条件的范围(即车辆在哪个温度范围内移动)来分类。
[0024]
可以检测在用户过去的使用期间用户的使用行为并对应地存储在数据库中。可以将用户的使用变量变化过程聚集在使用特性中，例如使用强度、总运行持续时间、使用类型(例如负载变化的频率)、充电行为等。可以将使用行为分类为多个使用类别之一。这些使用类别表示聚集的使用特性的范围，例如运行情况下的平均负载、到日历年龄的运行持续时间、使用频率等。特别是在车辆的情况下，这些使用类别可以包括关于每单位时间驶过的距离、预测的年驾驶距离、充电周期的数量和类型、温度范围、负载范围等的信息。
[0025]
使用类别现在使得可以根据使用周期对“人工”预测的使用变化过程进行建模，所述使用变化过程可能对应于驾驶员的使用行为并导致技术设备的负荷与用户在实际使用技术设备时存在的负荷相当。例如，这些使用周期可以包括运行周期、充电周期和休眠周期，并且说明使用变量变化过程的变化过程片段，例如使用期间的气候条件变化过程(平均环境温度变化过程)、车辆的速度曲线、充电过程中的充电电流变化过程和充电状态增加等。因此，预测的使用变量变化过程定义了使用变量在技术设备应分配给用户的整个使用持续时间内的变化过程。
[0026]
现在可以借助于基于数据的数学或物理驱动的运行模型将预测使用变量变化过程转换为预测负荷变量变化过程。预测负荷变量变化过程表示所涉及技术设备的设备电池的一个或多个预测运行变量的变化过程，所述变化过程使得可以预测健康状态。例如，负荷变量变化过程可以说明电池电流和电池温度的变化过程。必要时，负荷变量变化过程可以用电池性能模型加以补充，所述电池性能模型具有作为另外的运行变量的电池电压和充电状态的模型化变化过程。从而从设备电池的预测运行变量变化过程中获得预测健康状态，所述预测运行变量变化过程可以借助于在所考虑的技术设备中使用的设备电池的健康状态模型来建模为预测健康状态变化过程。
[0027]
此外，可以借助于电池性能模型从先前借助于所述运行模型预测的运行变量变化
过程中确定至少一个运行变量中的至少一个另外的运行变量，其中为了进行模拟可以将所述电池性能模型的模型参数分别适配于预测健康状态。
[0028]
在车辆作为技术设备的情况下，作为运行模型可以设置传动系模型，从而可以从预测的使用变量变化过程中确定预测负荷变量变化过程。例如，在特定的气候环境条件下，例如在特定的环境温度和预给定的速度曲线下，可以确定对应的电池电流变化过程，该电池电流变化过程将针对特定车辆得出。其中电驱动马达的特性受传动系的摩擦阻力和电池特性(例如电池电压)影响。所述电驱动马达的特性是特定于车辆的，从而预测使用变量变化过程作为每种车辆类型和每种电池类型的一个或多个使用变量的时间序列导致车辆电池的不同预测负荷变量变化过程。
[0029]
评估随时间的运行变量变化过程的健康状态模型从现有技术已知，并且特别是可以由微分方程组构成，该微分方程组借助于时间积分方法根据到特定时刻为止的运行变量变化过程来确定所述特定时刻的当前健康状态。
[0030]
例如，可以以混合健康状态模型(即物理老化模型与基于数据的模型的组合)的形式提供用于确定设备电池的健康状态的可能健康状态模型。在混合模型的情况下，可以借助于物理或电化学老化模型来确定物理健康状态，并且可以对所述物理健康状态施加校正值，所述校正值从基于数据的校正模型中得出，特别是通过相加或相乘。
[0031]
所述物理老化模型可以基于非线性微分方程组的电化学模型方程，所述电化学模型方程表征电化学状态，所述电化学状态采用时间积分方法基于运行变量变化过程连续计算，其中使用内部状态来确定所述物理健康状态，作为soh-c和/或作为soh-r。所述计算和预测典型地可以在云中执行，例如每周一次，或替代地或附加地在刚更换了电池或电池在仓库中充电时执行。
[0032]
此外，混合的基于数据的健康状态模型的校正模型可以构造为概率回归模型或基于人工智能的回归模型，特别是高斯过程模型，并且可以被训练为校正通过物理老化模型获得的健康状态。因此，为此存在用于校正soh-c的基于数据的健康状态校正模型和/或用于校正soh-r的至少一个另外的基于数据的健康状态校正模型。高斯过程的可能替代方案是另外的监督学习方法，它们可以基于随机森林模型、adaboost模型、支持向量机或贝叶斯神经网络来构造。
[0033]
因此对于与特定设备或设备类型的特定运行模型相关的每个使用类别都得出预测健康状态变化过程，所述预测健康状态变化过程说明租赁持续时间或使用持续时间结束时的健康状态。使用持续时间内的健康状态差异说明了设备电池在由用户使用时的负荷，所述用户的使用行为对应于特定的使用类别。由于设备中的使用变量变化过程转换为设备中使用的设备电池的运行变量变化过程时导致的差异，不同车辆类型中的不同使用行为导致不同的周期性老化，其中所述设备电池由借助于分配给所述设备的运行模型说明。
[0034]
由于设备电池的健康状态在相当程度上说明了技术设备的剩余价值或剩余使用可能性，因此将使用行为已知的特定用户分配给特定设备对于优化设备池中大量技术设备的剩余价值/剩余使用可能性而言具有重要意义。
[0035]
对应于上述方法，为设备池中的每个设备创建数据库，所述数据库具有在预给定的使用持续时间内针对不同使用类别的可能的预测使用变量变化过程以及在该使用持续时间内分别计算出的健康状态变化。可以从这些周期中读取具有强烈老化行为的时期，并
且由此可以在使用特性的分类范围内确定压力因素。这些压力因素的特征在于使用特性的一个或多个表现范围。
[0036]
因此可以针对每个设备在预给定的使用持续时间内确定每个使用类别的单独的健康状态变化。
[0037]
如果提供用户的使用行为，则该方法可以在用户的常规计算机系统中执行。所述使用行为可以从所涉及用户过去使用的记录中导出或以其他方式预给定。可以对应于所提供的用户行为从可能的使用类别中选择一个使用类别。将每个使用类别分配给代表性的预测使用变量变化过程，所述预测使用变量变化过程例如可以说明预给定时间段(例如一周)内的使用情况。随时间的预测使用变量变化过程可以说明随时间的负载变化过程，所述负载变化过程例如可以通过代表性的速度和充电电流变化过程来加以描述。
[0038]
可以规定，针对所述预测使用变量变化过程模拟所述预测健康状态变化过程首先包括针对每个设备类型借助于在预定使用持续时间内的运行模型来预测设备电池的至少一个运行变量变化过程，然后包括借助于健康状态模型来预测健康状态变化过程，其中所述健康状态模型基于借助于时间积分方法确定健康状态的微分方程组。
[0039]
所述预测使用变量变化过程用于预测健康状态，以预测设备电池在预给定使用持续时间内的健康状态变化。为此，将使用变量变化过程首先通过所述技术设备的运行模型转换为与车辆电池相关的预测负荷变量变化过程。这在车辆作为技术设备的情况下基于车辆特征进行，例如车辆电池的电压水平、驱动轴的数量或减速齿轮的设计。这些说明导致特定于车辆地分配关于车辆速度的待提供驱动力矩以及由此得到的必要的马达电流变化过程，电池电流变化过程基本上取决于所述马达电流变化过程。
[0040]
现在借助于电池性能模型，利用基本上对应于电池电流变化过程的马达电流变化过程以及从电池负荷和环境温度的预测变化过程中得出的温度变化过程来对设备电池的其他运行变量的变化过程进行建模，例如电池电压和充电状态的变化过程。
[0041]
现在，电池电流、电池温度、电池电压和充电状态可用作运行变量变化过程，可以借助于健康状态模型从这些运行变量变化过程中确定健康状态。
[0042]
从而通过预测到期望的使用持续时间为止的“人工”使用变量变化过程，可以识别从使用持续时间开始到使用持续时间结束的健康状态变化。这使得可以将每个所考虑的设备的用户使用类别分配给健康状态变化。
[0043]
根据一个实施方式，可以根据在预给定使用持续时间结束时的预测健康状态，基于规则地为用户选择设备类型，特别是使得设备电池的剩余使用可能性最大。
[0044]
在老化模拟时，可以将所使用的电池性能模型逐渐适配于当前的健康状态，以提供电池电压和充电状态的老化相关建模。因此在将用户分配给特定的技术设备时，可以为设备池中的所有技术设备确定预给定使用持续时间内可能的健康状态变化，并根据分别分配的健康状态变化来进行。特别地，可以从健康状态中得出技术设备的剩余价值/剩余使用可能性，所述剩余价值/剩余使用可能性受到设备电池健康状态变化的显著影响。
[0045]
根据另一方面，提出了一种用于执行上述方法的设备。
附图说明
[0046]
下面基于附图更详细地解释实施方式。其中：
[0047]
图1示出了用于说明用于从大量车辆类型中为具有预给定使用概况的用户分配车辆的方法的流程图；
[0048]
图2示出了具有针对驾驶员的不同驾驶行为的可能使用类别的表格；
[0049]
图3示出了不同车辆的车辆电池的健康状态随时间的变化过程的图形表示。
具体实施方式
[0050]
下面基于车辆池中的车辆来描述根据本发明的方法，所述车辆作为不同设备类型的技术设备的示例并且具有车辆电池作为设备电池。该方法在数据处理装置中执行，下面描述的方法以软件和/或硬件在该数据处理装置上实现。该示例代表了大量具有独立于电网的能源供应的固定或移动设备，例如设施、机床、家用电器、物联网设备等。
[0051]
图1基于流程图来说明用于将特定车辆类型分配给用户的方法。这种场景可以是将租赁车辆分配给用户的一部分，其中例如根据预给定目标，车辆的剩余价值应该尽可能最大。其他预给定目标可以基于预给定租赁持续时间(即使用持续时间)结束后的预给定剩余价值确定，其中剩余价值/剩余使用可能性很大程度上由车辆电池然后达到的健康状态确定。该方法还使得可以确定用户对每个车辆的租赁费率。
[0052]
在步骤s1中，为此提供用户的使用行为。这种使用概况说明用户的驾驶和充电行为，该驾驶和充电行为例如可以通过检测用户使用当前或以前的车辆进行的行程来获得。替代地，也可以通过用户的说明来创建使用行为。
[0053]
所述使用行为可以根据用户迄今为止对车辆的使用情况包括关于估计的年里程、快速充电和正常充电的频率之间的比率、每次充电过程的平均电量增加、驾驶风格(特别是作为加速路段期间的平均和/或最大加速度)、车辆运行期间的平均电池温度等的说明。
[0054]
在步骤s2中，将使用行为分类为使用类别。用户类别可以基于使用特性的表现范围对不同的使用行为进行分类，所述使用行为例如在图2的表格中示出。可以基于可分配给用户的使用类别识别不同的使用行为。使用类别通过它们与使用特性的上述表现范围的所属性来彼此区分。使用特性对应于聚集的使用变量，每个使用变量说明表征技术设备的影响设备电池负荷的运行方式的变量。
[0055]
向每个使用类别分配使用变量变化过程，该使用变量变化过程说明在预定使用持续时间内的人工驾驶概况，即预测使用变量变化过程。所述预测使用变量变化过程通常被构造为使得其在实际中会导致与用户使用时车辆电池的实际老化相对应的车辆电池老化。这种预测使用变量变化过程可以包括例如在整个使用持续时间内具有高时间分辨率的预测速度曲线。所述预测使用变量变化过程还可以说明充电时间、充电过程的类型以及使用持续时间内的温度变化过程等。
[0056]
借助于功能传动系模型作为基于数据的、数学或物理驱动的运行模型，在步骤s3中现在将使用变量变化过程，即驾驶运动、充电时间和休眠时间的变化过程(例如以速度曲线和温度曲线的形式)转换为电池电流和电池温度的对应变化过程。在此，在考虑车辆的重量、标称电池电压、摩擦力矩和减速齿轮的减速的条件下，针对预给定的加速和减速时间确定对应的马达负载力矩，并从中确定马达电流变化过程。因此借助于传动系模型，从使用变量变化过程中确定电池电流变化过程，并且借助于预测的环境温度(例如，来自气候模型)确定所得的电池温度变化过程。
[0057]
借助于电池性能模型，在步骤s4中根据电池电流变化过程和电池温度变化过程对对应的电池电压变化过程和充电状态变化过程建模。在此可以在电池性能模型中连续考虑健康状态的变化，特别是通过参数适配，以考虑车辆电池日益老化的影响。获得车辆电池直到使用持续时间或租赁持续时间结束的运行变量变化过程。
[0058]
借助于基于时间积分的健康状态模型，可以在步骤s5中从运行变量变化过程中预测所涉及车辆的健康状态的变化过程，特别是预测使用持续时间结束时的健康状态。因此，从预给定的用户类别出发，针对每个可用的车辆类型得出健康状态变化过程，该健康状态变化过程说明在使用持续时间结束时剩余健康状态的确定。
[0059]
借助于合适的基于规则的选择标准——例如选择在预给定用户类别的情况下在整个租赁持续时间内导致电池老化最小或者对应地在使用持续时间内导致车辆折旧率最低的车辆类型，其中车辆的折旧率取决于租赁持续时间结束时的健康状态，可以在步骤s6中为所涉及驾驶员选择车辆类型。
[0060]
然后将对应的车辆提供给用户。
[0061]
图3例如说明了针对不同车辆类型，驾驶员的特定使用概况的可能健康状态变化过程。
[0062]
如果将车辆类型分配给驾驶员，则可以在实际运行中使用该车辆期间检查实际老化是否与先前为选择车辆类型而进行的模拟老化一致。在此，可以首先检查驾驶员的所采取的使用变量变化过程是否偏离分配的使用类别，例如基于年里程和来自图2的表格中的其他使用变量。如果分类到其他使用类别中，则可以如上所述地重新模拟。
[0063]
如果模拟的运行变量变化过程(例如模拟的电池温度)偏离真实测量的运行变量，则可以在实际健康状态偏离先前模拟的健康状态变化过程的情况下确定有异常。此外，可以基于先前确定的异常规划和执行预测性维护。

技术特征：
1.一种将大量不同的设备类型中具有设备电池的电池驱动技术设备的设备类型分配给用户的方法，特别是计算机实现的方法，具有以下步骤：-提供(s1)所述用户的使用行为；-将使用类别分配(s2)给所述用户的使用行为；-对应于所述使用类别确定(s3)至少一个使用变量的预测使用变量变化过程，其中所述至少一个使用变量说明一种变量，该变量说明所述技术设备的影响所述设备电池的负荷的运行方式；-针对大量设备类型中的每个设备类型在预定的持续时间内针对所述预测使用变量变化过程模拟(s5)预测健康状态变化过程，以确定在使用持续时间的预给定结束时刻的预测健康状态；-根据所述预测健康状态为所述用户选择(s6)设备类型。2.根据权利要求1所述的方法，其中，基于至少一个使用变量连续检测所述用户的使用行为，并且特别是能够从至少一个使用变量的历史变化过程中导出所述用户的使用行为，其中将所述使用行为聚集在使用特性中，其中通过所述使用特性的表现范围确定所述使用类别。3.根据权利要求2所述的方法，其中，所述使用特性包括运行情况下的平均负载、与日历年龄相关的运行持续时间和使用频率，其中特别是在车辆作为技术设备的情况下，所述使用特性包括预测的年行驶距离、充电周期的数量和类型、温度范围、平均负载范围。4.根据权利要求1或2所述的方法，其特征在于，针对所述预测使用变量变化过程模拟所述预测健康状态变化过程首先包括针对每个设备类型借助于在预定使用持续时间内的运行模型来预测所述设备电池的至少一个负荷变量变化过程，所述至少一个负荷变量变化过程特别是对应于所述设备电池的至少一个运行变量变化过程，然后包括借助于健康状态模型来预测健康状态变化过程，其中所述健康状态模型基于借助于时间积分方法确定健康状态的微分方程组。5.根据权利要求4所述的方法，其中，借助于电池性能模型根据所述至少一个负荷变量变化过程来确定所述至少一个运行变量中的至少一个另外的运行变量，其中为了进行所述模拟将所述电池性能模型的模型参数分别适配(s4)于所述预测健康状态。6.根据权利要求1至5中任一项所述的方法，其中，根据在预给定使用持续时间结束时的预测健康状态，为用户选择设备类型，使得所述设备电池的剩余使用可能性最大。7.一种用于执行根据权利要求1至6中任一项所述的方法的设备。8.一种包括指令的计算机程序产品，所述指令在至少一个数据处理装置执行该程序时促使所述至少一个数据处理装置执行根据权利要求1至6中任一项所述的方法的步骤。9.一种机器可读存储介质，包括指令，所述指令在由至少一个数据处理装置执行时促使所述至少一个数据处理装置执行根据权利要求1至6中任一项所述的方法的步骤。

技术总结
本发明涉及一种将大量不同的设备类型中具有设备电池的电池驱动技术设备的设备类型分配给用户的方法，特别是计算机实现的方法，具有以下步骤：-提供(S1)所述用户的使用行为；-将使用类别分配(S2)给所述用户的使用行为；-对应于所述使用类别确定(S3)至少一个使用变量的预测使用变量变化过程，其中所述至少一个使用变量说明一种变量，该变量说明所述技术设备的影响所述设备电池的负荷的运行方式；-针对大量设备类型中的每个设备类型在预定的持续时间内针对所述预测使用变量变化过程模拟(S5)预测健康状态变化过程，以确定在使用持续时间的预给定结束时刻的预测健康状态；-根据所述预测健康状态为所述用户选择(S6)设备类型。(S6)设备类型。(S6)设备类型。


技术研发人员：C
受保护的技术使用者：罗伯特
技术研发日：2023.03.23
技术公布日：2023/9/26