• 专利附录
  • 专利说明
  • 权利要求
  • 类似技术
  • 同族专利
  • 引用文献
  • 法律状态
  • 优先权
    • 专利摘要:
    Beieinem Verfahren zur Diagnose einer Batterie wird mittels Batteriekenngrößen einerReferenzbatterie ein Batteriezustandsmodell in einem neuronalenNetz abgebildet. Der Funktionszustand der Batterie wird anhand einesunter Verwendung des neuronalen Netzes durchgeführten Vergleichs des Batteriezustandsmodellsmit dem durch Messwerte der Batteriekenngrößen ermittelten Istzustandder Batterie bestimmt.
    公开号:DE102004004280A1
    申请号:DE102004004280
    申请日:2004-01-27
    公开日:2005-08-18
    发明作者:Konrad Aigner
    申请人:Audi AG；
    IPC主号:B60R16-02
    专利说明:
    [0001] DieErfindung betrifft ein Verfahren zur Diagnose von Batterien.
    [0002] Für einenzuverlässigenBetrieb von elektrischen Verbrauchern muss insbesondere deren Energieversorgungkontinuierlich gewährleistetsein; bsp. muss in der Konsumindustrie bei Handys oder Ladegeräten, insbesondereaber in der Automobilindustrie bei Kraftfahrzeugen aufgrund deszunehmendem Einsatzes sicherheitsrelevanter elektrischer Verbraucherin Kraftfahrzeugen (bsp. elektrohydraulische Bremsen, Insassenrückhaltesystemeo.ä.) einepermanente Energieversorgung sichergestellt werden. Dies ist jedochbei zur Energieversorgung eingesetzten Batterien oftmals problematisch,da üblicheBatterien prinzipbedingt nur eine begrenzte Lebensdauer besitzen;demzufolge sind bereits eine Vielzahl von Diagnoseverfahren zurBestimmung des Funktionszustands von Batterien bekannt, die durchmesstechnische Erfassung und Auswertung bestimmter Batterieparameterden Alterungszustand der Batterie von Kraftfahrzeugen – wie bsp.in der DE 199 36 542 C2 beschrieben – oder denLadezustand der Batterie (SOC „Stateof Charge") – wie bsp.in der DE 100 56 971A1 oder in der DE100 36 341 A1 beschrieben – oder den Gesundheitszustandder Batterie (SOH „Stateof Health") – wie bsp.in der DE 101 18 916A1 beschrieben – ermitteln.
    [0003] Allerdingssind die bekannten Diagnoseverfahren aufgrund der Vielzahl der denFunktionszustand der Batterie beeinflussenden und oftmals nur schwerzu erfassenden oder als solche zu erkennenden Faktoren (bsp. Alterung,Abschlämmung,Sulfatierung und dgl.) in einem großen Bereich ungenau und unzuverlässig. Fallsder ermittelte Funktionszustand der Batterie als Grundlage für eine Entscheidung über denBatteriewechsel herangezogen wird, kann dies oftmals zu Fehldiagnosenführen;insbesondere könnennoch funktionsfähigeBatterien irrtümlicherweiseals defekt angezeigt und daraufhin ausgetauscht werden, während bereitsentladene und damit defekte Batterien irrtümlicherweise als noch funktionsfähig angezeigtwerden.
    [0004] DerErfindung liegt die Aufgabe zugrunde, ein Verfahren zur Diagnosevon Batterien anzugeben, durch das auf einfache Weise der Funktionszustandeiner Batterie zuverlässigund mit geringen Kosten bereitgestellt wird.
    [0005] DieseAufgabe wird erfindungsgemäß durch dasKennzeichen des Patentanspruchs 1 gelöst.
    [0006] VorteilhafteAusgestaltungen der Erfindung sind Bestandteil der weiteren Patentansprüche.
    [0007] Erfindungsgemäß wird zurGewährleistung einerzuverlässigenDiagnose der Leistungsfähigkeit einerBatterie der Funktionszustand der Batterie unter Verwendung einesin einem neuronalen Netz abgebildeten Batteriezustandsmodells ermittelt,das vorzugsweise in einer hierfürgeeigneten, mit der Batterie verbundenen Steuereinheit, insbesondereeinem Steuergerät(bsp. einem Steuergerätfür das Batterieenergiemanagementeines Kraftfahrzeugs) implementiert ist. Mittels des auf der Grundlagebestimmter Batteriekenngrößen dargestelltenund damit das Batterieverhalten charakterisierenden Batteriezustandsmodellswird ein Vergleich mit dem auf der Grundlage von Messwerten derBatteriekenngrößen ermitteltenIstzustand der Batterie durchgeführt undhieraus reproduzierbar auf den Funktionszustand der Batterie während desGebrauchs geschlossen. Hierbei wird für das Batteriezustandsmodelleine Referenzbatterie mit definierten Eigenschaften als Vergleichsmaßstab herangezogen,d.h. die hierbei berücksichtigtenBatteriekenngrößen derReferenzbatterie werden in das neuronale Netz abgebildet. Für das Batteriezustandsmodellwird zumindest das Batterieverhalten einer neuen voll funktionsfähigen (idealen)Batterie als Referenzbatterie berücksichtigt, bsp. auf der Grundlageder Batteriekenngrößen einer Referenzbatteriebei der Herstellung des elektrischen Verbrauchers (bsp. bei derHerstellung eines Kraftfahrzeugs beim Einbau am Band) oder einerin einer autorisierten Zentralstelle (bsp. in einer Kraftfahrzeugwerkstatt)vorhandenen Referenzbatterie. Optional kann das Batteriezustandsmodelldurch Adaption des neuronalen Netzes dahingehend erweitert werden,dass der momentane Istzustand einer Batterie während des Gebrauchs (d.h. derreale Batteriezustand) ebenfalls im neuronalen Netz abgebildet undabgespeichert wird; hierdurch wird als Referenzbatterie neben derneuen voll funktionsfähigen(idealen) Batterie zusätzlicheine reale Batterie und deren Batterieverhalten bei dem den Funktionszustandder Batterie charakterisierenden Vergleich mit dem Istzustand derBatterie berücksichtigt.
    [0008] DasBatteriezustandsmodell wird mittels eines geeigneten Lernalgorithmusin einem Einlernvorgang in das neuronale Netz implementiert. AlsBasis fürden Einlernvorgang werden von der Batterie verschiedene, bsp. inMessvektoren zusammengefasste, Messwerte bestimmter Batteriekenngrößen in unterschiedlichenBetriebszuständenermittelt, insbesondere die Messwerte bestimmter Batteriekenngrößen beieiner funktionsfähigen(„gesunden") Batterie als Referenzbatterie,insbesondere auch unter Einbeziehung von die Historie der Batterie(insbesondere Alter und zurückliegendeEntladevorgänge)berücksichtigendenBatteriekenngrößen. ImEinlernvorgang wird dem neuronalen Netz mit den hieraus gewonnenenTrainingsdaten durch Anlernen das Verhalten einer neuen funktionsfähigen („gesunden") Batterie oder zusätzlich dasVerhalten einer realen Batterie aufgeprägt (Verwendung der realen Batterie alszusätzlicheReferenzbatterie). Bsp. werden als Batteriekenngrößen dieBatteriespannung (bsp. Batterie voll geladen, Batterie zur Hälfte geladen,Entladeschlussspannung der Batterie erreicht) und/oder der Batteriestrom(bsp. hoher Batteriestrom, geringer Batteriestrom) und/oder dieBatterietemperatur (hohe Batterietemperatur, geringe Batterietemperatur) und/oderdie Zykli sierung (wie oft wurde die Batterie wie weit entladen,insbesondere wie oft bis zur Entladeschlussspannung tiefentladen)und/oder der Batterieinnenwiderstand und/oder die Batteriesäuredichte und/oderoder die Batteriesäureschichtungherangezogen. Als Lernalgorithmus zum Trainieren des neuronalenNetzes im Einlernvorgang kann ein Standardalgorithmus oder ein freidefinierter Algorithmus verwendet werden. Der Einlernvorgang kannhierbei entweder innerhalb des elektrischen Verbrauchers selbstin einem online-Modus durchgeführtwerden, wobei der Einlernvorgang automatisch (selbststartend) nachEinbau der Batterie durch einen selbstlernenden Algorithmus anhandvon Messwerten fürdie verwendeten Batteriekenngrößen (dieinsbesondere die Historiendaten der Batterie, bsp. den aktuellen Ladezustandder Batterie berücksichtigen)beginnen kann, d.h. die Messwerte der Batteriekenngrößen werdenunter Verwendung geeigneter Sensoren, bsp. Sensoren zur Erfassungder Batteriespannung und/oder des Batteriestroms und/oder der Batterietemperaturermittelt; alternativ hierzu kann der Einlernvorgang außerhalbdes elektrischen Verbrauchers in einem offline-Modus erfolgen, beidem an einer gesunden Batterie außerhalb des elektrischen Verbrauchersreal ermittelte Messvektoren fürdie jeweiligen Batteriekenngrößen derjeweiligen Batterie verwendet werden.
    [0009] Dasich der Zustand der Batterie während desGebrauchs und damit der Lebensdauer durch Alterungseffekte verschlechtert,wird das im neuronalen Netz durch den Einlernvorgang abgebildeteBatteriezustandsmodell mit einer vorgegebenen zeitlichen Häufigkeitmit dem aktuellen Istzustand (Betriebszustand) der verwendeten (realen)Batterie verglichen; der Vergleich erfolgt hierbei bsp. kontinuierlichoder in bestimmten zeitlichen Intervallen während des Gebrauchs der Batterie(und damit der elektrischen Verbraucher) und auch während Standzeitender Batterie (und damit der elektrischen Verbraucher), bsp. während desBetriebs und währendder Standzeiten eines Kraftfahrzeugs. Auf Basis dieses Vergleichskann durch Skalierung ein bestimmter Zahlenwert (Batteriezustandswert)als Maß für den Funktionszustandder Batterie gewonnen werden, der bsp. Werte in nerhalb eines bestimmtenWertebereichs annehmen kann, bsp. Werte von 0 % bis 100 % oder Wertezwischen 0 und 1. Falls der Batteriezustandswert als Maß für die Abweichungzwischen dem Batteriezustandsmodell und dem Istzustand der Batterieeinen bestimmten vorgegebenen Schwellwert noch nicht erreicht hatoder sich noch innerhalb eines vorgegebenen Wertebereichs befindet,wird die Batterie als funktionsfähig(intakt oder „gesund") charakterisiert;falls der Batteriezustandswert den vorgegebenen Schwellwert odereine der Bereichsgrenzen des vorgegebenen Wertebereichs erreicht,wird die Batterie als nicht funktionsfähig (defekt) charakterisiert.Der hieraus ermittelte Funktionszustand der Batterie kann durcheine geeignete Anzeigevorrichtung (bsp. eine optische oder akustischeAnzeigevorrichtung in einem Kraftfahrzeug) dem Benutzer des elektrischenVerbrauchers oder einer Reparaturwerkstätte (bsp. einer Kraftfahrzeugwerkstattim Rahmen einer Diagnose des Kraftfahrzeugs) signalisiert werden,insbesondere kann diese Anzeigevorrichtung auch als Batteriewechselanzeigerealisiert werden.
    [0010] Mitdem vorgestellten Verfahren ist eine einfache und kostengünstige sowiezuverlässigeBestimmung des Funktionszustands und damit der Diagnose einer Batteriemöglich,da mittels des auf Basis des Batteriezustandsmodells durch das neuronale NetzdurchgeführtenVergleichs mit der realen Batterie während der Lebensdauer der Batterieauftretende, den Batteriezustand verschlechternde Alterungseffektefestgestellt werden können.Darüberhinaus kann auch das Ausmaß derAlterungseffekte bei einer geeigneten Skalierung der auf Basis desVergleichs ermittelten Abweichung des Istzustands der Batterie vomBatteriezustandsmodell (bsp. durch den Batteriezustandswert) quantitativerfasst werden und somit eine Aussage darüber getroffen werden, welche(Rest-)Lebensdauer fürdie Batterie zu erwarten ist.
    [0011] DasBatteriezustandmodell kann weiterhin bei Modellrechnungen zur Modellierungder elektrischen Komponente Batterie herangezogen werden, d.h. alsGrundlage fürBerechnungen mit der durch das Batteriezustandsmodell jeweils charakterisierten Batteriedienen.
    [0012] ImZusammenhang mit der Zeichnung soll ein Ausführungsbeispiel der Erfindungerläutertwerden.
    [0013] Hierbeizeigt:
    [0014] 1 eineschematische Darstellung des Einlernvorgangs des neuronalen Netzes,
    [0015] 2 eineschematische Darstellung der Diagnose der Batterie eines Kraftfahrzeugsunter Verwendung des neuronalen Netzes.
    [0016] Inder 1 ist schematisch für die Batterie eines Kraftfahrzeugsein bsp. in einem offline-Modus (und damit auf Basis von außerhalbdes Kraftfahrzeugs ermittelten Messvektoren 3 bestimmterBatteriekenngrößen) erfolgenderEinlernvorgang eines neuronalen Netzes 1 dargestellt. DieMessvektoren 3 werden mit Hilfe der Batteriekenngrößen einerReferenzbatterie 2 gebildet (insbesondere zumindest eineridealen Batterie als Referenzbatterie 2), indem jeweilsmehrere Eingangsgrößen vorgegebenwerden, bsp. ein bestimmter fester Batteriestrom I bei einer bestimmtenUmgebungstemperatur am Eingang 4 eingeprägt wird,und die sich hieraus ergebende Batterietemperatur T (Säuretemperatur)und Batteriespannung U am Ausgang 5 der Referenzbatterie 2 gemessenwird; insbesondere in Abhängigkeitder Komplexitätdes neuronalen Netzes 1 können hierbei bsp. 100 bis 100000 Messvektoren 3 herangezogen werden. Zum Anlernen wirddas neuronale Netz 1 sukzessive mit den mittels der Referenzbatterie 2 gebildetenMessvektoren 3 auf Basis eines vorgegebenen Lernalgorithmusbeaufschlagt, bsp. eines Backpropagationalgorithmus, und die sicham Ausgang 6 des neuronalen Netzes 1 ergebendeBatterietemperatur T und Batteriespannung U ermittelt. In Abhängigkeitder Abweichung ΔMzwischen der am Ausgang 5 der Referenzbatterie 2 ausgegebenen,real gemessenen Batterietemperatur T und Batteriespannung U einerseitssowie der vom neuronalen Netz 1 am Ausgang 6 ausgegebenenBatterietemperatur T und Batteriespannung U andererseits werdendie Netzparameter des neuronalen Netzes 1 so lange nachgestellt,bis ein vorgegebener Grenzwert fürdie Abweichung ΔMunterschritten wird. Das angelernte neuronale Netz 1 besitzthierdurch ein Batterieverhalten (Eingangs-/Ausgangsverhalten) wieeine reale Batterie und kann somit als Batteriezustandsmodell bsp.in ein Steuergerät 7 desKraftfahrzeugs implementiert werden, bsp. in das für das Batterieenergiemanagementdes Kraftfahrzeugs zuständigeSteuergerät 7.
    [0017] Dadie Batterie 8 des Kraftfahrzeugs während des Gebrauchs, d.h. während ihrerLebensdauer altert, kann gemäß 2 durcheinen Vergleich der realen Batterie 8 des Kraftfahrzeugsmit dem im Steuergerät 7 für das Batterieenergiemanagement desKraftfahrzeugs überdas neuronale Netz 1 implementierten, die Referenzbatterie 2 repräsentierenden (alterungsunabhängigen)Batteriezustandsmodell der Alterungszustand oder Ladezustand derBatterie 8 ermittelt werden. Das neuronale Netz 1 kannhierbei entweder (wie anhand 1 beschrieben)von außenin das Steuergerät 7 eingebrachtwerden (offline-Modus) oder aber bereits als leeres Netz im Steuergerät 7 vorliegenund beim Anschließender Batterie 8 selbstständigmit dem Einlernvorgang beginnen (online-Modus). Der Vergleich desBatteriezustandsmodells (der Referenzbatterie 2) mit der(realen) Batterie 8 des Kraftfahrzeugs kann bsp. permanentund/oder zyklisch in bestimmten Zeitabständen durchgeführt werden,wobei der Zeitabstand insbesondere bei der Inbetriebnahme des Kraftfahrzeugs undwährenddes Betriebs des Kraftfahrzeugs geringer als während der Standzeiten (beiabgestelltem Kraftfahrzeug) gewähltwerden kann. Der anhand dieses Vergleichs bsp. durch den Komparator 9 ermittelteGrad der Abweichung zwischen Referenzbatterie 2 und realerBatterie 8 ermöglichteine Aussage überden Funktionszustand (die Leistungsfähigkeit) der Batterie 8 imKraftfahrzeug, insbesondere auch nach einer geeigneten Skalierungneben einer qualita tiven Aussage über die Funktionsfähigkeitder Batterie 8 (defekt/intakt) auch eine quantitative Aussage über diezu enrwartende (Rest-)Lebensdauer derBatterie 8. Bsp. wird bei einer Skalierung der Abweichungauf Werte zwischen 0 % und 100 % ein die Abweichung charakterisierenderBatteriezustandswert BEW gebildet; unterschreitet der BatteriezustandswertBEW einen vorgegebenen Schwellwert, bsp. beim Unterschreiten einesSchwellwerts von 20 %, wird ein Defekt der Batterie 8 angenommenund dies ggf. mittels einer optischen und/oder akustischen Anzeigevorrichtung 10 (Batteriewechselanzeige)im Kraftfahrzeug dem jeweiligen Bediener oder einer Werkstatt imRahmen einer Diagnose signalisiert.
    权利要求:
    Claims (14)
    [1] Verfahren zur Diagnose von Batterien (8), dadurchgekennzeichnet, dass mittels Batteriekenngrößen einerReferenzbatterie (2) ein Batteriezustandsmodell in einemneuronalen Netz (1) abgebildet wird, und dass derFunktionszustand einer Batterie (8) anhand eines unterVerwendung des neuronalen Netzes (1) durchgeführten Vergleichsdes Batteriezustandsmodells mit der Batterie (8) bestimmtwird.
    [2] Verfahren nach Anspruch 1, dadurch gekennzeichnet,dass durch Messwerte der Batteriekenngrößen während des Gebrauchs der Batterie(8) der Istzustand der Batterie (8) ermitteltund mit dem Batteriezustandsmodell verglichen wird.
    [3] Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet,dass anhand der Abweichung des Istzustands der Batterie (8)vom Batteriezustandsmodell die Funktionsfähigkeit der Batterie (8)bestimmt wird.
    [4] Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet,dass anhand der Abweichung des Istzustands der Batterie (8)vom Batteriezustandsmodell die Lebensdauer der Batterie (8)bestimmt wird.
    [5] Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet,dass ein Batteriezustandswert (BZW) als Maß für die Abweichung des Istzustandsder Batterie (8) vom Batteriezustandsmodell ermittelt wird.
    [6] Verfahren nach Anspruch 5, dadurch gekennzeichnet,dass fürden Batteriezustandswert (BZW) ein Schwellwert oder ein Wertebereichvorgegeben wird, und dass anhand des Vergleichs des Batteriezu standswerts(BZW) mit diesem Schwellwert oder diesem Wertebereich der Funktionszustandder Batterie (8) bestimmt wird.
    [7] Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet,dass das Batteriezustandsmodell in einem Einlernvorgang mittelseines Lernalgorithmus unter Zuhilfenahme von Messwerten der Batteriekenngrößen alsTrainingsgrößen in dasneuronale Netz (1) implementiert wird.
    [8] Verfahren nach Anspruch 7, dadurch gekennzeichnet,dass der Einlernvorgang zur Implementierung des Batteriezustandsmodellsdurch einen selbstlernenden Algorithmus vorgenommen wird.
    [9] Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet,dass als Batteriekenngrößen dieBatteriespannung (U) und/oder der Batteriestrom (I) und/oder dieBatterietemperatur (T) und/oder der Batterieinnenwiderstand und/oderdie Batteriesäuredichteund/oder oder die Batteriesäureschichtungherangezogen werden.
    [10] Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet,dass als Referenzbatterie (2) eine neue Batterie herangezogenwird.
    [11] Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet,dass als Referenzbatterie (2) zusätzlich eine den Alterungsverlaufcharakterisierende Batterie herangezogen wird.
    [12] Verfahren nach einem der Ansprüche 1 bis 11 zur Diagnose derBatterie eines Kraftfahrzeugs.
    [13] Verfahren nach Anspruch 12, dadurch gekennzeichnet,dass das Batteriezustandsmodell in ein Steuergerät (7) des Kraftfahrzeugsimplementiert wird.
    [14] Verfahren nach Anspruch 12 oder 13, dadurch gekennzeichnet,dass der Funktionszustand der Batterie (8) mittels einerAnzeigevorrichtung (10) im Kraftfahrzeug angezeigt wird.
    类似技术:
    公开号 | 公开日 | 专利标题
    Hussein2014|Capacity fade estimation in electric vehicle Li-ion batteries using artificial neural networks
    US9541608B2|2017-01-10|Apparatus and method for measuring insulation resistance of battery
    US8907674B2|2014-12-09|System and method for determining degradation of rechargeable lithium ion battery
    US7012434B2|2006-03-14|Method for determining the amount of charge which can be drawn from a storage battery and monitoring device
    US7081755B2|2006-07-25|Battery tester capable of predicting a discharge voltage/discharge current of a battery
    KR101195515B1|2012-10-29|전원장치용 상태검지장치, 전원장치 및 전원장치에사용되는 초기 특성 추출장치
    JP3193486B2|2001-07-30|電動車両におけるバッテリー残量表示方法及び装置
    US7363175B2|2008-04-22|Query based electronic battery tester
    US7078879B2|2006-07-18|Method and apparatus for testing and charging a power source
    DE10325751B4|2007-11-15|Vorrichtung und Verfahren zur Berechnung eines Verschlechterungsgrades für eine Batterie
    JP5656415B2|2015-01-21|Secondary battery state determination device and control device
    JP5349810B2|2013-11-20|Storage device abnormality detection device, method, and program
    EP1343017B1|2006-05-24|Verfahren und Einrichtung zum Ermitteln der Funktionsfähigkeit einer Speicherbatterie
    US8643331B1|2014-02-04|Enhanced voltage-based fuel gauges and methods
    EP0346404B2|1999-07-14|Verfahren zur Ermittlung des Energieinhaltswertes von elektrochemischen Energie-speichern
    EP1668377B1|2011-02-16|Verfahren und einrichtung zur überwachung der verschlechterung einer batterie
    US4719427A|1988-01-12|Vehicle battery diagnostic device
    US7295936B2|2007-11-13|Electronic battery tester with relative test output
    US9762054B2|2017-09-12|Electric storage apparatus and power path switch apparatus
    US7759901B2|2010-07-20|Battery monitoring system
    US7545146B2|2009-06-09|Apparatus and method for predicting battery capacity and fitness for service from a battery dynamic parameter and a recovery voltage differential
    CN103080762B|2016-01-20|电池劣化检测装置、电池劣化检测方法及其程序
    JP5102483B2|2012-12-19|Abnormality detection device, abnormality detection method, and abnormality detection program
    US8788142B2|2014-07-22|Method for the continuous measurement of the efficiency of a battery, especially a battery installed in motor vehicles, and a device utilizing this method
    US10843574B2|2020-11-24|Calibration and programming of in-vehicle battery sensors
    同族专利:
    公开号 | 公开日
    DE102004004280B4|2014-06-12|
    引用文献:
    公开号 | 申请日 | 公开日 | 申请人 | 专利标题
    法律状态:
    2005-08-18| OM8| Search report available as to paragraph 43 lit. 1 sentence 1 patent law|
    2005-08-18| OP8| Request for examination as to paragraph 44 patent law|
    2010-02-11| 8120| Willingness to grant licences paragraph 23|
    2013-11-29| R019| Grant decision by federal patent court|
    2014-05-08| R130| Divisional application to|Ref document number: 102004064282 Country of ref document: DE Effective date: 20131015 |
    2015-03-13| R020| Patent grant now final|
    2015-06-03| R020| Patent grant now final|Effective date: 20150313 |
    2016-08-02| R119| Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee|
    优先权:
    申请号 | 申请日 | 专利标题
    DE102004004280.2A|DE102004004280B4|2004-01-27|2004-01-27|Verfahren zur Diagnose von Batterien|DE102004004280.2A| DE102004004280B4|2004-01-27|2004-01-27|Verfahren zur Diagnose von Batterien|
    [返回顶部]