CN114667627A - 估计装置、估计方法以及计算机程序 - Google Patents

Abstract

具备：导出部(31)，导出基于铅蓄电池的电流、电压以及该铅蓄电池的温度的导出履历；第1指定部(31)，指定电解液的比重；第2指定部(31)，基于指定的比重以及导出的导出履历、和从由第1关系、第2关系、第3关系、第4关系构成的组中所选择的至少一个关系，指定第1程度、第2程度、第3程度以及第4程度中的一个以上的程度，其中，第1关系是比重以及第1履历与正极电极材料的软化的第1程度的关系，第2关系是比重以及第2履历与正极格栅的腐蚀的第2程度的关系，第3关系是比重以及第3履历与负极硫酸盐化的第3程度的关系，第4关系是第4履历与负极电极材料的收缩的第4程度的关系；以及估计部(31)，基于所指定的一个以上的程度，估计铅蓄电池的劣化的程度。

Description

估计装置、估计方法以及计算机程序

技术领域

本发明涉及估计铅蓄电池的劣化的估计装置、估计方法以及计算机程序。

背景技术

铅蓄电池除了车载用、工业用以外，还在各种用途中被使用。例如车载用的铅蓄电池等二次电池(蓄电元件)被搭载在例如汽车、摩托车、叉车、高尔夫车等车辆等的移动体上，作为发动机起动时的向起动电动机的供电源、以及向车灯等各种电气安装件的供电源而被使用。例如，工业用的铅蓄电池被用作紧急用电源或向UPS的供电源。

已知铅蓄电池因各种因素而劣化加深。为了防止因铅蓄电池的非预期的功能丧失而导致的电力的供给停止，需要适当地判定劣化的程度。

在专利文献1中，公开了基于铅蓄电池的电流以及电压算出内部电阻，基于内部电阻判定劣化的劣化判定装置。

现有技术文献

专利文献

专利文献1：日本特开2016-109639号公报

发明内容

发明要解决的课题

铅蓄电池的主要劣化因素是正极活性物质的软化、正极格栅的腐蚀、负极硫酸盐化、负极活性物质的收缩。要求估计劣化因素的程度并良好地估计铅蓄电池的劣化的程度。

本发明的目的在于提供能够估计铅蓄电池的劣化的程度的估计装置、估计方法以及计算机程序。

用于解决课题的手段

本发明的估计装置具备：导出部，导出基于铅蓄电池的电流、电压以及该铅蓄电池的温度的导出履历；第1指定部，指定电解液的比重；第2指定部，基于所指定的所述比重以及所导出的所述导出履历、和从由第1关系、第2关系、第3关系、第4关系构成的组中所选择的至少一个关系，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度；以及估计部，基于所指定的所述至少一个程度，估计所述铅蓄电池的劣化的程度，所述第1关系是电解液的比重、和基于电流、电压以及温度的第1履历与正极电极材料的软化的第1程度的关系，所述第2关系是电解液的比重、和基于电流、电压以及温度的第2履历与正极格栅的腐蚀的第2程度的关系，所述第3关系是电解液的比重、和基于电流、电压以及温度的第3履历与负极硫酸盐化的第3程度的关系，所述第4关系是基于电流、电压以及温度的第4履历与负极电极材料的收缩的第4程度的关系。

本发明的估计方法中，导出基于铅蓄电池的电流、电压以及该铅蓄电池的温度的导出履历；指定电解液的比重；基于所指定的所述比重以及所导出的所述导出履历、和从由第1关系、第2关系、第3关系、第4关系构成的组中所选择的至少一个关系，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度；以及基于所指定的所述至少一个程度，估计所述铅蓄电池的劣化的程度，所述第1关系是电解液的比重、和基于电流、电压以及温度的第1履历与正极电极材料的软化的第1程度的关系，所述第2关系是电解液的比重、和基于电流、电压以及温度的第2履历与正极格栅的腐蚀的第2程度的关系，所述第3关系是电解液的比重、和基于电流、电压以及温度的第3履历与负极硫酸盐化的第3程度的关系，所述第4关系是基于电流、电压以及温度的第4履历与负极电极材料的收缩的第4程度的关系。

本发明的计算机程序使计算机执行如下处理：导出基于铅蓄电池的电流、电压以及该铅蓄电池的温度的导出履历；指定电解液的比重；基于所指定的所述比重以及所导出的所述导出履历、和从由第1关系、第2关系、第3关系、第4关系构成的组中所选择的至少一个关系，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度；以及基于所指定的所述至少一个程度，估计所述铅蓄电池的劣化的程度，所述第1关系是电解液的比重、和基于电流、电压以及温度的第1履历与正极电极材料的软化的第1程度的关系，所述第2关系是电解液的比重、和基于电流、电压以及温度的第2履历与正极格栅的腐蚀的第2程度的关系，所述第3关系是电解液的比重、和基于电流、电压以及温度的第3履历与负极硫酸盐化的第3程度的关系，所述第4关系是基于电流、电压以及温度的第4履历与负极电极材料的收缩的第4程度的关系。

附图说明

图1是表示实施方式1的充放电系统、负载以及服务器的结构的框图。

图2是表示BMU的结构的框图。

图3是表示电池的外观结构的立体图。

图4是图3的IV－IV线剖视图。

图5是表示劣化程度DB的记录格式(Record layout)的一例的说明图。

图6是表示使用履历DB的记录格式的一例的说明图。

图7是表示由控制部进行的劣化程度的估计处理的过程的流程图。

图8是表示实施方式2的控制装置的结构的框图。

图9是表示使用履历DB的记录格式的一例的说明图。

图10是表示第1学习模型的一例的示意图。

图11是表示由控制部进行的第1学习模型的生成处理的过程的流程图。

图12是表示第2学习模型的一例的示意图。

图13是表示第3学习模型的一例的示意图。

图14是表示由控制部进行的劣化程度的估计处理的过程的流程图。

图15是表示学习模型A、B、C、D的一例的示意图。

图16是表示由控制部进行的劣化程度估计处理的过程的流程图。

具体实施方式

(实施方式的概要)

实施方式的估计装置具备：导出部，导出基于铅蓄电池的电流、电压以及该铅蓄电池的温度的导出履历；第1指定部，指定电解液的比重；第2指定部，基于所指定的所述比重以及所导出的所述导出履历、和从由第1关系、第2关系、第3关系、第4关系构成的组中所选择的至少一个关系，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度；以及估计部，基于所指定的所述至少一个程度，估计所述铅蓄电池的劣化的程度，所述第1关系是电解液的比重、和基于电流、电压以及温度的第1履历与正极电极材料的软化的第1程度的关系，所述第2关系是电解液的比重、和基于电流、电压以及温度的第2履历与正极格栅的腐蚀的第2程度的关系，所述第3关系是电解液的比重、和基于电流、电压以及温度的第3履历与负极硫酸盐化的第3程度的关系，所述第4关系是基于电流、电压以及温度的第4履历与负极电极材料的收缩的第4程度的关系。

作为铅蓄电池的劣化因素，有正极格栅的腐蚀、正极电极材料的软化、负极硫酸盐化、负极电极材料的收缩等。

在铅蓄电池中，电解液(硫酸+水)的水通过蒸发或电解而减少，因此硫酸的浓度逐渐变高，比重变高。当电解液的比重变高时，腐蚀速度变快。因此，在有比重的变动的情况下，正极格栅的腐蚀的程度的特定精度变差，铅蓄电池的劣化的估计精度变差。

电解液比重越高，正极电极材料的软化越容易进行，因此在有比重的变动的情况下，正极电极材料的软化程度的指定的精度变差，铅蓄电池的劣化的估计精度变差。

电解液的比重越高，充电效率越差。因此，放电时生成的硫酸铅在充电时不会全部还原成铅，一部分作为硫酸铅残留。在反复进行了充放电的情况下，残存的硫酸铅的结晶尺寸逐渐变大，产生即使充电也不能恢复为铅的负极硫酸盐化。在有比重的变动的情况下，负极硫酸盐化的程度的特定的精度变差，铅蓄电池的劣化的估计精度变差。

电解液的硫酸通过负极硫酸盐化从电解液向负极电极材料移动。因此，如果负极硫酸盐化进行，则电解液中的硫酸浓度降低，比重降低。当比重降低时，产生所述比重增大的情况的相反的作用。即，由于比重的变动，铅蓄电池的劣化的估计精度变差。

而且，本发明的发明人发现通过指定铅蓄电池的比重，并考虑比重的变动来指定正极电极材料的软化等的程度，从而能够良好地估计铅蓄电池的劣化的程度。

比重基于各估计时点的导出履历来进行指定。另外，比重也能够通过电流、电压的关系式、或取得的OCV以及内部电阻来指定。而且，也能够通过比重传感器来指定。作为“指定的所述比重”不仅是估计劣化程度的时点的一点的比重，也可以使用存储的电解液的比重的履历，也可以使用对存储的电解液的比重的履历乘以规定的系数进行平均而得到的平均比重。

在进行了补水的情况下，也可以根据电压的变化估计补水量。由于电解液的比重变化，即电解液中含有的水的比例变化，电池的电压变化。由于在补水的前后电池的液量较大地变化，所以控制部31在取得的电压与前一个取得的电压的差为规定值以上的情况下，判定为进行了补水。也可以将指定的补水量包含在导出履历中。

这里，第1履历、第2履历、第3履历、第4履历可以相同也可以不同。也可以是一部分是公共的。例如，在第1履历的情况下，包括终身有效放电电量、温度积算值、使用期间等履历。第2履历包括终身有效过充电电量、温度积算值、使用期间等履历。第3履历包括终身有效充电电量、温度积算值、使用期间、放置时间、各SOC分类中的滞留时间等履历。第4履历包括终身有效充电电量、温度积算值、使用期间等履历。

根据上述结构，除了导出履历以外，还使用所指定的比重来估计铅蓄电池的劣化。能够考虑比重的变动而良好地指定正极电极材料的软化等的程度，良好地估计铅蓄电池的劣化。

通过预测劣化，能够估计故障风险，避免陷入突然的不能使用状态。

在上述的估计装置中，也可以是，所述第1指定部对于在输入了基于铅蓄电池的电流、电压以及该铅蓄电池的温度的履历的情况下输出电解液的比重的第1学习模型输入所导出的所述履历，从而指定电解液的比重。

根据上述结构，使用第1学习模型，能够容易且良好地指定电解液的比重。

在上述的估计装置中，也可以是，所述第2指定部对于在输入了基于电流、电压以及该铅蓄电池的温度的导出履历以及电解液的比重的情况下输出第1程度、第2程度、第3程度以及第4程度中的至少一个程度的第2学习模型，输入所导出的所述导出履历以及所指定的所述电解液的比重，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度。

根据上述结构，使用第2学习模型，能够容易且良好地指定估计时点的劣化因素的程度。

在上述估计装置中，也可以是，所述估计部对于在输入了第1程度、第2程度、第3程度以及第4程度中的至少一个程度的情况下输出铅蓄电池的劣化的程度的第3学习模型，输入所指定的所述至少一个程度，估计劣化的程度。

根据上述结构，使用第3学习模型，能够容易且良好地估计估计时点的铅蓄电池的劣化。

在上述的估计装置中，也可以是，所述导出履历包括：利用基于温度以及电解液的比重中的至少一方的系数对放电电量进行校正而得到的有效放电电量、利用基于温度以及电解液的比重中的至少一方的系数对充电电量进行校正而得到的有效充电电量、或者对温度乘以规定的系数或基于电解液的比重的系数进行积算而得到的温度积算值。

根据上述结构，能够良好地确定劣化因素的程度。能够使用通过比重校正而得到的有效放电电量等来指定劣化因素的程度。

在上述的估计装置中，也可以是，所述第2指定部基于导出履历以及所述铅蓄电池的设计信息，指定所述至少一个程度。

根据上述结构，能够基于导出履历以及设计信息良好地指定劣化因素的程度。

在上述的估计装置中，也可以是，所述设计信息是从由如下构成的组中选择的至少一个：极板的片数、正极活性物质量、正极格栅的质量、正极格栅的厚度、正极格栅的设计、正极电极材料的密度、正极电极材料的组成、正极电极材料中的添加剂的量以及种类、正极合金的组成、与正极板抵接的无纺布的有无以及厚度、材质以及透气度、负极活性物质量、负极电极材料中的碳量以及种类、负极电极材料中的添加剂的量以及种类、负极电极材料的比表面积、电解液的添加剂的种类以及浓度、和电解液的初期的比重以及量。

根据上述结构，能够良好地指定劣化原因的程度。

在上述的估计装置中，也可以是，所述估计部基于所述至少一个程度以及所述铅蓄电池的诊断信息，估计劣化的程度。

根据上述结构，能够基于劣化因素的程度和诊断信息良好地估计劣化程度。

在上述的估计装置中，所述诊断信息是从由内部电阻、开路电压(OCV：OpenCircuit Voltage)以及SOC(State Of Charge：充电状态)构成的组中选择的至少一个。

根据上述结构，能够良好地指定劣化因素的程度。

在上述的估计装置中，也可以是，还具备：存储部，存储所述导出履历、所述第2指定部所指定的所述劣化的程度或所述诊断信息；以及履历删除部，在基于所述劣化的程度或所述诊断信息和阈值估计为更换了所述铅蓄电池的情况下，删除所述导出履历以及所述劣化的程度或所述诊断信息。

在根据劣化的程度或诊断信息判定为更换了铅蓄电池的情况下，例如能够删除后述的使用履历DB的数据。

实施方式的估计方法中，导出基于铅蓄电池的电流、电压以及该铅蓄电池的温度的导出履历；

指定电解液的比重；

基于所指定的所述比重以及所导出的所述导出履历、和从由第1关系、第2关系、第3关系、第4关系构成的组中所选择的至少一个关系，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度；以及基于所指定的所述至少一个程度，估计所述铅蓄电池的劣化的程度，所述第1关系是电解液的比重、和基于电流、电压以及温度的第1履历与正极电极材料的软化的第1程度的关系，所述第2关系是电解液的比重、和基于电流、电压以及温度的第2履历与正极格栅的腐蚀的第2程度的关系，所述第3关系是电解液的比重、和基于电流、电压以及温度的第3履历与负极硫酸盐化的第3程度的关系，所述第4关系是基于电流、电压以及温度的第4履历与负极电极材料的收缩的第4程度的关系。

根据上述结构，除了导出履历之外，还使用比重来估计铅蓄电池的劣化。考虑到比重的变动，能够良好地估计铅蓄电池的劣化。作为比重，如上所述，能够使用在劣化程度的估计时点通过过充电电量等的履历指定的比重、由比重传感器等取得的比重、或者存储的比重的履历等。

实施方式的计算机程序使计算机执行如下处理：导出基于铅蓄电池的电流、电压以及该铅蓄电池的温度的导出履历；指定电解液的比重；基于所指定的所述比重以及所导出的所述导出履历、和从由第1关系、第2关系、第3关系、第4关系构成的组中所选择的至少一个关系，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度；以及基于所指定的所述至少一个程度，估计所述铅蓄电池的劣化的程度，所述第1关系是电解液的比重、和基于电流、电压以及温度的第1履历与正极电极材料的软化的第1程度的关系，所述第2关系是电解液的比重、和基于电流、电压以及温度的第2履历与正极格栅的腐蚀的第2程度的关系，所述第3关系是电解液的比重、和基于电流、电压以及温度的第3履历与负极硫酸盐化的第3程度的关系，所述第4关系是基于电流、电压以及温度的第4履历与负极电极材料的收缩的第4程度的关系。

(实施方式1)

图1是表示实施方式1的充放电系统1、负载13以及服务器9的结构的框图，图2是表示BMU3的结构的框图。

充放电系统1具备铅蓄电池(以下称为电池)2、BMU(Battery Management Unit：电池管理单元)3、电压传感器4、电流传感器5、温度传感器6和控制装置7。

BMU3具备控制部31、存储部32、输入部36以及通信部37。BMU3也可以是电池ECU。

控制装置7控制整个充放电系统1，且具备控制部71、存储部72以及通信部77。

服务器9包括控制部91以及通信部92。

控制装置7的控制部71经由通信部77、网络10以及通信部92与控制部91连接。

电池2经由端子11、12与负载13连接。

控制部31、71以及91例如由CPU(Central Processing Unit：中央处理单元)、ROM(Read Only Memory：只读存储器)以及RAM(Random Access Memory：随机存取存储器)等构成，控制BMU3、控制装置7以及服务器9的动作。

存储部32、存储部72例如由硬盘驱动器(HDD)等构成，存储各种程序以及数据。

通信部37、77以及92具有经由网络与其他装置之间进行通信的功能，能够进行所需的信息的发送接收。

在BMU3的存储部32中存储有劣化估计的程序33。程序33以被保存在例如CD－ROM、DVD－ROM、USB存储器等计算机可读取的记录介质40中的状态被提供，通过安装在BMU3中而被保存在存储部32中。另外，也可以从与通信网连接的未图示的外部计算机取得程序33，并使其存储在存储部32中。

在存储部32中还存储有劣化程度DB34以及使用履历DB35，该劣化程度DB34存储有履历、电解液的比重、设计信息、诊断信息、各劣化因素的程度以及电池2的劣化程度，该使用履历DB35针对各电池2存储有导出履历、电解液的比重、设计信息、诊断信息、各劣化因素的程度以及劣化程度。稍后将描述劣化程度DB34以及使用履历DB35的细节。

输入部36接受来自电压传感器4、电流传感器5以及温度传感器6的检测结果的输入。

在实施方式中，BMU3作为本发明的估计装置发挥功能。控制装置7和服务器9中的任一个也可以作为估计装置发挥功能。即使在BMU3作为估计装置发挥功能的情况下，程序33以及劣化程度DB34、使用履历DB35也不需要全部包含在存储部32中。根据实施方式，程序33以及劣化程度DB34、使用履历DB35中的任一个或它们的全部可以包括在控制装置7中，也可以包括在服务器9中。另外，在服务器9不作为估计装置发挥功能的情况下，充放电系统1也可以不与服务器9连接。

电压传感器4与电池2并联连接，输出与电池2的整体电压对应的检测结果。

电流传感器5与电池2串联连接，输出与电池2的电流对应的检测结果。另外，电流传感器5还能够使用例如钳位式电流传感器那样不与电池2电连接的电流传感器。

温度传感器6配置在电池2的附近，输出与电池2的温度对应的检测结果。另外，在劣化的预测中，作为电池2的温度，优选使用电池2的电解液的温度。因此，也可以根据配置温度传感器6的位置进行温度校正，以使温度传感器6检测出的温度成为电解液的温度。

图3是表示作为一例的汽车用液式电池即电池2的外观结构的立体图，图4是图3的IV－IV线剖视图。

如图3以及图4所示，电池2具备电解槽20、正极端子28、负极端子29和多个极板组23。

电解槽20包括电解槽主体201和盖202。电解槽主体201是上部开口的长方体状的容器，例如由合成树脂等形成。例如，合成树脂制的盖202封闭电解槽主体201的开口部。盖202的下表面的周缘部分和电解槽主体201的开口部的周缘部分例如通过热熔接而接合。电解槽20内的空间被隔壁27划分为在电解槽20的长度方向上排列的多个单体电池室21。

在电解槽20内的各单体电池室21中收容一个极板组23。在电解槽20内的各单体电池室21中收容有含有稀硫酸的电解液22，极板组23的整体浸渍在电解液22中。电解液22从设置在盖202上的注液口(未图示)被注入单体电池室21内。

极板组23具备多个正极板231、多个负极板235和隔离件(separator)239。多个正极板231以及多个负极板235以交替排列的方式配置。

正极板231具有正极格栅232和由正极格栅232支撑的正极电极材料234。正极格栅232是具有配置成大致格栅状或网眼状的框骨部的导电性部件，例如由铅或铅合金形成。正极格栅232在上端附近具有向上方突出的极耳部233。正极电极材料234包含通过氧化还原反应而表现出容量的负极活性物质(二氧化铅或硫酸铅)。正极电极材料234还可以含有公知的添加剂。

负极板235具有负极格栅236和由负极格栅236支撑的负极电极材料238。负极格栅236是具有配置成大致格栅状或网眼状的框骨部的导电性部件，例如由铅或铅合金形成。负极格栅236在上端附近具有向上方突出的极耳部237。包含通过氧化还原反应而表现出容量的负极活性物质(铅或硫酸铅)。负极电极材料238还可以含有公知的添加剂。

隔离件239例如由玻璃或合成树脂等绝缘性材料形成。隔离件239介于彼此相邻的正极板231和负极板235之间。隔离件239可以作为一体的部件构成，也可以分别设置在正极板231和负极板235之间。隔离件239也可以配置成包装正极板231以及负极板235中的任一个。

多个正极板231的极耳部233与例如由铅或铅合金形成的条带24连接。多个正极板231经由条带24电连接。同样，多个负极板235的极耳部237与例如由铅或铅合金形成的条带(strap)25连接。多个负极板235经由条带25电连接。

在电池2中，一个单体电池室21内的条带25经由例如由铅或铅合金形成的中间杆(pole)26，与邻接于所述一个单体电池室21的一单体电池室21内的条带24连接。另外，所述一个单体电池室21内的条带24经由中间杆26与邻接于所述一个单体电池室21的另一单体电池室21内的条带25连接。即，电池2的多个极板组23经由条带24、25以及中间杆26串联地电连接。另外，如图4所示，在位于单体电池C排列的方向的一端的单体电池室21中所收容的条带24不与中间杆26连接，而与后述的正极柱282连接。在位于单体电池C排列的方向的另一端的单体电池室21中所收容的条带25不与中间杆26连接，而与负极柱292连接(未图示)。

正极端子28配置在电池C排列的方向的一端部，负极端子29配置在所述方向的另一端部附近。

如图4所示，正极端子28包括套管(bushing)281和正极柱282。套管281是大致圆筒状的导电性部件，例如由铅合金形成。套管281的下侧部分通过嵌入成形而与盖202一体化，套管281的上部从盖202的上表面向上方突出。正极柱282是大致圆柱状的导电性部件，例如由铅合金形成。正极柱282插入套管281的孔中。正极柱282的上端部位于与套管281的上端部大致相同的位置，例如通过焊接与套管281接合。正极柱282的下端部从套管281的下端部向下方突出，进而从盖202的下表面向下方突出，与在位于单体电池C排列的方向的一端部的单体电池室21中所收容的条带24连接。

负极端子29与正极端子28同样，包括套管291和负极柱292(参照图3)，具有与正极端子28同样的结构。

在电池2的放电时，在正极端子28的套管281以及负极端子29的套管291上连接负载(未图示)，通过在各极板组23的正极板231上的反应(由二氧化铅产生硫酸铅的反应)以及在负极板235上的反应(由铅(海绵状铅)产生硫酸铅的反应)而产生的电力被供给到该负载。另外，在电池2的充电时，在正极端子28的套管281以及负极端子29的套管291上连接电源(未图示)，通过从该电源供给的电力，引起在各极板组23的正极板231上的反应(从硫酸铅产生二氧化铅的反应)以及在负极板235上的反应(从硫酸铅产生铅(海绵状铅)的反应)，电池2被充电。

图5是表示上述的劣化程度DB34的记录格式(record record)的一例的说明图。

劣化程度DB34存储有No.列、终身有效放电电量列、终身有效充电电量列、终身有效过充电电量列、温度积算值列、放置时间列、SOC滞留时间列等履历列、比重列、正极格栅厚度列、诊断信息列、第1程度列、第2程度列、第3程度列以及第4程度列等劣化因素程度列和劣化程度列。

No.列存储多个不同的电池2的劣化程度的No.、和同一电池2在不同定时的劣化程度的No.。终身有效放电电量列例如每隔1分钟测定电池2的放电电量，将对该放电电量乘以基于该时点的电池2的温度的系数而得到的有效放电电量的积算值进行存储。终身有效充电电量列例如每隔1分钟测定电池2的充电电量，将对该充电电量乘以基于该时点的电池2的温度的系数而得到的有效充电电量的积算值进行存储。终身有效过充电电量列存储从有效充电电量减去有效放电电量而得到的有效过充电电量的积算值。

温度积算值列例如从－20℃到80℃，每隔10℃间隔，存储对各温度间隔的中心温度乘以规定的系数以及时间而得到的积算值。

放置时间存储停车时间的积算值。

SOC滞留时间列存储有SOC0～20％滞留时间、SOC20～40％滞留时间、SOC40～60％滞留时间、SOC60～80％滞留时间以及SOC80～100％滞留时间等。SOC0～20％滞留时间例如以1小时单位求出平均SOC，存储平均SOC在0～20％的范围内的时间的积算值。同样，SOC20～40％滞留时间、SOC40～60％滞留时间、SOC60～80％滞留时间、SOC80～100％滞留时间存储了平均SOC在20～40％的范围内、40～60％的范围内、60～80％的范围内、80～100％的范围内的时间的积算值。

诊断信息列存储有内部电阻、SOC、OCV等诊断信息。

比重列存储电解液的比重的履历、例如平均比重。

第1程度列存储作为正极电极材料的软化的程度的第1程度。第1程度用从0到5的6个等级的数值的评价来表示。评价通过软化引起的正极电极材料的脱落量或正极电极材料的软化程度等来进行。0为良好，随着数字变大而变差。

第2程度列存储作为正极格栅的腐蚀程度的第2程度。第2程度用6个等级的评价来表示。评价用与上述同样的数值表示。评价通过因腐蚀而减少的正极格栅质量或残存的正极格栅质量等来进行。

第3程度列存储作为负极硫酸盐化的程度的第3程度。第3程度用6个等级的评价来表示。评价用与上述同样的数值表示。评价通过负极活性物质中的硫酸铅量等来进行。

第4程度列存储作为负极电极材料的收缩的程度的第4程度。第4程度用6个等级的评价来表示。评价用与上述同样的数值表示。评价通过由电极材料的收缩引起的裂纹(crack)的程度或比表面积的降低度等来进行。

另外，第1程度、第2程度、第3程度以及第4程度的评价不限于6个等级，也可以是100个等级，也可以使用与各个程度相关联的物理量的值。

劣化程度列存储由10个等级的评价表示的劣化程度。劣化程度的1～10的数值基于SOH(State of Health：健康状态)的范围来确定。“1”在将下述比例确定为SOH的情况下，为90～100％的范围，“10”为0～10％的范围。SOH能够基于对铅蓄电池所期待的特性来确定。例如，也可以以可使用期间为基准，将在评价的时点残存的可使用期间的比例确定为SOH。另外，也可以以常温高速率放电时的电压为基准，将评价的时点的常温高速率放电时的电压用于SOH的评价。在任何情况下，SOH为0时，都表示铅蓄电池的功能丧失的状态。

存储在劣化程度DB34中的信息不限于上述情况。

作为设计信息，除了正极格栅厚度以外，还可以存储有极板的片数、正极活性物质量、正极格栅的质量、正极格栅的设计、正极电极材料的密度、正极电极材料的组成、正极电极材料中的添加剂的量以及种类、正极合金的组成、与正极板抵接的无纺布的有无和厚度、材质以及透气度、负极活性物质量、负极电极材料中的碳量以及种类、负极电极材料中的添加剂的量以及种类、负极电极材料的比表面积、电解液的添加剂的种类以及浓度、和电解液的初期的比重以及量。

作为诊断信息，也可以存储内部电阻或开路电压等。另外，内部电阻或开路电压依赖于SOC，因此也可以利用另外取得的SOC来校正内部电阻或开路电压。

图6是表示上述的使用履历DB35的记录格式的一例的说明图。

使用履历DB35按每个电池2存储各估计时点的导出履历、电解液的比重、正极格栅厚度、诊断信息、劣化因素的程度以及劣化程度。图6表示IDNo.1的电池2的导出履历。No.列存储各估计时点的No.。导出履历列、正极格栅厚度列、诊断信息列存储有与劣化程度DB34的履历列、正极格栅厚度列、诊断信息列相同的内容。

如后所述，比重列存储有根据基于各估计时点的电流、电压以及温度的导出履历而指定的比重的履历。如上所述，比重也能够通过电流、电压的关系式、或取得的OCV以及内部电阻来指定。另外，还能够通过比重传感器来指定。

如后所述，第1程度列、第2程度列、第3程度列存储有基于各估计时点的电解液的比重以及导出履历而指定的第1程度、第2程度、第3程度。如后所述，第4程度列存储有基于各估计时点的导出履历而指定的第4程度。

劣化程度列存储基于所指定的第1程度、第2程度、第3程度和第4程度估计出的劣化程度。

存储在使用履历DB35中的信息不限于上述情况。

下面将说明估计劣化程度的方法。

图7是表示由控制部31进行的劣化程度估计处理的过程的流程图。控制部31在规定的估计时点进行以下的处理。

控制部31针对IDNo.1的电池2，基于在估计时点取得的电压、电流、温度，导出终身有效放电电量等的导出履历，存储在使用履历DB35中(S1)。

控制部31指定电解液的比重(S2)。控制部31读出劣化程度DB34，基于从劣化程度DB34的数据导出的导出履历和比重的关系，指定比重，并存储在使用履历DB35中。

电解液的比重例如能够如下这样指定。

(1)在使用履历DB35中，作为设计信息，预先存储电解液的初期的比重，或者根据SOC100％时的电池电压(从充电开始经过少许时间，电压处于稳定时的电压)估计初期的电解液比重，预先存储在比重列中。

(2)根据估计期间的充放电履历算出过充电量a。

(3)根据估计期间的温度，估计电池2的自放电量。

(4)通过下式算出过充电量b。

过充电量b＝过充电量a－自放电量－由暗电流引起的放电量

(5)根据过充电量b算出水分解反应量，估计电解液的减液量。

(6)基于减液量和电解液的比重，估计估计时点的电解液的比重。

控制部31读出劣化程度DB34，基于从劣化程度DB34的数据导出的、电解液的比重以及第1履历与第1程度的第1关系，指定第1程度，存储在使用履历DB35中(S3)。同样，基于从劣化程度DB34的数据导出的、电解液的比重以及第2履历与第2程度的第2关系来指定第2程度，基于电解液的比重以及第3履历与第3程度的第3关系来指定第3程度，基于第4履历与第4程度的第4关系来指定第4程度，并存储到使用履历DB35中。

另外，控制部31在第1程度～第4程度的指定中使用的电解液的比重可以是估计时点的电解液的比重，也可以使用所存储的电解液的比重的履历，还可以使用对所存储的电解液的比重的履历乘以规定的系数进行平均后而得到的平均比重。

另外，控制部31也可以在利用电解液的比重对基于电流、电压以及温度的导出履历进行校正的基础上，使用于第1程度～第4程度的指定。

控制部31基于从劣化程度DB34的数据导出的第1程度、第2程度、第3程度以及第4程度与劣化程度的关系，根据所指定的劣化因素的程度来估计劣化程度，并存储在使用履历DB35中(S4)，结束处理。

在劣化程度DB34中也存储有设计信息的情况下，在S3中，基于电解液的比重、第1履历以及设计信息与第1程度的第1关系来指定第1程度。第2程度、第3程度也基于电解液的比重、第2履历或第3履历以及设计信息与第2程度或第3程度的关系来指定。第4程度基于第4履历以及设计信息与第4程度的关系来指定。

在劣化程度DB34中还存储有诊断信息的情况下，在S4中也可以利用诊断信息来校正劣化程度。

在本实施方式中，说明了指定第1程度、第2程度、第3程度以及第4程度的全部，并使用它们来估计劣化程度的情况，但不限于此。指定第1程度、第2程度、第3程度以及第4程度中的至少一个，并使用它们来估计劣化程度即可。

劣化程度DB34也可以存储第1关系、第2关系、第3关系以及第4关系的函数。

控制部31也可以在基于估计出的劣化程度或诊断信息和预先设定的阈值判定为更换了电池2的情况下，删除使用履历DB35的数据并进行复位。另外，控制部31在控制部31判定为更换了电池2的情况下，也可以进行将使用履历DB的数据复位以外的动作。即，控制部31也可以在控制部31判定为更换了电池2的情况下，将使用履历DB中存储的履历信息的积算的开始时点作为判断为更换了电池2的时点。

根据本实施方式，导出基于电流、电压以及温度的导出履历，指定电解液的比重，基于预先求出的电解液的比重以及导出履历与劣化因素的程度的关系，指定第1程度、第2程度或第3程度。另外，基于导出履历与第4关系之间的关系来指定第4程度。还考虑到比重的变动，能够良好地指定正极活性物质的软化等的程度，良好地估计电池2的劣化。

(实施方式2)

图8是表示实施方式2的控制装置7的结构的框图。

实施方式2所涉及的充放电系统1中，除了控制装置7在存储部72中存储有用于劣化估计的程序73、劣化程度DB74、使用履历DB75、学习模型DB76以外，具有与实施方式1所涉及的充放电系统1同样的结构。

学习模型DB76存储有后述的第1学习模型、第2学习模型以及第3学习模型。

劣化程度DB74具有与劣化程度DB34同样的配置。

图9是表示使用履历DB75的记录格式的一例的说明图。

使用履历DB75按每个电池2存储各估计时点的导出履历、比重、正极格栅厚度、诊断信息、劣化因素的程度、实测的劣化因素的程度、劣化程度、以及基于实测的劣化程度。图9表示IDNo.1的电池2的使用履历。履历列、正极格栅厚度列、诊断信息列存储与劣化程度DB34的履历列、正极格栅厚度列、诊断信息列同样的内容。

比重列存储有将各估计时点的使用履历输入第1学习模型而指定的比重。

如后所述，第1程度列、第2程度列、第3程度列、第4程度列存储将各估计时点的使用履历以及指定的比重输入到第2学习模型而指定的第1程度、第2程度、第3程度、第4程度。

劣化程度列存储将所指定的第1程度、第2程度、第3程度、第4程度输入到第3学习模型而估计出的劣化程度。

实测比重列存储实测出的比重。

实测第1程度列、实测第2程度列、实测第3程度列、实测第4程度列分别存储通过实测求出的第1程度、第2程度、第3程度、第4程度。

实测劣化程度列存储有通过实测求出SOH并判定出的劣化程度。

基于实测的劣化原因的程度以及基于实测的劣化程度是为了用于后述的再次学习而求出的，不需要在全部的估计时点求出。

图10是表示第1学习模型的一例的示意图。

第1学习模型是被设想用作作为人工智能软件的一部分的程序模块的学习模型，并且能够使用多层神经网络(深层学习)，例如能够使用卷积神经网络(ConvolutionalNeural Network：CNN)，但也可以使用递归神经网络(Recurrent Neural Network：RNN)。在使用RNN的情况下，输入履历随时间的变动。也可以使用决策树、随机森林、支持向量机等其他机器学习。控制部71进行动作，使得按照来自第1学习模型的指令，对输入到第1学习模型的输入层的履历信息进行运算，并输出比重及其概率。在图10中，为了方便，图示了2个中间层，但中间层的层数不限于2个，也可以是3个以上。在CNN的情况下，包括卷积层以及池化层。节点(神经元)的数量不限于图10的情况。

在输入层、输出层以及中间层中存在一个或多个节点，各层的节点与存在于前后层的节点在一个方向上以所希望的权重结合。具有与输入层的节点的数量相同数量的分量的向量被提供作为第1学习模型的输入数据(学习用的输入数据以及劣化因素的程度指定用的输入数据)。在学习完毕的输入数据中，作为导出履历信息，可以举出有效过充电电量、温度积算值、SOC滞留时间等。输入信息不限于这种情况。作为设计信息，也可以输入初期的电解液的比重。

第1学习模型的输入层输入有效过充电电量、温度积算值以及SOC滞留时间等导出履历。当提供给输入层的各节点的数据被输入到最初的中间层并被提供时，使用权重以及激活函数算出中间层的输出，算出的值被提供给下一个中间层，以下同样地依次传递到后面的层(下层)，直到求出输出层的输出为止。另外，所有将节点进行结合的权重通过学习算法来计算。

第1学习模型的输出层生成比重作为输出数据。输出层的节点的数量与比重的候补的数量对应。输出层输出各比重和各比重的概率。

输出层如下这样输出：

输出层

例如，比重1.100…0.01

比重1.240…0.07

比重1.300…0.88

…。

另外，虽然学习模型156被说明为CNN，但是如上所述，能够使用RNN。在RNN中，将前一时刻的中间层与下一时刻的输入层一起用于学习。

图11是表示由控制部71进行的第1学习模型的生成处理的过程的流程图。

控制部71读出劣化程度DB74，取得将各行的履历和比重建立了对应的教师数据(S11)。

控制部71使用教师数据，生成在输入了导出履历的情况下输出比重的第1学习模型(学习完毕模型)(S12)。具体而言，控制部71将教师数据输入到输入层，经过在中间层中的运算处理，从输出层取得比重和概率。

控制部71将在中间层中的运算处理中所使用的参数最佳化，使得将从输出层所输出的各比重的指定结果与在教师数据中对履历信息贴了标签的信息、即正解值进行比较，来自输出层的输出值接近正解值。该参数例如是上述的权重(结合系数)和激活函数的系数等。参数的最佳化的方法没有特别限定，例如控制部71使用误差逆传播法进行各种参数的最佳化。

控制部71对劣化程度DB74中包含的各教师数据的履历信息进行上述处理，生成第1学习模型。控制部71将生成的第1学习模型保存在存储部72中，结束一系列的处理。

图12是表示第2学习模型的一例的示意图。

第2学习模型是被设想用作作为人工智能软件的一部分的程序模块的学习模型，并且例如能够使用CNN，但是也可以使用RNN。在使用RNN的情况下，输入履历随时间的变动。也可以使用其他的机器学习。控制部71进行动作，使得按照来自第2学习模型的指令，对输入到第2学习模型的输入层的履历以及比重进行运算，输出第1程度、第2程度、第3程度、第4程度及其概率。在图12中，为了方便，图示了2个中间层，但中间层的层数不限于2个，也可以是3个以上。节点(神经元)的数量不限于图12的情况。

第2学习模型的输出层生成第1程度、第2程度、第3程度、第4程度作为输出数据。输出层的节点的数量对应于劣化程度的数量。例如，在第1程度分别用0到5的评价值表示的情况下，从第1程度的节点输出0～5的评价值和关于各自的概率。

输出层如下这样进行输出：

例如，第1程度0…0.08

1…0.78

…

5…0.01

…

第4程度0…0.04

1…0.82

···

5…0.01。

控制部71针对各程度取得概率为最大的评价值、或者概率为阈值以上的评价值。

第2学习模型的输出层也可以输出第1程度、第2程度、第3程度、第4程度的组合和概率作为输出数据。

输出层如下这样进行输出：

例如，第1程度1、第2程度3、第3程度3、第4程度0…0.91

第1程度1、第2程度2、第3程度2、第4程度1…0.08

…。

图13是表示第3学习模型的一例的示意图。

第3学习模型是被设想用作作为人工智能软件的一部分的程序模块的学习模型，并且例如能够使用CNN，但是也可以使用RNN。在使用RNN的情况下，输入劣化因素的程度随时间的变动。也可以使用其他的机器学习。控制部71进行动作，使得按照来自第3学习模型的指令，对输入到第3学习模型的输入层的第1程度、第2程度、第3程度、第4程度进行运算，输出电池2的劣化程度及其概率。在图13中，为了方便，图示了2个中间层，但中间层的层数不限于2个，也可以是3个以上。节点的数量也不限于图13的情况。

对输入数据输入第1程度、第2程度、第3程度、第4程度。输入数据包含1个以上的程度。

第3学习模型的输出层生成劣化程度作为输出数据。输出层的节点的数量对应于劣化程度的数量。例如，在劣化程度由从1到10的数值表示的情况下，能够将节点的数量设置为10。输出层输出各劣化程度和各劣化程度的概率。

输出层如下这样进行输出：

例如，劣化程度1…0.01

劣化程度2…0.07

劣化程度3…0.88

…。

第3学习模型与第1学习模型同样地被生成。

图14是表示由控制部71进行的劣化程度的估计处理的过程的流程图。

控制部71针对IDNo.1的电池2，在估计时点，导出终身有效放电电量等的导出履历，并存储在使用履历DB75中(S21)。也可以存储设计信息以及诊断信息。

控制部71读出学习模型DB76，将导出履历输入到第1学习模型(S22)。

控制部71指定第1学习模型输出的比重中概率最高的比重(S23)。

控制部71将导出履历以及指定的比重输入到第2学习模型(S24)。

控制部71指定评价值的概率为阈值以上的劣化因素的程度(S25)。

控制部71将指定的劣化因素的程度输入到第3学习模型(S26)。

控制部71取得第3学习模型输出的劣化程度中例如概率最高的劣化程度，估计劣化程度(S27)，结束处理。

根据本实施方式，使用第1学习模型，能够容易且良好地指定比重，基于所指定的比重以及导出履历，使用第2学习模型，能够容易且良好地指定劣化因素的程度。基于所指定的劣化因素的程度，使用第3学习模型，能够容易且良好地估计电池2的劣化。

控制部71能够基于使用第2学习模型以及第3学习模型估计出的劣化程度和通过实测得到的劣化程度，使第1学习模型～第3学习模型再次学习，以提高劣化程度的估计的可靠性。例如，在图9的使用履历DB75的No.2中，由于通过第2学习模型估计出的劣化因素的程度与实测的程度一致，所以通过输入多个所述程度相对于No.2的导出履历建立了对应的教师数据并使其再次学习，能够提高所述程度的概率。同样地，在No.2中，由第3学习模型估计出的劣化程度与实测的劣化程度一致，因此，通过输入多个所述劣化程度相对于No.2中的劣化因素的程度建立了对应的教师数据，并使其再次学习，能够提高所述劣化程度的概率。在No.3的情况下，第3程度与实测第3程度不一致，劣化程度与实测劣化程度不一致。输入实测第1程度、实测第2程度、实测第3程度、实测第4程度相对于使用履历建立了对应的教师数据，使其再次学习。另外，也可以求出比重的实测值，使用该实测值而使第1学习模型再次学习。

控制部71也可以在基于估计出的劣化程度或诊断信息和预先设定的阈值判定为更换了电池2的情况下，删除使用履历DB75的数据并进行复位。另外，控制部71在判定为更换了电池2的情况下，也可以进行将使用履历DB75的数据复位以外的动作。即，控制部71也可以在判定为更换了电池2的情况下，将使用履历DB75中存储的履历信息的积算的开始时点作为判断为更换了电池2的时点。

在本实施方式中，对使用第1学习模型以及第2学习模型指定比重、劣化因素的程度，使用第3学习模型估计劣化程度的情况进行了说明，但不限于此。也可以使用3个学习模型中的1个或2个学习模型，通过关系式等求出其他项目。

(实施方式3)

实施方式3的充放电系统1除了学习模型DB76存储有输入导出履历并分别输出第1程度、第2程度、第3程度、第4程度的评价值的概率的学习模型A、B、C、D以外，具有与实施方式2的充放电系统1同样的结构。

图15是表示学习模型A、B、C、D的一例的示意图。

学习模型A是被设想用作作为人工智能软件的一部分的程序模块的学习模型，并且例如能够使用CNN，但是也可以使用RNN。也可以使用其他的机器学习。控制部71进行动作，使得按照来自学习模型A的指令，对输入到学习模型A的输入层的导出履历以及比重进行运算，输出电池2的第1程度及其概率。在图15中，为了方便，图示了2个中间层，但中间层的层数不限于2个，也可以是3个以上。节点的数量也不限于图15的情况。

在学习模型A的输入层中被输入终身有效放电电量、温度积算值、使用期间等第1履历以及指定的比重。

学习模型A的输出层输出第1程度。输出层的节点的数量与第1程度的数量对应。例如，在第1程度由从0到5的数值表示的情况下，能够将节点的数量设定为6。输出层输出第1程度的评价值和各评价值的概率。

输出层如下这样进行输出：

例如，第1程度0…0.01

第1程度1…0.87

第1程度2…0.08

…。

控制部71读出劣化程度DB74，取得使第1程度与第1履历以及比重对应的教师数据，使用该教师数据生成学习模型A。

在学习模型B的输入层中被输入终身有效过充电电量、温度积算值、使用期间等第2履历以及指定的比重。

学习模型B的输出层输出第2程度。输出层的节点的数量与第2程度的数量对应。例如，在第2程度由从0到5的数值表示的情况下，能够将节点的数量设定为6。输出层输出第2程度的评价值和各评价值的概率。

控制部71读出劣化程度DB74，取得使第2程度与第2履历以及比重对应的教师数据，使用该教师数据生成学习模型B。

在学习模型C的输入层中被输入终身有效充电电量、温度积算值、使用期间、放置时间、各SOC划分中的滞留时间等第3履历以及指定的比重。

学习模型C的输出层输出第3程度。输出层的节点的数量对应于第3程度的数量。例如，在第3程度由从0到5的数值表示的情况下，能够将节点的数量设定为6。输出层输出第3程度的评价值和各评价值的概率。

控制部71读出劣化程度DB74，取得使第3程度与第3履历以及比重对应的教师数据，使用该教师数据生成学习模型C。

在学习模型D的输入层中被输入终身有效充电电量、温度积算值、使用期间等履历。

学习模型D的输出层输出第4程度。输出层的节点的数量对应于第4程度的数量。例如，在第4程度由0到5的数值表示的情况下，能够将节点的数量设定为6。输出层输出第4程度的评价值和各评价值的概率。

控制部71读出劣化程度DB74，取得使第4程度与第4履历以及比重对应的教师数据，使用该教师数据生成学习模型D。

下面将说明估计劣化程度的方法。

图16是表示由控制部71进行的劣化程度的估计处理的过程的流程图。控制部71在规定的估计时点进行以下的处理。

控制部71针对IDNo.1的电池2，基于在估计时点取得的电压、电流、温度，导出终身有效放电电量、温度积算值等的使用履历，存储在使用履历DB75中(S31)。

控制部71与上述的S2或S23同样，指定比重(S32)。

控制部71读出学习模型DB76，将第1履历以及比重输入到学习模型A(S33)。

控制部71指定学习模型A输出的第1程度中概率最高的程度，并存储在使用履历DB75中(S34)。

控制部71基于所指定的第1程度来估计劣化程度(S35)，存储在使用履历DB75中，并结束处理。控制部71能够基于从劣化程度DB74导出的、第1程度与劣化程度之间的关系来估计劣化程度。或者，也可以向第3学习模型输入指定的第1程度，取得劣化程度。

对于第2程度、第3程度，也与上述同样，能够将第2履历或第3履历和比重分别输入到学习模型B、C来指定，并基于所指定的劣化因素的程度来估计劣化程度。对于第4程度，也能够将第4履历输入到学习模型D来进行指定，并基于所指定的第4程度来估计劣化程度。

根据本实施方式，使用学习模型A～D，能够容易且良好地指定劣化因素的程度，基于所指定的劣化原因的程度，良好地估计电池2的劣化。学习模型A～D不限于上述情况。另外，在学习模型A～D中，除了履历以外，还可以输入设计信息。

本发明不限于上述的实施方式的内容，可在权利要求所示的范围内进行各种变更。即，将在权利要求所示的范围内适当变更的技术手段组合而得到的实施方式也包含在本发明的技术范围内。

附图标记说明

1充放电系统；2电池(蓄电元件)；3BMU；31、71、91控制部(导出部、第1指定部、第2指定部、估计部、履历删除部)；32、72存储部；33、73程序；34、74劣化程度DB；35、75使用履历DB；36输入部；37、77、92通信部；7控制装置；76学习模型DB；9服务器；10网络；13负载。

Claims (12)

1.一种估计装置，具备：

导出部，导出基于铅蓄电池的电流、电压以及该铅蓄电池的温度的导出履历；

第1指定部，指定电解液的比重；

第2指定部，基于所指定的所述比重以及所导出的所述导出履历、和从由第1关系、第2关系、第3关系、第4关系构成的组中所选择的至少一个关系，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度；以及

估计部，基于所指定的所述至少一个程度，估计所述铅蓄电池的劣化的程度，

所述第1关系是电解液的比重、和基于电流、电压以及温度的第1履历与正极电极材料的软化的第1程度的关系，

所述第2关系是电解液的比重、和基于电流、电压以及温度的第2履历与正极格栅的腐蚀的第2程度的关系，

所述第3关系是电解液的比重、和基于电流、电压以及温度的第3履历与负极硫酸盐化的第3程度的关系，

所述第4关系是基于电流、电压以及温度的第4履历与负极电极材料的收缩的第4程度的关系。

2.根据权利要求1所述的估计装置，其中，

所述第1指定部对于在输入了基于铅蓄电池的电流、电压以及该铅蓄电池的温度的履历的情况下输出电解液的比重的第1学习模型，输入所导出的所述履历，指定电解液的比重。

3.根据权利要求1或2所述的估计装置，其中，

所述第2指定部对于在输入了基于电流、电压以及该铅蓄电池的温度的导出履历以及电解液的比重的情况下输出第1程度、第2程度、第3程度以及第4程度中的至少一个程度的第2学习模型，输入所导出的所述导出履历以及所指定的所述电解液的比重，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度。

4.根据权利要求1至3中任一项所述的估计装置，其中，

所述估计部对于在输入了第1程度、第2程度、第3程度以及第4程度中的至少一个程度的情况下输出铅蓄电池的劣化的程度的第3学习模型，输入所指定的所述至少一个程度，估计劣化的程度。

5.根据权利要求1至4中任一项所述的估计装置，其中，

所述导出履历包括：利用基于温度以及电解液的比重中的至少一方的系数对放电电量进行校正而得到的有效放电电量、利用基于温度以及电解液的比重中的至少一方的系数对充电电量进行校正而得到的有效充电电量、或者对温度乘以规定的系数或基于电解液的比重的系数进行积算而得到的温度积算值。

6.根据权利要求1至5中任一项所述的估计装置，其中，

所述第2指定部基于电解液的比重、导出履历以及所述铅蓄电池的设计信息，指定所述至少一个程度。

7.根据权利要求6所述的估计装置，其中，

所述设计信息是从由如下构成的组中选择的至少一个：极板的片数、正极活性物质量、正极格栅的质量、正极格栅的厚度、正极格栅的设计、正极电极材料的密度、正极电极材料的组成、正极电极材料中的添加剂的量以及种类、正极合金的组成、与正极板抵接的无纺布的有无以及厚度、材质以及透气度、负极活性物质量、负极电极材料中的碳量以及种类、负极电极材料中的添加剂的量以及种类、负极电极材料的比表面积、电解液的添加剂的种类以及浓度、和电解液的初期的比重以及量。

8.根据权利要求1至7中任一项所述的估计装置，其中，

所述估计部基于所述至少一个程度以及所述铅蓄电池的诊断信息，估计劣化的程度。

9.根据权利要求8所述的估计装置，其中，

所述诊断信息是从由内部电阻、开路电压以及SOC构成的组中选择的至少一个。

10.根据权利要求8或9所述的估计装置，其中，还具备：

存储部，存储所述导出履历、所述第2指定部所指定的所述劣化的程度或所述诊断信息；以及

履历删除部，在基于所述劣化的程度或所述诊断信息和阈值而估计为所述铅蓄电池被更换的情况下，删除所述导出履历、以及所述劣化的程度或所述诊断信息。

11.一种估计方法，

导出基于铅蓄电池的电流、电压以及该铅蓄电池的温度的导出履历；

指定电解液的比重；

基于所指定的所述比重以及所导出的所述导出履历、和从由第1关系、第2关系、第3关系、第4关系构成的组中所选择的至少一个关系，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度；以及

基于所指定的所述至少一个程度，估计所述铅蓄电池的劣化的程度，

所述第1关系是电解液的比重、和基于电流、电压以及温度的第1履历与正极电极材料的软化的第1程度的关系，

所述第2关系是电解液的比重、和基于电流、电压以及温度的第2履历与正极格栅的腐蚀的第2程度的关系，

所述第3关系是电解液的比重、和基于电流、电压以及温度的第3履历与负极硫酸盐化的第3程度的关系，

所述第4关系是基于电流、电压以及温度的第4履历与负极电极材料的收缩的第4程度的关系。

12.一种计算机程序，使计算机执行如下处理：

导出基于铅蓄电池的电流、电压以及该铅蓄电池的温度的导出履历；

指定电解液的比重；

基于所指定的所述比重以及所导出的所述导出履历、和从由第1关系、第2关系、第3关系、第4关系构成的组中所选择的至少一个关系，指定第1程度、第2程度、第3程度以及第4程度中的至少一个程度；以及

基于所指定的所述至少一个程度，估计所述铅蓄电池的劣化的程度，

所述第1关系是电解液的比重、和基于电流、电压以及温度的第1履历与正极电极材料的软化的第1程度的关系，

所述第2关系是电解液的比重、和基于电流、电压以及温度的第2履历与正极格栅的腐蚀的第2程度的关系，

所述第3关系是电解液的比重、和基于电流、电压以及温度的第3履历与负极硫酸盐化的第3程度的关系，

所述第4关系是基于电流、电压以及温度的第4履历与负极电极材料的收缩的第4程度的关系。

Images