CN116529615A - 锂离子电池的寿命予测方法､放电容量维持率予测方法､寿命予测程序､放电容量维持率予测程序及信息处理装置 - Google Patents

Abstract

提供一种即使材料和设计发生了变化也无需重新准备用于机器学习的学习数据且循环寿命是以概率分布的形式表示的锂离子电池的寿命予测方法。本发明的锂离子电池的寿命予测方法为，由计算机执行：步骤(a)，获取包括电池的循环测量数据和寿命数据的学习数据；步骤(b)，针对一个以上的予测执行循环次数，应用所述学习数据使寿命予测模型进行学习，获取与各个予测执行循环次数对应的已学习寿命予测模型的集合；步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习寿命予测模型，获取作为输出的各个予测执行循环次数的寿命的概率分布。

Description

锂离子电池的寿命予测方法、放电容量维持率予测方法、寿命 予测程序、放电容量维持率予测程序及信息处理装置

技术领域

本发明涉及锂离子电池的寿命予测方法、放电容量维持率予测方法、寿命予测程序、放电容量维持率予测程序及信息处理装置。

背景技术

锂离子电池的研发中，通过进行充放电循环测试(charge-discharge cycletest)以测量电池电芯(battery cell)的循环寿命，可评估(评价)构成电池的材料和设计。图1的1A是藉由充放电循环测试而获得的循环寿命的示意图，循环寿命是作为放电容量维持率低于阈值的循环次数而获得的。电池的研发中所占的大部分时间都花费在循环寿命的测量上，为了加速电池的开发，需要一种可直接且可早期预测循环寿命或通过放电容量维持率来早期予测循环寿命的方法。

其中，作为可直接且可早期予测电池电芯的循环寿命的方法，公开了一种使用机器学习技术并根据充放电循环测试的初始结果来预测循环寿命的方法(专利文件1和2)。此外，还公开了一种不进行充放电循环测试而是藉由机器学习技术来预测循环寿命的方法，该机器学习技术将包含电池电芯的设计时所确定的设计因素、工艺因素及化成因素的数据作为学习数据(专利文件3)。

[引证文件]

[专利文件]

[专利文件1](日本)特表2010-539473号公报

[专利文件2](日本)特开2019-113524号公报

[专利文件3](日本)特开2013-217897号公报

发明内容

[要解决的技术问题]

从提高开发效率的角度出发，作为锂离子电池的研发中所使用的循环寿命的予测方法，需要满足以下两个要求。

第一，研发中频繁发生材料和设计的变化。每次发生这样的变化时都需要重新准备用于机器学习的学习数据，为了消除这种重新准备的工作，学习数据不应该依赖于构成电池的材料和设计。

第二，目前的电池电芯的循环寿命可达数千次循环，由于这样的长期间予测中的误差的影响较大，所以希望被予测的循环寿命为概率分布的形式。

专利文件1和2公开的方法中，将在充放电循环测试的初始时所获取的电压、电流、充放电容量等的测量数据使用为学习数据，由于不包含构成电池的材料和设计的信息，所以可满足上述第一个要求。但是，专利文件1公开的方法中所采用的神经网络的输出是单一值，此外，专利文件2公开的方法中没有提示以概率分布的形式来予测循环寿命的步骤。故而，这两个方法都无法满足上述第二个要求。

另外，就专利文件3公开的方法而言，由于将依赖于构成电池的材料和设计的数据作为了学习数据，所以不满足上述第一个要求。

因此，本发明的目的在于，提供一种可提高锂离子电池的开发效率的予测技术。

[技术方案]

本发明具备如下所述的构成。

[1]一种锂离子电池的寿命予测方法，其特征在于，由计算机执行：

步骤(a)，获取包括电池的循环测量数据和寿命数据的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，使用所述学习数据进行寿命予测模型的学习，获取与各个予测执行循环次数对应的已学习寿命予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习寿命予测模型，获取作为输出的各个予测执行循环次数的寿命的概率分布。

[2]如[1]所述的锂离子电池的寿命予测方法，其特征在于，

所述寿命予测模型具有

数据整形部，将所述循环测量数据整形为固定长度数据；

特征量提取部，将所述固定长度数据压缩为压缩数据；及

非线性转换部，使所述压缩数据转换为映射至高维空间的非线性特征量数据以作为非线性特征量数据，

并与回归部按此顺序连接而成，其中，所述回归部将所述非线性特征量数据作为输入，并输出寿命的概率分布。

[3]如[2]所述的锂离子电池的寿命予测方法，其特征在于，作为所述特征量提取部中的数据压缩方法，使用维数削减方法。

[4]如[3]所述的锂离子电池的寿命予测方法，其特征在于，所述维数削减方法为主成分分析。

[5]一种锂离子电池的放电容量维持率予测方法，其特征在于，由计算机执行：

步骤(a)，获取包括电池的循环测量数据和各次循环的放电容量维持率的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，使用所述学习数据进行各次循环的放电容量维持率模型的学习，获取与各个予测执行循环次数对应的已学习放电容量维持率予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习放电容量维持率予测模型，获取从各个予测执行循环次数开始至寿命为止的期间内的各次循环的放电容量维持率的概率分布。

[6]一种寿命予测程序，用于使计算机执行：

步骤(a)，获取包括电池的循环测量数据和寿命数据的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，使用所述学习数据进行寿命予测模型的学习，获取与各个予测执行循环次数对应的已学习寿命予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习寿命予测模型，获取作为输出的各个予测执行循环次数的寿命的概率分布。

[7]一种放电容量维持率予测程序，用于使计算机执行：

步骤(a)，获取包括电池的循环测量数据和各次循环的放电容量维持率的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，使用所述学习数据进行各次循环的放电容量维持率模型的学习，获取与各个予测执行循环次数对应的已学习放电容量维持率予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习放电容量维持率予测模型，获取作为输出的从各个予测执行循环次数开始至寿命为止的期间内的各次循环的放电容量维持率的概率分布。

[8]一种信息处理装置，执行：

步骤(a)，获取包括电池的循环测量数据和寿命数据的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，使用所述学习数据进行寿命予测模型的学习，获取与各个予测执行循环次数对应的已学习寿命予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习寿命予测模型，获取作为输出的各个予测执行循环次数的寿命的概率分布。

[9]一种信息处理装置，执行：

步骤(a)，获取包括电池的循环测量数据和各次循环的放电容量维持率的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，使用所述学习数据进行各次循环的放电容量维持率模型的学习，获取与各个予测执行循环次数对应的已学习放电容量维持率予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习放电容量维持率予测模型，获取作为输出的从各个予测执行循环次数开始至寿命为止的期间内的各次循环的放电容量维持率的概率分布。

[有益效果]

第一，即使材料和设计发生了变化，也不需要重新准备用于机器学习的学习数据。第二，循环寿命或放电容量维持率为概率分布的形式，据此可抑制长期间予测中的误差的影响。

换言之，根据本发明，能够提供一种可提高锂离子电池的开发效率的予测技术。

附图说明

[图1]图1的1A是表示藉由充放电循环测试而获得的放电容量维持率和循环寿命之间的关系的曲线图。图1的1B是表示至予测执行循环次数为止的放电容量维持率和藉由使用至予测执行循环次数为止的循环测量结果和本发明的组合而获得的循环寿命的概率分布的曲线图。

[图2]图2是本发明的第1实施方式的寿命予测方法的流程的流程图。

[图3]图3是表示本发明的第1实施方式中使用的循环测量数据和寿命数据的构成的图。

[图4]图4是表示本发明的第1实施方式中使用的寿命予测模型的构成的概略框图。

[图5]图5是表示执行本发明中使用的寿命予测模型的信息处理装置的硬件构成的图。

[图6]图6是对实施例中使用的循环测量数据的一部分进行了选取和描绘的曲线图。

[图7]图7的7A是对数据整形部C-1的步骤(4)的处理之前的充放电循环的定电流(恒电流)放电的步骤中的电流容量相对于电压进行了描绘的曲线图。图7的7B是对藉由在等间隔的电压的采样点处进行再采样而获得的电流容量相对于电压进行了描绘的曲线图。

[图8]图8是表示实施例中获得的寿命予测结果的曲线图。

[图9]图9是表示至予测执行循环次数为止的放电容量维持率和予测执行循环次数之后的予测放电容量维持率的曲线图。

[图10]图10是本发明的第2实施方式的寿命予测方法的流程的流程图。

[图11]图11是表示本发明的第2实施方式中使用的循环测量数据和放电容量维持率数据的构成的图。

[图12]图12是表示本发明的第2实施方式中使用的寿命予测和放电容量维持率予测模型的构成的概略框图。

具体实施方式

下面，参见附图对实施方式进行说明。为了便于理解说明，各图中对相同的构成要素尽可能标注了相同的符号，并对重复说明进行了省略。

[第1实施方式]

本发明的锂离子电池的寿命予测方法包括：步骤(a)，获取包括电池的循环测量数据和寿命数据的学习数据(也称训练数据)；步骤(b)，针对一个以上的予测执行循环次数，应用所述学习数据使寿命予测模型进行学习(即，对寿命予测模型进行训练)，以获取与各个予测执行循环次数对应的已学习寿命予测模型(也称已训练寿命予测模型)的集合；步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习寿命予测模型，以获取作为输出的各个予测执行循环次数的寿命的概率分布。

图2是用于对所述步骤(a)至(d)进行详细说明的流程图，步骤(a)与步骤S1对应，步骤(b)与步骤S31至S32对应，步骤(c)与步骤S41对应，步骤(d)与步骤S42对应。下面基于图2对本发明的锂离子电池的寿命予测方法进行说明。

如图2所示，本发明的锂离子电池的寿命予测方法中，按照如下流程执行：获取学习用循环测量数据A和学习用寿命数据B的步骤S1；确定一个以上的予测执行循环次数ni(i＝1，2，…)的步骤S2；按照步骤S2中确定的一个以上的予测执行循环次数ni的每个执行从学习用循环测量数据A中切出(截取)初始ni次循环份测量数据Ani的步骤S31和应用切出的测量数据Ani和学习用寿命数据B使寿命予测模型C进行学习以获取已学习寿命予测模型Cni的步骤S32这2个步骤的步骤；及按照步骤S2中确定的一个以上的予测执行循环次数ni的每个执行获取至予测执行循环次数ni为止的予测用循环测量数据Dni的步骤S41和将予测用循环测量数据Dni输入所述已学习寿命予测模型Cni以获取予测寿命的概率分布Eni的步骤S42这2个步骤的步骤。

步骤S1中，对多个电池的电芯进行充放电循环测试，并获取学习用循环测量数据A和学习用寿命数据B。学习数据获取中使用的电芯数量优选为50以上。此外，为了获取学习用寿命数据B，充放电循环测试优选为至各电芯达到循环寿命为止持续进行。

所述充放电循环测试中的1次循环需包含定电流充电的步骤和其后的定电流放电的步骤。此时，在定电流充电的步骤和定电流放电的步骤之间也可包含定电压充电的步骤。此外，各充放电步骤之间还可包含暂停(休止)的步骤。

所述循环寿命是放电容量低于预定(预先确定的)阈值的循环次数。作为一例，该阈值为第1次循环中测量的放电容量的80％。

图3示出了循环测量数据和寿命数据的构成。

循环测量数据是藉由对多个电芯进行充放电循环测试并在各次循环中对采样时间t1、t2、…和这些时间的物性值进行记录而获得的。采样时间优选为以可充分跟随(追随)物性值的变化的方式进行适当选择，不必为固定(一定)间隔。记录的物性值的项目需包含施加至电芯的电压和流过电芯的电流，另外还包含至少一种电芯所示的物理和化学特性中的可测量的物性值。作为记录的物性值，例如为电压、电流及电流容量的构成。

寿命数据是所述循环测量数据被获取了的电芯各自的循环寿命。

在步骤S1中获取学习用循环测量数据A和学习用寿命数据B时，如果充放电循环测试没有进行至达到循环寿命，则可使用至测量完成了的充放电循环为止的放电容量的变化(推移)和数理模型或时序数据分析方法的组合来对循环寿命进行估计(推定)，并将估计出的循环寿命用作学习用寿命数据B。作为数理模型的例子，可列举出与锂离子电池的容量衰减相关的已知的根定律和幂定律。作为时序数据分析方法的例子，可列举出自回归积分移动平均(ARIMA)模型、卡尔曼滤波器及高斯过程回归。

作为步骤S1中获取的学习用循环测量数据A和学习用寿命数据B，也可使用库存的测量数据。

步骤S2中确定的予测执行循环次数为，至寿命被予测的电芯的予测执行为止重复进行充放电循环测试的充放电循环并对测量数据进行累积的充放电循环次数。可选择确定多个予测执行循环次数。如果使用预先准备的予测执行循环次数，则也可不执行步骤S2。

针对步骤S2中确定的一个以上的予测执行循环次数ni(i＝1，2，…)，重复执行步骤S31和S32。

步骤S31中，从藉由步骤S1而获得的学习用循环测量数据A中切出至予测执行循环次数ni为止的循环测量数据作为学习用循环测量数据Ani。如果学习用循环测量数据A和学习用寿命数据B中具有在予测执行循环次数ni之前测量已经结束了的电芯，则排除该电芯的数据，因为其不能被使用。

接下来的步骤S32中，将切出的学习用循环测量数据Ani作为说明变量，并将学习用寿命数据B作为目标变量，藉此使寿命予测模型C进行学习，并获得予测执行循环次数ni的已学习寿命予测模型Cni。

步骤S31和S32中，准备与予测执行循环次数ni对应的对至初始ni次循环为止的循环测量数据进行了学习的已学习寿命予测模型Cni。即，在选择了多个予测执行循环次数的情况下，对与予测执行循环次数ni对应的初始ni次循环的每次循环的多个寿命予测模型Cni进行训练。

就初始ni次循环而言，例如，在初始200次循环的情况下，是指第1次循环至第200次循环。使用从学习用循环测量数据A中切出的第1～第200次循环的初始200次循环份学习用循环测量数据A200和学习用寿命数据B对寿命予测模型C200进行训练。已学习寿命予测模型C200当至予测执行循环次数200为止的予测用循环测量数据D200被输入时可输出予测寿命的概率分布E200。

作为目标变量的循环寿命总是为正的数值。故而，步骤S32中使寿命予测模型C进行学习时，不是直接应用学习用寿命数据B使寿命予测模型C进行学习，而是优选将学习用寿命数据B转换为B的对数后再使寿命予测模型C进行学习。这样，予测结果也为寿命的对数，由此可确保藉由逆转换而获得的予测寿命为正。

如图4所示，本发明的锂离子电池的寿命予测方法所使用的寿命予测模型可为由数据整形部C-1、特征量提取部C-2、非线性转换部C-3及回归部C-4依次连接而得的构成。寿命予测模型接收至予测执行循环次数ni为止的予测用循环测量数据作为输入，并输出寿命的概率分布。下面，作为一例，分别对构成寿命予测模型的要素进行说明。

数据整形部C-1接收至予测执行循环次数ni为止的循环测量数据作为输入，并输出行数为电芯的个数且列数为固定长度的矩阵形式的固定长度数据。矩阵形式的固定长度数据可通过如下方式生成，即，藉由下述(1)至(7)的整形处理将各电芯的循环测量数据整形为列数是固定长度的数据，并对其沿行方向进行重叠。

(1)整形后的数据中可包含充放电循环测试的特定时点的物性值和使用这些值而算出的值。整形后的数据中包含的值的项目例如可包括：第1次循环的充电开始时电压、第2次循环的充电开始时电压、…、第ni次循环的充电开始时电压、第1次循环的充电时间、第2次循环的充电时间、…、第ni次循环的充电时间、第1次循环的充电容量、第2次循环的充电容量、…、第ni次循环的充电容量、第1次循环的放电容量、第2次循环的放电容量、…、第ni次循环的放电容量、初始库仑效率、第ni次循环付近的循环次数―充电开始时电压曲线的斜率和截距、第ni次循环付近的循环次数―充电时间曲线的斜率和截距、第ni次循环付近的循环次数―充电容量曲线的斜率和截距及第ni次循环付近的循环次数―放电容量曲线的斜率和截距。这些都是单一值，每个项目的长度均为1。

(2)整形后的数据中可包含充放电循环测试的各次循环的特定时点的物性值。整形后的数据中包含的值的项目例如可包括：各次循环的充电开始时电压、各次循环的充电时间、各次循环的充电容量及各次循环的放电容量。此时，每个项目的长度为予测执行循环次数ni。

(3)将充放电循环的定电流充电的步骤的数据视为电压的函数并进行处理。如果存在相对于电压的变化示出具有意义的变化的物性值，则在预先确定的数量的电压的再采样点处进行再采样。藉由对所有的循环都执行该处理，对于一个物性，可将其转换为具有“予测执行循环次数ni×电压的再采样点个数”的长度的数据。作为相对于电压的变化示出具有意义的变化的物性值的例子，可列举出电流容量。

(4)就充放电循环的定电流放电的步骤的数据而言，以与定电流充电的步骤的数据同样的方式对其进行处理。

(5)在充放电循环中存在定电压充电的步骤的情况下，将该数据视为电流的函数并执行处理。如果存在相对于电流的变化示出具有意义的变化的物性值，则在预先确定的数量的电流的再采样点处进行再采样。通过对所有的循环都执行该处理，对于一个物性，可将其转换为具有“予测执行循环次数ni×电流的再采样点个数”的长度的数据。作为相对于电流的变化示出具有意义的变化的物性值的例子，可列举出时间。

(6)在充放电循环中存在休止的步骤的情况下，将该数据删除。

(7)沿列方向对上述(1)至(6)的步骤中获得的项目的值进行连接，生成矩阵形式的固定长度数据的一行。

在由数据整形部C-1执行的再采样的方法中，可使用最简单的线性插值，也可使用二次以上的多项式插值、样条插值等。

特征量提取部C-2接收从数据整形部C-1输出的固定长度数据作为输入，并使用数据压缩方法将固定长度数据压缩为压缩数据，然后进行输出。作为数据压缩方法，可列举出维数削减方法，作为维数削减方法，优选为主成分分析(Principal Component Analysis，PCA)。在使用主成分分析的情况下，优选为按照在矩阵形式的数据内沿列方向连接的每个项目进行数据压缩。但是，就列方向上的长度为1的项目而言，并不对其进行数据压缩，而是使其保持原样。主成分分析可从固定长度数据中提取主成分。提取的主成分的数量需依照每个项目预先确定。提取的主成分的数量优选为被选择得足够大，使得提取出的主成分的累积贡献率为90％以上。

非线性转换部C-3接收从特征量提取部C-2输出的压缩数据作为输入，并应用非线性转换使其转换为映射至高维空间的非线性特征量数据，然后进行输出。随后的回归部C-4接收所述非线性特征量数据作为输入，并将其输出为寿命的概率分布。

尽管可分别设定非线性转换部C-3和回归部C-4中使用的方法，但是，较佳为将具有两个功能的高斯过程回归应用于C-3和C-4。在分别进行设定的情况下，非线性转换部C-3优选使用核方法(Kernel Method)。回归部C-4的输出需为概率分布，除了高斯过程回归之外还可使用贝叶斯岭回归(Bayesian Ridge)等。

在非线性转换部C-3和回归部C-4中应用高斯过程回归的情况和在非线性转换部C-3中应用核方法的情况下，为了成为非线性转换，可使用径向基函数核(Radial BasisFunction Kernel)等的非线性核。

藉由重复执行步骤S31和S32，可获得与一个以上的予测执行循环次数ni(i＝1，2，…)对应的已学习寿命予测模型Cni的集合。之后，针对这些一个以上的ni和Cni，重复执行如下所述的步骤S41和S42。

步骤S41中，至予测执行循环次数ni为止对寿命被予测的电池的电芯进行充放电循环测试，获得予测用循环测量数据Dni。予测用循环测量数据Dni的物性值的构成包含学习用循环测量数据Ani的物性值的构成。

接下来的步骤S42中，将所述予测用循环测量数据Dni输入对应的予测执行循环次数ni的已学习寿命予测模型Cni，获得作为输出的寿命的概率分布Eni。在予测用循环测量数据Dni包含了学习用循环测量数据Ani中没有的物性值的项目的情况下，在输入至寿命予测模型Cni之前将该项目从Dni中删除。

可对一个以上的予测执行循环次数ni都重复执行步骤S41和S42，但是，如果实施者根据基于早期的予测执行循环次数而得寿命予测结果判断为针对予测对象电芯的寿命已经获得了足够的置信度(confidence)，则也可省略后续的基于予测执行循环次数ni的予测。此情况下，实施者可提前结束予测对象电芯的充放电循环测试。

图5示出了用于执行上述寿命予测模型的信息处理装置的硬件构成。如图5所示，信息处理装置500具有处理器501、存储器502、辅助存储装置503、I/F(Interface)装置504、通信装置505及驱动装置506。需要说明的是，信息处理装置500的各个硬件经由总线507相互之间进行了连接。

处理器501具有CPU(Central Processing Unit)、GPU(Graphics ProcessingUnit)等的各种运算装置。处理器501可将各种程序(例如，寿命予测程序等)读取到存储器502上并对其进行执行。

存储器502具有ROM(Read Only Memory)、RAM(Random Access Memory)等的主存储装置。处理器501和存储器502形成所谓的计算机，藉由处理器501对读取至存储器502上的各种程序进行执行，该计算机可实现上述功能。

辅助存储装置503可对各种程序、各种程序被处理器501执行时所使用的各种数据等进行保存。

I/F装置504是用于将操作装置511和表示装置512连接至信息处理装置500的连接装置。通信装置505是用于经由网络与未图示的外部装置进行通信的通信装置。驱动装置506是用于放入(set)存储介质513的装置。

需要说明的是，辅助存储装置503中安装的各种程序例如可通过如下方式安装，即，将分发的存储介质513放入驱动装置506，由驱动装置506读取该存储介质513中保存的各种程序，藉此进行安装。或者，辅助存储装置503中安装的各种程序也可采用经由通信装置505从网络下载的方式来进行安装。

[实施例]

下面对基于本实施方式的实施例进行说明。

本实施例中，由步骤S1对104个锂离子电池的电芯进行充放电循环测试，并获得了学习用循环测量数据A和学习用寿命数据B。充放电循环测试的充放电循环由定电流充电的步骤、定电压充电的步骤、休止的步骤、定电流放电的步骤及休止的步骤这5个步骤构成，作为循环测量数据中包含的物性值，对施加至电芯的电压、流过电芯的电流及电流容量这3个项目进行了记录(保存)。

图6是对实施例中所使用的循环测量数据的一部分进行了选取和描绘的曲线图。具体而言，从实施例中获得的学习用循环测量数据A中切出(截取)某个电芯的从第1次循环开始前至第2次循环结束后为止的数据，将时间作为横轴，并将电压、电流及电流容量作为纵轴，由此进行了描绘。如图6所示，本实施例的充放电循环测试中，电压范围为2.8V至4.2V，电流范围为-50mA至50mA。由此可知，曲线在各步骤内为平滑曲线或直线，采样时间被进行了适当选择以可充分跟随(追随)物性值的变化。

本实施例中，将电芯的放电容量低于第1次循环的80％的循环次数定义为循环寿命，就步骤S1中用于获取学习用寿命数据B的充放电循环测试而言，短的进行了2,000次循环，最长的进行了4,000次循环。另外，对于一部分未达到循环寿命的电芯，是使用作为测量值而获得的放电容量的推移和幂定律的组合来对循环寿命进行估计的。在基于幂定律的曲线拟合的均方根误差(root mean square error)小于0.001mAh的条件下，将估计出的循环寿命用作学习用寿命数据B。为此，本实施例的学习用循环测量数据A和学习用寿命数据B中包含的电芯的数量为70个，学习用寿命数据B中包含的寿命的范围约为500次循环至6,000次循环。

作为步骤S2中确定的予测执行循环次数ni，本实施例中在第100次循环至第1,000次循环的范围内以100次循环为单位选择了10个。

针对步骤S2中确定的所述10个予测执行循环次数ni反复执行了步骤S31和步骤S32，这里，步骤S31中，将从学习用循环测量数据A开始至予测执行循环次数ni为止的循环测量数据截取为学习用循环测量数据Ani，步骤S32中，将截取的学习用循环测量数据Ani作为说明变量，将使学习用寿命数据B转换为对数后的数据作为目标变量，并使寿命予测模型C进行学习，藉此获取予测执行循环次数ni的已学习寿命予测模型Cni。

本实施例的寿命予测模型的详细内容如下所述。

数据整形部C-1接收至予测执行循环次数ni为止的循环测量数据作为输入，并输出行数为电芯的个数且列数为固定长度的矩阵形式的固定长度数据。本实施例中的所述固定长度数据可通过如下方式成，即，藉由下述(1)至(7)的整形处理将各电芯的循环测量数据整形为列数是固定长度的数据，并对其沿行方向进行重叠。

(1)作为充放电循环测试的特定时点的物性值和藉由使用这些物性值而算出的值，包含如下33个项目，即，第1次循环的充电开始时电压、第2次循环的充电开始时电压、第ni次循环的充电开始时电压、第1次循环的总充电时间、第2次循环的总充电时间、第ni次循环的总充电时间、第1次循环的定电压充电时间、第2次循环的定电压充电时间、第ni次循环的定电压充电时间、第1次循环的总充电容量、第2次循环的总充电容量、第ni次循环的总充电容量、第1次循环的定电压充电容量、第2次循环的定电压充电容量、第ni次循环的定电压充电容量、第1次循环的放电容量、第2次循环的放电容量、第ni次循环的放电容量、第ni次循环的放电容量维持率、第ni次循环付近的循环次数―充电开始时电压曲线的斜率和截距、第ni次循环付近的循环次数―总充电时间曲线的斜率和截距、第ni次循环付近的循环次数―定电压充电时间曲线的斜率和截距、第ni次循环付近的循环次数―总充电容量曲线的斜率和截距、第ni次循环付近的循环次数―定电压充电容量曲线的斜率和截距、第ni次循环付近的循环次数―放电容量曲线的斜率和截距及第ni次循环付近的循环次数―放电容量维持率曲线的斜率和截距。这些值都是单一值，每个项目的长度均为1。

(2)作为充放电循环测试的各次循环的特定时点的物性值，包含如下7个项目，即，各次循环的充电开始时电压、各次循环的总充电时间、各次循环的定电压充电时间、各次循环的总充电容量、各次循环的定电压充电容量、各次循环的放电容量及各次循环的放电容量维持率。每个项目的长度为予测执行循环次数ni。

(3)将充放电循环的定电流充电的步骤中的电流容量的数据视为电压的函数，在本实施例的电压范围即2.8V至4.2V的范围内等间隔地进行了101个电压的采样，并藉由线性插值对这些采样点进行了再采样。通过对所有的循环都执行该处理，转换为具有“予测执行循环次数ni×电压的再采样点个数101”的长度的数据。

(4)就充放电循环的定电流放电的步骤中的电流容量的数据而言，以与定电流充电的步骤的电流容量的数据同样的方式对其进行了处理。

(5)将充放电循环的定电压充电的步骤中的电流容量和时间的数据视为电流的函数，在本实施例的电流范围即-50mA至50mA的范围内等间隔地进行了101个电流的采样，并藉由线性插值对这些采样点进行了再采样。通过对所有的循环都执行该处理，将电流容量和时间分别转换为具有“予测执行循环次数ni×电压的再采样点个数101”的长度的数据。

(6)删除了充放电循环的休止的步骤的数据。

(7)沿列方向对藉由上述(1)至(6)的整形处理而获得的长度为1的33个项目、长度为ni的7个项目及长度为ni×101的4个项目进行连接，由此生成了矩阵形式的固定长度数据的一行。

图7的7A是对数据整形部C-1的整形处理(4)的处理之前的充放电循环的定电流放电的步骤中的电流容量相对于电压进行了描绘的曲线图。3个曲线为基于不同循环次数的电流容量，曲线之间电压的采样数量和采样位置不同。图7的7B是对藉由对图7的7A所示的数据执行整形处理(4)的处理并在共同的电压采样点处进行再采样而获得的电流容量相对于电压进行了描绘的曲线图。

特征量提取部C-2接收从数据整形部C-1输出的固定长度数据作为输入，并对其应用数据压缩方法使其为压缩数据，然后进行输出。本实施例中，采用主成分分析作为数据压缩方法，并按照在矩阵形式的固定长度数据内沿列方向连接的每个项目分别应用主成分分析，由此获得了压缩数据。此时，就列方向上的长度仅为1的33个项目而言，不应用主成分分析，使其保持原样。主成分分析中提取的主成分的数量被选择为足够大，使得提取出的成分的累积贡献率为90％以上。具体而言，关于列方向的长度为予测执行循环次数ni的7个项目，分别提取了10个主成分，关于列方向的长度为予测执行循环次数ni×101的4个项目，分别提取了20个主成分。

非线性转换部C-3接收从特征量提取部C-2输出的压缩数据作为输入，并对其应用非线性转换使其为非线性特征量数据，然后进行输出。随后的回归部C-4接收所述非线性特征量数据作为输入，并将其作为寿命的概率分布进行输出。本实施例中，作为非线性转换部C-3和回归部C-4中使用的方法，采用了具有两个功能的高斯过程回归，并将径向基函数核、常数核及噪点核(White Kernel)的和用作为核(kernel)。

通过重复执行步骤S31和S32，获得了分别与10个予测执行循环次数ni对应的已学习寿命予测模型Cni的集合。本实施例中，如下所述，针对这10个ni和Cni反复执行了步骤S41和S42。

本实施例的步骤S41中，至予测执行循环次数ni为止对寿命被予测的2个电芯进行充放电循环测试，藉此获得了予测用循环测量数据Dni。予测用循环测量数据Dni的构成与本实施例中的学习用循环测量数据Ani的构成相同。

接下来的步骤S42中，将所述予测用循环测量数据Dni输入对应的予测执行循环次数ni的已学习寿命予测模型Cni，由此获得了作为输出的寿命的对数的概率分布Eni。

图8所示的曲线图是藉由如下方式得到的，即，根据所获得的寿命的对数的概率分布Eni求出平均值和95％置信区间，将对数进行逆转换，并对2个电芯分别进行了描绘。是寿命的平均值，上下方向的须线是寿命的95％置信区间。针对作为予测对象的2个电芯，在图8的8A和图8的8B中分别对其进行了表示。与图8的8A对应的电芯在充放电循环测试的第668次循环时达到了寿命，故没有进行第700次循环之后予测。作为实际寿命的668次循环在图8的8A中由虚线进行了表示。与图8的8B对应的电芯在最后的予测执行循环次数即第1,000次循环的时点也没有达到循环寿命。为了验证，之后继续进行了至第1,400次循环为止的充放电循环测试，并使用所得到的放电容量和幂定律的组合将实际循环寿命估计为4,650次循环。曲线拟合的均方根误差小于0.001mAh。藉由估计而获得的估计实际寿命即4,650次循环在图8的8B中由虚线进行了表示。

可以看出，图8的8A和图8的8B中，予测出的寿命的平均值都为接近对象电芯的实际寿命或估计实际寿命的值，就予测出的95％置信区间而言，随予测执行循环次数的增加，会收敛至实际寿命或估计实际寿命。如果实施者判断为95％置信区间已经变得足够窄了，则可省略后续的予测执行循环次数时的予测，以提前结束充放电循环测试。

[第2实施方式]

上述第1实施方式中，作为根据予测用循环测量数据进行予测的予测项目，对预测寿命的概率分布的情况进行了说明。但是，予测项目并不限定于寿命的概率分布，例如也可构成为，进一步预测从予测执行循环次数开始至达到予测寿命为止的期间、或至超过予测寿命的某个时点为止的期间内的各次循环中予测放电容量维持率。下面对第2实施方式进行说明，需要说明的是，下文中以与上述第1实施方式的不同点为中心来描述第2实施方式。

首先，对第2实施方式中的新予测项目即各次循环中的放电容量维持率进行说明。图9是至予测执行循环次数为止的放电容量维持率和予测执行循环次数之后的予测放电容量维持率的示意图。

与图1同样，图9的横轴表示循环次数，纵轴表示放电容量维持率。

图9中，符号910表示至予测执行循环次数为止所获得的予测用循环测量数据的曲线。

此外，符号920表示予测执行循环次数之后的任意循环次数(例如，循环次数＝200，300，400…等)时的予测放电容量维持率的描绘点和对各描绘点进行了连接的折线。

此外，符号921、922表示在基于予测执行循环次数之后的任意循环次数计算予测放电容量维持率时的各95％置信区间的上限值的连接折线和下限值的连接折线。

这样，通过对至达到予测寿命为止的期间内的各次循环中的予测放电容量维持率进行表示，实施者可掌握至达到予测寿命为止的予测放电容量维持率的推移(变化)。

需要说明的是，图9的例子中，作为寿命的概率分布，对寿命的平均值(符号930)和寿命的95％置信区间(符号931)进行了一并表示。

接着，对第2实施方式的寿命予测方法的流程进行说明。图10是本发明的第2实施方式的寿命予测方法的流程的流程图。与上述第1实施方式中基于图2所说明的流程图的不同点在于步骤S12、S33、S43。

步骤S12中，对在步骤S11中藉由至达到循环寿命为止持续进行充放电循环测试而获取的各次循环中的放电容量维持率B’进行计算。

步骤S33中，将切出(截取)的学习用循环测量数据Ani作为说明变量，将放电容量维持率B’作为目标变量，并使放电容量维持率予测模型C’进行学习，由此获取予测执行循环次数ni的已学习放电容量维持率予测模型C’ni。

步骤S31和S33中，准备对与予测执行循环次数ni对应的至初始ni次循环为止的循环测量数据进行了学习的已学习放电容量维持率予测模型C’ni。即，在选择了多个予测执行循环次数的情况下，对与予测执行循环次数ni对应的初始ni次循环的每次循环的多个放电容量维持率予测模型C’ni进行训练。

如上所述，就初始ni次循环而言，例如，如果为初始200次循环，则是指第1次循环至第200次循环。使放电容量维持率予测模型C’200应用从学习用循环测量数据A切出的第1～第200次循环的初始200次循环份学习用循环测量数据A200和各次循环的电容量维持率B’进行学习。将至予测执行循环次数200为止的予测用循环测量数据D200输入已学习放电容量维持率予测模型C’200后，已学习放电容量维持率予测模型C’200可输出予测放电容量维持率的概率分布E’200。

需要说明的是，作为目标变量的予测放电容量维持率通常为大于零且小于予测执行循环次数时的放电容量维持率的值。为此，在步骤S33中使放电容量维持率予测模型C’进行学习时，并不是使其直接对放电容量维持率B’进行学习，而是优选使其对藉由下式(1)而转换了的值进行学习。这样，由于予测放电容量维持率也为藉由下式(1)而转换了的值，所以可确保藉由逆转换而获得的予测放电容量维持率为大于零且小于予测执行循环次数时的放电容量维持率的值。

式(1)：转换值＝log(ymi/(yni-ymi))

这里，ymi为要予测的循环次数mi时的予测放电容量维持率，yni为予测执行循环次数ni时的放电容量维持率。

步骤S43中，将予测用循环测量数据Dni输入对应的予测执行循环次数ni的已学习放电容量维持率予测模型C’ni，由此可获得作为输出的各次循环的放电容量维持率的概率分布E’ni。

此外，还根据所获得的放电容量维持率的藉由式(1)而转换后的值的概率分布E’ni求出予测放电容量维持率和95％置信区间，并对其进行逆转换，据此获得了如图9所示的曲线图。

图11示出了循环测量数据和放电容量维持率数据的构成。其中，就循环测量数据的详细内容而言，已经在上述第1实施方式中基于图3被进行了说明，为此，这里对其说明进行了省略。

放电容量维持率是循环测量数据被获得了的电芯各自的各次循环的放电容量维持率。图11的例子示出了第m1次循环的放电容量维持率、第m2次循环的放电容量维持率、…等。

接着，对第2实施方式中使用的寿命予测和放电容量维持率予测模型的构成进行说明。图12是对本发明的第2实施方式中使用的寿命予测和放电容量维持率予测模型的构成进行概略表示的框图。

如图12所示，第2实施方式中的寿命予测和放电容量维持率予测模型具有数据整形部C-1、特征量提取部C-2、非线性转换部C-3、回归部C-4、非线性转换部C’-3及回归部C’-4。寿命予测和电容量维持率予测模型接收至予测执行循环次数ni为止的予测用循环测量数据作为输入，并输出寿命的概率分布和各次循环的放电容量维持率的概率分布。

下面，作为一例，分别对构成寿命予测和放电容量维持率予测模型的要素进行说明。但是，由于在上述第1实施方式中已经基于图4对数据整形部C-1～回归部C-4进行了说明，所以这里仅对非线性转换部C’-3和回归部C’-4进行说明。

非线性转换部C’-3接收从特征量提取部C-2输出的压缩数据作为输入，并对其应用非线性转换以输出非线性特征量数据。随后的回归部C’-4接收非线性特征量数据作为输入，并输出各次循环的放电容量维持率的概率分布。

可分别设定非线性转换部C’-3中使用的方法和回归部C’-4中使用的方法，但是优选将具有两个功能的高斯过程回归应用于C’-3和C’-4。需要说明的是，在分别进行设定的情况下，优选为在非线性转换部C’-3中使用核方法。另一方面，回归部C’-4的输出需为概率分布，故除了高斯过程回归之外，还可使用贝叶斯岭回归等。

需要说明的是，在非线性转换部C’-3和回归部C’-4中应用高斯过程回归的情况或在非线性转换部C’-3中应用核方法的情况下，为了成为非线性转换，可使用径向基函数核等的非线性核。

如上所述，根据第2实施方式，可根据予测用循环测量数据对寿命的概率分布以及从予测执行循环次数开始至达到予测寿命为止的期间、或至超过予测寿命的某个时点为止的期间内的各次循环的予测放电容量维持率和95％置信区间进行予测。

[其它实施方式]

上述第2实施方式中，对藉由使用一体模型(寿命予测和放电容量维持率予测模型)来实现寿命的概率分布的予测和放电容量维持率的概率分布的予测的情况进行了说明。但是，也可使用分别独立的模型(寿命予测模型和放电容量维持率予测模型)来实现寿命的概率分布的予测和放电容量维持率的概率分布的。具体而言，可构成为分别准备寿命予测程序和放电容量维持率予测程序，并使信息处理装置500独立执行每个程序。

本申请主张基于2020年10月15日申请的日本国专利申请第2020-174106号的优先权，并将该日本国专利申请的内容全部援引于本申请。

[工业适用性]

本发明的锂离子电池的寿命予测方法可适用于锂离子电池开发中的寿命评价(评估)。

Claims (9)

1.一种锂离子电池的寿命予测方法，其特征在于，由计算机执行：

步骤(a)，获取包括电池的循环测量数据和寿命数据的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，应用所述学习数据使寿命予测模型进行学习，获取与各个予测执行循环次数对应的已学习寿命予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习寿命予测模型，获取作为输出的各个予测执行循环次数的寿命的概率分布。

2.如权利要求1所述的锂离子电池的寿命予测方法，其特征在于，

所述寿命予测模型具有

数据整形部，将所述循环测量数据整形为固定长度数据；

特征量提取部，将所述固定长度数据压缩为压缩数据；及

非线性转换部，使所述压缩数据转换为映射至高维空间的非线性特征量数据以作为非线性特征量数据，

并与回归部按此顺序连接而成，其中，所述回归部将所述非线性特征量数据作为输入，并输出寿命的概率分布。

3.如权利要求2所述的锂离子电池的寿命予测方法，其特征在于，

作为所述特征量提取部中的数据压缩方法，使用维数削减方法。

4.如权利要求3所述的锂离子电池的寿命予测方法，其特征在于，

所述维数削减方法为主成分分析。

5.一种锂离子电池的放电容量维持率予测方法，其特征在于，由计算机执行：

步骤(a)，获取包括电池的循环测量数据和各次循环的放电容量维持率的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，应用所述学习数据使各次循环的放电容量维持率模型进行学习，获取与各个予测执行循环次数对应的已学习放电容量维持率予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习放电容量维持率予测模型，获取作为输出的从各个予测执行循环次数开始至寿命为止的期间内的各次循环的放电容量维持率的概率分布。

6.一种寿命予测程序，用于使计算机执行：

步骤(a)，获取包括电池的循环测量数据和寿命数据的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，应用所述学习数据使寿命予测模型进行学习，获取与各个予测执行循环次数对应的已学习寿命予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习寿命予测模型，获取作为输出的各个予测执行循环次数的寿命的概率分布。

7.一种放电容量维持率予测程序，用于使计算机执行：

步骤(a)，获取包括电池的循环测量数据和各次循环的放电容量维持率的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，应用所述学习数据使各次循环的放电容量维持率模型进行学习，获取与各个予测执行循环次数对应的已学习放电容量维持率予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习放电容量维持率予测模型，获取作为输出的从各个予测执行循环次数开始至寿命为止的期间内的各次循环的放电容量维持率的概率分布。

8.一种信息处理装置，执行：

步骤(a)，获取包括电池的循环测量数据和寿命数据的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，应用所述学习数据使寿命予测模型进行学习，获取与各个予测执行循环次数对应的已学习寿命予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习寿命予测模型，获取作为输出的各个予测执行循环次数的寿命的概率分布。

9.一种信息处理装置，执行：

步骤(a)，获取包括电池的循环测量数据和各次循环的放电容量维持率的学习数据；

步骤(b)，针对一个以上的予测执行循环次数，应用所述学习数据使各次循环的放电容量维持率模型进行学习，获取与各个予测执行循环次数对应的已学习放电容量维持率予测模型的集合；

步骤(c)，至所述予测执行循环次数为止依次获取作为予测对象的电池的予测用循环测量数据；及

步骤(d)，将至予测执行循环次数为止所获取的予测用循环测量数据分别输入对应的予测执行循环次数的已学习放电容量维持率予测模型，获取作为输出的从各个予测执行循环次数开始至寿命为止的期间内的各次循环的放电容量维持率的概率分布。