JP2013217897A - バッテリーの寿命予測システム - Google Patents

Abstract

【課題】本発明はバッテリーの寿命予測システムを提供すること。
【解決手段】一例として、予め製作された学習バッテリーセルに対して特定の少なくとも一つの学習測定因子および少なくとも一つの学習因子が入力される学習データ入力部と、寿命を予測するために対象バッテリーセルに対する少なくとも一つの対象因子が入力される対象データ入力部と、前記学習データ入力部に連結され、前記学習データ入力部に入力される前記学習因子それぞれに対して加重値を付与する機械学習部と、前記対象データ入力部および前記機械学習部に連結され、前記対象バッテリーセルの寿命を示す一つまたはそれ以上の予測特性を予測するために前記機械学習部によって付与された加重値を利用する寿命予測部とを含むバッテリーの寿命予測システムを提供する。
【選択図】図１

Description

本発明はバッテリーの寿命予測システムに関する。

バッテリーの寿命を予測するために人工神経網(Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ)を利用する既存のシステムには学習データとしてバッテリーセルの初期特性データと長期特性データを使用する。ここで、初期特性データとしては、バッテリーセルの活性化工程中に測定したバッテリーセルの充電特性変化データ、または初期サイクル（約１ないし１０サイクル）で測定したバッテリーセルの充／放電特性変化データ、厚さの変化データまたは開放電圧変化データがこれに該当できる。また、長期特性データとしては、予め設定した長期サイクル（約３００サイクル）でバッテリーセルの充／放電特性変化データ、厚さの変化データ、または開放電圧変化データがこれに該当できる。

このような学習データを入力値とする既存の寿命予測システムの場合、寿命を予測しようとするバッテリーセルに対しても入力値測定を行わなければならないので、それに伴うセル製作および特性評価に追加的な時間を要することになり、さらには開発日程の遅延の原因になる可能性がある。

また、予測のために製作されたバッテリーセル間の偏差が大きい場合、初期特性データの信頼度が低くなる可能性がある。特に、既存の寿命予測システムは物理／化学的な特性が反映されない単純な数値的な分析であるので、高い信頼度を保障できない。

本発明は、バッテリーセルを製作して寿命を評価する前にバッテリーセルの色々な特性因子に応じた寿命の傾向性をより早い時間内に予測し、寿命予測に対する信頼度が向上したバッテリーの寿命予測システムを提供する。

本発明の実施形態によるバッテリーの寿命予測システムは、予め製作された学習バッテリーセルに対して特定の少なくとも一つの学習測定因子および少なくとも一つの学習因子が入力される学習データ入力部と、寿命を予測するために対象バッテリーセルに対する少なくとも一つの対象因子が入力される対象データ入力部と、前記学習データ入力部に連結され、前記学習データ入力部に入力される前記学習因子それぞれに対して加重値を付与する機械学習部と、および前記対象データ入力部および前記機械学習部に連結され、前記対象バッテリーセルの寿命を示す一つまたはそれ以上の予測特性を予測するために前記機械学習部によって付与された加重値を利用する寿命予測部とを含む。

また、前記学習測定因子は前記学習バッテリーセルの実際測定によって得ることができる。

また、前記学習測定因子は、前記学習バッテリーセルのサイクル別容量変化とサイクル別厚さ変化のグループから選択できる。

また、１サイクルは１回の充電、１回の放電および１回の休止時間で構成され、前記休止時間は前記充電と前記放電との間の時間、または前記充電および／または前記放電と次回の充電および／または放電の間の時間であることができる。

また、前記少なくとも一つの学習因子は学習設計因子、学習工程因子および学習化成因子のグループから選択できる。

また、前記学習データ入力部に少なくとも一つの学習設計因子が入力され、前記学習設計因子は前記学習バッテリーセルの設計変数を表すことができる。

また、前記学習設計因子は、前記学習バッテリーセルの容量、エネルギー密度、厚さ、幅、電流密度、合剤密度、極板の厚さ、ローディングレベル、フォームファクタ、セパレータの幅、セパレータの厚さ、セパレータの種類、セパレータのコーティングの有無、極板とセパレータの巻取数、極板とセパレータの間の接着力、電解液の種類、電解液の組成比、電解液量、添加剤の種類、添加剤含有量、率別放電、空隙率、基材厚さ、基材強度、パウチの厚さ、活物質の物性値、およびバインダー物質の物性値のグループから選択できる。

また、前記学習設計因子は前記学習バッテリーセルの製造前に分かる。

また、前記学習データ入力部は少なくとも一つの学習工程因子を受けて、前記学習工程因子は前記学習バッテリーセルの製造時に使用される工程変数を表すことができる。

また、前記学習工程因子は前記学習バッテリーセルの構成品の巻取張力、前記学習バッテリーセルのＤ／Ｆ（ｄｅｇａｓｓｉｎｇ ａｎｄ ｆｏｌｄｉｎｇ）条件および前記学習バッテリーセルのタップ溶接方法のグループから選択され、前記構成品はセパレータまたは電極板であることができる。

また、前記学習データ入力部は少なくとも一つの学習化成因子を受けて、前記学習化成因子は前記学習バッテリーセルが組み立てられた以降の前記学習バッテリーセルに対する化成変数を表すことができる。

また、前記学習化成因子は、前記学習バッテリーセルのＡｇｉｎｇ、充電及び／または放電、および脱気(Ｄｅｇａｓｓｉｎｇ)及びリシーリング（Ｒｅｓｅａｌｉｎｇ）のグループから選択される一つまたはそれ以上に関連した温度、時間、充電および／または放電電流、電圧、カットオフ条件および圧力のグループから選択できる。

また、前記少なくとも一つの対象因子は対象設計因子、対象工程因子および対象化成因子のグループから選択できる。

また、前記寿命予測部は、前記対象バッテリーセルのサイクル別容量変化およびサイクル別厚さ変化のグループから選択された予測特性を予測できる。

また、前記機械学習部は多数のサブ機械学習部を含み、前記寿命予測部は前記多数のサブ機械学習部と対応する多数のサブ寿命予測部を含むことができる。

また、前記サブ機械学習部それぞれは当該学習因子に基づいて加重値を付与し、前記学習因子は学習設計因子、学習工程因子および学習化成因子のグループから選択できる。

また、前記サブ寿命予測部は当該サブ機械学習部によって付与された加重値を利用して、予測関数を実行することができる。

また、前記寿命予測部と連結され、前記一つまたはそれ以上の予測特性に基づいて、前記対象バッテリーセルに対する予測された寿命を表わす寿命表示部をさらに含むことができる。

本発明の実施形態によるバッテリーの寿命予測方法は、対象バッテリーセルの寿命を予測する方法であって、前記方法は予測関数を作る段階を含み、前記予測関数を作る段階は、第１因子が学習バッテリーセルの特性測定から決定され、第２因子が前記学習バッテリーセルの設計因子、前記学習バッテリーセルの工程因子、および前記学習バッテリーセルの化成因子から選択され、前記学習バッテリーセルの製造で特定されるものであって、予め製造された学習バッテリーセルの前記第１因子と前記学習バッテリーセルの第２因子が入力される段階と、前記学習バッテリーセルの前記第１因子および前記学習バッテリーセルの前記第２因子が相互連関する段階と、前記対象バッテリーセルの第２因子は前記対象バッテリーセルの設計因子、前記対象バッテリーセルの工程因子、および前記対象バッテリーセルの化成因子から選択され、入力として前記対象バッテリーセルの前記第２因子が入力される段階と、前記対象バッテリーセルの前記第２因子を前記予測関数に適用する段階と、前記対象バッテリーセルの前記第２因子を前記予測関数に適用することに基づいて、前記対象バッテリーセルに対して予測された特性を出力する段階とを含む。

本発明によれば、バッテリーセルを製作して寿命を評価する以前にバッテリーセルの色々な特性因子に応じた寿命を予測することによって、セルの製作前に設計誤りを判定することができる。結果的に、セルの製作期間に要する時間および材料費用を削減し、寿命評価に要する時間を短縮することができる。

また、すでに蓄積された設計特性データおよび容量データに基づいて寿命予測を実施することによって、既存に比べて寿命予測に必要な時間を減らすことができ、物理／化学的特性が含まれている設計特性因子を入力値で学習するので、寿命予測に対する高い信頼度を確保することができる。

本発明の実施形態によるバッテリー寿命予測システムの構成を概略的に示すブロック図である。 図１に示された機械学習部の構成をより具体的に示すブロック図である。 図１に示された寿命予測部の構成をより具体的に示すブロック図である。 本実施形態の寿命予測結果と実際の測定結果を比較して示すグラフである。 本実施形態の寿命予測結果と実際の測定結果を比較して示すグラフである。 本実施形態の寿命予測結果と実際の測定結果を比較して示すグラフである。 本実施形態の寿命予測結果、実際の測定結果および従来技術による予測結果を比較して示すグラフである。

本発明の属する技術分野において通常の知識を有する者が容易に実施できる程度、本発明の望ましい実施形態を、図面を参照して詳細に説明する。

図１は、本発明の実施形態によるバッテリー寿命予測システム１０００の構成を概略的に示すブロック図である。

図１を参照すれば、本実施形態のバッテリー寿命予測システム１０００はデータ入力部１００、演算部２００および寿命表示部３００を含む。

データ入力部１００は演算部２００の学習動作と寿命予測動作のために必要な各種データが入力されるインターフェースである。このようなデータ入力部１００は学習データ入力部１１０と対象データ入力部１２０を含むことができる。

学習データ入力部１１０には学習対象となるバッテリーセル（以下、学習対象セルという）に対するデータ（以下、学習データという）が入力される。より具体的に、学習データ入力部１１０に予め定義された方式により記録されているコンピュータ上の媒体ファイルを指定したり、前記学習データを直接記入できる定型化されたテンプレートを含むユーザインターフェースを提供することによって、前記学習データが入力される。前記学習データはバッテリーセルの寿命の決定に影響を与える可能性のある因子を意味し、演算部２００を学習させるために利用される。

このような学習データは、下記の表１のように学習対象セルに対する設計特性因子、工程特性因子、化成特性因子およびサイクル別測定特性因子を含むことができ、これらはそれぞれ数値的に表すことができる。

前記設計特性因子は学習対象セルを構成する設計要素と関連した因子であって、学習対象セルの容量、エネルギー密度、厚さ、幅、電流密度、合剤密度、極板の厚さ、ローディングレベル（ｌｏａｄｉｎｇ ｌｅｖｅｌ）、フォームファクタ（ｆｏｒｍ ｆａｃｔｏｒ）、セパレータの幅、厚さ、種類、コーティングの有無、極板とセパレータの巻取数、極板とセパレータの間の接着力、電解液の種類、電解液の組成比、電解液量、添加剤の種類、添加剤含有量、率別放電、空隙率、基材厚さ、基材強度、パウチの厚さ、活物質の物性値、バインダー物質の物性値などを含むことができる。

前記セルの電流密度はセルの単位面積当たり通過する電流量を意味し、電流密度の単位はｍＡ／ｃｍ^２である。前記セルの合剤密度はセルの単位体積（ｃｃ：ｃｕｂｉｃ ｃｅｎｔｉｍｅｔｅｒ）当たりに存在する正極または陰極活物質の質量を意味し、単位はｇ／ｃｃである。前記極板は集電体上に活物質が塗布されたことを意味し、前記極板の厚さは集電体と活物質全体の厚さを意味する。前記ローディングレベルは極板に塗布された単位面積当たりの活物質量を意味し、単位はｍｇ／ｃｍ^２である。前記フォームファクタはセルの大きさを意味し、セルの厚さ、幅および長さの積で表すことができる。前記セパレータのコーティングはセパレータの熱的、電気的および機械的安全性向上のためにセパレータの表面をコーティング物質でコーティングすることを意味し、コーティング物質としては、不織布と無機物（例えば、セラミック）等がある。前記極板とセパレータの間の接着力は、活物質が塗布された正極板または陰極板とセパレータの間の接着力を意味し、具体的に活物質とセパレータの間の接着力を意味する。前記率別放電は、条件１の放電Ｃ−ｒａｔｅの容量に対する条件２の放電Ｃ−ｒａｔｅの容量比を意味する。ここで、条件１は正規条件や顧客要求評価条件を意味し、条件２は正規条件より高かったり低い条件を意味する。前記空隙率はセルの全体体積で空の空間が占める比率を意味する。前記基材は集電体を意味し、基材の厚さは集電体の厚さを意味する。前記活物質の物性値およびバインダー物質の物性値としては物質自体の電気伝導度、イオン伝導度、空隙率、比誘電率、拡散係数、結晶構造などがある。前記比誘電率とは、誘電体でのキャパシタンス値の比率を意味する。そして前記拡散係数とは、媒質での物質の拡散程度を精度よく現わすための値を意味する。

本実施形態ではこのような因子に設計特性因子を特に限定するのではなく、バッテリーセルの寿命に影響を与えられる全ての設計特性因子を含むことができる。このような設計特性因子は測定を通して得られるデータでなく、特定仕様を有するバッテリーセルを製作することに必要な数値であって、バッテリーセルの製作前にわかるデータである。

前記工程特性因子は学習対象セルを構成する各部品（例えば、正極板、陰極板およびセパレータなど）を組み立てる時の工程条件と関連した因子で、巻取張力（ｗｉｎｄｉｎｇ ｔｅｎｓｉｏｎ）、Ｄ／Ｆ条件、時間、温度、およびタップ溶接方法などを含むことができる。前記Ｄ／Ｆ条件は、脱気（Ｄｅｇａｓｓｉｎｇ）工程とフォールディング（Ｆｏｌｄｉｎｇ）工程での温度、圧力および時間条件をそれぞれ意味する。前記脱気（Ｄｅｇａｓｓｉｎｇ）工程はパウチ内部のガスを除去するための工程を意味し、前記フォールディング（Ｆｏｌｄｉｎｇ）工程はパウチを折りたたむための工程を意味する。

本実施形態ではこのような因子に工程特性因子を特に限定するのではなく、バッテリーセルの寿命に影響を与えられる全ての工程特性因子を含むことができる。

前記化成特性因子は組み立てた学習対象セルを実際に使う前に使用可能な状態で作る時の工程条件と関連した因子で、エージング（Ａｇｉｎｇ）／充放電／脱気（Ｄｅｇａｓｓｉｎｇ）&リシーリング（Ｒｅｓｅａｌｉｎｇ）温度、時間、充放電電流、電圧、カットオフ（ｃｕｔｏｆｆ）条件、圧力などを含むことができるが、本実施形態ではこのような因子に化成特性因子を特に限定するのではなく、バッテリーセルの寿命に影響を与えられる全ての化成特性因子を含むことができる。

前記サイクル別測定特性因子は予測しようとする値、つまり、セルの寿命を現わすことができる値で、代表的にサイクル数に応じた学習対象セルの容量変化および厚さの変化を含むことができる。ここで、１サイクルは１回の充電と１回の放電の過程を意味し、１回の充電と１回の放電の間または１回の充／放電と次回の充／放電の間の休止時間を含むことができる。

一方、前記サイクル別測定特性因子値を得るための評価条件と関連した因子としてはサイクル数に応じた学習対象セルの厚さの変化、充放電電流、充放電電圧、休止時間、温度、ＳＯＣ（ｓｔａｔｅ ｏｆ ｃｈａｒｇｉｎｇ）、ＳＯＣスウィング（ＳＯＣ ｓｗｉｎｇ）、容量測定間隔、容量評価方法、学習対象セルの厚さ測定間隔、厚さ測定方法などがある。前記ＳＯＣはセルの充電状態を意味し、例えばセル容量が１０００ｍＡｈである場合、前記容量はセルの電圧使用可能区間である３．２Ｖから４．２Ｖに対する容量となる。ＳＯＣに説明すれば、３．２Ｖに対するＳＯＣ値は０％になり、４．２Ｖに対するＳＯＣ値は１００％になる。例えば、セルが１００％のＳＯＣ値で充電される場合、セル容量は１０００ｍＡｈになり、セルが５０％のＳＯＣ値で充電される場合、セル容量は１０００ｍＡｈの半分である５００ｍＡｈになる。このように、ＳＯＣ値を変えながらセルを充電するのをＳＯＣスウィング（ＳＯＣ ｓｗｉｎｇ）という。前記容量測定間隔はセルの容量測定間のサイクル数を意味する。前記厚さ測定間隔はセルの厚さ測定間のサイクル数を意味する。前記容量評価方法とは、セルの寿命判断のために使用されるスペック容量の評価方法であって、同一の充／放電条件による連続充放電でセル容量を測定する方法と、互いに異なる充／放電条件を利用して評価しながら、そのうちの一つの条件で測定した容量を基準にセルの寿命を判断する方法がある。

本実施形態ではこのような因子に測定特性因子を特に限定するのではなく、バッテリーセルの寿命に影響を与えられる全ての測定特性因子を含むことができる。

本実施形態では、学習対象セルに対するすべての因子を学習データ入力部１１０に入力するのが最も望ましいが、必ずそうである必要はない。ただし、サイクル別測定特性因子は学習対象セルの寿命を示す要素で、他の因子とセルの寿命との相関関係を学習するために必須的に入力しなければならない要素であり、設計特性因子は、工程特性因子及び化成特性因子よりも、バッテリーセルの寿命に大きな影響を与える要素である。したがって、少なくとも設計特性因子とサイクル別測定特性因子からなるセットを一つの学習データで学習データ入力部１１０に入力するのが効率的で、工程特性因子や化成特性因子に対する学習を省略しても学習結果に大きい影響を与えない。

対象データ入力部１２０には寿命予測の対象となるバッテリーセルに対するデータ（以下、対象データという）が入力される。より具体的に、対象データ入力部１２０は予め定義された方式により記録されているコンピュータ上の媒体ファイルを指定したり、前記対象データを直接記入できる定型化されたテンプレートを含むユーザインターフェースを提供することによって、前記対象データが入力できる。前記対象データは学習された演算部２００がバッテリーセルの寿命を予測するのに利用される。

このような対象データは、寿命を予測する対象であるバッテリーセル（以下、予測対象セルという）に対する設計特性因子、工程特性因子および化成特性因子を含むことができ、これらはそれぞれ数値的に表すことができる。ここで、対象データ入力部１２０には対象データとしてサイクル別測定因子が入力されない。

前記設計特性因子は予測対象セルを構成する設計要素と関連した因子で、予測対象セルの容量、エネルギー密度、厚さ、幅、電流密度、合剤密度、極板の厚さ、ローディングレベル（ｌｏａｄｉｎｇ ｌｅｖｅｌ）、フォームファクタ（ｆｏｒｍ ｆａｃｔｏｒ）、セパレータの幅、厚さ、種類、コーティングの有無、極板とセパレータの巻取数、極板とセパレータの間の接着力、電解液の種類、電解液の組成比、電解液量、添加剤の種類、添加剤含有量、率別放電、空隙率、基材厚さ、基材強度、パウチの厚さ、活物質の物性値、バインダー物質の物性値などを含むことができる。

本実施形態ではこのような因子に設計特性因子を特に限定するのではなく、バッテリーセルの寿命に影響を与えられる全ての設計特性因子を含むことができる。

このような設計特性因子は測定を通して得られるデータではなく、特定仕様を有するバッテリーセルを製作するのに与えられる物理／化学的特性が反映された特性であって、別途の測定過程なしにバッテリーセルを製作前にわかるデータである。したがって、従来は寿命を予測するための入力値を得るために測定時間がかかったことに反して、本実施形態では寿命を予測するための入力値を得るために追加的な時間がかかる必要がない。さらに、本実施形態では物理／化学的な特性が反映された入力値で寿命予測がなされるので、予測された寿命に対する高い信頼度を保障することができる。

前記工程特性因子は予測対象セルを構成する各部品（例えば、正極板、陰極板およびセパレータなど）を組み立てる時の工程条件と関連した因子で、巻取張力（ｗｉｎｄｉｎｇ ｔｅｎｓｉｏｎ）、Ｄ／Ｆ条件、時間、温度、水平対垂直の比、タップ溶接方法などを含むことができ、本実施形態ではこのような因子に工程特性因子を特に限定するのではなく、バッテリーセルの寿命に影響を与えられる全ての工程特性因子を含むことができる。

前記化成特性因子は組み立てた予測対象セルを実際に使う前に使用可能な状態で作るときの工程条件と関連した因子で、エージング（Ａｇｉｎｇ）／充放電／脱気（Ｄｅｇａｓｓｉｎｇ）&リシーリング（Ｒｅｓｅａｌｉｎｇ）温度、時間、充放電電流、電圧、カットオフ（ｃｕｔｏｆｆ）条件、圧力などを含むことができ、本実施形態ではこのような因子に化成特性因子を特に限定するのではなく、バッテリーセルの寿命に影響を与えられる全ての化成特性因子を含むことができる。

本実施形態では、予測対象セルに対するすべての因子を必ず対象データ入力部１２０に入力する必要はないし、少なくとも前記対象データとして設計特性因子だけを対象データ入力部１２０に入力して寿命予測を実施してよい。また、設計特性因子に含まれる全ての因子を対象データとして選択する必要はないし、一部因子だけを選択して対象データ入力部１２０に入力してもよい。

演算部２００は機械学習部２１０と寿命予測部２２０を含むことができる。

機械学習部２１０は学習データ入力部１１０を通じて入力された因子に対する機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）を行い、因子それぞれに対する加重値を付与できる。例えば、学習データとして極板とセパレータの巻取数とサイクル別セル容量に対する機械学習が行われると仮定する場合、機械学習部２１０は前記巻取数とサイクル別セル容量間の相関関係を示す予測関数を求めて、前記巻取数がセル容量にどれくらい影響を与えるのかによって前記巻取数という因子に対して加重値（ｗｅｉｇｈｔ）を付与できる。結局、機械学習部２１０は任意のバッテリーセルに対する設計特性因子、工程特性因子および化成特性因子がサイクル別セルの容量変化つまり、セルの寿命にどれくらい影響を与えるのかに対する加重値を付与し、予測関数を演算することによって、セルの寿命に関する特性を学習することになる。このような機械学習過程は学習データ入力部１１０に入力される全ての学習データを対象に行うことができ、学習結果は別途の記録媒体（図示せず）を通じて記録される。

図２は、図１に示された機械学習部２１０の構成をより具体的に示すブロック図である。

図２を参照すれば、機械学習部２１０は複数のサブ機械学習部２１０_１、２１０_２、．．．、２１０_ｎ−１、２１０_ｎを含むことができる。複数のサブ機械学習部２１０_１、２１０_２、．．．、２１０_ｎ−１、２１０_ｎそれぞれには学習データ入力部１１０で定義した因子グループに関係なく任意のデータが互いに同じ個数で入力されることができる。ただし、一つの学習データセットとしてサイクル別測定特性因子は必須に入力される。例えば、サブ機械学習部２１０_１、２１０_２、．．．、２１０_ｎ−１、２１０_ｎそれぞれに入力される学習データセットの個数が２５個である場合、第１サブ機械学習部２１０_１には２０個の第１学習データセットと５個の第２学習データセットが入力されることができる。ここで、第１学習データセットは設計特性因子とサイクル別測定特性因子を基本単位にして、第２学習データセットは工程特性因子とサイクル別測定特性因子を基本単位にすることができる。これと同時に、第２サブ機械学習部２１０_２には１５個の第１学習データセット、５個の第２学習データセットと５個の第３学習データセットが入力されることができる。ここで、第３学習データセットは化成特性因子とサイクル別測定特性因子を基本単位にすることができる。

複数のサブ機械学習部２１０_１、２１０_２、．．．、２１０_ｎ−１、２１０_ｎは互いに同一に構成され、学習データに対する機械学習を並列的に処理する。したがって、以下では機械学習部２１０に対する構成を第１サブ機械学習部２１０_１に対する構成を代表にして説明する。

第１サブ機械学習部２１０_１は学習データ入力部１１０から受けたサブ学習データを学習データと有効データに分類することができる。ここで、前記学習データは第１サブ機械学習部２１０_１が実際に学習するデータであり、前記有効データは前記学習データを通して学習された結果が有効であるかをテストするためのデータである。前記学習データと前記有効データの個数の比率は予め設定されたりランダム方式で設定されることもできる。例えば、学習データと有効データの個数の比率は８：２または７：３のような方式で予め設定しておいたり、各データの量や質により設定することができる。

第１サブ機械学習部２１０_１は神経回路網（ＮＮ：Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）を利用して、サブ学習データで分けられた学習データを個別的に学習し、それぞれの因子に対する加重値を付与する。

前述のように、一つの学習データは設計特性因子、工程特性因子または化成特性因子のうちの一つの因子とサイクル別測定特性因子が一つのセットになり、以下、説明の便宜のために、一つの学習データが設計特性因子とサイクル別測定特性因子を含んでいると仮定して説明する。

神経回路網（ＮＮ）は設計特性因子とサイクル別測定特性因子（つまり、セルの寿命）の間の相関関係を計算でき、このような相関関係は予測関数で表現することができる。また、設計特性因子がセルの寿命にどれくらい影響を与えるのかに対する計算は神経回路網（ＮＮ）が設計特性因子に対する加重値をそれぞれ付与することによって遂行できる。

第１サブ機械学習部２１０_１は神経回路網（ＮＮ）を通じて、設計特性因子と加重値を媒介変数に有する予測関数を求めた後、前記有効データを利用して神経回路網（ＮＮ）を通じて学習した結果に対する有効性をテストすることができる。

前記有効データも学習データと同様に、設計特性因子、工程特性因子または化成特性因子中の一つの因子とサイクル別測定特性因子を含んでいる。つまり、前記有効データは、例えば、設計特性因子というある入力とサイクル別測定特性因子という前記入力に対する結果だけでなっている。したがって、有効データを利用すれば、学習データを利用して学習した結果が有効性があるかどうかを確認できる。

例えば、{Ｘ１、Ｙ１}、{Ｘ２、Ｙ２}および{Ｘ３、Ｙ３}の３つの学習データがあり、{Ｘ’、Ｙ’}の１個の有効データがあると仮定する。ここで、Ｘ１、Ｘ２、Ｘ３は設計特性因子、工程特性因子または化成特性因子の値を意味し、Ｙ１、Ｙ２、Ｙ３はＸ１、Ｘ２、Ｘ３それぞれに対するサイクル別測定特性因子つまり、セル容量を意味する。また、学習結果には{Ｘ１、Ｘ２、Ｘ３}に対する{Ｗ１、Ｗ２、Ｗ３}という加重値が計算されたと仮定する。

まず、学習データ{Ｘ１、Ｘ２、Ｘ３}の中で有効データのＸ’に最も近い近似値を探す。近似値を探す方法には多様な方法があるが、本実施形態では下記の数式１のように定義した最小自乗法（Ｌｅａｓｔ ｍｅａｎ ｓｑｕａｒｅ ｍｅｔｈｏｄ）を利用することができる。

数１の過程を経た後、例えばＸ２がＸ’に最も近い近似値であると確認される場合、Ｘ２に対する当該加重値Ｗ２を利用して、Ｘ２に対する学習結果が有効であるかどうかを判断できる。つまり、Ｘ２に対する加重値Ｗ２と、Ｘ’を当該予測関数に入力し、その結果値をＹ’値と比較することによって、Ｘ２に対する学習結果の信頼度を確認できる。ここで、Ｙ’値はＸ’という因子に対するセルの容量値であることができ、Ｘ’値によりすでに定められた値である。このように、有効性のテストは、学習過程を通して得られた予測関数が学習データ値と類似の新たな入力値に対してどれくらい正確な値を出力するかを判断する過程である。

一方、Ｗ２とＸ’を当該予測関数に入力して得た結果値とＹ’値を比較して、その差が基準値より大きい場合（誤差が基準値より大きい場合）、Ｘ２に対する学習を繰り返して加重値を再び探す作業を行い、基準値より小さい場合（誤差が基準値より小さい場合）、前記有効データに含まれているデータを新たな学習データに分類してこのような学習過程を行うことによって、予測関数が有する媒介変数つまり、学習データと加重値をアップデートする過程を行うことができる。

第１サブ機械学習部２１０_１を除いた他のサブ機械学習部２１０_２、．．．、２１０_ｎ−１、２１０_ｎもこのような方式で自身に与えられた学習データを学習し、因子別に加重値Ｗ２、．．．、Ｗｎ−１、Ｗｎをそれぞれ付与できる。

機械学習部２１０の学習が完了すると、予測関数Ｆ１（Ｘ）、Ｆ２（Ｘ）、．．．、Ｆｎ−１（Ｘ）、Ｆｎ（Ｘ）がそれぞれ決められ、学習結果は別途の記録媒体（図示せず）に記録される。前記学習結果は加重値の集合であることができ、所定の行列で表すことができる。例えば、前記加重値の集合をＭ×Ｎの行列で表すと下記の数式２のように表すことができる。

また、前記数式２の加重値行列に対応する因子行列を下記の数式３のように表すことができる。

数式２および数式３を参照すれば、機械学習を通してそれぞれの因子に対応する加重値がそれぞれ存在することが分かる。例えば、Ｘ_２２の因子に対する加重値はＷ_２２であり、Ｘ_ｍｎ−１の因子に対する加重値はＷ_ｍｎ−１になる。

一方、予測関数Ｆ（Ｘ）の一例として、シグモイド（ｓｉｇｍｏｉｄ）関数を利用でき、下記の数式４のように定義できる。

数式４でＹは因子値と加重値の積の総和を意味し、下記の数式５のように定義できる。

したがって、機械学習部２１０は設計特性因子、工程特性因子および化成特性因子がサイクル別セルの容量変化にどれくらい影響を与えるのかに対する加重値をそれぞれ付与することによって、前記数式４のように定義した予測関数を演算する役割を果たす。ここで、予測関数は設計特性因子、工程特性因子および化成特性因子と、サイクル別容量変化間の相関関係を表すことで、因子値と加重値により予測関数の出力値が変わることができる。

本実施形態では、機械学習のためのモジュール（以下、学習モジュールという）として神経回路網（ＮＮ：Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）を示しているが、誘電プログラミング（ＧＰ：Ｇｅｎｅｔｉｃ Ｐｒｏｇｒａｍｍｉｎｇ）およびガウス混合（ＧＭ：Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ）および隠れマルコフモデル（ＨＭＭ：Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ）モジュールなども適用可能である。本発明はこのような学習モジュールを並列に連結して利用でき、また、ある１つのモジュールの出力値（予測関数）が他のモジュールの入力値に使用できる。また、本実施形態ではこのような機械学習モジュールを限定するのではなく、寿命測定を目的とする他の学習技法を実現した全てのモジュールを適用してもよい。

また、前記学習モジュールは学習完了後に個別的または階層的に予測結果を生成することができる。しかし、一般的にすべての入力に対して一つの学習モジュールが良い予測結果を出しにくいので、色々な学習モジュールの結果を参照して最終結果を得る。例えば、各学習モジュールを通して得られた加重値を平均して使ったり、または学習モジュールの個別的な学習後に有効性のテストで最も性能が良かったモジュールから得られた加重値を使用することができる。

寿命予測部２２０は機械学習部２１０を通じて得られた予測関数Ｆ１（Ｘ）、Ｆ２（Ｘ）、．．．、Ｆｎ−１（Ｘ）、Ｆｎ（Ｘ）と加重値Ｗ１、Ｗ２、．．．、Ｗｎ−１、Ｗｎを利用して、対象データ入力部１２０から受けた因子から対象セルに対するサイクル別寿命を予測できる。

図３は、図１に示された寿命予測部２２０の構成をより具体的に示すブロック図である。

図３に示されているように、寿命予測部２２０は複数のサブ寿命予測部２２０_１、２２０_２、．．．、２２０_ｎ−１、２２０_ｎを含むことができる。複数のサブ寿命予測部２２０_１、２２０_２、．．．、２２０_ｎ−１、２２０_ｎには対象データ入力部１２０で定義した因子グループに関係なく各因子が入力できる。例えば、対象データとして活物質の物性値、電解液含有量、添加剤含有量のような３つの設計特性因子が入力されると仮定すれば、３つの因子は３つのサブ寿命予測部にそれぞれ入力されることができる。

複数のサブ寿命予測部２２０_１、２２０_２、．．．、２２０_ｎ−１、２２０_ｎそれぞれは、神経回路網（ＮＮ：Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）を利用して別途の記録媒体（図示せず）に貯蔵されている学習因子値の中に対象因子値に最も近接した学習因子を探す。例えば、別途の記録媒体（図示せず）に貯蔵された学習因子が‘{Ｘ１、Ｘ２、Ｘ３、．．．、Ｘｎ−１、Ｘｎ}’のようにあり、対象データ入力部１２０から受けた対象因子がＸｉと仮定すれば、下記の数式６のような最小自乗法（Ｌｅａｓｔ ｍｅａｎ ｓｑｕａｒｅ ｍｅｔｈｏｄ）を利用して、学習因子‘{Ｘ１、Ｘ２、Ｘ３、．．．、Ｘｎ−１、Ｘｎ}’の中で対象因子Ｘｉとの差が最小になる学習因子を探す。

このとき、学習因子中、Ｘ２の値がＸｉの値に最も近い近似値であるかあるいは一致することと確認されれば、学習因子Ｘ２に対する当該加重値と予測関数を呼び出して、当該加重値と対象因子値Ｘｉを当該予測関数に代入して寿命予測結果を算出できる。このような方式でいくつかの対象因子を入力値にして寿命予測結果を算出した後、最終結果を算出するのが望ましい。このとき、予測された最終結果はサイクル数に応じた容量値の変化に対する寿命データであって、寿命表示部３００によって表すことができる。

本実施形態の機械学習技法に関する技術は本発明の属する技術分野で広く知られている。例えば、“パターン認識と機械学習”（バク・ヘヤング、リ・カンヨン著、イハン出板社２０１１．０３．０５．）や“Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ”（Ａｌｐａｙｄｉｎ、Ｅｔｈｅｍ著 ＭｉｔＰｒ ２０１０．０２．０１．）では入力データと出力データ間の相関関係学習によって、加重値行列を算出する方法および予測方法が開示されている。したがって、本実施形態の機械学習および予測アルゴリズムに関する詳細な説明は省略する。

寿命表示部３００は寿命予測部２２０から予測された寿命データを受けて、ディスプレイ上にグラフなどで表すことができる。

以下、添付図面を参照して、本実施形態の寿命予測結果および実際にバッテリーの寿命を測定した結果を比較した例について説明する。

図４は設計特性因子中の活物質物性値、セパレータ物性値、添加剤含有量とフォームファクタ（ｆｏｒｍ ｆａｃｔｏｒ）を対象データとして入力した後、得られた本実施形態の寿命予測結果Ａ１と、予測対象セルに対するサイクル数別容量変化を実際に測定した結果Ｂ１を比較して示すグラフである。ここで、寿命予測結果Ａ１と実際の測定結果Ｂ１は互いに同じバッテリーセルを対象とした結果である。

図４に示された寿命予測結果Ａ１の場合は対象データとして設計特性因子の中で一部だけを入力にして得られた結果であり、実際の測定結果Ｂ１とほとんど一致することが分かる。

図５は設計特性因子の中で活物質物性値、セパレータ物性値とフォームファクタ（ｆｏｒｍ ｆａｃｔｏｒ）を対象データとして入力した後、得られた本実施形態の寿命予測結果Ａ２と、予測対象セルに対するサイクル数別容量変化を実際に測定した結果Ｂ２を比較して示すグラフである。ここで、寿命予測結果Ａ２と実際の測定結果Ｂ２は互いに同じバッテリーセルを対象とした結果である。

図５に示された寿命予測結果Ａ２の場合、図４のＡ１と比較して添加剤含有量に対するデータを入力せずに得られた結果であり、実際の測定結果Ｂ１とほとんど一致することが分かる。

図６は設計特性因子の中で活物質物性値と添加剤含有量を対象データとして入力した後得られた本実施形態の寿命予測結果Ａ３と、予測対象セルに対するサイクル数別容量変化を実際に測定した結果Ｂ３を比較して示すグラフである。ここで、寿命予測結果Ａ３と実際の測定結果Ｂ３は互いに同じバッテリーセルを対象とした結果である。

図６に示された寿命予測結果Ａ３の場合、図４のＡ１と比較してセパレータ物性値とフォームファクタ（ｆｏｒｍ ｆａｃｔｏｒ）に対するデータを入力せずに得られた結果であり、実際の測定結果Ｂ３とほとんど一致することが分かる。

図７は同一のバッテリーセルを対象にして得られた本実施形態の寿命予測結果Ａ４と、実際の測定結果Ｂ４と、従来技術によって予測された結果Ｃを比較して示すグラフである。

図７に示された従来技術によって予測された結果Ｃは、初期サイクル（例えば、１ないし１０サイクル）と長期サイクル（例えば、３００サイクル）でのバッテリーの容量を測定した値を対象データに入力して、初期寿命予測結果と長期寿命予測結果を得た後、２つの予測結果の間を、推測を通して線形的に連結することによって得られた寿命予測結果を示す。したがって、従来技術は初期サイクルと最終サイクルでの寿命値だけを予測でき、サイクルの中盤で寿命異常現象が発生することを予測しにくい。ここで、前記寿命異常現象とは、図７に示されているように、サイクルの中盤でセル容量が急下降と急上昇する現象を意味する。前記寿命異常現象は電池内に電解液が一方に偏るか、極板に活物質が均一に分散していないか、セパレータと極板間の接着力が低い場合に発生できる。

反面、図７に示されているように、本実施形態の寿命予測結果Ａ４と実際の測定結果Ｂ４はほとんど一致することが分かる。また、図７に示された実際の測定結果Ｂ４によれば、一定の区間内で寿命異常現象が発生し、前記寿命異常現象は本実施形態の寿命予測結果Ａ４から予測されることが分かる。これは、対象データとしてバッテリーセルの物理／化学的特性が反映された設計特性因子を入力値にすることによって、全体の寿命に対する傾向性を予測できるからである。このように、セルの寿命に対する傾向性の把握が可能になることによって、このような寿命異常現象も予測できるため、セルの製作前に問題点を予め把握して解決することができる。

以上で説明した通り、本実施形態の寿命予測部２２０は対象データ入力部１２０を通じて対象データとしてサイクル別測定因子が入力されなくても、予測対象セルに対する寿命を予測できる。また、本実施形態の寿命予測部２２０は設計特性因子だけで予測対象セルの寿命予測が可能である。

一方、本発明の実施形態によるバッテリーの寿命予測システムは、バッテリーの寿命予測方法を実行できるプログラムが備えられたコンピュータで読み取られる記録媒体を含む装置で具現できる。例えば、前記プログラムは対象バッテリーセルの寿命を予測する方法を実行させられるようになっており、ここで、寿命予測方法は予測関数を作る段階を含み、前記予測関数を作る段階は、第１因子は学習バッテリーセルの特性測定から決定され、第２因子は前記学習バッテリーセルの設計因子、前記学習バッテリーセルの工程因子、および前記学習バッテリーセルの化成因子から選択され、前記学習バッテリーセルの製造に特定されるものであって、予め製造された学習バッテリーセルの前記第１因子と前記学習バッテリーセルの第２因子が入力される段階と、前記学習バッテリーセルの前記第１因子および前記学習バッテリーセルの前記第２因子を相互連関させる段階と、前記対象バッテリーセルの第２因子は前記対象バッテリーセルの設計因子、前記対象バッテリーセルの工程因子、および前記対象バッテリーセルの化成因子から選択され、入力として前記対象バッテリーセルの前記第２因子が入力される段階と、前記対象バッテリーセルの前記第２因子を前記予測関数に適用する段階と、および前記対象バッテリーセルの前記第２因子を前記予測関数に適用することにより、前記対象バッテリーセルに対して予測された特性を出力する段階とを含むことができる。

本発明は上記実施形態に限定されず本発明の技術的要旨から逸脱しない範囲内で様々に修正および変形されて実施され得ることは本発明の属する技術分野における通常の知識を有する者にとっては自明である。

１００ データ入力部
１１０ 学習データ入力部
１２０ 対象データ入力部
２００ 演算部
２１０ 機械学習部
２２０ 寿命予測部
３００ 寿命表示部
１０００ バッテリー寿命予測システム

Claims (19)

1. 予め製作された学習バッテリーセルに対して特定の少なくとも一つの学習測定因子および少なくとも一つの学習因子が入力される学習データ入力部と、
   寿命を予測するために対象バッテリーセルに対する少なくとも一つの対象因子が入力される対象データ入力部と、
   前記学習データ入力部に連結され、前記学習データ入力部に入力される前記学習因子それぞれに対して加重値を付与する機械学習部と、
   前記対象データ入力部および前記機械学習部に連結され、前記対象バッテリーセルの寿命を示す一つまたはそれ以上の予測特性を予測するために前記機械学習部によって付与された加重値を利用する寿命予測部と、
   を含むことを特徴とするバッテリーの寿命予測システム。
2. 前記学習測定因子は前記学習バッテリーセルの実際の測定によって得られることを特徴とする請求項１に記載のバッテリーの寿命予測システム。
3. 前記学習測定因子は、前記学習バッテリーセルのサイクル別容量変化とサイクル別厚さ変化のグループから選択されることを特徴とする請求項２に記載のバッテリーの寿命予測システム。
4. １サイクルは１回の充電、１回の放電および１回の休止時間で構成され、
   前記休止時間は前記充電と前記放電との間の時間、または前記充電および／または前記放電と次回の充電および／または放電の間の時間であることを特徴とする請求項３に記載のバッテリーの寿命予測システム。
5. 前記少なくとも一つの学習因子は学習設計因子、学習工程因子および学習化成因子のグループから選択されることを特徴とする請求項１に記載のバッテリーの寿命予測システム。
6. 前記学習データ入力部に少なくとも一つの学習設計因子が入力され、
   前記学習設計因子は前記学習バッテリーセルの設計変数を表すことを特徴とする請求項５に記載のバッテリーの寿命予測システム。
7. 前記学習設計因子は、前記学習バッテリーセルの容量、エネルギー密度、厚さ、幅、電流密度、合剤密度、極板の厚さ、ローディングレベル、フォームファクタ、セパレータの幅、セパレータの厚さ、セパレータの種類、セパレータのコーティングの有無、極板とセパレータの巻取数、極板とセパレータの間の接着力、電解液の種類、電解液の組成比、電解液量、添加剤の種類、添加剤含有量、率別放電、空隙率、基材厚さ、基材強度、パウチ厚さ、活物質の物性値、およびバインダー物質の物性値のグループから選択されることを特徴とする請求項６に記載のバッテリーの寿命予測システム。
8. 前記学習設計因子は前記学習バッテリーセルの製造前に分かることを特徴とする請求項６に記載のバッテリーの寿命予測システム。
9. 前記学習データ入力部は少なくとも一つの学習工程因子を受けて、
   前記学習工程因子は前記学習バッテリーセルの製造時に使用される工程変数を表すことを特徴とする請求項５に記載のバッテリーの寿命予測システム。
10. 前記学習工程因子は前記学習バッテリーセルの構成品の巻取張力、前記学習バッテリーセルのＤ／Ｆ（ｄｅｇａｓｓｉｎｇ ａｎｄ ｆｏｌｄｉｎｇ）条件および前記学習バッテリーセルのタップ溶接方法のグループから選択され、前記構成品はセパレータまたは電極板であることを特徴とする請求項９に記載のバッテリーの寿命予測システム。
11. 前記学習データ入力部は少なくとも一つの学習化成因子を受けて、
    前記学習化成因子は前記学習バッテリーセルが組み立てられた以降の前記学習バッテリーセルに対する化成変数を表すことを特徴とする請求項５に記載のバッテリーの寿命予測システム。
12. 前記学習化成因子は、前記学習バッテリーセルのエージング、充電及び／または放電、および脱気及びリシーリング（Ｒｅｓｅａｌｉｎｇ）のグループから選択される一つまたはそれ以上に関連した温度、時間、充電および／または放電電流、電圧、カットオフ条件および圧力のグループから選択されることを特徴とする請求項１１に記載のバッテリーの寿命予測システム。
13. 前記少なくとも一つの対象因子は対象設計因子、対象工程因子および対象化成因子のグループから選択されることを特徴とする請求項１に記載のバッテリーの寿命予測システム。
14. 前記寿命予測部は、
    前記対象バッテリーセルのサイクル別容量変化およびサイクル別厚さ変化のグループから選択された予測特性を予測することを特徴とする請求項１に記載のバッテリーの寿命予測システム。
15. 前記機械学習部は多数のサブ機械学習部を含み、
    前記寿命予測部は前記多数のサブ機械学習部と対応する多数のサブ寿命予測部を含むことを特徴とする請求項１に記載のバッテリーの寿命予測システム。
16. 前記サブ機械学習部それぞれは当該学習因子に基づいて加重値を付与し、
    前記学習因子は学習設計因子、学習工程因子および学習化成因子のグループから選択されることを特徴とする請求項１５に記載のバッテリーの寿命予測システム。
17. 前記サブ寿命予測部は当該サブ機械学習部によって付与された加重値を利用して予測関数を実行することを特徴とする請求項１６に記載のバッテリーの寿命予測システム。
18. 前記寿命予測部と連結され、前記一つまたはそれ以上の予測特性に基づいて前記対象バッテリーセルに対する予測された寿命を表す寿命表示部をさらに含むことを特徴とする請求項１に記載のバッテリーの寿命予測システム。
19. 対象バッテリーセルの寿命を予測する方法において、
    前記方法は、予測関数を作る段階を含み、
    前記予測関数を作る段階は、
    第１因子が学習バッテリーセルの特性測定から決定され、第２因子が前記学習バッテリーセルの設計因子、前記学習バッテリーセルの工程因子、および前記学習バッテリーセルの化成因子から選択され、前記学習バッテリーセルの製造で特定されるものであって、予め製造された学習バッテリーセルの前記第１因子と前記学習バッテリーセルの第２因子が入力される段階と、
    前記学習バッテリーセルの前記第１因子および前記学習バッテリーセルの前記第２因子を相互連関させる段階と、
    前記対象バッテリーセルの第２因子は前記対象バッテリーセルの設計因子、前記対象バッテリーセルの工程因子、および前記対象バッテリーセルの化成因子から選択され、入力として前記対象バッテリーセルの前記第２因子が入力される段階と、
    前記対象バッテリーセルの前記第２因子を前記予測関数に適用する段階と、
    前記対象バッテリーセルの前記第２因子を前記予測関数に適用することによって前記対象バッテリーセルに対して予測された特性を出力する段階とを含むことを特徴とするバッテリーの寿命予測方法。

Images