JP2021060229A - 推定装置、推定方法及びコンピュータプログラム - Google Patents

Abstract

【課題】推定装置、推定方法及びコンピュータプログラムの提供。【解決手段】鉛蓄電池の電流、電圧、及び温度を取得する取得部と、取得した前記電流、電圧、及び温度の積算値または演算値を蓄積するデータ蓄積部と、データ蓄積部に蓄積した履歴データに基づき、鉛蓄電池の電解液比重を特定する特定部と、特定した電解液比重に基づいて、鉛蓄電池の破断リスクを推定する推定部と、推定部の推定結果を出力する出力部とを備える。【選択図】図６

Description

本発明は、推定装置、推定方法及びコンピュータプログラムに関する。

鉛蓄電池は、正極板、負極板、電解液、及び、これらを収容するケースを備える。正極板及び負極板は、ケースの電解液に浸漬されている。鉛蓄電池は、車載用、産業用など様々な用途において使用されている。例えば、車載用の鉛蓄電池は、車両に搭載され、照明、及びカーステレオ等の車載機器（電気負荷）へ電力を供給する。鉛蓄電池は、車両が備える発電機（オルタネータ）により発電された電力により充電される。例えば、産業用の鉛蓄電池は、非常用電源への電力供給減として用いられている。

特許文献１には、車両の電気負荷に電力を供給する鉛蓄電池と、鉛蓄電池の温度を取得する取得装置と、取得した温度に基づいて、鉛蓄電池の劣化を判定する判定装置とを備える電源システムが開示されている。

特開２０１９−７８５７１号公報

特許文献１に記載の電源システムでは、鉛蓄電池の温度に基づき劣化を判定しているが、鉛蓄電池の破断リスクを推定することはできない。

本発明は、鉛蓄電池における破断リスクを推定できる推定装置、推定方法及びコンピュータプログラムを提供することを目的とする。

推定装置は、鉛蓄電池の電流及び電圧を取得する取得部と、取得した電流及び電圧からノイズ量を抽出する抽出部と、前記抽出部によって抽出したノイズ量に関するデータを蓄積するデータ蓄積部と、前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する推定部と、前記推定部の推定結果を出力する出力部とを備える。

推定装置は、鉛蓄電池の振動ストレス値を取得する取得部と、取得した振動ストレス値の積算値に関するデータを蓄積するデータ蓄積部と、前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する推定部と、前記推定部の推定結果を出力する出力部とを備える。

推定方法は、コンピュータを用いて、鉛蓄電池の電流及び電圧を取得し、取得した電流及び電圧からノイズ量を抽出し、抽出したノイズ量に関するデータを蓄積し、蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する。

推定方法は、コンピュータを用いて、鉛蓄電池の振動ストレス値を取得し、取得した振動ストレス値の積算値に関するデータを蓄積し、前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する。

コンピュータプログラムは、コンピュータに、鉛蓄電池の電流及び電圧を取得し、取得した電流及び電圧からノイズ量を抽出し、抽出したノイズ量に関するデータを蓄積し、蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する処理を実行させるためのコンピュータプログラムである。

コンピュータプログラムは、コンピュータに、鉛蓄電池の振動ストレス値を取得し、取得した振動ストレス値の積算値に関するデータを蓄積し、前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する処理を実行させるためのコンピュータプログラムである。

上記構成により、鉛蓄電池における破断リスクを推定できる。

推定システムの概略構成を説明するブロック図である。 鉛蓄電池の外観構成を示す斜視図である。 図２のＩＩＩ−ＩＩＩ線における断面図である。 推定装置の内部構成を説明するブロック図である。 ノイズ量の経時変化を示すグラフである。 第１実施形態における推定装置が実行する処理の手順を説明するフローチャートである。 振動ストレスの経時変化を示すグラフである。 第２実施形態における推定装置が実行する処理の手順を説明するフローチャートである。 第３実施形態における学習モデルの構成を示す模式図である。 サーバ装置の構成を示すブロック図である。 学習モデルの生成手順を説明するフローチャートである。 学習モデルを用いた推定処理の手順を説明するフローチャートである。 第４実施形態における学習モデルの構成を示す模式図である。

推定装置は、鉛蓄電池の電流及び電圧を取得する取得部と、取得した電流及び電圧からノイズ量を抽出する抽出部と、前記抽出部によって抽出したノイズ量に関するデータを蓄積するデータ蓄積部と、前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する推定部と、前記推定部の推定結果を出力する出力部とを備える。
この構成によれば、鉛蓄電池の電流及び電圧から抽出したノイズ量に基づき、破断リスクを推定できる。

推定装置は、鉛蓄電池の振動ストレス値を取得する取得部と、取得した振動ストレス値の積算値に関するデータを蓄積するデータ蓄積部と、前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する推定部と、前記推定部の推定結果を出力する出力部とを備える。
この構成によれば、鉛蓄電池の振動ストレスの積算値に基づき、破断リスクを推定できる。

推定装置において、前記推定部は、前記履歴データの入力に応じて、前記鉛蓄電池の破断リスクに関する情報を出力するよう構成された学習モデルを用いて、破断リスクを推定してもよい。この構成によれば、学習モデルを用いて破断リスクを推定するので、精度良く破断リスクを推定できる。

推定装置において、前記学習モデルは、前記履歴データが入力される入力層、前記鉛蓄電池の破断リスクに関する情報を出力する出力層、及び前記鉛蓄電池の履歴データと、前記鉛蓄電池が破断したか否かを示すラベルデータとを教師データに用いて、前記履歴データと前記破断リスクとの関係を学習してある中間層を備え、前記データ蓄積部に蓄積した履歴データの入力に応じて、前記中間層にて演算し、前記出力層から破断リスクに関する情報を出力するよう構成してもよい。この構成によれば、学習モデルを用いて破断リスクを推定するので、精度良く破断リスクを推定できる。

推定方法は、コンピュータを用いて、鉛蓄電池の電流及び電圧を取得し、取得した電流及び電圧からノイズ量を抽出し、抽出したノイズ量に関するデータを蓄積し、蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する。

推定方法は、コンピュータを用いて、鉛蓄電池の振動ストレス値を取得し、取得した振動ストレス値の積算値に関するデータを蓄積し、前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する。

コンピュータプログラムは、コンピュータに、鉛蓄電池の電流及び電圧を取得し、取得した電流及び電圧からノイズ量を抽出し、抽出したノイズ量に関するデータを蓄積し、蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する処理を実行させるためのコンピュータプログラムである。

コンピュータプログラムは、コンピュータに、鉛蓄電池の振動ストレス値を取得し、取得した振動ストレス値の積算値に関するデータを蓄積し、前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する処理を実行させるためのコンピュータプログラムである。

（第１実施形態）
図１は推定システムの概略構成を説明するブロック図である。第１実施形態に係る推定システムは、推定装置１及び鉛蓄電池２を備える。推定装置１は、例えばＢＭＵ（Battery Management Unit）であり、後述する手法にて鉛蓄電池２における破断リスクを推定し、推定結果を出力する。図１の例では、便宜的に推定装置１と鉛蓄電池２とを別体として記載したが、推定装置１と鉛蓄電池２とが一体となった構成であってもよい。更に、推定装置１は、鉛蓄電池２を含むバッテリシステムと通信可能に接続されるコンピュータ、サーバ装置などの情報処理装置であってもよい。

鉛蓄電池２には負荷３が接続される。鉛蓄電池２は、接続された負荷３に対して直流電力を供給する。代替的に、鉛蓄電池２には充電装置（不図示）が接続される。鉛蓄電池２は、接続された充電装置から直流電力が供給されることによって蓄電する。

電流センサ４は、鉛蓄電池２に流れる電流を時系列的に計測し、計測結果を示すデータを推定装置１へ出力する。電圧センサ５は、鉛蓄電池２の電圧を時系列的に計測し、計測結果を示すデータを推定装置１へ出力する。本実施形態では、電圧センサ５は鉛蓄電池２の開回路電圧（OCV : Open Circuit Voltage）を計測する。例えば、電圧センサ５は、無負荷に近い状態になったときの電圧値をＯＣＶとして計測すればよい。代替的に、推定装置１は、電流センサ４から得られる電流値、電圧センサ５から得られる電圧値、及び予め計測される鉛蓄電池２の抵抗値に基づき、鉛蓄電池２のＯＣＶを演算によって求めてもよい。

推定システムは加速度センサ６を備えていてもよい。加速度センサ６は、鉛蓄電池２に加わる加速度を時系列的に計測し、計測結果を示すデータを推定装置１へ出力する。加速度センサ６を備える構成に代えて、鉛蓄電池２に加わる振動を計測する振動センサを用いてもよい。

第１実施形態における推定装置１は、鉛蓄電池２の電流及び電圧の時系列データに基づき、鉛蓄電池２における破断リスクを推定する。

図２は鉛蓄電池２の外観構成を示す斜視図であり、図３は図２のＩＩＩ−ＩＩＩ線における断面図である。図２及び図３に示すように、鉛蓄電池２は、電槽２０、正極端子２８、負極端子２９、及び複数の極板群２３を備える。

電槽２０は、電槽本体２０１及び蓋２０２を有する。電槽本体２０１は、上部が開口した直方体状の容器であり、例えば合成樹脂等により形成されている。例えば合成樹脂製の蓋２０２は、電槽本体２０１の開口部を閉塞する。蓋２０２の下面の周縁部分と電槽本体２０１の開口部の周縁部分とは例えば熱溶着によって接合される。電槽２０内の空間は、隔壁２７によって、電槽２０の長手方向に並ぶ複数のセル室２１に区画されている。

電槽２０内の各セル室２１には、極板群２３が１つずつ収容されている。電槽２０内の各セル室２１には、希硫酸を含む電解液２２が収容されており、極板群２３の全体が電解液２２中に浸漬している。電解液２２は、蓋２０２に設けられた注液口（図示せず）からセル室２１内に注入される。

極板群２３は、複数の正極板２３１、複数の負極板２３５、及びセパレータ２３９を備える。複数の正極板２３１及び複数の負極板２３５は、交互に並ぶように配置されている。

正極板２３１は、正極格子２３２、及び正極格子２３２に支持された正極電極材料２３４を有する。正極格子２３２は、略格子状又は網目状に配置された骨部を有する導電性部材であり、例えば鉛又は鉛合金により形成されている。正極格子２３２は、上端付近に、上方に突出する耳２３３を有する。正極電極材料２３４は二酸化鉛を含む。正極電極材料２３４は、さらに公知の添加剤を含んでもよい。

負極板２３５は、負極格子２３６、及び負極格子２３６に支持された負極電極材料２３８を有する。負極格子２３６は、略格子状又は網目状に配置された骨部を有する導電性部材であり、例えば鉛又は鉛合金により形成されている。負極格子２３６は、上端付近に、上方に突出する耳２３７を有する。負極電極材料２３８は鉛を含む。負極電極材料２３８は、さらに公知の添加剤を含んでもよい。

セパレータ２３９は、例えばガラス又は合成樹脂等の絶縁性材料により形成されている。セパレータ２３９は、互いに隣り合う正極板２３１と負極板２３５との間に介在する。セパレータ２３９は、一体の部材として構成されてもよく、正極板２３１と負極板２３５との間に各別に設けてもよい。代替的に、セパレータ２３９は正極板２３１及び負極板２３５のいずれかを包装するように配置してもよい。

複数の正極板２３１の耳２３３は、例えば鉛又は鉛合金により形成されたストラップ２４に接続されている。複数の正極板２３１は、ストラップ２４を介して電気的に並列に接続されている。同様に、複数の負極板２３５の耳２３７は、例えば鉛又は鉛合金により形成されたストラップ２５に接続されている。複数の負極板２３５は、ストラップ２５を介して電気的に接続されている。

鉛蓄電池２において、一のセル室２１内のストラップ２５は、例えば鉛又は鉛合金により形成された中間ポール２６を介して、前記一のセル室２１に隣接する一方のセル室２１内のストラップ２４に接続されている。また、前記一のセル室２１内のストラップ２４は、中間ポール２６を介して、前記一のセル室２１に隣接する他方のセル室２１内のストラップ２５に接続されている。すなわち、鉛蓄電池２の複数の極板群２３は、ストラップ２４，２５及び中間ポール２６を介して電気的に直列に接続されている。図３に示すように、電槽２０の長手方向の一端に位置するセル室２１に収容されたストラップ２４は、中間ポール２６ではなく、後述する正極柱２８２に接続されている。電槽２０の長手方向の他端に位置するセル室２１に収容されたストラップ２５は、中間ポール２６ではなく、負極柱（図示せず）に接続されている。

正極端子２８は、電槽２０の長手方向の一端部に配置されており、負極端子２９は、電槽２０の長手方向の他端部付近に配置されている。

図３に示すように、正極端子２８は、ブッシング２８１及び正極柱２８２を含む。ブッシング２８１は、略円筒状の導電性部材であり、例えば鉛合金により形成されている。ブッシング２８１の下側部分は、インサート成形により蓋２０２に一体化されており、ブッシング２８１の上部は、蓋２０２の上面から上方に突出している。正極柱２８２は、略円柱状の導電性部材であり、例えば鉛合金により形成されている。正極柱２８２は、ブッシング２８１の孔に挿入されている。正極柱２８２の上端部は、ブッシング２８１の上端部と略同じ位置に位置しており、例えば溶接によりブッシング２８１に接合されている。正極柱２８２の下端部は、ブッシング２８１の下端部よりも下方に突出し、さらに、蓋２０２の下面よりも下方に突出しており、電槽２０の長手方向の一端部に位置するセル室２１に収容されたストラップ２４に接続されている。負極端子２９は、正極端子２８と同様に、ブッシング２９１と、負極柱２９２とを含み（図２参照）、正極端子２８と同様の構成を有する。

正極端子２８のブッシング２８１及び負極端子２９のブッシング２９１に負荷が接続される。鉛蓄電池２から負荷へ電力が供給される。すなわち鉛蓄電池２は放電する。負荷に代えて、正極端子２８のブッシング２８１及び負極端子２９のブッシング２９１に充電装置が接続されてもよい。この場合、充電装置から鉛蓄電池２へ供給される電力により鉛蓄電池２が充電される。

図４は推定装置１の内部構成を説明するブロック図である。推定装置１は、制御部１１、記憶部１２、入力部１３、通信部１４、操作部１５及び表示部１６を備える。

制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などにより構成される。制御部１１が備えるＣＰＵは、ＲＯＭ又は記憶部１２に記憶されている各種コンピュータプログラムをＲＡＭ上に展開して実行することにより、装置全体の動作を制御する。

制御部１１は、上記の構成に限定されるものではなく、複数のＣＰＵ、マルチコアＣＰＵ、ＧＰＵ（Graphics Processing Unit）、マイコン、揮発性又は不揮発性のメモリ等を備える任意の処理回路又は演算回路であってもよい。また、制御部１１は、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ、日時情報を出力するクロック等の機能を備えていてもよい。

記憶部１２は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等を用いた記憶装置を備える。記憶部１２には、制御部１１によって実行される各種コンピュータプログラム、及びコンピュータプログラムの実行に必要なデータ等が記憶される。記憶部１２に記憶されるコンピュータプログラムには、鉛蓄電池２の破断リスクを推定する処理を推定装置１に実行させるための推定プログラムＥＰが含まれる。推定プログラムＥＰは単一のコンピュータプログラムであってもよく、複数のコンピュータから構成されるプログラム群であってもよい。

記憶部１２に記憶されるプログラムは、当該プログラムを読み取り可能に記録した非一時的な記録媒体Ｍにより提供されてもよい。記録媒体Ｍは、例えば、ＣＤ−ＲＯＭ、ＵＳＢ（Universal Serial Bus）メモリ、ＳＤ（Secure Digital）カード、マイクロＳＤカード、コンパクトフラッシュ（登録商標）などの可搬型メモリである。この場合、制御部１１は、不図示の読取装置を用いて記録媒体Ｍからプログラムを読み取り、読み取ったプログラムを記憶部１２にインストールする。また、記憶部１２に記憶されるプログラムは、通信部１４を介した通信により提供されてもよい。この場合、制御部１１は、通信部１４を通じてプログラムを取得し、取得したプログラムを記憶部１２にインストールする。

更に、記憶部１２は、鉛蓄電池２の情報を記憶する電池テーブルＢＴを有していてもよい。電池テーブルＢＴは、例えば、鉛蓄電池２を識別する電池ＩＤ、ユーザを識別するユーザＩＤ、及び電池情報を関連付けて記憶する。電池テーブルＢＴに登録される電池情報は、例えば、正極及び負極の情報、電解液の情報などを含む。正極及び負極の情報とは、正極及び負極の活物質名、厚み、幅、奥行き、開回路電位などの情報である。電解液の情報とは、イオン種、輸率、拡散係数、導電率などの情報である。電池テーブルＢＴに記憶されている情報は、鉛蓄電池の破断リスクを推定する際に、パラメータの一部として利用されてもよい。

入力部１３は、電流センサ４、電圧センサ５、及び加速度センサ６を接続するインタフェースを備え、電流センサ４によって計測された電流、電圧センサ５によって計測された電圧、加速度センサ６に計測された加速度のデータを取得する。本実施の形態では、電流センサ４、電圧センサ５、及び加速度センサ６が直接的に入力部１３に接続される構成とした。代替的に、推定装置１は、電流センサ４によって計測された電流、電圧センサ５によって計測された電圧、及び加速度センサ６によって計測された加速度のデータを有線又は無線の通信により取得してもよい。

操作部１５は、各種スイッチ、ボタンなどの入力インタフェースを備えており、ユーザによる操作を受付ける。表示部１６は、液晶ディスプレイ装置などを備えており、ユーザに対して報知すべき情報を表示する。本実施の形態では、推定装置１が操作部１５及び表示部１６を備える構成とした。代替的に、推定装置１の外部にコンピュータを接続し、外部コンピュータを通じて操作を受付け、通知すべき情報を外部コンピュータへ出力する構成であってもよい。この場合、推定装置１は、操作部１５及び表示部１６を備えていなくてもよい。

以下、第１実施形態における破断リスクの推定手法について説明する。
図５はノイズ量の経時変化を示すグラフである。図５に示すグラフの横軸は計測開始からの日数を表し、縦軸は一定期間毎の電流のノイズ量を表している。電流のノイズ量は、電流センサ４から得られる電流のデータに公知のフィルタを適用することよって計測される。推定装置１の制御部１１は、フィルタによって計測されるノイズの量を一定期間毎（例えば１日毎）に積算し、記憶部１２に記憶させる。制御部１１は、ノイズ量の積算値が予め設定した閾値（ノイズ閾値）を超えた場合、破断リスクがあると推定する。

図５の例では電流のノイズ量を用いて破断リスクを推定する手法を説明したが、代替的に、電圧のノイズ量を用いて破断リスクを推定してもよい。

以下、推定装置１が実行する処理の手順について説明する。推定装置１は、以下の手順を例えば定期的なタイミング等の適宜のタイミングにおいて実行すればよい。

図６は第１実施形態における推定装置１が実行する処理の手順を説明するフローチャートである。推定装置１の制御部１１は、入力部１３を通じて、電流センサ４によって計測される電流、電圧センサ５によって計測される電圧のデータを取得し（ステップＳ１０１）、取得したデータに含まれるノイズ量を抽出する（ステップＳ１０２）。制御部１１は、抽出したノイズからノイズ量を算出し、算出したノイズ量を積算して記憶部１２に記憶させる（ステップＳ１０３）。ステップＳ１０３において、制御部１１は、所定期間毎（例えば１日毎）にノイズ量を積算すればよい。

制御部１１は、ノイズ量の積算値とノイズ閾値とを比較することによって、破断リスクを推定し（ステップＳ１０４）、破断リスクがあるか否かを判断する（ステップＳ１０５）。このとき、制御部１１は、ノイズ量の積算値がノイズ閾値より大きい場合に破断リスクがあると判断し、ノイズ量の積算値がノイズ閾値より小さい場合に破断リスクがないと判断すればよい。

破断リスクがあると判断した場合（Ｓ１０５：ＹＥＳ）、制御部１１は、破断リスクがある旨を報知する（ステップＳ１０６）。例えば、制御部１１は、破断リスクがある旨の文字情報を含む画面データを生成し、生成した画面データに基づき破断リスクがある旨の文字情報を表示部１６に表示させる。代替的に、制御部１１は、通信部１４を通じて、破断リスクがある旨の文字情報をユーザ等が所持する端末装置に通知してもよい。破断リスクがないと判断した場合（Ｓ１０５：ＮＯ）、制御部１１は、本フローチャートによる処理を終了する。

以上のように、第１実施形態では、鉛蓄電池２について計測される電流、電圧等のデータに基づき、鉛蓄電池２の破断リスクを推定できる。

なお、制御部１１は、ユーザ等により鉛蓄電池２が交換されことを検知する機能を有していてもよい。例えば、ユーザにより鉛蓄電池２が交換された場合に、ユーザは、操作部１５に対して、電池２を交換したことを入力する。操作部１５は、制御部１１に対して、電池２が交換されたことを示す信号を送信する。制御部１１は、操作部１５から電池２が交換されたことを示す信号を受信した場合に、記憶部１２に記憶されているノイズ量の積算値をリセットする。

また、例えば、制御部１１は、所定期間毎のノイズの積算値とノイズ閾値とを比較し、所定の連続した回数、ノイズの積算値がノイズ閾値を下回った場合に、電池２が交換されたと判断し、記憶部１２に記憶されているノイズ量の積算値をリセットしてもよい。

（第２実施形態）
第２実施形態では、振動ストレス値に基づき破断リスクを推定する構成について説明する。

第２実施形態における推定装置１は、加速度センサ６より得られる加速度のデータに基づき、一定期間毎の振動ストレス値（積算値）を算出し、算出した振動ストレス蓄積量と振動ストレス閾値とを比較することによって、破断リスクを推定する。

以下、第２実施形態における破断リスクの推定手法について説明する。
図７は振動ストレスの経時変化を示すグラフである。図７に示すグラフの横軸は計測開始からの日数を表し、縦軸は一定期間毎の振動ストレスの蓄積量（積算値）を表している。振動ストレスは、加速度センサ６から得られる加速度のデータを用いて、公知の演算手法を用いて算出される。推定装置１の制御部１１は、算出した振動ストレスの値を一定期間毎（例えば１日毎）に積算し、記憶部１２に記憶させる。制御部１１は、振動ストレスの蓄積量が予め設定した閾値（振動ストレス閾値）を超えた場合、破断リスクがあると推定する。

以下、推定装置１が実行する処理の手順について説明する。推定装置１は、以下の手順を例えば定期的なタイミング等の適宜のタイミングにおいて実行すればよい。

図８は第２実施形態における推定装置１が実行する処理の手順を説明するフローチャートである。推定装置１の制御部１１は、入力部１３を通じて、加速度センサ６によって計測される鉛蓄電池２の加速度のデータを取得し（ステップＳ２０１）、取得したデータを用いて振動ストレスの値を算出する（ステップＳ２０２）。制御部１１は、算出した振動ストレスの値を積算して記憶部１２に記憶させる（ステップＳ２０３）。ステップＳ２０３において、制御部１１は、所定期間毎（例えば１日毎）に振動ストレスの値を積算すればよい。

制御部１１は、振動ストレスの蓄積量と振動ストレス閾値とを比較することによって、破断リスクを推定し（ステップＳ２０４）、破断リスクがあるか否かを判断する（ステップＳ２０５）。このとき、制御部１１は、振動ストレスの蓄積量が振動ストレス閾値より大きい場合に破断リスクがあると判断し、振動ストレスの蓄積量が振動ストレス閾値より小さい場合に破断リスクがないと判断すればよい。

破断リスクがあると判断した場合（Ｓ２０５：ＹＥＳ）、制御部１１は、破断リスクがある旨を報知する（ステップＳ２０６）。例えば、制御部１１は、破断リスクがある旨の文字情報を含む画面データを生成し、生成した画面データに基づき破断リスクがある旨の文字情報を表示部１６に表示させる。代替的に、制御部１１は、通信部１４を通じて、破断リスクがある旨の文字情報をユーザ等が所持する端末装置に通知してもよい。破断リスクがないと判断した場合（Ｓ２０５：ＮＯ）、制御部１１は、本フローチャートによる処理を終了する。

以上のように、第２実施形態では、鉛蓄電池２について計測される加速度等のデータに基づき、鉛蓄電池２の破断リスクを推定できる。

なお、制御部１１は、ユーザ等により鉛蓄電池２が交換されことを検知する機能を有していてもよい。例えば、ユーザにより鉛蓄電池２が交換された場合に、ユーザは、操作部１５に対して、電池２を交換したことを入力する。操作部１５は、制御部１１に対して、電池２が交換されたことを示す信号を送信する。制御部１１は、操作部１５から電池２が交換されたことを示す信号を受信した場合に、記憶部１２に記憶されている、振動ストレスの蓄積量をリセットする。

（第３実施形態）
第３実施形態では、ニューラルネットワークにより構成される学習モデルを用いて破断リスクを推定する構成について説明する。

推定装置１は、鉛蓄電池２の電流、電圧、加速度に関するデータの入力に応じて、破断リスクに関するデータを出力するよう構成された学習モデルを用いて、破断リスクを推定する。

図９は第３実施形態における学習モデル１１０の構成を示す模式図である。第３実施形態における学習モデル１１０は、ＣＮＮ（Convolutional Neural Networks）、Ｒ−ＣＮＮ（Region-based CNN）などによる学習モデルであり、入力層１１１、中間層１１２、および、出力層１１３を備える。学習モデル１１０は、鉛蓄電池２のノイズ量、振動ストレスの蓄積量等の時系列変化を示すグラフ（画像）の入力に対して、破断リスクに関するデータを出力するように学習される。学習モデル１１０は、例えば推定装置１と通信可能に接続される外部のサーバ装置１００（図１０を参照）によって生成され、推定装置１の記憶部１２に記憶される。

サーバ装置１００は、鉛蓄電池２の電流、電圧、加速度等のデータを取得した場合、それらのデータに基づき、ノイズ量、振動ストレスの積算量の時系列変化を示すグラフを生成する。

学習モデル１１０の入力層１１１には、ノイズ量、振動ストレスの積算量の時系列変化を示すグラフ（画像）が入力される。

中間層１１２は、例えば、畳み込み層１１２ａ、プーリング層１１２ｂ、及び全結合層１１２ｃにより構成される。畳み込み層１１２ａ及びプーリング層１１２ｂは交互に複数設けられてもよい。畳み込み層１１２ａ及びプーリング層１１２ｂは、各層のノードを用いた演算によって、入力層１１１を通じて入力されるグラフの特徴を抽出する。全結合層１１２ｃは、畳み込み層１１２ａ及びプーリング層１１２ｂによって特徴部分が抽出されたデータを１つのノードに結合し、活性化関数によって変換された特徴変数を出力する。特徴変数は、全結合層１１２ｃを通じて出力層１１３へ出力される。

出力層１１３は、１つ又は複数のノードを備える。出力層１１３は、中間層１１２の全結合層１１２ｃから入力される特徴変数を基に、ソフトマックス関数を用いて確率に変換し、破断リスクを示す確率を各ノードから出力する。

例えば、出力層１１３を第１ノードから第１１ノードの１１個のノードにより構成し、第１ノードから破断リスクが１００％である確率、第２ノードから破断リスクが９０％である確率、…、第１１ノードから破断リスクが０％である確率といったように、各ノードから破断リスクを示す確率を出力すればよい。出力層１１３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。

推定装置１の制御部１１は、学習モデル１１０から得られる演算結果を参照し、例えば確率が最も高いノードを選択することにより、破断リスクを推定できる。

学習モデル１１０の構成を定める内部パラメータ（ノード間の重み及びバイアス）は、例えば、サーバ装置１００において、適宜の学習アルゴリズムを用いることによって学習される。

図１０はサーバ装置１００の構成を示すブロック図である。サーバ装置１００は、制御部１０１、記憶部１０２、通信部１０３、操作部１０４、及び表示部１０５を備える。

制御部１０１は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭなどを備える。制御部１０１が備えるＲＯＭには、サーバ装置１００が備えるハードウェア各部の動作を制御するための制御プログラム等が記憶される。制御部１０１内のＣＰＵは、ＲＯＭに記憶された制御プログラム、及び記憶部１０２に記憶された各種プログラムを実行し、ハードウェア各部の動作を制御する。

制御部１０１は上述の構成に限定されない。制御部１０１は、ＣＰＵ、ＲＯＭ及びＲＡＭを備えた構成に限定されない。制御部１０１は、例えば、ＧＰＵ、ＦＰＧＡ、ＤＳＰ、揮発性または不揮発性のメモリ等を含む１又は複数の制御回路または演算回路であってもよい。また、制御部１０１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えていてもよい。

記憶部１０２は、ハードディスクドライブなどの記憶装置を備える。記憶部１０２には、制御部１０１によって実行される各種コンピュータプログラム、当該コンピュータプログラムによって利用される各種データ、外部から取得したデータ等が記憶される。記憶部１０２に記憶されるコンピュータプログラムの一例は、学習モデル１１０を生成するためのモデル生成プログラムである。また、記憶部１０２には、鉛蓄電池２から電流、電圧、加速度のデータを収集し、積算値又は演算値を含む履歴データと、鉛蓄電池２が破断したか否かを示すラベルデータとを含む教師データが記憶されてもよい。これらのデータは、通信部１０３を通じて、推定装置１から取得してもよい。

通信部１０３は、通信ネットワークに接続する通信インタフェースを備える。通信ネットワークは、インターネット網、特定用途向けのＬＡＮ又はＷＡＮ（Wide Area Network）などである。通信部１０３は、推定装置１へ送信すべきデータを、通信ネットワークを介して推定装置１へ送信する。また、通信部１０３は、サーバ装置１００を宛先として推定装置１から送信されるデータを、通信ネットワークＮを介して受信する。

操作部１０４は、キーボードやマウスなどの入力インタフェースを備えており、各種の操作情報や設定情報を受付ける。制御部１０１は、操作部１０４から入力される操作情報に基づき適宜の制御を行い、必要に応じて設定情報を記憶部１０２に記憶させる。

表示部１０５は、液晶表示パネル、有機ＥＬ表示パネル等の表示デバイスを備えており、制御部１０１から出力される制御信号に基づいて、サーバ装置１００の管理者等に通知すべき情報を表示する。

なお、本実施の形態では、サーバ装置１００が操作部１０４及び表示部１０５を備える構成としたが、操作部１０４及び表示部１０５は必須ではなく、外部に接続されたコンピュータを通じて操作を受付け、通知すべき情報を外部のコンピュータへ出力する構成であってもよい。

図１１は学習モデル１１０の生成手順を説明するフローチャートである。サーバ装置１００は、学習モデル１１０を生成する準備段階として、鉛蓄電池２の電流、電圧、及び加速度の時系列データと、その鉛蓄電池２が破断したか否かを示すラベルデータとを収集し、収集したデータを教師データとして記憶部１０２に記憶させる。この準備段階で、十分な数の時系列データと、ラベルデータとを収集しておくことで、破断リスクの推定精度を高めることができる。

制御部１０１は、記憶部１０２にアクセスし、学習モデル１１０の生成に用いる教師データを取得する（ステップＳ３０１）。教師データは、鉛蓄電池２の電流、電圧、及び加速度の時系列データと、その鉛蓄電池２が破断したか否かを示すラベルデータとを含む。ステップＳ３０１では、教師データとして含まれる多数の時系列データ及びラベルデータのうち、１組の時系列データ及びラベルデータを取得すればよい。学習モデル１１０を生成する初期段階では、教師データは、サーバ装置１００の管理者等によって用意されたものが設定される。また、学習が進めば、学習モデル１１０による推定結果と、推定処理に用いた時系列データとを取得し、取得したデータを教師データとして設定してもよい。

次いで、制御部１０１は、鉛蓄電池２の電流、電圧、及び加速度の時系列データから、ノイズ量の時系列変化、振動ストレス蓄積量の時系列変化を示すグラフ（画像）を生成して学習モデル１１０へ入力し（ステップＳ３０２）、学習モデル１１０から演算結果を取得する（ステップＳ３０３）。学習が開始される前の段階では、学習モデル１１０を記述する定義情報には、初期設定値が与えられているものとする。学習モデル１１０では、前述のように、各層を構成するノード間において所定の演算が行われる。

次いで、制御部１０１は、ステップＳ３０３で得られた演算結果を評価し（ステップＳ３０４）、学習が完了したか否かを判断する（ステップＳ３０５）。具体的には、制御部１０１は、ステップＳ３０３で得られる演算結果と教師データとに基づく誤差関数（目的関数、損失関数、コスト関数ともいう）を用いて、演算結果を評価することができる。制御部１０１は、最急降下法などの勾配降下法により誤差関数を最適化（最小化又は最大化）する過程で、誤差関数が閾値以下（又は閾値以上）となった場合、学習が完了したと判断する。なお、過学習の問題を避けるために、交差検定、早期打ち切りなどの手法を取り入れ、適切なタイミングにて学習を終了させてもよい。

学習が完了していないと判断した場合（Ｓ３０５：ＮＯ）、制御部１０１は、学習モデル１１０のノード間の重み及びバイアスを更新し（ステップＳ３０６）、処理をステップＳ３０１へ戻す。制御部１０１は、学習モデル１１０の出力層１１３から入力層１１１に向かって、ノード間の重み及びバイアスを順次更新する誤差逆伝搬法を用いて、各ノード間の重み及びバイアスを更新することができる。

学習が完了したと判断した場合（Ｓ３０５：ＹＥＳ）、制御部１０１は、学習済みの学習モデル１１０として記憶部１０２に記憶させ（ステップＳ３０７）、本フローチャートによる処理を終了する。

このように、サーバ装置１００は、鉛蓄電池２の電流、電圧、及び加速度の時系列データと、破断したか否かを示すラベルデータとを収集し、収集したデータを教師データに用いることによって、学習モデル１１０を生成することができる。

推定装置１は、サーバ装置１００において生成された学習モデル１１０をダウンロードする。推定装置１は、運用フェーズにおいて計測された鉛蓄電池２の電流、電圧、及び加速度のデータから生成されるノイズの時系列変化、振動ストレス蓄積量の時系列変化を示すグラフを学習モデル１１０へ入力することによって、鉛蓄電池２における破断リスクを推定できる。

図１２は学習モデル１１０を用いた推定処理の手順を説明するフローチャートである。推定装置１の制御部１１は、運用フェーズにおいて収集した鉛蓄電池２の電流、電圧、加速度の履歴データを記憶部１２から取得し（ステップＳ３２１）、取得した履歴データに基づき生成したノイズ量の時系列変化、振動ストレス蓄積量の時系列変化を示すグラフの画像データを学習モデル１１０に与えることによって、学習モデル１１０による演算を実行する（ステップＳ３２２）。学習モデル１１０の入力層１１１に与えられたグラフの画像データは中間層１１２へ送出される。中間層１１２では、ノード間の重み及びバイアスを含む活性化関数を用いた演算が実行される。中間層１１２の畳み込み層１１２ａ及びプーリング層１１２ｂでは画像の特徴が抽出される。畳み込み層１１２ａ及びプーリング層１１２ｂによって抽出された特徴部分のデータは、全結合層１１２ｃの構成する各ノードに結合され、活性化関数によって特徴変数に変換される。変換された特徴変数は、全結合層１１２ｃを通じて出力層１１３へ出力される。出力層１１３は、中間層１１２の全結合層１１２ｃから入力される特徴変数を基に、ソフトマックス関数を用いて確率に変換し、各カテゴリに属する確率を各ノードから出力する。

制御部１１は、学習モデル１１０から演算結果を取得し、取得した演算結果を基に破断リスクを推定する（ステップＳ３２３）。上述したように、学習モデル１１０の出力層１１３を構成する各ノードからは、破断リスクに関する確率が出力される。制御部１１は、出力層１１３の各ノードから出力される確率に基づき、破断リスクを推定できる。

制御部１１は、ステップＳ３２３の推定結果を出力する（ステップＳ３２４）。例えば、制御部１１は、推定結果を示す情報を表示部１６に表示してもよい。代替的に、制御部１１は、推定結果を示す情報を通信部１４よりユーザの端末装置に通知してもよい。

以上のように、第３実施形態では、学習モデル１１０を用いるので、精度良く破断リスクを推定できる。

（第４実施形態）
第４実施形態では、ニューラルネットワークにより構成される他の学習モデルを用いて破断リスクを推定する構成について説明する。

図１３は第４実施形態における学習モデル１２０の構成を示す模式図である。第４実施形態における学習モデル１２０は、リカレントニューラルネットワークの一種であるｓｅｑ２ｓｅｑ（sequence to sequence）モデルである。学習モデル１２０は、例えばサーバ装置１００によって生成され、推定装置１の記憶部１２に記憶される。

学習モデル１２０は、時系列データが入力されるｍ個のエンコーダＥ１〜Ｅｍと、時系列データを出力するｎ個のデコーダＤ１〜Ｄｎとを備える。インデックスのｍおよびｎは２以上の整数である。図１３において、エンコーダＥ１〜ＥｍおよびデコーダＤ１〜Ｄｎは、単一のブロックとして記載しているが、入力層および隠れ層を含む２〜８層程度の複数の層を有する。エンコーダＥ１〜ＥｍおよびデコーダＤ１〜Ｄｎの内部構造、ならびに、エンコーダＥ１〜ＥｍおよびデコーダＤ１〜Ｄｎにおける内部パラメータの学習方法については公知であるため、その詳細な説明を省略する。本実施形態では、鉛蓄電池２の電流、電圧、加速度の時系列データを学習モデル１２０への入力とし、ノイズ量若しくは振動ストレス蓄積量の時系列データを出力するように、学習モデル１２０の内部パラメータが学習される。

図１３において横方向は時間ステップを表し、図中左方向から右方向へ手順が進行していることを表している。エンコーダＥ１〜Ｅｍのそれぞれには、鉛蓄電池２の電流、電圧、加速度の時系列データが入力される。

エンコーダＥ１〜Ｅｍの隠れ層には、内部状態として、入力された時系列データが内部ベクトルｃｔとして記録される。ここで、ｔはタイムステップを表し、エンコーダＥ１〜Ｅｍ内では１〜ｍの値をとる。内部ベクトルｃｔは、入力ごとに値のステップへ受け渡されていき、全ての入力が終わった時点でデコーダＤ１に受け渡す内部ベクトルｃｍが得られる。

最終のエンコーダＥｍにおける内部ベクトルｃｍはデコーダＤ１へ受け渡される。デコーダＤ１には出力の開始を指示する予約語が入力される。図１３の例では、予約語として＜ｇｏ＞を記載しているが、予め設定された固定値であればよい。エンコーダＥｍから内部ベクトルｃｍが受け渡され、出力の開始を指示する予約語が入力された場合、デコーダＤ１は出力ｈ１を出力し、内部ベクトルはｃｍ＋１へ変化する。デコーダＤ１の出力ｈ１は、次のステップにおけるデコーダＤ２への入力に用いられる。デコーダＤ１の内部ベクトルｃｍ＋１は、次のステップにおけるデコーダＤ２の内部状態として使用される。このようにして、Ｄ１，Ｄ２，…Ｄｎ−１の出力ｈｔおよび内部ベクトルｃｔは、順次次のデコーダＤ２，Ｄ３，…，Ｄｎに入力され、最終のデコーダＤｎが出力終了を表す予約語＜ｅｏｓ＞を出力するまで順次演算が実行される。

以上の結果、デコーダＤ１〜Ｄｎ−１のそれぞれ得られるｎ−１個の出力ｈ１〜ｈｎ−１が、学習モデル１２０の最終的な出力となる。これらの出力ｈ１〜ｈｎ−１は、ノイズ量若しくは振動ストレス蓄積量の時系列データを表す。

制御部１１は、学習モデル１２０のデコーダＤ１〜Ｄｎ−１からノイズ量若しくは振動ストレス蓄積量の時系列データを取得する。制御部１１は、エンコーダＥ１〜Ｅｍへの時系列データの入力と、デコーダＤ１〜Ｄｎ−１から出力される時系列データの取得とを順次繰り返すことによって、ノイズ量若しくは振動ストレス蓄積量の経時変化を推定することができる。

制御部１１は、推定したノイズ量若しくは振動ストレス蓄積量に基づき、破断リスクを推定することができる。すなわち、制御部１１は、学習モデル１２０を用いてノイズ量を推定した場合、推定したノイズ量とノイズ閾値とを比較することによって、破断リスクを推定できる。同様に、制御部１１は、学習モデル１２０を用いて振動ストレス蓄積量を推定した場合、推定した振動ストレス蓄積量と振動ストレス閾値とを比較することによって、破断リスクを推定できる。

以上のように、第４実施形態では、鉛蓄電池２について計測される電流、電圧、加速度等のデータに基づき、鉛蓄電池２における破断リスクを推定できる。

今回開示された実施形態は、全ての点において例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上述した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。

１ 推定装置
１１ 制御部
１２ 記憶部
１３ 入力部
１４ 通信部
１５ 操作部
１６ 表示部
２ 鉛蓄電池
３ 負荷
４ 電流センサ
５ 電圧センサ
６ 加速度センサ
ＥＰ 推定プログラム

Claims (8)

1. 鉛蓄電池の電流及び電圧を取得する取得部と、
   取得した電流及び電圧からノイズ量を抽出する抽出部と、
   前記抽出部によって抽出したノイズ量に関するデータを蓄積するデータ蓄積部と、
   前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する推定部と、
   前記推定部の推定結果を出力する出力部と
   を備える推定装置。
2. 鉛蓄電池の振動ストレス値を取得する取得部と、
   取得した振動ストレス値の積算値に関するデータを蓄積するデータ蓄積部と、
   前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する推定部と、
   前記推定部の推定結果を出力する出力部と
   を備える推定装置。
3. 前記推定部は、前記履歴データの入力に応じて、前記鉛蓄電池の破断リスクに関する情報を出力するよう構成された学習モデルを用いて、破断リスクを推定する
   請求項１又は請求項２に記載の推定装置。
4. 前記学習モデルは、
   前記履歴データが入力される入力層、
   前記鉛蓄電池の破断リスクに関する情報を出力する出力層、及び
   前記鉛蓄電池の履歴データと、前記鉛蓄電池が破断したか否かを示すラベルデータとを教師データに用いて、前記履歴データと前記破断リスクとの関係を学習してある中間層
   を備え、
   前記データ蓄積部に蓄積した履歴データの入力に応じて、前記中間層にて演算し、前記出力層から破断リスクに関する情報を出力するよう構成してある
   請求項３に記載の推定装置。
5. コンピュータを用いて、
   鉛蓄電池の電流及び電圧を取得し、
   取得した電流及び電圧からノイズ量を抽出し、
   抽出したノイズ量に関するデータを蓄積し、
   蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する
   推定方法。
6. コンピュータを用いて、
   鉛蓄電池の振動ストレス値を取得し、
   取得した振動ストレス値の積算値に関するデータを蓄積し、
   前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する
   推定方法。
7. コンピュータに、
   鉛蓄電池の電流及び電圧を取得し、
   取得した電流及び電圧からノイズ量を抽出し、
   抽出したノイズ量に関するデータを蓄積し、
   蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する
   処理を実行させるためのコンピュータプログラム。
8. コンピュータに、
   鉛蓄電池の振動ストレス値を取得し、
   取得した振動ストレス値の積算値に関するデータを蓄積し、
   前記データ蓄積部に蓄積した履歴データに基づき、前記鉛蓄電池の破断リスクを推定する
   処理を実行させるためのコンピュータプログラム。

Images