JP2021061118A - 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】鉛蓄電池の劣化の度合を推定することができる推定装置、推定方法、及びコンピュータプログラムを提供する。【解決手段】鉛蓄電池の電流、電圧、及び鉛蓄電池の温度に基づく導出履歴を導出する導出部３１と、導出した前記導出履歴、並びに電流、電圧、及び鉛蓄電池の温度に基づく第１履歴と、正極電極材料の軟化の第１度合との第１関係、第２履歴と、正極格子の腐食の第２度合との第２関係、第３履歴と、負極サルフェーションの第３度合との第３関係、及び第４履歴と、負極電極材料の収縮の第４度合との第４関係からなる群から選択される少なくとも２つの関係に基づいて、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を特定する特定部３１と、特定した前記少なくとも２つの度合に基づいて、前記鉛蓄電池の劣化の度合を推定する推定部３１とを備える。【選択図】図２

Description

本発明は、鉛蓄電池の劣化を推定する推定装置、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、車載用、産業用の他、様々な用途で使用されている。例えば車載用の鉛蓄電池等の二次電池（蓄電素子）は、例えば自動車，バイク，フォークリフト，ゴルフカー等の車両の移動体に搭載され、エンジン始動時におけるスタータモータへの電力供給源、及びライト等の各種電装品への電力供給源として使用されている。例えば、産業用の鉛蓄電池は、非常用電源やＵＰＳへの電力供給源として使用されている。

鉛蓄電池は様々な要因によって劣化が進行することが知られている。鉛蓄電池の予期せぬ機能喪失による電力の供給停止を防ぐため、劣化の度合を適切に判定する必要がある。
特許文献１には、鉛蓄電池の電流及び電圧に基づいて内部抵抗を算出し、内部抵抗に基づいて劣化を判定する劣化判定装置が開示されている。

特開２０１６−１０９６３９号公報

鉛蓄電池の主要な劣化要因は、正極電極材料の軟化、正極格子の腐食、負極サルフェーション、負極電極材料の収縮である。劣化要因が複数存在する場合、対応する劣化要因の劣化の度合を推定して、良好に鉛蓄電池の劣化の度合を推定することが求められている。

本発明は、鉛蓄電池の劣化の度合を推定することができる推定装置、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。

本発明に係る推定装置は、鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出する導出部と、導出した前記導出履歴、並びに電流、電圧、及び前記鉛蓄電池の温度に基づく第１履歴と、正極電極材料の軟化の第１度合との第１関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第２履歴と、正極格子の腐食の第２度合との第２関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第３履歴と、負極サルフェーションの第３度合との第３関係、及び電流、電圧、及び前記鉛蓄電池の温度に基づく第４履歴と、負極電極材料の収縮の第４度合との第４関係からなる群から選択される少なくとも２つの関係に基づいて、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を特定する特定部と、特定した前記少なくとも２つの度合に基づいて、前記鉛蓄電池の劣化の度合を推定する推定部とを備える。

本発明に係る推定装置は、鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出する導出部と、鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を入力した場合に、正極電極材料の軟化の第１度合、正極格子の腐食の第２度合、負極サルフェーションの第３度合、及び負極電極材料の収縮の第４度合のうちの少なくとも１つの度合を出力する学習モデルに、導出した前記導出履歴を入力して、少なくとも１つの度合を特定する特定部と、特定した前記少なくとも１つの度合に基づいて、鉛蓄電池の劣化の度合を推定する推定部とを備える。

本発明に係る推定方法は、鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出し、導出した前記導出履歴、並びに電流、電圧、及び前記鉛蓄電池の温度に基づく第１履歴と、正極電極材料の軟化の第１度合との第１関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第２履歴と、正極格子の腐食の第２度合との第２関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第３履歴と、負極サルフェーションの第３度合との第３関係、及び電流、電圧、及び前記鉛蓄電池の温度に基づく第４履歴と、負極電極材料の収縮の第４度合との第４関係からなる群から選択される少なくとも２つの関係に基づいて、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を特定し、特定した前記少なくとも２つの度合に基づいて、前記鉛蓄電池の劣化の度合を推定する。

本発明に係るコンピュータプログラムは、鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出し、導出した前記導出履歴、並びに電流、電圧、及び前記鉛蓄電池の温度に基づく第１履歴と、正極電極材料の軟化の第１度合との第１関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第２履歴と、正極格子の腐食の第２度合との第２関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第３履歴と、負極サルフェーションの第３度合との第３関係、及び電流、電圧、及び前記鉛蓄電池の温度に基づく第４履歴と、負極電極材料の収縮の第４度合との第４関係からなる群から選択される少なくとも２つの関係に基づいて、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を特定し、特定した前記少なくとも２つの度合に基づいて、前記鉛蓄電池の劣化の度合を推定する処理をコンピュータに実行させる。

本発明によれば、鉛蓄電池の劣化の度合を推定することができる。

実施形態１に係る充放電システム、負荷、及びサーバの構成を示すブロック図である。 ＢＭＵの構成を示すブロック図である。 電池の外観構成を示す斜視図である。 図３のIV−IV線断面図である。 劣化度合ＤＢのレコードレイアウトの一例を示す説明図である。 使用履歴ＤＢのレコードレイアウトの一例を示す説明図である。 制御部による劣化度合の推定処理の手順を示すフローチャートである。 実施形態２に係る制御装置の構成を示すブロック図である。 使用履歴ＤＢのレコードレイアウトの一例を示す説明図である。 第１学習モデルの一例を示す模式図である。 制御部による第１学習モデルの生成処理の手順を示すフローチャートである。 第２学習モデルの一例を示す模式図である。 制御部による劣化度合の推定処理の手順を示すフローチャートである。 学習モデルＡ、Ｂ、Ｃ、Ｄの一例を示す模式図である。 制御部による劣化度合の推定処理の手順を示すフローチャートである。

（実施形態の概要）
実施形態に係る推定装置は、鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出する導出部と、導出した前記導出履歴、並びに電流、電圧、及び前記鉛蓄電池の温度に基づく第１履歴と、正極電極材料の軟化の第１度合との第１関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第２履歴と、正極格子の腐食の第２度合との第２関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第３履歴と、負極サルフェーションの第３度合との第３関係、及び電流、電圧、及び前記鉛蓄電池の温度に基づく第４履歴と、負極電極材料の収縮の第４度合との第４関係からなる群から選択される少なくとも２つの関係に基づいて、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を特定する特定部と、特定した前記少なくとも２つの度合に基づいて、前記鉛蓄電池の劣化の度合を推定する推定部とを備える。

ここで、第１履歴、第１履歴、第２履歴、第３履歴、第４履歴は同一であっても異なっていてもよい。一部が共通していてもよい。例えば、第１履歴の場合、生涯有効放電電気量、温度蓄積値、使用期間等の履歴を含む。第２履歴は、生涯有効過充電電気量、温度積算値、使用期間等の履歴を含む。第３履歴は、生涯有効充電電気量、温度積算値、使用期間、放置時間、各ＳＯＣ区分における滞在時間等の履歴を含む。第４履歴は、生涯有効充電電気量、温度積算値、使用期間等の履歴を含む。

鉛蓄電池の劣化要因としては、正極電極材料の軟化、正極格子の腐食、負極サルフェーション、負極電極材料の収縮等がある。これらの劣化要因を個別に推定するだけでは、劣化の度合を適正に推定できないことがある。
例えば、上記劣化要因のいずれかの１つが極端に進行していると推定される場合に、劣化要因に影響する因子の計測結果に基づいて鉛蓄電池の交換を促すことが考えられる。
しかし、現実には各劣化要因の度合はそれ程大きくないという場合でも、これらの劣化要因の組み合わせによって、鉛蓄電池全体としては劣化が進行していると判断すべきことがあることを本願発明者は見出した。
従来、これらの劣化要因の相互の関係性や影響については、十分な検討がなされていなかった。

上記構成によれば、電流、電圧、及び温度に基づく履歴を導出し、予め求めてある、履歴と正極格子の腐食，正極電極材料の軟化，負極サルフェーション，負極電極材料の収縮との関係に基づいて、２以上の劣化要因の度合を特定し、これに基づいて鉛蓄電池の劣化の度合を推定する。

２以上の劣化要因の度合の組み合わせによって、良好に鉛蓄電池の劣化を推定できる。
例えば、正極板と負極板の劣化が同時進行することによる、鉛蓄電池の急速な劣化を良好に予測できる。また、一つの劣化要因のみに悪影響となる使用履歴ののちに、異なる劣化要因にのみに悪影響となる使用履歴が起こる場合や、上記の二種類の使用履歴パターンが繰り返される場合においても、鉛蓄電池の劣化を良好に予測できる。
劣化を予測することにより、故障リスクを推定し、突然の使用不能状態に陥ることを回避できる。

上述の推定装置において、前記特定部は、鉛蓄電池の電流、電圧、及び前記鉛蓄電池の温度に基づく導出履歴を入力した場合に、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を出力する第１学習モデルに、導出した前記導出履歴を入力して、少なくとも２つの度合を特定し、前記推定部は、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を入力した場合に、鉛蓄電池の劣化の度合を出力する第２学習モデルに、特定した前記少なくとも２つの度合を入力して、劣化の度合を推定してもよい。前記推定部の第２学習モデルに、第１学習モデルに入力された情報を入力してもよい。

上記構成によれば、第１学習モデルを用いて、容易に、良好に２以上の劣化要因の度合を特定し、第２学習モデルを用いて、容易に、良好に鉛蓄電池の劣化を推定できる。

上述の推定装置において、前記導出履歴は、放電電気量を温度に基づく係数により補正した有効放電電気量、充電電気量を温度に基づく係数により補正した有効充電電気量、又は温度に所定の係数を乗じて積算した温度積算値を含んでもよい。
補正係数には、温度だけでなく、放電量、電流値、電気量を含んでもよい。
上記構成によれば、良好に劣化要因の度合を特定できる。

上述の推定装置において、前記特定部は、導出履歴、及び前記鉛蓄電池の設計情報に基づいて、前記少なくとも２つの度合を特定してもよい。
上記構成によれば、劣化要因の度合と設計情報とに基づいて、良好に劣化要因の度合を特定できる。

上述の推定装置において、前記設計情報は、極板の枚数、正極活物質量、正極格子の質量、正極格子の厚さ、正極格子のデザイン、正極電極材料の密度、正極電極材料の組成、正極電極材料中の添加剤の量及び種類、正極合金の組成、正極板に当接する不織布の有無並びに厚さ、材質及び通気度、負極活物質量、負極電極材料中のカーボン量及び種類、負極電極材料中の添加剤の量及び種類、負極電極材料の比表面積、電解液の添加剤の種類及び濃度、並びに電解液の比重及び量からなる群から選択される少なくとも１つであってもよい。
上記構成によれば、良好に劣化要因の度合を特定できる。

上述の推定装置において、前記推定部は、前記少なくとも２つの度合、及び前記鉛蓄電池の診断情報に基づいて、劣化の度合を推定してもよい。例えば、特定された劣化度合と診断情報を比較し、差が確認される場合、その原因を電池設計からのばらつき、または履歴情報のデータ欠損として補正を行ってもよい。
上記構成によれば、劣化要因の度合と診断情報とに基づいて、良好に劣化度合を推定できる。

上述の推定装置において、前記診断情報は、内部抵抗、開放電圧、及びＳＯＣ(State Of Charge)からなる群から選択される少なくとも１つであってもよい。
上記構成によれば、良好に劣化要因の度合を特定できる。

上述の推定装置において、前記導出履歴と、前記特定部が特定した前記劣化の度合又は前記診断情報を記憶する記憶部と、前記劣化の度合又は前記診断情報と、閾値とに基づいて、前記鉛蓄電池が交換されたと推定した場合に、前記導出履歴、及び前記劣化の度合又は前記診断情報を消去する履歴消去部とを備えてもよい。

劣化の度合又は診断情報により、鉛蓄電池が交換されたと判定した場合に、例えば後述する使用履歴ＤＢのデータを消去することができる。

実施形態に係る推定装置は、鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出する導出部と、鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を入力した場合に、正極電極材料の軟化の第１度合、正極格子の腐食の第２度合、負極サルフェーションの第３度合、及び負極電極材料の収縮の第４度合のうちの少なくとも１つの度合を出力する学習モデルに、導出した前記導出履歴を入力して、少なくとも１つの度合を特定する特定部と、特定した前記少なくとも１つの度合に基づいて、鉛蓄電池の劣化の度合を推定する推定部とを備える。
上記構成によれば、学習モデルを用いて、容易に、良好に劣化要因の度合を特定し、特定した劣化要因の度合に基づいて、良好に鉛蓄電池の劣化を推定できる。

実施形態に係る推定方法は、鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出し、導出した前記導出履歴、並びに電流、電圧、及び前記鉛蓄電池の温度に基づく第１履歴と、正極活物質の軟化の第１度合との第１関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第２履歴と、正極格子の腐食の第２度合との第２関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第３履歴と、負極サルフェーションの第３度合との第３関係、及び電流、電圧、及び前記鉛蓄電池の温度に基づく第４履歴と、負極電極材料の収縮の第４度合との第４関係からなる群から選択される少なくとも２つの関係に基づいて、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を特定し、特定した前記少なくとも２つの度合に基づいて、前記鉛蓄電池の劣化の度合を推定する。

上記構成によれば、電流、電圧、及び温度に基づく履歴を導出し、予め求めてある、履歴と正極格子の腐食，正極電極材料の軟化，負極サルフェーション，負極電極材料の収縮との関係に基づいて、２以上の劣化要因の度合を特定し、これに基づいて鉛蓄電池の劣化の度合を推定する。

実施形態に係るコンピュータプログラムは、鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出し、導出した前記導出履歴、並びに電流、電圧、及び前記鉛蓄電池の温度に基づく第１履歴と、正極電極材料の軟化の第１度合との第１関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第２履歴と、正極格子の腐食の第２度合との第２関係、電流、電圧、及び前記鉛蓄電池の温度に基づく第３履歴と、負極サルフェーションの第３度合との第３関係、及び電流、電圧、及び前記鉛蓄電池の温度に基づく第４履歴と、負極電極材料の収縮の第４度合との第４関係からなる群から選択される少なくとも２つの関係に基づいて、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を特定し、特定した前記少なくとも２つの度合に基づいて、前記鉛蓄電池の劣化の度合を推定する処理をコンピュータに実行させる。

（実施形態１）
図１は実施形態１に係る充放電システム１、負荷１３、及びサーバ９の構成を示すブロック図、図２はＢＭＵ３の構成を示すブロック図である。
充放電システム１は、鉛蓄電池（以下、電池という）２と、ＢＭＵ（Battery Management Unit）３と、電圧センサ４と、電流センサ５と、温度センサ６と、制御装置７とを備える。

ＢＭＵ３は、制御部３１、記憶部３２、入力部３６、及び通信部３７を備える。ＢＭＵ３は、電池ＥＣＵであってもよい。
制御装置７は充放電システム１全体を制御し、制御部７１、記憶部７２、及び通信部７７を備える。
サーバ９は、制御部９１、及び通信部９２を備える。
制御装置７の制御部７１は、通信部７７、ネットワーク１０、及び通信部９２を介し、制御部９１と接続されている。
電池２は、端子１１，１２を介して負荷１３と接続している。

制御部３１、７１、及び９１は、例えばＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等により構成され、ＢＭＵ３、制御装置７、及びサーバ９の動作を制御する。
記憶部３２、記憶部７２は、例えばハードディスクドライブ（ＨＤＤ）等により構成され、各種のプログラム及びデータを記憶する。
通信部３７、７７、及び９２は、ネットワークを介して他の装置との間で通信を行う機能を有し、所要の情報の送受信を行うことができる。

ＢＭＵ３の記憶部３２には、劣化推定のプログラム３３が格納されている。プログラム３３は、例えばＣＤ−ＲＯＭやＤＶＤ−ＲＯＭ、ＵＳＢメモリ等のコンピュータ読み取り可能な記録媒体４０に格納された状態で提供され、ＢＭＵ３にインストールすることにより記憶部３２に格納される。また、通信網に接続されている図示しない外部コンピュータからプログラム３３を取得し、記憶部３２に記憶させることにしてもよい。

記憶部３２には、履歴と、各劣化要因の度合と、電池２の劣化度合とを記憶した劣化度合ＤＢ３４、及び各電池２につき、導出履歴と、各劣化要因の度合と、劣化度合とを記憶した使用履歴ＤＢ３５も記憶している。劣化度合ＤＢ３４及び使用履歴ＤＢ３５の詳細は後述する。
入力部３６は、電圧センサ４、電流センサ５、及び温度センサ６からの検出結果の入力を受け付ける。

実施形態においては、ＢＭＵ３が本発明の推定装置として機能する。制御装置７、及びサーバ９のいずれかが、推定装置として機能してもよい。ＢＭＵ３が推定装置とし機能する場合においても、プログラム３３及び劣化度合ＤＢ３４、使用履歴ＤＢ３５は必ずしもすべてが記憶部３２に含まれる必要はなく、実施形態に応じて、プログラム３３及び劣化度合ＤＢ３４、使用履歴ＤＢ３５のいずれかは、あるいは、これらすべては、制御装置７に含まれてもよく、サーバ９に含まれてもよい。なお、サーバ９が推定装置として機能しない場合、充放電システム１がサーバ９に接続されていなくてもよい。

電圧センサ４は、電池２に並列に接続されており、電池２の全体の電圧に応じた検出結果を出力する。
電流センサ５は、電池２に直列に接続されており、電池２の電流に応じた検出結果を出力する。なお、電流センサ５は、例えばクランプ式電流センサのように、電池２に電気的に接続していないものを用いることもできる。
温度センサ６は、電池２の近傍に配置されており、電池２の温度に応じた検出結果を出力する。なお、劣化の予測には、電池２の温度として、電池２の電解液の温度を用いるのが好ましい。そのため、温度センサ６が配置される位置に応じて、温度センサ６が検出した温度を、電解液の温度となるように温度補正してもよい。

図３は、一例としての自動車用液式電池である、電池２の外観構成を示す斜視図、図４は図３のIV−IV線断面図である。
図３及び図４に示すように、電池２は、電槽２０と、正極端子２８と、負極端子２９と、複数の極板群２３とを備える。

電槽２０は、電槽本体２０１と、蓋２０２とを有する。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、１つの極板群２３が収容されている。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と、複数の負極板２３５と、セパレータ２３９とを備える。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と、正極格子２３２に支持された正極電極材料２３４とを有する。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、酸化還元反応により容量を発現する負極活物質（二酸化鉛もしくは硫酸鉛）を含んでいる。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と、負極格子２３６に支持された負極電極材料２３８とを有する。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、酸化還元反応により容量を発現する負極活物質（鉛もしくは硫酸鉛）を含んでいる。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、例えばガラスまた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。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。

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。即ち、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。なお、図４に示すように、セルＣが並ぶ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。セルＣが並ぶ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２９２に接続されている（不図示）。

正極端子２８は、セルＣが並ぶ方向の一端部に配置されており、負極端子２９は、前記方向の他端部付近に配置されている。

図４に示すように、正極端子２８は、ブッシング２８１と、正極柱２８２とを含む。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の下端部より下方に突出し、さらに、蓋２０２の下面より下方に突出しており、セルＣが並ぶ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３参照）、正極端子２８と同様の構成を有する。

電池２の放電の際には、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（図示せず）が接続され、各極板群２３の正極板２３１での反応（二酸化鉛から硫酸鉛が生ずる反応）及び負極板２３５での反応（鉛（海綿状鉛）から硫酸鉛が生ずる反応）により生じた電力が該負荷に供給される。また、電池２の充電の際には、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に電源（図示せず）が接続され、該電源から供給される電力によって各極板群２３の正極板２３１での反応（硫酸鉛から二酸化鉛が生ずる反応）及び負極板２３５での反応（硫酸鉛から鉛（海綿状鉛）が生ずる反応）が起こり、電池２が充電される。

図５は、上述の劣化度合ＤＢ３４のレコードレイアウトの一例を示す説明図である。
劣化度合ＤＢ３４は、Ｎｏ．列、生涯有効放電電気量列，生涯有効充電電気量列，生涯有効過充電電気量列、温度積算値列、及びＳＯＣ0〜20％滞在時間列，ＳＯＣ20〜40％滞在時間列，ＳＯＣ40〜60％滞在時間列，ＳＯＣ60〜80％滞在時間列，及びＳＯＣ80〜100％滞在時間列等の履歴列、正極格子厚さ列等の設計情報列、診断情報列、第１度合列，第２度合列，第３度合列，及び第４度合列等の劣化要因度合列、並びに劣化度合列を対応付けて記憶している。

Ｎｏ．列は、複数の異なる電池２の劣化度合のNo.、同一の電池２の異なるタイミングでの劣化度合のＮｏ．を記憶している。生涯有効放電電気量列は、例えば１分毎に電池２の放電電気量を測定し、該放電電気量に、その時点の電池２の温度に基づく係数を乗じた有効放電電気量の積算値を記憶している。生涯有効充電電気量列は、例えば１分毎に電池２の充電電気量を測定し、該充電電気量に、その時点の電池２の温度に基づく係数を乗じた有効充電電気量の積算値を記憶している。生涯有効過充電電気量列は、有効充電電気量から有効放電電気量を減じた有効過充電電気量の積算値を記憶している。
温度積算値列は、例えば−２０℃から８０℃まで、１０℃間隔毎に、各温度間隔の中心温度に所定の係数及び時間を乗じた積算値を記憶している。

ＳＯＣ0〜20％滞在時間列は、例えば１時間単位で平均ＳＯＣを求め、平均ＳＯＣが0〜20％の範囲内であった時間の積算値を記憶している。同様に、ＳＯＣ20〜40％滞在時間列、ＳＯＣ40〜60％滞在時間列、ＳＯＣ60〜80％滞在時間列、ＳＯＣ80〜100％滞在時間列は、平均ＳＯＣが20〜40％の範囲内、40〜60％の範囲内、60〜80％の範囲内、80〜100％の範囲内であった時間の積算値を記憶している。
正極格子厚さ列は、正極格子の厚さを記憶している。
診断情報列は、内部抵抗、ＳＯＣ、ＯＣＶ等の診断情報を記憶している。

第１度合列は、正極電極材料の軟化の度合である第１度合を記憶している。第１度合は０から５までの６段階の数値の評価で表される。評価は、軟化による正極電極材料の脱落量や正極電極材料の軟化度合等により行う。０が良好であり、数字が大きくなるに従って悪くなる。

第２度合列は、正極格子の腐食の度合である第２度合を記憶している。第２度合は６段階の評価で表す。評価は上記と同様の数値で表される。評価は、腐食によって減少した正極格子質量や、残存している正極格子質量等により行う。
第３度合列は、負極サルフェーションの度合である第３度合を記憶している。第３度合は６段階の評価で表す。評価は上記と同様の数値で表される。評価は、負極電極材料中の硫酸鉛量等により行う。
第４度合列は、負極電極材料の収縮の度合である第４度合を記憶している。第４度合は６段階の評価で表す。評価は上記と同様の数値で表される。評価は、電極材料の収縮によるクラックの度合や比表面積の低下度等により行う。
なお、第１度合、第２度合、第３度合及び第４度合の評価は、６段階に限定されるものではなく、１００段階でもよく、それぞれの度合と関連する物理量の値を用いてもよい。

劣化度合列は、１０段階の評価で表した劣化度合を記憶している。劣化度合の１〜１０の数値は、ＳＯＨ（State of Health）の範囲に基づいて定める。「１」が、下記割合をＳＯＨと定めた場合、９０〜１００％の範囲であり、「１０」は０〜１０％の範囲である。ＳＯＨは、鉛蓄電池に期待される特性に基づいて定めることができる。例えば、使用可能期間を基準とし、評価の時点において残存する使用可能期間の割合をＳＯＨと定めてもよい。また、常温ハイレート放電時の電圧を基準とし、評価の時点における常温ハイレート放電時の電圧をＳＯＨの評価に用いてもよい。いずれの場合においても、ＳＯＨが０のときは、鉛蓄電池の機能が喪失した状態を表す。

図５のＮｏ．３の場合、第１度合及び第３度合の評価値は夫々３であるが、この第１度合及び第３度合の組み合わせにより、劣化度合が大きくなっていることが分かる。これは、正負極板それぞれにおける劣化度合は、中程度であるにも関わらず、放電時または充電時に電流が流れる経路上に、劣化によって抵抗成分が増加した領域が広がっているため、電池全体としての内部抵抗が増大したためと考えられる。

劣化度合ＤＢ３４に記憶される情報は上述の場合に限定されない。
履歴情報として、生涯有効放電電気量、生涯有効充電電気量、生涯有効過充電電気量、温度積算値以外に、例えば放置時間等を記憶してもよい。
設計情報として、正極格子厚さ以外に、正極板及び負極板の枚数、極板の枚数、正極活物質量、正極格子の質量、正極格子のデザイン、正極電極材料の密度、正極電極材料の組成、正極電極材料中の添加剤の量及び種類、正極合金の組成、正極板に当接する不織布の有無並びに厚さ、材質及び通気度、負極活物質量、負極電極材料中のカーボン量及び種類、負極電極材料中の添加剤の量及び種類、負極電極材料の比表面積、電解液の添加剤の種類及び濃度、並びに電解液の比重及び量からなる群から選択される少なくとも１つを設計情報として記憶してもよい。
診断情報として内部抵抗や開放電圧等を記憶してもよい。なお、内部抵抗や開放電圧は、ＳＯＣに依存するため、別途取得したＳＯＣによって内部抵抗や開放電圧を補正してもよい。

図６は、上述の使用履歴ＤＢ３５のレコードレイアウトの一例を示す説明図である。
使用履歴ＤＢ３５は、電池２毎に、各推定時点の導出履歴、劣化要因の度合、及び劣化度合を記憶している。図６はＩＤＮｏ．１の電池２の使用履歴を示している。使用履歴ＤＢ３５は、Ｎｏ．列、生涯有効放電電気量列、生涯有効充電電気量列、生涯有効過充電電気量列、温度積算値列、ＳＯＣ0〜20％滞在時間列、ＳＯＣ20〜40％滞在時間列、ＳＯＣ40〜60％滞在時間列、ＳＯＣ60〜80％滞在時間列、ＳＯＣ80〜100％滞在時間列、正極格子厚さ列、診断情報列、第１度合列、第２度合列、第３度合列、第４度合列、及び劣化度合列を記憶している。Ｎｏ．列は、各推定時点のＮｏ．を記憶している。生涯有効放電電気量列、生涯有効充電電気量列、生涯有効過充電電気量列、温度積算値列、ＳＯＣ0〜20％滞在時間列、ＳＯＣ20〜40％滞在時間列、ＳＯＣ40〜60％滞在時間列、ＳＯＣ60〜80％滞在時間列、ＳＯＣ80〜100％滞在時間列、正極格子厚さ列、及び診断情報列は、劣化度合ＤＢ３４の生涯有効放電電気量列、生涯有効充電電気量列、生涯有効過充電電気量列、温度積算値列、ＳＯＣ0〜20％滞在時間列、ＳＯＣ20〜40％滞在時間列、ＳＯＣ40〜60％滞在時間列、ＳＯＣ60〜80％滞在時間列、ＳＯＣ80〜100％滞在時間列、正極格子厚さ列、及び診断情報列と同様の内容を記憶している。

第１度合列、第２度合列、第３度合列、第４度合列は、後述するように、各推定時点の使用履歴に基づいて特定した第１度合、第２度合、第３度合、第４度合を記憶している。 劣化度合列は、特定した第１度合、第２度合、第３度合、第４度合に基づいて推定した劣化度合を記憶している。
使用履歴ＤＢ３５に記憶される情報は上述の場合に限定されない。

以下、劣化度合の推定方法について説明する。
図７は、制御部３１による劣化度合の推定処理の手順を示すフローチャートである。制御部３１は所定の推定時点で、以下の処理を行う。
制御部３１は、ＩＤＮｏ．１の電池２につき、推定時点で取得した電圧、電流、温度に基づいて生涯有効放電電気量等の導出履歴を導出し、使用履歴ＤＢ３５に記憶する（Ｓ１）。

制御部３１は劣化度合ＤＢ３４を読み出し、劣化度合ＤＢ３４のデータから導出される、上述の第１履歴と第１度合との第１関係に基づいて、第１度合を特定し、使用履歴ＤＢ３５に記憶する（Ｓ２）。同様に、劣化度合ＤＢ３４のデータから導出される、第２履歴と第２度合との第２関係に基づいて第２度合を特定し、第３履歴と第３度合との第３関係に基づいて第３度合を特定し、第４履歴と第４度合との第４関係に基づいて第４度合を特定し、使用履歴ＤＢ３５に記憶する。

制御部３１は、劣化度合ＤＢ３４のデータから導出される、第１度合、第２度合、第３度合、及び第４度合と、劣化度合との関係に基づいて、特定した劣化要因の度合から劣化度合を推定し、使用履歴ＤＢ３５に記憶し（Ｓ３）、処理を終了する。
劣化度合ＤＢ３４に設計情報又は診断情報も記憶している場合、Ｓ２において、第１履歴と設計情報又は診断情報と、第１度合との第１関係に基づいて、第１度合を特定する。第２度合、第３度合、第４度合も、履歴、及び、設計情報又は診断情報と、度合との関係に基づいて特定する。
本実施形態においては、第１度合、第２度合、第３度合、及び第４度合の全てを特定し、これらを用いて劣化度合を推定する場合につき説明しているがこれに限定されない。第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つを特定し、これらを用いて劣化度合を推定すればよい。
劣化度合ＤＢ３４には、第１関係、第２関係、第３関係、及び第４関係の関数を記憶してもよい。

制御部３１は、推定した劣化度合、又は診断情報と、予め設定した閾値とに基づいて、電池２が交換されたと判定した場合に、使用履歴ＤＢ３５のデータを消去し、リセットしてもよい。なお、制御部３１は、電池２が交換されたと判定した場合に、使用履歴ＤＢのデータをリセットする以外の動作を行ってもよい。すなわち、制御部３１は、電池２が交換されたと判定した場合に、使用履歴ＤＢに記憶される、履歴情報の積算の開始時点を、電池２が交換されたと判定した時点としてもよい。

本実施形態によれば、電流、電圧、及び温度に基づく導出履歴を導出し、予め求めてある、履歴と正極格子の腐食，正極電極材料の軟化，負極サルフェーション，負極電極材料の収縮との関係に基づいて、２以上の劣化要因の度合を特定し、これに基づいて、良好に電池２の劣化の度合を推定する。

（実施形態２）
図８は、実施形態２に係る制御装置７の構成を示すブロック図である。
実施形態２に係る充放電システム１は、制御装置７が、記憶部７２に、劣化推定のためのプログラム７３、劣化度合ＤＢ７４、使用履歴ＤＢ７５、学習モデルＤＢ７６を記憶していること以外は、実施形態１に係る充放電システム１と同様の構成を有する。
学習モデルＤＢ７６は、後述する第１学習モデルと第２学習モデルとを記憶している。
劣化度合ＤＢ７４は、劣化度合ＤＢ３４と同様の構成を有する。

図９は、使用履歴ＤＢ７５のレコードレイアウトの一例を示す説明図である。
使用履歴ＤＢ７５は、電池２毎に、各推定時点の導出履歴、診断情報、設計情報、劣化要因の度合、実測の劣化要因の度合、劣化度合、及び実測に基づく劣化度合を記憶している。図９はＩＤＮｏ．１の電池２の使用履歴を示している。使用履歴ＤＢ７５は、Ｎｏ．列、生涯有効放電電気量列、生涯有効充電電気量列、生涯有効過充電電気量列、温度積算値列、ＳＯＣ0〜20％滞在時間列、ＳＯＣ20〜40％滞在時間列、ＳＯＣ40〜60％滞在時間列、ＳＯＣ60〜80％滞在時間列、ＳＯＣ80〜100％滞在時間列、正極格子厚さ列、診断情報列、第１度合列、第２度合列、第３度合列、第４度合列、実測第１度合列、実測第２度合列、実測第３度合列、実測第４度合列、劣化度合列、及び実測劣化度合列を記憶している。Ｎｏ．列は、推定時点のＮｏ．を記憶している。生涯有効放電電気量列、生涯有効充電電気量列、生涯有効過充電電気量列、温度積算値列、ＳＯＣ0〜20％滞在時間列、ＳＯＣ20〜40％滞在時間列、ＳＯＣ40〜60％滞在時間列、ＳＯＣ60〜80％滞在時間列、ＳＯＣ80〜100％滞在時間列、正極格子厚さ列、及び診断情報列は、劣化度合ＤＢ３４の生涯有効放電電気量列、生涯有効充電電気量列、生涯有効過充電電気量列、温度積算値列、ＳＯＣ0〜20％滞在時間列、ＳＯＣ20〜40％滞在時間列、ＳＯＣ40〜60％滞在時間列、ＳＯＣ60〜80％滞在時間列、ＳＯＣ80〜100％滞在時間列、正極格子厚さ列と同様の内容を記憶している。

第１度合列、第２度合列、第３度合列、第４度合列は、後述するように、各推定時点の導出履歴を第１学習モデルに入力して特定した第１度合、第２度合、第３度合、第４度合を記憶している。
劣化度合列は、特定した第１度合、第２度合、第３度合、第４度合を第２学習モデルに入力して推定した劣化度合を記憶している。

実測第１度合列、実測第２度合列、実測第３度合列、実測第４度合列は夫々、実測により求めた第１度合、第２度合、第３度合、第４度合を記憶している。
実測劣化度合列は、実測によりＳＯＨを求めて、判定した劣化度合を記憶している。
実測による劣化要因の度合、及び実測による劣化度合は、後述する再学習に用いるために求めており、全ての推定時点において求める必要はない。

図１０は、第１学習モデルの一例を示す模式図である。
第１学習モデルは、人工知能ソフトウェアの一部であるプログラムモジュールとしての利用が想定される学習モデルであり、多層のニューラルネットワーク（深層学習）を用いることができ、例えば畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）を用いることができるが、リカレントニューラルネットワーク（Recurrent Neural Network：ＲＮＮ）を用いてもよい。決定木、ランダムフォレスト、サポートベクターマシン等の他の機械学習を用いてもよい。制御部７１が、第１学習モデルからの指令に従って、第１学習モデルの入力層に入力された導出履歴情報に対し演算を行い、第１度合、第２度合、第３度合、第４度合の組み合わせとその確率とを出力するように動作する。図１０では、便宜上、２つ中間層を図示しているが、中間層の層数は２つに限定されず、３つ以上であってもよい。ＣＮＮの場合、コンボリューション層及びプーリング層を含む。ノード（ニューロン）の数も図１０の場合に限定されない。

入力層、出力層及び中間層には、１又は複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みで結合されている。入力層のノードの数と同数の成分を有するベクトルが、第１学習モデルの入力データ（学習用の入力データ及び劣化要因の度合特定用の入力データ）として与えられる。入力データには、導出履歴情報として、生涯の有効放電電気量、生涯の有効充電電気量、生涯の有効過充電電気量、温度積算値、ＳＯＣ滞在時間、放置時間等が挙げられる。入力情報はこの場合に限定されない。上述の設計情報又は診断情報を入力してもよい。

入力層の各ノードに与えられたデータは、最初の中間層に入力して与えられると、重み及び活性化関数を用いて中間層の出力が算出され、算出された値が次の中間層に与えられ、以下同様にして出力層の出力が求められるまで次々と後の層（下層）に伝達される。なお、ノードを結合する重みのすべては、学習アルゴリズムによって計算される。

第１学習モデルの出力層は、出力データとして第１度合、第２度合、第３度合、第４度合を組み合わせた情報を生成する。出力層のノードの数は第１度合、第２度合、第３度合、第４度合の組み合わせの数に対応する。例えば、第１度合、第２度合、第３度合、第４度合が夫々０から５までの数値で表される場合、各度合の組み合わせは１２９６通りになるが、実用的な組み合わせに限定して、ノードの数を設定してもよい。出力層は、各組み合わせと、各組み合わせの確率とを出力する。
出力層は、
例えば、第１度合１、第２度合３、第３度合３、第４度合０…０．９１
第１度合１、第２度合２、第３度合２、第４度合１…０．０８
・・・
のように出力する。

また、出力層は、第１度合、第２度合、第３度合、第４度合夫々の評価値と確率とを出力する４つのノードを有してもよい。例えば第１度合のノードからは、０〜５までの数値と、夫々についての確率とが出力される。制御部７１は、確率の値が上位から所定の数の組み合わせの度合と確率を取得する。また、各度合につき、確率が最大である評価値を取得してもよい。

なお、学習モデル１５６がＣＮＮであるものとして説明したが、上述したようにＲＮＮを用いることができる。ＲＮＮでは、前の時刻の中間層を次の時刻の入力層と合わせて学習に用いる。

図１１は、制御部７１による第１学習モデルの生成処理の手順を示すフローチャートである。
制御部７１は、劣化度合ＤＢ７４を読み出し、各行の履歴と、第１度合、第２度合、第３度合、及び第４度合とを対応付けた教師データを取得する（Ｓ１１）。

制御部７１は教師データを用いて、導出履歴を入力した場合に第１度合、第２度合、第３度合、第４度合の組み合わせを出力する第１学習モデル（学習済みモデル）を生成する（Ｓ１２）。具体的には、制御部７１は、教師データを入力層に入力し、中間層での演算処理を経て、出力層から組み合わせと確率とを取得する。
制御部７１は、出力層から出力された各度合の特定結果を、教師データにおいて履歴情報に対しラベル付けされた情報、即ち正解値と比較し、出力層からの出力値が正解値に近づくように、中間層での演算処理に用いるパラメータを最適化する。該パラメータは、例えば上述の重み（結合係数）、活性化関数の係数等である。パラメータの最適化の方法は特に限定されないが、例えば制御部７１は誤差逆伝播法を用いて各種パラメータの最適化を行う。
制御部７１は、劣化度合ＤＢ７４に含まれる各教師データの履歴情報について上記の処理を行い、第１学習モデルを生成する。制御部７１は、生成した第１学習モデルを記憶部７２に格納し、一連の処理を終了する。

図１２は、第２学習モデルの一例を示す模式図である。
第２学習モデルは、人工知能ソフトウェアの一部であるプログラムモジュールとしての利用が想定される学習モデルであり、例えばＣＮＮを用いることができるが、ＲＮＮを用いてもよい。ＲＮＮを用いる場合、劣化要因の度合の経時的な変動を入力する。他の機械学習を用いてもよい。制御部７１が、学習モデルからの指令に従って、第２学習モデルの入力層に入力された第１度合、第２度合、第３度合、第４度合に対し演算を行い、電池２の劣化度合とその確率とを出力するように動作する。図１２では、便宜上、２つ中間層を図示しているが、中間層の層数は２つに限定されず、３つ以上であってもよい。ノードの数も図１２の場合に限定されない。また、第１学習モデルで入力したデータを入力データとして含んでもよい。

入力データには、第１度合、第２度合、第３度合、第４度合が入力される。入力データは少なくとも２以上の度合を含む。

第２学習モデルの出力層は、出力データとして劣化度合を生成する。出力層のノードの数は劣化度合の数に対応する。例えば、劣化度合が１から１０までの数値で表される場合、ノードの数を１０に設定できる。出力層は、各劣化度合と、各劣化度合の確率とを出力する。
出力層は、
例えば、劣化度合１…０．０１
劣化度合２…０．０７
劣化度合３…０．８８
・・・
のように出力する。
第２学習モデルは、第１学習モデルと同様にして生成される。

図１３は、制御部７１による劣化度合の推定処理の手順を示すフローチャートである。
制御部７１は、ＩＤＮｏ．１の電池２につき、推定時点で、生涯有効放電電気等の導出履歴を導出し、使用履歴ＤＢ７５に記憶する（Ｓ２１）。設計情報及び診断情報も導出してもよい。
制御部７１は、学習モデルＤＢ７６を読み出し、導出履歴を第１学習モデルに入力する（Ｓ２２）。
制御部７１は、第１学習モデルが出力した第１度合、第２度合、第３度合、第４度合の組み合わせのうち、確率が高いものを特定する（Ｓ２３）。
制御部７１は、特定した第１度合、第２度合、第３度合、第４度合の組み合わせを第２学習モデルに入力する（Ｓ２４）。
制御部７１は、第２学習モデルが出力した劣化度合に基づき、期待値［Σ（劣化度×確率）］を取得して総合劣化度合を推定し（Ｓ２５）、処理を終了する。

本実施形態によれば、第１学習モデルを用いて、容易に、良好に劣化要因の度合を特定し、特定した劣化要因の度合に基づいて、第２学習モデルを用い、容易に、良好に電池２の劣化を推定できる。前記実施形態においては、第１度合、第２度合、第３度合、及び第４度合を特定して、電池２の劣化度合を推定する場合につき説明しているが、これに限定されない。
第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つを特定し、これらを用いて劣化度合を推定すればよい。上述したように、第１学習モデルの出力層が、第１度合、第２度合、第３度合、第４度合夫々の評価値と確率とを出力する４つのノードを有する場合、確率に対し閾値を設けて特定することで、特定する度合が選択される。第１学習モデルの出力層が、第１度合、第２度合、第３度合、第４度合の組み合わせを出力する場合、各度合につき、０〜５までの評価値と「不明」のいずれかを対応させる。最も確率が高い組み合わせにおいて、「不明」の度合を含む場合、該度合は特定されないことになる。

制御部７１は、第１学習モデル及び第２学習モデルを用い、導出履歴を入力して推定した劣化度合と、実測により得られた劣化度合とに基づいて、劣化度合の推定の信頼度が向上するように、第１学習モデル及び第２学習モデルを再学習させることができる。例えば図９の使用履歴ＤＢ３５のＮｏ．２では、第１学習モデルにより推定した劣化要因の度合と実測の度合とが一致しているので、Ｎｏ．２の導出履歴に対し前記度合とが対応付けられた教師データを多数入力して再学習させることで、前記度合の確率を上げることができる。同様に、Ｎｏ．２では、第２学習モデルにより推定した劣化度合と実測の劣化度合とが一致しているので、Ｎｏ．２の前記劣化要因の度合に対し前記劣化度合とが対応付けられた教師データを多数入力して再学習させることで、前記劣化度合の確率を上げることができる。Ｎｏ．３の場合、第３度合と実測第３度合とが一致せず、劣化度合と実測劣化度合とが一致していない。導出履歴に対し、実測第１度合、実測第２度合、実測第３度合、実測第４度合とが対応付けられた教師データを入力して再学習させる。

制御部７１は、推定した劣化度合、又は診断情報と、予め設定した閾値とに基づいて、電池２が交換されたと判定した場合に、使用履歴ＤＢ７５のデータを消去し、リセットしてもよい。制御部７１は、電池２が交換されたと判定した場合に、使用履歴ＤＢ７５に記憶される、履歴情報の積算の開始時点を、電池２が交換されたと判定した時点としてもよい。
また、前記データのうち、実測劣化度合を含む行のデータは、劣化度合ＤＢ７４に記憶してもよい。

（実施形態３）
実施形態３に係る充放電システム１は、学習モデルＤＢ７６が、導出履歴を入力して、夫々第１度合、第２度合、第３度合、第４度合の評価の確率を出力する学習モデルＡ、Ｂ、Ｃ、Ｄを記憶していること以外は、実施形態２に係る充放電システム１と同様の構成を有する。

図１４は、学習モデルＡ、Ｂ、Ｃ、Ｄの一例を示す模式図である。
学習モデルＡは、人工知能ソフトウェアの一部であるプログラムモジュールとしての利用が想定される学習モデルであり、例えばＣＮＮを用いることができるが、ＲＮＮを用いてもよい。他の機械学習を用いてもよい。制御部７１が、学習モデルＡからの指令に従って、学習モデルＡの入力層に入力された導出履歴に対し演算を行い、電池２の第１度合とその確率とを出力するように動作する。図１４では、便宜上、２つ中間層を図示しているが、中間層の層数は２つに限定されず、３つ以上であってもよい。ノードの数も図１４の場合に限定されない。

学習モデルＡの入力層には、生涯有効放電電気量、温度積算値、使用期間等の導出履歴が入力される。
学習モデルＡの出力層は、第１度合を出力する。出力層のノードの数は第１度合の数に対応する。例えば、第１度合が０から５までの数値で表される場合、ノードの数を６に設定できる。出力層は、第１度合の評価値と、各評価値の確率とを出力する。
出力層は、
例えば、第１度合０…０．０１
第１度合１…０．８７
第１度合２…０．０８
・・・
のように出力する。
制御部７１は、劣化度合ＤＢ７４を読み出し、導出履歴に、第１度合を対応させた教師データを取得し、該教師データを用いて学習モデルＡを生成する。

学習モデルＢの入力層には、生涯有効過充電電気量、温度積算値、使用期間等の導出履歴が入力される。
学習モデルＢの出力層は、第２度合を出力する。出力層のノードの数は第２度合の数に対応する。例えば、第２度合が０から５までの数値で表される場合、ノードの数を６に設定できる。出力層は、第２度合の評価値と、各評価値の確率とを出力する。
制御部７１は、劣化度合ＤＢ７４を読み出し、導出履歴に、第２度合を対応させた教師データを取得し、該教師データを用いて学習モデルＢを生成する。

学習モデルＣの入力層には、生涯有効充電電気量、温度積算値、使用期間、放置時間、各ＳＯＣ区分における滞在時間等の導出履歴が入力される。
学習モデルＣの出力層は、第３度合を出力する。出力層のノードの数は第３度合の数に対応する。例えば、第３度合が０から５までの数値で表される場合、ノードの数を６に設定できる。出力層は、第３度合の評価値と、各評価値の確率とを出力する。
制御部７１は、劣化度合ＤＢ７４を読み出し、導出履歴に、第３度合を対応させた教師データを取得し、該教師データを用いて学習モデルＣを生成する。

学習モデルＤの入力層には、生涯有効充電電気量、温度積算値、使用期間、等の導出履歴が入力される。
学習モデルＤの出力層は、第４度合を出力する。出力層のノードの数は第４度合の数に対応する。例えば、第４度合が０から５までの数値で表される場合、ノードの数を６に設定できる。出力層は、第４度合の評価値と、各評価値の確率とを出力する。
制御部７１は、劣化度合ＤＢ７４を読み出し、導出履歴に、第４度合を対応させた教師データを取得し、該教師データを用いて学習モデルＤを生成する。

以下、劣化度合の推定方法について説明する。
図１５は、制御部７１による劣化度合の推定処理の手順を示すフローチャートである。制御部７１は所定の推定時点で、以下の処理を行う。
制御部７１は、ＩＤＮｏ．１の電池２につき、推定時点で取得した電圧、電流、温度に基づいて生涯有効放電電気量、温度積算値等の導出履歴を導出し、使用履歴ＤＢ７５に記憶する（Ｓ３１）。

制御部７１は学習モデルＤＢ７６を読み出し、導出履歴を学習モデルＡに入力する（Ｓ３２）。
制御部７１は、学習モデルＡが出力した第１度合のうち、最も確率が高いものを特定し、使用履歴ＤＢ７５に記憶する（Ｓ３３）。
制御部７１は、特定した第１度合に基づいて劣化度合を推定し（Ｓ３４）、使用履歴ＤＢ７５に記憶し、処理を終了する。制御部７１は、劣化度合ＤＢ７４から導出される、第１度合と劣化度合との関係に基づいて、劣化度合を推定することができる。第１度合に対し劣化度合を対応させた教師データを用いて学習モデルを生成し、該学習モデルに特定した第１度合を入力して、劣化度合を取得してもよい。

第２度合、第３度合、第４度合についても、上記と同様に、導出履歴を夫々学習モデルＢ、Ｃ、Ｄに入力して、特定し、特定した劣化要因の度合に基づいて、劣化度合を推定することができる。実施形態１及び２のように、第１度合、第２度合、第３度合、及び第４度合を用いて劣化度合を推定してもよい。

本実施形態によれば、学習モデルＡ〜Ｄを用いて、容易に、良好に劣化要因の度合を特定し、特定した劣化要因の度合に基づいて、良好に電池２の劣化を推定できる。学習モデルＡ〜Ｄは上述した場合に限定されない。また、学習モデルＡ〜Ｄには、導出履歴に加えて、設計情報又は診断情報を入力してもよい。

本発明は上述した実施の形態の内容に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。即ち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施形態も本発明の技術的範囲に含まれる。

１ 充放電システム
２ 電池（蓄電素子）
３ ＢＭＵ
３１、７１、９１ 制御部（導出部、特定部、推定部、履歴消去部）
３２、７２ 記憶部
３３、７３ プログラム
３４、７４ 劣化度合ＤＢ
３５、７５ 使用履歴ＤＢ
３６ 入力部
３７、７７、９２ 通信部
７ 制御装置
７６ 学習モデルＤＢ
９ サーバ
１０ ネットワーク
１３ 負荷

Claims (11)

1. 鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出する導出部と、
   導出した前記導出履歴、並びに
   電流、電圧、及び前記鉛蓄電池の温度に基づく第１履歴と、正極電極材料の軟化の第１度合との第１関係、
   電流、電圧、及び前記鉛蓄電池の温度に基づく第２履歴と、正極格子の腐食の第２度合との第２関係、
   電流、電圧、及び前記鉛蓄電池の温度に基づく第３履歴と、負極サルフェーションの第３度合との第３関係、及び
   電流、電圧、及び前記鉛蓄電池の温度に基づく第４履歴と、負極電極材料の収縮の第４度合との第４関係からなる群から選択される少なくとも２つの関係に基づいて、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を特定する特定部と、
   特定した前記少なくとも２つの度合に基づいて、前記鉛蓄電池の劣化の度合を推定する推定部と
   を備える推定装置。
2. 前記特定部は、
   鉛蓄電池の電流、電圧、及び前記鉛蓄電池の温度に基づく導出履歴を入力した場合に、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を出力する第１学習モデルに、導出した前記導出履歴を入力して、少なくとも２つの度合を特定し、
   前記推定部は、
   第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を入力した場合に、鉛蓄電池の劣化の度合を出力する第２学習モデルに、特定した前記少なくとも２つの度合を入力して、劣化の度合を推定する、請求項１に記載の推定装置。
3. 前記導出履歴は、放電電気量を温度に基づく係数により補正した有効放電電気量、充電電気量を温度に基づく係数により補正した有効充電電気量、又は温度に所定の係数を乗じて積算した温度積算値を含む、請求項１又は２に記載の推定装置。
4. 前記特定部は、
   導出履歴、及び前記鉛蓄電池の設計情報に基づいて、前記少なくとも２つの度合を特定する、請求項１から３までのいずれか１項に記載の推定装置。
5. 前記設計情報は、極板の枚数、正極活物質量、正極格子の質量、正極格子の厚さ、正極格子のデザイン、正極電極材料の密度、正極電極材料の組成、正極電極材料中の添加剤の量及び種類、正極合金の組成、正極板に当接する不織布の有無並びに厚さ、材質及び通気度、負極活物質量、負極電極材料中のカーボン量及び種類、負極電極材料中の添加剤の量及び種類、負極電極材料の比表面積、電解液の添加剤の種類及び濃度、並びに電解液の比重及び量からなる群から選択される少なくとも１つである、請求項４に記載の推定装置。
6. 前記推定部は、
   前記少なくとも２つの度合、及び前記鉛蓄電池の診断情報に基づいて、劣化の度合を推定する、請求項１から５までのいずれか１項に記載の推定装置。
7. 前記診断情報は、内部抵抗、開放電圧、及びＳＯＣからなる群から選択される少なくとも１つである、請求項６に記載の推定装置。
8. 前記導出履歴と、前記特定部が特定した前記劣化の度合又は前記診断情報を記憶する記憶部と、
   前記劣化の度合又は前記診断情報と、閾値とに基づいて、前記鉛蓄電池が交換されたと推定した場合に、前記導出履歴、及び前記劣化の度合又は前記診断情報を消去する履歴消去部と
   を備える、請求項６又は７に記載の推定装置。
9. 鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出する導出部と、
   鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を入力した場合に、正極電極材料の軟化の第１度合、正極格子の腐食の第２度合、負極サルフェーションの第３度合、及び負極電極材料の収縮の第４度合のうちの少なくとも１つの度合を出力する学習モデルに、導出した前記導出履歴を入力して、少なくとも１つの度合を特定する特定部と、
   特定した前記少なくとも１つの度合に基づいて、鉛蓄電池の劣化の度合を推定する推定部と
   を備える推定装置。
10. 鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出し、
    導出した前記導出履歴、並びに
    電流、電圧、及び前記鉛蓄電池の温度に基づく第１履歴と、正極電極材料の軟化の第１度合との第１関係、
    電流、電圧、及び前記鉛蓄電池の温度に基づく第２履歴と、正極格子の腐食の第２度合との第２関係、
    電流、電圧、及び前記鉛蓄電池の温度に基づく第３履歴と、負極サルフェーションの第３度合との第３関係、及び
    電流、電圧、及び前記鉛蓄電池の温度に基づく第４履歴と、負極電極材料の収縮の第４度合との第４関係からなる群から選択される少なくとも２つの関係に基づいて、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を特定し、
    特定した前記少なくとも２つの度合に基づいて、前記鉛蓄電池の劣化の度合を推定する、推定方法。
11. 鉛蓄電池の電流、電圧、及び該鉛蓄電池の温度に基づく導出履歴を導出し、
    導出した前記導出履歴、並びに
    電流、電圧、及び前記鉛蓄電池の温度に基づく第１履歴と、正極電極材料の軟化の第１度合との第１関係、
    電流、電圧、及び前記鉛蓄電池の温度に基づく第２履歴と、正極格子の腐食の第２度合との第２関係、
    電流、電圧、及び前記鉛蓄電池の温度に基づく第３履歴と、負極サルフェーションの第３度合との第３関係、及び
    電流、電圧、及び前記鉛蓄電池の温度に基づく第４履歴と、負極電極材料の収縮の第４度合との第４関係からなる群から選択される少なくとも２つの関係に基づいて、第１度合、第２度合、第３度合、及び第４度合のうちの少なくとも２つの度合を特定し、
    特定した前記少なくとも２つの度合に基づいて、前記鉛蓄電池の劣化の度合を推定する
    処理をコンピュータに実行させるコンピュータプログラム。

Images