JP2021124419A

JP2021124419A - バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム

Info

Publication number: JP2021124419A
Application number: JP2020018736A
Authority: JP
Inventors: 伸烈芳賀; Nobuyasu Haga
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2020-02-06
Filing date: 2020-02-06
Publication date: 2021-08-30
Anticipated expiration: 2040-02-06
Also published as: EP3862764A1; US11340307B2; US11619680B2; EP3862764B1; US20210247459A1; JP7413806B2; US20220236337A1; CN113219336B; CN113219336A

Abstract

【課題】データが十分に揃ってない場合であってもバッテリの劣化を高精度に判定可能なバッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラムを提供することを目的とする。
【解決手段】センタ１２は、車載器１６から送信されるバッテリ２０の状態量を受信するデータ受信部３０と、予め定めた物理モデルを用いて劣化確率を算出する劣化指標算出部４１と、劣化データの数に基づいて、ＡＩモデルによる機械学習の信頼性を判断するＡＩ信頼性判断部３２と、ＡＩモデルによる機械学習により作成したデータマップを用いてバッテリ２０の状態量を入力として劣化確率を算出する確率算出部４２と、劣化指標算出部４１の算出結果、信頼性判断部３６の判断結果、及び確率算出部４２の算出結果に基づいて、バッテリ２０の劣化を判定する劣化判定部４４と、を含む。
【選択図】図２

Description

本発明は、車両の補機用電池等のバッテリの劣化を判定するバッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラムに関する。

特許文献１には、時刻毎に測定された電池の使用時間と、時刻毎に測定された電池の劣化を示す劣化指標の測定値を記憶する記憶部と、電池の寿命を診断する処理部とを有し、処理部が、電池の使用時間と劣化指標の測定値に基づいて劣化指標の時間変化量を求め、劣化指標の時間変化量に基づいて個々の電池ごとに劣化指標の予測関数を求め、劣化指標の予測関数に基づいて劣化指標の予測値を求め、劣化指標の予測値に基づいて電池の寿命を診断する電池の寿命診断装置が提案されている。

特開２０１８−１７９７３３号公報

しかしながら、特許文献１では、劣化指標の測定値としての内部抵抗の情報が蓄積されるまで、バッテリの劣化判定を行うことができない、もしくは、判定できたとしても判定精度が低いため改善の余地がある。

本発明は、上記事実を考慮して成されたもので、データが十分に揃ってない場合であってもバッテリの劣化を高精度に判定可能なバッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラムを提供することを目的とする。

上記目的を達成するために請求項１に記載のバッテリ劣化判定装置は、バッテリの状態量を取得する取得部と、前記取得部が取得した前記状態量と予め定めた第１計算モデルとに基づいて、前記バッテリの第１劣化確率を導出する第１導出部と、前記取得部が取得した状態量の数に基づいて、前記第１計算モデルとは異なる第２計算モデルの信頼度を導出する信頼度導出部と、前記取得部が取得した状態量と前記第２計算モデルとに基づいて、前記バッテリの第２劣化確率を導出する第２導出部と、前記第１導出部、前記信頼度導出部、及び前記第２導出部の各々の導出結果に基づいて、前記バッテリの劣化を判定する判定部と、を含む。

請求項１に記載の発明によれば、取得部では、バッテリの状態量が取得される。取得される状態量は、バッテリが劣化するに従って変化する物理量であり、例えば、バッテリの電圧、抵抗、温度等が一例として挙げられる。

第１導出部では、取得部が取得した状態量と予め定めた第１計算モデルとに基づいて、バッテリの第１劣化確率が導出される。

信頼度導出部では、取得部が取得した状態量の数に基づいて、第１計算モデルとは異なる第２計算モデルの信頼度が導出される。

第２導出部では、取得部が取得した状態量と第２計算モデルとに基づいて、バッテリの第２劣化確率が導出される。

そして、判定部では、第１導出部、信頼度導出部、及び第２導出部の各々の導出結果に基づいて、バッテリの劣化が判定される。すなわち、第２計算モデルの信頼度を考慮して複数の計算モデルを用いてバッテリの劣化確率を導出するので、単一の計算モデルを用いて劣化確率を算出する場合よりもバッテリの劣化を高精度に判定することができる。また、第２計算モデルの信頼度に基づいて劣化を判定するので、状態量の数が少ない場合であっても高精度にバッテリの劣化を判定することが可能となる。

なお、第１導出部は、請求項２に記載の発明のように、複数種類の第１計算モデルを用いて、第１劣化確率を導出してもよい。これにより、単一の第１計算モデルを用いる場合よりも第１劣化確率の精度を向上できる。

また、信頼度導出部は、請求項３に記載の発明のように、状態量の数が予め定めた上限値以上の場合、第２計算モデルの信頼度を１とし、状態量の数が予め定めた下限値以下の場合、第２計算モデルの信頼度を０とし、状態量の数が上限値と下限値の間の場合、第２計算モデルの信頼度を状態量の数に応じて予め定めた０から１の間の値としてもよい。

この場合、判定部は、請求項４に記載の発明のように、信頼度が１の場合、第２導出部の導出結果に基づいて、バッテリの劣化を判定してもよい。また、判定部は、請求項５に記載の発明のように、信頼度が０の場合、第１導出部の導出結果に基づいて、バッテリの劣化を判定してもよい。また、判定部は、請求項６に記載の発明のように、信頼度が０から１の間の値の場合、第１導出部及び第２導出部の各々の導出結果に基づいて、バッテリの劣化を判定してもよい。

また、取得部は、請求項７に記載の発明のように、車両に搭載されたセンサによって検出された状態量を取得してもよい。

なお、本発明は、請求項８に記載の発明のように、バッテリの状態量を取得して、取得した前記状態量と予め定めた第１計算モデルとに基づいて、前記バッテリの第１劣化確率を導出し、前記状態量の数に基づいて、前記第１計算モデルとは異なる第２計算モデルの信頼度を導出し、前記状態量と前記第２計算モデルとに基づいて、前記バッテリの第２劣化確率を導出し、前記第１劣化確率、前記信頼度、及び前記第２劣化確率の各々に基づいて、前記バッテリの劣化を判定する処理をコンピュータに実行させるバッテリ劣化判定方法としてもよい。

或いは、請求項９に記載の発明のように、コンピュータに、バッテリの状態量を取得して、取得した前記状態量と予め定めた第１計算モデルとに基づいて、前記バッテリの第１劣化確率を導出し、前記状態量の数に基づいて、前記第１計算モデルとは異なる第２計算モデルの信頼度を導出し、前記状態量と前記第２計算モデルとに基づいて、前記バッテリの第２劣化確率を導出し、前記第１劣化確率、前記信頼度、及び前記第２劣化確率の各々に基づいて、前記バッテリの劣化を判定する処理を実行させるためのバッテリ劣化判定プログラムとしてもよい。

以上説明したように本発明によれば、データが十分に揃ってない場合であってもバッテリの劣化を高精度に判定可能なバッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラムを提供できる、という効果がある。

本実施形態に係るバッテリ劣化判定システムの概略構成を示す図である。本実施形態に係るバッテリ劣化判定システムにおける車載器及びセンタの構成を示すブロック図である。ＡＩ信頼性αの算出方法を説明するための図である。物理モデルを用いた劣化確率の算出方法を説明するための図である。劣化指標から劣化確率を算出する例を示す図である。確率算出部による劣化確率の算出例を示す図である。本実施形態に係るバッテリ劣化判定システムにおけるセンタのＡＩ信頼性判断部で行われる処理の流れの一例を示すフローチャートである。本実施形態に係るバッテリ劣化判定システムにおけるセンタのデータ演算部で行われる処理の流れの一例を示すフローチャートである。劣化指標算出部の機能を車載器に備える場合の劣化判定システムの概略構成を示す図である。車載器とセンタのそれぞれに劣化指標算出部の機能を備える場合の劣化判定システムの概略構成を示す図である。携帯端末を通信装置として適用した場合の劣化判定システムの概略構成を示す図である。センタが有する機能を携帯端末に備えた構成を示すブロック図である。

以下、図面を参照して本発明の実施の形態の一例を詳細に説明する。図１は、本実施形態に係るバッテリ劣化判定システムの概略構成を示す図である。

本実施形態に係るバッテリ劣化判定システム１０は、車両１４に搭載された車載器１６と、バッテリ劣化判定装置としてのセンタ１２とが通信ネットワーク１８を介して接続されている。本実施形態に係るバッテリ劣化判定システム１０では、複数の車載器１６に搭載されたバッテリの状態量をセンタ１２に送信して、センタ１２がバッテリの劣化判定を行う。

バッテリの劣化判定の技術としては、例えば、劣化メカニズムに基づく物理モデルを用いたものが知られているが、物理モデルを用いた劣化判定では、ビッグデータとＡＩモデルを用いた技術とは対照に、ロバスト性をメカニズムに基づく計算式が担うため、少量の劣化データで精度を確保することが可能となる。一方、物理モデル自体が非線形な数式により構成されることが多く、適合工数を多くとる必要がある。また、少量の劣化データでのみ適合をおこなうため、特に劣化後期で発生しやすい劣化のばらつきを考慮することが難しい。

そこで、本実施形態では、センタ１２が、ＡＩモデルを用いたバッテリの劣化判定と、物理モデルを用いたバッテリの劣化判定を行う。すなわち、センタ１２は、教師データが少ない初期では、予め定めた物理モデルを用いてバッテリの劣化を判定する。また、センタ１２は、複数の車両から収集したバッテリの状態量のビッグデータとＡＩ（Artificial Intelligence）による機械学習を活用して、バッテリの状態量を入力値としてバッテリの劣化を判定する。詳細には、センタ１２は、データ数が少量の初期において、物理モデルを用いてバッテリの劣化判定を行い、データ数が多くなるに従って、ＡＩモデルを用いたバッテリの劣化判定へと移行する。

なお、本実施形態では、バッテリとして、車両１４の補機用鉛蓄電池を一例として適用した場合について説明する。また、状態量は、バッテリの状態を表す状態量であり、特に、バッテリが劣化するに従って変化する物理量である。例えば、バッテリの電圧、抵抗、温度等が一例として挙げられるが、本実施形態では、一例としてバッテリの電圧を状態量とした例を説明する。

図２は、本実施形態に係るバッテリ劣化判定システム１０における車載器１６及びセンタ１２の構成を示すブロック図である。

車載器１６は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、及びＲＡＭ（Random Access Memory）等を含む一般的なマイクロコンピュータで構成され、バッテリ情報取得部２２及びデータ送信部２４の機能を有する。

バッテリ情報取得部２２は、車両１４に搭載されたバッテリ２０の状態量としてバッテリ２０の電圧をバッテリ情報として取得する。バッテリ情報取得部２２は、例えば、電圧センサによってバッテリ２０の電圧を取得する。また、バッテリ情報取得部２２は、バッテリ２０の温度を検出する温度センサを更に備えて、バッテリ２０の温度も取得してもよい。

データ送信部２４は、バッテリ情報取得部２２によって取得されたバッテリ情報を、通信ネットワーク１８を介してセンタ１２へ送信する。

一方、センタ１２は、ＣＰＵ、ＲＯＭ、及びＲＡＭ等を含む一般的なコンピュータで構成されている。センタ１２は、データ受信部３０、ＡＩ信頼性判断部３２、データ演算部４０、及びデータ出力部４６の機能を有する。

データ受信部３０は、車載器１６のデータ送信部２４から通信ネットワーク１８を介して送信されるバッテリ情報を受信することにより、バッテリ２０の状態量を表すバッテリ情報を車両１４の車載器１６から取得する。なお、以下では、バッテリ情報はバッテリ２０の状態量として説明する場合がある。

ＡＩ信頼性判断部３２は、データ更新可否判断部３４、信頼性判断部３６、及び機械学習部３８の機能を有する。

データ更新可否判断部３４は、センタ１２が管理している全車両１４の車載器１６から収集したバッテリ２０の状態量のデータの中から、劣化している可能性があるものを抽出することにより、データ更新の可否を判断する処理を行う。

信頼性判断部３６は、データ更新可否判断部３４によってデータ更新が可能と判断された場合に、ＡＩモデルによる機械学習の信頼性を判断する処理を行う。

ＡＩモデルによる機械学習の信頼性α（ＡＩ信頼性α）は、教師データとなる劣化データの数に基づいて導出する。例えば、図３に示すように、別車種での教師データの数と精度の関係（データマップまたは数式）を予め取得し、目標精度となる教師データ数の上限値ａと下限値ｂを決定する。そして、教師データ数に応じたＡＩ信頼性αを設定する。図３の例では、劣化判定された劣化データの車両台数が教師データ数の下限値ｂまでは信頼性０に設定し、下限値ｂから上限値ａの間は線形的に１に近づくようにＡＩ信頼性を設定し、上限値ａ以上で１に設定した例を示す。なお、教師データとしての劣化データの車両台数に対するＡＩ信頼性αの関係は、図３に示す例に限るものではなく、劣化データの車両台数の増加と共に増加する関係であればよい。

機械学習部３８は、ＡＩモデルによる機械学習の信頼性が予め定めた範囲（ＡＩ信頼性α）の場合に、教師データを更新して機械学習を行う処理を行う。

データ演算部４０は、劣化指標算出部４１、確率算出部４２及び劣化判定部４４の機能を有し、車載器１６から取得した状態量に基づいて、バッテリ２０の劣化判定を行う。

劣化指標算出部４１は、予め定めた物理モデルを用いて劣化確率を算出する。具体的には、図４に示す、ルールモデル、バッテリ負荷積算モデル、及び劣化メカニズムモデルの少なくとも１つの物理モデルを用いて劣化確率を算出する。複数種類の物理モデルを用いる場合には、最も高い確率の劣化確率を物理モデルで算出した劣化確率としてもよいし、最も低い確率の劣化確率を物理モデルで算出した劣化確率としてもよい。或いは、平均値を物理モデルで算出した劣化確率としてもよい。

なお、ルールモデルは、図４に示すように、バッテリ２０の状態量（例えば、電圧や抵抗等）が予め定めた劣化閾値以上で劣化と判定する物理モデルであり、状態量の大きさに応じた劣化確率を予め定めておき、取得した状態量から劣化確率を算出する。なお、劣化閾値は、その時の温度、電流収支、及び駐車時間などから決定する。

また、バッテリ負荷積算モデルは、バッテリ２０の負荷の頻度から劣化量を劣化指標として算出し、算出した劣化指標を用いて劣化確率を算出する。例えば、バッテリ２０の負荷としては、図４に示すように、温度、充放電量、及びＳＯＣ（充電量）等の負荷があり、各負荷に応じた劣化量を積算してバッテリ２０の劣化量を劣化指標として算出する。具体的には、８０℃の温度に１週間放置すると抵抗が１０％上がる等を実験で求めおき、温度の頻度から８０℃のＸ日分の劣化量と５０℃のＹ日分の劣化量を積算し、他の負荷についても劣化量を積算して劣化指標を求める。そして、求めた劣化指標を用いて、図５に示すように、データマップまたは数式等を用いて劣化確率を算出する。

また、劣化メカニズムモデルは、モード毎に、メカニズムに基づいて劣化量を定式化し、各劣化モードの合算値の劣化量を劣化指標として算出し、算出した劣化指標を用いて劣化確率を算出する。例えば、図４に示すように、正極腐食量、正極軟化量、負極サルフェーション量のそれぞれ劣化量を算出して合算して劣化指標を求める。そして、求めた劣化指標を用いて、図５に示すように、データマップまたは数式等を用いて劣化確率を算出する。

確率算出部４２は、図６に示すように、事前に取得した状態量の劣化データを教師データとして、ニューラルネットワークやＣＮＮ（Convolutional Neural Network）等のＡＩモデルによる機械学習によりデータマップを予め作成する。そして、作成したデータマップを用いてバッテリ２０の状態量を入力として劣化確率を算出する。劣化確率としては、例えば、予め定めた期間内ａで劣化する確率や、期間内ａで劣化しない確率を算出する。

劣化判定部４４は、劣化指標算出部４１の算出結果、信頼性判断部３６の判断結果、及び確率算出部４２の算出結果に基づいて、状態量が予め定めた劣化条件を満たすか否かを判定することにより、バッテリ２０が劣化しているか否かを判定する。例えば、算出された劣化確率が予め定めた閾値以上か否かを判定することにより、バッテリ２０の劣化を判定する。

データ出力部４６は、劣化判定部４４の判定結果を、状態量を取得した車両１４の車載器１６に送信する。これにより、車載器１６から、バッテリ２０の劣化判定結果を報知することが可能となる。

なお、バッテリ情報取得部２２またはデータ受信部３０が取得部に対応し、劣化指標算出部４１が第１導出部に対応し、信頼性判断部３６が信頼度導出部に対応する。また、確率算出部４２が第２導出部に対応し、劣化判定部４４が判定部に対応する。

続いて、上述のように構成された本実施形態に係るバッテリ劣化判定システム１０のセンタ１２で行われる具体的な処理について説明する。

図７は、本実施形態に係るバッテリ劣化判定システム１０におけるセンタ１２のＡＩ信頼性判断部３２で行われる処理の流れの一例を示すフローチャートである。なお、図７の処理は、例えば、予め定めた期間毎に開始してもよいし、予め定めた数の状態量がセンタ１２に収集される毎に開始してもよい。或いは開始要求をセンタ１２が受け付けた場合に開始してもよい。

ステップ１００では、データ更新可否判断部３４が、データ更新フラグをオフにしてステップ１０２へ移行する。

ステップ１０２では、データ更新可否判断部３４が、データ受信部３０が受信した状態量のデータを取得してステップ１０４へ移行する。注目車両から受信した状態量のデータのうち１つのデータ（例えば、時刻ｔ＝ｔ０のデータ）を取得する。

ステップ１０４では、データ更新可否判断部３４が、取得した状態量のデータが予め定めた閾値を超過しているかを判定する。該判定は、注目車両のバッテリ２０が、劣化している可能性があるか否かを判定する。該判定が肯定された場合にはステップ１０６へ移行し、否定された場合はステップ１０８へ移行する。

ステップ１０６では、データ更新可否判断部３４が、データ更新可否フラグをオンにしてステップ１１２へ移行する。

一方、ステップ１０８では、データ更新可否判断部３４が、注目の車両１４の全データについて上述の処理を終了したか否かを判定する。該判定が否定された場合にはステップ１１０へ移行し、肯定された場合にはステップ１１２へ移行する。

ステップ１１０では、データ更新可否判断部３４が、注目車両から受信した状態量のデータの中から、次のデータ（例えば、次の時刻ｔ＝ｔ＋Δｔのデータ）を取得してステップ１０４へ移行する。

ステップ１１２では、データ更新可否判断部３４が、全車両について上述の処理を終了したか否かを判定する。該判定が否定された場合にはステップ１００に戻って上述の処理を繰り返し、判定が肯定された場合にはステップ１１４へ移行する。

ステップ１１４では、信頼性判断部３６が、データ更新可否フラグがオンとされた回数をカウントしてステップ１１６へ移行する。

ステップ１１６では、信頼性判断部３６が、フラグオン回数が予め定めた閾値ａ以上であるか否かを判定する。該判定は、フラグオン回数が、図３のように設定した、教師データの上限値ａ以上であるか否かを判定する。該判定が肯定された場合にはステップ１１８へ移行し、否定された場合にはステップ１２０へ移行する。

ステップ１１８では、信頼性判断部３６が、ＡＩ信頼性を１として一連の処理を終了する。

一方、ステップ１２０では、信頼性判断部３６が、フラグオン回数が予め定めた閾値ｂ以下であるか否かを判定する。該判定は、フラグオン回数が、図３のように設定した、教師データの下限値ｂ以下であるか否かを判定する。該判定が肯定された場合にはステップ１２２へ移行し、否定された場合にはステップ１２４へ移行する。

ステップ１２２では、信頼性判断部３６が、ＡＩ信頼性を０として一連の処理を終了する。

一方、ステップ１２４では、信頼性判断部３６が、ＡＩ信頼性をαとしてステップ１２６へ移行する。なお、ＡＩ信頼性αは図３に示すように０〜１の値である。

ステップ１２６では、機械学習部３８が、教師データを更新してステップ１２８へ移行する。すなわち、車載器１６から取得した劣化データを教師データとして追加する。

ステップ１２８では、機械学習部３８が、更新した教師データを用いて機械学習を行ってデータマップを更新し、一連の処理を終了する。

次に、ＡＩ信頼性判断部３２の処理に続いて行われる、データ演算部４０で行われる処理について説明する。図８は、本実施形態に係るバッテリ劣化判定システム１０におけるセンタ１２のデータ演算部４０で行われる処理の流れの一例を示すフローチャートである。なお、図８の処理は、例えば、図７のＡＩ信頼性判断部３２の処理が終了したところで開始する。

ステップ２００では、劣化指標算出部４１が、予め定めた物理モデルを用いて劣化確率Ａを算出してステップ２０２へ移行する。例えば、上述したように、ルールモデル、バッテリ負荷積算モデル、及び劣化メカニズムモデルの少なくとも１つの物理モデルを用いて劣化確率Ａを算出する。

ステップ２０２では、確率算出部４２が、ＡＩ信頼性αが０より大きいか否かを判定する。すなわち、ステップ１１８またはステップ１２４で設定されたＡＩ信頼性αであるか否かを判定する。該判定が肯定された場合にはステップ２０４へ移行し、否定された場合にはステップ２０６へ移行する。

ステップ２０４では、確率算出部４２が、劣化確率Ｂを算出してステップ２０６へ移行する。すなわち、ＡＩモデルによる機械学習により予め作成したデータマップを用いてバッテリ２０の状態量を入力として劣化確率を算出する。

ステップ２０６では、確率算出部４２が、劣化確率Ｃを算出してステップ２０８へ移行する。劣化確率Ｃは、Ｃ＝Ａ×（１−α）＋Ｂ×αにより算出する。

ステップ２０８では、劣化判定部４４が、算出した劣化確率Ｃが予め定めた閾値ＣＰより大きいか否かを判定する。該判定が否定された場合にはステップ２１０へ移行し、肯定された場合にはステップ２１２へ移行する。

ステップ２１０では、劣化判定部４４が、バッテリの劣化なしと判定して劣化判定をオフとして一連のデータ演算部４０での処理を終了する。

一方、ステップ２１２では、劣化判定部４４が、バッテリの劣化であると判定して劣化判定をオンとして一連のデータ演算部４０での処理を終了する。

このように処理を行うことで、本実施形態では、教師データが少ない初期の状態では、データ蓄積を必要としない物理モデルを用いた劣化判定を行い、教師データが集まるに従って、ＡＩモデルを用いた劣化判定へと移行することができる。これにより、データが蓄積する前にバッテリ２０の劣化を高精度に判定することが可能となる。

また、ＡＩモデルを用いた劣化判定では、劣化に関するビッグデータが必要で、かつバッテリの劣化には基本的に数年の期間が必要であるが、本実施形態では、データの収集を待つことなく、バッテリ２０の劣化判定を直ぐに開始することができる。

換言すれば、少量のデータしか得られない初期からサービスを開始でき、劣化後期では、ばらつきを考慮できるＡＩモデルを用いた劣化判定へと移行できるので、劣化を高精度に判定することができる。

なお、上記の実施形態では、状態量の一例としてバッテリ２０の電圧、抵抗、温度等を挙げたが、状態量はこれらに限るものではない。例えば、バッテリ２０に関係する電流、電力、または２次的に得られるＳＯＣ（State Of Charge：充電量）等、及びこれらを掛け合わせたり足したりした量も、状態量の候補になり得る。また、候補となる状態量は、１つだけ使用してもよいし、複数使用してもよい。どの状態量が最適なのかは、状況や要求される精度等によって変わるため、適宜選択すればよい。

また、上記の実施形態では、劣化指標算出部４１の機能をセンタ１２に備える例を説明したが、これに限るものではない。例えば、図９に示すように、車載器１６に備えて、バッテリ情報取得部２２が取得した状態量を物理モデルの入力値として劣化確率Ａを車載器側で算出する形態としてもよい。或いは、複数種類の物理モデルを用いる場合には、図１０に示すように、車載器１６とセンタ１２のそれぞれに劣化指標算出部４１の機能を備えてもよい。この場合、比較的処理負荷の低い物理量モデルを用いて劣化確率Ａの算出は車載器１６側の劣化指標算出部４１Ａで行い、処理負荷の高い物理モデルを用いた劣化確率Ａの算出はセンタ１２側の劣化指標算出部４１Ｂで行う。

また、上記の実施形態では、センタ１２と通信するために車両１４に通信装置を備える例を説明したが、これに限るものではない。例えば、図１１に示すように、乗員が携帯するスマートフォン等の携帯端末５０を通信装置として適用してもよい。或いは、図１２に示すように、図２に示すセンタ１２が有する機能を携帯端末５０に備えて、携帯端末５０によりバッテリ２０の劣化を判定する処理を行なってもよい。

また、上記の実施形態では、ビッグデータとＡＩモデルによる機械学習を用いてバッテリ２０の劣化を判定する例を説明したが、これに限るものではない。これら以外に、例えば、単回帰分析や重回帰分析等を用いる劣化判定方法を適用してもよい。或いは、少数データと物理モデルを用いた劣化判定方法を適用してもよい。或いは、他の機械学習と物理モデルを併用した劣化判定方法を適用してもよい。

また、上記の実施形態では、教師データ数が下限値ｂ以下となる初期の状態では、ＡＩのデータマップを用いた劣化確率Ｂを用いずに劣化確率を算出する例を説明したが、これに限るものではない。例えば、教師データ数が下限値ｂ以下となる初期の状態の場合は、確率算出部４２が、他車種等の別車両のＡＩモデルのデータマップを用いて劣化確率Ｂを算出し、劣化判定部４４が、劣化確率Ｂを用いてバッテリ２０の劣化を判定してもよい。

また、上記の実施形態では、ＡＩ信頼性αを算出する際に、劣化データ数（教師データ数）のみを用いて信頼性を算出する例を説明したが、これに限るものではない。例えば、劣化データ数以外に複数の指標を用いて信頼性を算出してもよい。使用する指標は、劣化に影響を与えるパラメータ（例えば、走行距離や、経過年数、充放電量等）を用いる。この場合のＡＩ信頼性αは、α＝劣化判定１（劣化データ数）＋劣化判定２（走行距離）＋劣化判定３（経過年数）＋劣化判定４（充放電量）により算出する。ここで、劣化判定１〜４は０〜０．２５の値をとる。

また、上記の実施形態では、ＡＩモデルと物理モデルをそれぞれ１つ使用したが、これに限るものではない。例えば、複数のＡＩモデルと複数の物理モデルを組み合わせてもよい。また、ＡＩモデル及び物理モデルの計算はセンタ１２側で実施してもよいし、車載器１６側で実施してもよい。

また、上記の各実施形態におけるセンタ１２で行われる処理は、プログラムを実行することにより行われるソフトウエア処理として説明したが、これに限るものではない。例えば、ＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、及びＦＰＧＡ（Field-Programmable Gate Array）等のハードウエアで行う処理としてもよい。或いは、ソフトウエア及びハードウエアの双方を組み合わせた処理としてもよい。また、ソフトウエアの処理とした場合には、プログラムを各種記憶媒体に記憶して流通させるようにしてもよい。

さらに、本発明は、上記に限定されるものでなく、上記以外にも、その主旨を逸脱しない範囲内において種々変形して実施可能であることは勿論である。

１０バッテリ劣化判定システム
１２センタ
１４車両
１６車載器
２０バッテリ
２２バッテリ情報取得部（取得部）
３０データ受信部（取得部）
３２ＡＩ信頼性判断部
３４データ更新可否判断部
３６信頼性判断部（信頼度導出部）
３８機械学習部
４０データ演算部
４１劣化指標算出部（第１導出部）
４２確率算出部（第２導出部）
４４劣化判定部（判定部）

Claims

バッテリの状態量を取得する取得部と、
前記取得部が取得した前記状態量と予め定めた第１計算モデルとに基づいて、前記バッテリの第１劣化確率を導出する第１導出部と、
前記取得部が取得した状態量の数に基づいて、前記第１計算モデルとは異なる第２計算モデルの信頼度を導出する信頼度導出部と、
前記取得部が取得した状態量と前記第２計算モデルとに基づいて、前記バッテリの第２劣化確率を導出する第２導出部と、
前記第１導出部、前記信頼度導出部、及び前記第２導出部の各々の導出結果に基づいて、前記バッテリの劣化を判定する判定部と、
を含むバッテリ劣化判定装置。
前記第１導出部は、複数種類の前記第１計算モデルを用いて、前記第１劣化確率を導出する請求項１に記載のバッテリ劣化判定装置。
前記信頼度導出部は、前記状態量の数が予め定めた上限値以上の場合、前記第２計算モデルの信頼度を１とし、前記状態量の数が予め定めた下限値以下の場合、前記第２計算モデルの信頼度を０とし、前記状態量の数が前記上限値と前記下限値の間の場合、前記第２計算モデルの信頼度を前記状態量の数に応じて予め定めた０から１の間の値とする請求項１又は請求項２に記載のバッテリ劣化判定装置。
前記判定部は、前記信頼度が１の場合、前記第２導出部の導出結果に基づいて、前記バッテリの劣化を判定する請求項３に記載のバッテリ劣化判定装置。
前記判定部は、前記信頼度が０の場合、前記第１導出部の導出結果に基づいて、前記バッテリの劣化を判定する請求項３又は請求項４に記載のバッテリ劣化判定装置。
前記判定部は、前記信頼度が０から１の間の値の場合、前記第１導出部及び前記第２導出部の各々の導出結果に基づいて、前記バッテリの劣化を判定する請求項３〜５の何れか１項に記載のバッテリ劣化判定装置。
前記取得部は、車両に搭載されたセンサによって検出された前記状態量を取得する請求項１〜６の何れか１項にバッテリ劣化判定装置。
バッテリの状態量を取得して、取得した前記状態量と予め定めた第１計算モデルとに基づいて、前記バッテリの第１劣化確率を導出し、
前記状態量の数に基づいて、前記第１計算モデルとは異なる第２計算モデルの信頼度を導出し、
前記状態量と前記第２計算モデルとに基づいて、前記バッテリの第２劣化確率を導出し、
前記第１劣化確率、前記信頼度、及び前記第２劣化確率の各々に基づいて、前記バッテリの劣化を判定する処理をコンピュータに実行させるバッテリ劣化判定方法。
コンピュータに、
バッテリの状態量を取得して、取得した前記状態量と予め定めた第１計算モデルとに基づいて、前記バッテリの第１劣化確率を導出し、
前記状態量の数に基づいて、前記第１計算モデルとは異なる第２計算モデルの信頼度を導出し、
前記状態量と前記第２計算モデルとに基づいて、前記バッテリの第２劣化確率を導出し、
前記第１劣化確率、前記信頼度、及び前記第２劣化確率の各々に基づいて、前記バッテリの劣化を判定する処理を実行させるためのバッテリ劣化判定プログラム。