JP2021124420A - 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 - Google Patents

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 Download PDF

Info

Publication number
JP2021124420A
JP2021124420A JP2020018737A JP2020018737A JP2021124420A JP 2021124420 A JP2021124420 A JP 2021124420A JP 2020018737 A JP2020018737 A JP 2020018737A JP 2020018737 A JP2020018737 A JP 2020018737A JP 2021124420 A JP2021124420 A JP 2021124420A
Authority
JP
Japan
Prior art keywords
deterioration
battery
term
probability
short
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020018737A
Other languages
English (en)
Other versions
JP7314822B2 (ja
Inventor
伸烈 芳賀
Nobuyasu Haga
伸烈 芳賀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2020018737A priority Critical patent/JP7314822B2/ja
Priority to US17/131,963 priority patent/US11460514B2/en
Priority to EP21150462.6A priority patent/EP3862765B1/en
Priority to CN202110032169.5A priority patent/CN113219338B/zh
Publication of JP2021124420A publication Critical patent/JP2021124420A/ja
Priority to US17/895,591 priority patent/US11675020B2/en
Application granted granted Critical
Publication of JP7314822B2 publication Critical patent/JP7314822B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/03—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for supply of electrical power to vehicle subsystems or for
    • B60R16/033—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for supply of electrical power to vehicle subsystems or for characterised by the use of electrical cells or batteries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Sustainable Development (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Sustainable Energy (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

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、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、短期での劣化確率、中期での劣化確率、及び長期での劣化確率を算出する確率算出部４２と、教師データが少ない初期の場合は、長期での劣化確率に基づいて、バッテリ２０の劣化を判定し、教師データが増えてくると、短期での劣化確率に基づいて、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、車両に搭載された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、予め定めた計算モデルとに基づいて、予め定めた短期で前記バッテリが劣化する短期劣化確率、前記短期より長い中期で前記バッテリが劣化する中期劣化確率、及び前記中期より長い長期で前記バッテリが劣化する長期劣化確率の各々を導出する導出部と、前記計算モデルの学習に用いられるデータとしての前記状態量の数が少ないほど前記長期劣化確率から算出される前記短期と前記中期を合わせた劣化確率の重みを高く設定し、前記状態量の数が多いほど前記短期劣化確率の重みを高く設定して、前記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。
導出部では、取得部が取得した状態量と、予め定めた計算モデルとに基づいて、予め定めた短期でバッテリが劣化する短期劣化確率、短期より長い中期でバッテリが劣化する中期劣化確率、及び短期より長い長期でバッテリが劣化する長期劣化確率（換言すると長期まで劣化しない確率）の各々が導出される。
そして、判定部では、計算モデルの学習に用いられるデータとしての状態量の数が少ないほど長期劣化確率から算出される前記短期と前記中期を合わせた劣化確率（１００−長期劣化確率）の重みを高く設定し、状態量の数が多いほど短期劣化確率の重みを高く設定して、導出部の導出結果に基づいて、バッテリの劣化が判定される。これにより、精度のより高い劣化確率を用いてバッテリの劣化を判定できるので、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、判定部は、請求項２に記載の発明のように、状態量の数が予め定めた閾値未満の場合に、長期劣化確率から算出される前記短期と前記中期を合わせた劣化確率に基づいてバッテリの劣化を判定し、状態量の数が閾値以上の場合に、短期劣化確率に基づいてバッテリの劣化を判定してもよい。これにより、バッテリの劣化判定精度を向上できる。
また、計算モデルは、請求項３に記載の発明のように、学習開始時は、対象の車両とは異なる別車両に搭載された劣化したバッテリの状態量、及び対象車両の劣化していないバッテリの状態量を教師データとして含んで学習し、学習の経過に伴って、別車両に搭載されたバッテリの状態量を対象の車両の劣化したバッテリの状態量に入れ替えて学習してもよい。これにより、学習時のデータ数を確保して初期の劣化判定精度を向上できる。また、この場合、請求項４に記載の発明のように、計算モデルは、学習の経過に伴って、対象の車両の劣化したバッテリの状態量の増加と共に、対象の車両の劣化していないバッテリの状態量を減少させて学習してもよい。これにより、処理負荷を低減できる。
また、取得部は、請求項５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６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、予め定めた計算モデルとに基づいて、予め定めた短期で前記バッテリが劣化する短期劣化確率、前記短期より長い中期で前記バッテリが劣化する中期劣化確率、及び前記中期より長い長期で前記バッテリが劣化する長期劣化確率の各々を導出し、前記計算モデルの学習に用いられるデータとしての前記状態量の数が少ないほど前記長期劣化確率から算出される前記短期と前記中期を合わせた劣化確率の重みを高く設定し、前記状態量の数が多いほど前記短期劣化確率の重みを高く設定して、導出した前記短期劣化確率及び前記長期劣化確率に基づいて、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７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、予め定めた計算モデルとに基づいて、予め定めた短期で前記バッテリが劣化する短期劣化確率、前記短期より長い中期で前記バッテリが劣化する中期劣化確率、及び前記中期より長い長期で前記バッテリが劣化する長期劣化確率の各々を導出し、前記計算モデルの学習に用いられるデータとしての前記状態量の数が少ないほど前記長期劣化確率から算出される前記短期と前記中期を合わせた劣化確率の重みを高く設定し、前記状態量の数が多いほど前記短期劣化確率の重みを高く設定して、導出した前記短期劣化確率及び前記長期劣化確率に基づいて、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。 教師データの上限値ａと下限値ｂの決定方法を説明するための図である。 第１教師データ入替と第２教師データ入替を説明するための図である。 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データ更新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。 本実施形態に係るバッテリ劣化判定システムにおける時間の流れに沿った劣化判定方法を示す図である。 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。 初期の劣化確率算出方法と後期の劣化確率算出方法の両者を用いて最終的な劣化確率を算出する例を説明するための図である。 機械学習に用いる非劣化データを、劣化データの増加と共に減少させる例を示す図である。
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。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。
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、データ更新部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。
データ更新部３２は、データ更新可否判断部３４、及びデータ作成部３６の機能を有し、教師データの入れ替えとＡＩによる機械学習を実行し、ＡＩのデータマップを更新する処理を行う。
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。
データ作成部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、教師データを入れ替えて機械学習を行う処理を行う。すなわち、教師データを入れ替えて、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作成する。本実施形態では、２種類の教師データ入替があり、教師データとしての劣化データ数に応じて、第１教師データ入替と、第２教師データ入替とを切り替える。具体的には、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、劣化データ数Ｎが０≦Ｎ≦ｂの場合は第１教師データ入替に切り替え、劣化データ数Ｎがｂ＜Ｎ≦ａの場合は第２教師データ入替に切り替える。
本実施形態では、図４に示す第１教師データ入替のように、対象車両の劣化データからなる教師データが少ない初期の状態では、他車種等の別車両の劣化データも教師データに加えてデータマップを作成する。図４では、別車両の劣化データがａ−Ｎ台、対象車両の劣化データがＮ台、対象車両の非劣化データがＭ台で、教師データの内訳の合計がａ＋Ｍ台の教師データを示す。また、劣化データが集まるに従って、図４に示す第２教師データ入替のように、別車両の劣化データを対象車両の劣化データに置き換えながらデータマップを作成する。
データ演算部４０は、確率算出部４２及び劣化判定部４４の機能を有し（図２参照）、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。
確率算出部４２は、図５に示すように、データ作成部３６で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。一例としては、バッテリ２０の使用期間を予め定めた期間毎に３分割し、「短期での劣化確率」、「中期での劣化確率」、及び「長期での劣化確率」の３種類の確率を算出する。そして、確率算出部４２は、対象車両の劣化データからなる教師データが少ない初期の場合は、対象車両の非劣化データからなる教師データ数が比較的多く、図４に示す第１教師データ入替のように、「短期での劣化確率」のモデル精度より「長期での劣化確率」のモデル精度の方が高いため、精度が高い「長期での劣化確率」（還元すると長期まで劣化しない確率）を採用する。一方、確率算出部４２は、対象車両の劣化データからなる教師データが集まって来ると、図４に示す第２教師データ入替のように、「短期での劣化確率」のモデル精度が向上するため、「短期での劣化確率」を採用する。なお、本実施形態では、確率算出部４２が、「短期での劣化確率」、「中期での劣化確率」、及び「長期での劣化確率」の３種類の確率を算出する例を説明したが、これに限るものではなく、バッテリ２０の使用期間を４分割以上として、４種類以上の確率を算出してもよい。
劣化判定部４４は、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、確率算出部４２で算出された劣化する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、劣化を判定する。本実施形態では、図４に示す第１教師データ入替のように、対象車両の劣化データからなる教師データが少ない初期の場合は、「長期での劣化確率」から算出される短期と中期を合わせた劣化確率に基づいて、バッテリ２０の劣化を判定する。すなわち、１００−「長期での劣化確率」を算出してバッテリ２０の劣化を判定する。一方、図４に示す第２教師データ入替のように、対象車両の劣化データからなる教師データが増えてくると、「短期での劣化確率」に基づいて、バッテリ２０の劣化を判定する。なお、本実施形態では、教師データの数に応じて、「長期での劣化確率」から算出される劣化確率または「短期での劣化確率」に基づいてバッテリ２０の劣化を判定する例を説明するが、これに限るものではない。例えば、「長期での劣化確率」から算出される劣化確率（１００−「長期での劣化確率」）と「短期での劣化確率」の双方の劣化確率を用いて最終的な劣化確率を算出してバッテリ２０の劣化を判定してもよい。一例としては、図１１に示すように、重みとしての係数βを教師データ数に応じて予め定めておき、劣化確率＝（１−β）×（短期での劣化確率）＋β×（１００−長期での劣化確率）により算出する。なお、係数βは、図１１の例では、教師データの増加と共に二次曲線的に係数βが増加する例を示すが、これに限るものではなく、図１１の点線のように線形的に係数βが増加してもよい。或いは、図１１の一点鎖線で示す二次曲線的に係数βが増加してもよい。また、図１１の教師データ数が予め定めた閾値としてのａまでの係数βを０とし、教師データ数がａ以上の係数βを１として場合が、本実施形態に対応する。
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、確率算出部４２が導出部に対応し、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６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のデータ更新部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６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、データ更新可否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、データ作成部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、データ作成部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一連のデータ更新部３２の処理を終了し、否定された場合にはステップ１１８へ移行する。
ステップ１１８では、データ作成部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１２０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１２０では、データ作成部３６が、初期期間フラグをオフにしてステップ１２２へ移行する。
ステップ１２２では、データ作成部３６が、図４で説明した第２教師データ入替に切り替えて、教師データの入れ替えを行ってステップ１２８へ移行する。
一方、ステップ１２４では、データ作成部３６が、初期期間フラグをオンにしてステップ１２６へ移行する。
ステップ１２６では、データ作成部３６が、図４で説明した第１教師データ入替に切り替えて、教師データの入れ替えを行ってステップ１２８へ移行する。
ステップ１２８では、データ作成部３６が、入れ替え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、データ更新部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７の処理は、例えば、図６のデータ更新部３２の処理が終了したところで開始する。
ステップ２００では、確率算出部４２が、バッテリ２０の劣化確率を算出してステップ２０２へ移行する。すなわち、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。劣化確率としては、本実施形態は、「短期での劣化確率」、「中期での劣化確率」、及び「長期での劣化確率」の３種類の確率を算出する。
ステップ２０２では、確率算出部４２が、初期期間フラグがオンであるか否かを判定する。すなわち、データ作成部３６のステップ１２４において初期期間フラグがオンにされているか否かを判定する。該判定が否定された場合にはステップ２０４へ移行し、肯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、劣化確率として、Ｃの「短期での劣化確率」を採用してステップ２０８へ移行する。
一方、ステップ２０６では、確率算出部４２が、劣化確率として、１００−Ａの「長期での劣化確率」（還元すると長期まで劣化しない確率）を採用してステップ２０８へ移行する。
ステップ２０８では、劣化判定部４４が、算出した劣化する確率が予め定めた閾値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、バッテリの劣化あり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、対象車両の劣化データからなる教師データが少ない初期は、図８に示すように、長期での劣化確率（長期まで劣化しない確率）を用いてバッテリ２０の劣化を判定する。すなわち、図８に示すように、１００−Ａの「長期での劣化確率」を算出してバッテリ２０の劣化を判定する。これにより、短期での劣化確率を用いて劣化を判定する場合よりも劣化判定の精度を向上できる。
また、図８に示すように、対象車両の劣化データからなる教師データが徐々に増えて後期へ移行すると、短期での劣化確率のモデル精度が向上するので、Ｃの「短期での劣化確率」を用いてバッテリ２０の劣化を判定する。これにより、長期での劣化確率を用いて劣化を判定する場合よりも劣化判定の精度を向上できる。
さらに、本実施形態では、対象車両の教師データが少ない初期は他車両の教師データを用いて機械学習を行うことで、初期のモデル精度を向上できる。そして、対象車両の劣化データからなる教師データが増加するにつれて他車両の教師データを対象車両の教師データに入れ替えて機械学習を行うので、モデル精度を対象車両に徐々に適合させることができる。
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、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９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１０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。例えば、単回帰分析や重回帰分析等を用いる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、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、非劣化データを最初から残留させる例を説明したが、これに限るものではない。例えば、図１２に示すように、機械学習の負荷低減のために、劣化データの増加と共に、非劣化データを減少させてもよい。
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）
３２ データ更新部
３４ データ更新可否判断部
３６ データ作成部
４０ データ演算部
４２ 確率算出部（導出部）
４４ 劣化判定部（判定部）

Claims (7)

  1. 車両に搭載された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、予め定めた計算モデルとに基づいて、予め定めた短期で前記バッテリが劣化する短期劣化確率、前記短期より長い中期で前記バッテリが劣化する中期劣化確率、及び前記中期より長い長期で前記バッテリが劣化する長期劣化確率の各々を導出する導出部と、
    前記計算モデルの学習に用いられるデータとしての前記状態量の数が少ないほど前記長期劣化確率から算出される前記短期と前記中期を合わせた劣化確率の重みを高く設定し、前記状態量の数が多いほど前記短期劣化確率の重みを高く設定して、前記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判定部と、
    を含むバッテリ劣化判定装置。
  2. 前記判定部は、前記状態量の数が予め定めた閾値未満の場合に、前記長期劣化確率から算出される前記短期と前記中期を合わせた劣化確率に基づいて前記バッテリの劣化を判定し、前記状態量の数が前記閾値以上の場合に、前記短期劣化確率に基づいて前記バッテリの劣化を判定する請求項１に記載のバッテリ劣化判定装置。
  3. 前記計算モデルは、学習開始時は、対象の車両とは異なる別車両に搭載された劣化したバッテリの状態量、及び対象車両の劣化していないバッテリの状態量を教師データとして含んで学習し、学習の経過に伴って、前記別車両に搭載されたバッテリの状態量を前記対象の車両の劣化したバッテリの状態量に入れ替えて学習する請求項１又は請求項２に記載のバッテリ劣化判定装置。
  4. 前記計算モデルは、学習の経過に伴って、前記対象の車両の劣化したバッテリの状態量の増加と共に、前記対象の車両の劣化していないバッテリの状態量を減少させて学習する請求項３に記載のバッテリ劣化判定装置。
  5. 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１〜４の何れか１項に記載のバッテリ劣化判定装置。
  6. バッテリの状態量を取得して、取得した前記状態量と、予め定めた計算モデルとに基づいて、予め定めた短期で前記バッテリが劣化する短期劣化確率、前記短期より長い中期で前記バッテリが劣化する中期劣化確率、及び前記中期より長い長期で前記バッテリが劣化する長期劣化確率の各々を導出し、
    前記計算モデルの学習に用いられるデータとしての前記状態量の数が少ないほど前記長期劣化確率から算出される前記短期と前記中期を合わせた劣化確率の重みを高く設定し、前記状態量の数が多いほど前記短期劣化確率の重みを高く設定して、導出した前記短期劣化確率及び前記長期劣化確率に基づいて、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。
  7. 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、予め定めた計算モデルとに基づいて、予め定めた短期で前記バッテリが劣化する短期劣化確率、前記短期より長い中期で前記バッテリが劣化する中期劣化確率、及び前記中期より長い長期で前記バッテリが劣化する長期劣化確率の各々を導出し、
    前記計算モデルの学習に用いられるデータとしての前記状態量の数が少ないほど前記長期劣化確率から算出される前記短期と前記中期を合わせた劣化確率の重みを高く設定し、前記状態量の数が多いほど前記短期劣化確率の重みを高く設定して、導出した前記短期劣化確率及び前記長期劣化確率に基づいて、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。
JP2020018737A 2020-02-06 2020-02-06 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 Active JP7314822B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2020018737A JP7314822B2 (ja) 2020-02-06 2020-02-06 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
US17/131,963 US11460514B2 (en) 2020-02-06 2020-12-23 Battery degradation evaluation system, battery degradation evaluation method, and non-transitory storage medium storing battery degradation evaluation program
EP21150462.6A EP3862765B1 (en) 2020-02-06 2021-01-07 Battery degradation evaluation system, battery degradation evaluation method, and battery degradation evaluation program
CN202110032169.5A CN113219338B (zh) 2020-02-06 2021-01-11 电池劣化判断系统、方法及存储有程序的非临时性存储介质
US17/895,591 US11675020B2 (en) 2020-02-06 2022-08-25 Battery degradation evaluation system, battery degradation evaluation method, and non-transitory storage medium storing battery degradation evaluation program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020018737A JP7314822B2 (ja) 2020-02-06 2020-02-06 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

Publications (2)

Publication Number Publication Date
JP2021124420A true JP2021124420A (ja) 2021-08-30
JP7314822B2 JP7314822B2 (ja) 2023-07-26

Family

ID=74105871

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020018737A Active JP7314822B2 (ja) 2020-02-06 2020-02-06 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

Country Status (4)

Country Link
US (2) US11460514B2 (ja)
EP (1) EP3862765B1 (ja)
JP (1) JP7314822B2 (ja)
CN (1) CN113219338B (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023286650A1 (ja) * 2021-07-15 2023-01-19 恒林日本株式会社 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010539473A (ja) * 2007-09-13 2010-12-16 エルジー・ケム・リミテッド バッテリーの長期特性予測システム及び方法
JP2013516614A (ja) * 2010-06-24 2013-05-13 パナソニック株式会社 電池の劣化度を取得するための方法及びそのシステム
US20130135110A1 (en) * 2011-01-20 2013-05-30 Indiana University Research And Technology Corporation Advanced battery early warning and monitoring system
JP2013115863A (ja) * 2011-11-25 2013-06-10 Honda Motor Co Ltd バッテリ管理システム
WO2016147722A1 (ja) * 2015-03-19 2016-09-22 日本電気株式会社 推定装置、推定方法およびプログラム
US20190212391A1 (en) * 2016-06-30 2019-07-11 Robert Bosch Gmbh Method for monitoring a battery

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9316699B2 (en) * 2012-04-05 2016-04-19 Samsung Sdi Co., Ltd. System for predicting lifetime of battery
CN103033761B (zh) * 2012-12-17 2014-12-10 哈尔滨工业大学 动态灰色相关向量机的锂离子电池剩余寿命预测方法
US10203375B2 (en) * 2013-11-14 2019-02-12 Nec Corporation Method for ascertaining storage battery state, state-ascertaining system, and computer program
KR102205293B1 (ko) * 2014-04-18 2021-01-20 삼성전자주식회사 배터리 수명의 추정에서 발생하는 오차를 보정하는 방법 및 장치
KR102399720B1 (ko) * 2014-08-06 2022-05-19 삼성전자주식회사 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법
KR102357351B1 (ko) * 2015-01-07 2022-01-28 삼성전자주식회사 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
KR102559199B1 (ko) * 2015-11-02 2023-07-25 삼성전자주식회사 배터리 관리 방법 및 배터리 관리 장치
JP6339618B2 (ja) * 2016-03-29 2018-06-06 古河電気工業株式会社 二次電池劣化推定装置および二次電池劣化推定方法
KR102042077B1 (ko) * 2016-09-26 2019-11-07 주식회사 엘지화학 인공지능형 연료전지 시스템
JP2018179733A (ja) 2017-04-12 2018-11-15 日立化成株式会社 電池の寿命診断装置及び電池の寿命診断方法
WO2019021095A1 (ja) * 2017-07-26 2019-01-31 株式会社半導体エネルギー研究所 二次電池の充電制御システム及び二次電池の異常検出方法
WO2019181727A1 (ja) * 2018-03-20 2019-09-26 株式会社Ｇｓユアサ 異常要因判定装置、劣化判定装置、コンピュータプログラム、劣化判定方法及び異常要因判定方法
JP7063455B2 (ja) * 2018-04-06 2022-05-17 株式会社スリーダム 二次電池の診断装置及び診断方法
EP3560751A1 (en) * 2018-04-27 2019-10-30 Panasonic Intellectual Property Corporation of America Control method, server, in-vehicle device, and program
WO2020090949A1 (ja) * 2018-10-31 2020-05-07 株式会社Ｇｓユアサ 蓄電素子評価装置、コンピュータプログラム、蓄電素子評価方法、学習方法及び生成方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010539473A (ja) * 2007-09-13 2010-12-16 エルジー・ケム・リミテッド バッテリーの長期特性予測システム及び方法
JP2013516614A (ja) * 2010-06-24 2013-05-13 パナソニック株式会社 電池の劣化度を取得するための方法及びそのシステム
US20130135110A1 (en) * 2011-01-20 2013-05-30 Indiana University Research And Technology Corporation Advanced battery early warning and monitoring system
JP2013115863A (ja) * 2011-11-25 2013-06-10 Honda Motor Co Ltd バッテリ管理システム
WO2016147722A1 (ja) * 2015-03-19 2016-09-22 日本電気株式会社 推定装置、推定方法およびプログラム
US20190212391A1 (en) * 2016-06-30 2019-07-11 Robert Bosch Gmbh Method for monitoring a battery

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023286650A1 (ja) * 2021-07-15 2023-01-19 恒林日本株式会社 電池劣化推定装置の検証方法、装置、デバイス、媒体及び電池劣化推定計算モデル

Also Published As

Publication number Publication date
US11675020B2 (en) 2023-06-13
US20210247458A1 (en) 2021-08-12
JP7314822B2 (ja) 2023-07-26
EP3862765B1 (en) 2023-06-21
EP3862765A1 (en) 2021-08-11
US11460514B2 (en) 2022-10-04
CN113219338A (zh) 2021-08-06
US20220404429A1 (en) 2022-12-22
CN113219338B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
JP7413806B2 (ja) 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
KR20240010078A (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
CN115808922B (zh) 商用电动车辆能耗预测方法、装置和计算机设备
EP4328082A1 (en) Method and apparatus for determining driving range of electric vehicle, and vehicle
CN108985966B (zh) 电量消耗计算方法、装置、车辆及计算机可读存储介质
CN115616409A (zh) 电池荷电状态的计算方法、装置、车辆及存储介质
US20230375633A1 (en) Information processing device, information processing method, and computer program
JP2021124420A (ja) 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
CN113219337B (zh) 电池劣化判断系统、方法以及存储有程序的非临时性存储介质
CN112417767A (zh) 一种衰减趋势确定模型构建方法、衰减趋势确定方法
CN116811870A (zh) 能量回收策略的确定方法、装置、设备和存储介质
US11733308B2 (en) Deterioration state estimation system of secondary battery, deterioration state estimation method of secondary battery, and storage medium
CN115598531A (zh) 车辆电池健康状态的估计方法及其估计模型的训练方法
CN114764600A (zh) 新能源车电池包的寿命预测方法、装置和电子设备
US20230176137A1 (en) Method and system for determining a remaining useful lifetime of a battery
WO2024133249A1 (en) System and method for improving utilization of electrical energy storage packs
CN114976375A (zh) 电池的使用终止温度估算方法、装置、车辆及存储介质
CN117301795A (zh) 控制车辆空调的方法、装置、电子设备和车辆
CN116736136A (zh) 电池寿命预测方法、装置、服务器及存储介质
CN116679209A (zh) 电池荷电状态的预测方法、装置、设备和存储介质
CN116047323A (zh) 一种电池soc的修正方法、系统、电池及电池管理系统
CN117775000A (zh) 车辆剩余续航里程估计方法、装置、存储介质及电子装置
CN117067984A (zh) 剩余续驶里程确定方法、装置、存储介质及车辆
CN117048424A (zh) 荷电状态的获取方法、模型训练方法、装置和车辆
CN116976480A (zh) 车辆续航里程预测方法及装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220523

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230228

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230307

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230419

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230613

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230626

R151 Written notification of patent or utility model registration

Ref document number: 7314822

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151