JP2022111692A - リチウムイオン電池の良否推定方法、リチウムイオン電池の良否推定装置及びコンピュータプログラム - Google Patents

リチウムイオン電池の良否推定方法、リチウムイオン電池の良否推定装置及びコンピュータプログラム Download PDF

Info

Publication number
JP2022111692A
JP2022111692A JP2021007290A JP2021007290A JP2022111692A JP 2022111692 A JP2022111692 A JP 2022111692A JP 2021007290 A JP2021007290 A JP 2021007290A JP 2021007290 A JP2021007290 A JP 2021007290A JP 2022111692 A JP2022111692 A JP 2022111692A
Authority
JP
Japan
Prior art keywords
ion battery
lithium ion
quality
lithium
charge
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.)
Pending
Application number
JP2021007290A
Other languages
English (en)
Inventor
悠祐 江守
Yusuke Emori
友一朗 植村
Yuichiro Uemura
洋志 川崎
Hiroshi Kawasaki
英明 堀江
Hideaki Horie
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.)
Sanyo Chemical Industries Ltd
APB Corp
Original Assignee
Sanyo Chemical Industries Ltd
APB 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 Sanyo Chemical Industries Ltd, APB Corp filed Critical Sanyo Chemical Industries Ltd
Priority to JP2021007290A priority Critical patent/JP2022111692A/ja
Priority to PCT/JP2022/001937 priority patent/WO2022158515A1/ja
Publication of JP2022111692A publication Critical patent/JP2022111692A/ja
Pending legal-status Critical Current

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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

【課題】単電池としてのリチウムイオン電池の良否推定精度を向上させることが可能な、リチウムイオン電池の良否推定方法を提供すること。【解決手段】リチウムイオン電池の評価指標として、充放電試験を行い充放電試験終了後に所定期間休止させた期間である休止期間中に測定された電圧推移を入力、リチウムイオン電池の良否判定結果を出力とする教師データを人工知能モデルに入力し、人工知能モデルに学習させる工程と、良否推定対象のリチウムイオン電池に対して充放電試験終了後の休止期間中に測定された電圧推移を、学習済みの上記人工知能モデルに対して評価指標として入力する工程と、学習済みの上記人工知能モデルに、リチウムイオン電池の良否推定結果を出力させる工程と、を含むことを特徴とする、リチウムイオン電池の良否推定方法。【選択図】 図１

Description

本発明は、リチウムイオン電池の良否推定方法、リチウムイオン電池の良否推定装置及びコンピュータプログラムに関する。
電気自動車及びハイブリッド電気自動車等の電源又は携帯型電子機器の電源としてリチウムイオン電池等の単電池を複数個積層した組電池が用いられている（例えば特許文献１参照）。
国際公開第２００９／１１９０７５号
組電池は単電池を組み合わせて製造される。組電池を構成する単電池に特性不良のものがあると組電池全体が不良品となるため、単電池の段階での良品、不良品の推定（以下、良否推定という）が行われている。
本発明者らは、単電池に対して充放電試験を行い、その結果を基にして単電池の良否の推定を行っていた。具体的には、所定の充放電試験を行い、充放電試験終了後、１９時間休止させてその休止期間（１９時間）における電圧の推移を評価指標として、電圧変化が減少に転じていなければ良品とするという手法での推定を行っていた。
この方法で良否推定した単電池について、実際に良品であるか、不良品であるかを判定してその結果を比べてみると、不良品である単電池を良品と推定する場合があり、良品についての推定の精度が低いという問題があることがわかった。
そのため、単電池の良否推定精度を向上させることが望まれていた。
また、上記の方法では充放電試験終了後の休止期間が長いことから、充放電試験終了後の電圧の推移が測定される期間である休止期間を短くすることも望まれていた。
本発明は上記の問題を解決するためになされたものであり、単電池としてのリチウムイオン電池の良否推定精度を向上させることが可能な、リチウムイオン電池の良否推定方法を提供することを目的とする。
また、上記良否推定方法に使用可能なリチウムイオン電池の良否推定装置及びコンピュータプログラムを提供することも目的とする。
本発明は、リチウムイオン電池の評価指標として、充放電試験を行い充放電試験終了後に所定期間休止させた期間である休止期間中に測定された電圧推移を入力、リチウムイオン電池の良否判定結果を出力とする教師データを人工知能モデルに入力し、人工知能モデルに学習させる工程と、良否推定対象のリチウムイオン電池に対して充放電試験終了後の休止期間中に測定された電圧推移を、学習済みの上記人工知能モデルに対して評価指標として入力する工程と、学習済みの上記人工知能モデルに、リチウムイオン電池の良否推定結果を出力させる工程と、を含むことを特徴とする、リチウムイオン電池の良否推定方法；リチウムイオン電池の良否を推定する推定装置であって、リチウムイオン電池の評価指標として、充放電試験を行い充放電試験終了後に所定期間休止させた期間である休止期間中に測定された電圧推移を入力、リチウムイオン電池の良否判定結果を出力とする教師データを用いて、リチウムイオン電池の上記評価指標と上記良否判定結果との関係を学習した学習済みの人工知能モデルを備え、良否推定対象のリチウムイオン電池について充放電試験終了後の休止期間中に測定された電圧推移が評価指標として入力される入力部と、上記入力部に入力された評価指標を上記学習済みの人工知能モデルへ入力してリチウムイオン電池の良否を推定する推定部と、上記推定部により推定されたリチウムイオン電池の良否推定結果を出力する出力部と、を備えることを特徴とするリチウムイオン電池の良否推定装置；コンピュータに、リチウムイオン電池の評価指標として、充放電試験を行い充放電試験終了後に所定期間休止させた期間である休止期間中に測定された電圧推移を入力、リチウムイオン電池の良否判定結果を出力とする教師データを用いて、リチウムイオン電池の充放電試験終了後の休止期間中に測定された電圧推移と良否判定結果との関係を学習した学習済みの人工知能モデルへ、良否推定対象のリチウムイオン電池から新たに取得した充放電試験終了後の休止期間中に測定された電圧推移を評価指標として入力し、上記学習済みの人工知能モデルからリチウムイオン電池の良否に係る推定結果を取得する処理を実行させるためのコンピュータプログラムに関する。
本発明によれば、単電池としてのリチウムイオン電池の良否推定精度を向上させることが可能な、リチウムイオン電池の良否推定方法を提供することができる。
図１は、人工知能モデルの構成例を示す模式図である。 図２は、リチウムイオン電池の良否推定装置の構成例を示すブロック図である。
以下、本発明を詳細に説明する。
なお、本明細書において、リチウムイオン電池と記載する場合、リチウムイオン二次電池も含む概念とする。
はじめに、本発明のリチウムイオン電池の良否推定方法の実施形態の例について説明する。その後、この良否推定方法に使用することのできる本発明のリチウムイオン電池の良否推定装置及びコンピュータプログラムの実施形態の例について説明する。
なお、本発明のリチウムイオン電池の良否推定方法によりその良否を推定する対象であるリチウムイオン電池の好ましい構成については後述する。
本発明のリチウムイオン電池の良否推定方法では、充放電試験を行い充放電試験終了後に所定期間休止させた期間である休止期間中に測定された電圧推移（以下、充放電試験終了後電圧推移ともいう）を入力、リチウムイオン電池の良否判定結果を出力とする教師データを人工知能モデルに入力し、人工知能モデルに学習させる工程を行う。
教師データを得るためには、リチウムイオン電池の充放電試験を行い、充放電試験終了後の休止期間中に測定された充放電試験終了後電圧推移を得る。別途、そのリチウムイオン電池の良否判定を行う。所定数のリチウムイオン電池についての、充放電試験後電圧推移と良否判定結果の組み合わせを教師データとして使用する。
充放電試験の条件は特に限定されるものではなく、充放電試験の対象となるリチウムイオン電池の仕様に応じて決定することができる。
リチウムイオン電池の良否推定の精度を高める観点から、充電及び放電の繰り返し回数は多い方が好ましい。
充放電試験における充放電試験の開始から終了までの時間が短いと、リチウムイオン電池の良否推定に要する時間が短くなるので好ましい。例えば１～２．５日程度とすることができる。
充放電試験はＣＣ－ＣＶ充放電試験（定電流定電圧充放電試験）、ＣＣ充放電試験（定電流充放電試験）、ＣＰ充放電試験（定電力充放電試験）等の方法とすることができ、その方式は特に限定されない。また、電流値、上限電位及び下限電位も特に限定されない。
充放電試験の条件は、例えば、以下のようにすることができる。
（１）電流０．０５Ｃ、上限電位４．２ＶでＣＣ充電
（２）１時間の休止
（３）電流０．１Ｃ、上限電位４．２ＶでＣＣ－ＣＶ充電
（４）１時間の休止
（５）電流０．３３Ｃ、下限電位２．５ＶでＣＣ放電
（６）１時間の休止
（７）電流０．１Ｃ、下限電位２．５ＶでＣＣ放電
（８）１時間の休止
（９）電流０．０５Ｃ、下限電位２．５ＶでＣＣ放電
（１０）１時間の休止
（１１）電流０．０１Ｃ、下限電位２．５ＶでＣＣ放電
（１２）所定期間の休止及び休止期間中の電圧の測定
充放電試験終了後、所定期間の休止を行う休止期間において、リチウムイオン電池の正負極間の電圧推移が測定される。上記例の手順（１２）の休止を行う所定期間が、充放電試験終了後の休止期間に相当する。
充放電試験終了後に電圧推移が測定される休止期間を短くすることができると、リチウムイオン電池の良否推定に要する時間が短くなるので好ましい。
一方、上記休止期間が短すぎるとリチウムイオン電池の良否推定の結果が安定しない。このような観点から、上記休止期間は１０時間以上、１９時間未満であることが好ましい。
上記休止期間が１９時間未満であると、リチウムイオン電池の良否推定に要する時間を短くすることができる。
教師データを得るための、リチウムイオン電池の良否判定は、充放電試験終了時点から２週間経過したタイミングで電圧を測定することにより行う。充放電試験終了後、１９時間の休止期間が終了した時点の電圧と、充放電試験終了時点から２週間経過した後の電圧を比較して、充放電試験終了時点から２週間経過した後の電圧が同じか大きいものを良品、充放電試験終了時点から２週間経過した後の電圧が小さいものを不良品と判定する。
上記のようにして、所定数のリチウムイオン電池についての、充放電試験後電圧推移と良否判定結果の組み合わせを教師データとして得る。
また、充放電試験後電圧推移に加えて、リチウムイオン電池の評価指標として、充放電試験において得られる下記評価指標（Ａ）、（Ｂ）及び（Ｃ）のうちの少なくとも１つを教師データの入力として使用することも好ましい。
（Ａ）充放電試験における充電後に放電を行うことなく所定期間休止させた期間である充電後休止期間中に測定された開回路電圧推移
（Ｂ）充放電試験により得られた実容量の設計容量に対する比率（実容量／設計容量）
（Ｃ）クーロン効率
このような評価指標をさらに使用することにより、リチウムイオン電池の良否推定の精度を高めることができる。
（Ａ）の開回路電圧推移は、上記に（１）～（１２）で示す具体的な充放電試験の条件において、手順（４）の１時間の充電後休止期間中、電流を流していない状態で測定された電圧の推移に相当する。
手順（４）で示す１時間の充電後休止期間は例示に過ぎず、充電後休止期間は１時間に限定されるものではなく、（Ａ）の開回路電圧推移の測定において、充電後休止期間は、１００秒～１時間の範囲で適宜決定することが好ましい。
（Ｂ）における、充放電試験により得られた実容量は、放電過程で流れた電荷（Ａｈ）である。また、（Ｂ）における設計容量は、リチウムイオン電池の作製時における、正極及び負極それぞれの活物質重量とその理論容量から求めることができる。
（Ｃ）のクーロン効率は、充放電試験において「放電過程で流れた電荷」を「充電過程で流れた電荷」で割った値である。
また、リチウムイオン電池作製時における正極及び負極の活物質重量と正極活物質及び負極活物質の理論容量とから求められるＡＣバランスを教師データの入力としてさらに使用してもよい。
ＡＣバランスは、負極容量／正極容量で表わされる、負極容量と正極容量の比である。負極容量が正極容量に比べて大きい場合、ＡＣバランスの値は１より大きくなる。
ここまでに説明した、充放電試験後電圧推移を含むリチウムイオン電池の評価指標を入力とし、リチウムイオン電池の良否判定結果を出力とする教師データを人工知能モデルに入力する。
人工知能モデルは、深層学習を含む機械学習の学習モデルであり、例えばニューラルネットワークにより構成されている。
図１は、人工知能モデルの構成例を示す模式図である。
人工知能モデル１００は、深層学習を含む機械学習の学習モデルであり、例えばニューラルネットワークにより構成されている。
人工知能モデル１００は、入力層１１０、中間層１２０及び出力層１３０を備える。
図１の例では中間層１２０を２つ記載しているが、中間層１２０の数は２つに限定されず、３つ以上であってもよい。
入力層１１０及び中間層１２０には、１つ又は複数のノードが存在し、出力層１３０には１つのノードが存在する。出力層１３０のノード数は１つに限定されるものではなく、出力層で出力する良否判定結果の出力形式によって、出力層に２つ以上のノードが設けられていてもよい。
各層のノードは前後の層に存在するノードと所望の重み及びバイアスで結合されている。
入力層に入力される、充放電試験後電圧推移を含むリチウムイオン電池の評価指標の値は、入力層に入力される前に所定の規格化処理を施されたうえで、入力層に入力されてもよい。
入力層１１０の各ノードに与えられた評価指標には、重みが乗算され、さらにバイアスが加算された上で中間層１２０に伝達される。中間層１２０において、送られてきた信号が活性化関数を用いて変換され、次の中間層１２０に伝達される。このような伝達を繰り返し、最後の中間層１２０において算出された出力が出力層１３０に伝達される。
ノード間の重み及びバイアス等の各種パラメータは、所定の学習アルゴリズムによって学習される。
所定数の充放電試験後電圧推移を含むリチウムイオン電池の評価指標を入力とし、リチウムイオン電池の良否判定結果を出力とする教師データを人工知能モデルに入力して学習済みモデルを構築した後、機械学習を行うことによってさらにニューラルネットワークを訓練することができる。
例えば、バックプロパゲーションによる機械学習を行うことができる。
リチウムイオン電池の良否推定結果と、リチウムイオン電池の良否判定結果を比較することで、リチウムイオン電池の良否推定の正誤が判定され、その正誤が教師信号としてフィードバックされる。例えば、あるリチウムイオン電池の評価指標から、そのリチウムイオン電池は良品と推定されたとする。そのリチウムイオン電池が実際に良品であった場合、推定が正解であることを示す教師信号がフィードバックされる。一方、そのリチウムイオン電池が実際には不良品であった場合、推定が誤りであったことを示す教師信号がフィードバックされる。
多数のリチウムイオン電池の良否推定結果に基づく教師信号に応じて、中間層から出力層の間の重み及びバイアスが調整され、中間層の間の重み及びバイアスが調整され、入力層と中間層の間の重み及びバイアスが調整される。
調整後のニューラルネットワークを用いて、再度リチウムイオン電池の良否推定結果と、リチウムイオン電池の良否判定結果を比較し、その結果に基づいて各層の間の重み及びバイアスが再調整される。
このように、多数のリチウムイオン電池の良否推定結果及び良否判定結果を用いた調整を繰り返すことによって、ニューラルネットワークによるリチウムイオン電池の良否推定精度を高めていく。良否推定精度が所定の精度より高くなったり、それ以上良否推定精度が高まらない状態になった際に、機械学習を終了させる。
得られた学習済みの人工知能モデルは、コンピュータプログラムとしてリチウムイオン電池の良否推定装置の記憶部に記憶させることができる。また、当該コンピュータプログラムはＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＨＤＤ等の記憶媒体に記憶されていてもよい。
本発明のリチウムイオン電池の良否推定方法では、良否推定対象のリチウムイオン電池に対して充放電試験終了後の休止期間中に測定された電圧推移を、学習済みの人工知能モデルに対して評価指標として入力する。そして、学習済みの人工知能モデルに、リチウムイオン電池の良否推定結果を出力させる。
評価指標の入力は、リチウムイオン電池の良否推定装置の入力部から行えばよい。
人工知能モデルに対して入力する評価指標は、少なくとも充放電試験終了後電圧推移を含む。
充放電試験の条件、及び、充放電試験終了後に電圧推移が測定される休止期間は、人工知能モデルを得るために使用した教師データと同じ条件及び時間とすることが好ましい。
また、充放電試験終了後の休止期間が１０時間以上、１９時間未満であることが好ましい。
充放電試験終了後電圧推移の他に使用する評価指標としては、上述した評価指標（Ａ）、（Ｂ）及び（Ｃ）のうちの少なくとも１つを使用することができる。また、評価指標として上述したＡＣバランスを使用することができる。人工知能モデルを得るために使用した教師データと同じ評価指標を評価指標として使用することが好ましい。
ＡＣバランスを評価指標として使用する場合、良否推定対象のリチウムイオン電池についてＡＣバランスを実測することはできないため、良否推定対象のリチウムイオン電池について設計時に定められたＡＣバランスを使用する。
リチウムイオン電池の良否推定結果の出力形式としては、良品、不良品という２段階での出力であってもよく、良品、不良品、良否不明という３段階の出力であってもよい。また、良品率９０％、不良品率１０％のように百分率での出力としてもよい。
上記手順により、リチウムイオン電池の良否推定を精度よく行うことができる。
続いて、本発明のリチウムイオン電池の良否推定装置について説明する。
図２は、リチウムイオン電池の良否推定装置の構成例を示すブロック図である。
リチウムイオン電池の良否推定装置１は、汎用又は専用のコンピュータにより構成されており、入力部１０、制御部２０、記憶部３０、出力部４０、通信部５０、及び、操作部６０を備える。
入力部１０は、電池特性測定装置７０と接続される入力インターフェースを備える。入力部１０と電池特性測定装置７０との間の接続は有線であってもよく、無線であってもよい。
入力部１０には、電池特性測定装置７０で測定された評価指標が入力される。
電池特性測定装置７０では、良否推定対象のリチウムイオン電池について充放電試験終了後電圧推移を測定し、評価指標として出力する。そのため、入力部１０には、良否推定対象のリチウムイオン電池について休止期間中に測定された充放電試験終了後電圧推移が評価指標として入力される。
充放電試験終了後の休止期間が１０時間以上、１９時間未満であることが好ましい。
また、電池特性測定装置７０では、充放電試験終了後電圧推移以外の特性を測定して、評価指標として出力してもよい。そして、充放電試験終了後電圧推移以外の特性が評価指標として入力部にさらに入力されてもよい。
充放電試験終了後電圧推移以外の評価指標としては、上述した評価指標（Ａ）、（Ｂ）及び（Ｃ）のうちの少なくとも１つを使用することができる。また、評価指標として上述したＡＣバランスを使用することができる。人工知能モデルを得るために使用した教師データと同じ評価指標を評価指標として使用することが好ましい。
（Ａ）の評価指標を使用する場合、充放電試験における充電後に放電を行うことなく所定期間休止させた期間である充電後休止期間が１００秒～１時間であることが好ましい。
ＡＣバランスを評価指標として使用する場合、良否推定対象のリチウムイオン電池についてＡＣバランスを実測することはできないため、良否推定対象のリチウムイオン電池について設計時に定められたＡＣバランスを使用する。
制御部２０は、例えば、ＣＰＵ（中央演算処理装置）、ＲＯＭ（読み出し専用メモリ）、ＲＡＭ（ランダムアクセスメモリ）等を備える。制御部２０が備えるＲＯＭには、リチウムイオン電池の良否推定装置１が備えるハードウエア各部の動作を制御するためのコンピュータプログラム等が記憶される。制御部２０内のＣＰＵは、ＲＯＭ又は記憶部３０に記憶されたコンピュータプログラムを実行し、ハードウエア各部の動作を制御することによって、リチウムイオン電池の良否を推定する処理を実現する。制御部２０が備えるＲＡＭには、演算の実行中に利用されるデータが一時的に記憶される。
制御部２０の構成は、上記構成に限定されるものではなく、その他の揮発性又は不揮発性のメモリ等を備える１又は複数の演算回路であってもよい。
記憶部３０に記憶されるコンピュータプログラムは、電池特性測定装置７０で測定された評価指標としての充放電試験終了後電圧推移を入力とし、リチウムイオン電池の良否判定結果を出力とする教師データとして人工知能モデルに学習させた学習済みの人工知能モデル１００を用いて、リチウムイオン電池の良否推定結果を推定する処理をリチウムイオン電池の良否推定装置１に実行させるための推定処理プログラムを含む。この推定処理プログラムを制御部２０が実行することによって、リチウムイオン電池の良否推定装置１を本発明のリチウムイオン電池の良否推定装置として機能させる。
リチウムイオン電池の良否推定装置１における推定部９０は、記憶部３０と制御部２０を含む。
記憶部３０に記憶される学習済みの人工知能モデル１００は、電池特性測定装置７０で測定された評価指標としての充放電試験終了後電圧推移を入力として、リチウムイオン電池の良否を推定する処理に用いられる学習済みの人工知能モデルである。学習済みの人工知能モデル１００は、学習済みの人工知能モデルの構造情報、学習済みの人工知能モデルで用いられるノード間の重み及びバイアスなどの各種パラメータ等を含む。本実施形態では、電池特性測定装置７０で測定された評価指標としての充放電試験終了後電圧推移を入力としての教師データ、リチウムイオン電池の良否判定結果を出力としての教師データとして、所定の学習アルゴリズムによって予め学習された学習済みの人工知能モデル１００が記憶部３０に記憶される。
制御部２０は、記憶部３０に記憶されている推定処理プログラムを実行し、入力部１０を通じて入力される評価指標としての充放電試験終了後電圧推移を学習済みの人工知能モデル１００に与えることによって、学習済みの人工知能モデル１００からリチウムイオン電池の良否推定結果を取得する。
必要に応じて、入力部１０を通じて他の評価指標を学習済みの人工知能モデル１００に与えてもよい。
出力部４０は、推定部９０により推定されたリチウムイオン電池の良否推定結果を出力する部分であり、出力インターフェースを備える。
出力部４０には表示装置８０を接続してもよい。表示装置８０はリチウムイオン電池の良否推定装置１と一体の構成であってもよく、外部ディスプレイであってもよい。
また、表示装置８０は出力部４０に有線で接続されていてもよく、無線で接続されていてもよい。さらに、表示装置８０と共に、又は、表示装置８０に代えて、出力部４０に記憶媒体を接続してもよく、出力部４０から出力された推定結果を記憶媒体に格納するようにしてもよい。
通信部５０は、各種データを送受信する通信インターフェースを備える。通信部５０は有線又は無線の通信インターフェースを備える。通信部５０から外部に送信するデータは、学習済みの人工知能モデル１００によるリチウムイオン電池の良否推定結果を含む。
操作部６０は、各種操作ボタン、スイッチ、タッチパネル等の入力インターフェースを備えており、各種の操作情報及び設定情報を受け付ける。制御部２０は、操作部６０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３０に記憶させる。
このようなリチウムイオン電池の良否推定装置に対して、良否推定対象のリチウムイオン電池について測定された、充放電試験終了後電圧推移を含む評価指標を入力部から入力すると、推定部により推定されたリチウムイオン電池の良否推定結果が出力部から出力されるので、リチウムイオン電池の良否推定を行うことができる。
続いて、本発明のコンピュータプログラムについて説明する。
本発明のコンピュータプログラムは、コンピュータに、リチウムイオン電池の評価指標として、充放電試験を行い充放電試験終了後に所定期間休止させた期間である休止期間中に測定された電圧推移を入力、リチウムイオン電池の良否判定結果を出力とする教師データを用いて、リチウムイオン電池の充放電試験終了後の休止期間中に測定された電圧推移と良否判定結果との関係を学習した学習済みの人工知能モデルへ、良否推定対象のリチウムイオン電池から新たに取得した充放電試験終了後の休止期間中に測定された電圧推移を評価指標として入力し、上記学習済みの人工知能モデルからリチウムイオン電池の良否に係る推定結果を取得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。
このコンピュータプログラムは、リチウムイオン電池の良否推定装置の記憶部に記憶させて、学習済みの人工知能モデルからリチウムイオン電池の良否に係る推定結果を取得する処理を実行させるために使用することができる。
また、記憶媒体に記憶させて、パーソナルコンピューター等のハードウェアに読み込ませて使用することもできる。
このコンピュータプログラムを使用するにあたり、充放電試験終了後の休止期間が１０時間以上、１９時間未満であることが好ましい。
充放電試験終了後電圧推移以外の評価指標としては、上述した評価指標（Ａ）、（Ｂ）及び（Ｃ）のうちの少なくとも１つを使用することができる。また、評価指標として上述したＡＣバランスを使用することができる。人工知能モデルを得るために使用した教師データと同じ評価指標を評価指標として使用することが好ましい。
（Ａ）の評価指標を使用する場合、充放電試験における充電後に放電を行うことなく所定期間休止させた期間である充電後休止期間が１００秒～１時間であることが好ましい。
ＡＣバランスを評価指標として使用する場合、良否推定対象のリチウムイオン電池についてＡＣバランスを実測することはできないため、良否推定対象のリチウムイオン電池について設計時に定められたＡＣバランスを使用する。
本発明のリチウムイオン電池の良否推定方法によりその良否を推定する対象であるリチウムイオン電池は、リチウムイオン電池用活物質粒子が被覆材で被覆された被覆活物質を含み、被覆活物質の非結着体からなる電極活物質層を備えることが好ましい。
本発明のリチウムイオン電池の良否推定方法によりその良否を推定する対象であるリチウムイオン電池は単電池である。
単電池は複数個組み合わせることで組電池として用いることができる。
以下に、単電池としてのリチウムイオン電池の構成例について説明する。
単電池としては、順に積層されたひと組の正極集電体、正極活物質層、セパレータ、負極活物質層及び負極集電体からなる積層単位と電解液とを含むことが好ましい。
正極集電体及び負極集電体としては、樹脂集電体又は金属集電体を使用することができる。特に樹脂集電体であることが好ましい。
樹脂集電体としては、導電性フィラーと樹脂集電体の母体を構成する樹脂（マトリックス樹脂ともいう）とを含むことが好ましい。
マトリックス樹脂としては、例えば、ポリエチレン（ＰＥ）、ポリプロピレン（ＰＰ）、ポリメチルペンテン（ＰＭＰ）、ポリシクロオレフィン（ＰＣＯ）、ポリエチレンテレフタレート（ＰＥＴ）、ポリエーテルニトリル（ＰＥＮ）、ポリテトラフルオロエチレン（ＰＴＦＥ）、スチレンブタジエンゴム（ＳＢＲ）、ポリアクリロニトリル（ＰＡＮ）、ポリメチルアクリレート（ＰＭＡ）、ポリメチルメタクリレート（ＰＭＭＡ）、ポリフッ化ビニリデン（ＰＶｄＦ）、エポキシ樹脂、シリコーン樹脂又はこれらの混合物等が挙げられる。
電気的安定性の観点から、ポリエチレン（ＰＥ）、ポリプロピレン（ＰＰ）、ポリメチルペンテン（ＰＭＰ）及びポリシクロオレフィン（ＰＣＯ）が好ましく、さらに好ましくはポリエチレン（ＰＥ）、ポリプロピレン（ＰＰ）及びポリメチルペンテン（ＰＭＰ）である。
導電性フィラーは、導電性を有する材料から選択される。
具体的には、金属［ニッケル、アルミニウム、ステンレス（ＳＵＳ）、銀、銅及びチタン等］、カーボン［グラファイト及びカーボンブラック（アセチレンブラック、ケッチェンブラック、ファーネスブラック、チャンネルブラック、サーマルランプブラック等）等］、及びこれらの混合物等が挙げられるが、これらに限定されるわけではない。
これらの導電性フィラーは１種単独で用いてもよいし、２種以上併用してもよい。また、これらの合金又は金属酸化物を用いてもよい。電気的安定性の観点から、好ましくはアルミニウム、ステンレス、カーボン、銀、銅、チタン及びこれらの混合物であり、より好ましくは銀、アルミニウム、ステンレス及びカーボンであり、さらに好ましくはカーボンである。またこれらの導電性フィラーとしては、粒子系セラミック材料や樹脂材料の周りに導電性材料（上記した導電性フィラーの材料のうち金属のもの）をめっき等でコーティングしたものでもよい。
樹脂集電体は、マトリックス樹脂及び導電性フィラーのほかに、その他の成分（分散剤、架橋促進剤、架橋剤、着色剤、紫外線吸収剤、可塑剤等）を含んでいてもよい。
電極活物質層に含まれるリチウムイオン電池用活物質粒子としては、リチウムイオン電池用正極活物質又はリチウムイオン電池用負極活物質の粒子を使用することができる。
リチウムイオン電池用正極活物質としては、リチウムと遷移金属との複合酸化物｛遷移金属が１種である複合酸化物（ＬｉＣｏＯ２、ＬｉＮｉＯ２、ＬｉＡｌＭｎＯ４、ＬｉＭｎＯ２及びＬｉＭｎ２Ｏ４等）、遷移金属元素が２種である複合酸化物（例えばＬｉＦｅＭｎＯ４、ＬｉＮｉ１－ｘＣｏｘＯ２、ＬｉＭｎ１－ｙＣｏｙＯ２、ＬｉＮｉ１／３Ｃｏ１／３Ａｌ１／３Ｏ２及びＬｉＮｉ０．８Ｃｏ０．１５Ａｌ０．０５Ｏ２）及び金属元素が３種類以上である複合酸化物［例えばＬｉＭａＭ’ｂＭ’’ｃＯ２（Ｍ、Ｍ’及びＭ’’はそれぞれ異なる遷移金属元素であり、ａ＋ｂ＋ｃ＝１を満たす。例えばＬｉＮｉ１／３Ｍｎ１／３Ｃｏ１／３Ｏ２）等］等｝、リチウム含有遷移金属リン酸塩（例えばＬｉＦｅＰＯ４、ＬｉＣｏＰＯ４、ＬｉＭｎＰＯ４及びＬｉＮｉＰＯ４）、遷移金属酸化物（例えばＭｎＯ２及びＶ２Ｏ５）、遷移金属硫化物（例えばＭｏＳ２及びＴｉＳ２）及び導電性高分子（例えばポリアニリン、ポリフッ化ビニリデン、ポリピロール、ポリチオフェン、ポリアセチレン及びポリ－ｐ－フェニレン及びポリカルバゾール）等が挙げられ、２種以上を併用してもよい。
なお、リチウム含有遷移金属リン酸塩は、遷移金属サイトの一部を他の遷移金属で置換したものであってもよい。
リチウムイオン電池用負極活物質としては、炭素系材料［黒鉛、難黒鉛化性炭素、アモルファス炭素、樹脂焼成体（例えばフェノール樹脂及びフラン樹脂等を焼成し炭素化したもの等）、コークス類（例えばピッチコークス、ニードルコークス及び石油コークス等）及び炭素繊維等］、珪素系材料［珪素、酸化珪素（ＳｉＯｘ）、珪素－炭素複合体（炭素粒子の表面を珪素及び／又は炭化珪素で被覆したもの、珪素粒子又は酸化珪素粒子の表面を炭素及び／又は炭化珪素で被覆したもの並びに炭化珪素等）及び珪素合金（珪素－アルミニウム合金、珪素－リチウム合金、珪素－ニッケル合金、珪素－鉄合金、珪素－チタン合金、珪素－マンガン合金、珪素－銅合金及び珪素－スズ合金等）等］、導電性高分子（例えばポリアセチレン及びポリピロール等）、金属（スズ、アルミニウム、ジルコニウム及びチタン等）、金属酸化物（チタン酸化物及びリチウム・チタン酸化物等）及び金属合金（例えばリチウム－スズ合金、リチウム－アルミニウム合金及びリチウム－アルミニウム－マンガン合金）等及びこれらと炭素系材料との混合物等が挙げられる。
上記リチウムイオン電池用負極活物質のうち、内部にリチウム又はリチウムイオンを含まないものについては、予め負極活物質の一部又は全部にリチウム又はリチウムイオンを含ませるプレドープ処理を施してもよい。
被覆材は高分子化合物を含む。
また、被覆材はさらに導電剤を含むことが好ましい。
リチウムイオン電池用活物質の周囲が被覆材で被覆されている被覆活物質であると、活物質粒子の体積変化が緩和され、電極の膨張を抑制することができる。
被覆材を構成する高分子化合物としては、特開２０１７－０５４７０３号公報に非水系二次電池活物質被覆用樹脂として記載されたものを好適に用いることができる。
被覆材に含まれる導電剤としては、樹脂集電体に含まれる導電性フィラーと同様の材料を使用することができる。
電極活物質層には、粘着性樹脂が含まれていてもよい。
粘着性樹脂としては、例えば、特開２０１７－０５４７０３号公報に記載された非水系二次電池活物質被覆用樹脂に少量の有機溶剤を混合してそのガラス転移温度を室温以下に調整したもの、及び、特開平１０－２５５８０５号公報に粘着剤として記載されたもの等を好適に用いることができる。
なお、粘着性樹脂は、溶媒成分を含まない状態で粘着性（水、溶剤、熱などを使用せずに僅かな圧力を加えることで接着する性質）を有する樹脂を意味する。
また、電極活物質層には溶液乾燥型の電極用バインダーを含まないことが好ましい。
溶液乾燥型の電極用バインダー（ＰＶＤＦ系バインダー、ＳＢＲ系バインダー及びＣＭＣ系バインダー等）は、高分子化合物を溶媒に溶解または分散して用いられるものであって、溶媒成分を揮発させることで乾燥、固体化して活物質同士及び活物質と集電体とを強固に接着固定するものであり、溶媒成分を揮発させた電極用バインダーは粘着性を有さない。
従って、溶液乾燥型の電極用バインダーと粘着性樹脂とは異なる材料である。
溶液乾燥型の電極用バインダーを含まない電極活物質層は、被覆活物質の非結着体からなるといえる。
なお、電極活物質層の製造に用いる導電材料は、被覆材が含む導電剤とは別であり、被覆活物質が有する被覆材の外部に存在し、電極活物質層中において被覆活物質表面からの電子伝導性を向上する機能を有する。
被覆活物質の非結着体からなる電極活物質層を用いてリチウムイオン電池を作製する際には、対極となる電極を組み合わせて、セパレータと共にセル容器に収容し、電解液を注入し、セル容器を密封する方法等により製造することができる。
また、集電体の一方の面に正極を形成し、もう一方の面に負極を形成して双極型電極を作製し、双極型電極をセパレータと積層してセル容器に収容し、電解液を注入し、セル容器を密閉することでも得られる。
セパレータとしては、ポリエチレン、ポリプロピレン製フィルムの微多孔膜、多孔性のポリエチレンフィルムとポリプロピレンとの多層フィルム、ポリエステル繊維、アラミド繊維、ガラス繊維等からなる不織布、及びそれらの表面にシリカ、アルミナ、チタニア等のセラミック微粒子を付着させたもの等の公知のリチウムイオン電池用セパレータが挙げられる。
セル容器に注入する電解液としては、公知のリチウムイオン電池の製造に用いられる、電解質及び非水溶媒を含有する公知の電解液を使用することができる。
電解質としては、公知の電解液に用いられているもの等が使用でき、例えば、ＬｉＮ（ＦＳＯ２）２、ＬｉＰＦ６、ＬｉＢＦ４、ＬｉＳｂＦ６、ＬｉＡｓＦ６及びＬｉＣｌＯ４等の無機酸のリチウム塩、ＬｉＮ（ＣＦ３ＳＯ２）２、ＬｉＮ（Ｃ２Ｆ５ＳＯ２）２及びＬｉＣ（ＣＦ３ＳＯ２）３等の有機酸のリチウム塩等が挙げられる。これらの内、電池出力及び充放電サイクル特性の観点から好ましいのはイミド系電解質［ＬｉＮ（ＦＳＯ２）２、ＬｉＮ（ＣＦ３ＳＯ２）２及びＬｉＮ（Ｃ２Ｆ５ＳＯ２）２等］及びＬｉＰＦ６である。
非水溶媒としては、公知の電解液に用いられているもの等が使用でき、例えば、ラクトン化合物、環状又は鎖状炭酸エステル、鎖状カルボン酸エステル、環状又は鎖状エーテル、リン酸エステル、ニトリル化合物、アミド化合物、スルホン、スルホラン等及びこれらの混合物を用いることができる。
（比較例１：機械学習を使用しないリチウムイオン電池の良否推定）
［リチウムイオン電池の作製］
次に本発明を実施例によって具体的に説明するが、本発明の主旨を逸脱しない限り本発明は実施例に限定されるものではない。なお、特記しない限り部は重量部、％は重量％を意味する。
＜正極活物質被覆用高分子化合物溶液の作製＞
撹拌機、温度計、還流冷却管、滴下ロート及び窒素ガス導入管を付した４つ口フラスコにトルエン７０．０部を仕込み７５℃に昇温した。次いで、メタクリル酸ドデシル９５．０部、メタクリル酸４．６部、１，６－ヘキサンジオールジメタクリレート０．４部、及びＤＭＦ２０部を配合した単量体組成物と、２，２’－アゾビス（２，４－ジメチルバレロニトリル）０．１部及び２，２’－アゾビス（２－メチルブチロニトリル）０．４部をＤＭＦ３０部に溶解した開始剤溶液とを４つ口フラスコ内に窒素を吹き込みながら、撹拌下、滴下ロートで２時間かけて連続的に滴下してラジカル重合を行った。滴下終了後、８０℃に昇温して反応を２時間継続した。次いで、８５℃に昇温して反応を２時間継続し、さらに９５℃に昇温して反応を１時間継続し、正極活物質被覆用高分子化合物溶液を得た。
＜被覆正極活物質の作製＞
正極活物質粒子（ＬｉＮｉ０．８Ｃｏ０．１５Ａｌ０．０５Ｏ２粉末、体積平均粒子径４μｍ）８４．０部を万能混合機ハイスピードミキサーＦＳ２５［（株）アーステクニカ製］に入れ、室温、７２０ｒｐｍで撹拌した状態で、正極活物質被覆用高分子化合物溶液８．０部を２分かけて滴下し、さらに５分撹拌した。
次いで、撹拌した状態で導電助剤であるアセチレンブラック［デンカ（株）製 デンカブラック（登録商標）］３．０部及び黒鉛粉末（商品名「鱗片状黒鉛」［日本黒鉛製］）３．０部を分割しながら２分間で投入し、３０分撹拌を継続した。
その後、撹拌を維持したまま０．０１ＭＰａまで減圧し、次いで撹拌と減圧度を維持したまま温度を１４０℃まで昇温し、撹拌、減圧度及び温度を８時間維持して揮発分を留去した。
得られた粉体を目開き２００μｍの篩いで分級し、被覆正極活物質を作製した。
＜負極活物質被覆用高分子化合物溶液の作製＞
撹拌機、温度計、還流冷却管、滴下ロート及び窒素ガス導入管を付した４つ口フラスコにＤＭＦ１５０．０部を仕込み、６５℃に昇温した。次いで、アクリル酸９０．０部及びメタクリル酸メチル１０．０部をＤＭＦ５０．０部に溶解させた単量体組成物と、２，２’－アゾビス（２，４－ジメチルバレロニトリル）０．１部をＤＭＦ３０．０部に溶解した開始剤溶液とを４つ口フラスコ内に窒素を吹き込みながら、撹拌下、滴下ロートで２時間かけて連続的に滴下してラジカル重合を行った。滴下終了後、７０℃に昇温して反応を２時間継続した。次いで、８０℃に昇温して反応を２時間継続し、負極活物質被覆用高分子化合物溶液を得た。
＜被覆負極活物質の作製＞
負極活物質粒子［難黒鉛化性炭素（ハードカーボン）、（株）クレハ・バッテリー・マテリアルズ・ジャパン製、カーボトロン（登録商標）ＰＳ（Ｆ）］８０．０部を万能混合機ハイスピードミキサーＦＳ２５［（株）アーステクニカ製］に入れ、室温、７２０ｒｐｍで撹拌した状態で、負極活物質被覆用高分子化合物溶液１１．０部を２分かけて滴下し、さらに５分撹拌した。
次いで、撹拌した状態で導電助剤であるアセチレンブラック［デンカ（株）製 デンカブラック（登録商標）］３．０部を分割しながら２分間で投入し、３０分撹拌を継続した。
その後、撹拌を維持したまま０．０１ＭＰａまで減圧し、次いで撹拌と減圧度を維持したまま温度を１４０℃まで昇温し、撹拌、減圧度及び温度を８時間維持して揮発分を留去した。
得られた粉体を目開き２００μｍの篩いで分級し、被覆負極活物質前駆体を得た。
カーボンナノファイバー［帝人（株）製］１．０部をアイリッヒインテンシブミキサ―［日本アイリッヒ（株）製］に入れ、室温、１７ｍ／ｓで３分撹拌した。次いで、被覆負極活物質前駆体９９．０部を投入し、１０秒撹拌して被覆負極活物質を得た。
＜樹脂集電体の作製＞
２軸押出機にて、ポリプロピレン［商品名「サンアロマーＰＬ５００Ａ」、サンアロマー（株）製］７０部、カーボンナノチューブ［商品名：「ＦｌｏＴｕｂｅ９０００」、ＣＮａｎｏ社製］２５部及び分散剤［商品名「ユーメックス１００１」、三洋化成工業（株）製］５部を２００℃、２００ｒｐｍの条件で溶融混練して樹脂混合物を得た。
得られた樹脂混合物を、Ｔダイ押出しフィルム成形機に通して、それを延伸圧延することで、膜厚１００μｍの樹脂集電体用導電性フィルムを得た。次いで、得られた樹脂集電体用導電性フィルムの片面にニッケル蒸着を施して樹脂集電体を作製した。
＜電解液の調製＞
エチレンカーボネート（ＥＣ）とプロピレンカーボネート（ＰＣ）の混合溶媒（体積比率でＥＣ：ＰＣ＝１：１）にＬｉＮ（ＦＳＯ２）２（ＬｉＦＳＩ）を２ｍｏｌ／Ｌの割合で溶解させ、電解液を調製した。
＜正極の作製＞
作製した被覆正極活物質を圧粉成形することで正極前駆体を作製した。
得られた正極前駆体を上記樹脂集電体の片面に積層した。
その後、上記電解液を注液して正極を作製した。
＜負極の作製＞
作製した被覆負極活物質を圧粉成形することで負極前駆体を作製した。
得られた負極前駆体を上記樹脂集電体の片面に積層した。
その後、上記電解液を注液して負極を作製した。
［リチウムイオン電池の作製］
得られた正極を、セパレータ（セルガード製＃３５０１）を介し、得られた負極と組み合わせ、リチウムイオン電池を作製した。
［充放電試験終了後電圧推移の測定］
単電池として作製したリチウムイオン電池に対し、下記（１）～（１１）の手順により充放電試験を行い、手順（１２）において充放電試験終了後電圧推移を得た。
（１）電流０．０５Ｃ、上限電位４．２ＶでＣＣ充電
（２）１時間の休止
（３）電流０．１Ｃ、上限電位４．２ＶでＣＣ－ＣＶ充電
（４）１時間の休止
（５）電流０．３３Ｃ、下限電位２．５ＶでＣＣ放電
（６）１時間の休止
（７）電流０．１Ｃ、下限電位２．５ＶでＣＣ放電
（８）１時間の休止
（９）電流０．０５Ｃ、下限電位２．５ＶでＣＣ放電
（１０）１時間の休止
（１１）電流０．０１Ｃ、下限電位２．５ＶでＣＣ放電
（１２）１９時間の休止及び休止期間中の電圧の測定
［リチウムイオン電池の良否推定］
上記手順（１２）中で測定された電圧推移について、休止開始後０時間目から休止開始後１９時間経過時点にかけて電圧が上昇し続けた場合はリチウムイオン電池を良品と推定し、休止開始後０時間目から休止開始後１９時間経過時点にかけて電圧の推移が減少に転じていた場合はリチウムイオン電池を不良品と推定した。
［リチウムイオン電池の良否判定］
充放電試験終了時点から２週間経過したタイミングで電圧を測定することにより、リチウムイオン電池の良否判定を行った。
充放電試験終了後の休止開始後１９時間経過時点の電圧と、充放電試験終了時点から２週間経過した後の電圧を比較して、充放電試験終了時点から２週間経過した後の電圧が大きいか同じものを良品、充放電試験終了時点から２週間経過した後の電圧が小さいものを不良品と判定した。
［推定精度］
上記［リチウムイオン電池の良否推定］において推定したリチウムイオン電池の良品／不良品と、［リチウムイオン電池の良否判定］において判定したリチウムイオン電池の良品／不良品と、を比較した。
良品正答率、不良品正答率は以下の式により算出した。
良品正答率（％）＝［（良品と推定したものが実際に良品であった数）／（良品と推定した数）]×１００
不良品正答率（％）＝［（不良品と推定したものが実際に不良品であった数）／（不良品と推定した数）]×１００
良品正答率、不良品正答率は以下の通りであった。
良品について：正答率８３．８％
不良品について：正答率９８．０％
全体：正答率８６．４％
すなわち、不良品である単電池を良品と推定する場合が多く見られた。
（実施例１）
［学習済みの人工知能モデルの作成］
以下のデータを入力及び主力とする教師データを使用して、学習済みの人工知能モデルを作成した。
（入力）
（ａ）充放電試験終了後１９時間の休止期間中に測定された電圧推移
（ｂ）充放電試験における充電後に放電を行うことなく１時間休止させた充電後休止期間に測定された開回路電圧推移
（ｃ）充放電試験により得られた実容量の設計容量に対する比率（実容量／設計容量）
（ｄ）クーロン効率
（ｅ）ＡＣバランス
（出力）
（ｆ）リチウムイオン電池の良否判定結果
機械学習法で使ったアルゴリズムはＧｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｃｌａｓｓｉｆｉｅｒである。
［評価指標の測定］
比較例１と同様に充放電試験を行い、推定対象のリチウムイオン電池につき、入力として使用した評価指標（ａ）～（ｅ）に相当する評価指標を測定した。
手順（１２）での休止期間は、入力として使用した充放電試験終了後の休止期間に合わせた。
［リチウムイオン電池の良否推定］
測定した上記評価指標（ａ）～（ｅ）を学習済みの人工知能モデルに入力し、リチウムイオン電池の良否推定結果を出力させた。
［リチウムイオン電池の良否判定］
比較例１と同様に、充放電試験終了時点から２週間経過したタイミングで電圧を測定することにより、リチウムイオン電池の良否判定を行った。
［推定精度］
上記［リチウムイオン電池の良否推定］において推定したリチウムイオン電池の良品／不良品と、［リチウムイオン電池の良否判定］において判定したリチウムイオン電池の良品／不良品と、を比較した。
良品正答率、不良品正答率は以下の通りであった。
良品について：正答率９３．５％
不良品について：正答率９４．５％
全体：正答率９３．８％
良品についての予測精度が比較例１と比べて特に向上し、全体の予測精度が比較例１と比べて向上した。
（実施例２）
実施例１の［学習済みの人工知能モデルの作成］で入力の（ａ）として使用する充放電試験終了後電圧推移が測定される休止期間を１０時間に変更した。
また、［評価指標の測定］における手順（１２）での休止期間を１０時間に変更した。
その他は実施例１と同様にしてリチウムイオン電池の良否推定を行い、良品正答率、不良品正答率を算出した。結果は以下の通りであった。
良品について：正答率９１．３％
不良品について：正答率９３．７％
全体：正答率９２．０％
良品についての予測精度が比較例１と比べて特に向上し、全体の予測精度が比較例１と比べて向上した。また、充放電試験終了後の休止期間を比較例１と比べて９時間短縮できた。
（実施例３）
実施例１の［学習済みの人工知能モデルの作成］で教師データを作成する入力として（ａ）の充放電試験終了後１９時間の休止期間中に測定された電圧推移だけを使用して、学習済みの人工知能モデルを作成した。
また、［評価指標の測定］において評価指標（ａ）だけを休止期間１９時間として測定し、［リチウムイオン電池の良否推定］で上記評価指標（ａ）のみを学習済みの人工知能モデルに入力し、リチウムイオン電池の良否推定結果を出力させた。
その他は実施例１と同様にしてリチウムイオン電池の良否推定を行い、良品正答率、不良品正答率を算出した。結果は以下の通りであった。
良品について：正答率９２．８％
不良品について：正答率９３．６％
全体：正答率９３．０％
本発明のリチウムイオン電池の良否推定方法を使用すると、単電池としてのリチウムイオン電池の良否推定精度を向上させることが可能になる。単電池段階での良否推定を効率よく行うことができれば、組電池全体が不良品となることを防止することができるので非常に有用である。
１ リチウムイオン電池の良否推定装置
１０ 入力部
２０ 制御部
３０ 記憶部
４０ 出力部
５０ 通信部
６０ 操作部
７０ 電池特性測定装置
８０ 表示装置
９０ 推定部
１００ 人工知能モデル（学習済みの人工知能モデル）
１１０ 入力層
１２０ 中間層
１３０ 出力層

Claims (16)

  1. リチウムイオン電池の評価指標として、充放電試験を行い充放電試験終了後に所定期間休止させた期間である休止期間中に測定された電圧推移を入力、リチウムイオン電池の良否判定結果を出力とする教師データを人工知能モデルに入力し、人工知能モデルに学習させる工程と、
    良否推定対象のリチウムイオン電池に対して充放電試験終了後の休止期間中に測定された電圧推移を、学習済みの前記人工知能モデルに対して評価指標として入力する工程と、
    学習済みの前記人工知能モデルに、リチウムイオン電池の良否推定結果を出力させる工程と、を含むことを特徴とする、リチウムイオン電池の良否推定方法。
  2. 充放電試験終了後に電圧推移が測定される前記休止期間が１０時間以上、１９時間未満である請求項１に記載のリチウムイオン電池の良否推定方法。
  3. リチウムイオン電池の評価指標として、充放電試験において得られる下記評価指標（Ａ）、（Ｂ）及び（Ｃ）のうちの少なくとも１つを教師データの入力としてさらに使用して人工知能モデルに学習させ、
    良否推定対象のリチウムイオン電池について、上記教師データの入力として使用した評価指標を測定して、学習済みの前記人工知能モデルにさらに入力する請求項１又は２に記載のリチウムイオン電池の良否推定方法。
    （Ａ）充放電試験における充電後に放電を行うことなく所定期間休止させた期間である充電後休止期間中に測定された開回路電圧推移
    （Ｂ）充放電試験により得られた実容量の設計容量に対する比率（実容量／設計容量）
    （Ｃ）クーロン効率
  4. 前記（Ａ）の評価指標を使用する場合に、前記充電後休止期間が１００秒～１時間である請求項３に記載のリチウムイオン電池の良否推定方法。
  5. リチウムイオン電池作製時における正極及び負極の活物質重量と正極活物質及び負極活物質の理論容量とから求められるＡＣバランスを教師データの入力としてさらに使用して人工知能モデルに学習させ、
    良否推定対象のリチウムイオン電池について設計時に定められたＡＣバランスを学習済みの前記人工知能モデルにさらに入力する請求項１～４のいずれかに記載のリチウムイオン電池の良否推定方法。
  6. リチウムイオン電池が、リチウムイオン電池用活物質粒子が被覆材で被覆された被覆活物質を含み、被覆活物質の非結着体からなる電極活物質層を備える請求項１～５のいずれかに記載のリチウムイオン電池の良否推定方法。
  7. リチウムイオン電池の良否を推定する推定装置であって、
    リチウムイオン電池の評価指標として、充放電試験を行い充放電試験終了後に所定期間休止させた期間である休止期間中に測定された電圧推移を入力、リチウムイオン電池の良否判定結果を出力とする教師データを用いて、リチウムイオン電池の前記評価指標と前記良否判定結果との関係を学習した学習済みの人工知能モデルを備え、
    良否推定対象のリチウムイオン電池について充放電試験終了後の休止期間中に測定された電圧推移が評価指標として入力される入力部と、
    前記入力部に入力された評価指標を前記学習済みの人工知能モデルへ入力してリチウムイオン電池の良否を推定する推定部と、
    前記推定部により推定されたリチウムイオン電池の良否推定結果を出力する出力部と、を備えることを特徴とするリチウムイオン電池の良否推定装置。
  8. 前記充放電試験終了後の前記休止期間が１０時間以上、１９時間未満である請求項７に記載の良否推定装置。
  9. リチウムイオン電池の評価指標として、充放電試験において得られる下記評価指標（Ａ）、（Ｂ）及び（Ｃ）のうちの少なくとも１つを教師データの入力としてさらに使用した教師データを用いて、リチウムイオン電池の前記評価指標と前記良否判定結果との関係を学習した学習済みの人工知能モデルを備え、
    前記入力部が、良否推定対象のリチウムイオン電池について測定された、上記教師データの入力として使用した評価指標がさらに入力される入力部である請求項７又は８に記載の良否推定装置。
    （Ａ）充放電試験における充電後に放電を行うことなく所定期間休止させた期間である充電後休止期間中に測定された開回路電圧推移
    （Ｂ）充放電試験により得られた実容量の設計容量に対する比率（実容量／設計容量）
    （Ｃ）クーロン効率
  10. 前記（Ａ）の評価指標を使用する場合に、前記充電後休止期間が１００秒～１時間である請求項９に記載の良否推定装置。
  11. リチウムイオン電池の評価指標として、リチウムイオン電池作製時における正極及び負極の活物質重量と正極活物質及び負極活物質の理論容量とから求められるＡＣバランスを教師データの入力としてさらに使用した教師データを用いて、リチウムイオン電池の前記評価指標と前記良否判定結果との関係を学習した学習済みの人工知能モデルを備え、
    前記入力部が、良否推定対象のリチウムイオン電池について設計時に定められたＡＣバランスが入力される入力部である請求項７～１０のいずれかに記載の良否推定装置。
  12. コンピュータに、
    リチウムイオン電池の評価指標として、充放電試験を行い充放電試験終了後に所定期間休止させた期間である休止期間中に測定された電圧推移を入力、リチウムイオン電池の良否判定結果を出力とする教師データを用いて、リチウムイオン電池の充放電試験終了後の休止期間中に測定された電圧推移と良否判定結果との関係を学習した学習済みの人工知能モデルへ、良否推定対象のリチウムイオン電池から新たに取得した充放電試験終了後の休止期間中に測定された電圧推移を評価指標として入力し、
    前記学習済みの人工知能モデルからリチウムイオン電池の良否に係る推定結果を取得する処理を実行させるためのコンピュータプログラム。
  13. 前記充放電試験終了後の前記休止期間が１０時間以上、１９時間未満である請求項１２に記載のプログラム。
  14. リチウムイオン電池の評価指標として、充放電試験において得られる下記評価指標（Ａ）、（Ｂ）及び（Ｃ）のうちの少なくとも１つを教師データの入力としてさらに使用した学習済みの人工知能モデルへ、良否推定対象のリチウムイオン電池について新たに測定した、上記教師データの入力として使用した評価指標をさらに入力して、
    前記学習済みの人工知能モデルからリチウムイオン電池の良否に係る推定結果を取得する処理を実行させる請求項１２又は１３に記載のプログラム。
    （Ａ）充放電試験における充電後に放電を行うことなく所定期間休止させた期間である充放電後休止期間中に測定された開回路電圧推移
    （Ｂ）充放電試験により得られた実容量の設計容量に対する比率（実容量／設計容量）
    （Ｃ）クーロン効率
  15. 前記（Ａ）の評価指標を使用する場合に、前記充放電後休止期間が１００秒～１時間である請求項１４に記載のプログラム。
  16. リチウムイオン電池の評価指標として、リチウムイオン電池作製時における正極及び負極の活物質重量と正極活物質及び負極活物質の理論容量とから求められるＡＣバランスを教師データの入力としてさらに使用した学習済みの人工知能モデルへ、良否推定対象のリチウムイオン電池について設計時に定められたＡＣバランスをさらに入力して、
    前記学習済みの人工知能モデルからリチウムイオン電池の良否に係る推定結果を取得する処理を実行させる請求項１２～１５のいずれかに記載のプログラム。

JP2021007290A 2021-01-20 2021-01-20 リチウムイオン電池の良否推定方法、リチウムイオン電池の良否推定装置及びコンピュータプログラム Pending JP2022111692A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021007290A JP2022111692A (ja) 2021-01-20 2021-01-20 リチウムイオン電池の良否推定方法、リチウムイオン電池の良否推定装置及びコンピュータプログラム
PCT/JP2022/001937 WO2022158515A1 (ja) 2021-01-20 2022-01-20 リチウムイオン電池の良否推定方法、リチウムイオン電池の良否推定装置及びコンピュータプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021007290A JP2022111692A (ja) 2021-01-20 2021-01-20 リチウムイオン電池の良否推定方法、リチウムイオン電池の良否推定装置及びコンピュータプログラム

Publications (1)

Publication Number Publication Date
JP2022111692A true JP2022111692A (ja) 2022-08-01

Family

ID=82549486

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021007290A Pending JP2022111692A (ja) 2021-01-20 2021-01-20 リチウムイオン電池の良否推定方法、リチウムイオン電池の良否推定装置及びコンピュータプログラム

Country Status (2)

Country Link
JP (1) JP2022111692A (ja)
WO (1) WO2022158515A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024080171A1 (ja) * 2022-10-12 2024-04-18 株式会社堀場製作所 電池性能推定方法、電池性能推定装置及び電池性能推定プログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3649655B2 (ja) * 2000-06-09 2005-05-18 日本電信電話株式会社 バックアップ用複数並列アルカリ水溶液二次電池の充電方法
JP5289083B2 (ja) * 2009-02-05 2013-09-11 三洋電機株式会社 二次電池の異常検出装置および二次電池装置
JP2013160582A (ja) * 2012-02-03 2013-08-19 Ntt Facilities Inc 組電池システムおよび組電池システムの管理方法
JPWO2019087018A1 (ja) * 2017-11-02 2020-12-24 株式会社半導体エネルギー研究所 蓄電装置の容量推定方法および容量推定システム
JP2019158831A (ja) * 2018-03-16 2019-09-19 株式会社Ｇｓユアサ 検査方法、検査装置及び学習モデル
JP6928140B2 (ja) * 2019-03-20 2021-09-01 三洋化成工業株式会社 リチウムイオン電池、及び、リチウムイオン電池の劣化判定方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024080171A1 (ja) * 2022-10-12 2024-04-18 株式会社堀場製作所 電池性能推定方法、電池性能推定装置及び電池性能推定プログラム

Also Published As

Publication number Publication date
WO2022158515A1 (ja) 2022-07-28

Similar Documents

Publication Publication Date Title
CN106532125B (zh) 制造全固体电池的方法
CN109581240B (zh) 基于交流阻抗法的锂离子电池失效分析方法
US8742727B2 (en) Apparatus and method for estimating voltage of secondary battery including blended cathode material
CN103053066B (zh) 锂二次电池及其控制系统和检测锂二次电池状态的方法
JP6087489B2 (ja) 組電池システム
JP6260807B2 (ja) 固体電池
KR20110136740A (ko) 전기화학소자용 전해질, 그 제조방법 및 이를 구비한 전기화학소자
JP2017530528A (ja) ゴム系バインダーを含む正極活物質スラリー及びこれから製造された正極
US11837703B2 (en) State-of-health models for lithium-silicon batteries
JP6793813B2 (ja) 全固体電池用電極及びその製造方法
JP2012174680A (ja) リチウム電池およびその製造方法
KR20130135092A (ko) 전지 수명을 향상시키는 전극 및 이를 포함하는 리튬 이차전지
WO2022158515A1 (ja) リチウムイオン電池の良否推定方法、リチウムイオン電池の良否推定装置及びコンピュータプログラム
CN109983603A (zh) 双极二次电池以及电池组、电动车辆、电力存储系统、电动工具和包含其的电子设备
WO2021230360A1 (ja) リチウムイオン電池
JP2017037748A (ja) リチウムイオン二次電池用負極及びそれを用いたリチウムイオン二次電池
US20240110984A1 (en) Advanced fusion of physics-based and machine learning based state-of-charge and state-of-health models in battery management systems
JP6978259B2 (ja) リチウムイオン電池用正極及びリチウムイオン電池
JP2013037883A (ja) 電極用バインダー組成物
JP7148489B2 (ja) リチウムイオン電池用集電体、リチウムイオン電池用集電体の製造方法及びリチウムイオン電池用電極
JP7148479B2 (ja) リチウムイオン電池用集電体及びリチウムイオン電池用電極
JP2014126447A (ja) 電池劣化予測方法、電池劣化予測装置及びプログラム
TWI773765B (zh) 電解液及電化學裝置
US11901748B2 (en) State-of-charge balancing in battery management systems for si/li batteries
JP7422493B2 (ja) リチウムイオン電池の製造方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240119

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20240122

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20240122