JP2022139501A - 劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム - Google Patents
劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム Download PDFInfo
- Publication number
- JP2022139501A JP2022139501A JP2021039920A JP2021039920A JP2022139501A JP 2022139501 A JP2022139501 A JP 2022139501A JP 2021039920 A JP2021039920 A JP 2021039920A JP 2021039920 A JP2021039920 A JP 2021039920A JP 2022139501 A JP2022139501 A JP 2022139501A
- Authority
- JP
- Japan
- Prior art keywords
- deterioration
- measurement
- storage device
- estimation model
- degree
- 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
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 16
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims description 100
- 238000005259 measurement Methods 0.000 claims abstract description 226
- 238000003860 storage Methods 0.000 claims abstract description 166
- 230000006866 deterioration Effects 0.000 claims description 273
- 230000005611 electricity Effects 0.000 claims description 60
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000013450 outlier detection Methods 0.000 claims description 25
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 16
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 20
- 229910001416 lithium ion Inorganic materials 0.000 description 20
- 238000010586 diagram Methods 0.000 description 15
- 238000002847 impedance measurement Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 10
- 238000007600 charging Methods 0.000 description 9
- 239000002131 composite material Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 3
- 239000003575 carbonaceous material Substances 0.000 description 3
- 229910003480 inorganic solid Inorganic materials 0.000 description 3
- 239000007773 negative electrode material Substances 0.000 description 3
- 239000007774 positive electrode material Substances 0.000 description 3
- 239000007784 solid electrolyte Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 150000004649 carbonic acid derivatives Chemical class 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 229920001940 conductive polymer Polymers 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000008151 electrolyte solution Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 229910052987 metal hydride Inorganic materials 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229910052723 transition metal Inorganic materials 0.000 description 2
- ZZXUZKXVROWEIF-UHFFFAOYSA-N 1,2-butylene carbonate Chemical compound CCC1COC(=O)O1 ZZXUZKXVROWEIF-UHFFFAOYSA-N 0.000 description 1
- VAYTZRYEBVHVLE-UHFFFAOYSA-N 1,3-dioxol-2-one Chemical compound O=C1OC=CO1 VAYTZRYEBVHVLE-UHFFFAOYSA-N 0.000 description 1
- SJMSHBHQMICGBL-UHFFFAOYSA-N 2,2-dimethylpentan-3-yl hydrogen carbonate Chemical compound CCC(C(C)(C)C)OC(O)=O SJMSHBHQMICGBL-UHFFFAOYSA-N 0.000 description 1
- DZRUNSUYJCQUIG-UHFFFAOYSA-N 2-methylbutan-2-yl hydrogen carbonate Chemical compound CCC(C)(C)OC(O)=O DZRUNSUYJCQUIG-UHFFFAOYSA-N 0.000 description 1
- OYOKPDLAMOMTEE-UHFFFAOYSA-N 4-chloro-1,3-dioxolan-2-one Chemical compound ClC1COC(=O)O1 OYOKPDLAMOMTEE-UHFFFAOYSA-N 0.000 description 1
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 229910018871 CoO 2 Inorganic materials 0.000 description 1
- OIFBSDVPJOWBCH-UHFFFAOYSA-N Diethyl carbonate Chemical compound CCOC(=O)OCC OIFBSDVPJOWBCH-UHFFFAOYSA-N 0.000 description 1
- KMTRUDSVKNLOMY-UHFFFAOYSA-N Ethylene carbonate Chemical compound O=C1OCCO1 KMTRUDSVKNLOMY-UHFFFAOYSA-N 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 229910000733 Li alloy Inorganic materials 0.000 description 1
- 229910013063 LiBF 4 Inorganic materials 0.000 description 1
- 229910013870 LiPF 6 Inorganic materials 0.000 description 1
- 229910005546 NiaCobMncO2 Inorganic materials 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- KLARSDUHONHPRF-UHFFFAOYSA-N [Li].[Mn] Chemical compound [Li].[Mn] KLARSDUHONHPRF-UHFFFAOYSA-N 0.000 description 1
- SOXUFMZTHZXOGC-UHFFFAOYSA-N [Li].[Mn].[Co].[Ni] Chemical compound [Li].[Mn].[Co].[Ni] SOXUFMZTHZXOGC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910052783 alkali metal Inorganic materials 0.000 description 1
- 229910001413 alkali metal ion Inorganic materials 0.000 description 1
- 150000001340 alkali metals Chemical class 0.000 description 1
- 229910021383 artificial graphite Inorganic materials 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 150000005678 chain carbonates Chemical class 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- CKFRRHLHAJZIIN-UHFFFAOYSA-N cobalt lithium Chemical compound [Li].[Co] CKFRRHLHAJZIIN-UHFFFAOYSA-N 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002322 conducting polymer Substances 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 1
- 150000005676 cyclic carbonates Chemical class 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009831 deintercalation Methods 0.000 description 1
- IEJIGPNLZYLLBP-UHFFFAOYSA-N dimethyl carbonate Chemical compound COC(=O)OC IEJIGPNLZYLLBP-UHFFFAOYSA-N 0.000 description 1
- 150000004862 dioxolanes Chemical class 0.000 description 1
- VUPKGFBOKBGHFZ-UHFFFAOYSA-N dipropyl carbonate Chemical compound CCCOC(=O)OCCC VUPKGFBOKBGHFZ-UHFFFAOYSA-N 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 150000002148 esters Chemical class 0.000 description 1
- 150000002170 ethers Chemical class 0.000 description 1
- JBTWLSYIZRCDFO-UHFFFAOYSA-N ethyl methyl carbonate Chemical compound CCOC(=O)OC JBTWLSYIZRCDFO-UHFFFAOYSA-N 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 150000002240 furans Chemical class 0.000 description 1
- ROCSCYHXUBXLGH-UHFFFAOYSA-N hexan-3-yl hydrogen carbonate Chemical compound CCCC(CC)OC(O)=O ROCSCYHXUBXLGH-UHFFFAOYSA-N 0.000 description 1
- 150000002484 inorganic compounds Chemical class 0.000 description 1
- 229910010272 inorganic material Inorganic materials 0.000 description 1
- 238000009830 intercalation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000001989 lithium alloy Substances 0.000 description 1
- RSNHXDVSISOZOB-UHFFFAOYSA-N lithium nickel Chemical compound [Li].[Ni] RSNHXDVSISOZOB-UHFFFAOYSA-N 0.000 description 1
- 229910003002 lithium salt Inorganic materials 0.000 description 1
- 159000000002 lithium salts Chemical class 0.000 description 1
- SWAIALBIBWIKKQ-UHFFFAOYSA-N lithium titanium Chemical compound [Li].[Ti] SWAIALBIBWIKKQ-UHFFFAOYSA-N 0.000 description 1
- DMEJJWCBIYKVSB-UHFFFAOYSA-N lithium vanadium Chemical compound [Li].[V] DMEJJWCBIYKVSB-UHFFFAOYSA-N 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910021382 natural graphite Inorganic materials 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 1
- -1 nickel metal hydride Chemical class 0.000 description 1
- 150000002825 nitriles Chemical class 0.000 description 1
- 229920000620 organic polymer Polymers 0.000 description 1
- 239000005518 polymer electrolyte Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- RUOJZAUFBMNUDX-UHFFFAOYSA-N propylene carbonate Chemical compound CC1COC(=O)O1 RUOJZAUFBMNUDX-UHFFFAOYSA-N 0.000 description 1
- 239000002296 pyrolytic carbon Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- HXJUTPCZVOIRIF-UHFFFAOYSA-N sulfolane Chemical class O=S1(=O)CCCC1 HXJUTPCZVOIRIF-UHFFFAOYSA-N 0.000 description 1
- 150000003606 tin compounds Chemical class 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
Images
Classifications
-
- 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
Abstract
【課題】より高い精度で蓄電デバイスの劣化度を評価する。【解決手段】劣化判定装置は、種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルと、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部と、判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて種類推定モデルからこの蓄電デバイスの種類を推定し、推定した種類に該当する劣化推定モデルから測定結果を説明変数として用いてこの蓄電デバイスの劣化度を判定する制御部と、を備える。【選択図】図１
Description
本明細書では劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラムを開示する。
従来、蓄電デバイスの劣化判定方法としては、例えば、交流インピーダンス法とパターン分類アルゴリズムを用いた機械学習によるリチウムイオン二次電池の劣化診断方法が提案されている（例えば、特許文献１参照）。この劣化判定方法では、リチウムイオン電池等の劣化判定を高速に行うことができるとしている。また、蓄電デバイスの容量劣化の推定方法としては、交流インピーダンスの測定結果で重回帰分析による容量劣化診断を行う方法が提案されている（例えば、特許文献２参照）。また、蓄電デバイスの劣化判定方法としては、リチウムイオン電池、ニッケル・カドミウム電池およびニッケル水素電池の種類を検出し、それぞれの充電制御方式の充電時間、例えば、リチウムイオン電池は定電流充電（ＣＣ）時間で容量劣化を推定するものが提案されている（例えば、特許文献３参照）。また、蓄電デバイスの劣化判定方法としては、電圧と電流の測定値から等価回路により解析し、その値を基に鉛電池、ニッケル水素電池、リチウムイオン電池、ニッケル・カドミウム電池のいずれかであることを特定するものが提案されている（例えば、特許文献４参照）。この方法では、手法はニューラルネットワーク、サポートベクターマシンを推奨している。
また、蓄電デバイスの劣化判定方法としては、電池サイクリング機器を使用して訓練データセット（電圧、電流、温度、内部抵抗など）を収集し、機械学習により電池セル動作特性を予測するものが提案されている（例えば、特許文献５参照）。また、蓄電デバイスの劣化判定方法としては、定電流（ＣＣ）充電を行い、Ｖｃに達したら定電圧（ＣＶ）充電に切り替え、その時点から時間ｔだけ経過した充電電流値Ｉｔを用いて容量を推定する方法が提案されている（例えば、特許文献６参照）。また、蓄電デバイスの劣化判定方法としては、放電時の磁場を測定して容量劣化を評価する方法が提案されている（例えば、特許文献７参照）。また、蓄電デバイスの劣化判定方法としては、ひずみゲージにより体積変化を感知し、容量劣化がない領域でも電池の膨張による劣化を推定できるものが提案されている（例えば、特許文献８参照）。また、蓄電デバイスの劣化判定方法としては、正負のパルス電流を印加し、正負それぞれの電圧値の関係から抵抗劣化を推定するものが提案されている（例えば、特許文献９参照）。また、蓄電デバイスの劣化判定方法としては、温度、電流、電圧から内部抵抗とＳＯＣを算出し、それらにより劣化評価を行うものが提案されている（例えば、特許文献１０参照）。
しかしながら、上述の特許文献１、２では、どのようなデータを劣化診断に使うかは言及されておらず、また、インピーダンスを説明変数に使用しているが、まだ十分でなく、更なる改良が望まれていた。また、特許文献３では、電圧及び電流等の変化に基づいて電池の種類を識別するとしているが、実際に電池の種類を検出した例が示されていなかった。種類の識別は、形状ラベルなどで判定し、スイッチのオン・オフで充放電のプログラムを制御していると記載されているが、形状ラベルがない物は識別不可能であった。また、引用文献４では、リチウムイオン電池内の電池種類を特定するのは、電池材料の近いものを使用しているため異種電池内の電池選別に比べて難易度が高かった。また、引用文献４では、リチウムイオン電池内の電池種類を特定するのは、電池材料の近いものを使用しているため異種電池内の電池選別に比べて難易度が高かった。また、引用文献５では、訓練データセットを収集する際、測定不良のデータを含むと電池セル動作特性の予測精度が下がる問題があった。また、引用文献６～１０では、リチウムイオン電池内の電池種類を特定するのは、電池材料の近いものを使用しているため異種電池内の電池選別に比べて難易度が高かった。このように、蓄電デバイスの劣化判定方法としては、その精度が十分でなく、更なる改良が望まれていた。
本開示は、このような課題に鑑みなされたものであり、より高い精度で蓄電デバイスの劣化度を評価することができる新規な劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラムを提供することを主目的とする。
上述した目的を達成するために鋭意研究したところ、本発明者らは、蓄電デバイスの種類ごとに劣化度の推定モデルを構築し、また、外れ値を所定の手法で求めて事前に報知し、劣化判定から除外するものとすれば、より高い精度で蓄電デバイスの劣化度を評価することができることを見いだし、本明細書で開示する発明を完成するに至った。
即ち、本明細書で開示する劣化判定装置は、
蓄電デバイスの劣化度を判定する劣化判定装置であって、
種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルと、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部と、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて前記種類推定モデルから該蓄電デバイスの種類を推定し、推定した種類に該当する前記劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する制御部と、
を備えたものである。
蓄電デバイスの劣化度を判定する劣化判定装置であって、
種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルと、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部と、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて前記種類推定モデルから該蓄電デバイスの種類を推定し、推定した種類に該当する前記劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する制御部と、
を備えたものである。
あるいは、本明細書で開示する劣化判定装置は、
蓄電デバイスの劣化度を判定する劣化判定装置であって、
蓄電デバイスの測定因子を用い所定の外れ値検出手法に基づいて構築された許容範囲と、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部と、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である測定結果を外れ値として出力し、前記評価値が前記許容範囲内である前記測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する制御部と、
を備えたものである。
蓄電デバイスの劣化度を判定する劣化判定装置であって、
蓄電デバイスの測定因子を用い所定の外れ値検出手法に基づいて構築された許容範囲と、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部と、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である測定結果を外れ値として出力し、前記評価値が前記許容範囲内である前記測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する制御部と、
を備えたものである。
本明細書で開示する劣化判定システムは、
蓄電デバイスの測定因子の測定結果を得る測定装置と、
上述した劣化判定装置と、を備え、
前記制御部は、前記測定装置から前記蓄電デバイスの測定結果を取得するものである。
蓄電デバイスの測定因子の測定結果を得る測定装置と、
上述した劣化判定装置と、を備え、
前記制御部は、前記測定装置から前記蓄電デバイスの測定結果を取得するものである。
本明細書で開示する劣化判定方法は、
蓄電デバイスの劣化度を判定する劣化判定方法であって、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて、種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルから該蓄電デバイスの種類を推定する種類推定ステップと、
推定した種類に該当する、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する劣化判定ステップと、
を含むものである。
蓄電デバイスの劣化度を判定する劣化判定方法であって、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて、種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルから該蓄電デバイスの種類を推定する種類推定ステップと、
推定した種類に該当する、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する劣化判定ステップと、
を含むものである。
あるいは、本明細書で開示する劣化判定方法は、
蓄電デバイスの劣化度を判定する劣化判定方法であって、
蓄電デバイスの測定因子を用い所定の外れ値検出手法に基づいて構築された許容範囲と、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を有し、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である測定結果を外れ値として出力する出力ステップと、
前記評価値が許容範囲内である測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する劣化判定ステップと、
を含むものである。
蓄電デバイスの劣化度を判定する劣化判定方法であって、
蓄電デバイスの測定因子を用い所定の外れ値検出手法に基づいて構築された許容範囲と、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を有し、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である測定結果を外れ値として出力する出力ステップと、
前記評価値が許容範囲内である測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する劣化判定ステップと、
を含むものである。
本明細書で開示するプログラムは、上述した劣化判定方法の各ステップを１又は複数のコンピュータに実現させるものである。このプログラムはコンピュータが読み取り可能な記録媒体（例えばハードディスク、ＲＯＭ、ＦＤ、ＣＤ、ＤＶＤなど）に記録されていてもよいし、伝送媒体（インターネットやＬＡＮなどの通信網）を介してあるコンピュータから別のコンピュータへ配信されてもよいし、その他どのような形で授受されてもよい。
本開示の劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラムでは、より高い精度で蓄電デバイスの劣化度を評価することができる。本開示がこのような効果を奏する理由は、以下のように推察される。例えば、劣化判定を行う蓄電デバイスは、例えば、同種であっても製造会社が異なるなど、細かな点で異なることがある。このような場合、全ての蓄電デバイスから劣化判定を行う推定モデルを構築するのに比して、各種類ごとに推定モデルを構築した場合の方が、より高精度な劣化判定を行うことができる。また、蓄電デバイスの種類を特定するアルゴリズムを導入することによって、蓄電デバイスの種類を高精度に推定し、劣化判定の精度をより高めることができる。
また、測定不良の結果など、外れ値を用いて蓄電デバイスの劣化度を推定すると、間違った判断をすることがあり得る。一方、本開示では、所定の外れ値検出手法の評価値を用いて事前にこのような外れ値のデータを報知するから、誤った判定を低減することができる。また、劣化推定の推定モデル構築に使用したデータベースにはない新規現象などで外れ値として検出されたセルの詳細を調べ、それを推定モデル構築用データベースに繰り込むことにより、新規現象に対応した予測が行えるようになり、予測精度を向上することができる。
（劣化判定装置）
本明細書で開示する劣化判定装置の実施形態を図面を参照しながら以下に説明する。図１は、劣化判定システム１０の一例を示す概略説明図である。劣化判定システム１０は、例えば、使用済みの蓄電デバイス１３を回収する回収施設などに備えられており、蓄電デバイス１３の劣化度を判定するシステムである。この劣化判定システム１０は、回収した蓄電デバイス１３の劣化度を推定して、リユース可能かリサイクルすべきかについての判定を行う。リユース可能な蓄電デバイス１３は、再調整されて出荷され、リサイクルすべき蓄電デバイス１３はリサイクルされる。この劣化判定システム１０は、測定装置１５と、劣化判定装置２０とを備えている。劣化判定システム１０は、ＬＡＮやインターネットなどを含むネットワーク１２を介して測定装置１５と劣化判定装置２０との間で情報をやりとりする。
本明細書で開示する劣化判定装置の実施形態を図面を参照しながら以下に説明する。図１は、劣化判定システム１０の一例を示す概略説明図である。劣化判定システム１０は、例えば、使用済みの蓄電デバイス１３を回収する回収施設などに備えられており、蓄電デバイス１３の劣化度を判定するシステムである。この劣化判定システム１０は、回収した蓄電デバイス１３の劣化度を推定して、リユース可能かリサイクルすべきかについての判定を行う。リユース可能な蓄電デバイス１３は、再調整されて出荷され、リサイクルすべき蓄電デバイス１３はリサイクルされる。この劣化判定システム１０は、測定装置１５と、劣化判定装置２０とを備えている。劣化判定システム１０は、ＬＡＮやインターネットなどを含むネットワーク１２を介して測定装置１５と劣化判定装置２０との間で情報をやりとりする。
蓄電デバイス１３は、例えば、ハイブリッドキャパシタ、疑似電気二重層キャパシタ、リチウムやナトリウムのアルカリ金属二次電池、アルカリ金属イオン電池、空気電池などが挙げられる。このうち、蓄電デバイス１３としては、リチウム二次電池、特にリチウムイオン二次電池が好ましい。ここでは、蓄電デバイス１３がリチウムイオン二次電池であるものとして主として説明する。蓄電デバイス１３は、例えば、正極と、負極と、正極及び負極の間に介在しキャリアイオンを伝導するイオン伝導媒体と、を備えるものとしてもよい。正極は、正極活物質として、遷移金属元素を含む硫化物や、リチウムと遷移金属元素とを含む酸化物などを含むものとしてもよい。正極活物質は、例えば、基本組成式をＬｉ(1-x)ＭｎＯ2（０＜ｘ＜１など、以下同じ）やＬｉ(1-x)Ｍｎ2Ｏ4などとするリチウムマンガン複合酸化物、基本組成式をＬｉ(1-x)ＣｏＯ2などとするリチウムコバルト複合酸化物、基本組成式をＬｉ(1-x)ＮｉＯ2などとするリチウムニッケル複合酸化物、基本組成式をＬｉ(1-x)ＮｉaＣｏbＭｎcＯ2（ａ＋ｂ＋ｃ＝１）などとするリチウムニッケルコバルトマンガン複合酸化物などを用いることができる。なお、「基本組成式」とは、他の元素を含んでもよい趣旨である。負極は、負極活物質として炭素材料やリチウムを含む複合酸化物などを含むものとしてもよい。負極活物質は、例えば、リチウム、リチウム合金、スズ化合物などの無機化合物、リチウムイオンを吸蔵放出可能な炭素材料、複数の元素を含む複合酸化物、導電性ポリマーなどが挙げられる。炭素材料としては、例えば、コークス類、ガラス状炭素類、グラファイト類、難黒鉛化性炭素類、熱分解炭素類、炭素繊維などが挙げられる。このうち、人造黒鉛、天然黒鉛などのグラファイト類が好ましい。複合酸化物としては、例えば、リチウムチタン複合酸化物やリチウムバナジウム複合酸化物などが挙げられる。イオン伝導媒体は、例えば、支持塩を溶解した電解液とすることができる。支持塩としては、例えば、ＬｉＰＦ6やＬｉＢＦ4、などのリチウム塩が挙がられる。電解液の溶媒は、例えば、カーボネート類、エステル類、エーテル類、ニトリル類、フラン類、スルホラン類及びジオキソラン類などが挙げられ、これらを単独又は混合して用いることができる。具体的には、カーボネート類としてエチレンカーボネートやプロピレンカーボネート、ビニレンカーボネート、ブチレンカーボネート、クロロエチレンカーボネートなどの環状カーボネート類や、ジメチルカーボネート、エチルメチルカーボネート、ジエチルカーボネート、エチル－ｎ－ブチルカーボネート、メチル－ｔ－ブチルカーボネート、ジ－ｉ－プロピルカーボネート、ｔ－ブチル－ｉ－プロピルカーボネートなどの鎖状カーボネート類等が挙げられる。また、イオン伝導媒体は、固体のイオン伝導性ポリマーや、無機固体電解質あるいは有機ポリマー電解質と無機固体電解質の混合材料、若しくは有機バインダーによって結着された無機固体粉末などを利用することができる。固体電解質やこの蓄電デバイス１３は、正極と負極との間にセパレータを配置してもよい。
測定装置１５は、蓄電デバイス１３の測定因子の測定結果を得る装置である。測定因子は、蓄電デバイスの劣化に関するものとすることができ、例えば、交流インピーダンスの実部Ｚ’や虚部Ｚ”、その測定温度Ｔ、開放電圧Ｖ、時間ｔ経過後の充電電流値Ｉｔ、放電時の磁場、セルの体積変化、正負のパルス電流を印加したときの電圧値、内部抵抗と残容量ＳＯＣなどが挙げられる。この測定装置１５は、測定因子として、交流インピーダンスを直接又は間接的に測定し、測定温度Ｔでのインピーダンスの実部Ｚ’と虚部Ｚ”とを求める装置とする。また、測定装置１５は、蓄電デバイス１３の開放電圧Ｖ（Ｖ）を測定可能とする。この測定装置１５は、判定対象１４としての蓄電デバイス１３を測定温度Ｔに調節して収容する恒温槽１６と、判定対象１４に電気的に接続し交流電流を印加する交流インピーダンスアナライザ１７とを備える。また、測定装置１５は、交流インピーダンスを直接求めるものとしてもよいが、例えば、電流ステップ法や電圧ステップ法、電流パルス法などによって交流インピーダンスを間接的に求めるものとしてもよい。電流ステップ法では、所定の電流（例えば、０．１Ｃなど）、所定時間（例えば０．０１ｓなど）、印加したときの電圧の振る舞いを測定し、このときの電流と電圧を用いて、ラプラス変換により所定の周波数（例えば、１００Ｈｚ）における実部Ｚ’や虚部Ｚ”を求めることができる。測定装置１５は、ネットワーク１２を介して測定結果を劣化判定装置２０へ出力する。
劣化判定装置２０は、劣化度が既知である蓄電デバイスを測定した結果から得られた劣化推定モデル３３を利用し、劣化度が不明の判定対象１４を測定した結果からこの判定対象１４の劣化度を推定する劣化度推定処理を行う装置である。また、劣化判定装置２０は、種類が既知である蓄電デバイスを測定した結果から得られた種類推定モデル３２を利用し、種類が不明の判定対象１４を測定した結果からこの判定対象１４の種類を推定する種類推定処理を行う装置である。ここで、「種類」には、正極活物質や負極活物質の違いなど蓄電デバイス自体の種類のほか、同一カテゴリ（例えば「リチウムイオン二次電池」など）における製造会社や型番の違いなどを含む製品種も含まれる。また、劣化判定装置２０は、判定対象１４の測定結果を用い、所定の外れ値検出手法を用いてこの測定結果が外れ値であるときには、その旨出力する外れ値出力処理を実行する。なお、劣化判定装置２０は、劣化推定処理、種類推定処理及び外れ値出力処理において、同じ測定因子を用いてもよいし、それぞれ異なる測定因子を用いてもよいが、同じ測定因子を用いることが効率よく好ましい。劣化判定装置２０は、制御部２１と、記憶部２２と、入力装置２８と、表示装置２９と、を備える。入力装置２８は、各種入力を行うマウスやキーボードなどを含む。表示装置２９は、画面を表示するものであり、例えば液晶ディスプレイである。
制御部２１は、ＣＰＵを中心とするマイクロプロセッサとして構成されており、装置全体を制御する。また、制御部２１には、機能ブロックとして、測定装置１５から測定結果を取得する取得部と、取得した測定結果と種類推定モデル３２とから蓄電デバイス１３の種類を推定する種類推定部と、測定結果から許容範囲３１を用いて外れ値を検出する検出部と、測定結果と劣化推定モデル３３とから劣化度を推定する劣化推定部と、推定した劣化度から判定対象１４である蓄電デバイス１３のリユースの可否を判定する判定部と、を有する。この機能ブロックは、制御部２１が外れ値検出プログラム３４、種類推定プログラム３５及び劣化判定プログラム３６を実行することによって実現される。
記憶部２２は、例えば、ＨＤＤなど、大容量の記憶装置として構成されており既知試験結果２３や、機械学習プログラム３０、許容範囲３１、種類推定モデル３２、劣化推定モデル３３、外れ値検出プログラム３４、種類推定プログラム３５、劣化判定プログラム３６などが記憶されている。既知試験結果２３は、劣化度が既知である蓄電デバイス１３の測定結果である。この既知試験結果２３は、種類推定モデル３２や劣化推定モデル３３を構築するために用いられるものであり、測定結果としてインピーダンス２４、開放電圧２５、測定温度２６、劣化度２７などが含まれる。劣化度２７は、例えば、初期の最大放電容量を１００％とした場合において、連続又は断続的に使用されたあと、劣化により低減した最大放電容量の割合として定義することができる。
許容範囲３１は、例えば、蓄電デバイスの測定因子を用い所定の外れ値検出手法に基づいて構築された閾値である。測定因子としては、上述のうち、既知試験結果２３のインピーダンス２４の実部Ｚ’とその測定温度Ｔ、この蓄電デバイス１３の開放電圧Ｖなどが挙げられ、更にインピーダンス２４の虚部Ｚ”などを含んでもよい。外れ値検出手法としては、例えば、ＬＯＦ(Local outlier factor)や、ホテリング理論、Ｋ近傍法、１クラスサポートベクターマシーンなどが挙げられ、このうち、ＬＯＦが好ましい。
機械学習プログラム３０は、制御部２１により実行され、既知試験結果２３から機械学習を利用して種類推定モデル３２や劣化推定モデル３３を構築するプログラムである。例えば、機械学習には、統計分析ソフトＲやＰｙｔｈｏｎ（登録商標）、ＳＱＬ、Ｅｘｃｅｌ（登録商標）などを用いることができ、手法として、線形回帰、カーネルリッジ、サポートベクター、ＸＧＢｏｏｓｔ、ニューラルネットワーク（ｎｎｅｔ）及びランダムフォレスト（ＲＦ）のうち１以上を用いることができる。機械学習の手法としては、ランダムフォレストが、劣化判定の精度がより高く、好ましい。
種類推定モデル３２は、既知の蓄電デバイス１３の種類を推定するモデルである。この種類推定モデル３２は、既知の蓄電デバイス１３の種類における既知試験結果２３のインピーダンス２４の実部Ｚ’とその測定温度Ｔ、この蓄電デバイス１３の開放電圧Ｖとに少なくとも基づいて構築されている。この種類推定モデル３２は、更に、インピーダンスの虚部Ｚ”に基づいて構築されることがより好ましい。特に、種類推定モデル３２は、インピーダンス２４の実部Ｚ’と虚部Ｚ”と、インピーダンス２４の測定温度Ｔと、蓄電デバイス１３の開放電圧Ｖとに基づいて構築されていることが最も好ましい。
劣化推定モデル３３は、蓄電デバイス１３の種類ごとに構築され、この蓄電デバイス１３の劣化度を導出する推定モデルである。劣化推定モデル３３は、既知試験結果２３のインピーダンス２４の実部Ｚ’とその測定温度Ｔ、この蓄電デバイス１３の開放電圧Ｖとに少なくとも基づいて構築されている。この劣化推定モデル３３は、更に、劣化度が既知である蓄電デバイス１３のインピーダンスの虚部Ｚ”に基づいて構築されることがより好ましい。特に、劣化推定モデル３３は、インピーダンス２４の実部Ｚ’と虚部Ｚ”と、インピーダンス２４の測定温度Ｔと、蓄電デバイス１３の開放電圧Ｖとに基づいて構築されていることが最も好ましい。
この種類推定モデル３２や劣化推定モデル３３は、１０-2Ｈｚ以上１０4Ｈｚ未満の範囲のインピーダンスに基づいて構築されることが好ましく、１０-1Ｈｚ以上１０3Ｈｚ以下の範囲のインピーダンスに基づいて構築されることがより好ましい。また、測定温度Ｔは、例えば、－３０℃以上としてもよいし、－２０℃以上としてもよいし、－１０℃以上としてもよい。また、測定温度Ｔは、例えば、６０℃以下としてもよいし、５０℃以下としてもよいし、４０℃以下としてもよい。この測定温度Ｔは、－２０℃以上５０℃以下の範囲が好ましい。インピーダンスの測定温度Ｔは、蓄電デバイス１３の使用環境などに基づいて適宜設定すればよい。
外れ値検出プログラム３４は、制御部２１によって実行され、測定装置１５で得られた測定因子の測定結果のうち、許容範囲３１を用いて外れ値を検出するプログラムである。
この外れ値検出プログラム３４は、例えば、測定装置１５から取得した少なくとも、判定対象である蓄電デバイス１３のインピーダンスの実部Ｚ’と、その測定温度Ｔと、開放電圧Ｖとを用いて、外れ値検出手法により評価値を導出する。劣化推定モデル３３から蓄電デバイスの劣化度を推定する。外れ値検出プログラム３４は、更に、インピーダンスの虚部Ｚ”をも取得し、評価値を導出してもよい。また、外れ値検出プログラム３４は、１０-2Ｈｚ以上１０4Ｈｚ未満の範囲、より好ましくは、１０-1Ｈｚ以上１０3Ｈｚ未満の範囲の判定対象１４のインピーダンスを取得するものとしてもよい。外れ値検出プログラム３４は、例えば、評価値を導出するインピーダンスの測定点が１０以下の範囲としてもよい。このインピーダンスの測定点は、３点以上がより好ましく、４点以上であることがより好ましい。また、この測定点は、８点以下であることがより好ましく、６点以下としてもよい。この測定点は、３点以上１０以下の範囲では、外れ値の検出精度をより高めることができ好ましい。また、外れ値検出プログラム３４は、下端範囲として１０-2Ｈｚ以上１０0Ｈｚ以下の範囲で１点、上端範囲として１０2Ｈｚを超え１０4Ｈｚ未満の範囲で１点、中間範囲として１０0Ｈｚ以上１０2Ｈｚ以下の範囲で１点を少なくとも含む測定点でのインピーダンスを取得することが好ましい。下端範囲と上端範囲で少なくとも１点の測定点を含むことが、外れ値の検出精度をより高めることができ好ましい。また、この下端範囲は、１０-1Ｈｚ以上１０0Ｈｚ未満の範囲であることがより好ましい。低周波数帯では、測定時間がより長くなるため、外れ値検出プログラム３４では、低周波数帯の中でもより高い周波数での測定点を用いることがより好ましい。
この外れ値検出プログラム３４は、例えば、測定装置１５から取得した少なくとも、判定対象である蓄電デバイス１３のインピーダンスの実部Ｚ’と、その測定温度Ｔと、開放電圧Ｖとを用いて、外れ値検出手法により評価値を導出する。劣化推定モデル３３から蓄電デバイスの劣化度を推定する。外れ値検出プログラム３４は、更に、インピーダンスの虚部Ｚ”をも取得し、評価値を導出してもよい。また、外れ値検出プログラム３４は、１０-2Ｈｚ以上１０4Ｈｚ未満の範囲、より好ましくは、１０-1Ｈｚ以上１０3Ｈｚ未満の範囲の判定対象１４のインピーダンスを取得するものとしてもよい。外れ値検出プログラム３４は、例えば、評価値を導出するインピーダンスの測定点が１０以下の範囲としてもよい。このインピーダンスの測定点は、３点以上がより好ましく、４点以上であることがより好ましい。また、この測定点は、８点以下であることがより好ましく、６点以下としてもよい。この測定点は、３点以上１０以下の範囲では、外れ値の検出精度をより高めることができ好ましい。また、外れ値検出プログラム３４は、下端範囲として１０-2Ｈｚ以上１０0Ｈｚ以下の範囲で１点、上端範囲として１０2Ｈｚを超え１０4Ｈｚ未満の範囲で１点、中間範囲として１０0Ｈｚ以上１０2Ｈｚ以下の範囲で１点を少なくとも含む測定点でのインピーダンスを取得することが好ましい。下端範囲と上端範囲で少なくとも１点の測定点を含むことが、外れ値の検出精度をより高めることができ好ましい。また、この下端範囲は、１０-1Ｈｚ以上１０0Ｈｚ未満の範囲であることがより好ましい。低周波数帯では、測定時間がより長くなるため、外れ値検出プログラム３４では、低周波数帯の中でもより高い周波数での測定点を用いることがより好ましい。
種類推定プログラム３５は、制御部２１により実行され、判定対象１４の測定結果と種類推定モデル３２とにより判定対象１４の種類を推定し、その種類に応じた劣化推定モデル３３を設定する際に実行される。この種類推定プログラム３５は、例えば、測定装置１５から取得した少なくとも、判定対象である蓄電デバイス１３のインピーダンスの実部Ｚ’と、その測定温度Ｔと、開放電圧Ｖとを説明変数として用いて、種類推定モデル３２から蓄電デバイスの種類を推定する。種類推定プログラム３５は、更に、インピーダンスの虚部Ｚ”をも取得し、説明変数として用いて判定対象１４の種類を推定するものとしてもよい。また、種類推定プログラム３５は、１０-2Ｈｚ以上１０4Ｈｚ未満の範囲、より好ましくは、１０-1Ｈｚ以上１０3Ｈｚ未満の範囲の判定対象１４のインピーダンスを取得するものとしてもよい。種類推定プログラム３５は、例えば、判定対象１４の種類の推定を行うインピーダンスの測定点が１０以下の範囲としてもよい。このインピーダンスの測定点は、３点以上がより好ましく、４点以上であることがより好ましい。また、この測定点は、８点以下であることがより好ましく、６点以下としてもよい。この測定点は、３点以上１０以下の範囲では、種類の推定の精度をより高めることができ好ましい。また、種類推定プログラム３５は、下端範囲として１０-2Ｈｚ以上１０0Ｈｚ以下の範囲で１点、上端範囲として１０2Ｈｚを超え１０4Ｈｚ未満の範囲で１点、中間範囲として１０0Ｈｚ以上１０2Ｈｚ以下の範囲で１点を少なくとも含む測定点でのインピーダンスを取得することが好ましい。下端範囲と上端範囲で少なくとも１点の測定点を含むことが、種類の推定精度をより高めることができ好ましい。また、この下端範囲は、１０-1Ｈｚ以上１０0Ｈｚ未満の範囲であることがより好ましい。低周波数帯では、測定時間がより長くなるため、種類推定プログラム３５では、低周波数帯の中でもより高い周波数での測定点を用いることがより好ましい。
劣化判定プログラム３６は、制御部２１により実行され、判定対象１４の測定結果と劣化推定モデル３３とにより判定対象１４の劣化度を推定し、そのリユースが可能かを判定するプログラムである。この劣化判定プログラム３６は、例えば、測定装置１５から取得した少なくとも、判定対象である蓄電デバイス１３のインピーダンスの実部Ｚ’と、その測定温度Ｔと、開放電圧Ｖとを説明変数として用いて、劣化推定モデル３３から蓄電デバイスの劣化度を推定する。劣化判定プログラム３６は、更に、インピーダンスの虚部Ｚ”をも取得し、取得したものを説明変数として用いて判定対象１４の劣化度を判定するものとしてもよい。また、劣化判定プログラム３６は、１０-2Ｈｚ以上１０4Ｈｚ未満の範囲、より好ましくは、１０-1Ｈｚ以上１０3Ｈｚ未満の範囲の判定対象１４のインピーダンスを取得するものとしてもよい。劣化判定プログラム３６は、例えば、判定対象１４の劣化判定を行うインピーダンスの測定点が１０以下の範囲としてもよい。このインピーダンスの測定点は、３点以上がより好ましく、４点以上であることがより好ましい。また、この測定点は、８点以下であることがより好ましく、６点以下としてもよい。この測定点は、３点以上１０以下の範囲では、劣化度の推定の精度をより高めることができ好ましい。また、劣化判定プログラム３６は、下端範囲として１０-2Ｈｚ以上１０0Ｈｚ以下の範囲で１点、上端範囲として１０2Ｈｚを超え１０4Ｈｚ未満の範囲で１点、中間範囲として１０0Ｈｚ以上１０2Ｈｚ以下の範囲で１点を少なくとも含む測定点でのインピーダンスを取得することが好ましい。下端範囲と上端範囲で少なくとも１点の測定点を含むことが、劣化度の推定精度をより高めることができ好ましい。また、この下端範囲は、１０-1Ｈｚ以上１０0Ｈｚ未満の範囲であることがより好ましい。低周波数帯では、測定時間がより長くなるため、劣化判定プログラム３６では、低周波数帯の中でもより高い周波数での測定点を用いることがより好ましい。
（劣化判定方法）
次に、こうして構成された本実施形態の劣化判定装置２０の動作、特に、劣化判定装置２０が実行する劣化判定方法について説明する。この劣化判定方法は、例えば、機械学習によって許容範囲３１、種類推定モデル３２、劣化推定モデル３３を構築する構築ステップと、劣化推定モデル３３から判定対象の蓄電デバイスの劣化度を判定する判定ステップと、を含むものとしてもよい。なお、この劣化判定方法において、既に構築した許容範囲３１、種類推定モデル３２及び劣化推定モデル３３を用いて、上記構築ステップを省略してもよい。
次に、こうして構成された本実施形態の劣化判定装置２０の動作、特に、劣化判定装置２０が実行する劣化判定方法について説明する。この劣化判定方法は、例えば、機械学習によって許容範囲３１、種類推定モデル３２、劣化推定モデル３３を構築する構築ステップと、劣化推定モデル３３から判定対象の蓄電デバイスの劣化度を判定する判定ステップと、を含むものとしてもよい。なお、この劣化判定方法において、既に構築した許容範囲３１、種類推定モデル３２及び劣化推定モデル３３を用いて、上記構築ステップを省略してもよい。
（構築ステップ）
ここでは、まず、許容範囲３１を構築する処理について説明する。この構築処理では、使用者が既知種類及び既知劣化度の複数の蓄電デバイス１３を用意し、劣化判定システム１０が測定因子としてのインピーダンス２４や、開放電圧２５、測定温度２６を測定し、この測定結果を用いて所定の外れ値検出手法を用いて評価値を導出し、外れ値を適正に検出可能な閾値を求め、この閾値の範囲を許容範囲３１として設定する処理を行う。例えば、外れ値検出手法としてＬＯＦを用いると、適正な評価値の範囲と、明らかに外れ値である評価値の分布が得られる（後述図７参照）。この評価値の分布から、誤検出無しに外れ値を判定できる閾値を設定することができる。
ここでは、まず、許容範囲３１を構築する処理について説明する。この構築処理では、使用者が既知種類及び既知劣化度の複数の蓄電デバイス１３を用意し、劣化判定システム１０が測定因子としてのインピーダンス２４や、開放電圧２５、測定温度２６を測定し、この測定結果を用いて所定の外れ値検出手法を用いて評価値を導出し、外れ値を適正に検出可能な閾値を求め、この閾値の範囲を許容範囲３１として設定する処理を行う。例えば、外れ値検出手法としてＬＯＦを用いると、適正な評価値の範囲と、明らかに外れ値である評価値の分布が得られる（後述図７参照）。この評価値の分布から、誤検出無しに外れ値を判定できる閾値を設定することができる。
次に、種類推定モデル３２及び劣化推定モデル３３を構築する処理について説明する。この構築処理では、使用者が既知種類及び既知劣化度の複数の蓄電デバイス１３を用意し、劣化判定システム１０が測定因子としてのインピーダンス２４や、開放電圧２５、測定温度２６を測定し、種類推定モデル３２や劣化推定モデル３３を構築する。図２は、制御部２１により実行される推定モデル構築処理ルーチンの一例を示すフローチャートである。このルーチンは、記憶部２２に記憶され、使用者の指示に応じて実行される。制御部２１は、このルーチンを実行すると、まず、種類及び劣化度が既知である蓄電デバイス１３の測定因子を取得し（Ｓ１００）、取得した測定因子に該当する蓄電デバイス１３の測定結果を取得する（Ｓ１１０）。ここでは、インピーダンス２４や、開放電圧２５、測定温度２６が測定因子として設定される。制御部２１は、判定対象１４を取り替えながら、測定装置１５が測定した開放電圧Ｖやインピーダンスの測定結果をリアルタイムで直接取得してもよいし、測定済の開放電圧Ｖやインピーダンスの測定結果を既知試験結果２３から間接的に取得してもよい。また、インピーダンスの測定結果には、実部Ｚ’のほか、虚部Ｚ”などを含むものとしてもよい。Ｓ１１０のあと、制御部２１は、全ての既知蓄電デバイス１３の測定結果を取得したか否かを判定し（Ｓ１２０）、全ての測定結果を取得していないときには、Ｓ１１０以降の処理を繰り返し実行する。一方、Ｓ１２０で全ての測定結果を取得したときには、制御部２１は、機械学習により種類推定モデル３２を構築して記憶部２２に記憶し（Ｓ１３０）、機械学習により劣化推定モデル３３を構築して記憶部２２に記憶し（Ｓ１４０）、このルーチンを終了する。
劣化した蓄電デバイス１３のインピーダンスと劣化度とは、その劣化の態様によってリニアな関係性を有さず、周波数帯域ごとに初期セルに対して劣化セルのインピーダンス値が高く出る場合もあれば、低く出る場合もある（後述図８参照）。ここでは、機械学習を利用して、インピーダンスＺ’，Ｚ”やその測定温度Ｔ、開放電圧Ｖから劣化度を推定することが可能な劣化推定モデル３３を構築するのである。また、蓄電デバイス１３は、その種類に応じて、そのインピーダンスの変化や開放電圧Ｖの変化に一定の傾向を有する。ここでは、機械学習を利用して、インピーダンスＺ’，Ｚ”やその測定温度Ｔ、開放電圧Ｖから蓄電デバイス１３の種類を推定することが可能な種類推定モデル３２を構築するのである。制御部２１は、例えば、種類推定モデル３２や劣化推定モデル３３の構築には統計分析ソフトＲやＰｙｔｈｏｎ（登録商標）、ＳＱＬ、Ｅｘｃｅｌ（登録商標）などを用いることができ、手法として、線形回帰、カーネルリッジ、サポートベクター、ＸＧＢｏｏｓｔ、ニューラルネットワーク（ｎｎｅｔ）及びランダムフォレスト（ＲＦ）のうち１以上、好ましくは、ランダムフォレストを用いることができる。
（判定ステップ）
この判定ステップでは、判定対象１４である蓄電デバイス１３の測定因子の測定結果を説明変数として用い種類推定モデル３２からこの判定対象１４の種類を推定し、推定した種類に該当する劣化推定モデル３３から測定結果を説明変数として用いてこの判定対象１４の蓄電デバイス１３の劣化度を判定する処理を行う。また、この判定ステップでは、判定対象１４である蓄電デバイス１３の測定因子の測定結果を用いて外れ値検出手法によって評価値を導出し、この評価値が許容範囲３１外であるものを外れ値として出力する処理を行う。また、評価値が許容範囲３１内である測定結果を説明変数として用いて劣化推定モデル３３から該蓄電デバイス１３の劣化度を判定する処理を行う。この判定ステップにおいて、測定因子は、インピーダンスの実部Ｚ’及び／又は虚部Ｚ”、その測定温度Ｔ、開放電圧Ｖとして説明する。また、種類推定モデル３２及び劣化推定モデル３３は、種類及び劣化度が既知である蓄電デバイス１３のインピーダンスの実部Ｚ’及び／又は虚部Ｚ”と、その測定温度Ｔと、その蓄電デバイス１３の開放電圧Ｖと、に少なくとも基づいて構築されているものとする。図３は、制御部２１により実行される劣化判定処理ルーチンの一例を示すフローチャートである。このルーチンは、記憶部２２に記憶され、使用者の指示に応じて実行される。使用者は、許容範囲３１、種類推定モデル３２及び劣化推定モデル３３を構築したのち、判定対象１４を交流インピーダンスアナライザ１７へ接続したのち、このルーチンを実行させる。
この判定ステップでは、判定対象１４である蓄電デバイス１３の測定因子の測定結果を説明変数として用い種類推定モデル３２からこの判定対象１４の種類を推定し、推定した種類に該当する劣化推定モデル３３から測定結果を説明変数として用いてこの判定対象１４の蓄電デバイス１３の劣化度を判定する処理を行う。また、この判定ステップでは、判定対象１４である蓄電デバイス１３の測定因子の測定結果を用いて外れ値検出手法によって評価値を導出し、この評価値が許容範囲３１外であるものを外れ値として出力する処理を行う。また、評価値が許容範囲３１内である測定結果を説明変数として用いて劣化推定モデル３３から該蓄電デバイス１３の劣化度を判定する処理を行う。この判定ステップにおいて、測定因子は、インピーダンスの実部Ｚ’及び／又は虚部Ｚ”、その測定温度Ｔ、開放電圧Ｖとして説明する。また、種類推定モデル３２及び劣化推定モデル３３は、種類及び劣化度が既知である蓄電デバイス１３のインピーダンスの実部Ｚ’及び／又は虚部Ｚ”と、その測定温度Ｔと、その蓄電デバイス１３の開放電圧Ｖと、に少なくとも基づいて構築されているものとする。図３は、制御部２１により実行される劣化判定処理ルーチンの一例を示すフローチャートである。このルーチンは、記憶部２２に記憶され、使用者の指示に応じて実行される。使用者は、許容範囲３１、種類推定モデル３２及び劣化推定モデル３３を構築したのち、判定対象１４を交流インピーダンスアナライザ１７へ接続したのち、このルーチンを実行させる。
このルーチンを実行すると、制御部２１は、判定対象１４の測定因子を取得し（Ｓ２００）、判定対象１４の測定因子の測定結果を取得する（Ｓ２１０）。ここでは、測定因子として、測定因子の種類（Ｚ’，Ｚ”，Ｔ，Ｖなど）のほか、インピーダンスの測定点（周波数の点数）についても取得するものとする。測定点は、例えば、特定の周波数帯において３点以上１０点以下の範囲、より好ましくは、４点以上８点以下の範囲に設定されている。また、測定点は、上述したように、下端範囲として１０-2Ｈｚ以上１０0Ｈｚ以下の範囲で１点、上端範囲として１０2Ｈｚを超え１０4Ｈｚ未満の範囲で１点、中間範囲として１０0Ｈｚ以上１０2Ｈｚ以下の範囲で１点を少なくとも含むものとすることが好ましい。この範囲に測定点が少なくとも３点含まれるものとすれば、判定対象１４の種類や劣化度をより精度よく推定することができる。この測定点は、例えば、０．０１Ｈｚ以上１０００００Ｈｚ以下の周波数範囲に含まれるものとしてもよい。具体的には、測定点は、０．０１Ｈｚ、０．１Ｈｚ、１Ｈｚ、１０Ｈｚ、１００Ｈｚ、１０００Ｈｚ、１００００Ｈｚ、１０００００Ｈｚなどを含むものとしてもよい。また、測定点は、０．０５Ｈｚ、０．５Ｈｚ、５Ｈｚ、５０Ｈｚ、５００Ｈｚ、５０００Ｈｚ、５００００Ｈｚや、０．０２Ｈｚ、０．２Ｈｚ、２Ｈｚ、２０Ｈｚ、２００Ｈｚ、２０００Ｈｚ、２００００Ｈｚなどを含むものとしてもよい。測定点は、例えば、０．１Ｈｚ、１Ｈｚ、１０Ｈｚ、１００Ｈｚ、１０００Ｈｚを含むことが好ましい。測定温度Ｔは、例えば、上述したように、－３０℃～６０℃の範囲で適宜定めるものとしてもよい。測定装置１５は、設定された測定温度Ｔに恒温槽１６を制御し、設定された測定点で交流インピーダンスアナライザ１７によってインピーダンスを測定する。
次に、制御部２１は、全ての測定結果を取得したか否かを判定し（Ｓ２２０）、全ての測定点のデータを取得していないときには、Ｓ２１０以降の処理を実行する。制御部２１は、Ｓ２１０では、取得していない次の測定点を設定する。一方、Ｓ２２０で全ての測定結果を取得したときには、制御部２１は、インピーダンスの実部Ｚ’及び／又は虚部Ｚ”と開放電圧Ｖと、更には測定温度Ｔを用い、外れ値検出手法を用いて評価値を算出する（Ｓ２３０）。制御部２１は、例えば、ＬＯＦを用いて評価値を算出する。次に、制御部２１は、評価値が許容範囲３１内であるか否かを判定し（Ｓ２４０）、許容範囲３１内でないとき、即ち評価値が許容範囲３１外であるときには、外れ値情報を出力する（Ｓ２５０）。外れ値情報には、判定対象１４の測定結果が異常値である旨の内容を含むものとしてもよい。外れ値情報の出力は、例えば、表示装置２９への表示出力としてもよいし、図示しないスピーカから音声出力してもよいし、図示しない印刷装置から印刷出力してもよいし、記憶部２２へ記憶出力してもよい。使用者は、この外れ値情報を確認すると、判定対象１４の接続などを確認し、測定装置１５で再測定させるなどの作業を行う。
一方、Ｓ２４０で評価値が許容範囲３１内であるときには、制御部２１は、測定結果を用いて、種類推定モデル３２から判定対象１４の種類を推定する処理を実行する（Ｓ２６０）。制御部２１は、全測定点の説明変数の測定値に最も適合する種類を種類推定モデル３２を用いて導出する。種類推定モデル３２は、機械学習によって構築されており、極めて高い確率で判定対象１４の種類を推定することができる。次に、制御部２１は、推定した種類に応じた劣化推定モデル３３を設定し（Ｓ２７０）、測定結果を用いて、この劣化推定モデル３３から判定対象１４の劣化度を推定する（Ｓ２８０）。制御部２１は、全測定点の説明変数の測定値に最も適合する劣化度を劣化推定モデル３３を用いて導出する。劣化推定モデル３３は、機械学習によって構築されており、極めて高い確率で判定対象１４の劣化度を推定することができる。続いて、制御部２１は、推定された劣化度が所定の閾値内であるか否かを判定する（Ｓ２９０）。この閾値は、例えば、判定対象１４の蓄電デバイス１３が再調整によってリユース可能である下限値に基づいて経験的に設定されているものとする。
判定対象１４の劣化度が所定の閾値内であるときには、制御部２１は、リユース可能である旨の表示を出力する（Ｓ３００）。一方、判定対象１４の劣化度が所定の閾値外であるときには、制御部２１は、リサイクルすべき旨の表示を出力する（Ｓ３１０）。図４は、診断結果を表す表示画面４０の説明図である。図４に示すように、リサイクル、リユースのほか、分解して資源活用するリビルドの判定を行ってもよいし、診断結果として、残存容量や抵抗増加度などの情報を付記してもよい。
Ｓ３００のあと、またはＳ３１０のあと、あるいは、Ｓ２５０のあと、制御部２１は、Ｓ３００、Ｓ３１０、Ｓ２５０の判定結果を記憶すると共に、次の判定対象１４の蓄電デバイス１３があるか否かを判定する（Ｓ３２０）。次の判定対象１４があるときには、制御部２１は、Ｓ２００以降の処理を繰り返し実行する一方、３２０で次の判定対象１４がないときには、制御部２１は、このルーチンを終了する。このように、劣化判定装置２０では、蓄電デバイス１３の交流インピーダンスの実部Ｚ’及び／又は虚部Ｚ”と開放電圧Ｖと、更には測定温度Ｔを用い、外れ値を検出してこれを除外し、種類推定モデル３２や劣化推定モデル３３から判定対象１４の劣化度を推定することにより、蓄電デバイス１３のリユースの可否を判定する。
以上説明した本実施形態の劣化判定装置２０及び劣化判定システム１０では、より高い精度で蓄電デバイスの劣化度を評価することができる。劣化判定装置２０や劣化判定システム１０がこのような効果を奏する理由は、以下のように推察される。例えば、劣化判定を行う蓄電デバイス１３は、例えば、同種であっても製造会社が異なるなど、細かな点で異なることがある。このような場合、全ての蓄電デバイス１３から劣化判定を行う推定モデルを構築するのに比して、各種類ごとに推定モデルを構築した場合の方が、より高精度な劣化判定を行うことができる。また、蓄電デバイスの種類を特定するアルゴリズムを導入することによって、蓄電デバイスの種類を高精度に推定し、劣化判定の精度をより高めることができる。
また、測定不良の結果など、外れ値を用いて蓄電デバイスの劣化度を推定すると、間違った判断をすることがあり得る。一方、本開示では、所定の外れ値検出手法の評価値を用いて事前にこのような外れ値のデータを報知するから、誤った判定を低減することができる。また、劣化推定の推定モデル構築に使用したデータベースにはない新規現象などで外れ値として検出されたセルの詳細を調べ、それを推定モデル構築用データベースに繰り込むことにより、新規現象に対応した予測が行えるようになり、予測精度を向上することができる。
図５は、外れ値検出と劣化推定との関係を説明するスキームである。劣化判定装置２０では、まず測定がうまくいっているか判断し、外れ値検出されたときには、測定不良として再測定する。外れ値検出にはもう一つ役目がある。診断モデル構築に使用したデータベースとは異質のデータとして検知した場合、その蓄電デバイス１３の詳細な測定を行い、診断用データベースに繰り込み、劣化推定モデルをアップデートしていくことができる。外れ値検出で、正常値とみなされた場合は、測定値を用いて蓄電デバイス１３の種類の推定を行う。回収された蓄電デバイス１３が複数の種類からなる場合は、この種類推定を行う方がより好ましい。蓄電デバイス１３の種類が特定できたら各蓄電デバイス１３の種類に応じた劣化推定モデル３３を用いて劣化推定を行うことによって、より高い精度で劣化判定を行うことができる。
なお、本開示は上述した実施形態に何ら限定されることはなく、本開示の技術的範囲に属する限り種々の態様で実施し得ることはいうまでもない。
例えば、上述した実施形態では、劣化判定システム１０は、測定装置１５と劣化判定装置２０とを備えるものとしたが、特にこれに限定されず、交流インピーダンスや開放電圧などの測定因子の測定結果を外部から取得するものとして測定装置１５を省略してもよい。この劣化判定装置２０においても、より高い精度で蓄電デバイスの劣化度を評価することができる。
上述した実施形態では、測定因子を交流インピーダンスやその測定温度、開放電圧として説明したが、蓄電デバイス１３の劣化度を判定可能な因子であれば、特にこれに限定されない。例えば、劣化度の判定を特許文献６～１０で示された処理で行うものとしてもよい。測定因子としては、例えば、定電流（ＣＣ）充電を行いＶｃに達したら定電圧（ＣＶ）充電に切り替えその時点から時間ｔだけ経過した充電電流値Ｉｔとしてもよいし、放電時の磁場としてもよいし、ひずみゲージにより測定したセルの体積変化としてもよいし、正負のパルス電流を印加したときの正負それぞれの電圧値の関係としてもよいし、内部抵抗と残容量ＳＯＣなどが挙げられる。この場合、機械学習する対象をこの測定因子とし、種類推定モデル３２や劣化推定モデル３３を構築すればよい。
上述した実施形態では、本開示を劣化判定システム１０や劣化判定装置２０、劣化判定方法として説明したが、例えば、劣化判定方法を実行するためのプログラムとしてもよい。このプログラムは、コンピュータが読み取り可能な記録媒体（例えばハードディスク、ＲＯＭ、ＦＤ、ＣＤ、ＤＶＤなど）に記録されていてもよいし、伝送媒体（インターネットやＬＡＮなどの通信網）を介してあるコンピュータから別のコンピュータへ配信されてもよいし、その他どのような形で授受されてもよい。このプログラムを１つのコンピュータに実行させるか又は複数のコンピュータに各ステップを分担して実行させれば、上述した劣化判定方法の各ステップが実行されるため、この劣化判定方法と同様の作用効果が得られる。
以下には、本開示の劣化判定方法及び劣化判定装置を具体的に検討した例を実験例として説明する。なお、実験例１、４、７が本開示の比較例であり、実験例２、３、５、６、８～２０が実施例に相当する。
中古電池の劣化診断の検討として、パナソニック製リチウムイオン電池ＮＣＲ１８６５０を用い、診断にはインピーダンス、開放電圧、測定温度の結果を用いた。インピーダンス、開放電圧、測定温度の測定には、ソーラートロン社製ＣＥＬＬＴＥＳＴ－８Ｔ（７ｃｈ：１Ａ仕様、１ｃｈ：２５Ａ仕様）を用いて、測定時の電流は５ｍＡとし、測定温度Ｔは測定セルの入っている恒温槽の温度を用いた。新品電池７本、劣化電池３５本の測定を行った。劣化電池としては、２．５Ｖから４．２Ｖの間を２０℃で２Ｃ充電し０．１Ｃ放電を繰り返したものや、６０℃で０．５Ｃ充電し０．１Ｃ放電を繰り返したもの、６０℃で保管し続けたもの、など、劣化モードの異なるものを用意した。また、種類の異なるリチウムイオン二次電池として、ＬＧ製１８６５０－Ｍ２６、プラタ販売ｂ１８６５０－０１を用い、劣化モードとして、２０℃、２Ｃでそれぞれ１２、２４、３０、３６、４２、４８、５４回充放電サイクルを行った電池を用意した。まず、測定データに含まれる外れ値の検討及び、劣化度の判定を行ったのち、種類の推定について検討した。インピーダンスおよび開放電圧は、電池の残容量ＳＯＣや測定温度で変化するので、ＳＯＣは１０％刻みで０～１００％、測定温度は１０℃刻みで－２０～５０℃の範囲で測定した。また、劣化度の指標として、電池容量を用い、各電池に対してアスカ電池社製５Ｖ／１０Ａ－８０ＣＨを用いて、電池容量を０．１ＣのＣＶ放電の放電容量とした。測定条件は、４２本の電池容量と各電池８８条件(ＳＯＣ１１条件×測定温度８条件）とした。表１～４に各実験例の測定条件をまとめて示した。
図６は、パナソニック製リチウムイオン二次電池（ＬＩＢ）の測定結果であり、図６（ａ）が新品電池と劣化電池の容量、図６（ｂ）が新品電池と劣化電池の抵抗の違いを示す。図６に示すように、劣化電池では、新品電池に対して容量が減少すると共に、抵抗が増加することがわかる。ここでは、各電池に対してアスカ電池社製５Ｖ／１０Ａ－８０ＣＨを用いて、２０℃、０．１ＣのＣＣＣＶ放電の放電容量を測定し、それを電池容量とした。また、２０℃、ＳＯＣ５０％で交流インピーダンスを詳細に測定し、図６（ｂ）に示すｃｏｌｅ－ｃｏｌｅプロットにおいて、正負極の電荷移動抵抗が二つの円弧として現れたのち交流インピーダンスの虚部Ｚ”が極小値を取るときの実部Ｚ’を、この電池の特徴的な抵抗Ｒ１と定義し、容量とともに劣化の指標とした。抵抗Ｒ１は、比較的応答が早い抵抗成分からなり、直流抵抗と正負極の電荷移動抵抗とを足し合わせた抵抗の指標となる。
まず、測定データの外れ値について検討した。外れ値を検知するための機械学習には、統計分析ソフトＲを用い、手法としてＬＯＦ(Local outlier factor)を用いた。図７は、劣化電池（パナソニック製ＬＩＢ）とＬＯＦの評価値との関係図の一例である。ここでは、交流インピーダンス（０．１、１、１０、１００、１０００Ｈｚ）の実部Ｚ’と虚部Ｚ”と、開放電圧（Ｖ）と、測定温度（℃）とをＬＯＦを計算するパラメータとして用いたため、１２次元空間で評価している。ＬＯＦのスコアが高いと空間に対するデータの密度が少ないことを意味し、外れ値とみなすことができる。図７では、ハイパーパラメータｋをｋ＝１５として計算しており、横軸は電池データの管理番号を意味している。例えば、図７のＬＯＦのスコアが６以上の４個のデータ点のデータを確認してみると、インピーダンスの測定値が異常な値を示し、同じ測定温度でかつ近い開放電圧の正常なデータと比較すると一桁以上小さかった。このように、診断のための測定結果を診断モデル構築に使用したデータベースと合わせて計算し、許容範囲（例えばＬＯＦのスコアが４以下）を用いることで、測定不良や異質の測定結果を抽出することができることがわかった。
次に、リチウムイオン電池の劣化診断について検討した。図８は、ＳＯＣ５０％、測定温度２０℃における新品電池と劣化電池のインピーダンス実部Ｚ’の周波数依存性を示す測定結果である。図９は、ＳＯＣ５０％、測定温度２０℃における新品電池と劣化電池のインピーダンス虚部Ｚ”の周波数依存性を示す測定結果である。図８、９に示すように、新品電池では、インピーダンスはほぼ同じ形状、値を示した。一方、劣化電池は、新品電池と異なるインピーダンスの形状及び値を示した。また、劣化電池では、その劣化モードの違いにより、例えば、１０1Ｈｚ以下の周波数帯では、新品電池の上下に劣化電池のＺ’があり、１０2Ｈｚ～１０4Ｈｚの周波数帯では新品電池よりも上に劣化電池のＺ’があり、１０5Ｈｚではいずれの電池も同じＺ’を示すなど、一様の傾向は得られなかった。このため、容量の劣化度に対するインピーダンスの変化量は、単純なモデルでは説明できないことがわかった。そこで得られたデータセットを用いて機械学習から電池容量を予測した。
機械学習には統計分析ソフトＲを用い、パッケージとしてｃａｒｅｔを使用し、手法としてランダムフォレスト（ＲＦ）、ニューラルネットワーク（ｎｎｅｔ）を検討した。予測精度を、実験値と予測値との平均平方二乗誤差ＲＭＳＥにより評価した。このＲＭＳＥは、その値が低いほど予測精度が高いことを表す。今回は、推定モデルの汎用性を評価するため、１０分割交差検証を行い、１０回推定モデルを構築しており、その１０回の平均のＲＭＳＥで比較評価した。表１に各モデルで電池容量を予測した結果を示す。表１において、インピーダンスの実部Ｚ’は、０．０１、０．１、１、１０、１００、１０００、１００００、１０００００Ｈｚの各周波数の値を用いた。また表１には、開放電圧Ｖ、測定温度Ｔも検討した結果をまとめた。表１に示すように、機械学習の手法にかかわらず、説明変数に開放電圧Ｖを入れると、予測精度が向上することがわかった。また、開放電圧Ｖに加えて、測定温度Ｔを入れると、さらに予測精度が増すことがわかった。また機械学習の手法としては、ｎｎｅｔよりＲＦの方が予測精度が高いことがわかった。
表２にＲＦで電池容量を予測した結果の使用周波数帯依存性をまとめた。表２に示すように、全ての周波数のデータを用いればよいというわけではなく、予測精度を向上させるための最適な周波数帯が存在することが推察された。例えば、１００００Ｈｚ近傍の周波数帯では容量変化によるインピーダンスの変化量がノイズや電池の個体差と同程度になるため、予測精度を上げるために周波数帯を制限する必要がある。電池容量を判定するためのインピーダンスの測定周波数帯の上限範囲は、好ましくは１００Ｈｚより大きく１００００Ｈｚ未満、さらに好ましくは１００Ｈｚより大きく１０００Ｈｚ以下である。下限範囲に関しては、０．０１Ｈｚから０．１Ｈｚに変更しても予測精度がほとんど同じであり、０．１Ｈｚより低い周波数帯では周波数を低下させるにつれ測定時間が急激に増大することから、好ましくは０．１Ｈｚ以上となる。表３にインピーダンスの虚部Ｚ”を加えて説明変数の組合せを変更しＲＦで電池容量を予測したＲＭＳＥを示す。表３に示すように、Ｖを考慮し、更にＴを考慮することが好ましく、更にＺ”を考慮することがより好ましく、Ｚ’，Ｚ”，Ｖ，Ｔの全て考慮するほうが予測精度を向上することがわかった。また、虚部Ｚ”，Ｖ，Ｔを説明変数とした場合も（実験例１４）、実部Ｚ’，Ｖ，Ｔを説明変数とした場合（実験例１１）と同等の結果が得られることから、虚部Ｚ”と開放電圧Ｖとを説明変数としても、実部Ｚ’のみや虚部Ｚ”のみを説明変数とするものに比して、より高い精度で劣化度を推定できるものと推察された。
図１０は、説明変数としてインピーダンスの実部Ｚ’，虚部Ｚ”，開放電圧Ｖ，測定温度Ｔを用い（実験例１２）複数の劣化モードで劣化した電池の容量実験値と容量予測値との関係図である。図１１は、説明変数としてインピーダンスの実部Ｚ’，虚部Ｚ”，開放電圧Ｖ，測定温度Ｔを用い（実験例１２）複数の劣化モードで劣化した電池の容量実験値と抵抗予測値との関係図である。図中には、全体の９０％のデータが含まれる誤差ラインを示した。図１０に示すように、どの劣化モードの電池においても高い精度で容量予測ができていることがわかった。特に、３０００ｍＡｈ程度の電池容量に対して±２５ｍＡｈの誤差で９０％以上のデータが予測できていることがわかった。また、図１１に示すように、どの劣化モードの電池においても高い精度で抵抗予測ができていることがわかった。
図１２は、各周波数（Ｈｚ）と測定時間（ｓ）との関係図である。電池診断は、短時間で行うことが望まれる。この点において、近い周波数のインピーダンス同士は強い相関があることから、ある程度測定するデータ点を間引いても劣化診断には影響しないことが予想される。このため、測定するデータ点を少なくすることが考えられる。例えば、０．０１～１０００００Ｈｚのインピーダンスを周波数のログスケールで均等に８５点取った場合、測定時間が１１７０ｓであったが、８点（０．０１、０．１、１、１０、１００、１０００、１００００、１０００００Ｈｚ）にすると、２０２ｓと１／５程度の測定時間で済むことがわかった。直接的に電池容量を０．１Ｃで測定した場合、測定時間は最低でも１０時間かかることから、インピーダンスの測定時間は電池容量測定時間に比べて圧倒的に短く、劣化診断向きであった。
次に、表４にインピーダンスの虚部Ｚ”を加えてＲＦで電池容量を予測した結果の使用周波数帯依存性を示す。図１３は、測定点数とＲＭＳＥ（ｍＡｈ）との関係図である。表４、図１３に示すように、データの測定点数に関しては、使用周波数に対応する測定点数は、３点以上が好ましく、４点以上で高い予測精度を示すことがわかった。また、測定点数が６点の場合と３点の場合とで予測精度がほぼ同じことから、測定点数をこれ以上増やしても予測精度は向上しないと推測された。データの測定点数が増えると、診断時間がかかることから、望ましくは、測定点数は８点以下、さらに望ましくは６点以下であると推察された。
劣化診断時の測定は直接インピーダンスを測定するものとしてもよいが、間接的に測定する場合についても検討した。その一例として、電流ステップ法を検討した。図１４は、測定温度２０℃ でのＺ’の周波数依存性と、電流ステップ法により求めた各周波数におけるＺ’の対応関係を示した説明図である。図１４には、電流ステップ法で０．１Ｃの電流を０．０１ｓ印加した時の電圧の振る舞いを付記した。この電流と電圧を用いて、ラプラス変換により図中の劣化電池（残容量ＳＯＣ５０％、測定温度２０℃）の１００ＨｚにおけるＺ’を求めた。図１４に示すように、電流ステップ法で求めたインピーダンスＺ’は、直接インピーダンスを求めた測定結果に非常によい精度で対応することがわかった。この結果から、劣化診断の手法としては、電流ステップ法以外に電圧ステップ法や、電流パルス法でも良好な結果が得られるものと推察された。
次に、リチウムイオン二次電池の種類の影響について検討した。電池の種類の特定を行うために、統計分析ソフトＲでランダムフォレスト（ＲＦ）を用い、分類を行った。ハイパーパラメータｎｔｒｅｅ、ｍｔｒｙをそれぞれｎｔｒｅｅ＝１００００、ｍｔｒｙ＝５として計算した。１０分割交差検証を採用し、１０回推定モデルを構築しており、その１０回の平均のＡｃｃｕｒａｃｙ（正答率）で評価した。説明変数に交流インピーダンス（０．１、１、１０、１００、１０００Ｈｚ）の実部Ｚ’及び虚部Ｚ”、開放電圧Ｖ、測定温度Ｔを使用し、データ数はそれぞれパナソニック製ＬＩＢが３６９６点、ＬＧ製ＬＩＢが７９２点、プラタ販売のＬＩＢが５２８点で評価した。その結果、Ａｃｃｕｒａｃｙは、０．９９８と、ほぼ１００％の確率で３つの種類に分離できていることを確認できた。なお、測定因子や種類特定の手法は、表１～４等に示したように、上記内容とすることが好ましいことが推察された。このように前もって電池の種類を特定できることによる利点を以下に示す。
電池の容量および抵抗を推定するために、統計分析ソフトＲでランダムフォレストを用い、種類推定モデルを構築した。ハイパーパラメータｎｔｒｅｅ、ｍｔｒｙをそれぞれｎｔｒｅｅ＝１００００、ｍｔｒｙ＝５として、交流インピーダンス（０．１、１、１０、１００、１０００Ｈｚ）、開放電圧Ｖ、測定温度Ｔの測定結果で電池の容量および抵抗を予測した。単一の種類（パナソニック製ＬＩＢ）の結果は、前述の図１０、１１に示した。次に、上記３種類の電池の測定結果を全て用いて推定モデルを構築した場合と、各種類で測定結果を分けて推定モデルを構築した場合とを比較した。図１５は、単独種又は３種混合で予測した容量実験値と容量予測値との関係図である。図１５はＬＧ製ＬＩＢの容量の実験値と予測値とを比較した結果である。３種類の電池の測定結果を全て用いて推定モデルを構築した場合、単独種の電池のデータベースの場合と比較して一部の予測値が実験値に対して大きく外れる結果となった。この結果は、パナソニック製ＬＩＢやプラタ販売のＬＩＢでも同様のことが起きていた。つまり、予測精度を上げるには単独種の電池の測定結果だけで推定モデルを構築したほうが良好な結果が得られることがわかった。電池の種類が特定できない場合、複数の種類の電池のデータベースを混合して推定モデルを作るしかないので、前もって電池の種類を特定することは予測精度を向上させることにつながることが明らかとなった。
なお、本明細書で開示した劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラムは、上述した実施例に何ら限定されることはなく、本開示の技術的範囲に属する限り種々の態様で実施し得ることはいうまでもない。
本明細書で開示した劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラムは、蓄電デバイスの劣化を判定する技術分野に利用可能である。
１０ 劣化判定システム、１２ ネットワーク、１３ 蓄電デバイス、１４ 判定対象、１５ 測定装置、１６ 恒温槽、１７ 交流インピーダンスアナライザ、２０ 劣化判定装置、２１ 制御部、２２ 記憶部、２３ 既知試験結果、２４ インピーダンス、２５ 開放電圧、２６ 測定温度、２７ 劣化度、２８ 入力装置、２９ 表示装置、３０ 機械学習プログラム、３１ 許容範囲、３２ 種類推定モデル、３３ 劣化推定モデル、３４ 外れ値検出プログラム、３５ 種類推定プログラム、３６ 劣化判定プログラム、４０ 表示画面。
Claims (12)
- 蓄電デバイスの劣化度を判定する劣化判定装置であって、
種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルと、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部と、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて前記種類推定モデルから該蓄電デバイスの種類を推定し、推定した種類に該当する前記劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する制御部と、
を備えた劣化判定装置。 - 前記制御部は、種類が既知である複数の蓄電デバイスの測定因子を取得し、機械学習によって前記種類推定モデルを構築し、前記記憶部に記憶させる、請求項１に記載の劣化判定装置。
- 前記制御部は、前記機械学習の手法としてランダムフォレストを用いる、請求項２に記載の劣化判定装置。
- 前記記憶部は、蓄電デバイスの測定因子を用い所定の外れ値検出手法の評価値に基づいて構築された許容範囲、を記憶し、
前記制御部は、判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である前記測定結果を外れ値として出力する、請求項１～３のいずれか１項に記載の劣化判定装置。 - 蓄電デバイスの劣化度を判定する劣化判定装置であって、
蓄電デバイスの測定因子を用い所定の外れ値検出手法に基づいて構築された許容範囲と、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部と、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である測定結果を外れ値として出力し、前記評価値が前記許容範囲内である前記測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する制御部と、
を備えた劣化判定装置。 - 前記制御部は、前記外れ値検出手法としてＬＯＦ（Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ）を用いる、請求項４又は５に記載の劣化判定装置。
- 前記測定因子は、蓄電デバイスのインピーダンスの実部及び／又は虚部と、該蓄電デバイスの開放電圧と、該インピーダンス及び開放電圧の測定温度と、を少なくとも含む、請求項１～６のいずれか１項に記載の劣化判定装置。
- 前記測定因子は、１０-2Ｈｚ以上１０4Ｈｚ未満の範囲のインピーダンスを含む、請求項７に記載の劣化判定装置。
- 蓄電デバイスの測定因子の測定結果を得る測定装置と、
請求項１～８のいずれか１項に記載の劣化判定装置と、を備え、
前記制御部は、前記測定装置から前記蓄電デバイスの測定結果を取得する、劣化判定システム。 - 蓄電デバイスの劣化度を判定する劣化判定方法であって、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて、種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルから該蓄電デバイスの種類を推定する種類推定ステップと、
推定した種類に該当する、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する劣化判定ステップと、
を含む劣化判定方法。 - 蓄電デバイスの劣化度を判定する劣化判定方法であって、
蓄電デバイスの測定因子を用い所定の外れ値検出手法に基づいて構築された許容範囲と、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を有し、
判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である測定結果を外れ値として出力する出力ステップと、
前記評価値が許容範囲内である測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する劣化判定ステップと、
を含む劣化判定方法。 - 請求項１０又は１１に記載の劣化判定方法のステップを１又は複数のコンピュータに実現させる、プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021039920A JP2022139501A (ja) | 2021-03-12 | 2021-03-12 | 劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021039920A JP2022139501A (ja) | 2021-03-12 | 2021-03-12 | 劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022139501A true JP2022139501A (ja) | 2022-09-26 |
Family
ID=83400323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021039920A Pending JP2022139501A (ja) | 2021-03-12 | 2021-03-12 | 劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2022139501A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116846040A (zh) * | 2023-08-31 | 2023-10-03 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
-
2021
- 2021-03-12 JP JP2021039920A patent/JP2022139501A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116846040A (zh) * | 2023-08-31 | 2023-10-03 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
| CN116846040B (zh) * | 2023-08-31 | 2023-11-14 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Data-driven health estimation and lifetime prediction of lithium-ion batteries: A review | |
| Iurilli et al. | On the use of electrochemical impedance spectroscopy to characterize and model the aging phenomena of lithium-ion batteries: a critical review | |
| Tian et al. | Capacity attenuation mechanism modeling and health assessment of lithium-ion batteries | |
| Guha et al. | State of health estimation of lithium-ion batteries using capacity fade and internal resistance growth models | |
| Zhou et al. | Remaining useful life estimation of lithium-ion cells based on k-nearest neighbor regression with differential evolution optimization | |
| Ouyang et al. | A dynamic capacity degradation model and its applications considering varying load for a large format Li-ion battery | |
| Molaeimanesh et al. | Experimental analysis of commercial LiFePO 4 battery life span used in electric vehicle under extremely cold and hot thermal conditions | |
| CN112083345B (zh) | 电池状态检测方法、装置及存储介质 | |
| Yang et al. | A voltage reconstruction model based on partial charging curve for state-of-health estimation of lithium-ion batteries | |
| Deng et al. | Battery health evaluation using a short random segment of constant current charging | |
| JP6342612B2 (ja) | 二次電池診断装置及び二次電池診断方法 | |
| Sangwan et al. | An empirical capacity degradation modeling and prognostics of remaining useful life of Li-ion battery using unscented Kalman filter | |
| WO2023286452A1 (ja) | 評価装置、評価システム、評価方法及びそのプログラム | |
| Qu et al. | A joint grey relational analysis based state of health estimation for lithium ion batteries considering temperature effects | |
| JP2022139501A (ja) | 劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム | |
| Zhao et al. | Data-driven lithium-ion battery degradation evaluation under overcharge cycling conditions | |
| Kebede et al. | Development of a lifetime model for large format nickel-manganese-cobalt oxide-based lithium-ion cell validated using a real-life profile | |
| Das et al. | Supervised learning and data intensive methods for the prediction of capacity fade of lithium-ion batteries under diverse operating and environmental conditions | |
| JP2011247841A (ja) | リチウムイオン電池の内部抵抗の測定方法およびその装置 | |
| Peng et al. | Data-driven battery capacity estimation based on partial discharging capacity curve for lithium-ion batteries | |
| Narula | Modeling of ageing of lithium-ion battery at low temperaturas | |
| JP7396244B2 (ja) | 劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム | |
| WO2023135971A1 (ja) | 蓄電池劣化評価方法 | |
| CN115469230A (zh) | Ocv-soc在线估计方法、装置和计算机设备与存储介质 | |
| Ko et al. | Differential current in constant-voltage charging mode: A novel tool for state-of-health and state-of-charge estimation of lithium-ion batteries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230316 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231113 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240124 |