JP7151689B2 - 電池管理システム、電池管理方法、及び組電池の製造方法 - Google Patents

Description

本開示は、電池管理システム、電池管理方法、及び組電池の製造方法に関する。

二次電池の特性を評価する手法として交流インピーダンス法（以下、「ＡＣ－ＩＲ法」とも称する）が公知である。たとえば、特開２００３－３１７８１０号公報（特許文献１）には、ＡＣ－ＩＲ法によって取得された二次電池の反応抵抗値に基づいて、二次電池における微小短絡の有無を判定する方法が開示されている。

特開２００３－３１７８１０号公報

近年、二次電池を動力源とする電動車両（たとえば、電気自動車又はハイブリッド車）の普及が進んでいる。また、資源の有効利用の観点から、上記電動車両において使用された二次電池（以下、「使用済み電池」とも称する）を再利用することが検討されている。たとえば、電動車両から回収された使用済み電池の満充電容量を推定し、推定された満充電容量に基づいて、再利用の可否を判断したり用途（再利用の態様）を決定したりするシステムが考えられる。

一般に、車載用の組電池は複数（たとえば、数個～十数個）のモジュールを含んで構成され、複数のモジュールの各々は複数（たとえば、数十個）の単電池を含んで構成される。一般に、組電池を構成する単電池は「セル」と称される。今後、電気自動車の普及がさらに進むと、使用済み電池の数が急激に増加すると予想される。本願発明者は、こうした予見に基づき、大量の使用済み電池の満充電容量を、高い精度で、より早く、より簡単に推定できる方法を提案する。

前述したＡＣ－ＩＲ法の測定結果を用いて二次電池の満充電容量を推定する方法も考えられるが、こうした方法には、以下に示す課題がある。ＡＣ－ＩＲ法では、周波数応答アナライザ及びポテンショガルバノスタットのような専用機器を使用する。こうした専用機器は高価である。また、ＡＣ－ＩＲ法の測定条件（温度管理、測定ケーブルの配線、電源ノイズなど）は厳密であり、測定結果から等価回路の回路定数を求めるための解析は複雑である。ＡＣ－ＩＲ法による測定では専門知識が要求され、測定が簡単ではない。また、ＡＣ－ＩＲ法は、比較的早く測定できるが、まだ十分とはいえず、測定時間の点においても改善の余地がある。

本開示は、上記課題を解決するためになされたものであり、その目的は、二次電池の満充電容量を、高い精度で、早く、かつ、簡単に推定することである。

本開示に係る電池管理システムは、二次電池の情報を管理するように構成される。この電池管理システムは、以下に説明する記憶装置及び推定装置を備える。記憶装置は、少なくとも１つの学習済みニューラルネットワークを記憶している。推定装置は、所定の二次電池である対象電池の満充電容量を推定するように構成される。上記の学習済みニューラルネットワークは、予め定められたピクセル数の領域に二次電池の所定ＣＣＶ波形が描かれた画像におけるピクセル毎の数値を示す入力データを受け付ける入力層を備え、入力層に入力データが入力されると、二次電池の満充電容量を出力するように構成される。上記の所定ＣＣＶ波形は、二次電池の定電流充電中のＣＣＶの推移を示すＣＣＶ充電波形と、二次電池の定電流放電中のＣＣＶの推移を示すＣＣＶ放電波形とのいずれかである。上記の推定装置は、対象電池について取得された上記の入力データを学習済みニューラルネットワークの入力層に入力することにより、対象電池の満充電容量を推定するように構成される。

なお、上記「ＣＣＶ」は、閉路電圧（Closed Circuit Voltage）を意味する。上記「二次電池」は、再充電可能な電池であり、水系電解液電池、非水系電解液電池、全固体電池、及び燃料電池が含まれる。上記「二次電池」は、単電池であってもよいし、複数の単電池を含むモジュール（以下、「ＭＤＬ」と記載する場合がある）であってもよいし、複数の単電池（セル）が電気的に接続されて構成される組電池であってもよい。

上記電池管理システムでは、満充電容量の推定に上記学習済みニューラルネットワークを用いる。本願発明者は、上記の定電流充電及び定電流放電によって得られるＣＣＶ充電波形及びＣＣＶ放電波形の各々と満充電容量とが相関することに着眼した。学習済みニューラルネットワークによる推定精度は、主に学習の質及び量によって決まる。未学習ニューラルネットワークに適切な学習を行なうことによって、高い精度で二次電池の満充電容量を推定できる学習済みニューラルネットワークが得られる。こうした学習済みニューラルネットワークに上記入力データを入力すると、二次電池の満充電容量が出力される。推定のための工数は少なく、簡単に推定を行なうことができる。また、推定にかかる時間は短い。上記のような学習済みニューラルネットワークを用いることで、特殊な測定機器を用いたり、複雑な演算を行なわなくても、高い精度で、早く、かつ、簡単に二次電池の満充電容量を推定することが可能になる。

二次電池の満充電容量は、満充電時に二次電池に蓄えられる電気量に相当する。二次電池の満充電容量は、二次電池が劣化すると、少なくなる。以下、別の意味を示す説明がない場合には、「満充電容量」は、現時点における二次電池の満充電容量を意味する。すなわち、現時点において二次電池が劣化している場合には、「満充電容量」は、劣化した二次電池の満充電容量を意味する。また、以下では、初期状態の二次電池（すなわち、劣化していない二次電池）の満充電容量を「初期容量」と記載する場合がある。

上記の電池管理システムは、以下に説明する充電装置及び第１作成装置をさらに備えてもよい。充電装置は、対象電池の定電流充電を行なうことにより、対象電池についてＣＣＶ充電波形である所定ＣＣＶ波形を取得するように構成される。第１作成装置は、充電装置により取得された所定ＣＣＶ波形を用いて上記の入力データを作成するように構成される。上記の推定装置は、第１作成装置により作成された入力データを学習済みニューラルネットワークの入力層に入力することにより、対象電池の満充電容量を推定するように構成されてもよい。

上記電池管理システムは、対象電池の定電流充電を行なって所定ＣＣＶ波形（すなわち、ＣＣＶ充電波形）を取得し、学習済みニューラルネットワークに対する入力データを作成し、学習済みニューラルネットワークにより対象電池の満充電容量を推定することができる。上記充電装置は、所定ＣＣＶ波形を取得するために、たとえば１Ａ～５Ａの範囲から選ばれた一定の電流値で１分以上３０分以下の定電流充電を行なってもよい。

上記第１作成装置が入力データの作成に用いる所定ＣＣＶ波形のＳＯＣ範囲は、０％以上１０％以下の範囲から選ばれた所定ＳＯＣ範囲であってもよい。

ＳＯＣ（State Of Charge）は、蓄電残量を示し、たとえば、満充電状態の蓄電量に対する現在の蓄電量の割合を０～１００％で表わしたものである。以下、電池が実質的に電気を蓄えていない状態を、「空状態」と記載する場合がある。学習済みニューラルネットワークに対する入力データの作成に初期充電（より具体的には、空状態から１０％以下の所定ＳＯＣまでの充電）のＣＣＶ充電波形を用いることによって二次電池の満充電容量を高い精度で推定できることが、本願発明者の実験により確認されている。初期充電のＣＣＶ充電波形は、空状態の対象電池に短時間の定電流充電を行なうことによって取得できるため、取得が容易である。上記所定ＳＯＣ範囲は、ＳＯＣが０％から５％までの範囲であってもよい。

上述したいずれかの電池管理システムは、以下に説明する放電装置及び第２作成装置をさらに備えてもよい。放電装置は、対象電池の定電流放電を行なうことにより、対象電池についてＣＣＶ放電波形である所定ＣＣＶ波形を取得するように構成される。第２作成装置は、放電装置により取得された所定ＣＣＶ波形を用いて上記の入力データを作成するように構成される。上記の推定装置は、第２作成装置により作成された入力データを学習済みニューラルネットワークの入力層に入力することにより、対象電池の満充電容量を推定するように構成されてもよい。

上記電池管理システムは、対象電池の定電流放電を行なって所定ＣＣＶ波形（すなわち、ＣＣＶ放電波形）を取得し、学習済みニューラルネットワークに対する入力データを作成し、学習済みニューラルネットワークにより対象電池の満充電容量を推定することができる。

上記記憶装置に記憶される少なくとも１つの学習済みニューラルネットワークは、複数の学習済みニューラルネットワークを含んでもよい。上記の推定装置は、対象電池に関する情報を取得し、取得された情報を用いて複数の学習済みニューラルネットワークの中から対象電池に対応する１つの学習済みニューラルネットワークを選択し、選択された学習済みニューラルネットワークを用いて、対象電池の満充電容量を推定するように構成されてもよい。

ユーザは、たとえば、電池管理システムによって管理される各電池の特徴に合わせて各ニューラルネットワークの学習を行ない、各電池に合った複数の学習済みニューラルネットワークを上記記憶装置に記憶させることができる。上記推定装置は、複数の学習済みニューラルネットワークの中から対象電池に対応する１つの学習済みニューラルネットワークを選択して使用することで、対象電池の満充電容量を高い精度で推定することができる。上記記憶装置に記憶される複数の学習済みニューラルネットワークは、電池に関する情報によって区別されて管理されてもよい。電池に関する情報の例としては、電池メーカ、電池の構造（たとえば、寸法、形状、及び材料）、電池の初期容量が挙げられる。

上述したいずれかの電池管理システムは、推定装置により推定された満充電容量を用いて、対象電池の用途を決定する分別装置をさらに備えてもよい。

上記電池管理システムは、各電池の満充電容量に基づいて各電池の用途を決定することができる。これにより、各電池を用途別に管理することが可能になる。上記電池管理システムは、たとえば電池の再利用に好適である。

本開示に係る電池管理方法は、以下に説明する第１～第３ステップを含む。第１ステップでは、所定の二次電池である対象電池の所定ＣＣＶ波形を取得する。第２ステップでは、第１ステップで取得された所定ＣＣＶ波形を用いて、学習済みニューラルネットワークの入力データを作成する。第３ステップでは、第２ステップで作成された入力データが学習済みニューラルネットワークに入力され、学習済みニューラルネットワークが対象電池の満充電容量を出力する。入力データは、予め定められたピクセル数の領域に対象電池の所定ＣＣＶ波形が描かれた画像におけるピクセル毎の数値を示すデータである。所定ＣＣＶ波形は、対象電池の定電流充電中のＣＣＶの推移を示すＣＣＶ充電波形と、対象電池の定電流放電中のＣＣＶの推移を示すＣＣＶ放電波形とのいずれかである。

上記電池管理方法でも、上記学習済みニューラルネットワークを用いることで、前述した電池管理システムと同様、特殊な測定機器を用いたり、複雑な演算を行なわなくても、高い精度で、早く、かつ、簡単に二次電池の満充電容量を推定することが可能になる。

上記第１～第３ステップは、分析装置がユーザの指示に従って実行してもよい。また、上記第１～第３ステップは全自動化されてもよい。たとえば、コンピュータがセンサの信号に基づいて自動的に第１～第３ステップを実行してもよい。第１～第３ステップは、複数のコンピュータによって実行されてもよいし、１つのコンピュータによって実行されてもよい。

上記の電池管理方法は、第１ステップの前に、車両から二次電池を回収するステップと、回収された二次電池の残存放電を行なうステップと、残存放電後に二次電池を空状態で保管するステップとを車両ごとに行なって、複数の二次電池を空状態で保管してもよい。上記の第１ステップでは、上記空状態で保管されている複数の二次電池の中から対象電池を選び、対象電池に対して定電流充電を行なうことにより、対象電池についてＣＣＶ充電波形である所定ＣＣＶ波形を取得してもよい。

上記「残存放電」は、電池が空状態（すなわち、実質的に電気を蓄えていない状態）になるまで放電することを意味する。二次電池は、高ＳＯＣ状態で放置されると劣化しやすい。上記電池管理方法では、複数の車両の各々から回収した複数の二次電池を空状態で保管することによって保管中の電池劣化を抑制することができる。また、対象電池を空状態から定電流充電することで、前述した初期充電のＣＣＶ充電波形を容易に取得することができる。上記電池管理方法によれば、各車両から回収された各二次電池の満充電容量を、高い精度で、早く、かつ、簡単に推定することが可能になる。

上記車両は、電動車両であってもよい。電動車両は、二次電池に蓄えられた電力を用いて走行するように構成される車両である。電動車両には、ＥＶ（電気自動車）、ＨＶ（ハイブリッド車）、及びＰＨＶ（プラグインハイブリッド車）のほか、ＦＣ車（燃料電池自動車）、レンジエクステンダーＥＶなども含まれる。

上述したいずれかの電池管理方法は、第３ステップの後に、第３ステップで推定された満充電容量を用いて、対象電池を分別するステップと、分別の結果に従って対象電池を出荷するステップとをさらに含んでもよい。

上記「出荷」は、電池を保管場所から外に出すことを意味する。上記電池管理方法によれば、対象電池の出荷前に、対象電池の満充電容量を、高い精度で、早く、かつ、簡単に推定することができる。その後、推定された満充電容量を用いて対象電池を分別し、分別結果に従って対象電池を出荷することで、満充電容量の推定から出荷までの工程が円滑になる。第１ステップにおいて対象電池に定電流充電を行なう場合には、その充電を継続することにより出荷までに対象電池を満充電状態にしてもよい。

本開示に係る組電池の製造方法は、以下に説明する第１～第４ステップを含む。第１ステップでは、所定の二次電池である対象電池の所定ＣＣＶ波形を取得する。第２ステップでは、第１ステップで取得された所定ＣＣＶ波形を用いて、学習済みニューラルネットワークの入力データを作成する。第３ステップでは、第２ステップで作成された入力データが学習済みニューラルネットワークに入力され、学習済みニューラルネットワークが対象電池の満充電容量を出力する。第４ステップでは、第１～第３ステップを経て満充電容量が推定された複数の二次電池を用いて組電池を製造する。入力データは、予め定められたピクセル数の領域に対象電池の所定ＣＣＶ波形が描かれた画像におけるピクセル毎の数値を示すデータである。所定ＣＣＶ波形は、対象電池の定電流充電中のＣＣＶの推移を示すＣＣＶ充電波形と、対象電池の定電流放電中のＣＣＶの推移を示すＣＣＶ放電波形とのいずれかである。

上記組電池の製造方法によれば、上記学習済みニューラルネットワークを用いることで、高い精度で、早く、かつ、簡単に二次電池の満充電容量を推定し、この推定結果に基づき、適切な満充電容量を有する複数の二次電池を用いて組電池を製造することが可能になる。

上記第１～第３ステップは、前述した電池管理方法の第１～第３ステップと同じである。第４ステップは、ユーザが自ら行なってもよいし、製造装置がユーザの指示に従って行なってもよい。また、上記第１～第４ステップが全自動化されてもよい。

本開示によれば、二次電池の満充電容量を、高い精度で、早く、かつ、簡単に推定することができる。

本開示の実施の形態における、電池パックの回収から製造・販売までの物流の一態様を示す図である。 本開示の実施の形態に係る電池管理システムにおいて構築される通信ネットワークの例を示す図である。 管理業者が車両から電池パックを回収した後に行なう作業の一例を示すフローチャートである。 本開示の実施の形態に係る電池管理システムの概要を示す図である。 本開示の実施の形態に係るニューラルネットワークの学習について説明するための図である。 図５に示したニューラルネットワークの学習で用いられる学習用画像の一例を示す図である。 本開示の実施例において、リチウムイオン電池について測定された４つのＣＣＶ充電波形を示す図である。 本開示の実施例において、リチウムイオン電池について測定された４つのＣＣＶ放電波形を示す図である。 本開示の実施例に係る第１学習済みＮＮの評価結果を示す図である。 本開示の実施例に係る第２学習済みＮＮの評価結果を示す図である。 図４に示した電池管理装置が保有するＮＮ情報の一例を示す図である。 図４に示した電池管理装置が保有する電池情報の一例を示す図である。 本開示の実施の形態に係る電池管理方法において測定装置が実行する処理を示すフローチャートである。 本開示の実施の形態に係る電池管理方法において電池管理装置が実行する処理を示すフローチャートである。 本開示の実施の形態に係る電池管理方法において、学習済みＮＮを用いた満充電容量の推定の概要を示す図である。 本開示の実施の形態に係る対象電池の出荷態様を示す図である。 図１３に示した処理の変形例を示す図である。 電池管理システムの変形例について説明するための図である。

本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一又は相当部分には同一符号を付してその説明は繰り返さない。

以下に説明する実施の形態においては、車両から回収された使用済みの組電池の再利用を行なう。組電池は、複数のモジュールを含んで構成される。組電池を構成する複数のモジュールは、互いに直列に接続されていてもよいし、互いに並列に接続されていてもよい。複数のモジュールの各々は、電気的に接続（たとえば、直列接続）された複数のセル（単電池）を含む。組電池を構成する各セルとしては任意の二次電池を採用可能であるが、以下では、車載バッテリの代表的な例として、リチウムイオン電池及びニッケル水素電池について主に説明する。

組電池の「再利用」は、全てのセルの再利用（以下、「全部再利用」とも称する）と、部分的なセルの再利用（以下、「部分再利用」とも称する）と、資源リサイクルとに大別される。部分再利用は、パーツ利用と、リビルトとに、さらに大別される。

全部再利用では、車両から回収された組電池が、適切な性能回復処理及び所定の性能検査を経て、セルの交換を行なうことなく再利用される。

部分再利用では、車両から回収された組電池が所定のリユース単位（たとえば、モジュール又はセル）に解体される。これにより、複数のリユース単位が得られる。

パーツ利用では、組電池の解体によって得た上記複数のリユース単位に所定の出荷検査を行ない、出荷検査を通過したリユース単位が出荷される。

リビルトでは、組電池の解体によって得た上記複数のリユース単位のうち再利用可能なリユース単位を用いて、組電池が製造される。たとえば、再利用可能な複数のリユース単位を組み合わせて、新たな組電池が製造される。あるいは、組電池の一部が再利用可能なリユース単位に交換されて、組電池が再構築される。こうして製造された組電池（すなわち、リビルト品）は出荷検査を経て出荷される。

資源リサイクルでは、車両から回収された組電池が電池材料に分解され、組電池から再生可能な材料が取り出される。

図１は、本開示の実施の形態における、電池パックの回収から製造・販売までの物流の一態様を示す図である。以下では、図１に示される物流の態様を「電池物流モデル」と称する。

図１を参照して、この電池物流モデルは、電池管理業者３０（以下、単に「管理業者３０」とも称する）、電池パック製造業者３４（以下、単に「製造業者３４」とも称する）、販売店３５、リサイクル業者３６、及び以下に説明する電池管理システムによって構築される。

図２は、この実施の形態に係る電池管理システムにおいて構築される通信ネットワークの例を示す図である。図２を参照して、電池管理システム１は、車両１０と、管理サーバ２０と、端末４０，４４，４５と、通信ネットワーク５０とを含む。車両１０、管理サーバ２０、及び端末４０，４４，４５は、通信ネットワーク５０を介して互いに通信可能に構成される。通信ネットワーク５０は、インターネットと基地局とによって構築されるネットワークであってもよい。通信ネットワーク５０は基地局５１を含む。車両１０は、通信ネットワーク５０の基地局５１と無線通信によって情報の授受が可能に構成される。図２には１台の車両１０のみを図示しているが、電池管理システム１には、複数の車両（たとえば、図１に示す車両６０－１，６０－２，６０－３，・・・）が含まれる。管理サーバ２０は、予め登録された全ての車両と通信可能に構成される。端末４０、４４、４５は、それぞれ図１に示される管理業者３０、製造業者３４、販売店３５の端末である。

図１に示される管理業者３０は、車両６０－１，６０－２，６０－３，・・・から使用済みの電池パックを回収する。車両６０－１，６０－２，６０－３，・・・は、それぞれ電池パック６２－１，６２－２，６２－３，・・・を搭載しており、各電池パックは、複数のモジュールから構成される組電池を含んで構成される。管理業者３０は、車両１０から回収された使用済みの電池パックを販売店３５から受け取ってもよい。

図３は、管理業者３０が車両から電池パックを回収した後に行なう作業の一例を示すフローチャートである。

図１及び図２とともに図３を参照して、管理業者３０は、ステップ（以下、単に「Ｓ」とも表記する）１１において、車両から回収した電池パックから組電池を取り出し、組電池を解体してリユース単位を回収する。リユース単位は、セルであってもよいし、いくつかのセルが纏められたモジュールであってもよい。この実施の形態では、リユース単位をモジュール（ＭＤＬ）とする。

Ｓ１２では、管理業者３０が、上記組電池の解体によって得た複数のリユース単位（すなわち、複数のモジュール）の各々の残存放電を行なう。これにより、リユース単位の各セルは、空状態（すなわち、実質的に電気を蓄えていない状態）になる。

Ｓ１３では、管理業者３０が、上記残存放電が行なわれた複数のリユース単位（すなわち、複数のモジュール）を所定の保管場所（たとえば、後述する図４に示す保管庫５００）に保管する。管理業者３０は、保管するモジュール毎に当該モジュールを特定するためのＩＤ（以下、「Ｍ－ＩＤ」とも称する）を付与する。端末４０においては、管理業者３０が保管する各モジュールの情報がＭ－ＩＤと紐付けられて管理されている。管理業者３０は、端末４０を用いてＭ－ＩＤ及びモジュール情報を管理サーバ２０へ送信する。なお、図１には管理業者３０のみを示しているが、電池管理業者は拠点ごとに存在する。各拠点の電池管理業者が管理するモジュール情報は、各拠点の電池管理業者から管理サーバ２０に集約される。管理サーバ２０は、各拠点の電池管理業者が管理するモジュール情報を拠点ごと（すなわち、電池管理業者ごと）に区別して一括管理している。

上記Ｓ１１～Ｓ１３は、車両ごとに行なわれる。これにより、複数のモジュールが空状態（すなわち、実質的に電気を蓄えていない状態）で保管される。複数の車両の各々から回収した複数のモジュールを空状態で保管することによって保管中のモジュール劣化を抑制することができる。管理業者３０は、上記Ｓ１２の前に、回復可能な電池の性能低下（たとえば、ハイレート劣化又は付属部品の不良）を回復するための処理（すなわち、性能回復処理）を上記リユース単位に施してもよい。性能回復処理は、ハイレート劣化を回復させるための充電又は放電であってもよいし、付属部品の交換であってもよい。

再び図１及び図２を参照して、管理業者３０は、保管中のリユース単位（この実施の形態では、モジュール）の性能検査を行ない、検査結果に応じてリユース単位を分別する。この実施の形態では、性能検査として、満充電容量の推定が行なわれる。リユース単位の分別によって、リユース単位の用途が決定される。用途の分け方は任意であり、たとえば、パーツ利用／リビルト／資源リサイクルのような分け方であってもよいし、自動車用電池／定置用電池のような分け方であってもよい。また、自動車用電池をさらに大型車用電池／小型車用電池のように分類してもよいし、定置用電池をさらに家庭用電池／ビル用電池／店舗用電池／工場用電池のように分類してもよい。定置用電池は、再生可能エネルギー（たとえば、太陽エネルギー）の需給調整に利用されてもよい。

管理業者３０によって「資源リサイクル」に分別されたリユース単位（この実施の形態では、モジュール）は、管理業者３０からリサイクル業者３６へ送られる。リサイクル業者３６は、管理業者３０から受け取ったリユース単位を電池材料に分解することにより、新たなセル又はその他製品の原料として利用するための再資源化を行なう。

管理業者３０によって「リビルト」に分別されたリユース単位（この実施の形態では、モジュール）は、管理業者３０から製造業者３４へ送られる。製造業者３４は、管理業者３０から受け取ったリユース単位を用いて組電池を製造するとともに、製造された組電池を電池パックに搭載する。さらに、製造業者３４は、組電池に対して付属部品（たとえば、拘束板、センサ、及びリレー）を取り付けることにより、電池パックを完成させる。

製造業者３４によって製造された組電池を含む電池パックは、製造業者３４から販売店３５へ送られる。販売店３５は、電池パックを販売したり、電池パックを搭載した新車を販売したり、車両で使用された組電池のリビルト（再構築）の注文を受け付けたりする。

販売店３５は、車両毎に当該車両を特定するためのＩＤ（以下、「車両ＩＤ」とも称する）を付与し、端末４５において、各車両の情報を車両ＩＤと紐付けて管理している。車両の情報には、各車両に搭載された通信機器の通信アドレスが含まれる。販売店３５は、端末４５を用いて車両ＩＤ及び各車両の情報を管理サーバ２０へ送信する。なお、図１には販売店３５のみを示しているが、販売店は拠点ごとに存在する。各拠点の販売店が管理する車両の情報は、各拠点の販売店及び各車両から管理サーバ２０に集約される。管理サーバ２０は、各拠点の販売店が管理する車両の情報を拠点ごと（すなわち、販売店ごと）に区別して一括管理している。

図１に示される電池物流モデルにおいて、電池パックの不調を感じた車両１０のユーザが、販売店３５に車両１０を持ち込んで電池パックの修理を依頼した場合には、たとえば次のような手順で電池パックの修理が行なわれる。

車両１０のユーザは販売店３５へ車両１０を引き渡す。販売店３５は、車両１０に車両ＩＤを付与する。ただし、すでに車両１０に車両ＩＤが付与されている場合には、車両ＩＤの付与は省略される。販売店３５は、車両１０に搭載された組電池について全部再利用が可能か否かを判断する。

全部再利用が可能と判断された場合には、販売店３５は、セルの交換を行なうことなく、性能回復処理によって組電池を回復させる。性能回復処理が施された組電池は、性能検査を経て、車両１０に搭載される。

全部再利用が不可能と判断された場合には、販売店３５は、組電池のリビルトを製造業者３４に発注する。この際、販売店３５は、車両１０から回収した電池パックを車両ＩＤとともに製造業者３４へ送付する。製造業者３４は、リビルトに必要なリユース単位（この実施の形態では、モジュール）を管理業者３０に要求し、そのリユース単位を管理業者３０から受け取る。そして、製造業者３４は、受け取ったリユース単位を用いて組電池のリビルトを行なう。製造された組電池（すなわち、リビルト品）を含む電池パックは、車両１０が持ち込まれた販売店３５へ配送され、性能検査を経て、販売店３５において車両１０に搭載される。

図１では、管理業者３０、製造業者３４、及び販売店３５を、互いに個別の業者としたが、業者の区分はこれに限定されるものではない。たとえば、管理業者３０と製造業者３４と販売店３５とが一の業者であってもよい。

この実施の形態に係る電池管理システムは、管理業者３０の拠点に設置される。電池管理システムは、二次電池の情報を管理するように構成される。詳細は後述するが、この実施の形態に係る電池管理システムは、学習済みニューラルネットワークを用いて、二次電池の満充電容量を推定するように構成される。図４は、この実施の形態に係る電池管理システムの概要を示す図である。

図１及び図２とともに図４を参照して、この実施の形態に係る電池管理システムは、二次電池の情報を取得する分析装置と、二次電池を保管する保管庫５００とを備える。分析装置は、測定装置１００と、電池管理装置２００と、電源装置５１０と、充放電器５２０と、センサモジュール５３０とを含んで構成される。この実施の形態では、測定装置１００、電源装置５１０、充放電器５２０、及びセンサモジュール５３０が保管庫５００内に設置され、電池管理装置２００が保管庫５００の外側に設置されている。電池管理装置２００は、たとえば図２に示した端末４０に搭載される。保管庫５００内には、さらに、複数の自動放電装置５４０と、温度管理装置５５０とが設置されている。

電源装置５１０は、充放電器５２０と複数の自動放電装置５４０との各々と電気的に接続されている。また、電源装置５１０は、蓄電装置を含む。管理業者３０は、図３のＳ１２において、車両から回収されたモジュールＭを自動放電装置５４０にセットする。この作業は、ユーザが自ら行なってもよいし、電池管理装置２００からの指示又は所定のプログラムに従ってロボットが行なってもよい。自動放電装置５４０は、モジュールＭがセットされると、自動的にモジュールＭの残存放電（すなわち、モジュールＭが空状態になるまでの放電）を行なうように構成される。各自動放電装置５４０にセットされた各モジュールＭから放電される電力は電源装置５１０へ出力され、蓄電装置に蓄えられる。こうした構成によれば、図３のＳ１２（残存放電）及びＳ１３（電池保管）を同時に行なうこと（ひいては、工程時間を短縮すること）が可能になる。温度管理装置５５０は、保管庫５００内の温度を測定しながら保管庫５００内の温度を設定値に調整するように構成される。温度管理装置５５０は、保管庫５００内の空気調和を行なうように構成されてもよい。保管庫５００内の温度は、温度管理装置５５０によって所定の温度（たとえば、約２５℃）に保たれる。

電源装置５１０は、充放電器５２０に電力を供給するように構成される。電源装置５１０は、電力系統（すなわち、電気事業者が提供する電力網）に接続され、電力系統から供給される電力に所定の電力変換を行ない、変換後の電力を充放電器５２０へ供給するように構成されてもよい。

管理業者３０は、二次電池の出荷前に、分析装置によって二次電池の性能検査を行なう。管理業者３０は、空状態で保管されている複数のモジュールＭのうち、出荷予定のモジュールＭ_Ｄ（対象電池）を充放電器５２０に接続する。この作業は、ユーザが自ら行なってもよいし、電池管理装置２００からの指示又は所定のプログラムに従ってロボットが行なってもよい。充放電器５２０は、電源装置５１０から供給される電力を用いて、モジュールＭ_Ｄに対して定電流充電を行なうように構成される。より具体的には、充放電器５２０は、電源装置５１０から供給される電力を定電流充電に適した電力に変換し、変換された電力をモジュールＭ_Ｄへ供給することにより、一定の電流値でモジュールＭ_Ｄの充電を行なうように構成される。

充放電器５２０は、電源装置５１０からモジュールＭ_Ｄまでの電力経路の接続／遮断を切り替えるリレーと、電力変換回路と（いずれも図示せず）を含んで構成される。電力変換回路は、整流回路、ＰＦＣ（Power Factor Correction）回路、絶縁回路（たとえば、絶縁トランス）、ＤＣ／ＤＣコンバータ、インバータ、及びフィルタ回路の少なくとも１つを含んでもよい。充放電器５２０に含まれるリレー及び電力変換回路の各々は、測定装置１００の制御装置１１０によって制御される。充放電器５２０は、制御装置１１０からの指示に従い、モジュールＭ_Ｄの充電を行なうように構成される。また、充放電器５２０は、制御装置１１０からの指示に従い、モジュールＭ_Ｄの放電を行ない、モジュールＭ_Ｄから出力される電力を電源装置５１０へ出力するように構成される。

センサモジュール５３０は、充放電器５２０に接続されたモジュールＭ_Ｄの状態（たとえば、電圧、電流、及び温度）を検出する各種センサを含み、検出結果を測定装置１００へ出力する。センサモジュール５３０の出力は、測定装置１００の制御装置１１０に入力される。制御装置１１０は、センサモジュール５３０の出力に基づいて、モジュールＭ_Ｄの状態（たとえば、温度、電流、電圧、ＳＯＣ、及び内部抵抗）を取得することができる。

測定装置１００は、制御装置１１０、記憶装置１２０、及び通信装置１３０を備える。電池管理装置２００は、制御装置２１０、記憶装置２２０、通信装置２３０、入力装置２４０、及び表示装置２５０を備える。制御装置１１０及び２１０の各々としては、プロセッサ及びＲＡＭ（Random Access Memory）を含むマイクロコンピュータを採用できる。プロセッサとしては、ＣＰＵ（Central Processing Unit）を採用できる。記憶装置１２０及び２２０の各々は、たとえばＲＯＭ（Read Only Memory）及び書き換え可能な不揮発性メモリを含む。記憶装置１２０及び２２０の各々には、プログラムのほか、プログラムで使用される情報（たとえば、マップ、数式、及び各種パラメータ）が記憶されている。なお、測定装置１００及び電池管理装置２００の各々が備えるプロセッサの数は任意であり、所定の制御ごとにプロセッサが用意されてもよい。

通信装置１３０及び２３０の各々は、所定の通信Ｉ／Ｆ（インターフェース）を含んで構成される。測定装置１００と電池管理装置２００とは、通信装置１３０及び２３０を介して、相互に通信可能に構成される。通信方式は有線及び無線のいずれであってもよい。

入力装置２４０は、ユーザからの入力を受け付ける装置である。入力装置２４０は、ユーザによって操作され、ユーザの操作に対応する信号を制御装置２１０へ出力する。たとえば、ユーザは、入力装置２４０を通じて、所定の指示又は要求を制御装置２１０に入力したり、パラメータの値を制御装置２１０に設定したりすることができる。通信方式は有線でも無線でもよい。入力装置２４０としては、各種ポインティングデバイス（マウス、タッチパッド等）、キーボード、又はタッチパネルを採用できる。また、入力装置２４０は、携帯機器（たとえば、ノートパソコン、スマートフォン、又はウェアラブルデバイス）の操作部であってもよい。

表示装置２５０は、制御装置２１０から入力される情報を表示するように構成される。制御装置２１０は、表示装置２５０を通じてユーザへ情報を報知することができる。表示装置２５０の例としては、ＣＲＴ（Cathode Ray Tube）ディスプレイ、液晶ディスプレイ（ＬＣＤ）、タッチパネルディスプレイが挙げられる。表示装置２５０は、携帯機器の表示部であってもよい。表示装置２５０はスピーカ機能を備えていてもよい。

制御装置１１０は、充放電制御部１１１と、情報管理部１１２とを含む。これら各部は、たとえば、プロセッサと、プロセッサにより実行されるプログラムとによって具現化される。ただしこれに限られず、これら各部は、専用のハードウェア（電子回路）によって具現化されてもよい。

充放電制御部１１１は、充放電器５２０を制御することにより、充放電器５２０に接続されたモジュールＭ_Ｄの充電及び放電を制御するように構成される。この実施の形態では、充放電制御部１１１が、充放電器５２０を制御することによりモジュールＭ_Ｄの定電流充電を行ない、モジュールＭ_ＤのＣＣＶ充電波形（すなわち、モジュールＭ_Ｄの定電流充電中のＣＣＶの推移を示す波形）を取得するように構成される。情報管理部１１２は、センサモジュール５３０の検出結果を受信するように構成される。モジュールＭ_Ｄの定電流充電中において、センサモジュール５３０は、モジュールＭ_Ｄの電圧（すなわち、ＣＣＶ）を逐次検出し、検出されたＣＣＶを情報管理部１１２へ逐次出力する。情報管理部１１２には、上記ＣＣＶ充電波形が入力される。この実施の形態では、電流値２Ａの条件でモジュールＭ_Ｄの定電流充電が行なわれるように、充放電制御部１１１が充放電器５２０を制御する。これにより、モジュールＭ_Ｄの初期充電のＣＣＶ充電波形が、情報管理部１１２に入力される。なお、定電流充電の条件（たとえば、電流値）は、上記に限られず任意に設定できる。

情報管理部１１２は、センサモジュール５３０の出力に基づいて、リアルタイムでモジュールＭ_ＤのＣＣＶを検出するとともに、モジュールＭ_ＤのＣＣＶの推移を示すＣＣＶ充電波形を記憶装置１２０に記録する。情報管理部１１２は、ＣＣＶ充電波形の取得が終了すると、記憶装置１２０に記録されたＣＣＶ充電波形を用いて、検査用画像データを作成し、作成された検査用画像データを記憶装置１２０に保存する。検査用画像データは、予め定められたピクセル数の領域にＣＣＶ充電波形が描かれた画像におけるピクセル毎の数値を示すデータであり、後述する学習済みニューラルネットワークの入力データに相当する。検査用画像データのグラフ書式及び画像フォーマットは、後述する学習用画像（図６参照）と同じである。この実施の形態に係る充放電制御部１１１、情報管理部１１２、電源装置５１０、充放電器５２０、及びセンサモジュール５３０は、本開示に係る「充電装置」の一例に相当する。この実施の形態に係る情報管理部１１２は、本開示に係る「第１作成装置」の一例に相当する。

制御装置２１０は、情報管理部２１１と、容量推定部２１２と、分別部２１３とを含む。これら各部は、たとえば、プロセッサと、プロセッサにより実行されるプログラムとによって具現化される。ただしこれに限られず、これら各部は、専用のハードウェア（電子回路）によって具現化されてもよい。

情報管理部２１１は、測定装置１００からモジュールＭ_Ｄの検査用画像データを取得するように構成される。測定装置１００の制御装置１１０は、たとえばユーザからの要求に応じて上記のようにモジュールＭ_Ｄの検査用画像データを作成し、作成された検査用画像データを、通信装置１３０及び２３０を介して制御装置２１０へ送信する。そして、制御装置１１０から制御装置２１０へ送信された検査用画像データを、情報管理部２１１が受信する。

容量推定部２１２は、モジュールＭ_Ｄについて取得された検査用画像データを学習済みニューラルネットワークの入力層に入力することにより、モジュールＭ_Ｄの満充電容量を推定するように構成される。学習済みニューラルネットワークは、記憶装置２２０に記憶されている。分別部２１３は、容量推定部２１２により推定されたモジュールＭ_Ｄの満充電容量を用いて、モジュールＭ_Ｄの用途を決定するように構成される。この実施の形態に係る容量推定部２１２、分別部２１３は、それぞれ本開示に係る「推定装置」、「分別装置」の一例に相当する。

図５は、ニューラルネットワークの学習について説明するための図である。図５を参照して、未学習ニューラルネットワークに適切な学習を行なうことによって、学習済みニューラルネットワークが得られる。この実施の形態では、管理業者３０が、未学習ニューラルネットワークに教師あり機械学習を行なうことにより、学習済みニューラルネットワークを得る。この実施の形態において、未学習ニューラルネットワークは、汎用の機械学習アルゴリズムであり、学習済みニューラルネットワークは、二次電池の満充電容量を推定する推定モデルとして機能する。

ニューラルネットワークは、入力層ｘと隠れ層ｙと出力層ｚとを備える。入力層ｘには、学習用画像及び検査用画像データの各々が入力される。入力層ｘは、学習用画像（ひいては、検査用画像データ）のピクセル数に対応する数（Ｎ個）のノードを含んで構成される。出力層ｚのノード数は、必要な出力数に応じて決定される。たとえば、出力層ｚのノード数が１０１個であれば、出力層ｚは、０Ａｈ～１０Ａｈの範囲で０．１Ａｈ刻みで満充電容量の推定結果を出力したり、１５Ａｈ～２５Ａｈの範囲で０．１Ａｈ刻みで満充電容量の推定結果を出力したり、０Ａｈ～２０Ａｈの範囲で０．２Ａｈ刻みで満充電容量の推定結果を出力したりすることが可能になる。出力層ｚのノード数は任意に設定できるが、この実施の形態では、出力層ｚのノード数を７１個とする。

本願発明者は、ＣＣＶ充電波形及びＣＣＶ放電波形の各々と満充電容量とが相関することに着眼した。ＣＣＶ充電波形は、二次電池の定電流充電中のＣＣＶの推移を示すＣＣＶ波形である。ＣＣＶ放電波形は、二次電池の定電流放電中のＣＣＶの推移を示すＣＣＶ波形である。

教師データとして、二次電池のＣＣＶ充電波形を所定のグラフ書式及び画像フォーマットで表現した学習用画像（以下、「ＣＣＶ充電波形の学習用画像」とも称する）と、正解データ（すなわち、二次電池の満充電容量の実測データ）とを用いて、未学習ニューラルネットワークに教師あり機械学習を行なうことによって、ＣＣＶ充電波形の画像データ（より特定的には、ＣＣＶ充電波形の学習用画像と同じグラフ書式及び画像フォーマットで表現された画像データ）を入力データとして高い精度で二次電池の満充電容量を推定できる学習済みニューラルネットワークが得られる。また、教師データとして、二次電池のＣＣＶ放電波形を所定のグラフ書式及び画像フォーマットで表現した学習用画像（以下、「ＣＣＶ放電波形の学習用画像」とも称する）と、正解データ（すなわち、二次電池の満充電容量の実測データ）とを用いて、未学習ニューラルネットワークに教師あり機械学習を行なうことによって、ＣＣＶ放電波形の画像データ（より特定的には、ＣＣＶ放電波形の学習用画像と同じグラフ書式及び画像フォーマットで表現された画像データ）を入力データとして高い精度で二次電池の満充電容量を推定できる学習済みニューラルネットワークが得られる。

図６は、ニューラルネットワークの学習で用いられる学習用画像の一例を示す図である。図６に示される学習用画像は、予め定められたピクセル数の領域にＣＣＶ放電波形が描かれた画像におけるピクセル毎の数値（すなわち、画素値）を示すデータである。以下、ＣＣＶ波形が描かれる上記領域を、「画像領域」とも称する。画像領域のピクセル数は、たとえば約１２０００である。画像領域の一例では、縦のピクセル数が約６０、横のピクセル数が約２００である。図６に示される学習用画像では、白黒の濃淡（白～黒）がグレースケールの２５６階調（０～２５５）で表わされている。画素値０は白を表わし、画素値２５５は黒を表わす。画像領域の各画素値は、０～２５５のいずれかの値をとり、ピクセルが黒に近づくほどピクセルの画素値は大きくなる。この学習用画像において、横軸は時間、縦軸はＣＣＶを示しており、実測データ（たとえば、図４に示したセンサモジュール５３０の検出値）に近い位置のピクセルほど画素値は大きくなる。横軸における同一時刻のＣＣＶは、たとえば２～３個のピクセルで表現される。こうしたグラフ書式及び画像フォーマットによれば、少ないピクセル数でも高い精度でＣＣＶ波形（すなわち、ＣＣＶの推移）を表現することができる。

上記では、図６に示したＣＣＶ放電波形の学習用画像の一例を参照して、学習用画像のグラフ書式及び画像フォーマットについて説明した。ＣＣＶ放電波形の学習用画像とＣＣＶ充電波形の学習用画像とでは、画像領域に描かれるＣＣＶ波形が異なるだけで、グラフ書式及び画像フォーマットは同じである。このため、ＣＣＶ充電波形の学習用画像の図示は省略する。

図７は、リチウムイオン電池について測定された４つのＣＣＶ充電波形（すなわち、定電流充電時のＣＣＶ波形）を示す図である。リチウムイオン電池の満充電容量は、リチウムイオン電池の劣化が進行するほど低下する。本願発明者は、初期容量２１Ａｈの非水系電解液リチウムイオン電池を電動車両で使用して劣化させつつ、リチウムイオン電池の満充電容量が測定ポイント（２０Ａｈ、１９Ａｈ、１８Ａｈ、１７Ａｈ）まで劣化したタイミングでリチウムイオン電池のＣＣＶ充電波形を測定した。図７において、線Ｌ１１、Ｌ１２、Ｌ１３、Ｌ１４は、それぞれリチウムイオン電池の満充電容量が２０Ａｈ、１９Ａｈ、１８Ａｈ、１７Ａｈになった時点で測定されたＣＣＶ充電波形を示している。図７に示されるように、ＣＣＶ充電波形と満充電容量とは相関関係を有する。

図８は、リチウムイオン電池について測定された４つのＣＣＶ放電波形（すなわち、定電流放電時のＣＣＶ波形）を示す図である。本願発明者は、初期容量２１Ａｈの非水系電解液リチウムイオン電池を電動車両で使用して劣化させつつ、リチウムイオン電池の満充電容量が測定ポイント（２０Ａｈ、１９Ａｈ、１８Ａｈ、１７Ａｈ）まで劣化したタイミングでリチウムイオン電池のＣＣＶ放電波形を測定した。図８において、線Ｌ２１、Ｌ２２、Ｌ２３、Ｌ２４は、それぞれリチウムイオン電池の満充電容量が２０Ａｈ、１９Ａｈ、１８Ａｈ、１７Ａｈになった時点で測定されたＣＣＶ放電波形を示している。図８に示されるように、ＣＣＶ放電波形と満充電容量とは相関関係を有する。

再び図５を参照して、前述した教師データを用いてニューラルネットワークの教師あり機械学習を行なうことにより、ニューラルネットワークの目標出力と実際の出力とが一致するように、入力層ｘと隠れ層ｙとの間の重み付けＷ１と、隠れ層ｙと出力層ｚとの間の重み付けＷ２とが調整される。教師信号による重み付けＷ１，Ｗ２の調整を繰り返すことによって、ニューラルネットワークの容量推定精度を高めることができる。

本願発明者は、初期容量７Ａｈのニッケル水素電池についてＣＣＶ充電波形の画像データから満充電容量を推定するように学習された学習済みニューラルネットワーク（以下、「第１学習済みＮＮ」とも称する）と、初期容量２１Ａｈの非水系電解液リチウムイオン電池についてＣＣＶ放電波形の画像データから満充電容量を推定するように学習された学習済みニューラルネットワーク（以下、「第２学習済みＮＮ」とも称する）との各々について、以下に説明する方法で容量推定精度を評価した。

本願発明者は、各学習済みＮＮについて３３６個の評価用データを用意した。第１学習済みＮＮを評価するための評価用データとしては、初期容量７Ａｈのニッケル水素電池の、ＣＣＶ充電波形の評価用画像及び正解データ（すなわち、満充電容量の実測値）を用意した。第２学習済みＮＮを評価するための評価用データとしては、初期容量２１Ａｈの非水系電解液リチウムイオン電池の、ＣＣＶ放電波形の評価用画像及び正解データ（すなわち、満充電容量の実測値）を用意した。本願発明者は、評価用画像を学習済みＮＮ（すなわち、第１学習済みＮＮ又は第２学習済みＮＮ）に入力し、学習済みＮＮの出力値（すなわち、満充電容量の推定値）を得た。本願発明者は、学習済みＮＮの出力値と満充電容量の実測値との差の絶対値（以下、「絶対誤差」と称する）を算出した。本願発明者は、評価用データごとに絶対誤差を算出し、３３６個の絶対誤差を得た。本願発明者は、３３６個の絶対誤差のうち０．５Ａｈ以下である絶対誤差の個数割合（以下、「評価結果Ａ」とも称する）を求めた。さらに、３３６個の絶対誤差の平均値（以下、「評価結果Ｂ」とも称する）を求めた。上記評価では、２つの観点から学習済みＮＮの容量推定精度が評価される。評価結果Ａが高いほど、また、評価結果Ｂが小さいほど、学習済みＮＮの容量推定精度は高いと評価される。

図９は、第１学習済みＮＮの評価結果を示す図である。図９を参照して、第１学習済みＮＮの評価では、評価結果Ａが８８．５４％、評価結果Ｂが０．２２Ａｈであった。このように、第１学習済みＮＮを用いることで、二次電池（より特定的には、初期容量７Ａｈのニッケル水素電池）の満充電容量を高い精度で推定することができた。

図１０は、第２学習済みＮＮの評価結果を示す図である。図１０を参照して、第２学習済みＮＮの評価では、評価結果Ａが９２．３８％、評価結果Ｂが０．２１Ａｈであった。このように、第２学習済みＮＮを用いることで、二次電池（より特定的には、初期容量２１Ａｈの非水系電解液リチウムイオン電池）の満充電容量を高い精度で推定することができた。

この実施の形態では、予め定められたピクセル数の領域に二次電池のＣＣＶ充電波形が描かれた画像におけるピクセル毎の数値を示す第１入力データを受け付ける入力層を備え、入力層に第１入力データが入力されると、二次電池の満充電容量を出力する学習済みニューラルネットワーク（以下、「充電型ＮＮ」とも称する）を使用する。上述の第１学習済みＮＮは、充電型ＮＮの一例に相当する。ただし、上述のような学習により、予め定められたピクセル数の領域に二次電池のＣＣＶ放電波形が描かれた画像におけるピクセル毎の数値を示す第２入力データを受け付ける入力層を備え、入力層に第２入力データが入力されると、二次電池の満充電容量を出力する学習済みニューラルネットワーク（以下、「放電型ＮＮ」とも称する）を生成することも可能である。上述の第２学習済みＮＮは、放電型ＮＮの一例に相当する。放電型ＮＮを用いる実施の形態（変形例）については、後述する。

再び図４を参照して、上述のようにニューラルネットワークの学習を行ない、容量推定精度が十分高くなった学習済みニューラルネットワークが記憶装置２２０に格納される。この実施の形態では、複数の学習済みニューラルネットワークが記憶装置２２０に記憶されている。複数の学習済みニューラルネットワークは、電池メーカ及び型番によって区別されて管理されている（後述する図１１参照）。電池の製造条件は、電池メーカによって異なる。型番は、電池の構造（たとえば、寸法、形状、及び材料）及び初期容量を示す。複数の電池について、電池メーカ及び型番が同じであることは、電池の構造、初期容量、及び製造条件が概ね同じであることを意味する。各学習済みニューラルネットワークは、対応する電池メーカ及び型番の二次電池を用いて学習されたニューラルネットワークである。記憶装置２２０に記憶されている複数の学習済みニューラルネットワークの各々は、充電型ＮＮの一例に相当する。以下、ニューラルネットワークを、「ＮＮ」と記載する場合がある。

記憶装置２２０には、電池メーカ及び型番と、学習済みＮＮとを紐付ける情報（以下、「ＮＮ情報」とも称する）が記憶されている。図１１は、ＮＮ情報の一例を示す図である。図１１を参照して、ＮＮ情報によって、電池メーカ及び型番と、学習済みＮＮ（ＮＸ－１、ＮＸ－２、ＮＹ－１、・・・）とが紐付けられている。また、図１１に示すＮＮ情報は、各学習済みＮＮに関する情報（たとえば、学習条件）を含む。学習条件の例としては、入力データのグラフ書式及び画像フォーマット、学習時の充電レート、学習時の温度が挙げられる。

再び図４を参照して、記憶装置２２０には、保管庫５００に保管される各モジュールＭの情報（以下、「電池情報」とも称する）がＭ－ＩＤによって区別されて記憶されている。図１２は、電池情報の一例を示す図である。図１２を参照して、電池情報は、たとえば、電池メーカと、型番と、電池材料（非水系電解液リチウムイオン電池、ニッケル水素電池、全固体リチウムイオン電池、・・・）と、初期容量とを含む。電池情報は、図１２に示されない情報（たとえば、電池の寸法及び形状）をさらに含んでもよい。

再び図４を参照して、制御装置２１０は、ユーザからの要求に応じて、表示装置２５０にＮＮ情報（たとえば、図１１参照）及び電池情報（たとえば、図１２参照）の少なくとも一方を表示させるように構成される。ユーザは、入力装置２４０を通じて制御装置２１０に指示することによって、記憶装置２２０に記憶されている各学習済みＮＮの情報と、保管庫５００に保管されている各モジュールＭの情報とを確認することができる。

ユーザは、保管庫５００に保管される複数のモジュールＭのいずれかを出荷するときに、その出荷されるモジュールＭを充放電器５２０に接続する。充放電器５２０に接続されたモジュールＭは、モジュールＭ_Ｄ（対象電池）となる。ユーザは、モジュールＭ_Ｄを出荷する前に、入力装置２４０を通じて制御装置２１０にモジュールＭ_Ｄの分別を要求する。この際、ユーザはモジュールＭ_ＤのＭ－ＩＤを制御装置２１０に入力する。制御装置２１０の情報管理部２１１は、ユーザからの要求に応じて、測定装置１００の制御装置１１０に検査用画像データの送信を要求する。制御装置１１０は、情報管理部２１１からの要求に応じて、充放電器５２０を制御してモジュールＭ_Ｄの定電流充電を行ない、センサモジュール５３０の出力から検査用画像データを作成し、作成された検査用画像データを情報管理部２１１へ送信する。情報管理部２１１は、受信した検査用画像データを容量推定部２１２へ送る。

容量推定部２１２は、記憶装置２２０内の電池情報と、ユーザにより入力された上記Ｍ－ＩＤとを用いて、モジュールＭ_Ｄの電池メーカ及び型番を取得する。そして、容量推定部２１２は、記憶装置２２０内のＮＮ情報を参照して、記憶装置２２０に記憶されている複数の学習済みＮＮの中から、モジュールＭ_Ｄの電池メーカ及び型番に対応する１つの学習済みＮＮを選択する。こうすることで、モジュールＭ_Ｄに合った学習済みＮＮが選択される。その後、容量推定部２１２は、情報管理部２１１から受け取ったモジュールＭ_Ｄの検査用画像データを、上記のように選択された学習済みＮＮの入力層に入力することにより、モジュールＭ_Ｄの満充電容量を推定する。

容量推定部２１２によって推定されたモジュールＭ_Ｄの満充電容量（推定結果）は、容量推定部２１２から分別部２１３へ送られる。分別部２１３は、その推定結果に基づいてモジュールＭ_Ｄの用途を決定する。分別部２１３は、決定した用途を、記憶装置２２０内の電池情報に書き込むとともに、情報管理部２１１へ送る。情報管理部２１１は、モジュールＭ_Ｄの用途を受け取ると、その用途を表示装置２５０に表示させる。ユーザは、表示装置２５０の画面を見て、分別結果（すなわち、モジュールＭ_Ｄの用途）を確認し、分別結果に従ってモジュールＭ_Ｄを出荷する。

図１３は、電池管理装置２００の情報管理部２１１からの要求に応じて測定装置１００の制御装置１１０が実行する処理を示すフローチャートである。このフローチャートに示される処理は、情報管理部２１１が後述する図１４のＳ３１において制御装置１１０に検査用画像データの送信を要求すると、開始される。

図４とともに図１３を参照して、Ｓ２１では、充放電制御部１１１がモジュールＭ_Ｄの定電流充電を開始する。定電流充電の条件（たとえば、充電レート）は、予め決められた条件であってもよいし、ユーザによって指定されてもよい。

Ｓ２２１では、情報管理部１１２が、定電流充電中のセンサモジュール５３０の出力（モジュールＭ_ＤのＣＣＶを含む）を取得して記憶装置１２０に記録する。Ｓ２２２では、ＣＣＶ充電波形の取得が完了したか否かを、情報管理部１１２が判断する。ＣＣＶ充電波形の取得が完了するまでの期間（すなわち、Ｓ２２２でＮＯと判断されている期間）は、Ｓ２２１及びＳ２２２が繰り返し実行される。この実施の形態では、モジュールＭ_ＤのＳＯＣが所定ＳＯＣ値（たとえば、５％）を超えると、Ｓ２２２においてＹＥＳ（ＣＣＶ充電波形の取得が完了した）と判断され、処理がＳ２３に進む。ただし、Ｓ２２２における判断条件は上記に限られない。たとえば、情報管理部１１２は、Ｓ２１で定電流充電を開始してから所定時間（たとえば、１２００秒）が経過したときに、Ｓ２２２においてＹＥＳと判断してもよい。この実施の形態では、図１３のＳ２１，Ｓ２２１，Ｓ２２２が、本開示に係る「第１ステップ」の一例に相当する。

Ｓ２３では、情報管理部１１２が、記憶装置１２０に記録されたＣＣＶ充電波形を用いて、検査用画像データを作成し、作成された検査用画像データを記憶装置１２０に保存する。この実施の形態では、図１３のＳ２３が、本開示に係る「第２ステップ」の一例に相当する。

Ｓ２４では、情報管理部１１２が、上記Ｓ２３で作成された検査用画像データを電池管理装置２００へ送信する。その後、情報管理部１１２は、電池管理装置２００から分別結果（すなわち、後述する図１４のＳ３７において送信される分別結果）を受信するまでＳ２５で待機する。Ｓ２５で待機している間（すなわち、Ｓ２５でＮＯと判断されている期間）も、Ｓ２１で開始された充電は継続して行なわれる。この実施の形態では、Ｓ２１で充電が開始されてから充電の条件が変更されることなく充電が継続されるが、Ｓ２２２においてＹＥＳと判断されたタイミングで充電の条件が変更されてもよい。たとえば、制御装置１１０は、充電レートを大きくしてもよい。

情報管理部１１２が電池管理装置２００から分別結果を受信すると（Ｓ２５にてＹＥＳ）、処理はＳ２６に進む。この実施の形態では、分別結果によってモジュールＭ_Ｄがパーツ利用／リビルト／資源リサイクルのいずれかに分別される。Ｓ２６では、モジュールＭ_Ｄが資源リサイクルに分別されたか否かを、充放電制御部１１１が判断する。

Ｓ２６においてＮＯ（モジュールＭ_Ｄがパーツ利用又はリビルトに分別された）と判断されると、充放電制御部１１１は、Ｓ２７において充電の完了条件が成立するか否かを判断する。充電の完了条件が成立しない期間（すなわち、Ｓ２７でＮＯと判断されている期間）においては、充放電制御部１１１はモジュールＭ_Ｄの充電を継続する。この実施の形態では、モジュールＭ_ＤのＳＯＣが用途（より特定的には、後述するＳ３６で決定された用途）に適したＳＯＣ（たとえば、満充電状態に相当するＳＯＣ）になると、Ｓ２７においてＹＥＳ（充電の完了条件が成立した）と判断され、Ｓ２８において、充放電制御部１１１がモジュールＭ_Ｄの充電を停止する。Ｓ２８の処理が行なわれることによって、図１３の一連の処理は終了する。

Ｓ２６においてＹＥＳ（モジュールＭ_Ｄが資源リサイクルに分別された）と判断されると、充放電制御部１１１は、モジュールＭ_Ｄの充電を停止し、充放電器５２０を制御してモジュールＭ_Ｄの残存放電を行なう。Ｓ２９の処理が行なわれることによって、図１３の一連の処理は終了する。

図１４は、ユーザからの要求に応じて電池管理装置２００の制御装置２１０が実行する処理を示すフローチャートである。このフローチャートに示される処理は、ユーザが、制御装置２１０にモジュールＭ_ＤのＭ－ＩＤを入力するとともにモジュールＭ_Ｄの分別を要求すると、開始される。

図４とともに図１４を参照して、Ｓ３１では、情報管理部２１１が、モジュールＭ_Ｄの検査用画像データの送信を要求する信号を測定装置１００へ送信する。その後、情報管理部２１１は、測定装置１００から検査用画像データ（すなわち、図１３のＳ２４において送信される検査用画像データ）を受信するまでＳ３２で待機する。

情報管理部２１１が測定装置１００からモジュールＭ_Ｄの検査用画像データを受信すると（Ｓ３２にてＹＥＳ）、処理はＳ３３に進む。Ｓ３３では、容量推定部２１２が、記憶装置２２０内の電池情報と、ユーザにより入力された上記Ｍ－ＩＤとを用いて、モジュールＭ_Ｄの電池メーカ及び型番を取得する。Ｓ３４では、容量推定部２１２が、記憶装置２２０内のＮＮ情報を参照して、記憶装置２２０に記憶されている複数の学習済みＮＮの中から、モジュールＭ_Ｄの電池メーカ及び型番に対応する１つの学習済みＮＮを選択する。Ｓ３５では、容量推定部２１２が、測定装置１００から受信したモジュールＭ_Ｄの検査用画像データを、Ｓ３４で選択された学習済みＮＮの入力層に入力することにより、モジュールＭ_Ｄの満充電容量を推定する。

図１５は、学習済みＮＮを用いた満充電容量の推定の概要を示す図である。図１５に示すように、図１４のＳ３５において、学習済みＮＮの入力層にモジュールＭ_Ｄの検査用画像データ（入力画像）が入力されると、学習済みＮＮの出力層からモジュールＭ_Ｄの満充電容量が出力される。この実施の形態では、図１４のＳ３５が、本開示に係る「第３ステップ」の一例に相当する。

再び図４とともに図１４を参照して、Ｓ３６では、分別部２１３が、上記Ｓ３５で推定されたモジュールＭ_Ｄの満充電容量に基づいてモジュールＭ_Ｄを分別する。モジュールＭ_Ｄは、用途によって分別される。そして、分別部２１３は、分別結果（すなわち、モジュールＭ_Ｄの用途）を記憶装置２２０に保存する。

上記Ｓ３６において、分別部２１３は、まず、モジュールＭ_Ｄをパーツ利用／リビルト／資源リサイクルのいずれかに分別する。分別部２１３は、たとえば、モジュールＭ_Ｄの満充電容量が第１閾値未満であれば、モジュールＭ_Ｄの用途を「資源リサイクル」に決定する。さらに、分別部２１３は、モジュールＭ_Ｄの満充電容量が第１閾値以上第２閾値未満であれば、モジュールＭ_Ｄの用途を「家庭用電池（パーツ利用）」に決定し、モジュールＭ_Ｄの満充電容量が第２閾値以上第３閾値未満であれば、モジュールＭ_Ｄの用途を「工場用電池（パーツ利用）」に決定し、モジュールＭ_Ｄの満充電容量が第３閾値以上であれば、モジュールＭ_Ｄの用途を「リビルト」に決定する。上記第１～第３閾値は、「第１閾値＜第２閾値＜第３閾値」のような関係を有する。上記は、分別の一態様であり、適宜変更可能である。たとえば、満充電容量の小さい二次電池を「リビルト」に割り当ててもよい。また、分別部２１３は、推定されたモジュールＭ_Ｄの満充電容量に基づいて部分再利用／資源リサイクルの分別のみを行なってもよい。

情報管理部２１１は、上記Ｓ３６で決定された用途を、Ｓ３７において測定装置１００へ送信し、Ｓ３８において表示装置２５０に表示させる。表示装置２５０は、上記Ｓ３５で推定された満充電容量を、用途と一緒に表示してもよい。Ｓ３８の処理が行なわれることによって、図１４の一連の処理は終了する。

ユーザは、上記Ｓ３８の処理によって表示された分別結果（すなわち、モジュールＭ_Ｄの用途）を確認し、分別結果に従ってモジュールＭ_Ｄを出荷する。図１６は、モジュールＭ_Ｄの出荷態様の一例を示す図である。図１６において、モジュールＭ１、Ｍ２、Ｍ３、Ｍ４はそれぞれ、図１４のＳ３６で「リビルト」、「家庭用電池（パーツ利用）」、「工場用電池（パーツ利用）」、「資源リサイクル」に分別されたモジュールである。

図１６を参照して、モジュールＭ１～Ｍ３には、それぞれタグＴ１～Ｔ３が取り付けられている。タグＴ１～Ｔ３は、モジュールＭ１～Ｍ３を出荷するタイミングで取り付けられてもよいし、モジュールＭ１～Ｍ３を保管庫５００に入れるタイミング（たとえば、図３のＳ１１）で取り付けられてもよい。この実施の形態に係るタグＴ１～Ｔ３の各々は、対応するモジュールのＭ－ＩＤ、満充電容量、及び用途が記憶されたＩＣタグである。ＩＣタグとしては、たとえばＲＦＩＤ（Radio Frequency IDentification）タグを採用できる。電池管理装置２００は、無線通信により、タグＴ１～Ｔ３の各々に記憶される情報の読み取り及び書き換えを行なうように構成されてもよい。電池管理装置２００は、図１４のＳ３６でモジュールＭ１～Ｍ３の用途が決定したときに、決定した用途をタグＴ１～Ｔ３に書き込んでもよい。

モジュールＭ１～Ｍ３は、図１４のＳ３６で決定された用途に対応する出荷先へ出荷される。モジュールＭ１は、図１に示した製造業者３４へ出荷される。モジュールＭ２，Ｍ３は、定置用電池の販売店へ出荷される。モジュールＭ４は、図１に示したリサイクル業者３６へ送られる。リサイクル業者３６は、モジュールＭ４を電池材料に分解することにより、新たなセル又はその他製品の原料として利用するための再資源化を行なう。

以上説明したように、この実施の形態に係る電池管理システムでは、制御装置２１０が、モジュールＭ_Ｄ（対象電池）について取得されたＣＣＶ充電波形の画像データ（すなわち、検査用画像データ）を学習済みニューラルネットワークの入力層に入力することにより、モジュールＭ_Ｄの満充電容量を推定するように構成される。この実施の形態に係る容量推定方法は、ＡＣ－ＩＲ法と比べて、推定のための工数は少なく、簡単に推定を行なうことができる。また、推定にかかる時間は短い。上記の電池管理システムによれば、特殊な測定機器を用いたり、複雑な演算を行なわなくても、高い精度で、早く、かつ、簡単に二次電池の満充電容量を推定することが可能になる。

上記実施の形態では、二次電池を一定の温度（たとえば、２５℃）で保管し、ニューラルネットワークの学習及び評価、並びに学習済みニューラルネットワークを用いた性能検査を、保管温度で行なっている。しかし、全ての管理業者が二次電池を一定の温度で保管できるとは限らない。保管温度が変動する状況においても二次電池の満充電容量を高い精度で推定するために、制御装置２１０が、二次電池の満充電容量（目的変数）を推定するときに、二次電池のＣＣＶ波形取得時の温度を説明変数として扱うように構成されてもよい。

上記実施の形態に係る電池管理システムは、充電型ＮＮを用いて二次電池の満充電容量を推定している。しかしこれに限られず、電池管理システムは、放電型ＮＮを用いて二次電池の満充電容量を推定してもよい。図３、図４、図１４、及び図１７を用いて、放電型ＮＮを用いる実施の形態（変形例）について説明する。

図３を参照して、この変形例では、管理業者３０が、Ｓ１２において、車両から回収されたモジュールＭを、自動放電装置５４０ではなく、充放電器５２０に接続する。充放電器５２０にモジュールＭが接続されると、図１７の処理が開始される。充放電器５２０に接続されたモジュールＭは、モジュールＭ_Ｄ（対象電池）となる。

図１７は、図１３に示した処理の変形例を示す図である。図４とともに図１７を参照して、Ｓ４１１では、充放電制御部１１１が、充放電器５２０を制御することにより、モジュールＭ_ＤのＳＯＣを定電流放電の開始ＳＯＣ（たとえば、満充電状態に相当するＳＯＣ）に調整する。定電流放電の開始ＳＯＣは、予め決められたＳＯＣ値であってもよいし、ユーザによって指定されてもよい。

Ｓ４１１の処理後、充放電制御部１１１は、Ｓ４１２において、モジュールＭ_Ｄの定電流放電を開始する。この変形例では、電流値２Ａの条件でモジュールＭ_Ｄの定電流放電が行なわれるように、充放電制御部１１１が充放電器５２０を制御する。なお、定電流放電の条件（たとえば、電流値）は、上記に限られず任意に設定できる。定電流放電の条件（たとえば、放電レート）は、予め決められた条件であってもよいし、ユーザによって指定されてもよい。

Ｓ４２１では、情報管理部１１２が、定電流放電中のセンサモジュール５３０の出力（モジュールＭ_ＤのＣＣＶを含む）を取得して記憶装置１２０に記録する。Ｓ４２２では、ＣＣＶ放電波形の取得が完了したか否かを、情報管理部１１２が判断する。ＣＣＶ放電波形の取得が完了するまでの期間（すなわち、Ｓ４２２でＮＯと判断されている期間）は、Ｓ４２１及びＳ４２２が繰り返し実行される。この変形例では、モジュールＭ_ＤのＳＯＣが所定ＳＯＣ値（たとえば、９０％）を下回ると、Ｓ４２２においてＹＥＳ（ＣＣＶ放電波形の取得が完了した）と判断され、処理がＳ４３に進む。ただし、Ｓ４２２における判断条件は上記に限られない。たとえば、情報管理部１１２は、Ｓ４１２で定電流放電を開始してから所定時間（たとえば、１２００秒）が経過したときに、Ｓ４２２においてＹＥＳと判断してもよい。この変形例に係る充放電制御部１１１、情報管理部１１２、電源装置５１０、充放電器５２０、及びセンサモジュール５３０（図４）は、本開示に係る「放電装置」の一例に相当する。

Ｓ４３では、情報管理部１１２が、記憶装置１２０に記録されたＣＣＶ放電波形を用いて、検査用画像データを作成し、作成された検査用画像データを記憶装置１２０に保存する。この変形例に係る検査用画像データは、予め定められたピクセル数の領域にＣＣＶ放電波形が描かれた画像におけるピクセル毎の数値を示すデータであり、学習済みニューラルネットワークの入力データに相当する。この変形例に係る情報管理部１１２（図４）は、本開示に係る「第２作成装置」の一例に相当する。

Ｓ４４では、情報管理部１１２が、上記Ｓ４３で作成された検査用画像データを電池管理装置２００へ送信する。その後、Ｓ４５において、モジュールＭ_Ｄの残存放電が行なわれる。たとえば、充放電制御部１１１が、Ｓ４１２で開始された放電を継続することにより、モジュールＭ_Ｄの残存放電が行なわれてもよい。Ｓ４１２で放電が開始されてから放電の条件が変更されることなく放電が継続されてもよいし、Ｓ４２２においてＹＥＳと判断されたタイミングで放電の条件が変更されてもよい。また、管理業者３０は、モジュールＭ_Ｄを充放電器５２０から取り外して自動放電装置５４０にセットすることにより、モジュールＭ_Ｄの残存放電を行なってもよい。Ｓ４５の処理が行なわれることによって、図１７の一連の処理は終了する。

この変形例では、図４に示した記憶装置２２０に複数の放電型ＮＮが記憶されている。複数の放電型ＮＮは、電池メーカ及び型番によって区別されて管理されている。また、Ｓ３７及びＳ３８を割愛した図１４の処理が、電池管理装置２００の制御装置２１０によって実行される。図１４のＳ３５では、容量推定部２１２が、測定装置１００から受信したモジュールＭ_Ｄの検査用画像データ（すなわち、図１７のＳ４４において送信される検査用画像データ）を、Ｓ３４で選択された学習済みＮＮ（より特定的には、放電型ＮＮ）の入力層に入力することにより、モジュールＭ_Ｄの満充電容量を推定する。

上記のように満充電容量の推定と残存放電とが行なわれたモジュールＭは、保管庫５００に保管される（図３のＳ１３）。なお、充電型ＮＮと放電型ＮＮとの両方が記憶装置２２０に記憶されており、制御装置２１０が、対象電池に応じて充電型ＮＮと放電型ＮＮとを使い分けるように構成されてもよい。

上記実施の形態では、保管庫５００及び電池管理装置２００が管理業者３０の拠点に設置されている。しかしこれに限られず、保管庫５００が製造業者３４の拠点に設置され、電池管理装置２００が図２に示した管理サーバ２０に搭載されてもよい。また、前述の電池管理システムは、製造業者３４又は販売店３５の拠点に設置されてもよい。図１８は、製造業者３４の拠点に設置された電池管理システムの一例について説明するための図である。

図１とともに図１８を参照して、製造業者３４は、図１４のＳ３６において「リビルト」に分別されたモジュールＭ６１～Ｍ６３（すなわち、リビルトに適した満充電容量を有する複数のモジュール）を組み合わせて、組電池６００（すなわち、リビルト品）を製造する。この組電池６００を製造する工程が、本開示に係る「第４ステップ」の一例に相当する。図１８に例示される組電池６００は、複数のセル６０１を含んで構成される。組電池６００では、一のセル６０１の正極端子と、隣接する別のセル６０１の負極端子とが、導電性を有するバスバー６０２によって電気的に接続されている。セル６０１同士は直列に接続されている。こうした組電池６００に対して付属部品を取り付けることにより、電池パックが製造される。電池パックには、組電池６００を構成する各モジュールの情報（たとえば、Ｍ－ＩＤ及び満充電容量）が組電池６００の電池ＩＤとともに記憶されたタグＴ６（たとえば、ＲＦＩＤタグ）が取り付けられる。このように製造された組電池６００を含む電池パックは出荷検査を経て出荷される。製造業者３４は、図１４のＳ３６において「資源リサイクル」に分別されたモジュールＭ５を、リサイクル業者３６へ送る。リサイクル業者３６によってモジュールＭ５の再資源化が行なわれる。

電池管理システムの構成は、図４に示した構成に限られない。たとえば、自動放電装置５４０は割愛可能である。また、充電及び放電の両方を行なう充放電器５２０の代わりに、充電のみを行なう充電装置を採用してもよいし、放電のみを行なう放電装置を採用してもよい。電池管理装置２００は、携帯機器（たとえば、スマートフォン）に搭載されてもよい。測定装置１００と電池管理装置２００とが離れて配置されることは必須ではない。電池管理装置２００は測定装置１００と一緒に保管庫５００内に設置されてもよい。測定装置１００と電池管理装置２００とは一体化していてもよい。記憶装置２２０が記憶する学習済みニューラルネットワークの数は任意であり、１つであってもよい。

上記実施の形態及び変形例では、測定装置１００の制御装置１１０が「第１作成装置」及び「第２作成装置」として機能するが、電池管理装置２００の制御装置２１０が「第１作成装置」及び「第２作成装置」として機能してもよい。すなわち、検査用画像データは、電池管理装置２００において作成されてもよい。

電池管理システムが分別装置を備えること（すなわち、電池管理システムが対象電池の用途を決定すること）は必須ではない。電池管理装置２００によって推定された対象電池（たとえば、モジュールＭ_Ｄ）の満充電容量に基づいて、ユーザが対象電池の用途を決定してもよい。

上記実施の形態では、車両から二次電池を回収する例について言及したが、電池管理システムは、他の移動体（たとえば、船、飛行機、無人搬送車、農業機械、又はドローン）から回収された二次電池に適用されてもよいし、携帯機器（すなわち、ユーザによって携帯可能な電子機器）から回収された二次電池に適用されてもよいし、定置用の二次電池に適用されてもよい。対象電池は、モジュールに限られず、単電池であってもよいし、組電池であってもよい。電池管理システムは、車両から組電池を回収したとき（たとえば、図３のＳ１１）に、組電池の満充電容量を推定し、推定された満充電容量に基づいて、その組電池の分別（たとえば、全部再利用／資源リサイクルの分別）を行なうように構成されてもよい。

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１ 電池管理システム、１０ 車両、２０ 管理サーバ、３０ 電池管理業者、３４ 電池パック製造業者、３５ 販売店、３６ リサイクル業者、４０，４４，４５ 端末、５０ 通信ネットワーク、５１ 基地局、６０－１～６０－３ 車両、６２－１～６２－３ 電池パック、１００ 測定装置、１１０ 制御装置、１１１ 充放電制御部、１１２ 情報管理部、１２０，２２０ 記憶装置、１３０，２３０ 通信装置、２００ 電池管理装置、２１０ 制御装置、２１１ 情報管理部、２１２ 容量推定部、２１３ 分別部、２４０ 入力装置、２５０ 表示装置、５００ 保管庫、５１０ 電源装置、５２０ 充放電器、５３０ センサモジュール、５４０ 自動放電装置、５５０ 温度管理装置、６００ 組電池、６０１ セル、６０２ バスバー、Ｍ，Ｍ１～Ｍ５，Ｍ６１～Ｍ６３，Ｍ_Ｄ モジュール、Ｔ１～Ｔ３，Ｔ６ タグ。

Claims (10)

1. 二次電池の情報を管理する電池管理システムであって、
   少なくとも１つの学習済みニューラルネットワークを記憶する記憶装置と、
   所定の二次電池である対象電池の満充電容量を推定する推定装置とを備え、
   前記学習済みニューラルネットワークは、予め定められたピクセル数の領域に二次電池の所定ＣＣＶ波形が描かれた画像におけるピクセル毎の数値を示す入力データを受け付ける入力層を備え、前記入力層に前記入力データが入力されると、前記二次電池の満充電容量を出力するように構成され、
   前記所定ＣＣＶ波形は、前記二次電池の定電流充電中のＣＣＶの推移を示すＣＣＶ充電波形と、前記二次電池の定電流放電中のＣＣＶの推移を示すＣＣＶ放電波形とのいずれかであり、
   前記推定装置は、前記対象電池について取得された入力データを前記学習済みニューラルネットワークの前記入力層に入力することにより、前記対象電池の満充電容量を推定するように構成される、電池管理システム。
2. 前記対象電池の定電流充電を行なうことにより、前記対象電池について前記ＣＣＶ充電波形である前記所定ＣＣＶ波形を取得する充電装置と、
   前記充電装置により取得された前記所定ＣＣＶ波形を用いて前記入力データを作成する第１作成装置とをさらに備え、
   前記推定装置は、前記第１作成装置により作成された前記入力データを前記学習済みニューラルネットワークの前記入力層に入力することにより、前記対象電池の満充電容量を推定するように構成される、請求項１に記載の電池管理システム。
3. 前記第１作成装置が前記入力データの作成に用いる前記所定ＣＣＶ波形のＳＯＣ範囲は、０％以上１０％以下の範囲から選ばれた所定ＳＯＣ範囲である、請求項２に記載の電池管理システム。
4. 前記対象電池の定電流放電を行なうことにより、前記対象電池について前記ＣＣＶ放電波形である前記所定ＣＣＶ波形を取得する放電装置と、
   前記放電装置により取得された前記所定ＣＣＶ波形を用いて前記入力データを作成する第２作成装置とをさらに備え、
   前記推定装置は、前記第２作成装置により作成された前記入力データを前記学習済みニューラルネットワークの前記入力層に入力することにより、前記対象電池の満充電容量を推定するように構成される、請求項１～３のいずれか１項に記載の電池管理システム。
5. 前記記憶装置に記憶される前記少なくとも１つの学習済みニューラルネットワークは、複数の学習済みニューラルネットワークを含み、
   前記推定装置は、前記対象電池に関する情報を取得し、前記取得された情報を用いて前記複数の学習済みニューラルネットワークの中から前記対象電池に対応する１つの学習済みニューラルネットワークを選択し、前記選択された学習済みニューラルネットワークを用いて、前記対象電池の満充電容量を推定するように構成される、請求項１～４のいずれか１項に記載の電池管理システム。
6. 前記推定装置により推定された前記満充電容量を用いて、前記対象電池の用途を決定する分別装置をさらに備える、請求項１～５のいずれか１項に記載の電池管理システム。
7. 所定の二次電池である対象電池の所定ＣＣＶ波形を取得する第１ステップと、
   前記第１ステップで取得された前記所定ＣＣＶ波形を用いて、学習済みニューラルネットワークの入力データを作成する第２ステップと、
   前記第２ステップで作成された前記入力データが前記学習済みニューラルネットワークに入力され、前記学習済みニューラルネットワークが前記対象電池の満充電容量を出力する第３ステップとを含み、
   前記入力データは、予め定められたピクセル数の領域に前記対象電池の前記所定ＣＣＶ波形が描かれた画像におけるピクセル毎の数値を示すデータであり、
   前記所定ＣＣＶ波形は、前記対象電池の定電流充電中のＣＣＶの推移を示すＣＣＶ充電波形と、前記対象電池の定電流放電中のＣＣＶの推移を示すＣＣＶ放電波形とのいずれかである、電池管理方法。
8. 前記第１ステップの前に、
   車両から二次電池を回収するステップと、
   前記回収された二次電池の残存放電を行なうステップと、
   前記残存放電後に前記二次電池を空状態で保管するステップと、
   を車両ごとに行なって複数の二次電池を空状態で保管し、
   前記第１ステップでは、前記空状態で保管されている複数の二次電池の中から前記対象電池を選び、前記対象電池に対して定電流充電を行なうことにより、前記対象電池について前記ＣＣＶ充電波形である前記所定ＣＣＶ波形を取得する、請求項７に記載の電池管理方法。
9. 前記第３ステップの後に、
   前記第３ステップで推定された前記満充電容量を用いて、前記対象電池を分別するステップと、
   前記分別の結果に従って前記対象電池を出荷するステップと、
   をさらに含む、請求項７又は８に記載の電池管理方法。
10. 所定の二次電池である対象電池の所定ＣＣＶ波形を取得する第１ステップと、
    前記第１ステップで取得された前記所定ＣＣＶ波形を用いて、学習済みニューラルネットワークの入力データを作成する第２ステップと、
    前記第２ステップで作成された前記入力データが前記学習済みニューラルネットワークに入力され、前記学習済みニューラルネットワークが前記対象電池の満充電容量を出力する第３ステップと、
    前記第１～第３ステップを経て満充電容量が推定された複数の二次電池を用いて組電池を製造する第４ステップとを含み、
    前記入力データは、予め定められたピクセル数の領域に前記対象電池の前記所定ＣＣＶ波形が描かれた画像におけるピクセル毎の数値を示すデータであり、
    前記所定ＣＣＶ波形は、前記対象電池の定電流充電中のＣＣＶの推移を示すＣＣＶ充電波形と、前記対象電池の定電流放電中のＣＣＶの推移を示すＣＣＶ放電波形とのいずれかである、組電池の製造方法。

Images