JP7396082B2 - 予測方法、リチウムイオン二次電池用正極活物質の製造方法及び予測システム - Google Patents
予測方法、リチウムイオン二次電池用正極活物質の製造方法及び予測システム Download PDFInfo
- Publication number
- JP7396082B2 JP7396082B2 JP2020017437A JP2020017437A JP7396082B2 JP 7396082 B2 JP7396082 B2 JP 7396082B2 JP 2020017437 A JP2020017437 A JP 2020017437A JP 2020017437 A JP2020017437 A JP 2020017437A JP 7396082 B2 JP7396082 B2 JP 7396082B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- information
- firing
- input
- learning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 101
- 239000007774 positive electrode material Substances 0.000 title claims description 73
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims description 26
- 229910001416 lithium ion Inorganic materials 0.000 title claims description 26
- 238000004519 manufacturing process Methods 0.000 title claims description 24
- 238000010304 firing Methods 0.000 claims description 139
- 239000000203 mixture Substances 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 44
- 150000001875 compounds Chemical class 0.000 claims description 31
- 150000002642 lithium compounds Chemical class 0.000 claims description 29
- 230000000704 physical effect Effects 0.000 claims description 23
- 239000002905 metal composite material Substances 0.000 claims description 22
- 238000001354 calcination Methods 0.000 claims description 9
- 238000013277 forecasting method Methods 0.000 claims 1
- 239000002131 composite material Substances 0.000 description 56
- 229910052744 lithium Inorganic materials 0.000 description 42
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 41
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 35
- 239000002994 raw material Substances 0.000 description 27
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 18
- 229910052760 oxygen Inorganic materials 0.000 description 18
- 239000001301 oxygen Substances 0.000 description 18
- 239000002243 precursor Substances 0.000 description 17
- 229910052759 nickel Inorganic materials 0.000 description 15
- WMFOQBRAJBCJND-UHFFFAOYSA-M Lithium hydroxide Chemical compound [Li+].[OH-] WMFOQBRAJBCJND-UHFFFAOYSA-M 0.000 description 12
- 239000007789 gas Substances 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000002156 mixing Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 239000006182 cathode active material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000011255 nonaqueous electrolyte Substances 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- RSNHXDVSISOZOB-UHFFFAOYSA-N lithium nickel Chemical compound [Li].[Ni] RSNHXDVSISOZOB-UHFFFAOYSA-N 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 239000000843 powder Substances 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000011572 manganese Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910017052 cobalt Inorganic materials 0.000 description 2
- 239000010941 cobalt Substances 0.000 description 2
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 230000036571 hydration Effects 0.000 description 2
- 238000006703 hydration reaction Methods 0.000 description 2
- 239000011261 inert gas Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 229910052748 manganese Inorganic materials 0.000 description 2
- 239000007773 negative electrode material Substances 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000013077 target material Substances 0.000 description 2
- 229910012851 LiCoO 2 Inorganic materials 0.000 description 1
- 229910015643 LiMn 2 O 4 Inorganic materials 0.000 description 1
- 229910013716 LiNi Inorganic materials 0.000 description 1
- 229910012752 LiNi0.5Mn0.5O2 Inorganic materials 0.000 description 1
- 229910013290 LiNiO 2 Inorganic materials 0.000 description 1
- 229910001228 Li[Ni1/3Co1/3Mn1/3]O2 (NCM 111) Inorganic materials 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-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
- KFDQGLPGKXUTMZ-UHFFFAOYSA-N [Mn].[Co].[Ni] Chemical compound [Mn].[Co].[Ni] KFDQGLPGKXUTMZ-UHFFFAOYSA-N 0.000 description 1
- ZYXUQEDFWHDILZ-UHFFFAOYSA-N [Ni].[Mn].[Li] Chemical compound [Ni].[Mn].[Li] ZYXUQEDFWHDILZ-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- CKFRRHLHAJZIIN-UHFFFAOYSA-N cobalt lithium Chemical compound [Li].[Co] CKFRRHLHAJZIIN-UHFFFAOYSA-N 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- XGZVUEUWXADBQD-UHFFFAOYSA-L lithium carbonate Chemical compound [Li+].[Li+].[O-]C([O-])=O XGZVUEUWXADBQD-UHFFFAOYSA-L 0.000 description 1
- 229910052808 lithium carbonate Inorganic materials 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 150000002816 nickel compounds Chemical class 0.000 description 1
- 229910052758 niobium Inorganic materials 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052715 tantalum Inorganic materials 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- 229910052726 zirconium Inorganic materials 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
Landscapes
- Battery Electrode And Active Subsutance (AREA)
Description
本発明は、予測方法、リチウムイオン二次電池用正極活物質の製造方法及び予測システムに関する。
非水系電解質二次電池は、携帯電話及びノート型パソコン等の携帯電子機器、及びハイブリット自動車等の電気自動車等の電池として広く使用されている。このような非水系電解質二次電池として、リチウムイオン二次電池がある。リチウムイオン二次電池は、正極、負極、電解液等で構成され、正極活物質負及び極活物質として、リチウムを脱離及び挿入することが可能な材料が用いられている。
リチウムイオン二次電池の正極材料として、層状又はスピネル型のリチウム複合酸化物の使用が提案されている。リチウム複合酸化物としては、例えば、リチウムコバルト複合酸化物（ＬｉＣｏＯ２）や、リチウムニッケル複合酸化物（ＬｉＮｉＯ２）、リチウムニッケルコバルトマンガン複合酸化物（ＬｉＮｉ１／３Ｃｏ１／３Ｍｎ１／３Ｏ２）、マンガンを用いたリチウムマンガン複合酸化物（ＬｉＭｎ２Ｏ４）、リチウムニッケルマンガン複合酸化物（ＬｉＮｉ０．５Ｍｎ０．５Ｏ２）、及びリチウム過剰ニッケルコバルトマンガン複合酸化物（Ｌｉ２ＭｎＯ３－ＬｉＮｉｘＭｎｙＣｏｚＯ２）等がある。
リチウム複合酸化物は、ニッケル等を含む金属複合化合物とリチウム化合物とを含む混合してリチウム混合物（混合物）を調整した後、混合物の粉末を匣鉢等の容器に入れて、ローラーハースキルン（ＲＨＫ）やプッシャー式トンネル炉の横型の焼成炉等で、炉内を所定の温度、時間及び雰囲気に制御して焼成することで得られる。
例えば、特許文献１には、ニッケル化合物粉末とリチウム化合物粉末との混合物をセラミック製の焼成容器に充填した後、混合物が充填された容器をローラーハースキルンやプッシャー炉等の連続焼成炉の中に連続的に送り込んで所定の温度及び所定の時間で焼成処理することが行われている。合成反応が生じて混合物からリチウムニッケル複合酸化物粉末を生成し、正極活物質を製造することが開示されている。
しかしながら、混合物を同一条件で焼成しても、設備の劣化、又は使用原料である金属複合化合物及びリチウム化合物を構成する組成等の微少な変化等が原因となって、混合物から生成される正極活物質の物性値や特性値等が時間と共に変化する可能性がある。そのため、正極活物質が所定の物性値又は特性値を有しているか確認する必要がある。
正極活物質が所定の物性値や特性値を有しているか確認するためには、オフラインで正極活物質を分析する必要があり、分析結果が確認できるまでには２４時間以上要する場合がある。そのため、正極活物質が所定の物性値や特性値を有していない不良品が発生している場合、不良品を継続して製造することになる。
本発明に係る予測方法の一態様は、正極活物質の製造時において、リチウム化合物及び金属複合化合物を含む混合物の焼成を連続的かつ効率的に行い、品質の安定した正極活物質を製造できる予測方法を提供することを目的とする。
本発明に係る予測方法の一態様は、焼成容器に入れた、リチウム化合物及び金属複合化合物を含む混合物を焼成炉で焼成して得られるリチウムイオン二次電池用正極活物質の物性に関する情報を取得する予測方法であって、
前記混合物に関する情報、前記焼成容器に関する情報及び前記焼成炉の運転条件に関する情報を含む入力情報と、前記焼成炉で焼成して得られた前記リチウムイオン二次電池用正極活物質の物性に関する情報を含む出力情報との対応関係を学習した学習モデルに、前記混合物に関する情報、前記焼成容器に関する情報及び前記焼成炉の運転条件に関する情報を含む予測用入力情報を入力する入力工程と、
前記学習モデルに入力された前記予測用入力情報に基づいて、前記焼成炉で焼成して得られた前記リチウムイオン二次電池用正極活物質の物性に関する情報を含む予測用出力情報を出力する予測工程と、
を含む。
前記混合物に関する情報、前記焼成容器に関する情報及び前記焼成炉の運転条件に関する情報を含む入力情報と、前記焼成炉で焼成して得られた前記リチウムイオン二次電池用正極活物質の物性に関する情報を含む出力情報との対応関係を学習した学習モデルに、前記混合物に関する情報、前記焼成容器に関する情報及び前記焼成炉の運転条件に関する情報を含む予測用入力情報を入力する入力工程と、
前記学習モデルに入力された前記予測用入力情報に基づいて、前記焼成炉で焼成して得られた前記リチウムイオン二次電池用正極活物質の物性に関する情報を含む予測用出力情報を出力する予測工程と、
を含む。
本発明に係る予測方法の一態様は、正極活物質の製造時において、リチウム化合物及び金属複合化合物を含む混合物の焼成を連続的かつ効率的に行い、品質の安定した正極活物質を製造できる。
以下、本発明の実施の形態について、詳細に説明する。なお、本明細書において数値範囲を示すチルダ「～」は、別段の断わりがない限り、その前後に記載された数値を下限値及び上限値として含むことを意味する。
一実施形態に係る予測方法について説明するに当たり、一実施形態に係る予測方法を用いて製造するリチウムイオン二次電池用正極活物質（以下、単に「正極活物質」とも記載する）について説明する。
＜リチウムイオン二次電池用正極活物質＞
本実施形態に係る正極活物質は、リチウム複合酸化物の粒子を含むことができる。
本実施形態に係る正極活物質は、リチウム複合酸化物の粒子を含むことができる。
リチウム複合酸化物は、組成は限定されないが、リチウム金属複合酸化物が挙げられる。リチウム金属複合酸化物として、例えば、リチウムニッケル複合酸化物が挙げられる。リチウムニッケル複合酸化物は、例えば、リチウム（Ｌｉ）と、ニッケル（Ｎｉ）と、コバルト（Ｃｏ）と、元素Ｍ（Ｍ）とを物質量の比で、Ｌｉ：Ｎｉ：Ｃｏ：Ｍ＝１＋ａ：１－ｘ－ｙ：ｘ：ｙの割合で含有することができる。ただし、上記式中のａ、ｘ、ｙは、それぞれ－０．０５≦ａ≦０．５０、０≦ｘ≦０．３５、０≦ｙ≦０．３５を満たすことが好ましい。また、元素Ｍは、Ｍｇ、Ｃａ、Ａｌ、Ｓｉ、Ｆｅ、Ｃｒ、Ｍｎ、Ｖ、Ｍｏ、Ｗ、Ｎｂ、Ｔｉ、Ｚｒ、及びＴａから選ばれる少なくとも１種の元素とすることができる。
リチウムニッケル複合酸化物は、例えば、一般式Ｌｉ１＋ａＮｉ１－ｘ－ｙＣｏｘＭｙＯ２＋αで表すことができる。なお、上記一般式中のａ、ｘ及びｙについては既述のため、ここでは説明を省略する。また、αは、例えば０≦α≦０．１０であることが好ましい。
正極活物質は、ニッケル複合化合物とリチウム化合物とを混合した原料混合物（リチウム複合酸化物前駆体ともいう）を用いて得ることができる。
ニッケル複合化合物は、目的とするリチウム複合酸化物に対応した組成を有することが好ましい。
例えば、上述の組成比を有するリチウム複合酸化物を得る場合、ニッケル複合化合物は、ニッケル（Ｎｉ）と、コバルト（Ｃｏ）と、元素Ｍ（Ｍ）とを物質量の比で、Ｎｉ：Ｃｏ：Ｍ＝１－ｘ－ｙ：ｘ：ｙの割合で含有することができる。ただし、上記式中のｘ及びｙについては、既述の範囲を充足することが好ましい。また、元素Ｍは、上述と同様の元素を用いることができる。
リチウム化合物は、例えば、炭酸リチウム、及び水酸化リチウム等から選択された１種類以上を用いることができる。なお、水酸化リチウムは水和水を有する場合があり、水和水を有するまま用いることもできるが、予め焙焼し、水和水を低減しておくことが好ましい。水酸化リチウムは、特に無水化した無水水酸化リチウムを用いることが好ましい。
ニッケル複合化合物とリチウム化合物との混合比は、特に限定されない。ただし、リチウム複合酸化物前駆体を焼成した前後で、リチウムの原子数（Ｌｉ）と、リチウム複合酸化物中のリチウム以外の金属の原子数（Ｍｅ）との比（Ｌｉ／Ｍｅ）はほとんど変化しない。そのため、リチウム複合酸化物前駆体中のＬｉ／Ｍｅが、得られるリチウム複合酸化物におけるＬｉ／Ｍｅとほぼ同じになる。よって、リチウム複合酸化物前駆体におけるＬｉ／Ｍｅは、得ようとするリチウム複合酸化物におけるＬｉ／Ｍｅと同じになるように混合することが好ましい。
例えば、Ｌｉ／Ｍｅが０．９５以上１．５以下となるように、リチウム化合物とニッケル複合化合物とは混合することが好ましい。特に、上記リチウム複合酸化物前駆体中のＬｉ／Ｍｅが１．０以上１．２以下となるように、リチウム化合物とニッケル複合化合物とを混合することがより好ましい。
正極活物質は、焼成容器に入れた原料混合物を焼成炉で焼成することで得られる。正極活物質の製造方法の詳細については、後述する。
＜予測システム＞
本実施形態に係る予測方法について説明するに当たり、本実施形態に係る予測方法が適用される、一実施形態に係る予測システムの構成について説明する。
本実施形態に係る予測方法について説明するに当たり、本実施形態に係る予測方法が適用される、一実施形態に係る予測システムの構成について説明する。
一実施形態に係る予測システムは、焼成容器に入れた原料混合物を焼成炉で焼成して得られる正極活物質の物性に関する情報を予測する。
図１は、本実施形態に係る予測システムの機能を示すブロック図である。図１に示すように、予測システム１は、学習モデル１０と、学習用データ作成部２０と、学習部３０と、入力部４０と、予測部５０と、表示部６０を備える。
学習モデル１０は、原料混合物に関する情報、匣鉢等の焼成容器に関する情報及び焼成炉の運転条件に関する情報を含む入力情報と、原料混合物を焼成炉で焼成して得られた正極活物質の物性に関する情報を含む出力情報との対応関係を機械学習により取得して定式化したものである。学習モデル１０は、学習用データ作成部２０に記憶されている学習用データを利用して学習部３０で機械学習が行われることで得られる、入力情報と出力情報との対応関係の学習結果、すなわち入出力関係の学習結果が適用される。学習モデル１０は、入力情報を入力データとし、出力情報を出力データとし、入力情報と出力情報との入出力関係をモデル化して算出可能とするためのプログラムである。なお、学習モデル１０は、関数などの数式で表してもよい。
学習モデル１０は、機械学習の中でも、教師あり学習のアルゴリズムを適用することが好ましい。教師あり学習として、例えば、線形回帰（Linear regression）、ロジスティック回帰（Logistic regression）、ランダムフォレスト（Random Forest）、ブースティング（Boosting）、サポートベクターマシン（Support Vector Machine、ＳＶＭ）、ニューラルネットワーク（Neural Network）等が挙げられる。ニューラルネットワークは、ニューラルネットワークを３層よりも多層にした深層学習（ディープラーニング）を用いることができる。ニューラルネットワークの種類としては、例えば、畳み込みニューラルネットワーク（Convolutional Neural Network、ＣＮＮ）、回帰型（再帰型）ニューラルネットワーク（Recurrent Neural Network、ＲＮＮ）及び一般回帰ニューラルネットワーク（General Regression Neural Network）等を用いることができる。
入力情報は、原料混合物に関する情報、焼成容器に関する情報、焼成炉の運転条件に関する情報等を含むことができ、これらの情報以外に適宜必要な情報を含んでもよい。
原料混合物に関する情報としては、例えば、原料混合物を構成するリチウム化合物の情報、金属複合化合物の情報、リチウム化合物と金属複合化合物との混合情報等が挙げられる。
リチウム化合物の情報としては、例えば、リチウム化合物の製造元、リチウム化合物の粒度分布、リチウム化合物の水分率等が挙げられる。
金属複合化合物の情報としては、例えば、金属複合化合物の製造元、金属複合化合物の粒径、金属複合化合物の主成分品位、金属複合化合物の不純物濃度、金属複合化合物の製造温度等が挙げられる。
混合情報としては、ニッケル複合化合物とリチウム化合物との混合比、混合方法等が挙げられる。
焼成容器に関する情報としては、例えば、焼成容器の情報、焼成炉の情報及び焼成炉の運転条件等が挙げられる。
焼成容器の情報としては、例えば、焼成容器の製造元、焼成容器の大きさ及び容量、焼成容器の使用回数等が挙げられる。
焼成炉の情報としては、例えば、焼成炉の製造元、焼成炉の大きさ及び容量、焼成炉の使用回数等が挙げられる。
焼成炉の運転条件としては、例えば、焼成容器内の混合物の量、焼成炉の温度パターン、焼成時間（搬送速度）、焼成炉内の酸素分圧、焼成炉内の水蒸気分圧、ダンパー開閉度等が挙げられる。
出力情報は、焼成炉で焼成して得られる正極活物質の物性に関する情報を含むことができ、適宜必要な情報を含んでもよい。
正極活物質の物性に関する情報は、正極活物質の組成が予定通りの組成となっているか等、正極活物質の品質状況を含む。品質状況としては、例えば、比表面積、リチウムの溶出量、水分率、硬度等が挙げられる。
学習用データ作成部２０は、学習モデル１０の学習用データを作成する。学習用データは、入力情報と出力情報とを含む。
図２は、学習用データの一例を示す図である。図２に示すように、学習用データは、入力情報として、混合物に関する情報、焼成容器に関する情報及び焼成炉の運転条件に関する情報を含み、出力情報として、焼成炉で焼成して得られるリチウムイオン二次電池用正極活物質の物性に関する情報を含む。
学習用データ作成部２０は、学習用データに、予測用に用いられる入力情報（予測用入力情報）と、予測用入力情報から予測された出力情報（予測用出力情報）又は予測用入力情報から得られた実際の出力情報を、入力情報及び出力情報として入力して、学習用データを更新することができる。
学習部３０は、学習用データ作成部２０により作成された学習用データを用いて、入力情報と出力情報との対応関係を表す学習モデル１０を機械学習によって学習する。学習部３０は、例えば、学習モデル１０の入出力関係が学習用データの入出力関係に近づくように、学習モデル１０を学習することが好ましい。機械学習の詳細は、学習モデル１０と同様であるため、説明は省略する。
入力部４０は、予測用入力情報が入力される。
予測用入力情報は、上述の入力情報と同様の情報を含むことができる。予測用入力情報としては、学習モデル１０に入力された、混合物に関する情報、焼成容器に関する情報及び焼成炉の運転条件に関する情報等を含む入力情報と同様の情報を含むことができるため、情報の詳細について省略する。
予測部５０は、学習モデル１０に入力された予測用入力情報に基づいて、予測用出力情報を出力する。
予測用出力情報は、上述の出力情報と同様の情報を含むことができる。予測用出力情報としては、学習モデル１０から出力された、正極活物質の物性に関する情報を含む出力情報等を含む出力情報と同様の情報を含むことができるため、情報の詳細について省略する。
表示部６０は、予測部５０で出力された予測用出力情報を表示する。
＜予測システムのハードウェア構成＞
次に、予測システムのハードウェア構成の一例について説明する。図３は、予測システム１のハードウェア構成を示すブロック図である。図６に示すように、予測システム１は、情報処理装置（コンピュータ）で構成され、物理的には、演算処理部であるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：プロセッサ）１０１、主記憶装置であるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２及びＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０３、入力デバイスである入力装置１０４、出力装置１０５、通信モジュール１０６並びにハードディスク等の補助記憶装置１０７等を含むコンピュータシステムとして構成することができる。これらは、バス１０８で相互に接続されている。なお、出力装置１０５及び補助記憶装置１０７は、外部に設けられていてもよい。
次に、予測システムのハードウェア構成の一例について説明する。図３は、予測システム１のハードウェア構成を示すブロック図である。図６に示すように、予測システム１は、情報処理装置（コンピュータ）で構成され、物理的には、演算処理部であるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：プロセッサ）１０１、主記憶装置であるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２及びＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０３、入力デバイスである入力装置１０４、出力装置１０５、通信モジュール１０６並びにハードディスク等の補助記憶装置１０７等を含むコンピュータシステムとして構成することができる。これらは、バス１０８で相互に接続されている。なお、出力装置１０５及び補助記憶装置１０７は、外部に設けられていてもよい。
ＣＰＵ１０１は、予測システム１の全体の動作を制御し、各種の情報処理を行う。ＣＰＵ１０１は、ＲＯＭ１０３又は補助記憶装置１０７に格納された予測プログラムを実行して、測定収録画面と解析画面の表示動作を制御する。
ＲＡＭ１０２は、ＣＰＵ１０１のワークエリアとして用いられ、主要な制御パラメータや情報を記憶する不揮発ＲＡＭを含んでもよい。
ＲＯＭ１０３は、基本入出力プログラム等を記憶する。予測プログラムはＲＯＭ１０３に保存されてもよい。
入力装置１０４は、キーボード、マウス、操作ボタン、タッチパネル等である。
出力装置１０５は、モニタディスプレイ等である。出力装置１０５では、予測結果等が表示され、入力装置１０４や通信モジュール１０６を介した入出力操作に応じて画面が更新される。
通信モジュール１０６は、ネットワークカード等のデータ送受信デバイスであり、外部のデータ収録サーバ等からの情報を取り込み、他の電子機器に解析情報を出力する通信インタフェースとして機能する。
補助記憶装置１０７は、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、及びＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の記憶装置であり、例えば、予測プログラムや予測システム１の動作に必要な各種のデータ、ファイル等を格納する。
図１に示す予測システム１の各機能は、ＣＰＵ１０１、ＲＡＭ１０２等の主記憶装置又は補助記憶装置１０７に所定のコンピュータソフトウェア（予測プログラムを含む）を読み込ませ、ＲＡＭ１０２、ＲＯＭ１０３又は補助記憶装置１０７に格納された予測プログラム等をＣＰＵ１０１により実行する。入力装置１０４、出力装置１０５及び通信モジュール１０６を動作させると共に、ＲＡＭ１０２、ＲＯＭ１０３及び補助記憶装置１０７等におけるデータの読み出し及び書き込みを行うことで、予測システム１の各機能は、実現される。すなわち、本実施形態の予測プログラムをコンピュータ上で実行させることで、予測システム１は、図１の、学習モデル１０と、学習用データ作成部２０と、学習部３０と、入力部４０と、予測部５０と、表示部６０として機能する。
本実施形態の予測プログラムは、例えばコンピュータが備える記憶装置内に格納される。なお、予測プログラムは、その一部又は全部が、通信回線等の伝送媒体を介して伝送され、コンピュータが備える通信モジュール１０６等により受信されて記録（インストールを含む）される構成としてもよい。また、予測プログラムは、その一部又は全部が、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、フラッシュメモリなどの持ち運び可能な記憶媒体に格納された状態から、コンピュータ内に記録（インストールを含む）される構成としてもよい。
予測システム１は、学習モデル１０と、予測部５０とを備える。学習モデル１０は、学習部３０おいて学習用データ作成部２０により作成された学習用データを用いて、入力情報と出力情報との対応関係を機械学習することによって生成した学習モデルである。予測システム１は、学習モデル１０に予測用入力情報を入力することで、予測用入力情報から出力情報を推論して予測用出力情報を出力することができる。そのため、予測システム１は、得られた予測用出力情報の結果に基づいて、焼成炉の運転条件等の入力条件を最適な出力情報が得られるように適宜設計することができる。よって、予測システム１は、リチウム化合物及び金属複合化合物を含む原料混合物から正極活物質を製造する際、原料混合物の焼成を連続的かつ効率的に行い、品質の安定した正極活物質を製造することができる。
予測システム１は、学習用データ作成部２０と学習部３０とを備える。予測システム１は、学習部３０で、学習用データ作成部２０により作成された学習用データを用いて、入力情報と出力情報との対応関係を表す学習モデルを学習できる。これにより、予測システム１は、学習部３０で学習した学習モデルを学習モデル１０として適用できる。よって、予測システム１は、学習モデル１０によって、予測用入力情報から予測用出力情報をより高精度に出力できるので、原料混合物の焼成をより効率的に行うことができる。
予測システム１は、学習用データ作成部２０の学習用データに入力された予測用入力情報及び予測用出力情報を入力情報及び出力情報として学習部３０で学習させ、学習モデル１０を更新することができる。予測システム１は、学習用データに新たに得られた入力情報及び出力情報を学習部３０で学習させることで、学習モデル１０を更新することができる。そのため、予測システム１は、学習モデル１０に最新の入力情報及び出力情報も含めて学習させることができるので、最新のデータも考慮した上で予測用入力情報から予測用出力情報が出力されるので、さらに予測出力情報の精度を高めることができる。これにより、原料混合物をより最適な焼成条件で焼成することができ、得られる正極活物質の品質をさらに安定して一定の品質とすることができる。
なお、本実施形態では、予測システム１は、学習用データ作成部２０及び学習部３０を備えていなくてもよい。
本実施形態では、学習用データ作成部２０は、学習用データに入力された予測用入力情報及び予測用出力情報を入力情報及び出力情報として学習して学習用データを更新しなくてもよい。
＜予測方法＞
次に、本実施形態に係る予測システムを用いて、一実施形態に係る予測方法について説明する。本実施形態に係る予測方法は、図１に示すような構成を有する予測システム１において、焼成容器に入れた、リチウム化合物及び金属複合化合物を含む混合物を焼成炉で焼成して得られるリチウムイオン二次電池用正極活物質の物性に関する情報を予測する。
次に、本実施形態に係る予測システムを用いて、一実施形態に係る予測方法について説明する。本実施形態に係る予測方法は、図１に示すような構成を有する予測システム１において、焼成容器に入れた、リチウム化合物及び金属複合化合物を含む混合物を焼成炉で焼成して得られるリチウムイオン二次電池用正極活物質の物性に関する情報を予測する。
図４は、本実施形態に係る予測方法を説明するフローチャートである。図４に示すように、本実施形態に係る予測方法は、学習用データの作成工程（ステップＳ１１）、モデルの学習工程（ステップＳ１２）、予測用入力情報の入力工程（ステップＳ１３）、出力情報の予測工程（ステップＳ１４）、予測出力情報の表示工程（ステップＳ１５）及び学習用データの更新工程（ステップＳ１６）を含む。
予測システム１は、学習用データ作成部２０により、学習モデル１０の学習用データを作成する（学習用データの作成工程：ステップＳ１１）。学習用データ作成部２０は、入力情報と出力情報との対応関係を学習し、図２に示すような学習用データを作成する。
次に、予測システム１は、学習部３０により、ステップＳ１１にて作成された学習用データを用いて、学習モデル１０を学習する（モデルの学習工程：ステップＳ１２）。
学習部３０は、学習用データ作成部２０により作成された学習用データを、深層学習（ディープラーニング）等の機械学習を用いて、入力情報と出力情報との対応関係を表す学習モデル１０を学習する。学習部３０は、学習用データの入力情報の内容に応じて、この入力情報に関連した出力情報と合致した出力となるように、学習モデル１０を学習する。学習部３０は、上述の通り、線形回帰（Linear regression）、ロジスティック回帰（Logistic regression）、ランダムフォレスト（Random Forest）、ブースティング（Boosting）、サポートベクターマシン（Support Vector Machine、ＳＶＭ）、及び、ニューラルネットワーク（Neural Network）等のアルゴリズムを教師あり学習モデルとして適用できる。
次に、予測システム１は、入力部４０により、用いる予測用入力情報を入力する（予測用入力情報の入力工程：ステップＳ１３）。
入力部４０への予測用入力情報の入力は、混合物を焼成炉に投入する前に行ってもよいし、混合物を焼成炉に投入した後に行ってもよい。
次に、予測システム１は、予測部５０により、学習モデル１０を用いて、対象材料である原料混合物を焼成して生成される正極活物質の出力情報を予測する（出力情報の予測工程：ステップＳ１４）。予測部５０は、ステップＳ１３にて入力された予測入力情報をステップＳ１２にて機械学習が済んだ学習モデル１０へ入力し、学習モデル１０から出力される正極活物質の物性に関する情報等の予測結果である予測用出力情報を取得する。
次に、予測システム１は、表示部６０により、予測部５０により出力された予測用出力情報を表示する（予測出力情報の表示工程：ステップＳ１５）。
次に、予測システム１は、学習用データ作成部２０により、学習用データに予測用入力情報及び予測用出力情報を入力情報及び出力情報として入力して、学習用データを更新する（学習用データの更新工程：ステップＳ１６）。
本実施形態に係る予測方法は、入力工程（ステップＳ１３）と、予測工程（ステップＳ１４）とを含む。入力工程（ステップＳ１３）で、学習モデル１０に予測入力情報を入力する。学習モデル１０は、学習部３０において学習用データ作成部２０により作成された学習用データを用いて、入力情報と出力情報との対応関係を機械学習することによって生成した学習モデルである。本実施形態に係る予測方法は、入力工程（ステップＳ１３）で、学習モデル１０に予測用入力情報を入力することで、予測工程（ステップＳ１４）で、予測用入力情報から出力情報を推論して予測用出力情報を出力することができる。そのため、本実施形態に係る予測方法によれば、得られた予測用出力情報の結果に基づいて、焼成炉の運転条件等の入力条件を最適な出力情報が得られるように適宜設計することができる。よって、本実施形態に係る予測方法は、リチウム化合物及び金属複合化合物を含む原料混合物から正極活物質を製造する際、原料混合物の焼成を連続的かつ効率的に行い、品質の安定した正極活物質を製造することができる。
本実施形態に係る予測方法は、学習用データの作成工程（ステップＳ１１）と、モデルの学習工程（ステップＳ１２）とを含むことができる。本実施形態に係る予測方法は、モデルの学習工程（ステップＳ１２）において、学習用データの作成工程（ステップＳ１１）で作成された学習用データを用いて、入力情報と出力情報との対応関係を表す学習モデルを学習できる。これにより、本実施形態に係る予測方法は、学習工程（ステップＳ１２）で学習した学習モデルを学習モデル１０として適用できる。よって、本実施形態に係る予測方法は、学習モデル１０によって、予測用入力情報から予測用出力情報をより高精度に出力できるので、原料混合物の焼成をより効率的に行うことができる。
本実施形態に係る予測方法は、学習用データの更新工程（ステップＳ１６）を含むことができる。本実施形態に係る予測方法は、学習用データの更新工程（ステップＳ１６）で、学習用データ作成部２０の学習用データに入力された予測用入力情報及び予測用出力情報を入力情報及び出力情報として学習部３０で学習させ、学習モデル１０を更新することができる。本実施形態に係る予測方法は、学習用データに新たに得られた入力情報及び出力情報を学習部３０で学習させることで、学習モデル１０を更新することができる。そのため、本実施形態に係る予測方法は、学習モデル１０に最新の入力情報及び出力情報も含めて学習させることができるので、最新のデータも考慮した上で予測用入力情報から予測用出力情報が出力されるので、さらに予測出力情報の精度を高めることができる。これにより、原料混合物をより最適な焼成条件で焼成することができ、得られる正極活物質の品質をさらに安定して一定の品質とすることができる。
本実施形態に係る予測方法は、入力工程（ステップＳ１３）を、原料混合物を焼成炉に投入する前、又は投入後に行うことができるので、原料混合物の投入前又は投入中に、得られる正極活物質の品質を予測できる。これにより、正極活物質の製造前又は製造中に、一定の品質を有する正極活物質を製造することができる。
なお、本実施形態では、予測出力情報の表示工程（ステップＳ１５）は、予測出力情報の表示が不要の場合には、行わなくてもよい。
本実施形態では、学習用データの更新工程（ステップＳ１６）は、学習用データの更新が不要の場合には、行わなくてもよい。
＜リチウムイオン二次電池用正極活物質の製造方法＞
本実施形態に係る予測方法を適用した、本実施形態に係る正極活物質の製造方法について説明する。図５は、本実施形態に係る正極活物質の製造方法を説明するフローチャートである。図５に示すように、本実施形態に係る正極活物質の製造方法は、準備工程（ステップＳ２１）と、学習用データの作成工程（ステップＳ２２）と、モデルの学習工程（ステップＳ２３）、予測用入力情報の入力工程（ステップＳ２４）、出力情報の予測工程（ステップＳ２５）、予測出力情報の表示工程（ステップＳ２６）、学習用データの更新工程（ステップＳ２７）と、調整工程（ステップＳ２８）と、焼成工程（ステップＳ２９）とを含むことができる。
本実施形態に係る予測方法を適用した、本実施形態に係る正極活物質の製造方法について説明する。図５は、本実施形態に係る正極活物質の製造方法を説明するフローチャートである。図５に示すように、本実施形態に係る正極活物質の製造方法は、準備工程（ステップＳ２１）と、学習用データの作成工程（ステップＳ２２）と、モデルの学習工程（ステップＳ２３）、予測用入力情報の入力工程（ステップＳ２４）、出力情報の予測工程（ステップＳ２５）、予測出力情報の表示工程（ステップＳ２６）、学習用データの更新工程（ステップＳ２７）と、調整工程（ステップＳ２８）と、焼成工程（ステップＳ２９）とを含むことができる。
（１）準備工程
準備工程では、ニッケル複合化合物とリチウム化合物とを混合して、原料混合物（リチウム複合酸化物前駆体ともいう）を準備する（準備工程：ステップＳ２１）。ニッケル複合化合物、リチウム化合物及びリチウム複合酸化物前駆体は、上述のニッケル複合化合物、リチウム化合物及びリチウム複合酸化物前駆体を用いることができるため、これらの説明は省略する。ニッケル複合化合物とリチウム化合物との混合方法についても、上述で説明しているため、説明は省略する。得られた原料混合物は、匣鉢等の焼成容器に入れて搬送される。
準備工程では、ニッケル複合化合物とリチウム化合物とを混合して、原料混合物（リチウム複合酸化物前駆体ともいう）を準備する（準備工程：ステップＳ２１）。ニッケル複合化合物、リチウム化合物及びリチウム複合酸化物前駆体は、上述のニッケル複合化合物、リチウム化合物及びリチウム複合酸化物前駆体を用いることができるため、これらの説明は省略する。ニッケル複合化合物とリチウム化合物との混合方法についても、上述で説明しているため、説明は省略する。得られた原料混合物は、匣鉢等の焼成容器に入れて搬送される。
（２）学習用データの作成工程
学習用データの作成工程では、学習用データ作成部２０により、学習モデル１０の学習用データを作成する（学習用データの作成工程：ステップＳ２２）。学習用データの作成工程（ステップＳ２２）は、上記の図４に示す本実施形態に係る予測方法の学習用データの作成工程（ステップＳ１１）と同様に行うことできるため、詳細は省略する。
学習用データの作成工程では、学習用データ作成部２０により、学習モデル１０の学習用データを作成する（学習用データの作成工程：ステップＳ２２）。学習用データの作成工程（ステップＳ２２）は、上記の図４に示す本実施形態に係る予測方法の学習用データの作成工程（ステップＳ１１）と同様に行うことできるため、詳細は省略する。
（３）モデルの学習工程
モデルの学習工程では、学習部３０により、ステップＳ２２にて作成された学習用データを用いて、学習モデル１０を学習する（モデルの学習工程：ステップＳ２３）。モデルの学習工程（ステップＳ２３）は、上記の図４に示す本実施形態に係る予測方法の学習用データの作成工程（ステップＳ１２）と同様に行うことできるため、詳細は省略する。
モデルの学習工程では、学習部３０により、ステップＳ２２にて作成された学習用データを用いて、学習モデル１０を学習する（モデルの学習工程：ステップＳ２３）。モデルの学習工程（ステップＳ２３）は、上記の図４に示す本実施形態に係る予測方法の学習用データの作成工程（ステップＳ１２）と同様に行うことできるため、詳細は省略する。
（４）予測用入力情報の入力工程
予測用入力情報の入力工程では、入力部４０により、用いる予測用入力情報を入力する（予測用入力情報の入力工程：ステップＳ２４）。予測用入力情報の入力工程（ステップＳ２４）は、上記の図４に示す本実施形態に係る予測方法の予測用入力情報の入力工程（ステップＳ１３）と同様に行うことできるため、詳細は省略する。
予測用入力情報の入力工程では、入力部４０により、用いる予測用入力情報を入力する（予測用入力情報の入力工程：ステップＳ２４）。予測用入力情報の入力工程（ステップＳ２４）は、上記の図４に示す本実施形態に係る予測方法の予測用入力情報の入力工程（ステップＳ１３）と同様に行うことできるため、詳細は省略する。
（５）出力情報の予測工程
出力情報の予測工程では、予測部５０により、学習モデル１０を用いて、対象材料である原料混合物を焼成して生成される正極活物質の出力情報を予測する（出力情報の予測工程：ステップＳ２５）。出力情報の予測工程（ステップＳ２５）は、上記の図４に示す本実施形態に係る予測方法の出力情報の予測工程（ステップＳ１４）と同様に行うことできるため、詳細は省略する。
出力情報の予測工程では、予測部５０により、学習モデル１０を用いて、対象材料である原料混合物を焼成して生成される正極活物質の出力情報を予測する（出力情報の予測工程：ステップＳ２５）。出力情報の予測工程（ステップＳ２５）は、上記の図４に示す本実施形態に係る予測方法の出力情報の予測工程（ステップＳ１４）と同様に行うことできるため、詳細は省略する。
（６）予測出力情報の表示工程
予測出力情報の表示工程では、表示部６０により、予測部５０により出力された予測用出力情報を表示する（予測出力情報の表示工程：ステップＳ２６）。予測出力情報の表示工程（ステップＳ２６）は、上記の図４に示す本実施形態に係る予測方法の予測出力情報の表示工程（ステップＳ１５）と同様に行うことできるため、詳細は省略する。
予測出力情報の表示工程では、表示部６０により、予測部５０により出力された予測用出力情報を表示する（予測出力情報の表示工程：ステップＳ２６）。予測出力情報の表示工程（ステップＳ２６）は、上記の図４に示す本実施形態に係る予測方法の予測出力情報の表示工程（ステップＳ１５）と同様に行うことできるため、詳細は省略する。
（７）学習用データの更新工程
学習用データの更新工程では、学習用データ作成部２０により、学習用データに予測用入力情報及び予測用出力情報を入力情報及び出力情報として入力して、学習用データを更新する（学習用データの更新工程：ステップＳ２７）。学習用データの更新工程（ステップＳ２７）は、上記の図４に示す本実施形態に係る予測方法の学習用データの更新工程（ステップＳ１６）と同様に行うことできるため、詳細は省略する。
学習用データの更新工程では、学習用データ作成部２０により、学習用データに予測用入力情報及び予測用出力情報を入力情報及び出力情報として入力して、学習用データを更新する（学習用データの更新工程：ステップＳ２７）。学習用データの更新工程（ステップＳ２７）は、上記の図４に示す本実施形態に係る予測方法の学習用データの更新工程（ステップＳ１６）と同様に行うことできるため、詳細は省略する。
（８）調整工程
予測工程で予測された出力情報に基づいて、焼成炉の運転条件を調整する（調整工程：ステップＳ２８）。焼成炉の運転条件は、上述の通り、焼成容器内の混合物の量、焼成炉の温度パターン、焼成時間（搬送速度）、炉内酸素分圧、炉内水蒸気分圧、ダンパー開閉度等である。
予測工程で予測された出力情報に基づいて、焼成炉の運転条件を調整する（調整工程：ステップＳ２８）。焼成炉の運転条件は、上述の通り、焼成容器内の混合物の量、焼成炉の温度パターン、焼成時間（搬送速度）、炉内酸素分圧、炉内水蒸気分圧、ダンパー開閉度等である。
図６に、調整工程（ステップＳ２８）における調整方法の一例を説明するフローチャートを示す。図６に示すように、予測工程で出力された予測出力情報が、予め設定した規格の範囲内であるか判断する（ステップＳ２８１）。
予測出力情報が、予め設定した規格の範囲内である（ステップＳ２８１：Ｙｅｓ）場合には、予測出力情報が、連続して５回以上上昇又は下降していないか判断する（焼成工程：ステップＳ２８２）。
予測出力情報が、連続して５回以上上昇又は下降していない場合（ステップＳ２８２：Ｙｅｓ）場合には、現在の焼成炉の運転条件で問題無いと判断でき、図５に示すように、リチウム複合酸化物前駆体を焼成する（焼成工程：ステップＳ２９）。
一方、予測出力情報が、予め設定した規格の範囲外である（ステップＳ２８１：Ｎｏ）場合には、予測入力情報に近い、過去の入力情報及び出力情報を検索し（ステップＳ２８３）、焼成炉の運転条件を調整する（ステップＳ２８４）。焼成炉の運転条件として、上述の通り、焼成容器内の混合物の量、焼成炉の温度パターン、焼成時間（搬送速度）、炉内酸素分圧、炉内水蒸気分圧、ダンパー開閉度等を調整する。
次に、焼成炉の運転条件以外の条件の変更が必要であるか否か判断する（ステップＳ２８５）。焼成炉の運転条件以外の条件としては、例えば、原料混合物を焼成して得た正極活物質（焼成物）の温度を室温近くまで下げる時の冷却条件、正極活物質の塊をほぐす解砕条件、複数の焼成容器内の正極活物質を混合する混合条件等が挙げられる。
焼成炉の運転条件以外の条件の変更が必要である（ステップＳ２８５：Ｙｅｓ）場合には、焼成炉の運転条件以外の条件の変更が必要であることを表示部６０で表示して警告する（ステップＳ２８６）。そして、焼成炉の運転条件以外の条件を適宜変更する（ステップＳ２８７）。その後、予測出力情報が、連続して５回以上上昇又は下降していないか判断する（焼成工程：ステップＳ２８２）。
また、予測出力情報が、連続して５回以上上昇又は下降している場合（ステップＳ２８２：Ｎｏ）場合には、焼成炉の運転条件以外の条件の変更が必要であることを表示部６０で表示して警告し（ステップＳ２８８）、焼成炉の運転条件以外の条件を変更する（ステップＳ２８９）。その後、図５に示すように、リチウム複合酸化物前駆体を焼成する（焼成工程：ステップＳ２９）。
また、焼成炉の運転条件以外の条件の変更が必要でない（ステップＳ２８５：Ｎｏ）場合には、予測出力情報が、連続して５回以上上昇又は下降していないか判断する（焼成工程：ステップＳ２８２）。
（９）焼成工程
次に、図５に示すように、準備工程（ステップＳ２１）で得た原料混合物であるリチウム複合酸化物前駆体を、調整工程（ステップＳ２８）で調整された焼成炉の運転条件に基づいて、焼成炉で焼成する（焼成工程：ステップＳ２９）。これにより、粒子状のリチウム複合酸化物である正極活物質を得ることができる。リチウム複合酸化物前駆体は、例えば、酸素濃度が１８ｖｏｌ％～１００ｖｏｌ％である酸素含有雰囲気下、６００℃～１０５０℃の温度で焼成することで正極活物質を得ることができる。
次に、図５に示すように、準備工程（ステップＳ２１）で得た原料混合物であるリチウム複合酸化物前駆体を、調整工程（ステップＳ２８）で調整された焼成炉の運転条件に基づいて、焼成炉で焼成する（焼成工程：ステップＳ２９）。これにより、粒子状のリチウム複合酸化物である正極活物質を得ることができる。リチウム複合酸化物前駆体は、例えば、酸素濃度が１８ｖｏｌ％～１００ｖｏｌ％である酸素含有雰囲気下、６００℃～１０５０℃の温度で焼成することで正極活物質を得ることができる。
焼成容器内に充填するリチウム複合酸化物前駆体の量は、特に限定されず、焼成容器の大きさ等に応じて適宜調整される。
焼成容器内にリチウム複合酸化物前駆体を充填した際、リチウム複合酸化物前駆体の形状は特に限定されず、焼成工程において均一に加熱できるように、その形状等を選択することができる。
リチウム複合酸化物前駆体を焼成する焼成温度は、特に限定されず、リチウム複合酸化物前駆体の組成に応じて適宜設定可能である。
焼成温度を６００℃以上とすることで、ニッケル複合酸化物等の金属複合化合物へのリチウム成分の拡散を十分に進行させることができ、得られるリチウム複合酸化物の特性を特に均一にすることができる。これにより、得られたリチウム複合酸化物を正極活物質として用いた場合に電池特性を特に高めることができる。また、反応を十分に進行させることができるため、余剰のリチウムの残留や、未反応の粒子が残留することを抑制できる。
焼成温度を１０５０℃以下とすることで、生成するリチウム複合酸化物の粒子間で焼結が進行することを抑制することができる。また、焼成温度を１０５０℃以下とすることで、異常粒成長の発生を抑制し、得られるリチウム複合酸化物の粒子が粗大化することを抑制することができる。
また、熱処理温度まで昇温する過程で、リチウム化合物の融点付近の温度にて１時間以上５時間以下程度保持することで、より反応を均一に行わせることができ、好ましい。
焼成工程における焼成時間のうち、所定温度、すなわち上述の焼成温度での保持時間は特に限定されないが、２時間以上とすることが好ましく、より好ましくは３時間以上である。焼成温度での保持時間を２時間以上とすることで、リチウム複合酸化物の生成を十分に促進し、未反応物が残留することをより確実に防止することができる。
焼成温度での保持時間の上限値は、特に限定されないが、生産性等を考慮して、２４時間以下であることが好ましい。
焼成時の雰囲気は特に限定されないが、酸化性雰囲気とすることが好ましい。酸化性雰囲気としては、酸素含有気体雰囲気を好ましく用いることができ、例えば、酸素濃度が１８ｖｏｌ％～１００ｖｏｌ％の雰囲気とすることがより好ましい。
これは焼成時の雰囲気中の酸素濃度を１８ｖｏｌ％以上とすることで、リチウム複合酸化物の結晶性を特に高めることができるからである。
酸素含有気体雰囲気とする場合、該雰囲気を構成する気体としては、例えば空気（大気）や、酸素、酸素と不活性ガスとの混合気体等を用いることができる。なお、酸素含有気体雰囲気を構成する気体として、例えば、上述のように酸素と不活性ガスとの混合気体を用いる場合、該混合気体中の酸素濃度は上述の範囲を満たすことが好ましい。特に、焼成工程においては、酸素含有気体の気流中で実施することが好ましく、空気、又は酸素気流中で行うことがより好ましい。特に電池特性を考慮すると、酸素気流中で行うことが好ましい。
焼成に用いられる炉は、特に限定されるものではなく、例えば空気又は酸素気流中でリチウム複合酸化物製造用前駆体充填物を焼成できるものを好適に用いることができ、炉内の雰囲気を均一に保つ観点から、ガス発生がない電気炉が好ましく、バッチ式又は連続式の炉をいずれも用いることができる。
このように、本実施形態に係る正極活物質の製造方法は、入力工程（ステップＳ２４）と、予測工程（ステップＳ２５）と、調整工程（ステップＳ２８）と、焼成工程（ステップＳ２９）とを含む。予測工程（ステップＳ２５）で予測用入力情報が入力される学習モデル１０は、学習部３０において学習用データ作成部２０により作成された学習用データを用いて、入力情報と出力情報との対応関係を機械学習することによって生成した学習モデルである。本実施形態に係る正極活物質の製造方法は、入力工程（ステップＳ２４）で、学習モデル１０に予測用入力情報を入力することで、予測工程（ステップＳ２５）で、予測用入力情報から出力情報を推論して予測用出力情報を出力することができる。
よって、本実施形態に係る正極活物質の製造方法によれば、得られた予測用出力情報の結果から正極活物質の品質を予測することができるので、焼成炉の運転条件等の入力条件を最適な出力情報が得られるように適宜設計することができる。よって、本実施形態に係る正極活物質の製造方法は、リチウム化合物及び金属複合化合物を含む原料混合物の焼成を連続的かつ効率的に行い、品質の安定した正極活物質を製造することができる。
本実施形態に係る正極活物質の製造方法を用いれば、扱う作業員が異なる場合でも、原料混合物の混合等に応じて焼成炉の運転条件を適切に制御して、品質が安定した正極活物質を容易に製造することができる。したがって、本実施形態に係る正極活物質の製造方法を用いれば、専門技術者の知識や経験が少ない場合でも、原料混合物の焼成不良の発生等を軽減する等、原料混合物を適切に焼成できるので、安定した品質を有する正極活物質を継続して製造することができる。
［リチウムイオン二次電池］
以上の通り、本実施形態に係る正極活物質の製造方法は、リチウムイオン二次電池（以下、「二次電池」とも記載する）用の正極活物質の製造に有効に用いることができる。二次電池は、例えば、正極、負極、セパレータ及び非水系電解質を含み、一般のリチウムイオン二次電池と同様の構成要素から構成される。正極は、本実施形態に係る正極活物質の製造方法により製造した正極活物質を正極材料として用いることができる。負極、セパレータ及び非水系電解質は、公知の負極、セパレータ及び非水系電解質を用いることができる。また、非水系電解質としては、非水系電解液及び固体電解質等を用いることができる。
以上の通り、本実施形態に係る正極活物質の製造方法は、リチウムイオン二次電池（以下、「二次電池」とも記載する）用の正極活物質の製造に有効に用いることができる。二次電池は、例えば、正極、負極、セパレータ及び非水系電解質を含み、一般のリチウムイオン二次電池と同様の構成要素から構成される。正極は、本実施形態に係る正極活物質の製造方法により製造した正極活物質を正極材料として用いることができる。負極、セパレータ及び非水系電解質は、公知の負極、セパレータ及び非水系電解質を用いることができる。また、非水系電解質としては、非水系電解液及び固体電解質等を用いることができる。
以上の通り、実施形態を説明したが、上記実施形態は、例として提示したものであり、上記実施形態により本発明が限定されるものではない。上記実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の組み合わせ、省略、置き換え、変更などを行うことが可能である。これら実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
１ 予測システム
１０ 学習モデル
２０ 学習用データ作成部
３０ 学習部
４０ 入力部
５０ 予測部
６０ 表示部
１０ 学習モデル
２０ 学習用データ作成部
３０ 学習部
４０ 入力部
５０ 予測部
６０ 表示部
Claims (8)
- 焼成容器に入れた、リチウム化合物及び金属複合化合物を含む混合物を焼成炉で焼成して得られるリチウムイオン二次電池用正極活物質の物性に関する情報を取得する予測方法であって、
前記混合物に関する情報、前記焼成容器に関する情報及び前記焼成炉の運転条件に関する情報を含む入力情報と、前記焼成炉で焼成して得られた前記リチウムイオン二次電池用正極活物質の物性に関する情報を含む出力情報との対応関係を学習した学習モデルに、前記混合物に関する情報、前記焼成容器に関する情報及び前記焼成炉の運転条件に関する情報を含む予測用入力情報を入力する、入力情報の入力工程と、
前記学習モデルに入力された前記予測用入力情報に基づいて、前記焼成炉で焼成して得られた前記リチウムイオン二次電池用正極活物質の物性に関する情報を含む予測用出力情報を出力する、出力情報の予測工程と、
を含む予測方法。 - 前記入力情報と前記出力情報とを含む学習用データを作成する学習用データ作成工程と、
前記学習用データを用いて、前記入力情報と前記出力情報との対応関係を表す前記学習モデルを学習する学習工程と、
を含む請求項１に記載の予測方法。 - 前記学習用データに入力された前記予測用入力情報及び前記予測用出力情報を前記入力情報及び前記出力情報として学習させ、前記学習モデルを更新する更新工程を含む請求項２に記載の予測方法。
- 前記入力工程が、前記混合物を前記焼成炉に投入する前、又は投入後に行う、請求項１～３の何れか一項に記載の予測方法。
- 焼成容器に入れた、リチウム化合物及び金属複合化合物を含む混合物を焼成炉で焼成して、リチウムイオン二次電池用正極活物質を得るリチウムイオン二次電池用正極活物質の製造方法であって、
前記混合物に関する情報、前記焼成容器に関する情報及び前記焼成炉の運転条件に関する情報を含む入力情報と、前記焼成炉で焼成して得られた前記リチウムイオン二次電池用正極活物質の物性に関する情報を含む出力情報との対応関係を学習した学習モデルに、前記混合物に関する情報、前記焼成容器に関する情報及び前記焼成炉の運転条件に関する情報を含む予測用入力情報を入力する入力工程と、
前記学習モデルに入力された前記予測用入力情報に基づいて、前記焼成炉で焼成して得られた前記リチウムイオン二次電池用正極活物質の物性に関する情報を含む予測用出力情報を出力する予測工程と、
前記予測工程で予測された前記予測用出力情報に基づいて、前記焼成炉の前記運転条件を調整する調整工程と、
前記調整工程で調整された前記焼成炉の前記運転条件に基づいて、前記混合物を前記焼成炉で焼成する焼成工程と、
を含むリチウムイオン二次電池用正極活物質の製造方法。 - 焼成容器に入れた、リチウム化合物及び金属複合化合物を含む混合物を焼成炉で焼成して得られるリチウムイオン二次電池用正極活物質の物性に関する情報を取得する予測システムであって、
前記混合物に関する情報、前記焼成容器に関する情報及び前記焼成炉の運転条件に関する情報を含む入力情報と、前記焼成炉で焼成して得られた前記リチウムイオン二次電池用正極活物質の物性に関する情報を含む出力情報との対応関係を学習した学習モデルと、
前記学習モデルに入力された、前記混合物に関する情報、前記焼成容器に関する情報及び前記焼成炉の運転条件に関する情報を含む予測用入力情報に基づいて、前記焼成炉で焼成して得られた前記リチウムイオン二次電池用正極活物質の物性に関する情報を含む予測用出力情報を出力する予測部と、
を備える予測システム。 - 前記入力情報と前記出力情報とを含む学習用データを作成する学習用データ作成部と、
前記学習用データを用いて、前記入力情報と前記出力情報との対応関係を表す前記学習モデルを学習する学習部と、
を備える請求項６に記載の予測システム。 - 前記学習部は、前記学習用データ作成部で前記学習用データに入力された前記予測用入力情報及び前記予測用出力情報を前記入力情報及び前記出力情報として学習し、前記学習モデルを更新する請求項７に記載の予測システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020017437A JP7396082B2 (ja) | 2020-02-04 | 2020-02-04 | 予測方法、リチウムイオン二次電池用正極活物質の製造方法及び予測システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020017437A JP7396082B2 (ja) | 2020-02-04 | 2020-02-04 | 予測方法、リチウムイオン二次電池用正極活物質の製造方法及び予測システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021125351A JP2021125351A (ja) | 2021-08-30 |
| JP7396082B2 true JP7396082B2 (ja) | 2023-12-12 |
Family
ID=77459426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020017437A Active JP7396082B2 (ja) | 2020-02-04 | 2020-02-04 | 予測方法、リチウムイオン二次電池用正極活物質の製造方法及び予測システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7396082B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240054041A (ko) | 2022-10-18 | 2024-04-25 | 주식회사 Lg 경영개발원 | 인공지능 기반의 혼합물 물성 예측 장치, 방법 및 프로그램 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000203947A (ja) | 1999-01-11 | 2000-07-25 | Matsushita Electric Ind Co Ltd | リチウム複合金属酸化物の焼成装置およびその焼成方法 |
| US20170293707A1 (en) | 2016-04-08 | 2017-10-12 | Nano And Advanced Materials Institute Limited | Method of designing and modifying lithium ion battery cathode materials |
| JP2019075253A (ja) | 2017-10-16 | 2019-05-16 | 日立金属株式会社 | リチウム二次電池用正極活物質の製造方法 |
| JP2019096424A (ja) | 2017-11-21 | 2019-06-20 | 住友金属鉱山株式会社 | リチウムイオン二次電池用正極活物質およびその製造方法 |
-
2020
- 2020-02-04 JP JP2020017437A patent/JP7396082B2/ja active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000203947A (ja) | 1999-01-11 | 2000-07-25 | Matsushita Electric Ind Co Ltd | リチウム複合金属酸化物の焼成装置およびその焼成方法 |
| US20170293707A1 (en) | 2016-04-08 | 2017-10-12 | Nano And Advanced Materials Institute Limited | Method of designing and modifying lithium ion battery cathode materials |
| JP2019075253A (ja) | 2017-10-16 | 2019-05-16 | 日立金属株式会社 | リチウム二次電池用正極活物質の製造方法 |
| JP2019096424A (ja) | 2017-11-21 | 2019-06-20 | 住友金属鉱山株式会社 | リチウムイオン二次電池用正極活物質およびその製造方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021125351A (ja) | 2021-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Voronina et al. | Co-free layered cathode materials for high energy density lithium-ion batteries | |
| Nolan et al. | Computation-accelerated design of materials and interfaces for all-solid-state lithium-ion batteries | |
| Teichert et al. | Degradation and aging routes of Ni-rich cathode based Li-ion batteries | |
| Nolan et al. | Solid-state chemistries stable with high-energy cathodes for lithium-ion batteries | |
| JP5525388B2 (ja) | セラミックス材料及びその製造方法 | |
| CN104335396B (zh) | 锂离子电池用正极活性物质、锂离子电池用正极和锂离子电池 | |
| Booth et al. | Perspectives for next generation lithium-ion battery cathode materials | |
| KR101644252B1 (ko) | 니켈 복합 수산화물과 그의 제조 방법, 비수계 전해질 이차 전지용 정극 활물질과 그의 제조 방법, 및 비수계 전해질 이차 전지 | |
| JP6344007B2 (ja) | 非水電解質二次電池用正極活物質の前駆体の製造方法、及び非水電解質二次電池用正極活物質の製造方法 | |
| US20090193936A1 (en) | Methods and apparatus for an oxygen furnace quality control system | |
| Gao et al. | Seeking direct cathode regeneration for more efficient lithium-ion battery recycling | |
| CN102010182A (zh) | 陶瓷材料及其利用 | |
| JP5294225B2 (ja) | リチウム二次電池電極用酸化物の単結晶粒子及びその製造方法、ならびにそれを用いたリチウム二次電池 | |
| JP7396082B2 (ja) | 予測方法、リチウムイオン二次電池用正極活物質の製造方法及び予測システム | |
| Kim et al. | Understanding Reactivities of Ni-Rich Li [Ni x Mn y Co1–x–y] O2 Single-Crystal Cathode Materials | |
| TW201705591A (zh) | 非水電解質二次電池用正極活物質、非水電解質二次電池 | |
| JP7224754B2 (ja) | 非水系電解質二次電池用正極活物質前駆体、非水系電解質二次電池用正極活物質、非水系電解質二次電池用正極活物質前駆体の製造方法、非水系電解質二次電池用正極活物質の製造方法 | |
| Kim | Point defects in layer-structured cathode materials for lithium-ion batteries | |
| Morgan et al. | From Atoms to Cells: Multiscale Modeling of LiNi x Mn y Co z O2 Cathodes for Li-Ion Batteries | |
| Wang et al. | Synthesis and Processing by Design of High‐Nickel Cathode Materials | |
| JP7159639B2 (ja) | 遷移金属複合水酸化物の粒子の製造方法、及び、リチウムイオン二次電池用正極活物質の製造方法 | |
| Feng et al. | Adjusting oxygen redox reaction and structural stability of Li-and Mn-rich cathodes by Zr-Ti dual-doping | |
| JP6773456B2 (ja) | 無機材料の製造方法 | |
| CN103620829B (zh) | 层状氧化物阴极组合物的合成方法 | |
| EP4011834A1 (en) | Process for making an electrode active material |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221223 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231025 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231031 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231113 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7396082 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |