JP7437670B2

JP7437670B2 - Battery safety estimation device and battery safety estimation method

Info

Publication number: JP7437670B2
Application number: JP2019193093A
Authority: JP
Inventors: 隆行白根; 幹也藤井; 幸治森川
Original assignee: Panasonic Intellectual Property Management Co Ltd
Current assignee: Panasonic Intellectual Property Management Co Ltd
Priority date: 2019-04-26
Filing date: 2019-10-24
Publication date: 2024-02-26
Anticipated expiration: 2039-10-24
Also published as: JP2020184516A

Description

本開示は、電池の安全性推定装置および電池の安全性推定方法に関する。 The present disclosure relates to a battery safety estimation device and a battery safety estimation method.

近年、携帯電話およびノートパソコンなどの電子機器および車載用電源などに用いる二次電池に対する高エネルギー密度化が要求されており、この観点から高エネルギー密度化が可能な非水電解質二次電池が広く普及している。非水電解質二次電池は、例えば、正極、負極、これらの間に介在するセパレータおよび非水電解質を備える。体積効率を高め、高エネルギー密度化を実現するために、正極および負極がセパレータを介して捲回された電極群を備える構造の電池が知られている。 In recent years, there has been a demand for higher energy densities in secondary batteries used in electronic devices such as mobile phones and notebook computers, as well as in-vehicle power supplies. It is widespread. A non-aqueous electrolyte secondary battery includes, for example, a positive electrode, a negative electrode, a separator interposed therebetween, and a non-aqueous electrolyte. BACKGROUND ART In order to increase volumetric efficiency and realize high energy density, batteries are known that have a structure including an electrode group in which a positive electrode and a negative electrode are wound with a separator in between.

また、電池を繰り返し充放電した場合の電池容量の劣化は、寿命特性と呼ばれ、重要な電池特性の一つである。寿命特性は評価に長い期間がかかるのに加え、さまざまな条件において、劣化要因を分離しつつ評価する必要があり、その特性改良には莫大な時間がかかる。近年では、寿命特性の推定技術または長寿命化するための制御技術が開示されている（例えば、特許文献１、２および３）。 Furthermore, the deterioration of battery capacity when a battery is repeatedly charged and discharged is called life characteristics, and is one of the important battery characteristics. Not only does it take a long time to evaluate lifespan characteristics, but it also requires evaluating the factors of deterioration under various conditions while separating them, and it takes an enormous amount of time to improve these characteristics. In recent years, techniques for estimating life characteristics or control techniques for extending life have been disclosed (for example, Patent Documents 1, 2, and 3).

一方で、非水電解質二次電池のエネルギー密度の増加に伴って、エネルギー密度と安全性とがトレードオフとなり、電池の安全性に関する課題は大きくなっている。 On the other hand, as the energy density of non-aqueous electrolyte secondary batteries increases, there is a trade-off between energy density and safety, and issues related to battery safety are increasing.

一般的に、非水電解質二次電池の安全性は、材料の熱安定性、設計の余裕度および生産プロセスの妥当性などに影響される。安全性への影響は、正極活物質の熱安定性、特に、充電状態の正極活物質からの酸素放出に対する熱安定性に大きく依存する。正極活物質の熱安定性を高めるために、合成プロセスおよび材料組成の検討が多くなされている。近年では、より熱安定性の高い活物質の材料設計を、第一原理計算を用いた手法で導出する技術が開示されている（例えば、特許文献４）。 Generally, the safety of non-aqueous electrolyte secondary batteries is affected by the thermal stability of the materials, the margin of design, the validity of the production process, etc. The impact on safety largely depends on the thermal stability of the cathode active material, particularly with respect to oxygen release from the cathode active material in the charged state. In order to improve the thermal stability of positive electrode active materials, many studies have been made on the synthesis process and material composition. In recent years, a technique has been disclosed for deriving a material design for an active material with higher thermal stability using a method using first-principles calculations (for example, Patent Document 4).

特許第５５６１２６８号公報Patent No. 5561268 国際公開第２０１４／１５５７２６号International Publication No. 2014/155726 特開２０１３－２１７８９７号公報Japanese Patent Application Publication No. 2013-217897 特開２０１７－１６２７９０号公報Japanese Patent Application Publication No. 2017-162790

しかしながら、特許文献４のように、電池の安全性を高める材料設計技術が報告されているものの、電池の発熱に関する安全性の推定技術に関しての報告はない。 However, although material design techniques that improve the safety of batteries have been reported, as in Patent Document 4, there have been no reports regarding techniques for estimating safety regarding battery heat generation.

そこで、未知の設計の電池においても、電池の設計パラメータから電池の発熱に関する安全性を推定できる、電池の安全性推定装置などの実現が望まれる。 Therefore, it is desired to realize a battery safety estimating device that can estimate the safety regarding battery heat generation from battery design parameters even for batteries of unknown design.

上記課題を解決するため、本開示の一態様に係る電池の安全性推定装置は、電池の設計パラメータを取得するパラメータ取得部と、前記設計パラメータから、機械学習済み論理モデルに基づいて、前記電池の電圧挙動を算出する算出部と、前記電圧挙動を前記電池の発熱に関する安全性の情報として出力する出力部と、を備える。 In order to solve the above problems, a battery safety estimation device according to an aspect of the present disclosure includes a parameter acquisition unit that acquires design parameters of the battery, and a parameter acquisition unit that acquires design parameters of the battery, and a and an output unit that outputs the voltage behavior as safety information regarding heat generation of the battery.

また、本開示の一態様に係る電池の安全性推定方法は、電池の設計パラメータを取得するパラメータ取得ステップと、前記設計パラメータから、機械学習済み論理モデルに基づいて、前記電池の電圧挙動を算出する算出ステップと、前記電圧挙動を前記電池の発熱に関する安全性の情報として出力する出力ステップと、を含む。 Further, a battery safety estimation method according to an aspect of the present disclosure includes a parameter acquisition step of acquiring design parameters of the battery, and calculating voltage behavior of the battery from the design parameters based on a machine-learned logic model. and an output step of outputting the voltage behavior as safety information regarding heat generation of the battery.

本開示によれば、電池の設計パラメータから電池の発熱に関する安全性を推定できる、電池の安全性推定装置などを実現できる。 According to the present disclosure, it is possible to realize a battery safety estimating device and the like that can estimate the safety regarding battery heat generation from battery design parameters.

図１は、電池の発熱に関する安全性の推定における課題を説明するための図である。FIG. 1 is a diagram for explaining problems in estimating safety regarding battery heat generation. 図２は、本実施の形態に係る電池の安全性推定装置の構成の一例を示す機能ブロック図である。FIG. 2 is a functional block diagram showing an example of the configuration of the battery safety estimation device according to the present embodiment. 図３は、本実施の形態に係る電池の安全性推定装置における、電池の安全性推定の方法を示すフローチャートである。FIG. 3 is a flowchart showing a method for estimating battery safety in the battery safety estimating device according to the present embodiment. 図４は、本実施の形態に係る電池の安全性推定装置における、機械学習済み論理モデルを構築する方法を示すフローチャートである。FIG. 4 is a flowchart showing a method for constructing a machine-learned logic model in the battery safety estimation device according to the present embodiment. 図５は、安全性の推定に用いた評価用電池の概略構成を示す断面図である。FIG. 5 is a cross-sectional view showing a schematic configuration of an evaluation battery used for estimating safety. 図６は、評価用電池における、発生したガス量と経過時間との関係を示す図である。FIG. 6 is a diagram showing the relationship between the amount of gas generated and the elapsed time in the evaluation battery. 図７は、評価用電池における、電圧と経過時間との関係を示す図である。FIG. 7 is a diagram showing the relationship between voltage and elapsed time in the evaluation battery. 図８は、評価用電池における、電圧挙動とガス発生速度との関係を示す図である。FIG. 8 is a diagram showing the relationship between voltage behavior and gas generation rate in the evaluation battery. 図９は、評価用電池における、推定した電圧挙動と実測した電圧挙動との関係を示す図である。FIG. 9 is a diagram showing the relationship between the estimated voltage behavior and the actually measured voltage behavior in the evaluation battery.

（本開示の基礎となった知見）
従来の電池に関する推定技術は、実測可能な電圧、電流および温度などを用いる技術、または、あらかじめ様々な条件で測定したマップデータを用いて電池の寿命特性を推定する技術である。また、寿命特性を推定することを目的とした従来の推定技術を、安全性推定に展開するのは困難である。そのため、未知の組み合わせの設計の電池において、電池の発熱に関する安全性が推定可能な技術の実現が望まれる。 (Findings that formed the basis of this disclosure)
Conventional battery estimation techniques are techniques that use measurable voltage, current, temperature, etc., or techniques that estimate battery life characteristics using map data measured in advance under various conditions. Furthermore, it is difficult to apply conventional estimation techniques aimed at estimating life characteristics to safety estimation. Therefore, it is desired to realize a technology that can estimate the safety of battery heat generation in batteries designed with unknown combinations.

図１は、電池の発熱に関する安全性の推定における課題を説明するための図である。図１に示されるように、電池の発熱に関する安全性と電池の温度挙動とは、相関性が高い。そのため、電池の発熱に関する安全性を推定するためには、温度挙動を推定することが直接的であり、一般的である。 FIG. 1 is a diagram for explaining problems in estimating safety regarding battery heat generation. As shown in FIG. 1, there is a high correlation between the safety regarding battery heat generation and the temperature behavior of the battery. Therefore, in order to estimate the safety regarding battery heat generation, it is straightforward and common to estimate temperature behavior.

そのような中、本発明者らは、電池の発熱に関する安全性を推定する際に、以下の知見を見出した。温度挙動は、熱電対などを用いて容易に測定することができる。一方で、温度の挙動は、変化の時間分解能が悪く、環境および測定条件などによる誤差要因が大きい。そのため、電池の設計パラメータを説明変数とし、電池の温度挙動を目的変数として機械学習を行った論理モデルでは、温度挙動の誤差要因が大きく、高い精度で温度挙動を推定することができない。 Under such circumstances, the present inventors discovered the following findings when estimating the safety regarding heat generation of batteries. Temperature behavior can be easily measured using a thermocouple or the like. On the other hand, the temporal resolution of changes in temperature behavior is poor, and there are large error factors due to the environment and measurement conditions. Therefore, in a logical model in which machine learning is performed using battery design parameters as explanatory variables and battery temperature behavior as an objective variable, there are large error factors in temperature behavior, and temperature behavior cannot be estimated with high accuracy.

一方で、電池のガス発生速度は、電池の温度挙動と相関性が高い。また、電池の電圧挙動も、電池の温度挙動および電池のガス発生速度との相関性が高い。そのため、電池の電圧挙動を推定することにより、電池の温度挙動が推定でき、さらに、電池の発熱に関する安定性を推定することにつながる。また、電池の電圧挙動は、変化の時間分解能が高く、測定も容易である。 On the other hand, the gas generation rate of a battery is highly correlated with the temperature behavior of the battery. Furthermore, the voltage behavior of the battery also has a high correlation with the temperature behavior of the battery and the gas generation rate of the battery. Therefore, by estimating the voltage behavior of the battery, the temperature behavior of the battery can be estimated, which in turn leads to estimating the stability of the battery regarding heat generation. Furthermore, the voltage behavior of a battery has a high time resolution of changes and is easy to measure.

本開示では、電池の設計パラメータから電池の発熱に関する安全性を推定することができる電池の安全性推定装置などを提供する。 The present disclosure provides a battery safety estimating device and the like that can estimate the safety regarding battery heat generation from battery design parameters.

本開示の一態様の概要は以下の通りである。 An overview of one aspect of the present disclosure is as follows.

本開示の一態様に係る電池の安全性推定装置は、電池の設計パラメータを取得するパラメータ取得部と、前記設計パラメータから、機械学習済み論理モデルに基づいて、前記電圧挙動を算出する算出部と、前記電圧挙動を前記電池の発熱に関する安全性の情報として出力する出力部と、を備える。 A battery safety estimation device according to an aspect of the present disclosure includes a parameter acquisition unit that acquires battery design parameters, and a calculation unit that calculates the voltage behavior from the design parameters based on a machine-learned logic model. and an output unit that outputs the voltage behavior as safety information regarding heat generation of the battery.

これにより、電池の設計パラメータから、電圧挙動が推定され、電圧挙動が電池の安全性の情報として出力される。よって、本態様に係る電池の安全性推定装置は、未知の組み合わせの設計の電池においても、電池の設計パラメータから電池の発熱に関する安全性を推定できる。 Thereby, the voltage behavior is estimated from the design parameters of the battery, and the voltage behavior is output as information on the safety of the battery. Therefore, the battery safety estimating device according to this embodiment can estimate the safety regarding heat generation of the battery from the battery design parameters even in the case of a battery having an unknown combination of designs.

また、例えば、前記安全性推定装置は、学習用電池の学習用設計パラメータと、前記学習用電池の電圧挙動を示す学習用電圧挙動データとを取得する学習データ取得部と、前記学習用設計パラメータを説明変数とし、前記学習用電圧挙動データを目的変数として、論理モデルに対して機械学習させることにより、前記機械学習済み論理モデルを構築する学習部と、をさらに備えてもよい。 Further, for example, the safety estimation device includes a learning data acquisition unit that acquires learning design parameters of the learning battery and learning voltage behavior data indicating voltage behavior of the learning battery, and the learning design parameter may further include a learning unit that constructs the machine-learned logic model by performing machine learning on the logic model using the learning voltage behavior data as an explanatory variable and the learning voltage behavior data as an objective variable.

これにより、測定が容易であり、変化の時間分解能が高い、電圧挙動を目的変数として、機械学習された機械学習済み論理モデルが構築される。また、電圧挙動は、電池の温度との相関性が高い。よって、本態様に係る電池の安全性推定装置は、電池の設計パラメータから、電池の発熱に関する安全性を推定する場合において、推定精度の高い機械学習済み論理モデルを構築できる。 As a result, a machine-learned logic model is constructed using voltage behavior as an objective variable, which is easy to measure and has a high time resolution of change. Further, voltage behavior has a high correlation with battery temperature. Therefore, the battery safety estimation device according to this aspect can construct a machine-learned logic model with high estimation accuracy when estimating the safety regarding heat generation of the battery from the design parameters of the battery.

また、例えば、前記学習部は、前記機械学習における前記機械学習済み論理モデルを構築する方法として、勾配ブースティング法を用いてもよい。 Further, for example, the learning unit may use a gradient boosting method as a method for constructing the machine learned logical model in the machine learning.

勾配ブースティング法を用いて構築された機械学習済み論理モデルは、より高い推定精度で、電池の設計パラメータから電池の電圧挙動を推定することができる。 A machine-learned logic model built using the gradient boosting method can estimate battery voltage behavior from battery design parameters with higher estimation accuracy.

また、例えば、前記算出部は、さらに、学習用電池の電圧挙動と前記学習用電池の温度との相関関係に基づいて、前記算出部が算出した前記電池の前記電圧挙動から前記電池の温度を算出し、前記出力部は、さらに、前記温度を出力してもよい。 Further, for example, the calculation unit further calculates the temperature of the battery from the voltage behavior of the battery calculated by the calculation unit based on the correlation between the voltage behavior of the learning battery and the temperature of the learning battery. and the output unit may further output the temperature.

これにより、電池の設計パラメータから算出された、電池の電圧挙動を介して、電池の温度が出力される。よって、より直接的に電池の発熱に関する安全性を推定できる。 Thereby, the temperature of the battery is outputted via the voltage behavior of the battery calculated from the design parameters of the battery. Therefore, safety regarding battery heat generation can be estimated more directly.

また、例えば、前記設計パラメータには、前記電池の一部を構成する、（ｉ）電極の寸法、（ｉｉ）前記電極の密度、（ｉｉｉ）セパレータの寸法、（ｉｖ）電解液の量、（ｖ）前記電極または前記電解液の材料の組成、（ｖｉ）前記電極または前記電解液の材料の物性、および、（ｖｉｉ）前記電池の容量、のうち少なくとも１つが含まれてもよい。 For example, the design parameters may include (i) dimensions of the electrodes, (ii) density of the electrodes, (iii) dimensions of the separator, (iv) amount of electrolyte, ( At least one of v) composition of the material of the electrode or the electrolyte, (vi) physical properties of the material of the electrode or the electrolyte, and (vii) capacity of the battery may be included.

これにより、電池の設計パラメータに、電池の電圧挙動の推定への寄与が大きいパラメータが含まれる。このため、より高い推定精度で、電池の設計パラメータから電池の電圧挙動を推定することができる。 As a result, the battery design parameters include parameters that make a large contribution to estimating the voltage behavior of the battery. Therefore, the voltage behavior of the battery can be estimated from the design parameters of the battery with higher estimation accuracy.

これにより、電池の設計パラメータから、電池の電圧挙動が推定され、電圧挙動が電池の安全性の情報として出力される。よって、本態様に係る電池の安全性推定方法は、未知の組み合わせの設計の電池においても、電池の設計パラメータから電池の発熱に関する安全性を推定できる。 Thereby, the voltage behavior of the battery is estimated from the battery design parameters, and the voltage behavior is output as information on the safety of the battery. Therefore, the battery safety estimation method according to the present embodiment can estimate the safety regarding heat generation of the battery from the battery design parameters even in the case of a battery having an unknown combination of designs.

また、例えば、前記安全性推定方法は、学習用電池の学習用設計パラメータと、前記学習用電池の電圧挙動を示す学習用電圧挙動データとを取得する学習データ取得ステップと、前記学習用設計パラメータを説明変数とし、前記学習用電圧挙動データを目的変数として、論理モデルに対して機械学習させることにより、前記機械学習済み論理モデルを構築する学習ステップと、をさらに含んでもよい。 Further, for example, the safety estimation method includes a learning data acquisition step of acquiring learning design parameters of a learning battery and learning voltage behavior data indicating voltage behavior of the learning battery; The method may further include a learning step of constructing the machine learned logic model by performing machine learning on the logic model using the learning voltage behavior data as an explanatory variable and the learning voltage behavior data as an objective variable.

これにより、測定が容易であり、変化の時間分解能が高い、電池の電圧挙動を目的変数として、機械学習された機械学習済み論理モデルが構築される。また、電池の電圧挙動は、電池の温度との相関性が高い。よって、本態様に係る電池の安全性推定方法は、電池の設計パラメータから、電池の発熱に関する安全性を推定する場合において、推定精度の高い機械学習済み論理モデルを構築できる。 As a result, a machine-learned logic model is constructed using the battery voltage behavior, which is easy to measure and has a high time resolution of change, as an objective variable. Furthermore, the voltage behavior of the battery has a high correlation with the temperature of the battery. Therefore, the battery safety estimation method according to this embodiment can construct a machine-learned logic model with high estimation accuracy when estimating the safety regarding heat generation of the battery from the design parameters of the battery.

以下、本開示の実施の形態について、図面を参照しながら説明する。 Embodiments of the present disclosure will be described below with reference to the drawings.

なお、以下で説明する実施の形態は、いずれも包括的または具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置および接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。 Note that the embodiments described below are all inclusive or specific examples. The numerical values, shapes, materials, components, arrangement positions and connection forms of the components, steps, order of steps, etc. shown in the following embodiments are examples, and do not limit the present disclosure. Further, among the constituent elements in the following embodiments, constituent elements that are not described in the independent claims will be described as arbitrary constituent elements.

（実施の形態）
［電池の安全性推定装置の構成］
図２は、本実施の形態に係る電池の安全性推定装置１００の構成の一例を示す機能ブロック図である。 (Embodiment)
[Configuration of battery safety estimation device]
FIG. 2 is a functional block diagram showing an example of the configuration of the battery safety estimation device 100 according to the present embodiment.

図２に示されるように、本実施の形態に係る安全性推定装置１００は、パラメータ取得部１０と、算出部２０と、出力部３０と、記憶部４０と、学習データ取得部５０と、学習部６０とを備える。 As shown in FIG. 2, the safety estimation device 100 according to the present embodiment includes a parameter acquisition section 10, a calculation section 20, an output section 30, a storage section 40, a learning data acquisition section 50, and a learning data acquisition section 50. 60.

安全性推定装置１００は、電池の安全性について推定する安全性推定装置である。具体的には、安全性推定装置１００は、電池の短絡発生時の発熱に関する安全性を推定する。 The safety estimation device 100 is a safety estimation device that estimates the safety of a battery. Specifically, the safety estimating device 100 estimates the safety regarding heat generation when a short circuit occurs in the battery.

パラメータ取得部１０は、電池の設計パラメータ１１を取得する。パラメータ取得部１０は、例えば、キーボードなどの入力インターフェイスであり、電池の設計パラメータ１１が入力されることで、電池の設計パラメータ１１を取得する。また、パラメータ取得部１０は、外部との通信インターフェイスであってもよく、電池の設計パラメータ１１のデータテーブルを読み込むことで、電池の設計パラメータ１１を取得してもよい。 The parameter acquisition unit 10 acquires battery design parameters 11. The parameter acquisition unit 10 is, for example, an input interface such as a keyboard, and acquires the battery design parameters 11 by inputting the battery design parameters 11. Further, the parameter acquisition unit 10 may be a communication interface with the outside, and may acquire the battery design parameters 11 by reading a data table of the battery design parameters 11.

電池の設計パラメータ１１は、電池を構成する各要素の材料、特性、形状および寸法などである。電池の設計パラメータ１１としては、電池の安全性の推定精度を向上させる観点から、例えば、電池の一部を構成する、（ｉ）電極の寸法、（ｉｉ）電極の密度、（ｉｉｉ）セパレータの寸法、（ｉｖ）電解液の量、（ｖ）電極または電解液の材料の組成、（ｖｉ）電極または電解液の材料の物性、および、（ｖｉｉ）電池の容量、である。 The battery design parameters 11 include the material, characteristics, shape, and dimensions of each element constituting the battery. From the viewpoint of improving the accuracy of estimating battery safety, battery design parameters 11 include, for example, (i) dimensions of electrodes, (ii) density of electrodes, and (iii) separators that constitute part of the battery. (iv) the amount of electrolyte, (v) the composition of the electrode or electrolyte material, (vi) the physical properties of the electrode or electrolyte material, and (vii) the capacity of the battery.

算出部２０は、パラメータ取得部１０から、電池の設計パラメータ１１を受け取る。算出部２０は、電池の設計パラメータ１１から、モデル式などの機械学習済み論理モデル４１に基づいて、電圧挙動を算出する。電圧挙動は、例えば、電圧の平均、偏差、微分又は積分等によって算出される値である。 The calculation unit 20 receives battery design parameters 11 from the parameter acquisition unit 10. The calculation unit 20 calculates voltage behavior from the battery design parameters 11 based on a machine learned logic model 41 such as a model formula. The voltage behavior is, for example, a value calculated by averaging, deviation, differentiation, or integration of voltage.

また、算出部２０は、さらに、電池の電圧挙動と、電池の温度との相関関係を示す回帰式４２に基づいて、算出した電池の電圧挙動から、電池の温度を算出してもよい。電池の温度は、短絡発生後、一定時間経過した後の電池の温度であり、例えば、短絡発生から１０秒後の温度である。 Further, the calculation unit 20 may further calculate the temperature of the battery from the calculated voltage behavior of the battery based on a regression equation 42 that indicates the correlation between the voltage behavior of the battery and the temperature of the battery. The temperature of the battery is the temperature of the battery after a certain period of time has passed after the occurrence of the short circuit, for example, the temperature 10 seconds after the occurrence of the short circuit.

また、算出部２０は、電池の設計パラメータ１１から、機械学習済み論理モデル４１に基づいて、電池の圧力変化を算出してもよい。電池の圧力変化とは、例えば、圧力を状態方程式によりガス体積に変換した場合の、ガス発生速度などである。 Further, the calculation unit 20 may calculate the pressure change of the battery from the design parameters 11 of the battery based on the machine learned logical model 41. The change in battery pressure is, for example, the rate of gas generation when pressure is converted into gas volume using an equation of state.

算出部２０は、受け取った設計パラメータ１１および算出した電池の電圧挙動などの情報を記憶部４０に、記憶させてもよい。例えば、設計パラメータ１１を含む電池に関する情報と、算出した電池の電圧挙動とが、対応付けられたテーブルとして、記憶部４０に保持される。 The calculation unit 20 may cause the storage unit 40 to store information such as the received design parameters 11 and the calculated battery voltage behavior. For example, information regarding the battery including the design parameters 11 and the calculated voltage behavior of the battery are stored in the storage unit 40 as a table in which they are associated with each other.

算出部２０は、例えば、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）およびＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）などにより構成される。 The calculation unit 20 includes, for example, a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), and the like.

出力部３０は、算出部２０から、電池の電圧挙動の算出結果を受け取る。出力部３０は、電池の電圧挙動を電池の発熱に関する安全性の情報として出力する。出力部３０は、例えば、ＣＰＵ、ＲＡＭ、ＲＯＭおよびディスプレイなどにより構成され、電池の発熱に関する安全性の情報を出力として表示する。また、出力部３０は、電池の発熱に関する安全性の情報を、外部の記憶装置または外部端末に出力として送信するための通信インターフェイスを含む構成であってもよい。 The output unit 30 receives the calculation result of the voltage behavior of the battery from the calculation unit 20 . The output unit 30 outputs the voltage behavior of the battery as safety information regarding heat generation of the battery. The output unit 30 includes, for example, a CPU, a RAM, a ROM, a display, and the like, and displays safety information regarding battery heat generation as output. Further, the output unit 30 may include a communication interface for transmitting safety information regarding heat generation of the battery to an external storage device or an external terminal as an output.

また、出力部３０は、さらに、電池の温度の算出結果を出力してもよい。また、出力部３０は、電池の温度の算出結果を、電池の発熱に関する安全性の情報として出力してもよい。 Further, the output unit 30 may further output a calculation result of the temperature of the battery. Further, the output unit 30 may output the calculation result of the temperature of the battery as safety information regarding heat generation of the battery.

また、出力部３０は、記憶部４０に記憶されている、機械学習済み論理モデル４１および回帰式４２についても出力してもよい。また、出力部３０は、設計パラメータ１１および算出した電池の電圧挙動などの情報が記憶部４０に記憶されている場合には、記憶されている設計パラメータ１１および算出した電池の電圧挙動などの情報を出力してもよい。 Further, the output unit 30 may also output the machine learned logical model 41 and regression equation 42 stored in the storage unit 40. In addition, when information such as the design parameters 11 and the calculated battery voltage behavior is stored in the storage unit 40, the output unit 30 outputs information such as the stored design parameters 11 and the calculated battery voltage behavior. may be output.

記憶部４０には、算出部２０が用いる機械学習済み論理モデル４１および回帰式４２が記憶されている。また、記憶部４０には、算出部２０が算出した、電池の電圧挙動および電池の温度が記憶されてもよい。 The storage unit 40 stores a machine learned logical model 41 and a regression equation 42 used by the calculation unit 20. Further, the storage unit 40 may store the battery voltage behavior and battery temperature calculated by the calculation unit 20.

機械学習済み論理モデル４１は、勾配ブースティング法、サポートベクターレグレッサー法およびランダムフォレストレグレッサー法などのモデル構築手法により構築された論理モデルに、機械学習させることにより構築された、機械学習済みの論理モデルである。電池の安全性の推定精度を向上させる観点から、機械学習済み論理モデル４１は、例えば、勾配ブースティング法を用いて機械学習された、機械学習済みの論理モデルである。記憶部４０には、１つの学習済み論理モデル４１が記憶されていてもよく、異なるモデル構築手法を用いて機械学習された、複数の学習済みの論理モデル４１が記憶されていてもよい。 The machine learned logical model 41 is a machine learned logical model constructed by subjecting a logical model constructed by a model construction method such as a gradient boosting method, a support vector regressor method, or a random forest regressor method to machine learning. It is a logical model. From the viewpoint of improving the estimation accuracy of battery safety, the machine learned logical model 41 is a machine learned logical model that has been machine learned using, for example, a gradient boosting method. The storage unit 40 may store one learned logical model 41, or may store a plurality of learned logical models 41 machine-learned using different model construction methods.

回帰式４２は、電池の電圧挙動と電池の温度との相関関係を示す回帰式である。 The regression equation 42 is a regression equation that shows the correlation between the voltage behavior of the battery and the temperature of the battery.

記憶部４０には、後述する学習部６０において機械学習させるための論理モデル、および、機械学習途中の論理モデルが記憶されていてもよい。 The storage unit 40 may store a logical model for machine learning in the learning unit 60, which will be described later, and a logical model in the middle of machine learning.

また、記憶部４０には、電池の電圧挙動に対応した、安全性判定基準が記憶されていてもよい。安全性判定基準は、例えば閾値以下の電圧挙動であれば、安全性が高いと判定する基準である。 Furthermore, the storage unit 40 may store safety criteria corresponding to the voltage behavior of the battery. The safety criterion is, for example, a criterion for determining that safety is high if the voltage behavior is below a threshold value.

記憶部４０は、ハードディスクドライブまたはソリッドステートドライブなどの書き換え可能な不揮発性のメモリで構成される。 The storage unit 40 is composed of a rewritable nonvolatile memory such as a hard disk drive or a solid state drive.

学習データ取得部５０は、電池の学習用設計パラメータ５１と、学習用電圧挙動データ５２とを取得する。また、電池の温度を示す温度データ５３を取得してもよい。学習データ取得部５０は、例えば、キーボードなどの入力インターフェイスまたは通信インターフェイスなどにより構成される。また、学習データ取得部５０は、電圧計などの電圧センサおよび熱電対、測温体などの温度センサを備え、電圧センサおよび温度センサが測定した学習用電圧挙動データ５２および温度データ５３を取得してもよい。学習データ取得部５０は、取得した学習用設計パラメータ５１、学習用電圧挙動データ５２および温度データ５３を、記憶部４０に記憶させる。また、学習データ取得部５０は、機械学習に用いられるモデル構築手法５４も取得し、モデル構築手法５４を学習部６０に送信する。 The learning data acquisition unit 50 acquires battery learning design parameters 51 and learning voltage behavior data 52. Furthermore, temperature data 53 indicating the temperature of the battery may be acquired. The learning data acquisition unit 50 is configured by, for example, an input interface such as a keyboard, a communication interface, or the like. Further, the learning data acquisition unit 50 includes a voltage sensor such as a voltmeter and a temperature sensor such as a thermocouple or a thermometer, and acquires learning voltage behavior data 52 and temperature data 53 measured by the voltage sensor and the temperature sensor. You can. The learning data acquisition unit 50 causes the storage unit 40 to store the acquired learning design parameters 51, learning voltage behavior data 52, and temperature data 53. The learning data acquisition unit 50 also acquires a model construction method 54 used for machine learning, and transmits the model construction method 54 to the learning unit 60.

電池の学習用設計パラメータ５１は、上記の設計パラメータ１１と同じパラメータである。学習用設計パラメータ５１は、実際の電池（例えば評価用電池）から実測されたデータである。 The battery learning design parameter 51 is the same as the design parameter 11 described above. The learning design parameters 51 are data actually measured from an actual battery (for example, an evaluation battery).

学習用電圧挙動データ５２は、電池の学習用設計パラメータ５１に対応した電池の電圧挙動を示す実測データである。学習用電圧挙動データ５２は、例えば、短絡発生後の電圧挙動などの実測データである。 The learning voltage behavior data 52 is actually measured data indicating the voltage behavior of the battery corresponding to the learning design parameter 51 of the battery. The learning voltage behavior data 52 is, for example, actual measurement data such as voltage behavior after a short circuit occurs.

温度データ５３は、電池の学習用設計パラメータ５１に対応した電池の温度を示す実測データである。温度データ５３は、例えば、短絡発生から１０秒経過後など、一定時間経過した後の電池の温度である。 The temperature data 53 is actually measured data indicating the temperature of the battery corresponding to the learning design parameter 51 of the battery. The temperature data 53 is the temperature of the battery after a certain period of time has elapsed, such as 10 seconds after the occurrence of the short circuit.

モデル構築手法５４としては、一般的に機械学習に用いられるモデル構築手法が用いられる。モデル構築手法５４は、例えば、勾配ブースティング法、サポートベクターレグレッサー法およびランダムフォレストレグレッサー法などが挙げられ、これら単独のモデル構築手法であっても、複数のモデルを複合したモデル構築手法でもよい。それらの中でも、電池の安全性の推定精度を向上させる観点から、勾配ブースティング法を用いてもよい。 As the model construction method 54, a model construction method generally used for machine learning is used. The model construction method 54 includes, for example, a gradient boosting method, a support vector regressor method, and a random forest regressor method, and may be a single model construction method or a model construction method combining multiple models. good. Among them, a gradient boosting method may be used from the viewpoint of improving the accuracy of estimating battery safety.

学習部６０は、学習用設計パラメータ５１を説明変数とし、学習用電圧挙動データ５２を目的変数として、取得したモデル構築手法５４を用いて構築した論理モデルに対して機械学習させることにより、機械学習済み論理モデル４１を構築する。学習部６０は、構築した機械学習済み論理モデル４１を記憶部４０に記憶させる。 The learning unit 60 performs machine learning by performing machine learning on the logical model constructed using the acquired model construction method 54 using the learning design parameters 51 as explanatory variables and the learning voltage behavior data 52 as an objective variable. A logical model 41 is constructed. The learning unit 60 stores the constructed machine learned logical model 41 in the storage unit 40.

また、学習部６０は、学習用電圧挙動データ５２と温度データ５３とから、回帰式４２を導出してもよい。学習部６０は、導出した回帰式４２を記憶部４０に記憶させる。 Further, the learning unit 60 may derive the regression equation 42 from the learning voltage behavior data 52 and the temperature data 53. The learning unit 60 stores the derived regression equation 42 in the storage unit 40.

学習部６０は、例えば、ＣＰＵ、ＲＡＭおよびＲＯＭなどにより構成される。 The learning unit 60 includes, for example, a CPU, RAM, and ROM.

機械学習済み論理モデル４１および回帰式４２は、学習部６０により構築されてもよく、あらかじめ構築された機械学習済み論理モデル４１および回帰式４２が記憶部４０に記憶されていてもよい。 The machine learned logical model 41 and the regression formula 42 may be constructed by the learning section 60, or the machine learned logical model 41 and the regression formula 42 constructed in advance may be stored in the storage section 40.

［電池の安全性推定装置の動作］
次に、以上のように構成された電池の安全性推定装置１００の動作について説明する。 [Operation of battery safety estimation device]
Next, the operation of the battery safety estimating device 100 configured as above will be explained.

まず、電池の安全性推定装置１００が、電池の安全性を推定する方法について説明する。図３は、電池の安全性推定装置１００における、電池の安全性推定の方法を示すフローチャートである。 First, a method for estimating the safety of a battery by the battery safety estimating device 100 will be described. FIG. 3 is a flowchart showing a method for estimating battery safety in the battery safety estimating device 100.

図３に示されるように、まず、パラメータ取得部１０は、電池の設計パラメータ１１を取得する（Ｓ１１）。パラメータ取得部１０は、取得した設計パラメータ１１を、算出部２０に送信する。パラメータ取得部１０は、１つの電池の設計パラメータ１１を取得してもよく、複数の電池それぞれの設計パラメータ１１を取得してもよい。 As shown in FIG. 3, first, the parameter acquisition unit 10 acquires battery design parameters 11 (S11). The parameter acquisition unit 10 transmits the acquired design parameters 11 to the calculation unit 20. The parameter acquisition unit 10 may acquire the design parameter 11 of one battery, or may acquire the design parameter 11 of each of a plurality of batteries.

次に、算出部２０は、パラメータ取得部１０から送信された設計パラメータ１１から、記憶部４０に記憶されている機械学習済み論理モデル４１に基づいて、電池の電圧挙動を算出する（Ｓ１２）。算出部２０は、算出した電池の電圧挙動を出力部３０に送信する。また、算出部２０は、算出した電池の電圧挙動を記憶部４０に記憶させてもよい。パラメータ取得部１０が、複数の設計パラメータ１１を取得した場合には、算出部２０は、複数の設計パラメータ１１それぞれから、電池の電圧挙動を算出する。 Next, the calculation unit 20 calculates the voltage behavior of the battery from the design parameters 11 sent from the parameter acquisition unit 10 based on the machine learned logic model 41 stored in the storage unit 40 (S12). The calculation unit 20 transmits the calculated battery voltage behavior to the output unit 30. Further, the calculation unit 20 may cause the storage unit 40 to store the calculated voltage behavior of the battery. When the parameter acquisition section 10 acquires a plurality of design parameters 11, the calculation section 20 calculates the voltage behavior of the battery from each of the plurality of design parameters 11.

電池の電圧挙動は、電池の温度との相関性が高い。そのため、電池の電圧挙動を算出することで、電池の発熱に関する安全性を推定することができる。 The voltage behavior of a battery is highly correlated with the temperature of the battery. Therefore, by calculating the voltage behavior of the battery, safety regarding heat generation of the battery can be estimated.

次に、算出部２０は、電池の電圧挙動と電池の温度との回帰式４２に基づいて、算出した電池の電圧挙動から当該電池の温度を算出する（Ｓ１３）。算出部２０は、算出した電池の温度を出力部３０に送信する。算出部２０は、算出した電池の温度を記憶部４０に記憶させてもよい。 Next, the calculation unit 20 calculates the temperature of the battery from the calculated voltage behavior of the battery based on the regression equation 42 between the voltage behavior of the battery and the temperature of the battery (S13). The calculation unit 20 transmits the calculated battery temperature to the output unit 30. The calculation unit 20 may cause the storage unit 40 to store the calculated battery temperature.

次に、出力部３０は、算出部２０から受け取った電池の電圧挙動を、電池の発熱に関する安全性の情報として出力する（Ｓ１４）。出力部３０は、電池の電圧挙動を電池の発熱に関する安全性の情報として、そのまま出力してもよい。あるいは、出力部３０は、電池の電圧挙動に基づいた情報として、電池の発熱に関する安全性の情報を出力してもよい。電池の電圧挙動に基づいた情報としては、例えば、安全性判定基準に基づいた判定結果などが挙げられる。 Next, the output unit 30 outputs the voltage behavior of the battery received from the calculation unit 20 as safety information regarding heat generation of the battery (S14). The output unit 30 may directly output the voltage behavior of the battery as safety information regarding heat generation of the battery. Alternatively, the output unit 30 may output safety information regarding heat generation of the battery as information based on the voltage behavior of the battery. Examples of the information based on the voltage behavior of the battery include determination results based on safety criteria.

次に、出力部３０は、算出部２０から受け取った電池の温度を出力する（Ｓ１５）。なお、ステップＳ１４とステップＳ１５とは、順序が逆であってもよく、同時であってもよい。 Next, the output unit 30 outputs the battery temperature received from the calculation unit 20 (S15). Note that step S14 and step S15 may be performed in the opposite order or may be performed simultaneously.

また、ステップＳ１４において、出力部３０は、電池の電圧挙動の代わりに、電池の温度を、電池の発熱に関する安全性の情報として出力してもよい。 Further, in step S14, the output unit 30 may output the temperature of the battery as safety information regarding heat generation of the battery instead of the voltage behavior of the battery.

このように、安全性推定装置１００は、電池の設計パラメータから、電池の温度と相関の高い、電池の電圧挙動を推定する。これにより、電池の発熱に関する安全性が推定される。よって、安全性推定装置１００は、未知の組み合わせの設計の電池においても、電池の設計パラメータから電池の発熱に関する安全性を推定できる。 In this way, the safety estimating device 100 estimates the voltage behavior of the battery, which is highly correlated with the temperature of the battery, from the design parameters of the battery. Thereby, the safety regarding heat generation of the battery can be estimated. Therefore, the safety estimating device 100 can estimate the safety regarding heat generation of the battery from the design parameters of the battery even in the case of a battery having an unknown combination of designs.

次に、電池の安全性推定装置１００が、機械学習済み論理モデル４１を構築する方法について説明する。 Next, a method for the battery safety estimating device 100 to construct the machine learned logical model 41 will be described.

図４は、電池の安全性推定装置１００における、機械学習済み論理モデル４１を構築する方法を示すフローチャートである。 FIG. 4 is a flowchart showing a method for constructing the machine learned logical model 41 in the battery safety estimation device 100.

図４に示されるように、まず、学習データ取得部５０は、電池の学習用設計パラメータ５１、当該電池の電圧挙動を示す学習用電圧挙動データ５２、当該電池の温度データ５３、および、機械学習に用いるモデル構築手法５４を取得する（Ｓ２１）。当該電池は、例えば、機械学習用に用意された学習用電池である。学習データ取得部５０は、学習用設計パラメータ５１、学習用電圧挙動データ５２および温度データ５３を記憶部４０に記憶させる。学習データ取得部５０は、例えば、１００個以上、より好ましくは３００個以上の学習用電池についての、学習用設計パラメータ５１および学習用電圧挙動データ５２の組み合わせを取得する。学習用設計パラメータ５１および学習用電圧挙動データ５２の取得に用いる学習用電池の数は、構築する機械学習済み論理モデル４１が目的とする推定精度以上になる数であればよい。 As shown in FIG. 4, first, the learning data acquisition unit 50 acquires the learning design parameters 51 of the battery, the learning voltage behavior data 52 indicating the voltage behavior of the battery, the temperature data 53 of the battery, and the machine learning The model construction method 54 to be used is acquired (S21). The battery is, for example, a learning battery prepared for machine learning. The learning data acquisition unit 50 causes the storage unit 40 to store the learning design parameters 51, the learning voltage behavior data 52, and the temperature data 53. The learning data acquisition unit 50 acquires a combination of learning design parameters 51 and learning voltage behavior data 52 for, for example, 100 or more, more preferably 300 or more learning batteries. The number of learning batteries used to obtain the learning design parameters 51 and the learning voltage behavior data 52 may be any number as long as the machine learning logic model 41 to be constructed has a target estimation accuracy or higher.

また、学習データ取得部５０は、取得したモデル構築手法５４を学習部６０に送信する。 Further, the learning data acquisition unit 50 transmits the acquired model construction method 54 to the learning unit 60.

次に、学習部６０は、受け取ったモデル構築手法５４により、学習用設計パラメータ５１から学習用電圧挙動データ５２を算出するモデル式などの論理モデルを構築する。学習部６０は、記憶部４０に記憶されている、学習用設計パラメータ５１および学習用電圧挙動データ５２を教師データに用い、学習用設計パラメータ５１を説明変数とし、学習用電圧挙動データ５２を目的変数として、構築した論理モデルに対して機械学習させる（Ｓ２２）。これにより、学習部６０は、機械学習済み論理モデル４１を構築する（Ｓ２３）。学習部６０は、例えば、論理モデルにおけるパラメータを複数種設定し、それらのパラメータの組み合わせを網羅的に論理モデルに機械学習させる。学習部６０は、構築した機械学習済み論理モデル４１を、記憶部４０に記憶させる。 Next, the learning unit 60 uses the received model construction method 54 to construct a logical model such as a model formula for calculating the learning voltage behavior data 52 from the learning design parameters 51. The learning unit 60 uses the learning design parameter 51 and the learning voltage behavior data 52 stored in the storage unit 40 as teacher data, uses the learning design parameter 51 as an explanatory variable, and uses the learning voltage behavior data 52 as a purpose. Machine learning is performed on the constructed logical model as a variable (S22). Thereby, the learning unit 60 constructs the machine learned logical model 41 (S23). For example, the learning unit 60 sets a plurality of types of parameters in the logical model, and causes the logical model to comprehensively perform machine learning on combinations of those parameters. The learning unit 60 stores the constructed machine learned logical model 41 in the storage unit 40.

電池の電圧挙動は測定が容易であり、変化の時間分解能が高い。そのため、電池の電圧挙動を用いた学習用電圧挙動データ５２は、推定精度の高い機械学習済み論理モデル４１を構築する教師データとして有用である。 The voltage behavior of a battery is easy to measure and has a high temporal resolution of changes. Therefore, the learning voltage behavior data 52 using the voltage behavior of the battery is useful as training data for constructing the machine learned logical model 41 with high estimation accuracy.

ステップＳ２３で構築された機械学習済み論理モデル４１を用いて、電池の安全性を推定する精度を確認する場合には、例えば、機械学習には用いていない複数の電池における学習用設計パラメータ５１及び学習用電圧挙動データ５２を用いる。この場合に、例えば、機械学習済み論理モデル４１で推定した電圧挙動と、当該電池の学習用電圧挙動データ５２との相関係数Ｒ^２が０．４以上であることが望ましく、０．７以上であることがより望ましい。 When checking the accuracy of estimating battery safety using the machine learned logical model 41 constructed in step S23, for example, the learning design parameters 51 and the The learning voltage behavior data 52 is used. In this case, for example, it is desirable that the correlation coefficient R ² between the voltage behavior estimated by the machine learned logic model 41 and the learning voltage behavior data 52 of the battery is 0.4 or more, and 0.7 or more. It is more desirable that

次に、学習部６０は、記憶部４０に記憶されている、学習用電圧挙動データ５２および温度データ５３から、回帰式４２を導出する（Ｓ２４）。回帰式４２は、例えば、学習用電圧挙動データ５２と温度データ５３との線形近似の回帰式として導出される。学習部６０は、構築した回帰式４２を、記憶部４０に記憶させる。 Next, the learning unit 60 derives the regression equation 42 from the learning voltage behavior data 52 and temperature data 53 stored in the storage unit 40 (S24). The regression equation 42 is derived, for example, as a linear approximation regression equation between the learning voltage behavior data 52 and the temperature data 53. The learning unit 60 stores the constructed regression equation 42 in the storage unit 40.

このように、安全性推定装置１００には、測定が容易であり、変化の時間分解能が高い、電池の電圧挙動を目的変数として、機械学習された機械学習済み論理モデルが構築される。また、電池の電圧挙動は、電池の温度との相関性が高い。よって、安全性推定装置１００は、電池の設計パラメータから、電池の発熱に関する安全性を推定する場合において、推定精度の高い機械学習済み論理モデルを構築できる。 In this manner, a machine-learned logic model is constructed in the safety estimation device 100 using the battery voltage behavior, which is easy to measure and has a high time resolution of change, as an objective variable. Furthermore, the voltage behavior of the battery has a high correlation with the temperature of the battery. Therefore, the safety estimating device 100 can construct a machine-learned logic model with high estimation accuracy when estimating the safety regarding heat generation of the battery from the design parameters of the battery.

（実施例）
以下に、評価用電池を作製し、電池の発熱に関する安全性について推定した実施例について説明する。なお、以下に示す実施例は一例であって、本開示は以下の実施例のみに限定されない。 (Example)
Below, an example in which an evaluation battery was produced and the safety regarding heat generation of the battery was estimated will be described. Note that the embodiments shown below are merely examples, and the present disclosure is not limited to the following embodiments.

［電池の構造］
まず、安全性の推定に用いた評価用電池について説明する。図５は、安全性の推定に用いた評価用電池の構成を模式的に示す断面図である。 [Battery structure]
First, the evaluation battery used for estimating safety will be explained. FIG. 5 is a cross-sectional view schematically showing the configuration of an evaluation battery used for estimating safety.

図５に示されるように、安全性の推定に用いた評価用電池は、電池ケース１と、電池ケース１に収容された電極群４と、電極群４の上下にそれぞれ配置された絶縁リング８とを備えている。電池ケース１は上方に開口を有しており、その開口は封口板２によって封口されている。 As shown in FIG. 5, the evaluation battery used for estimating safety consists of a battery case 1, an electrode group 4 housed in the battery case 1, and insulating rings 8 disposed above and below the electrode group 4, respectively. It is equipped with The battery case 1 has an opening at the top, and the opening is sealed with a sealing plate 2.

電極群４は、正極５および負極６を、セパレータ７を介して複数回渦巻状に捲回した構成を有している。正極５からは、例えばアルミニウムからなる正極リード５ａが引き出され、負極６からは、例えばニッケルからなる負極リード６ａが引き出されている。正極リード５ａは、電池ケース１の封口板２に接続されている。負極リード６ａは、電池ケース１の底部に接続されている。また、図示しないが、電池ケース１の内部には、電極群４とともに電解液が注入されている。 The electrode group 4 has a configuration in which a positive electrode 5 and a negative electrode 6 are spirally wound multiple times with a separator 7 in between. A positive electrode lead 5a made of, for example, aluminum is drawn out from the positive electrode 5, and a negative electrode lead 6a made of, for example, nickel is drawn out from the negative electrode 6. The positive electrode lead 5a is connected to the sealing plate 2 of the battery case 1. The negative electrode lead 6a is connected to the bottom of the battery case 1. Further, although not shown, an electrolytic solution is injected into the inside of the battery case 1 along with the electrode group 4.

［評価用電池の作製方法］
次に、評価用電池の作製方法について説明する。以下の作製方法により、評価用電池を作製した。 [Method for manufacturing evaluation battery]
Next, a method for manufacturing the evaluation battery will be described. A battery for evaluation was manufactured using the following manufacturing method.

（１）正極
１００質量部のＬｉＮｉ_１／３Ｃｏ_１／３Ｍｎ_１／３Ｏ_２に対して、アセチレンブラック２質量部と、ポリフッ化ビニリデン２質量部と、適量のＮ－メチル－２－ピロリドン（ＮＭＰ）とを、ミキサーで混合し、正極合剤スラリーを調製した。この正極合剤スラリーを、厚さ１５μｍのＡｌ箔からなる集電体シートの両面に塗布し、乾燥させ、圧延して、帯状の正極を得た。帯状の正極を円筒型１８６５０の電池ケースに対応する大きさに裁断し、アルミニウム製のリードを溶接して評価用電池に用いる正極を得た。正極の厚みは、１２８μｍであった。 (1) Positive electrode ₂ parts by mass of acetylene black, 2 parts by mass of polyvinylidene fluoride, and an appropriate amount of N-methyl-2-pyrrolidone for 100 parts by mass of LiNi _1/3 Co _1/3 Mn _1/3 O 2 (NMP) using a mixer to prepare a positive electrode mixture slurry. This positive electrode mixture slurry was applied to both sides of a current collector sheet made of Al foil with a thickness of 15 μm, dried, and rolled to obtain a strip-shaped positive electrode. The strip-shaped positive electrode was cut into a size corresponding to a cylindrical 18650 battery case, and an aluminum lead was welded to obtain a positive electrode used in an evaluation battery. The thickness of the positive electrode was 128 μm.

（２）負極
平均粒径が２０μｍである黒鉛粒子を負極活物質として用い、負極活物質１００質量部に対して、増粘剤であるカルボキシメチルセルロース１質量部と、結着剤であるスチレンブタジエンゴム１質量部と、適量の純水とを、ミキサーで混合し、負極合剤スラリーを調製した。この負極合剤スラリーを厚さ８μｍの電解銅箔からなる集電体シートの両面に塗布し、乾燥させ、圧延して、帯状の負極を得た。 (2) Negative electrode Graphite particles with an average particle size of 20 μm are used as the negative electrode active material, and 1 part by mass of carboxymethyl cellulose as a thickener and styrene-butadiene rubber as a binder are added to 100 parts by mass of the negative electrode active material. 1 part by mass and an appropriate amount of pure water were mixed in a mixer to prepare a negative electrode mixture slurry. This negative electrode mixture slurry was applied to both sides of a current collector sheet made of electrolytic copper foil having a thickness of 8 μm, dried, and rolled to obtain a strip-shaped negative electrode.

満充電状態を４．２Ｖに規定した場合の負極充電容量と、正極充電容量とが関係式：
（負極充電容量）／（正極充電容量）＝１．１
を満たすように負極合剤スラリーの塗工量を定めた。 The relationship between the negative electrode charging capacity and the positive electrode charging capacity when the fully charged state is defined as 4.2V is as follows:
(Negative electrode charging capacity) / (Positive electrode charging capacity) = 1.1
The coating amount of the negative electrode mixture slurry was determined so as to satisfy the following conditions.

帯状の負極を円筒型１８６５０の電池ケースに対応する大きさに裁断し、ニッケル製のリードを溶接して評価用電池に用いる負極を得た。 The strip-shaped negative electrode was cut into a size corresponding to a cylindrical 18650 battery case, and a nickel lead was welded to obtain a negative electrode for use in an evaluation battery.

（３）非水電解質
ＥＣ（エチレンカーボネート）：ＥＭＣ（エチルメチルカーボネート）：ＤＭＣ（ジメチルカーボネート）の体積比が１：１：８になるように混合し、混合物に１．２ｍｏｌ／Ｌの濃度でＬｉＰＦ_６を溶解させ、評価用電池に用いる非水電解質を得た。 (3) Nonaqueous electrolyte EC (ethylene carbonate):EMC (ethyl methyl carbonate):DMC (dimethyl carbonate) are mixed so that the volume ratio is 1:1:8, and the mixture is added at a concentration of 1.2 mol/L. LiPF ₆ was dissolved to obtain a non-aqueous electrolyte used in the evaluation battery.

（４）電極群
上記で得られた正極と負極とを、厚さ１６μｍのポリエチレン製微多孔膜からなるセパレータを介して捲回し、渦巻き状の電極群を構成した。得られた電極群を、円筒型１８６５０の電池ケースに収容し、負極および正極リードなどを接続した。その後、設計容量１Ａｈ当たり１．５９～１．７２ｇとなるように上記非水電解質を電池ケースに加え、真空下で電極群に非水電解質を含浸させた後、電池ケースを封口板で封口した。封口に用いた封口板は、安全弁を備え、電池内圧が上限値に達すると作動し、内部で発生したガスを排出する機能を有する。 (4) Electrode group The positive electrode and negative electrode obtained above were wound through a separator made of a microporous polyethylene film with a thickness of 16 μm to form a spiral electrode group. The obtained electrode group was housed in a cylindrical 18650 battery case, and a negative electrode lead, a positive electrode lead, and the like were connected. Thereafter, the above non-aqueous electrolyte was added to the battery case in an amount of 1.59 to 1.72 g per 1 Ah of design capacity, and after impregnating the electrode group with the non-aqueous electrolyte under vacuum, the battery case was sealed with a sealing plate. . The sealing plate used for sealing is equipped with a safety valve, which is activated when the battery internal pressure reaches an upper limit value, and has the function of discharging the gas generated inside.

上記のような工程を経て、図５に示される円筒型電池を完成させ、評価用電池を得た。 Through the steps described above, the cylindrical battery shown in FIG. 5 was completed, and a battery for evaluation was obtained.

［初期の電池容量の確認方法］
２５℃環境下において、得られた評価用電池を０．２Ｃ相当の電流値で４．１Ｖまで充電した後、４５℃の恒温槽で３日間エージングを行った。ついで、充電した評価用電池を２５℃環境にて０．２Ｃ相当の電流で３Ｖまで放電した。 [How to check the initial battery capacity]
In a 25°C environment, the obtained evaluation battery was charged to 4.1V with a current value equivalent to 0.2C, and then aged in a constant temperature bath at 45°C for 3 days. Then, the charged evaluation battery was discharged to 3V at a current equivalent to 0.2C in a 25°C environment.

さらに、放電した評価用電池に最大電流値０．２Ｃ、充電電圧値４．２Ｖおよび充電終止電流０．０５Ｃの条件で定電圧充電を行い、放電電流０．２Ｃおよび放電終止電圧３．０Ｖの条件で放電し、初期の電池容量を確認した。 Furthermore, the discharged evaluation battery was subjected to constant voltage charging under the conditions of a maximum current value of 0.2C, a charging voltage value of 4.2V, and a charge end current of 0.05C. The battery was discharged under the following conditions and the initial battery capacity was confirmed.

［設計パラメータの取得方法］
機械学習に用いる説明変数を取得するために、上記［評価用電池の作製方法］と同様の方法で、設計パラメータとして、（Ｉ）正極活物質の組成、（ＩＩ）負極活物質の組成、（ＩＩＩ）正極板および負極板の（ｉ）厚み、（ｉｉ）長さ、（ｉｉｉ）幅、（ｉｖ）密度、（ｖ）活物質の利用容量、（ｖｉ）合剤組成、（ＩＶ）セパレータの（ｉ）厚み、（ｉｉ）長さ、（ｉｉｉ）幅、（ｉｖ）多孔度、および（Ｖ）電解液の（ｉ）組成、（ｉｉ）量、を変えた評価用電池を作製した。また、作製した各評価用電池について、［初期の電池容量の確認方法］と同様の方法で、設計パラメータとして、初期の電池容量を確認した。さらに、同一の構成の評価用電池においても、試験条件として、試験時の充電深度および試験温度を変化させて評価を行った。評価用電池は４８０個作製し、４８０個の評価用電池について、試験条件を含めた電池設計パラメータのデータセットを取得した。 [How to obtain design parameters]
In order to obtain the explanatory variables used for machine learning, we used a method similar to the above [Method for manufacturing evaluation batteries] to set (I) the composition of the positive electrode active material, (II) the composition of the negative electrode active material, and ( III) (i) Thickness, (ii) Length, (iii) Width, (iv) Density, (v) Utilized capacity of active material, (vi) Mixture composition, (IV) Separator of positive electrode plate and negative electrode plate. Evaluation batteries were produced in which (i) thickness, (ii) length, (iii) width, (iv) porosity, and (V) (i) composition and (ii) amount of electrolyte were changed. Further, for each of the produced evaluation batteries, the initial battery capacity was confirmed as a design parameter in the same manner as [Method for confirming initial battery capacity]. Furthermore, evaluation batteries with the same configuration were also evaluated by changing the depth of charge and test temperature as test conditions. 480 evaluation batteries were produced, and data sets of battery design parameters including test conditions were obtained for the 480 evaluation batteries.

［電圧挙動、温度および圧力の取得方法］
作製した評価用電池に、最大電流値０．２Ｃ、充電電圧値４．２Ｖおよび充電終止電流０．０５Ｃの条件で定電圧充電を行った。次に、電圧測定用のニッケル製のリードを正極および負極それぞれの端子に溶接した。リードを溶接した評価用電池の高さ方向の中央付近に熱電対を耐熱テープで固定し、熱電対を固定した評価用電池を釘刺し試験機の試験槽内に設置した。釘刺し試験機としては、内部圧力を測定する圧力センサを搭載した密閉された試験槽内で、釘刺し試験が可能な釘刺し試験機を用いた。 [How to obtain voltage behavior, temperature and pressure]
The produced evaluation battery was subjected to constant voltage charging under conditions of a maximum current value of 0.2C, a charging voltage value of 4.2V, and a charge end current of 0.05C. Next, nickel leads for voltage measurement were welded to each of the positive and negative electrode terminals. A thermocouple was fixed with heat-resistant tape near the center in the height direction of the evaluation battery to which the lead was welded, and the evaluation battery with the thermocouple fixed was placed in a test chamber of a nail penetration tester. As a nail penetration tester, a nail penetration tester capable of performing a nail penetration test was used in a sealed test chamber equipped with a pressure sensor that measures internal pressure.

電池温度が６５℃となるように試験槽内を制御し、鉄製の軸径３ｍｍφの丸釘を用い、８０ｍｍ／秒の速さで、評価用電池に釘を貫入させることにより、内部短絡を発生させた。内部短絡発生後の評価用電池の電圧、評価用電池の温度、および試験槽内部の圧力を計測した。さらに、試験槽内部の圧力は、温度によっても変化することから、各評価用電池および各試験条件での値を規格化するため、測定した試験槽内部の圧力を、状態方程式を用いて１気圧、２０℃でのガス体積に換算し、短絡発生後に発生したガス体積を算出した。図６は、評価用電池における、短絡発生後に発生したガス量を示す図である。また、図７は、評価用電池における、短絡発生後の電圧挙動を示す図である。図６および図７は、評価用電池に釘が貫入され、内部短絡が発生した時間を０とした場合の図である。また、図６および図７には、上記［設計パラメータの取得方法］にて作製した４８０個の評価用電池のデータがプロットされている。 The inside of the test chamber was controlled so that the battery temperature was 65°C, and an internal short circuit was generated by penetrating the evaluation battery at a speed of 80 mm/sec using a round iron nail with a shaft diameter of 3 mm. I let it happen. After the internal short circuit occurred, the voltage of the evaluation battery, the temperature of the evaluation battery, and the pressure inside the test chamber were measured. Furthermore, since the pressure inside the test chamber changes depending on the temperature, in order to standardize the values for each evaluation battery and each test condition, the measured pressure inside the test chamber was calculated to 1 atm using the equation of state. , the gas volume generated after the short circuit occurred was calculated by converting it into the gas volume at 20°C. FIG. 6 is a diagram showing the amount of gas generated after a short circuit occurs in the evaluation battery. Moreover, FIG. 7 is a diagram showing the voltage behavior after a short circuit occurs in the evaluation battery. 6 and 7 are diagrams in which the time when a nail penetrates the evaluation battery and an internal short circuit occurs is defined as 0. Further, in FIGS. 6 and 7, data of 480 evaluation batteries manufactured by the above-mentioned [Design parameter acquisition method] are plotted.

［モデル式の構築および推定精度の算出の方法］
［設計パラメータの取得方法］および［電圧挙動、温度および圧力の取得方法］にて得られたデータを用いて、機械学習によりモデル式を構築した。 [Method of constructing model formula and calculating estimation accuracy]
A model formula was constructed by machine learning using the data obtained in [Method for acquiring design parameters] and [Method for acquiring voltage behavior, temperature, and pressure].

機械学習には、勾配ブースティング法、サポートベクターレグレッサー法およびランダムフォレストレグレッサー法の３つのモデル構築手法を用いた。それぞれの手法で機械学習を行うことで、説明変数として試験条件を含む設計パラメータから、電池の電圧挙動、電池の温度および電池の圧力変化などの目的変数を推定算出可能な論理モデルとしてモデル式を３つの手法ごとに構築した。例えば、勾配ブースティング法では、ＬｅａｒｎｉｎｇｌａｔｅおよびＭａｘｆｅａｔｕｒｅｓなどのパラメータを複数種設定し、それらのパラメータの組み合わせを網羅的に機械学習を行った。これらの機械学習のモデル構築手法はそれぞれ、説明変数として試験条件を含む設計パラメータから目的変数への非線形作用を含む手法であり、４８０個の評価用電池のデータセットにおいても、効率的に学習が可能であった。 Three model construction methods were used for machine learning: gradient boosting, support vector regressor, and random forest regressor. By performing machine learning using each method, model formulas can be created as logical models that can estimate target variables such as battery voltage behavior, battery temperature, and battery pressure changes from design parameters that include test conditions as explanatory variables. It was constructed for each of the three methods. For example, in the gradient boosting method, multiple types of parameters such as learning rate and max features were set, and machine learning was comprehensively performed on combinations of these parameters. Each of these machine learning model construction methods involves nonlinear effects on objective variables from design parameters, including test conditions, as explanatory variables, and learning can be performed efficiently even on a dataset of 480 evaluation batteries. It was possible.

具体的には、得られた４８０個の評価用電池のデータセットを無作為な６つのグループに区分した。これらのうち任意の５つのグループに属する評価用電池のデータセット、つまり評価用電池４００個のデータセットの、試験条件を含む設計パラメータを説明変数として機械学習の教師データとして用い、前述の機械学習方法にて、目的変数として電池の電圧挙動、電池の温度および電池の圧力変化などを推定する機械学習済み論理モデルとして機械学習済みのモデル式を導出した。言い換えると、評価用電池４００個を学習用電池として用いた。ついで、教師データとして用いなかったグループに属する評価用電池のデータセット、つまり評価用電池８０個のデータセットを検証用データとして、評価条件を含む設計パラメータを先に導出した機械学習済みのモデル式に代入して目的変数を推定した。推定した目的変数と実測値の目的変数との線形回帰時の相関係数Ｒ^２を、推定精度として算出した。なお、以下の推定精度の算出結果においては、３つのモデル構築手法の中から、最も推定精度が高かったモデル構築手法を用いた場合の推定精度の値を示す。 Specifically, the data set of 480 evaluation batteries obtained was randomly divided into six groups. The design parameters including the test conditions of the data set of evaluation batteries belonging to any five groups among these, that is, the data set of 400 evaluation batteries, are used as explanatory variables and training data for machine learning. Using this method, we derived a machine-learned model equation as a machine-learned logic model that estimates the battery voltage behavior, battery temperature, battery pressure change, etc. as objective variables. In other words, 400 evaluation batteries were used as learning batteries. Next, using the data set of evaluation batteries belonging to the group that was not used as training data, that is, the data set of 80 evaluation batteries, as verification data, the machine learned model formula from which the design parameters including evaluation conditions were derived first was used. The target variable was estimated by substituting The correlation coefficient R ² during linear regression between the estimated target variable and the actual measured value of the target variable was calculated as the estimation accuracy. In addition, in the calculation results of estimation accuracy below, values of estimation accuracy are shown when using the model construction method with the highest estimation accuracy among the three model construction methods.

［比較例１］
比較例１では、電池の温度を目的変数として用い、電池の安全性を推定した。 [Comparative example 1]
In Comparative Example 1, battery safety was estimated using battery temperature as an objective variable.

［モデル式の構築および推定精度の算出の方法］に記載した方法により、短絡発生から１０秒後の電池温度を目的変数とした機械学習済みのモデル式を導出し、推定精度を算出した。推定した目的変数と実測値の目的変数との相関係数Ｒ^２は、０．１４３であり、低い推定精度を示す結果が得られた。 Using the method described in [Method for constructing a model formula and calculating estimation accuracy], a machine-learned model equation was derived using the battery temperature 10 seconds after the occurrence of a short circuit as an objective variable, and estimation accuracy was calculated. The correlation coefficient R ² between the estimated target variable and the actual measured value of the target variable was 0.143, indicating low estimation accuracy.

図６および図７に示されるように、発生するガス体積および電圧が著しく変化する時間は、短絡発生後１秒以内である。それに対して、温度の変化は、短絡発生直後では変化幅が小さく、各評価用電池の間で差異の傾向が表れるのは１０秒後以降であった。このことから温度の変化は、時間分解能が悪く、短絡発生後の挙動を推定するための目的変数には適さないと考えられる。 As shown in FIGS. 6 and 7, the time during which the generated gas volume and voltage change significantly is within 1 second after the short circuit occurs. On the other hand, the variation in temperature was small immediately after the occurrence of the short circuit, and a tendency of difference between the evaluation batteries appeared after 10 seconds. This suggests that changes in temperature have poor time resolution and are not suitable as a target variable for estimating behavior after a short circuit occurs.

［実施例１］
実施例１では、電池の電圧挙動を目的変数として用い、電池の安全性を推定した。 [Example 1]
In Example 1, battery safety was estimated using battery voltage behavior as an objective variable.

（１）温度と圧力との相関性
まず、電池の温度以外の測定データを電池の温度の代替データとして用いることができるのかを確かめるため、電池の温度と、電池の圧力変化との相関性について確認した。図６に示されるように、試験槽内のガス量つまり圧力は、短絡発生直後から変化しているため、時間分解能も高い。ほとんどの評価用電池のガス量は、短絡発生から１秒後までの時間帯で変化している。また、ガス発生量は、最大値に到達するまで、ほぼ一定の速度で増加しているため、圧力変化を示すデータとして、ガス発生開始から短絡発生１秒後までのガスの変化量を用いて、ガス発生速度を算出した。評価用電池４８０個の測定結果を用いて、ガス発生速度と短絡発生から１０秒後の温度との相関係数を算出すると、相関係数Ｒ^２は、０．７６であり、ガス発生速度と温度との相関性が高い結果が得られた。つまり、ガス発生速度が遅い評価用電池ほど、電池の温度が低く、より安全であり、電池の発熱に関する安全性を推定するためには、電池のガス発生速度を推定してもよい。 (1) Correlation between temperature and pressure First, in order to confirm whether measurement data other than battery temperature can be used as substitute data for battery temperature, we first examined the correlation between battery temperature and battery pressure changes. confirmed. As shown in FIG. 6, the amount of gas in the test chamber, that is, the pressure, changes immediately after the short circuit occurs, so the time resolution is also high. The gas amount of most evaluation batteries changes over a period of time up to 1 second after the occurrence of a short circuit. In addition, since the amount of gas generated increases at an almost constant rate until it reaches the maximum value, the amount of change in gas from the start of gas generation to 1 second after the short circuit occurs is used as data indicating pressure change. , the gas generation rate was calculated. Using the measurement results of 480 evaluation batteries, the correlation coefficient between the gas generation rate and the temperature 10 seconds after the occurrence of a short circuit is calculated. The correlation coefficient ^R2 is 0.76, which indicates that the gas generation rate and Results showed a high correlation with temperature. In other words, the slower the gas generation rate of the evaluation battery, the lower the temperature of the battery and the safer it is.In order to estimate the safety of the battery regarding heat generation, the gas generation rate of the battery may be estimated.

（２）電圧と圧力との相関性
次に、電池の短絡発生時の圧力の経時変化と、電池の電圧挙動との相関性について説明する。図７に示されるように、評価用電池の電圧は、短絡発生直後から著しく変化しているため、時間分解能は高い。また、ガス発生速度と同様に、ほとんどの評価用電池の電圧は、短絡発生から１秒後までの時間帯で変化している。そのため、短絡発生から１秒後までの電圧の結果を用いて、電圧挙動を算出した。図８は、評価用電池における、短絡発生から１秒後までの電圧挙動と、短絡発生から１秒後までのガス発生速度との関係を示す図である。図８に示されるように、算出した１秒後までの電圧挙動と、１秒後までのガス発生速度とは高い相関性を示した。評価用電池４８０個の測定結果を用いて、１秒後までの電圧挙動と、１秒後までのガス発生速度との線形回帰時の相関係数を算出すると、相関係数Ｒ^２は、０．９２であった。 (2) Correlation between voltage and pressure Next, the correlation between the change in pressure over time when a short circuit occurs in the battery and the voltage behavior of the battery will be explained. As shown in FIG. 7, the voltage of the evaluation battery changes significantly immediately after the short circuit occurs, so the time resolution is high. Furthermore, similar to the gas generation rate, the voltage of most evaluation batteries changes over a period of time up to 1 second after the occurrence of a short circuit. Therefore, the voltage behavior was calculated using the voltage results up to 1 second after the short circuit occurred. FIG. 8 is a diagram showing the relationship between the voltage behavior of the evaluation battery up to 1 second after the occurrence of the short circuit and the gas generation rate up to 1 second after the occurrence of the short circuit. As shown in FIG. 8, there was a high correlation between the calculated voltage behavior up to 1 second later and the gas generation rate up to 1 second later. Using the measurement results of 480 evaluation batteries, when calculating the correlation coefficient during linear regression between the voltage behavior up to 1 second and the gas generation rate up to 1 second, the correlation coefficient ^R2 is 0. It was .92.

なお、電圧挙動と短絡発生から１０秒後の温度との線形回帰時の相関係数を算出すると、相関係数Ｒ^２は、０．８４であった。 Note that when the correlation coefficient during linear regression between the voltage behavior and the temperature 10 seconds after the occurrence of the short circuit was calculated, the correlation coefficient R ² was 0.84.

（３）推定精度の算出
次に、電池の電圧挙動を目的変数として用い、電池の安全性を推定した結果について説明する。［モデル式の構築および推定精度の算出の方法］に記載した方法により、電池の電圧挙動を目的変数とした機械学習済みのモデル式を導出し、推定精度を算出した。図９は、評価用電池における、機械学習済みのモデル式に検証用データの設計パラメータを代入して推定した電圧挙動と、実測した電圧挙動との関係を示す図である。 (3) Calculation of estimation accuracy Next, the results of estimating battery safety using battery voltage behavior as an objective variable will be explained. Using the method described in [Method for constructing a model formula and calculating estimation accuracy], a machine-learned model equation with battery voltage behavior as an objective variable was derived, and estimation accuracy was calculated. FIG. 9 is a diagram showing the relationship between the voltage behavior estimated by substituting the design parameters of the verification data into the machine-learned model equation and the actually measured voltage behavior in the evaluation battery.

図９に示されるように、推定した電圧挙動と実測した電圧挙動との相関係数Ｒ^２は０．７５であり、高い推定精度を示す結果が得られた。つまり、電池の電圧挙動を目的変数として機械学習させて導出したモデル式により、電池の設計パラメータから電池の発熱に関する安全性を精度良く予測することができる。 As shown in FIG. 9, the correlation coefficient ^R2 between the estimated voltage behavior and the actually measured voltage behavior was 0.75, indicating high estimation accuracy. In other words, the safety regarding heat generation of the battery can be accurately predicted from the design parameters of the battery using a model equation derived by machine learning using the voltage behavior of the battery as an objective variable.

［実施例２］
実施例２では、電池の電圧挙動を目的変数とし、表１に示されるモデル構築手法を用いて、電池の安全性を推定した。 [Example 2]
In Example 2, battery safety was estimated using the model construction method shown in Table 1, using battery voltage behavior as an objective variable.

表１に示されるモデル構築手法を用いた以外は、［モデル式の構築および推定精度の算出の方法］と同じ方法にて、電池の電圧挙動を目的変数とした機械学習済みのモデル式を導出し、推定精度を算出した。算出した推定精度の結果を表１に示す。表１には、用いたモデル構築手法および推定精度の結果が、推定精度が高い順で上から記載されている。 A machine-learned model formula with battery voltage behavior as the objective variable was derived using the same method as [Method of constructing model formula and calculating estimation accuracy] except for using the model construction method shown in Table 1. Then, the estimation accuracy was calculated. Table 1 shows the calculated estimation accuracy results. In Table 1, the model construction methods used and the results of estimation accuracy are listed in descending order of estimation accuracy.

表１に示されるように、どのモデル構築手法を用いた場合でも、比較例１での目的変数として短絡発生時の温度を用いた場合の推定精度よりも、推定精度が高くなった。また、モデル構築手法として勾配ブースティング法を用いた場合、その他のモデル構築手法を用いるよりも推定精度が高くなることが分かる。 As shown in Table 1, no matter which model construction method was used, the estimation accuracy was higher than the estimation accuracy when the temperature at the time of short circuit occurrence was used as the objective variable in Comparative Example 1. Furthermore, it can be seen that when the gradient boosting method is used as a model construction method, the estimation accuracy is higher than when other model construction methods are used.

（その他の実施の形態）
以上、本開示に係る電池の安全性推定装置および電池の安全性推定方法について、実施の形態に基づいて説明したが、本開示は、これらの実施の形態に限定されるものではない。本開示の主旨を逸脱しない限り、当業者が思いつく各種変形を実施の形態に施したものや、実施の形態における一部の構成要素を組み合わせて構築される別の形態も、本開示の範囲に含まれる。 (Other embodiments)
Although the battery safety estimating device and the battery safety estimating method according to the present disclosure have been described above based on the embodiments, the present disclosure is not limited to these embodiments. Unless departing from the spirit of the present disclosure, various modifications to the embodiments that can be thought of by those skilled in the art and other forms constructed by combining some of the constituent elements of the embodiments are also within the scope of the present disclosure. included.

例えば、上記実施の形態では、安全性推定装置１００は、学習データ取得部５０および学習部６０を備え、学習部６０が機械学習済み論理モデル４１を構築したが、これに限らない。安全性推定装置１００は、学習データ取得部５０および学習部６０を備えず、あらかじめ構築された機械学習済み論理モデル４１を取得し、記憶部４０に記憶させてもよい。 For example, in the embodiment described above, the safety estimation device 100 includes the learning data acquisition unit 50 and the learning unit 60, and the learning unit 60 constructs the machine-learned logical model 41, but the present invention is not limited to this. The safety estimating device 100 may not include the learning data acquisition section 50 and the learning section 60, but may acquire the machine learned logical model 41 constructed in advance and store it in the storage section 40.

また、例えば、上記実施の形態では、安全性推定装置１００は、電池の温度を算出し、出力したが、これに限らない。安全性推定装置１００は、電池の電圧挙動を、電池の安全性の情報として出力するのみの装置であってもよい。 Further, for example, in the embodiment described above, the safety estimating device 100 calculates and outputs the temperature of the battery, but the present invention is not limited to this. The safety estimating device 100 may be a device that only outputs battery voltage behavior as battery safety information.

また、例えば、安全性推定装置１００は、記憶部４０を備えていたが、これに限らない。安全性推定装置１００は、有線または無線の通信インターフェイスなどの通信部を介して外部のサーバなどと通信することで、外部のサーバなどを記憶部４０の代わりに用いてもよい。 Further, for example, although the safety estimating device 100 includes the storage unit 40, the present invention is not limited to this. The safety estimating device 100 may use an external server instead of the storage unit 40 by communicating with the external server via a communication unit such as a wired or wireless communication interface.

また、例えば、安全性推定装置１００は、取得した学習用設計パラメータ５１および学習用電圧挙動データ５２、の各々の一部を用いて、機械学習済み論理モデル４１の推定精度を検証する検証部を備えていてもよい。検証部は、図４におけるステップＳ２３の後に、構築された機械学習済み論理モデル４１の推定精度を検証してもよい。その場合、安全性推定装置１００は、一定の推定精度を有する機械学習済み論理モデル４１が構築されるまで、学習用設計パラメータ５１、学習用電圧挙動データ５２、および、モデル構築手法５４の少なくとも１つを変更させながら、ステップＳ２１からステップＳ２３までを繰り返してもよい。検証部は、例えば、ＣＰＵ、ＲＡＭ、およびＲＯＭなどから構成される。 Further, for example, the safety estimation device 100 includes a verification unit that verifies the estimation accuracy of the machine learned logic model 41 using a portion of each of the acquired learning design parameters 51 and learning voltage behavior data 52. You may be prepared. The verification unit may verify the estimation accuracy of the constructed machine learned logical model 41 after step S23 in FIG. 4 . In that case, the safety estimation device 100 uses at least one of the learning design parameters 51, the learning voltage behavior data 52, and the model construction method 54 until the machine learned logic model 41 having a certain estimation accuracy is constructed. Steps S21 to S23 may be repeated while changing one. The verification unit includes, for example, a CPU, RAM, and ROM.

また、例えば、記憶部４０には、機械学習済み論理モデル４１が複数記憶されており、算出部２０が、複数の機械学習済み論理モデル４１を用いて、それぞれの機械学習済み論理モデル４１に対応した電池の電圧挙動を算出してもよい。その場合、出力部３０は、いずれかの機械学習済み論理モデルが算出した電池の電圧挙動を、電池の発熱に関する安全性の情報として出力してもよく、推定精度を高める観点から、それぞれの機械学習済み論理モデル４１が算出した電池の電圧挙動の平均を、電池の発熱に関する安全性の情報として出力してもよい。 Further, for example, the storage unit 40 stores a plurality of machine learned logical models 41, and the calculation unit 20 uses the plurality of machine learned logical models 41 to correspond to each machine learned logical model 41. The voltage behavior of the battery may be calculated. In that case, the output unit 30 may output the battery voltage behavior calculated by one of the machine-learned logic models as safety information regarding battery heat generation. The average voltage behavior of the battery calculated by the learned logic model 41 may be output as safety information regarding heat generation of the battery.

また、例えば、上記実施の形態に係る、電池の安全性推定装置および電池の安全性推定方法を構成する各構成要素が行うステップ（処理）を含む方法は、コンピュータ（コンピュータシステム）によって実行されてもよい。そして、本開示は、それらの方法に含まれるステップを、コンピュータに実行させるためのプログラムとして実現できる。さらに、本開示は、そのプログラムを記録したＣＤ－ＲＯＭなどである非一時的なコンピュータ読み取り可能な記録媒体として実現できる。 Further, for example, the method including the steps (processing) performed by each component constituting the battery safety estimating device and the battery safety estimating method according to the above embodiment is executed by a computer (computer system). Good too. Further, the present disclosure can be realized as a program for causing a computer to execute the steps included in those methods. Furthermore, the present disclosure can be implemented as a non-transitory computer-readable recording medium such as a CD-ROM on which the program is recorded.

例えば、上記実施の形態が、プログラム（ソフトウェア）で実現される場合には、コンピュータのＣＰＵ、メモリおよび入出力回路などのハードウェア資源を利用してプログラムが実行されることによって、各ステップが実行される。つまり、ＣＰＵがデータをメモリまたは入出力回路などから取得して演算したり、演算結果をメモリまたは入出力回路などに出力したりすることによって、各ステップが実行される。 For example, if the above embodiment is implemented as a program (software), each step is executed by executing the program using hardware resources such as a computer's CPU, memory, and input/output circuits. be done. That is, each step is executed by the CPU acquiring data from a memory or input/output circuit, etc., and performing calculations, and outputting the calculation results to the memory, input/output circuit, etc.

本開示に係る電池の安全性推定装置などによれば、未知設計の電池においても発熱に関する安全性の推定が可能となり、電池の制御技術およびより安全性の高い電池などの実現に好適に利用されうる。 According to the battery safety estimation device and the like according to the present disclosure, it is possible to estimate the safety regarding heat generation even in batteries of unknown design, and it can be suitably used for battery control technology and the realization of safer batteries. sell.

１電池ケース
２封口板
３絶縁パッキング
４電極群
５正極
５ａ正極リード
６負極
６ａ負極リード
７セパレータ
８絶縁リング
１０パラメータ取得部
１１設計パラメータ
２０算出部
３０出力部
４０記憶部
４１論理モデル
４２回帰式
５０学習データ取得部
５１学習用設計パラメータ
５２学習用電圧挙動データ
５３温度データ
５４モデル構築手法
６０学習部
１００安全性推定装置 1 Battery case 2 Sealing plate 3 Insulating packing 4 Electrode group 5 Positive electrode 5a Positive electrode lead 6 Negative electrode 6a Negative electrode lead 7 Separator 8 Insulating ring 10 Parameter acquisition section 11 Design parameter 20 Calculation section 30 Output section 40 Storage section 41 Logical model 42 Regression formula 50 Learning data acquisition unit 51 Learning design parameters 52 Learning voltage behavior data 53 Temperature data 54 Model construction method 60 Learning unit 100 Safety estimation device

Claims

a parameter acquisition unit that acquires battery design parameters;
a calculation unit that calculates voltage behavior of the battery from the design parameters based on a machine-learned logical model;
an output unit that outputs the voltage behavior as safety information regarding heat generation of the battery ,
The design parameters include (i) dimensions of the electrodes, (ii) density of the electrodes, (iii) dimensions of the separator, (iv) amount of electrolyte, (v) the electrodes or including at least one of the composition of the material of the electrolyte, (vi) the physical properties of the electrode or the material of the electrolyte, and (vii) the capacity of the battery,
The machine learned logical model is a logical model in which machine learning is performed using learning design parameters of the learning battery as an explanatory variable and learning voltage behavior data indicating voltage behavior of the learning battery as an objective variable. and
The voltage behavior of the battery is a value calculated by at least one of an average, deviation, differentiation, and integration of the voltage of the battery.
Battery safety estimation device.

a learning data acquisition unit that acquires the learning design parameters of the learning battery and the learning voltage behavior data indicating voltage behavior of the learning battery;
further comprising a learning unit that constructs the machine learned logical model by performing the machine learning on the logical model;
The battery safety estimation device according to claim 1.

The learning unit uses a gradient boosting method as a method for constructing the machine learned logical model in the machine learning.
The battery safety estimation device according to claim 2.

The calculating unit further calculates the temperature of the battery from the voltage behavior of the battery calculated by the calculating unit based on the correlation between the voltage behavior of the learning battery and the temperature of the learning battery,
The output unit further outputs the temperature.
The battery safety estimation device according to any one of claims 1 to 3.

a parameter acquisition step of acquiring design parameters of the battery;
a calculation step of calculating the voltage behavior of the battery from the design parameters based on a machine-learned logical model;
an output step of outputting the voltage behavior as safety information regarding heat generation of the battery ,
The design parameters include (i) dimensions of the electrodes, (ii) density of the electrodes, (iii) dimensions of the separator, (iv) amount of electrolyte, (v) the electrodes or including at least one of the composition of the material of the electrolyte, (vi) the physical properties of the electrode or the material of the electrolyte, and (vii) the capacity of the battery,
The machine learned logical model is a logical model in which machine learning is performed using learning design parameters of the learning battery as an explanatory variable and learning voltage behavior data indicating voltage behavior of the learning battery as an objective variable. and
The voltage behavior of the battery is a value calculated by at least one of an average, deviation, differentiation, and integration of the voltage of the battery.
Battery safety estimation method.

a learning data acquisition step of acquiring the learning design parameters of the learning battery and the learning voltage behavior data indicating voltage behavior of the learning battery;
further comprising a learning step of constructing the machine learned logical model by performing the machine learning on the logical model;
The battery safety estimation method according to claim 5 .