JP7497163B2

JP7497163B2 - 異常検出装置および異常検出方法

Info

Publication number: JP7497163B2
Application number: JP2020022560A
Authority: JP
Inventors: 雄介岩▲崎▼
Original assignee: Denso Ten Ltd
Current assignee: Denso Ten Ltd
Priority date: 2020-02-13
Filing date: 2020-02-13
Publication date: 2024-06-10
Anticipated expiration: 2040-02-13
Also published as: JP2021129404A

Description

本発明は、異常検出装置および異常検出方法に関する。

従来、例えば、車両の駆動源となるモータへ電力を供給する電池の電流値および電圧値から電池の抵抗値を算出することで、電池の劣化状態を検出する異常検出装置が知られている。この種の異常検出装置では、電池の各セルに設けられた温度センサによって計測されたセル温度に基づいて決定した閾値を用いて、電池の劣化状態を検出する技術がある（例えば、特許文献１参照）。

特開２０１５－１２６５９４号公報

しかしながら、従来技術は、検出精度を担保するためには、なるべく多くの温度センサを設ける必要があるが、温度センサの数が増える程、閾値を決定するための工数増や、センサ増によりコストが嵩む。このように、従来は、検出精度を担保しつつコストを抑える点で改善の余地があった。

本発明は、上記に鑑みてなされたものであって、異常の検出精度を担保しつつコストを抑えることができる異常検出装置および異常検出方法を提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る異常検出装置は、演算部と、検出部とを備える。前記演算部は、電池に含まれる複数のセルそれぞれの状態に関する情報である電池情報に基づいて、異常の度合いに関する異常情報を前記セル毎に演算する。前記検出部は、前記演算部によって演算された前記異常情報の発生確率を示す確率分布を前記セル毎に生成し、前記セル毎の前記確率分布の比較結果に基づいて前記電池の異常を検出する。

本発明によれば、異常の検出精度を担保しつつコストを抑えることができる。

図１Ａは、実施形態に係る異常検出方法の概要を説明するための説明図である。図１Ｂは、実施形態に係る異常検出方法の概要を説明するための説明図である。図１Ｃは、実施形態に係る異常検出方法の概要を説明するための説明図である。図２は、実施形態に係る異常検出装置の構成を示すブロック図である。図３は、推定部の処理内容を示す図である。図４は、算出部の処理内容を示す図である。図５は、閾値決定部の処理内容を示す図である。図６は、閾値決定部の処理内容を示す図である。図７は、実施形態に係る異常検出装置が実行する処理の処理手順を示すフローチャートである。

以下、添付図面を参照して、本願の開示する異常検出装置および異常検出方法の実施形態を詳細に説明する。なお、以下に示す実施形態により本発明が限定されるものではない。

まず、図１Ａ～図１Ｃを用いて、実施形態に係る異常検出方法の概要について説明する。図１Ａ～図１Ｃは、実施形態に係る異常検出方法の概要を説明するための説明図である。図１Ａでは、実施形態に係る異常検出システムＳを示している。実施形態に係る異常検出システムＳは、例えば、車両に搭載される。

図１Ａに示すように、実施形態に係る異常検出システムＳは、異常検出装置１と、電池１０１とを備える。電池１０１は、例えば、リチウムイオンバッテリであり、車両の駆動源であるモータへ電力を供給する。図１Ａに示すように、電池１０１は、複数のセルＣを有し、各セルＣは電気的に接続される。

また、電池１０１は、図示しない各種センサを有しており、かかるセンサにより各セルＣの状態を検出し、電池情報として異常検出装置１へ出力する。ここで、電池情報とは、電池１０１（各セルＣ）の状態に関する複数の変数を含む情報である。

具体的には、変数は、例えば、各セルＣの電流値や、電圧値、セル温度、ＳＯＣ（State Of Charge）、電流積算容量、連続放電電気量（電流×時間）等である。

異常検出装置１は、実施形態に係る異常検出方法を実行することで、電池１０１の異常を検出する。図１Ａに示すように、実施形態に係る異常検出装置１は、電池情報に基づいて異常情報を演算する演算処理と、異常情報に基づいて電池１０１の異常を検出する検出処理を実行する。

以下、図１Ｂを用いて、演算処理の概要について説明し、図１Ｃを用いて、検出処理の概要について説明する。

まず、図１Ｂを用いて、演算処理の概要について説明する。図１Ｂに示すように、演算処理では、機械学習によって生成された生成モデルを用いて異常情報の演算が行われる。

生成モデルは、深層学習のモデルであり、例えば、ＧＡＮ（Generative Adversarial Networks）や、ＶＡＥ（Variational Auto-Encoder）等を用いることができる。

演算処理では、電池情報に含まれる複数の変数を生成モデルの入力層とし、この生成モデルの入力層と出力層との比較結果に基づいて、異常の度合いを示すスコア（異常情報）を推定する。

また、演算処理では、推定した異常情報の推定精度を算出する。具体的には、生成モデルでは、異常情報の推定過程において潜在変数が生じ、この潜在変数を用いて推定精度を算出する。

なお、潜在変数とは、入力層および出力層の間で生じる変数であり、電池情報に含まれる複数の変数からなるｍ次元の入力層をｎ次元まで圧縮した変数である（ｍ＞ｎ）。

実施形態に係る異常検出方法では、この潜在変数の発生確率を示す確率分布を生成し、かかる確率分布に基づいて異常情報の推定精度に関する精度情報を異常情報毎に算出する。

精度情報は、生成した確率分布と、予め準備しておいた基準となる確率分布（基準分布）との比較結果に基づいて算出するが、精度情報の詳細については、図４で後述する。

そして、実施形態に係る異常検出方法では、算出した精度情報に基づいて選定した異常情報のみを演算結果として検出処理へ出力する。具体的には、実施形態に係る異常検出方法では、算出した精度情報が所定の条件を満たす異常情報に基づいて、電池１０１の異常を検出する。

つまり、実施形態に異常検出方法では、推定精度が比較的高い異常情報のみを検出処理の対象とする。これにより、検出処理における異常検出の精度を向上させることができる。すなわち、実施形態に係る異常検出方法によれば、電池１０１の異常を高精度に検出することができる。

次に、図１Ｃを用いて、検出処理の概要について説明する。検出処理では、演算処理から出力されるセルＣ毎の異常情報の発生確率を示す確率分布をセルＣ毎に生成し、セルＣ毎の確率分布の比較結果に基づいて電池１０１の異常を検出する。なお、図１Ｃでは、一例として、２つのセルＣ（セル１およびセル２）の確率分布を示している。

このように、１つの電池１０１の中に含まれる２つのセル１およびセル２では、演算結果として発生する異常情報の値や確率が異なる。これは、セルＣ毎の特性の違いや、経年劣化の違い、セル温度の違い等により生じる。

従来は、各セルにセル温度を検出する温度センサを設け、セル温度に基づいて各セルの閾値を決定していたため、閾値を決定するための工数が増加することで設計コストが嵩む。また、すべてのセルに温度センサを設けるとなる部品コストも嵩む。

仮に、温度センサの数を減らした場合、セル温度を検出できないセルの閾値は精度が低下するため、検出精度も低下するおそれがある。このように、従来は、検出精度およびコストの両立が難しかった。

そこで、実施形態に係る異常検出方法では、複数のセルＣ間における異常情報の確率分布の比較結果に基づいて、セルＣ毎に異常情報の閾値を決定（補正）する。そして、実施形態に係る異常検出方法では、決定した閾値に基づいて、セルＣ毎に異常の有無を検出する。

つまり、実施形態に係る異常検出方法では、セルＣ間での確率分布の比較結果に基づいて、セルＣ間での相対的な閾値を決定するため、決定された閾値は、セルＣ間の状態の違いによる影響が排除されている。このため、例えば、温度センサを設けたセルＣの確率分布を比較対象とすることで、温度センサを設けていないセルＣの閾値は、セル温度の違いによる影響が排除される。

従って、実施形態に係る異常検出方法によれば、温度センサの数を減らしたとしても、温度センサを設けたセルＣに比べて温度センサを設けていないセルＣで決定された閾値の精度が低下することはない。

すなわち、実施形態に係る異常検出方法によれば、例えば、温度センサの数を減らすことで、異常の検出精度を担保しつつ、コストを抑えることができる。

次に、図２を用いて、実施形態に係る異常検出装置１の構成について説明する。図２は、実施形態に係る異常検出装置１の構成を示すブロック図である。

図２に示すように、実施形態に係る異常検出装置１は、電池１０１と、各種センサ１０２とに接続される。

各種センサ１０２は、電池１０１の状態を計測するセンサ群である。各種センサ１０２は、例えば、各セルＣの電流を計測する電流センサや、各セルＣの電圧を計測する電圧センサ、各セルＣのセル温度を計測する温度センサ等を含む。なお、各種センサ１０２は、複数のセルＣすべてに設けられる必要はなく、少なくとも一つのセルＣに設けられればよい。

つづいて、実施形態に係る異常検出装置１は、制御部２と、記憶部３とを備える。制御部２は、演算部２１と、検出部２２とを備える。記憶部３は、基準分布情報３１と、閾値情報３２とを記憶する。

ここで、異常検出装置１は、たとえば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、フラッシュメモリ、入出力ポートなどを有するコンピュータや各種の回路を含む。

コンピュータのＣＰＵは、たとえば、ＲＯＭに記憶されたプログラムを読み出して実行することによって、制御部２の演算部２１および検出部２２として機能する。

また、制御部２の演算部２１および検出部２２の少なくともいずれか一つまたは全部をＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアで構成することもできる。

また、記憶部３は、たとえば、ＲＡＭやフラッシュメモリに対応する。ＲＡＭやフラッシュメモリは、基準分布情報３１や、閾値情報３２、各種プログラムの情報等を記憶することができる。なお、異常検出装置１は、有線や無線のネットワークで接続された他のコンピュータや可搬型記録媒体を介して上記したプログラムや各種情報を取得することとしてもよい。

ここで、記憶部３に記憶された基準分布情報３１は、潜在変数の発生確率を示す基準となる確率分布（基準分布）の情報であり、後述する算出部２１３によって用いられる。基準分布情報３１は、事前に生成される情報であり、例えば、電池１０１の設置時（交換時）や、外部電源から電池１０１への充電時等に得られる電池情報に基づいて生成される。

また、閾値情報３２は、後述する閾値決定部２２１によって異常情報の閾値を決定するために用いられる情報である。閾値情報３２は、例えば、予め実験等により得られた結果に基づいて生成される。

次に、制御部２の各機能（演算部２１および検出部２２）について説明する。

演算部２１は、各種センサ１０２によって計測された検出値に基づいて取得した電池情報に基づいて異常情報を演算する。図２に示すように、演算部２１は、取得部２１１と、推定部２１２と、算出部２１３とを備える。

取得部２１１は、各種センサ１０２によって計測された検出値に基づいた電池情報を取得する。電池情報は、電池１０１の状態に関する情報であり、具体的には、セルＣ毎の状態に関する情報である。

電池情報には、電池１０１（各セルＣ）の状態に関する複数の変数を含む情報である。具体的には、変数は、例えば、各セルＣの電流値や、電圧値、セル温度、ＳＯＣ（State Of Charge）、電流積算容量、連続放電電気量（電流×時間）等である。

取得部２１１は、電池情報のうち、ＳＯＣ、電流積算容量および連続放電電気量については、各セルＣの電流値や、電圧値から自己で算出することで取得してもよく、外部装置等で算出された結果として取得してもよい。

推定部２１２は、取得部２１１によって取得された電池情報に基づいて、異常情報を推定する。ここで、図３を用いて、推定部２１２の処理について説明する。

図３は、推定部２１２の処理内容を示す図である。図３では、電池情報に含まれる３つの変数を生成モデルに入力することで異常情報を推定する場合について説明する。また、図３では、生成モデルとしてＶＡＥを用いた場合を例に挙げる。

ＶＡＥとして生成モデルでは、例えば、図３に示すように、５つの層で構成される。第１層Ｌ１は、変数が入力される入力層である。第２層Ｌ２は、エンコーダの層であり、入力層の次元を所定数の次元まで圧縮する層である。第３層Ｌ３は、潜在変数の層であり、エンコーダの層で所定数の次元に圧縮された変数の層である。

また、第３層Ｌ３における潜在変数は、次元圧縮された電池情報の特徴を示す変数である。第４層Ｌ４は、デコーダの層であり、所定数の次元の潜在変数を入力層と同じ次元の変数に復元する層である。第５層Ｌ５は、出力層であり、変数Ａａ、変数Ｂｂおよび変数Ｃｃそれぞれが入力層の変数Ａ、変数Ｂおよび変数Ｃに対応している。なお、図３では、潜在変数は、１次元であるが、２次元以上であってもよい。

推定部２１２は、入力層の変数Ａ、変数Ｂおよび変数Ｃと、出力層の変数Ａａ、変数Ｂｂおよび変数Ｃｃとの比較結果に応じたスコアを異常情報として推定する。かかるスコアは、例えば、変数Ａおよび変数Ａａの差分、変数Ｂおよび変数Ｂｂの差分、変数Ｃおよび変数Ｃｃの差分に基づいて算出されるスコアである。

図２に戻って算出部２１３について説明する。算出部２１３は、推定部２１２による異常情報の推定過程で生じる潜在変数の発生確率を示す確率分布を生成し、かかる確率分布に基づいて異常情報の推定精度に関する精度情報を算出する。

ここで、図４を用いて、算出部２１３の処理について説明する。図４は、算出部２１３の処理内容を示す図である。図４では、電池情報を入力とする生成モデルにおける潜在変数の発生確率を示す確率分布（実線）と、基準分布情報３１における基準分布（破線）とを示している。

算出部２１３は、精度情報として、基準分布と、確率分布との差異を示す差異情報を算出する。図４に示す例では、差異情報として、ＫＬ（Kullback-Leibler）情報量を算出する。なお、差異情報は、ＫＬ情報量に限定されず、例えば、ピアソン距離や、相対ピアソン距離、Ｌ^２距離等であってもよい。

また、算出部２１３は、差異情報に限らず、例えば、基準分布に対して確率分布が正側の位置にあるか負側の位置あるかを示すスコア等を精度情報として算出してもよい。つまり、算出部２１３は、基準分布と、確率分布との比較結果に基づいて算出された精度情報であればよい。

このように、基準分布との比較結果（差異）に基づいて精度情報を算出することで、高精度な精度情報を算出することができる。

そして、算出部２１３は、算出した精度情報が所定の条件を満たす異常情報を検出部２２へ出力する。例えば、算出部２１３は、精度情報であるＫＬ情報量が所定の範囲内に収まる異常情報を検出部２２へ出力する。

つまり、後述する検出部２２は、ＫＬ情報量が所定の範囲内に収まる異常情報に基づいて異常を検出する。これにより、検出部２２は、推定精度が高い異常情報により異常検出を行うことができるため、異常検出の精度を高めることができる。

図２に戻って検出部２２について説明する。検出部２２は、演算部２１によって演算された異常情報の発生確率を示す確率分布をセルＣ毎に生成し、セルＣ毎の確率分布の比較結果に基づいて電池１０１の異常を検出する。図２に示すように、検出部２２は、閾値決定部２２１と、判定部２２２と、カウンタ部２２３とを備える。

閾値決定部２２１は、後段の判定部２２２で用いる閾値を決定する。ここで、図５および図６を用いて閾値決定部２２１の処理について説明する。

図５および図６は、閾値決定部２２１の処理内容を示す図である。

図５に示すように、閾値決定部２２１は、まず、異常情報の発生確率を示す確率分布をセルＣ毎に生成する。図５では、３つのセル１～３の確率分布を示している。

つづいて、閾値決定部２２１は、複数のセルＣのうち、基準となるセルＣの確率分布を基準分布として決定する。図５では、セル２の確率分布を基準分布（破線）として決定したとする。

つづいて、閾値決定部２２１は、セル２の基準分布と、他のセル１，３の確率分布との比較結果に基づいて閾値を決定する。例えば、閾値決定部２２１は、基準分布と、他のセル１，３の確率分布との差異を示すＫＬ情報量を算出し、算出したＫＬ情報量に基づいて、基準となる基準閾値を補正する。

基準閾値は、例えば、セル２に設定された閾値である。具体的には、ＫＬ情報量が大きい程、基準閾値を補正する補正値を大きくする。

閾値決定部２２１は、ＫＬ情報量に限らず、例えば、ピアソン距離や、相対ピアソン距離、Ｌ^２距離等により閾値を決定してもよい。

あるいは、閾値決定部２２１は、基準分布に対して確率分布が正側に位置する場合には基準閾値から固定値を加算する補正を行い、負側に位置する場合には基準閾値から固定値を減算する補正を行うようにしてもよい。

このように、セル２の状態を基準にして、他のセル１，３の状態に応じて基準閾値を補正することで、セル２と、セル１，３との状態の違いを排除した閾値を決定できるため、後段の判定部２２２による異常判定の精度を高めることができる。

なお、基準分布となるセル２は、例えば、温度センサが設けられたセルＣであることが好ましい。これにより、セル温度が設けられたセルＣの確率分布が基準となるため、異常情報への影響が比較的大きいセル温度を排除した閾値を決定できるため、後段の判定部２２２によるセルＣ毎のセル温度に起因する判定バラつきを抑えることができる。

さらに、閾値決定部２２１は、セルＣ毎の経年変化の特性や、経年劣化の影響を排除する処理を行ってもよい。かかる点について、図６を用いて説明する。

図６では、縦軸が「閾値修正値」であり、横軸が「ΔＫＬ情報量」である２次元グラフの閾値情報３２を示している。「閾値修正値」は、基準閾値、あるいは、上記した補正後に閾値からの修正値を示している。

「ΔＫＬ情報」は、ＫＬ情報量における初期値と、最新値との差分である。なお、ＫＬ情報量の初期値とは、例えば、前回トリップ時の最後に算出されたＫＬ情報量や、最新の始動時に算出されたＫＬ情報量である。

閾値決定部２２１は、セルＣ毎に、ＫＬ情報量の初期値および最新値の差分に応じた閾値修正値で閾値を修正することで、セルＣ毎の経年変化の特性や、経年劣化の影響を排除できる。

換言すれば、以降の閾値決定部２２１の閾値決定処理では、セルＣ毎の受熱バラつきのみを考慮すればよい（すなわち、温度センサがあるセルＣを基準分布とすればよい）ため、決定される閾値の精度を高めることができる。

判定部２２２は、閾値決定部２２１によって決定されたセルＣ毎の閾値を用いて、電池１０１の異常の有無を判定する。具体的には、判定部２２２は、異常の度合いを示すスコアが閾値以上である場合、かかるスコアに対応するセルＣが異常であると判定し、スコアが閾値未満である場合、かかるスコアに対応するセルＣが正常であると判定する。

そして、判定部２２２は、セルＣ毎の判定結果をカウンタ部２２３へ出力する。

カウンタ部２２３は、判定部２２２の判定結果に基づいて、セルＣ毎のカウンタ値を更新し、１つ以上（あるいは、所定数以上）のセルＣのカウンタ値が所定値以上となった場合には、電池１０１が異常であることを検出する。

具体的には、カウンタ部２２３は、判定部２２２によって異常であると判定されたセルＣについては、カウンタ値をカウントアップする。また、カウンタ部２２３は、判定部２２２によって正常であると判定されたセルＣについては、カウンタ値を維持（もしくはクリア）する。

次に、図７を用いて、実施形態に係る異常検出装置１が実行する処理の処理手順について説明する。図７は、実施形態に係る異常検出装置１が実行する処理の処理手順を示すフローチャートである。

図７に示すように、まず、演算部２１は、電池１０１が有する複数のセルＣそれぞれの電池情報を取得する（ステップＳ１０１）。

つづいて、演算部２１は、取得した電池情報に基づいて、セルＣ毎に異常情報を推定する（ステップＳ１０２）。

つづいて、演算部２１は、異常情報の推定過程で生じる潜在変数の発生確率を示す確率分布を生成し、確率分布に基づいて異常情報の精度に関する精度情報を算出する（ステップＳ１０３）。

つづいて、演算部２１は、異常情報の精度情報が所定の条件を満たすか否かを判定し（ステップＳ１０４）、異常情報の精度情報が所定の条件を満たさない場合（ステップＳ１０４：Ｎｏ）、異常判定を行わずに処理を終了する。

一方、演算部２１は、異常情報の精度情報が所定の条件を満たす場合（ステップＳ１０４：Ｙｅｓ）、異常情報を検出部２２へ出力し、検出部２２は、異常情報の発生確率を示す確率分布を生成する（ステップＳ１０５）。

つづいて、検出部２２は、生成した確率分布に基づいて、異常情報の閾値を決定する（ステップＳ１０６）。

つづいて、検出部２２は、異常情報が閾値以上であるか否かを判定する（ステップＳ１０７）。

検出部２２は、異常情報が閾値以上であった場合（ステップＳ１０７：Ｙｅｓ）、カウンタ値をカウントアップする（ステップＳ１０８）。

つづいて、検出部２２は、カウンタ値が所定値以上であるか否かを判定し（ステップＳ１０９）、カウンタ値が所定値以上である場合（ステップＳ１０９：Ｙｅｓ）、電池１０１の異常を検出し（ステップＳ１１０）、処理を終了する。

一方、検出部２２は、カウンタ値が所定値未満である場合（ステップＳ１０９：Ｎｏ）、処理を終了する。

また、ステップＳ１０７において、検出部２２は、異常情報が閾値未満である場合（ステップＳ１０７：Ｎｏ）、カウンタ値をカウント維持し（ステップＳ１１１）、処理を終了する。

上述してきたように、実施形態に係る異常検出装置１は、推定部２１２と、算出部２１３と、検出部２２とを備える。推定部２１２は、電池１０１の状態に関する複数の変数を含む電池情報に基づいて、電池１０１の異常の度合いを示す異常情報を推定する。算出部２１３は、推定部２１２による異常情報の推定過程で生じる潜在変数の発生確率を示す確率分布を生成し、確率分布に基づいて異常情報の推定精度に関する精度情報を算出する。検出部２２は、算出部２１３によって算出された精度情報が所定の条件を満たす異常情報に基づいて、電池１０１の異常を検出する。これにより、電池１０１の異常を高精度に検出することができる。

また、上述してきたように、実施形態に係る異常検出装置１は、演算部２１と、検出部２２とを備える。演算部２１は、電池１０１に含まれる複数のセルＣそれぞれの状態に関する情報である電池情報に基づいて、異常の度合いに関する異常情報をセルＣ毎に演算する。検出部２２は、演算部２１によって演算された異常情報の発生確率を示す確率分布をセルＣ毎に生成し、セルＣ毎の確率分布の比較結果に基づいて電池１０１の異常を検出する。これにより、異常の検出精度を担保しつつコストを抑えることができる。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

１異常検出装置
２制御部
３記憶部
２１演算部
２２検出部
３１基準分布情報
３２閾値情報
１０１電池
２１１取得部
２１２推定部
２１３算出部
２２１閾値決定部
２２２判定部
２２３カウンタ部
Ｓ異常検出システム

Claims

電池に含まれる複数のセルそれぞれの状態に関する情報である電池情報に基づいて、生成モデルを用いて異常の度合いを示す異常情報を前記セル毎に演算し、前記異常情報が閾値以上である場合に前記電池の異常と判断するコンピュータを備え、
前記コンピュータは、
前記異常情報の発生確率を示す確率分布を前記セル毎に生成し、前記複数のセルにおける、基準とした基準セルの前記確率分布と、他のセルの前記確率分布との比較結果に基づいて、前記セル毎に前記閾値を補正すること
を特徴とする異常検出装置。
前記電池には、セル温度を検出する温度センサが設けられた前記セルと、前記温度センサが設けられていない前記セルとが含まれ、
前記複数のセルのうち、前記温度センサが設けられた前記セルを前記基準セルとすること
を特徴とする請求項１に記載の異常検出装置。
前記セルの前記異常情報が閾値以上である場合に、カウンタ値をカウントアップし、カウント値が閾値以上になった場合、前記電池の異常を検出すること
を特徴とする請求項１または２に記載の異常検出装置。
前記確率分布が基準分布に対して正側に位置する場合は前記閾値を加算する補正をし、負側に位置する場合は前記閾値を減算する補正を行うこと
を特徴とする請求項１～３のいずれか一つに記載の異常検出装置。
コンピュータによって実行される、電池に含まれる複数のセルそれぞれの状態に関する情報である電池情報に基づいて、生成モデルを用いて異常の度合いを示す異常情報を前記セル毎に演算し、前記異常情報が閾値以上である場合に前記電池の異常と判断する異常検出方法であって、
前記異常情報の発生確率を示す確率分布を前記セル毎に生成し、前記複数のセルにおける、基準とした基準セルの前記確率分布と、他のセルの前記確率分布との比較結果に基づいて、前記セル毎に前記閾値を補正すること
を特徴とする異常検出方法。