WO2022224693A1 - 製造方法、生成装置、推定装置、識別情報付与方法、及び付与装置 - Google Patents

製造方法、生成装置、推定装置、識別情報付与方法、及び付与装置 Download PDF

Info

Publication number
WO2022224693A1
WO2022224693A1 PCT/JP2022/013916 JP2022013916W WO2022224693A1 WO 2022224693 A1 WO2022224693 A1 WO 2022224693A1 JP 2022013916 W JP2022013916 W JP 2022013916W WO 2022224693 A1 WO2022224693 A1 WO 2022224693A1
Authority
WO
WIPO (PCT)
Prior art keywords
identification information
component
battery
type
information
Prior art date
Application number
PCT/JP2022/013916
Other languages
English (en)
French (fr)
Inventor
宗洋 松村
淳一 井本
Original Assignee
パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ filed Critical パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ
Priority to JP2023516365A priority Critical patent/JPWO2022224693A1/ja
Priority to CN202280028799.8A priority patent/CN117157544A/zh
Publication of WO2022224693A1 publication Critical patent/WO2022224693A1/ja
Priority to US18/380,436 priority patent/US20240044989A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • 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

Definitions

  • the present disclosure relates to technology for generating a trained model of a battery that includes multiple components configured in a hierarchical structure.
  • the measured values of the battery are acquired, the operating regime of the battery is determined from the acquired measured values, the nonlinear regression model corresponding to the determined operating regime is selected, and the measured values are applied to the selected nonlinear regression model.
  • Techniques for inputting and estimating the state of charge of a battery are disclosed.
  • Patent Document 1 the nonlinear regression model of Patent Document 1 is not generated in consideration of differences in the types and numbers of components that make up the battery, so further improvement is needed to increase the accuracy of estimating the state of charge. be.
  • the present disclosure has been made in view of such problems, and aims to provide a technique for generating a trained model capable of estimating the state of a battery with high accuracy.
  • a manufacturing method is a method for manufacturing a learned model in a generation device that generates a learned model of a battery including a plurality of hierarchically configured components, wherein a processor of the generation device , acquiring one or more pieces of identification information assigned to a component in a certain hierarchy among the plurality of components, acquiring operation data of the battery corresponding to each piece of identification information, and converting the acquired operation data into the one
  • a learned model corresponding to each piece of identification information for estimating the state of the battery is generated, and the generated learned model is output.
  • FIG. 1 is a diagram illustrating an example of an overall configuration of an information processing system according to Embodiment 1 of the present disclosure
  • FIG. 1 is a block diagram showing an example of a configuration of a generation device according to Embodiment 1 of the present disclosure
  • FIG. 1 is a block diagram showing an example of a configuration of a applying device according to Embodiment 1 of the present disclosure
  • FIG. 1 is a block diagram showing an example of a configuration of a battery according to Embodiment 1 of the present disclosure
  • FIG. 1 is a diagram showing an example of a component of a battery
  • FIG. FIG. 4 is a flow chart showing an example of a process in which a granting device generates identification information according to Embodiment 1 of the present disclosure
  • FIG. 7 is a flowchart continued from FIG. 6;
  • FIG. 4 is a flow chart showing an example of processing in which a generation device generates a learned model in Embodiment 1 of the present disclosure.
  • FIG. 4 is a diagram showing an example of processing when a battery uploads operation data in Embodiment 1 of the present disclosure;
  • 4 is a flowchart showing an example of processing when a granting device downloads a learned model to a battery in Embodiment 1 of the present disclosure.
  • FIG. 10 is a flow chart showing an example of processing of a learned model utilization phase according to Embodiment 1 of the present disclosure;
  • FIG. FIG. 10 is a block diagram showing an example of a configuration of a generation device according to Embodiment 2 of the present disclosure;
  • FIG. 11 is a flow chart showing a first example of processing of a generation device according to Embodiment 2 of the present disclosure
  • FIG. 13 is a flow chart showing a second example of processing of the generation device according to Embodiment 2 of the present disclosure
  • FIG. 11 is a flow chart showing a first example of processing of a generation device according to Embodiment 2 of the present disclosure
  • FIG. 13 is a flow chart showing a second example of processing of the generation device according to Embodiment 2 of the present disclosure
  • a battery is hierarchically configured with a plurality of constituent elements such as cells, blocks containing cells, modules containing blocks, and battery packs containing modules.
  • constituent elements such as cells, blocks containing cells, modules containing blocks, and battery packs containing modules.
  • the characteristics of the battery will also vary according to the difference. Therefore, if a trained model is generated using operation data as learning data without considering such a difference in characteristics, a trained model that estimates the state of the battery with high accuracy may not be obtained.
  • a nonlinear regression model is selected according to the operating regime determined from the measured values of the battery.
  • the operating regime depends on the state of charge of the battery, the fact that the battery is charging or discharging, the rate of charge or discharge, the ambient or internal temperature, the average of the battery voltage measurements, and the battery impedance or battery is defined by at least one parameter selected from among measurements of the state of health of Therefore, the nonlinear regression model of Patent Document 1 does not take into consideration the number and types of components that make up the battery, and cannot accurately estimate the state of the battery.
  • the present disclosure has been made to solve such problems, and aims to provide a technique for generating a trained model capable of estimating the state of a battery with high accuracy.
  • a manufacturing method is a method for manufacturing a learned model in a generation device that generates a learned model of a battery including a plurality of hierarchically configured components, wherein a processor of the generation device , acquiring one or more pieces of identification information assigned to a component in a certain hierarchy among the plurality of components, acquiring operation data of the battery corresponding to each piece of identification information, and converting the acquired operation data into the one
  • a learned model corresponding to each piece of identification information for estimating the state of the battery is generated, and the generated learned model is output.
  • one or more pieces of identification information assigned to a component in a certain hierarchy among the plurality of components are acquired, battery operation data corresponding to the acquired identification information is acquired, and the acquired operation data is acquired.
  • a trained model corresponding to each piece of identification information is generated by learning data for each piece of identification information.
  • each piece of identification information may be given so that the type and number of components in the lower hierarchy can be identified.
  • each piece of identification information is given so that the type and number of components in the lower hierarchy can be identified. Therefore, it is possible to acquire operation data of the same type and number as those of lower hierarchical components. As a result, a learned model for each identification information can be generated using the operation data of batteries having the same type and number of components in the lower hierarchy.
  • a first trained model corresponding to each first identification information is generated based on the operation data corresponding to one or more first identification information in the first hierarchy, and the first trained model A learning cost or a learning error is calculated, and if the calculated learning cost or the learning error is larger than a threshold value, the operation data corresponding to one or more pieces of second identification information in a second layer different from the first layer. Based on this, a second trained model corresponding to each second identification information may be generated.
  • the plurality of components include a first component and a second component having a different hierarchy from the first component, and the one or more first identification information is the first component. and the one or more second identification information may be information for identifying the second component.
  • the first trained model in the generating, if the learning cost or the learning error of the first trained model is equal to or less than the threshold value, the first trained model may be determined as the trained model to be learned. .
  • the first trained model when the learning cost or learning error of the first trained model is equal to or less than the threshold, the first trained model is determined as the trained model to be generated. Therefore, thereafter, the first trained model can be generated and updated using the operation data corresponding to the first identification information, and a trained model with low learning cost or high accuracy can be generated.
  • the accuracy of the second trained model when the accuracy of the second trained model is lower than the reference accuracy in the generation, it corresponds to one or more third identification information of a third hierarchy different from the first hierarchy and the second hierarchy.
  • a third trained model corresponding to each third identification information may be generated based on the operating data.
  • the second trained model may be determined as the trained model to be learned.
  • the second trained model when the accuracy of the second trained model is higher than the reference accuracy, the second trained model is determined as the trained model to be generated. Therefore, after that, the second trained model can be updated using the operation data corresponding to each piece of second identification information, and a more highly accurate trained model can be generated.
  • the learning cost includes the number of generated trained models, the amount of operation data used to generate the trained models, and the processing of the processor when generating the trained models. It may be calculated based on at least one of the loads.
  • the learning cost depends on at least one of the number of generated trained models, the amount of operation data used to generate the trained models, and the processing load when generating the trained models. Therefore, the learning cost can be accurately estimated.
  • the one or more identification information includes one or more type identification information for identifying each component by type.
  • each piece of identification information includes one or more items of individual identification information that individually identify each component.
  • the plurality of components may include a cell, a block including the cell, a module including the block, and a battery pack including the module.
  • a generation device is a generation device that generates a learned model of a battery including a plurality of hierarchically configured components, the generation device comprising a processor, the processor comprising: , obtaining one or more identification information assigned to a component in a certain hierarchy among the plurality of components, obtaining operation data corresponding to each identification information, and applying the obtained operation data to the one or more identifications By learning each information, the learned model corresponding to each piece of identification information for estimating the state of the battery is generated, and a process of outputting the generated learned model is executed.
  • An estimating device that estimates the state of a battery including a plurality of hierarchically configured components, the estimating device comprising a processor, the processor comprising: acquiring operation data of the battery, inputting the operation data into a learned model to estimate the state of the battery, and outputting state information indicating the estimated state, wherein the learned model , a model generated by learning the operation data corresponding to one or more pieces of identification information given to a component in a certain hierarchy among the plurality of components for each of the one or more pieces of identification information.
  • the state of the battery can be estimated using a trained model generated using operation data corresponding to one or more pieces of identification information assigned to a certain hierarchy.
  • the state of the battery can be estimated with high accuracy using a learned model that has been learned in consideration of differences in the number and types of components that make up the battery.
  • An identification information provision method is an identification information provision method in a provision device that provides identification information for a battery including a first component and a second component including the first component. acquire first configuration information indicating a configuration corresponding to the type of the first component, generate first identification information for identifying the first component by type based on the first configuration information, and outputting identification information and obtaining second configuration information indicating a configuration according to the type of the second component, the second configuration information including the first identification information and the number of the first components; Second identification information for identifying the second component by type is generated from the second configuration information, and the second identification information is output.
  • the first identification information for identifying the first component by type is generated from the first configuration information.
  • second identification information for identifying the second component by type is generated from the second configuration information.
  • the second configuration information includes first identification information and the number of first components.
  • the battery further includes a third component including the second component, and further acquires third configuration information indicating a configuration according to the type of the third component,
  • the third configuration information includes the second identification information, the number of the second components, and connection information indicating a connection mode of the second components.
  • Third identification information for identifying each type may be generated and the third identification information may be output.
  • the third identification information for identifying the third component by type is generated from the third configuration information.
  • the third configuration information includes second identification information, the number of second components, and connection information of the second components.
  • identification information assigning method further acquiring fourth configuration information indicating a configuration according to the individual of the third component, the fourth configuration information being the third identification information and the manufacturing of the third component Further, fourth identification information may be generated for identifying each of the third components according to the fourth configuration information, and the fourth identification information may be output.
  • the fourth identification information is generated using the fourth configuration information including the third identification information and the manufacturing number of the third component, the operation data for each individual third component can be easily obtained. can be obtained.
  • identification information assigning method further acquiring fifth configuration information indicating a configuration corresponding to the individual of the second component, the fifth configuration information being the fourth identification information and the manufacturing of the second component It is also possible to generate fifth identification information that includes a number and that identifies the second component on an individual basis based on the fifth configuration information, and output the fifth identification information.
  • the fifth identification information is generated using the fourth identification information and the fourth configuration information including the manufacturing number of the second component, the operation data for each individual second component can be easily obtained. can be obtained.
  • a granting device that grants identification information of a battery including a first component and a second component including the first component
  • the granting device comprises: A processor is provided, wherein the processor acquires first configuration information indicating a configuration according to the type of the first component, and generates first identification information for identifying the first component by type based on the first configuration information. and outputting the first identification information to acquire second configuration information indicating a configuration according to the type of the second component, wherein the second configuration information includes the first identification information and the first component , generating second identification information for identifying the second component by type based on the second configuration information, and outputting the second identification information.
  • the present disclosure can also be implemented as a program that causes a computer to execute each characteristic configuration included in the manufacturing method, the estimation device, the identification information provision method, and the provision device, or as a system that operates with this program. It goes without saying that such a computer program can be distributed via a computer-readable non-temporary recording medium such as a CD-ROM or a communication network such as the Internet.
  • FIG. 1 is a diagram illustrating an example of an overall configuration of an information processing system according to Embodiment 1 of the present disclosure.
  • the information processing system includes a generating device 1 , an applying device 2 , one or more batteries 3 and an input terminal 4 .
  • the generation device 1 to the input terminal 4 are communicably connected via a network NT.
  • the network NT is composed of, for example, a wide area communication network including the Internet communication network and a mobile phone communication network.
  • the generation device 1 is, for example, a cloud server composed of one or more computers.
  • the generation device 1 generates a learned model for estimating the state of the battery using battery operation data, and transmits the generated learned model to the application device 2 .
  • the granting device 2 is, for example, a cloud server composed of one or more computers.
  • the assigning device 2 assigns identification information to each battery 3 .
  • the application device 2 acquires operation data of the battery 3 from the battery 3 and stores it in a memory.
  • the granting device 2 transmits the accumulated operation data to the generating device 1 as needed.
  • the applying device 2 transmits the learned model received from the generating device 1 to the battery 3 .
  • the battery 3 is mounted on a vehicle, for example.
  • Battery 3 includes a plurality of hierarchically configured components. Vehicles are, for example, electric vehicles, electric bicycles, and electric kickboards.
  • the input terminal 4 receives input of configuration information of the battery 3 and transmits the received configuration information to the application device 2 .
  • FIG. 2 is a block diagram showing an example of the configuration of the generation device 1 according to Embodiment 1 of the present disclosure.
  • the generating device 1 includes a communication circuit 11 , a processor 12 and a memory 13 .
  • a communication circuit 11 connects the generating device 1 to the network NT.
  • the communication circuit 11 transmits the trained model to the application device 2 .
  • the communication circuit 11 receives operation data from the applicator 2 .
  • the processor 12 is composed of, for example, a central processing unit.
  • the processor 12 includes an acquisition unit 121 , a generation unit 122 and an output unit 123 .
  • Acquisition unit 121 acquires one or more pieces of identification information assigned to a component in a certain hierarchy among the plurality of components that configure battery 3 . Each piece of identification information is provided so that the type and number of components in the lower hierarchy can be identified. Also, the acquiring unit 121 acquires operation data corresponding to each piece of identification information from the application device 2 .
  • FIG. 5 is a diagram showing an example of components of the battery 3.
  • the battery 3 is composed of multiple components including a battery pack 51 , modules 52 , blocks 53 and cells 54 .
  • Block 53 includes a plurality of cells 54 connected in parallel.
  • Module 52 includes a plurality of blocks 53 connected in series.
  • the battery pack 51 is composed of a plurality of modules 52 connected in series and in parallel.
  • battery pack 51 includes four modules 52 .
  • Battery pack 51 is configured by connecting in parallel two module groups each including two modules 52 connected in series.
  • the block 53 may be composed of one cell 54 .
  • the module 52 may be composed of one block 53 .
  • the battery pack 51 may be composed of one module 52 .
  • the battery 3 is hierarchically configured with each component of the battery pack 51, the module 52, the block 53, and the cell 54 in this order.
  • the identification information of the battery 3 includes type identification information (hereinafter referred to as “type ID”) for identifying each component by type, and individual identification information for identifying each component by individual (hereinafter referred to as “individual ID”). called.) and
  • the type IDs include cell type IDs, block type IDs, module type IDs, and pack type IDs.
  • the cell type ID is identification information that identifies the cell 54 by type.
  • the block type ID is identification information that identifies the block 53 by type.
  • the module type ID is identification information that identifies the module 52 by type.
  • the pack type ID is identification information for identifying the battery pack 51 by type.
  • Individual IDs include cell individual IDs, block individual IDs, module individual IDs, and pack individual IDs.
  • the cell individual ID is identification information that identifies the cell 54 on an individual basis.
  • the block individual ID is identification information that identifies the block 53 for each individual.
  • the module individual ID is identification information that identifies the module 52 on an individual basis.
  • the pack individual ID is identification information that identifies each battery pack 51 individually.
  • the generating unit 122 generates a trained model corresponding to each piece of identification information for estimating the state of the battery 3 by learning the operation data acquired by the acquiring unit 121 for each piece of identification information.
  • the estimated state of the battery is, for example, SOC (state of charge), SOH (state of health), or a sign of failure.
  • a predictor of failure is, for example, remaining life time.
  • the operating data includes at least one of the current, voltage, and temperature of the battery 3, for example. Furthermore, the operating data includes the state of the battery 3 . This state includes, for example, at least one of SOC, SOH, and presence/absence of a sign of failure. Furthermore, the operation data includes a time stamp indicating the date and time when the operation data was generated and identification information of the battery 3 . This identification information is, for example, a pack individual ID, which will be described later.
  • the output unit 123 outputs the learned model generated by the generation unit 122. For example, the output unit 123 transmits the generated trained model to the application device 2 using the communication circuit 11 .
  • the memory 13 is composed of non-volatile rewritable storage devices such as solid state drives and hard disk drives.
  • the memory 13 stores operation data acquired from the application device 2 .
  • FIG. 3 is a block diagram showing an example of the configuration of the application device 2 according to Embodiment 1 of the present disclosure.
  • Application device 2 includes communication circuitry 21 , processor 22 and memory 23 .
  • a communication circuit 21 connects the application device 2 to the network NT.
  • the communication circuit 21 transmits operation data to the generation device 1 and transmits learned models to the battery 3 .
  • the communication circuit 21 receives the learned model from the generator 1 and the operation data from the battery 3 .
  • the processor 22 is composed of, for example, a central processing unit.
  • the processor 22 includes an acquisition unit 221 , a generation unit 222 and an output unit 223 .
  • one component among the components of the battery 3 is called the first component.
  • a component including the first component is called a second component.
  • a component including the second component is called a third component.
  • the acquisition unit 221 acquires the first configuration information indicating the configuration according to the type of the first component from the input terminal 4 using the communication circuit 21 .
  • the first configuration information includes, for example, characteristic data indicating the relationship between the remaining capacity and voltage of the first component. Specifically, the characteristic data is data indicating the relationship between SOC and OCV.
  • the generation unit 222 generates a first type ID that identifies the first component by type based on the first configuration information acquired by the acquisition unit 221 . Further, the generation unit 222 assigns the first type ID to the first component by storing the generated first type ID in association with the first configuration information in the identification information database 231 .
  • the acquisition unit 221 acquires second configuration information indicating the configuration according to the type of the second component from the input terminal 4 via the communication circuit 21 .
  • the second configuration information includes the first type ID and the number of first components forming the second component.
  • the generation unit 222 generates a second type ID that identifies the second component by type based on the second configuration information acquired by the acquisition unit 221 . Further, the generation unit 222 assigns the second type ID to the second component by storing the generated second type ID in association with the second configuration information in the identification information database 231 .
  • the acquisition unit 221 acquires the third configuration information indicating the configuration according to the type of the third component from the input terminal 4 via the communication circuit 21 .
  • the third configuration information includes a second type ID, the number of second components, and connection information indicating a connection mode of the second components.
  • the generation unit 222 generates a third type ID that identifies the third component by type based on the third configuration information acquired by the acquisition unit 221 . Further, the generation unit 222 assigns the third type ID to the third component by storing the generated third type ID in association with the third configuration information in the identification information database 231 .
  • the acquisition unit 221 acquires the fourth configuration information indicating the configuration corresponding to the individual third component from the input terminal 4 via the communication circuit 21 .
  • the fourth configuration information includes the third type ID and the serial number of the third component.
  • the generation unit 222 generates a first individual ID (fourth identification information) for identifying each individual third component based on the fourth configuration information acquired by the acquisition unit 221 . Further, the generation unit 222 assigns the first individual ID to the third component by storing the generated first individual ID in association with the fourth configuration information in the identification information database 231 .
  • the acquisition unit 221 acquires from the input terminal 4 via the communication circuit 21 the fifth configuration information indicating the configuration corresponding to the individual second component.
  • the fifth configuration information includes fourth identification information and the serial number of the second component.
  • the generation unit 222 generates a second individual ID (fifth identification information) that identifies the second component for each individual, based on the fifth configuration information acquired by the acquisition unit 221 . Further, the generation unit 222 assigns the second individual ID to the second component by storing the generated second individual ID in association with the fifth configuration information in the identification information database 231 .
  • the output unit 223 uses the communication circuit 21 to transmit the identification information (the first type ID to the third type ID and the first individual ID and the second individual ID) generated by the generation unit 222 to the input terminal 4 .
  • the memory 23 is composed of a nonvolatile rewritable storage device such as a solid state drive or hard disk drive.
  • the memory 23 stores an identification information database 231 and an operation database 232 .
  • the identification information database 231 is a database for managing identification information given to the battery 3 .
  • the identification information database 231 associates and stores the identification information given to each component and the configuration information of each component. Specifically, the identification information database 231 associates and stores a first type ID and first configuration information, associates and stores a second type ID and second configuration information, and stores a third type ID and The third configuration information is associated and stored, the first individual ID and fourth configuration information are associated and stored, and the second individual ID and fifth configuration information are associated and stored.
  • the operation database 232 stores operation data of each battery 3. Specifically, the operation database 232 associates and stores pack type IDs, time stamps, currents, voltages, temperatures, and states (SOC, SOH, signs of failure, etc.).
  • FIG. 4 is a block diagram showing an example of the configuration of the battery 3 according to Embodiment 1 of the present disclosure.
  • the battery 3 includes a battery management device 31 (an example of an estimation device) and a battery unit 32 .
  • the battery management device 31 is a device that manages the battery 3, such as estimating the state of the battery 3 (SOC, SOH, and signs of failure).
  • Battery management device 31 includes sensor 33 , processor 34 , memory 35 , and communication circuitry 36 .
  • Sensors 33 include current sensors, voltage sensors, and temperature sensors.
  • a current sensor measures the current flowing through the battery 3 .
  • a voltage sensor measures the voltage of the battery 3 .
  • a temperature sensor detects the temperature of the battery 3 .
  • the processor 34 is composed of, for example, a central processing unit, and includes a generation unit 341, an acquisition unit 342, an estimation unit 343, and an output unit 344.
  • the generator 341 generates battery operation data at a predetermined sampling cycle.
  • the generating unit 341 may generate operation data by acquiring the current, voltage, and temperature from the sensor 33 and acquiring the state of the battery 3 estimated by the estimating unit 343 from the estimating unit 343 .
  • the acquisition unit 342 acquires the operation data generated by the generation unit 341. Also, the acquiring unit 342 acquires the trained model transmitted from the imparting device 2 via the vehicle communication device 5 and the communication circuit 36 and stores it in the memory 35 . The acquiring unit 342 acquires the pack individual ID given to the battery 3 by the giving device 2 via the vehicle communication device 5 and the communication circuit 36 and stores it in the memory 35 .
  • the estimation unit 343 inputs the operation data acquired by the acquisition unit 342 into the learned model and estimates the state of the battery.
  • the estimation unit 343 may input information other than the state of the battery 3 (for example, current, voltage, and temperature) among the operation data to the learned model. If the estimation unit 343 does not have a trained model, the state of the battery 3 can be calculated by inputting current, voltage, and temperature into a predetermined formula.
  • the output unit 344 inputs the operation data generated by the generation unit 341 to the communication circuit 36 in order to transmit it to the application device 2 at a predetermined sampling period. As a result, the operation data is transmitted to the application device 2 via the communication circuit 36 and the vehicle communication device 5, and the operation data is accumulated in the application device 2.
  • FIG. The output unit 344 inputs state information indicating the state of the battery 3 estimated by the estimation unit 343 to the communication circuit 36 in order to present it to a presentation device (not shown).
  • the presentation device may be a display provided on a vehicle in which the battery 3 is mounted, or may be a user terminal possessed by a user (driver) of the vehicle.
  • the memory 35 is composed of a rewritable semiconductor memory such as a flash memory, and stores learned models.
  • the memory 35 stores a BMS type ID, which is identification information given to the battery management device 31 in advance.
  • the memory 35 stores the pack individual ID given by the giving device 2 .
  • the communication circuit 36 is a communication circuit that connects the battery 3 to an in-vehicle network 38 such as a CAN (Controller Area Network).
  • the communication circuit 36 is connected to the vehicle communication device 5 via an in-vehicle network 38 .
  • the battery unit 32 is composed of the battery pack 51 shown in FIG.
  • the vehicle communication device 5 is a communication circuit provided in the vehicle in which the battery 3 is mounted.
  • the vehicle communication device 5 connects the battery 3 to the network NT.
  • the vehicle communication device 5 may connect the battery 3 to the network NT by connecting with a user terminal possessed by the user of the vehicle via a wireless communication path such as BLE.
  • the vehicle communication device 5 may be connected to the network NT without using a user terminal.
  • FIG. 6 is a flowchart showing an example of a process of generating identification information by the granting device 2 according to the first embodiment of the present disclosure.
  • configuration information A1 to A5 and configuration information B1 to B4 used in this flowchart will be described.
  • the configuration information A1 is configuration information for each cell 54 type. Specifically, the configuration information A1 includes characteristic data of the cell 54 . Further, the configuration information A1 may include the cell 54 manufacturer information, the cell 54 model number, and the cell 54 capacity. Configuration information A1 is an example of first configuration information.
  • the configuration information A2 is configuration information for each block 53 type.
  • the configuration information A2 includes the cell type ID (first type ID) and the number of cells 54 forming the block 53 . Further, the configuration information A2 may contain the manufacturer information and model number of block 53 .
  • Configuration information A2 is an example of second configuration information.
  • the configuration information A3 is configuration information for each module 52 type.
  • the configuration information A3 includes block type IDs (second type IDs) and the number of blocks 53 forming the module 52 . Furthermore, the configuration information A3 may include the number of probes, manufacturer information, and model number of the blocks 53 that make up the module 52 .
  • Configuration information A3 is an example of second configuration information.
  • the number of probes is the number of temperature sensor probes attached to block 53 .
  • the configuration information A4 is configuration information for each battery management device 31 type.
  • the configuration information A4 includes the manufacturer information, the model number, the number of sensors 33, the type information of the sensors 33, and the BMS type ID of the battery management device 31.
  • the configuration information A4 does not include configuration information of components in other layers.
  • the BMS type ID is identification information that identifies the battery management device 31 by type.
  • the configuration information A5 is configuration information for each battery pack 51 type.
  • the configuration information A5 includes the module type ID (second type ID), number, and connection information of the modules 52 that make up the battery pack 51 .
  • the connection information is information indicating how the module 52 is connected.
  • the connection information includes, for example, the number of serial connections of the modules 52 and the number of parallel connections of the modules 52 .
  • the configuration information A5 includes manufacturer information, model number, rated capacity, rated discharge output, rated charge output, initial pack rated FCC, initial pack rated DC resistance, operating log measurement recording cycle, and operating log update of the battery pack 51. Period, idle log update period, learned model update confirmation period, battery pack attachment information, and BMS type ID of battery management device 31 may be included.
  • Configuration information A5 is an example of third configuration information.
  • the configuration information B1 is configuration information indicating the configuration of each individual battery management device 31 .
  • the configuration information B ⁇ b>1 includes the BMS type ID, manufacturing lot number, manufacturing number, and manufacturing date and time of the battery management device 31 .
  • the configuration information B2 is configuration information indicating the configuration of each individual battery pack 51 .
  • the configuration information B2 includes the pack type ID (third type ID) and the manufacturing number of the battery pack 51 .
  • the configuration information B2 further includes the BMS individual ID of the battery management device 31, the manufacturing lot number of the battery pack 51, the manufacturing date and time of the battery pack 51, the learned model update confirmation cycle, the initial pack actual measurement FCC of the battery pack 51, and the battery The initial pack measured DC resistance of pack 51 may be included.
  • Configuration information B2 is an example of fourth configuration information.
  • the configuration information B3 is configuration information indicating the configuration of each individual module 52 .
  • the configuration information B3 includes the module type ID (second type ID) and the serial number of the module 52 .
  • the configuration information B3 may include the pack individual ID (first individual ID) and pack type ID (third type ID) of the battery pack 51 and the manufacturing lot number and manufacturing date and time of the module 52 .
  • Configuration information B3 is an example of fifth configuration information.
  • the configuration information B4 is configuration information indicating the configuration according to the block 53 individual.
  • the configuration information B4 includes the block type ID (second type ID) and serial number of the block 53 . Further, the configuration information B4 may include a module individual ID (second individual ID), module type ID, production lot number, and production date and time.
  • Configuration information B4 is an example of fifth configuration information.
  • step S101 the input terminal 4 receives input of the configuration information A1.
  • the user of the input terminal 4 may input the configuration information A1 according to the input form displayed on the input terminal 4 while referring to the specification table of the battery 3 . This is the same for inputting the following configuration information.
  • This user is, for example, a user who manages operation of a vehicle in which the battery 3 is mounted.
  • step S102 the input terminal 4 transmits the configuration information A1 to the granting device 2.
  • step S103 the application device 2 receives the configuration information A1.
  • step S104 the granting device 2 generates a cell type ID that identifies the cell 54 by type based on the configuration information A1.
  • the cell type ID is stored in the identification information database 231 in association with the configuration information A1.
  • step S105 the granting device 2 transmits the cell type ID to the input terminal 4. If the cell type ID of the corresponding type of cell 54 has already been generated, the granting device 2 may transmit the generated cell type ID to the input terminal 4 . This is the same for the following type ID and individual ID.
  • step S106 the input terminal 4 receives the cell type ID.
  • step S107 the input terminal 4 receives input of the configuration information A2.
  • step S ⁇ b>108 the input terminal 4 transmits the configuration information A ⁇ b>2 to the granting device 2 .
  • step S109 the granting device 2 receives the configuration information A2.
  • step S110 the granting device 2 generates a block type ID that identifies the block 53 by type from the configuration information A2.
  • the block type ID is stored in the identification information database 231 in association with the configuration information A2.
  • step S111 the granting device 2 transmits the cell type ID to the input terminal 4.
  • step S112 the input terminal 4 receives the block type ID.
  • the input terminal 4 accepts the input of the configuration information A3.
  • the input terminal 4 transmits the configuration information A ⁇ b>3 to the application device 2 .
  • the application device 2 receives the configuration information A3.
  • step S116 the application device 2 generates a module type ID that identifies the module 52 by type from the configuration information A3.
  • the granting device 2 transmits the module type ID to the input terminal 4 .
  • step S118 the input terminal 4 receives the module type ID.
  • the input terminal 4 accepts the input of the configuration information A4.
  • the input terminal 4 transmits the configuration information A ⁇ b>4 to the application device 2 .
  • the application device 2 receives the configuration information A4.
  • step S122 the granting device 2 generates a BMS type ID that identifies the battery management device 31 by type from the configuration information A4.
  • step S ⁇ b>123 the granting device 2 transmits the BMS type ID to the input terminal 4 .
  • step S124 the input terminal 4 receives the BMS type ID.
  • the input terminal 4 accepts the input of the configuration information A5.
  • the input terminal 4 transmits the configuration information A ⁇ b>5 to the granting device 2 .
  • the application device 2 receives the configuration information A5.
  • step S128 the application device 2 generates a pack type ID that identifies the battery pack 51 by type from the configuration information A5.
  • step S ⁇ b>129 the application device 2 transmits the pack type ID to the input terminal 4 .
  • step S130 the input terminal 4 receives the pack type ID.
  • FIG. 7 is a continuation flow chart of FIG.
  • step S201 the input terminal 4 receives input of the configuration information B1.
  • step S ⁇ b>202 the input terminal 4 transmits the configuration information B ⁇ b>1 to the granting device 2 .
  • step S203 the application device 2 receives the configuration information B1.
  • step S204 the granting device 2 generates a BMS individual ID for individually identifying the battery management device 31 from the configuration information B1.
  • step S ⁇ b>205 the granting device 2 transmits the BMS individual ID to the input terminal 4 .
  • step S206 the input terminal 4 receives the BMS individual ID.
  • step S207 the input terminal 4 accepts input of the configuration information B2.
  • step S ⁇ b>208 the input terminal 4 transmits the configuration information B ⁇ b>2 to the granting device 2 .
  • step S209 the application device 2 receives the configuration information B2.
  • step S210 the granting device 2 generates a pack individual ID for individually identifying the battery pack 51 from the configuration information B2.
  • the giving device 2 transmits the pack individual ID to the input terminal 4 .
  • step S212 the input terminal 4 receives the pack individual ID.
  • the input terminal 4 accepts the input of the configuration information B3.
  • the input terminal 4 transmits the configuration information B ⁇ b>3 to the granting device 2 .
  • the application device 2 receives the configuration information B3.
  • step S216 the granting device 2 generates a module individual ID for individually identifying the module 52 from the configuration information B3.
  • the granting device 2 transmits the module individual ID to the input terminal 4 .
  • step S218, the input terminal 4 receives the module individual ID.
  • step S219 the input terminal 4 accepts input of the configuration information B4.
  • step S ⁇ b>220 the input terminal 4 transmits the configuration information B ⁇ b>4 to the granting device 2 .
  • step S221 the application device 2 receives the configuration information B4.
  • step S222 the granting device 2 generates block individual IDs for identifying individual blocks 53 from the configuration information B4.
  • step S ⁇ b>223 the giving device 2 transmits the block individual ID to the input terminal 4 .
  • step S224 the input terminal 4 receives the block individual ID.
  • the type ID is generated in order from the lower components, and the individual ID is generated in order from the higher components.
  • FIG. 8 is a flow chart showing an example of processing in which the generating device 1 generates a trained model according to Embodiment 1 of the present disclosure.
  • the generating device 1 generates operation data acquisition request information.
  • the acquisition request information includes information specifying the hierarchy of the identification information (hierarchy specifying information) and information specifying the time stamp range of the operation data (period specifying information).
  • the hierarchy of identification information corresponds to cell type IDs, block type IDs, module type IDs, pack type IDs, pack individual IDs, module individual IDs, and block individual IDs.
  • Hierarchy designation information is information that designates one of these hierarchies.
  • the hierarchy of identification information is cell type ID, block type ID, module type ID, pack type ID, pack individual ID, module individual ID, and block individual ID, in order from the top. This ranking is determined depending on the amount of operational data that can be collected. However, this is only a prediction, and the data amount of the operation data does not necessarily increase in this order.
  • step S302 the generation device 1 transmits acquisition request information to the provision device 2.
  • step S303 the application device 2 receives the acquisition request information.
  • step S304 the granting device 2 reads from the operation database 232 the operation data corresponding to the layer indicated by the layer designation information and the period indicated by the period designation information included in the acquisition request information. For example, when a hierarchy of pack type IDs is specified, the application device 2 reads operation data corresponding to the hierarchy from the operation database 232 for each pack type ID. "Reading operation data for each pack type ID" means, for example, if there are M pack type IDs, a data group of M pieces of operation data is read in association with the pack type ID.
  • step S305 the granting device 2 transmits the operation data to the generating device 1.
  • step S306 the generating device 1 receives operation data.
  • step S307 the generation device 1 adds feature amounts and teacher data to the operation data.
  • current, voltage, and temperature correspond to the feature amount.
  • the teacher data corresponds to, for example, the state of the battery 3 .
  • step S308 the generation device 1 generates a learned model by learning operation data for each piece of identification information. For example, when the operation data received in step S306 is composed of M data groups, M learned models are generated by individually learning the M data groups.
  • step S309 the generation device 1 calculates the accuracy of the learned model.
  • accuracy has a value that decreases as the learning error increases.
  • the learning error is the error of the estimated value of the trained model with respect to the true value, eg root mean square error (RMSE) or mean square error (MSE) is taken.
  • RMSE root mean square error
  • MSE mean square error
  • step S310 the generation device 1 determines whether or not the accuracy has improved from that of the previously generated learned model.
  • step S310 If the accuracy has improved (YES in step S310), the generating device 1 decides to adopt the trained model generated this time as a learning target (step S311). On the other hand, if the accuracy is lower than the accuracy of the trained model generated last time (NO in step S310), the generation device 1 ends the process. In this case, the previously generated trained model is adopted as the learning target.
  • a trained model generated last time is a trained model generated using operation data having, for example, a different hierarchy of identification information than a trained model generated this time.
  • step S312 the generation device 1 transmits the trained model generated this time to the provision device 2.
  • step S313 the applicator 2 receives the trained model.
  • step S ⁇ b>314 the granting device 2 stores the trained model in a predetermined storage location of the memory 13 . As described above, a learned model of a layer with higher accuracy is saved in the granting device.
  • FIG. 9 is a diagram showing an example of processing when the battery 3 uploads operation data in the first embodiment of the present disclosure.
  • the battery 3 reads the individual pack ID from the memory 35 and transmits an authentication request including the individual pack ID to the granting device 2 .
  • step S411 the granting device 2 receives the authentication request.
  • step S412 the giving device 2 determines whether or not the pack individual ID is appropriate.
  • the application device 2 determines that the pack individual ID is appropriate.
  • the individual pack ID is not registered in the identification information database 231, it is determined that the individual pack ID is not correct, and a response indicating that the authentication has failed is transmitted to the battery 3.
  • a step S413 generates token information and transmits it to the battery 3.
  • Token information is information generated when authentication is successful, and is information required when the battery 3 communicates with the application device 2 .
  • the battery 3 receives the token information.
  • the battery 3 generates operation data, generates a packet containing the operation data and token information, and transmits the generated packet to the application device 2 .
  • step S414 the granting device 2 receives the packet.
  • step S415 the granting device 2 verifies the packet. For example, the granting device 2 discards the received packet if the token information is not included in the received packet. Alternatively, if the received packet does not contain the individual pack ID, the granting device 2 determines that the received packet has a format error and discards the received packet.
  • step S416 the operation data contained in the packet determined to be proper by verification is stored in the operation database 232.
  • the battery 3 After that, the battery 3 generates operation data at a predetermined sampling rate, and transmits a packet containing the operation data, token information, and individual pack ID to the application device 2 .
  • FIG. 10 is a flowchart showing an example of processing when the granting device 2 downloads a learned model to the battery 3 in the first embodiment of the present disclosure.
  • the battery 3 transmits a confirmation request to the application device 2 .
  • the confirmation request includes the pack individual ID of the battery 3 itself, the version information of the learned model currently installed in the battery 3, and the name of the learned model.
  • the name of the trained model corresponds to, for example, the type ID or individual ID corresponding to the operation data used by the trained model for learning.
  • the confirmation request is periodically transmitted according to the update confirmation cycle of the learned model included in the configuration information A5.
  • step S511 the granting device 2 receives the confirmation request.
  • step S512 the presence or absence of a learned model of the succeeding version is checked. For example, if the version information included in the confirmation request is not the latest version information corresponding to the name of the learned model, the granting device 2 determines that there is a learned model of the succeeding version. On the other hand, if the version information included in the confirmation request is the latest version information corresponding to the name of the learned model, the granting device 2 determines that there is no learned model of the succeeding version.
  • the granting device 2 transmits storage destination information indicating the storage destination of the learned model of the successor version to the battery 3 (step S513).
  • storage destination information indicating the storage destination of the learned model of the successor version to the battery 3.
  • a URL Uniform Resource Locator
  • the process ends.
  • step S502 the battery 3 receives storage destination information.
  • step S503 the battery 3 transmits a transmission request for the trained model to the storage destination indicated by the storage destination information.
  • step S514 the application device 2 receives the transmission request.
  • step S ⁇ b>515 the applicator 2 transmits the successor version of the trained model to the battery 3 .
  • the battery 3 receives the learned model.
  • the battery 3 installs the learned model. As described above, the latest learned model is installed in the battery 3 .
  • FIG. 11 is a flow chart showing an example of processing of a learned model utilization phase according to Embodiment 1 of the present disclosure.
  • the acquisition unit 342 of the battery management device 31 acquires the operation data generated by the generation unit 341 .
  • the estimation unit 343 of the battery management device 31 estimates the state of the battery 3 by inputting the operation data into the learned model. For example, feature amounts (current, voltage, and temperature) that make up the operating data are input to the learned model.
  • step S603 the output unit 344 of the battery management device 31 transmits state information indicating the estimated state to the presentation device.
  • the presentation device receives status information.
  • step S612 the presentation device displays the status information. Thereby, the state of the battery 3 (for example, SOC, SOH, or a sign of failure) is presented to the user.
  • the type ID is assigned so that the type and number of components in the lower hierarchy can be identified. Therefore, it is possible to acquire operation data of the same type and number as those of lower hierarchical components. As a result, it is possible to generate a learned model using the operation data of the battery 3 having the same type and number of constituent elements in the lower hierarchy, and the difference in the type and number of constituent elements constituting the battery 3 is taken into account. A trained model can be generated. As a result, it is possible to generate a trained model capable of estimating the state of the battery 3 with high accuracy.
  • the state of the battery is estimated using such a trained model, the state of the battery can be estimated with high accuracy.
  • the second identification information for identifying the second component by type is generated by the second configuration information including the first identification information and the number of the first component, the first component which is a lower component operation data of the batteries 3 having the same type and number of cells can be easily obtained.
  • Embodiment 2 searches for a layer of identification information with a small learning cost or small learning error of a trained model.
  • symbol is attached
  • FIG. 12 is a block diagram showing an example of the configuration of the generation device 1A according to Embodiment 2 of the present disclosure.
  • the hierarchy of the identification information corresponds to the cell type ID, block type ID, module type ID, pack type ID, pack individual ID, module individual ID, and block individual ID as described above, and the hierarchy is higher in this order. do.
  • the higher the hierarchy of identification information the greater the scope of operation data, and the greater the amount of operation data used as learning data.
  • the higher the hierarchy of the identification information the fewer the number of trained models that are generated, and the less the burden on resources.
  • the higher the hierarchy of the identification information the less exclusive it becomes, the more difficult it is to reflect the characteristics of each battery 3, and the less accurate the trained model becomes.
  • the lower the hierarchy of identification information the narrower the target range of operation data and the smaller the amount of operation data used for learning. Moreover, there is also a demerit that the number of trained models to be learned increases, increasing the burden on resources.
  • the configuration of the second embodiment will be specifically described below.
  • the hierarchy of the first component, the second component, and the third component which are the components of the battery 3, does not matter.
  • the identification information for identifying the first component is the first identification information
  • the identification information for identifying the second component is the second identification information
  • the identification information for identifying the third component is the third identification information. It is called identification information.
  • the processor 12A of the generation device 1A includes an acquisition unit 121, a generation unit 122A, and an output unit 123A.
  • generation parts produce
  • the generation unit 122A calculates the learning cost or learning error of the calculated first trained model. For the learning cost or the learning error of the first trained model, for example, the average value of the learning cost or the average value of the learning error of each first trained model is adopted.
  • the generation unit 122A If the learning cost or learning error of the first trained model is greater than the threshold, the generation unit 122A generates a second trained model corresponding to each second identification information based on the operation data corresponding to each second identification information. to generate
  • generation unit 122A determines the second trained model as the trained model to be learned. The average accuracy of the model is taken.
  • the generation unit 122A determines the first trained model as the trained model to be learned.
  • the generation unit 122A generates the third trained model corresponding to each third identification information based on the operation data corresponding to each third identification information. .
  • the learning cost is based on at least one of the number of generated trained models, the amount of operation data used to generate the trained models, and the processing load of the processor 12A when generating the trained models.
  • the learning cost is calculated by the following formula.
  • Learning cost A1.Number of models+A2.Data amount+A3.Processing load
  • the processing load for example, the accumulated time during which the load factor of the processor exceeds the reference load factor is adopted.
  • FIG. 13 is a flow chart showing a first example of processing of the generation device according to Embodiment 2 of the present disclosure. Note that this flowchart is executed periodically, for example. A first example evaluates the learning cost to determine the hierarchy of the identification information. Also, in this flowchart, the SOC is employed as the state of the battery 3 estimated by the learned model.
  • step S701 the generation unit 122A generates a learned model M(n) corresponding to the identification information of layer n.
  • the default hierarchy n is the hierarchy of pack type IDs.
  • the generation unit 122A acquires the operation data corresponding to each piece of identification information belonging to the hierarchy n from the operation database 232, and learns the acquired operation data for each piece of identification information, thereby learning the operation data corresponding to each piece of identification information.
  • step S702 the generation unit 122A calculates the learning cost of the trained model M(n).
  • step S703 the generating unit 122A determines whether or not the learning cost of the trained model M(n) is greater than the threshold.
  • the generation unit 122A may compare the average learning cost of each trained model M(n) with a threshold.
  • the generation unit 122A creates a learned model M(n-1) corresponding to the identification information of the layer n-1, which is one layer higher than the layer n. is generated (step S704). For example, in step S701, if a learned model M(n) corresponding to the pack type ID has been generated, a learned model M(n- 1) is generated. Specifically, the generation unit 122A acquires the operation data corresponding to each piece of identification information belonging to the hierarchy n ⁇ 1 from the operation database 232, and learns the acquired operation data for each piece of identification information so that A trained model M(n-1) of corresponding layer n-1 is generated.
  • one layer higher is selected, but two or more layers higher may be selected. For example, the hierarchy with the highest cell type ID may be selected.
  • step S705 the generation unit 122A calculates the accuracy of the trained model M(n-1).
  • step S706 the generation unit 122A determines whether or not the accuracy is equal to or higher than the reference accuracy.
  • the generation unit 122A may compare the average accuracy of each trained model M(n ⁇ 1) with the reference accuracy. Accuracy has a smaller value as the learning error increases.
  • the learning error is, for example, root mean square error (RMSE) or mean square error (MSE).
  • the generation unit 122A determines layer n-1 as a learning target (step S708). As a result, the learned model is generated and updated using the operation data corresponding to the identification information of layer n ⁇ 1.
  • step S703 if the learning cost is equal to or less than the threshold (NO in step S703), the generation unit 122A determines layer n as a learning target (step S707). As a result, the learned model is generated and updated using the operation data corresponding to the identification information of layer n.
  • step S706 if the accuracy is less than the reference accuracy (NO in step S706), the generation unit 122A determines another layer n and returns the process to step S701. As another layer n, a layer one level higher than the layer n-1 determined in step S704 is determined. It should be noted that if an appropriate trained model is not obtained even when the highest layer is reached, the generation unit 122A may determine the lowest layer in step S709.
  • the learning cost of a trained model when the learning cost of a trained model is greater than the threshold, a trained model in a higher hierarchy is generated, the learning cost of the trained model is equal to or less than the threshold, and the accuracy is the reference accuracy. If so, the higher hierarchy is determined as a learning target. Therefore, it is possible to search for a layer where a trained model whose learning cost is lower than the threshold and whose accuracy is equal to or higher than the reference accuracy can be obtained.
  • the first example is an algorithm that raises the hierarchy so that the learning cost is equal to or lower than the threshold value, so it is suitable for searching the hierarchy of trained models for estimating the SOC.
  • FIG. 14 is a flowchart showing a second example of processing of the generating device according to Embodiment 2 of the present disclosure.
  • a second example determines the hierarchy of identification information by evaluating learning errors.
  • SOH is adopted as the state of the battery 3 estimated by the learned model.
  • the hierarchy of identification information corresponds to block type ID, module type ID, and pack type ID, and is assumed to be higher in this order.
  • the hierarchy of pack individual IDs, module individual IDs, and block individual IDs is assumed to be the same as the hierarchy of pack type IDs, module type IDs, and block type IDs, respectively. Furthermore, it is assumed that the type ID is higher in order than the individual ID in the same hierarchy.
  • step S801 the generating unit 122A generates a learned model M(n) corresponding to the type ID of layer n. Specifically, the generation unit 122A acquires the operation data corresponding to each type ID belonging to the hierarchy n from the operation database 232, and learns the acquired operation data for each type ID, thereby obtaining the operation data corresponding to each type ID. Generate a trained model M(n).
  • step S802 the generating unit 122A calculates the learning error of the trained model M(n). The details of the learning error are described above.
  • step S803 the generating unit 122A determines whether or not the learning error of the trained model M(n) is greater than the threshold. Here, the generation unit 122A may compare the average value of learning errors of each trained model M(n) with a threshold.
  • the generating unit 122A If the learning error is greater than the threshold (YES in step S803), the generating unit 122A generates a trained model M'(n) corresponding to the individual ID of layer n (step S804). For example, in step S801, when a trained model M(n) corresponding to the pack type ID has been generated, a trained model M'(n) corresponding to the packed individual ID is generated. Specifically, the generation unit 122A acquires the operation data corresponding to each individual ID belonging to the hierarchy n from the operation database 232, and learns the acquired operation data for each individual ID, thereby obtaining the operation data corresponding to each individual ID. A trained model M'(n) of layer n is generated.
  • step S805 the generation unit 122A calculates the accuracy of the learned model M'(n).
  • step S806 the generation unit 122A determines whether or not the accuracy is equal to or higher than the reference accuracy.
  • the generation unit 122A may compare the average accuracy of each trained model M'(n) with the reference accuracy. Accuracy details are given above.
  • the generation unit 122A determines the individual ID of layer n as a learning target (step S808). As a result, the learned model is generated and updated using the operation data corresponding to the individual ID of the hierarchy n.
  • step S803 if the learning error is equal to or less than the threshold (NO in step S803), the generation unit 122A determines layer n as a learning target (step S807). As a result, the trained model is generated and updated using the operation data corresponding to the type ID of layer n.
  • step S806 if the accuracy is less than the reference accuracy (NO in step S806), the generation unit 122A determines another layer n (step S809), and returns the process to step S801.
  • another hierarchy n a hierarchy one level higher than the hierarchy n determined in step S801 may be determined, or a hierarchy one level lower may be determined.
  • the learning error of a trained model when the learning error of a trained model is greater than the threshold, a trained model in a lower hierarchy is generated, and the learning error of the trained model is equal to or less than the threshold and the accuracy is the reference accuracy. If so, the lower hierarchy is determined as a learning target. Therefore, it is possible to search for a layer where a trained model whose learning cost is lower than the threshold and whose accuracy is equal to or higher than the reference accuracy can be obtained.
  • an algorithm since an algorithm is adopted in which the hierarchy is lowered so that the learning error is equal to or less than the threshold value, it is suitable for searching the hierarchy of the trained model for estimating the sign of SOH or failure.
  • the present disclosure may generate a trained model corresponding to the cell-specific ID.
  • the present disclosure is useful in technology for generating a trained model capable of estimating the state of a battery with high accuracy.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Secondary Cells (AREA)

Abstract

生成装置（１）は、複数の構成要素のうちのある階層の構成要素に付与された１以上の識別情報であって下位の階層の構成要素の種類及び個数が識別可能に付与された識別情報を取得する取得部（１２１）と、稼動データを１以上の識別情報毎に学習することにより、電池の状態を推定する各識別情報に対応する学習済みモデルを生成する生成部（１２２）と、生成した学習済みモデルを出力する出力部（１２３）とを備える。

Description

製造方法、生成装置、推定装置、識別情報付与方法、及び付与装置
　本開示は、階層構造で構成される複数の構成要素を含む電池の学習済みモデルを生成する技術に関するものである。
　特許文献１には、電池の測定値を取得し、取得した測定値から電池の動作レジームを決定し、決定した動作レジームに応じた非線形回帰モデルを選定し、選定した非線形回帰モデルに測定値を入力し、電池の充電状態を推定する技術が開示されている。
　しかしながら、特許文献１の非線形回帰モデルは、電池を構成する構成要素の種類及び数の相違を考慮して生成されたものではないため、充電状態の推定精度を高めるためにはさらなる改善の必要がある。
特開２０１６－５３６６０５号公報
　本開示は、このような課題に鑑みてなされたものであり、電池の状態を高精度で推定し得る学習済みモデルを生成する技術を提供することを目的とする。
　本開示の一態様における製造方法は、階層的に構成される複数の構成要素を含む電池の学習済みモデルを生成する生成装置における前記学習済みモデルの製造方法であって、前記生成装置のプロセッサが、前記複数の構成要素のうちのある階層の構成要素に付与された１以上の識別情報を取得し、各識別情報に対応する前記電池の稼動データを取得し、取得した前記稼動データを前記１以上の識別情報毎に学習することにより、前記電池の状態を推定する各識別情報に対応する学習済みモデルを生成し、生成した前記学習済みモデルを出力する。
　本開示によれば、電池の状態を高精度で推定し得る学習済みモデルを生成することができる。
本開示の実施の形態１における情報処理システムの全体構成の一例を示す図である。 本開示の実施の形態１における生成装置の構成の一例を示すブロック図である。 本開示の実施の形態１における付与装置の構成の一例を示すブロック図である。 本開示の実施の形態１における電池の構成の一例を示すブロック図である。 電池の構成要素の一例を示す図である。 本開示の実施の形態１において付与装置が識別情報を生成する処理の一例を示すフローチャートである。 図６の続きのフローチャートである。 本開示の実施の形態１において生成装置が学習済みモデルを生成する処理の一例を示すフローチャートである。 本開示の実施の形態１において電池が稼動データをアップロードする際の処理の一例を示す図である。 本開示の実施の形態１において、付与装置が電池に学習済みモデルをダウンロードする際の処理の一例を示すフローチャートである。 本開示の実施の形態１における学習済みモデルの活用フェーズの処理の一例を示すフローチャートである。 本開示の実施の形態２における生成装置の構成の一例を示すブロック図である。 本開示の実施の形態２における生成装置の処理の第１例を示すフローチャートである。 本開示の実施の形態２における生成装置の処理の第２例を示すフローチャートである。
　（本開示の基礎となる知見）
　近年、様々なメーカにより製造される様々な品種の電池の稼動データを収集し、収集した稼動データを学習することにより、稼動データからＳＯＣ等の電池の状態を高精度に推定する学習済みモデルを生成することが検討されている。電池は、セル、セルを含むブロック、ブロックを含むモジュール、モジュールを含む電池パックというように、複数の構成要素によって階層的に構成されている。ここで、電池を構成する構成要素の数及び各構成要素の種類が相違すると、その相違に応じて電池の特性も変動する。そのため、このような特性の相違を考慮することなく稼動データを学習データとして用いて学習済みモデルを生成すると、電池の状態を高精度に推定する学習済みモデルが得られない可能性がある。
　上述の特許文献１では、電池の測定値から決定された動作レジームに応じて非線形回帰モデルが選定されている。しかしながら、動作レジームは、電池の充電状態、電池が充電または放電を行っているという事実、充電速度または放電速度、周囲温度または内部温度、電池の電圧測定値の平均値、及び電池のインピーダンスまたは電池の健全状態の測定値の中から選定された少なくとも１つのパラメータによって定義されるものである。したがって、特許文献１の非線形回帰モデルは、電池を構成する構成要素の数及び種類の相違が考慮されておらず、電池の状態を高精度に推定することはできない。
　本開示は、このような課題を解決するためになされたものであり、電池の状態を高精度に推定し得る学習済みモデルを生成する技術を提供することを目的とする。
　本開示の一態様における製造方法は、階層的に構成される複数の構成要素を含む電池の学習済みモデルを生成する生成装置における前記学習済みモデルの製造方法であって、前記生成装置のプロセッサが、前記複数の構成要素のうちのある階層の構成要素に付与された１以上の識別情報を取得し、各識別情報に対応する前記電池の稼動データを取得し、取得した前記稼動データを前記１以上の識別情報毎に学習することにより、前記電池の状態を推定する各識別情報に対応する学習済みモデルを生成し、生成した前記学習済みモデルを出力する。
　この構成によれば、複数の構成要素のうちある階層の構成要素に付与された１以上の識別情報が取得され、取得された識別情報に対応する電池の稼動データが取得され、取得された稼動データを識別情報毎に学習することにより各識別情報に対応する学習済みモデルが生成されている。これにより、電池を構成する構成要素の数及び種類の相違が考慮された識別情報毎の学習済みモデルを生成することができる。その結果、電池の状態を高精度に推定し得る学習済みモデルを生成することができる。
　上記製造方法において、各識別情報は、下位の階層の構成要素の種類及び個数が識別可能に付与されてもよい。
　この構成によれば、各識別情報は、下位の階層の構成要素の種類及び個数が識別可能に付与されている。そのため、下位の階層の構成要素と、種類及び個数が同一の稼動データを取得することができる。これにより、下位の階層の構成要素の種類及び個数が同じ電池の稼動データを用いて識別情報毎の学習済みモデルを生成することができる。
　上記製造方法において、第１階層の１以上の第１識別情報に対応する前記稼動データに基づいて、各第１識別情報に対応する第１学習済みモデルを生成し、前記第１学習済みモデルの学習コスト又学習誤差を算出し、算出した前記学習コスト又は前記学習誤差が閾値よりも大きい場合、前記第１階層とは異なる第２階層の１以上の第２識別情報に対応する前記稼動データに基づいて、各第２識別情報に対応する第２学習済みモデルを生成してもよい。
　この構成によれば、第１階層の各第１識別情報に対応する稼動データに基づいて生成された第１学習済みモデルの学習コスト又は学習誤差が閾値よりも大きい場合、第２階層の各第２識別情報に対応する学習済みモデルが生成される。これにより、学習コスト又は学習誤差をより低くすることが可能な別の階層の学習済みモデルを探索することができる。
　上記製造方法において、前記複数の構成要素は、第１構成要素と前記第１構成要素とは階層が異なる第２構成要素とを含み、前記１以上の第１識別情報は、前記第１構成要素を識別する情報であり、前記１以上の第２識別情報は、前記第２構成要素を識別する情報であってもよい。
　この構成によれば、学習コスト又は学習誤差をより低くすることが可能な別の階層の学習済みモデルを探索することができる。
　上記製造方法において、前記生成では、前記第１学習済みモデルの前記学習コスト又は前記学習誤差が前記閾値以下の場合、前記第１学習済みモデルを学習対象の前記学習済みモデルとして決定してもよい。
　この構成によれば、第１学習済みモデルの学習コスト又は学習誤差が閾値以下の場合、第１学習済みモデルが生成対象の学習済みモデルとして決定される。そのため、以後、第１識別情報に対応する稼動データを用いて第１学習済みモデルを生成及び更新することができ、学習コストが低い又は高精度な学習済みモデルを生成することができる。
　上記製造方法において、前記生成では、前記第２学習済みモデルの精度が基準精度よりも低い場合、前記第１階層及び前記第２階層とは異なる第３階層の１以上の第３識別情報に対応する前記稼動データに基づいて、各第３識別情報に対応する第３学習済みモデルを生成してもよい。
　この構成によれば、各第２識別情報に対応する稼動データに基づいて生成された第２学習済みモデルの精度が基準精度よりも低い場合、各第３識別情報に対応する第３学習済みモデルが生成される。これにより、階層を変えながら、学習コスト又は学習誤差をより低くすることが可能な階層の学習済みモデルを探索することができる。
　上記製造方法において、前記生成では、前記第２学習済みモデルの精度が基準精度よりも高い場合、前記第２学習済みモデルを学習対象の前記学習済みモデルとして決定してもよい。
　この構成によれば、第２学習済みモデルの精度が基準精度よりも高い場合、第２学習済みモデルが生成対象の学習済みモデルとして決定される。そのため、以後、各第２識別情報に対応する稼動データを用いて第２学習済みモデルを更新することができ、より高精度な学習済みモデルを生成することができる。
　上記製造方法において、前記学習コストは、生成された前記学習済みモデルのモデル数、前記学習済みモデルの生成に用いられた稼動データのデータ量、及び前記学習済みモデルを生成時の前記プロセッサの処理負荷の少なくともいずれか１つに基づいて算出されてもよい。
　この構成によれば、学習コストは、生成された学習済みモデルのモデル数、学習済みモデルの生成に用いられた稼動データのデータ量、及び学習済みモデルの生成時の処理負荷の少なくとも１つに基づいて算出されるため、学習コストを正確に推定することができる。
　上記製造方法において、前記１以上の識別情報は、各構成要素を種類別に識別する１以上の種類識別情報を含む。
　この構成によれば、各構成要素の種類別の稼動データを容易に取得することができる。
　上記製造方法において、各識別情報は、各構成要素を個体別に識別する１以上の個体識別情報を含む。
　この構成によれば、各構成要素の個体別の稼動データを容易に取得することができる。
　上記製造方法において、前記複数の構成要素は、セルと、前記セルを含むブロックと、前記ブロックを含むモジュールと、前記モジュールを含む電池パックとを含んでもよい。
　この構成によれば、セル、ブロック、モジュール、及び電池パックのいずれかの階層に応じた稼動データを用いて学習済みモデルを生成することができる。
　本開示の別の一態様における生成装置は、階層的に構成される複数の構成要素を含む電池の学習済みモデルを生成する生成装置であって、前記生成装置は、プロセッサを備え、前記プロセッサは、前記複数の構成要素のうちのある階層の構成要素に付与された１以上の識別情報を取得し、各識別情報に対応する稼動データを取得し、取得した前記稼動データを前記１以上の識別情報毎に学習することにより、前記電池の状態を推定する各識別情報に対応する前記学習済みモデルを生成し、生成した前記学習済みモデルを出力する、処理を実行する。
　この構成によれば、上記の製造方法の作用効果が得られる生成装置を提供できる。
　本開示のさらに別の一態様における推定装置は、階層的に構成される複数の構成要素を含む電池の状態を推定する推定装置であって、前記推定装置は、プロセッサを備え、前記プロセッサは、前記電池の稼動データを取得し、前記稼動データを学習済みモデルに入力して前記電池の状態を推定し、推定された状態を示す状態情報を出力する、処理を実行し、前記学習済みモデルは、前記複数の構成要素のうちのある階層の構成要素に付与された１以上の識別情報に対応する前記稼動データを前記１以上の識別情報毎に学習することにより、生成されたモデルである。
　この構成によれば、ある階層の付与された１以上の識別情報に対応する稼動データを用いて生成された学習済みモデルを用いて電池の状態を推定することができる。これにより、電池を構成する構成要素の数及び種類の相違を考慮して学習された学習済みモデルを用いて、電池の状態を高精度に推定することができる。
　本開示のさらに別の一態様における識別情報付与方法は、第１構成要素と前記第１構成要素を含む第２構成要素とを備える電池の識別情報を付与する付与装置における識別情報付与方法であって、前記第１構成要素の種類に応じた構成を示す第１構成情報を取得し、前記第１構成情報により前記第１構成要素を種類別に識別する第１識別情報を生成し、前記第１識別情報を出力し、前記第２構成要素の種類に応じた構成を示す第２構成情報を取得し、前記第２構成情報は、前記第１識別情報及び前記第１構成要素の個数を含み、前記第２構成情報により前記第２構成要素を種類別に識別する第２識別情報を生成し、前記第２識別情報を出力する。
　この構成によれば、第１構成情報により第１構成要素を種類別に識別する第１識別情報が生成される。また、第２構成情報により第２構成要素を種類別に識別する第２識別情報が生成される。ここで、第２構成情報は、第１構成要素の第１識別情報及び個数を含んでいる。
　そのため、下位の構成要素である第１構成要素の種類及び個数が同じ電池の稼動データを容易に取得することができる。これにより、電池を構成する構成要素の種類及び個数の相違が考慮された学習済みモデルを生成することができる。
　上記識別情報付与方法において、前記電池は、前記第２構成要素を含む第３構成要素をさらに備え、さらに、前記第３構成要素の種類に応じた構成を示す第３構成情報を取得し、前記第３構成情報は、前記第２識別情報、前記第２構成要素の個数、及び前記第２構成要素の接続態様を示す接続情報を含み、さらに、前記第３構成情報により前記第３構成要素を種類別に識別する第３識別情報を生成し、前記第３識別情報を出力してもよい。
　この構成によれば、第３構成情報により第３構成要素を種類別に識別する第３識別情報が生成される。ここで、第３構成情報は、第２識別情報、第２構成要素の個数、及び第２構成要素の接続情報を含んでいる。
　そのため、下位の構成要素である第２構成要素の種類及び個数に加えて接続態様を同一とする電池の稼動データを容易に取得することができる。これにより、電池を構成する構成要素の種類及、個数、及び接続態様の相違が考慮された学習済みモデルを生成することができる。
　上記識別情報付与方法において、さらに、前記第３構成要素の個体に応じた構成を示す第４構成情報を取得し、前記第４構成情報は、前記第３識別情報及び前記第３構成要素の製造番号を含み、さらに、前記第４構成情報により前記第３構成要素を個体別に識別する第４識別情報を生成し、前記第４識別情報を出力してもよい。
　この構成によれば、第３識別情報及び第３構成要素の製造番号を含む第４構成情報を用いて第４識別情報が生成されているため、第３構成要素の個体別の稼動データを容易に取得することができる。
　上記識別情報付与方法において、さらに、前記第２構成要素の個体に応じた構成を示す第５構成情報を取得し、前記第５構成情報は、前記第４識別情報及び前記第２構成要素の製造番号を含み、前記第５構成情報により前記第２構成要素を個体別に識別する第５識別情報を生成し、前記第５識別情報を出力してもよい。
　この構成によれば、第４識別情報及び第２構成要素の製造番号を含む第４構成情報用いて第５識別情報が生成されているため、第２構成要素の個体別の稼動データを容易に取得することができる。
　本開示のさらに別の一態様における付与装置は、第１構成要素と前記第１構成要素を含む第２構成要素とを備える電池の識別情報を付与する付与装置であって、前記付与装置は、プロセッサ備え、前記プロセッサは、前記第１構成要素の種類に応じた構成を示す第１構成情報を取得し、前記第１構成情報により前記第１構成要素を種類別に識別する第１識別情報を生成し、前記第１識別情報を出力し、前記第２構成要素の種類に応じた構成を示す第２構成情報を取得し、前記第２構成情報は、前記第１識別情報及び前記第１構成要素の個数を含み、前記第２構成情報により前記第２構成要素を種類別に識別する第２識別情報を生成し、前記第２識別情報を出力する、処理を実行する。
　本構成によれば、上記の識別情報付与方法と同一の作用効果が得られる付与装置を提供できる。
　本開示は、このような製造方法、推定装置、識別情報付与方法、及び付与装置に含まれる特徴的な各構成をコンピュータに実行させるプログラム、或いはこのプログラムによって動作するシステムとして実現することもできる。また、このようなコンピュータプログラムを、ＣＤ－ＲＯＭ等のコンピュータ読取可能な非一時的な記録媒体あるいはインターネット等の通信ネットワークを介して流通させることができるのは、言うまでもない。
　なお、以下で説明する実施の形態は、いずれも本開示の一具体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、構成要素、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、最上位概念を示す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。また全ての実施の形態において、各々の内容を組み合わせることもできる。
　（実施の形態１）
　図１は、本開示の実施の形態１における情報処理システムの全体構成の一例を示す図である。情報処理システムは、生成装置１、付与装置２、１以上の電池３、及び入力端末４を含む。生成装置１～入力端末４は、それぞれネットワークＮＴを介して通信可能に接続されている。ネットワークＮＴは、例えば、インターネット通信網、携帯電話通信網を含む広域通信網で構成されている。
　生成装置１は、例えば１以上のコンピュータで構成されるクラウドサーバである。生成装置１は、電池の稼動データを用いて電池の状態を推定するための学習済みモデルを生成し、生成した学習済みモデルを付与装置２に送信する。付与装置２は、例えば１以上のコンピュータで構成されるクラウドサーバである。付与装置２は、各電池３に識別情報を付与する。付与装置２は、電池３の稼動データを電池３から取得してメモリに蓄積する。付与装置２は、必要に応じて蓄積した稼動データを生成装置１に送信する。付与装置２は、生成装置１から受信した学習済みモデルを電池３に送信する。
　電池３は、例えば車両に搭載されている。電池３は階層的に構成される複数の構成要素を含む。車両は、例えば電気自動車、電動自転車、及び電動キックボード等である。入力端末４は電池３の構成情報の入力を受け付け、受け付けた構成情報を付与装置２に送信する。
　図２は、本開示の実施の形態１における生成装置１の構成の一例を示すブロック図である。生成装置１は、通信回路１１、プロセッサ１２、及びメモリ１３を含む。通信回路１１は、生成装置１をネットワークＮＴに接続する。通信回路１１は、学習済みモデルを付与装置２に送信する。通信回路１１は、稼動データを付与装置２から受信する。
　プロセッサ１２は、例えば中央演算処理装置で構成される。プロセッサ１２は、取得部１２１、生成部１２２、及び出力部１２３を含む。取得部１２１は、電池３を構成する複数の構成要素のうちある階層の構成要素に付与された１以上の識別情報を取得する。各識別情報は、下位の階層の構成要素の種類及び個数が識別可能に付与されている。また、取得部１２１は、各識別情報に対応する稼動データを付与装置２から取得する。
　図５は、電池３の構成要素の一例を示す図である。電池３は、電池パック５１、モジュール５２、ブロック５３、及びセル５４を含む複数の構成要素で構成されている。ブロック５３は、並列接続された複数のセル５４を含む。モジュール５２は、直列接続された複数のブロック５３を含む。電池パック５１は直列及び並列接続された複数のモジュール５２で構成されている。図５の例では、電池パック５１は、４つのモジュール５２を含む。そして、電池パック５１は、直列接続された２つのモジュール５２を含む２つのモジュール群が並列接続されて構成されている。なお、ブロック５３は１つのセル５４で構成されてもよい。また、モジュール５２は、１つのブロック５３で構成されてもよい。また、電池パック５１は、１つのモジュール５２で構成されてもよい。このように、電池３は、電池パック５１、モジュール５２、ブロック５３、及びセル５４の各構成要素がこの順に階層的に構成されている。
　電池３の識別情報は、各構成要素を種類別に識別する種類識別情報（以下、「種類ＩＤ」と呼ぶ。）と、各構成要素を個体別に識別する個体識別情報（以下、「個体ＩＤ」と呼ぶ。）とを含む。種類ＩＤは、セル種類ＩＤ、ブロック種類ＩＤ、モジュール種類ＩＤ、及びパック種類ＩＤを含む。セル種類ＩＤは、セル５４を種類別に識別する識別情報である。ブロック種類ＩＤは、ブロック５３を種類別に識別する識別情報である。モジュール種類ＩＤは、モジュール５２を種類別に識別する識別情報である。パック種類ＩＤは、電池パック５１を種類別に識別する識別情報である。
　個体ＩＤは、セル個体ＩＤ、ブロック個体ＩＤ、モジュール個体ＩＤ、及びパック個体ＩＤを含む。セル個体ＩＤは、セル５４を個体別に識別する識別情報である。ブロック個体ＩＤは、ブロック５３を個体別に識別する識別情報である。モジュール個体ＩＤは、モジュール５２を個体別に識別する識別情報である。パック個体ＩＤは、電池パック５１を個体別に識別する識別情報である。
　図２に参照を戻す。生成部１２２は、取得部１２１が取得した稼動データを識別情報毎に学習することにより、電池３の状態を推定する各識別情報に対応する学習済みモデルを生成する。推定する電池の状態は、例えばＳＯＣ（ｓｔａｔｅ　ｏｆ　ｃｈａｒｇｅ）、ＳＯＨ（ｓｔａｔｅ　ｏｆ　ｈｅａｌｔｈ）、又は故障の予兆である。故障の予兆は例えば残寿命時間である。
　稼動データは、例えば電池３の電流、電圧、及び温度の少なくとも１つを含む。さらに、稼動データは、電池３の状態を含む。この状態は、例えば、ＳＯＣ、ＳＯＨ、及び故障の予兆の有無の少なくとも１つを含む。さらに、稼働データは、稼動データの生成日時を示すタイムスタンプ及び電池３の識別情報を含む。この識別情報は、例えば後述するパック個体ＩＤである。
　出力部１２３は、生成部１２２が生成した学習済みモデルを出力する。例えば、出力部１２３は、生成した学習済みモデルを通信回路１１を用いて付与装置２に送信する。
　メモリ１３は、ソリッドステートドライブ及びハードディスクドライブ等の不揮発性の書き換え可能な記憶装置で構成される。メモリ１３は、付与装置２から取得した稼動データを記憶する。
　図３は、本開示の実施の形態１における付与装置２の構成の一例を示すブロック図である。付与装置２は、通信回路２１、プロセッサ２２、及びメモリ２３を含む。通信回路２１は、付与装置２をネットワークＮＴに接続する。通信回路２１は、生成装置１に稼動データを送信したり、電池３に学習済みモデルを送信したりする。通信回路２１は、生成装置１から学習済みモデルを受信したり、電池３から稼働データを受信したりする。
　プロセッサ２２は、例えば中央演算処理装置で構成される。プロセッサ２２は、取得部２２１、生成部２２２、及び出力部２２３を含む。ここで、電池３の構成要素のうちのある構成要素を第１構成要素と呼ぶ。また、第１構成要素を含む構成要素を第２構成要素と呼ぶ。また、第２構成要素を含む構成要素を第３構成要素と呼ぶ。
　取得部２２１は、第１構成要素の種類に応じた構成を示す第１構成情報を通信回路２１を用いて入力端末４から取得する。第１構成情報は、例えば、第１構成要素の残容量と電圧との関係を示す特性データを含む。具体的には、特性データは、ＳＯＣとＯＣＶとの関係を示すデータである。
　生成部２２２は、取得部２２１が取得した第１構成情報により第１構成要素を種類別に識別する第１種類ＩＤを生成する。また、生成部２２２は、生成した第１種類ＩＤを第１構成情報と対応付けて識別情報データベース２３１に記憶することにより、第１構成要素に第１種類ＩＤを付与する。
　取得部２２１は、第２構成要素の種類に応じた構成を示す第２構成情報を通信回路２１を介して入力端末４から取得する。第２構成情報は、第１種類ＩＤ及び第２構成要素を構成する第１構成要素の個数を含む。
　生成部２２２は、取得部２２１が取得した第２構成情報により第２構成要素を種類別に識別する第２種類ＩＤを生成する。また、生成部２２２は、生成した第２種類ＩＤを第２構成情報と対応付けて識別情報データベース２３１に記憶することにより、第２構成要素に第２種類ＩＤを付与する。
　取得部２２１は、第３構成要素の種類に応じた構成を示す第３構成情報を通信回路２１を介して入力端末４から取得する。第３構成情報は、第２種類ＩＤ、第２構成要素の個数、及び第２構成要素の接続態様を示す接続情報を含む。
　生成部２２２は、取得部２２１が取得した第３構成情報により第３構成要素を種類別に識別する第３種類ＩＤを生成する。また、生成部２２２は、生成した第３種類ＩＤを第３構成情報と対応付けて識別情報データベース２３１に記憶することにより、第３構成要素に第３種類ＩＤを付与する。
　取得部２２１は、第３構成要素の個体に応じた構成を示す第４構成情報を通信回路２１を介して入力端末４から取得する。第４構成情報は、第３種類ＩＤ及び第３構成要素の製造番号を含む。
　生成部２２２は、取得部２２１が取得した第４構成情報により第３構成要素を個体別に識別する第１個体ＩＤ（第４識別情報）を生成する。また、生成部２２２は、生成した第１個体ＩＤを第４構成情報と対応付けて識別情報データベース２３１に記憶することにより、第３構成要素に第１個体ＩＤを付与する。
　取得部２２１は、第２構成要素の個体に応じた構成を示す第５構成情報を通信回路２１を介して入力端末４から取得する。第５構成情報は、第４識別情報と、第２構成要素の製造番号とを含む。
　生成部２２２は、取得部２２１が取得した第５構成情報により第２構成要素を個体別に識別する第２個体ＩＤ（第５識別情報）を生成する。また、生成部２２２は、生成した第２個体ＩＤを第５構成情報と対応付けて識別情報データベース２３１に記憶することにより、第２構成要素に第２個体ＩＤを付与する。
　出力部２２３は、生成部２２２が生成した識別情報（第１種類ＩＤ～第３種類ＩＤ並びに第１個体ＩＤ及び第２個体ＩＤ）を通信回路２１を用いて入力端末４に送信する。
　メモリ２３は、ソリッドステートドライブ又はハードディスクドライブ等の不揮発性の書き換え可能な記憶装置で構成される。メモリ２３は、識別情報データベース２３１及び稼動データベース２３２を記憶する。
　識別情報データベース２３１は、電池３に付与された識別情報を管理するためのデータベースである。識別情報データベース２３１は、各構成要素に付与した識別情報と、各構成要素の構成情報とを対応付けて記憶する。具体的には、識別情報データベース２３１は、第１種類ＩＤと第１構成情報とを対応付けて記憶し、第２種類ＩＤと第２構成情報とを対応付けて記憶し、第３種類ＩＤと第３構成情報とを対応付けて記憶し、第１個体ＩＤと第４構成情報とを対応付けて記憶し、第２個体ＩＤと第５構成情報とを対応付けて記憶する。
　稼動データベース２３２は、各電池３の稼動データを記憶する。具体的には、稼動データベース２３２は、パック種類ＩＤ、タイムスタンプ、電流、電圧、温度、及び状態（ＳＯＣ、ＳＯＨ、及び故障の予兆等）を対応付けて記憶する。
　図４は、本開示の実施の形態１における電池３の構成の一例を示すブロック図である。電池３は、電池管理装置３１（推定装置の一例）、電池ユニット３２を含む。
　電池管理装置３１は、電池３の状態（ＳＯＣ、ＳＯＨ、及び故障の予兆）を推定する等の電池３の管理を行う装置である。電池管理装置３１は、センサ３３、プロセッサ３４、メモリ３５、及び通信回路３６を含む。センサ３３は、電流センサ、電圧センサ、及び温度センサを含む。電流センサは電池３に流れる電流を計測する。電圧センサは電池３の電圧を計測する。温度センサは電池３の温度を検出する。
　プロセッサ３４は、例えば中央演算処理装置で構成され、生成部３４１、取得部３４２、推定部３４３、及び出力部３４４を含む。生成部３４１は、所定のサンプリング周期で電池の稼動データを生成する。例えば、生成部３４１は、センサ３３から電流、電圧、及び温度を取得すると共に推定部３４３から推定部３４３が推定した電池３の状態を取得することで稼動データを生成すればよい。
　取得部３４２は、生成部３４１が生成した稼働データを取得する。また、取得部３４２は、付与装置２から送信された学習済みモデルを車両通信装置５及び通信回路３６を介して取得し、メモリ３５に記憶する。取得部３４２は、付与装置２が電池３に付与した後述のパック個体ＩＤを車両通信装置５及び通信回路３６を介して取得し、メモリ３５に記憶する。
　推定部３４３は、取得部３４２が取得した稼動データを学習済みモデルに入力し、電池の状態を推定する。ここで、推定部３４３は、稼動データのうち、電池３の状態以外の情報（例えば、電流、電圧、及び温度）を学習済みモデルに入力すればよい。また、推定部３４３は、学習済みモデルを有していない場合は、所定の計算式に電流、電圧、及び温度を入力することで、電池３の状態を算出すればよい。
　出力部３４４は、生成部３４１が生成した稼動データを所定のサンプリング周期で付与装置２に送信するために、通信回路３６に入力する。これにより、稼動データは通信回路３６及び車両通信装置５を介して付与装置２に送信され、付与装置２には稼働データが蓄積されていく。出力部３４４は、推定部３４３が推定した電池３の状態を示す状態情報を提示装置（図略）に提示するために、通信回路３６に入力する。提示装置は、電池３が搭載された車両に設けられたディスプレイであってもよいし、当該車両のユーザ（ドライバ）が所持するユーザ端末であってもよい。
　メモリ３５は、例えばフラッシュメモリ等の書き換え可能な半導体メモリで構成され、学習済みモデルを記憶する。メモリ３５は、電池管理装置３１に予め付与された識別情報であるＢＭＳ種類ＩＤを記憶する。メモリ３５は、付与装置２が付与したパック個体ＩＤを記憶する。
　通信回路３６は、ＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）等の車載ネットワーク３８に電池３を接続させる通信回路である。通信回路３６は車載ネットワーク３８を介して車両通信装置５に接続されている。
　電池ユニット３２は、図５に示す電池パック５１で構成されている。
　車両通信装置５は、電池３が搭載された車両が備える通信回路である。車両通信装置５は、電池３をネットワークＮＴに接続させる。例えば、車両通信装置５は、ＢＬＥ等の無線通信路により車両のユーザが所持するユーザ端末と接続することで、電池３をネットワークＮＴに接続してもよい。或いは、車両通信装置５は、ネットワークＮＴとユーザ端末を介することなく接続してもよい。
　以上が情報処理システムの構成である。続いて、情報処理システムの動作について説明する。図６は、本開示の実施の形態１において付与装置２が識別情報を生成する処理の一例を示すフローチャートである。
　まず、このフローチャートで用いられる構成情報Ａ１～Ａ５及び構成情報Ｂ１～Ｂ４について説明する。
　構成情報Ａ１は、セル５４の種類別の構成情報である。具体的には、構成情報Ａ１は、セル５４の特性データを含む。さらに、構成情報Ａ１は、セル５４のメーカ情報、セル５４の型番、及びセル５４の容量を含んでいてもよい。構成情報Ａ１は第１構成情報の一例である。
　構成情報Ａ２は、ブロック５３の種類別の構成情報である。構成情報Ａ２は、ブロック５３を構成するセル５４のセル種類ＩＤ（第１種類ＩＤ）及び個数を含む。さらに、構成情報Ａ２は、ブロック５３のメーカ情報及び型番を含んでいてもよい。構成情報Ａ２は、第２構成情報の一例である。
　構成情報Ａ３は、モジュール５２の種類別の構成情報である。構成情報Ａ３は、モジュール５２を構成するブロック５３の、ブロック種類ＩＤ（第２種類ＩＤ）及び個数を含む。さらに、構成情報Ａ３は、モジュール５２を構成するブロック５３の、プローブ数、メーカ情報、及び型番を含んでいてもよい。構成情報Ａ３は、第２構成情報の一例である。プローブ数はブロック５３に取り付けられた温度センサのプローブの数である。
　構成情報Ａ４は、電池管理装置３１の種類別の構成情報である。構成情報Ａ４は、電池管理装置３１の、メーカ情報、型番、センサ３３の個数、センサ３３の種類情報、及びＢＭＳ種類ＩＤを含む。構成情報Ａ４は、他の階層の構成要素の構成情報は含んでいない。ＢＭＳ種類ＩＤは、電池管理装置３１を種類別に識別する識別情報である。
　構成情報Ａ５は、電池パック５１の種類別の構成情報である。構成情報Ａ５は、電池パック５１を構成するモジュール５２の、モジュール種類ＩＤ（第２種類ＩＤ）、個数、及び接続情報を含む。接続情報は、モジュール５２の接続態様を示す情報である。接続情報は、例えば、モジュール５２の直列接続数及びモジュール５２の並列接続数を含む。さらに、構成情報Ａ５は、電池パック５１の、メーカ情報、型番、定格容量、定格放電出力、定格充電出力、初期パック定格ＦＣＣ、初期パック定格直流抵抗、稼働時ログ測定記録周期、稼働時ログアップデート周期、遊休時ログアップデート周期、学習済みモデル更新確認周期、電池パック取付品情報、及び電池管理装置３１のＢＭＳ種類ＩＤを含んでいてもよい。構成情報Ａ５は、第３構成情報の一例である。
　構成情報Ｂ１は、電池管理装置３１の個体に応じた構成を示す構成情報である。構成情報Ｂ１は、電池管理装置３１の、ＢＭＳ種類ＩＤ、製造ロット番号、製造番号、及び製造日時を含む。
　構成情報Ｂ２は、電池パック５１の個体に応じた構成を示す構成情報である。構成情報Ｂ２は、電池パック５１のパック種類ＩＤ（第３種類ＩＤ）及び製造番号を含む。構成情報Ｂ２は、さらに、電池管理装置３１のＢＭＳ個体ＩＤ、電池パック５１の製造ロット番号、電池パック５１の製造日時、学習済みモデルの更新確認周期、電池パック５１の初期パック実測ＦＣＣ、及び電池パック５１の初期パック実測直流抵抗を含んでいてもよい。構成情報Ｂ２は、第４構成情報の一例である。
　構成情報Ｂ３は、モジュール５２の個体に応じた構成を示す構成情報である。構成情報Ｂ３は、モジュール５２の、モジュール種類ＩＤ（第２種類ＩＤ）及び製造番号を含む。さらに、構成情報Ｂ３は、電池パック５１の、パック個体ＩＤ（第１個体ＩＤ）及びパック種類ＩＤ（第３種類ＩＤ）と、モジュール５２の、製造ロット番号及び製造日時とを含んでもよい。構成情報Ｂ３は、第５構成情報の一例である。
　構成情報Ｂ４は、ブロック５３の個体に応じた構成を示す構成情報である。構成情報Ｂ４は、ブロック５３の、ブロック種類ＩＤ（第２種類ＩＤ）及び製造番号を含む。さらに、構成情報Ｂ４は、モジュール個体ＩＤ（第２個体ＩＤ）、モジュール種類ＩＤ、製造ロット番号、及び製造日時を含んでいてもよい。構成情報Ｂ４は、第５構成情報の一例である。
　以上を踏まえて、以下、図６を説明する。ステップＳ１０１において、入力端末４は、構成情報Ａ１の入力を受け付ける。ここで、入力端末４のユーザは、入力端末４に表示される入力フォームにしたがって、電池３の諸元表を参照しながら構成情報Ａ１を入力すればよい。このことは、以下の構成情報の入力についても同じである。このユーザは、例えば電池３が搭載された車両の運行を管理するユーザである。
　ステップＳ１０２において、入力端末４は、構成情報Ａ１を付与装置２に送信する。ステップＳ１０３において、付与装置２は構成情報Ａ１を受信する。
　ステップＳ１０４において、付与装置２は、構成情報Ａ１によりセル５４を種類別に識別するセル種類ＩＤを生成する。セル種類ＩＤは構成情報Ａ１と対応付けて識別情報データベース２３１に記憶される。
　ステップＳ１０５において、付与装置２は、セル種類ＩＤを入力端末４に送信する。なお、付与装置２は、該当する種類のセル５４のセル種類ＩＤが生成済みの場合は、生成済みのセル種類ＩＤを入力端末４に送信すればよい。このことは、下記の種類ＩＤ及び個体ＩＤについても同じである。
　ステップＳ１０６において、入力端末４は、セル種類ＩＤを受信する。ステップＳ１０７において、入力端末４は、構成情報Ａ２の入力を受け付ける。ステップＳ１０８において、入力端末４は、構成情報Ａ２を付与装置２に送信する。
　ステップＳ１０９において、付与装置２は、構成情報Ａ２を受信する。ステップＳ１１０において、付与装置２は、構成情報Ａ２によりブロック５３を種類別に識別するブロック種類ＩＤを生成する。ブロック種類ＩＤは構成情報Ａ２と対応付けて識別情報データベース２３１に記憶される。
　ステップＳ１１１において、付与装置２は、セル種類ＩＤを入力端末４に送信する。ステップＳ１１２において、入力端末４は、ブロック種類ＩＤを受信する。
　ステップＳ１１３において、入力端末４は、構成情報Ａ３の入力を受け付ける。ステップＳ１１４において、入力端末４は、構成情報Ａ３を付与装置２に送信する。ステップＳ１１５において、付与装置２は、構成情報Ａ３を受信する。
　ステップＳ１１６において、付与装置２は、構成情報Ａ３により、モジュール５２を種類別に識別するモジュール種類ＩＤを生成する。ステップＳ１１７において、付与装置２は、モジュール種類ＩＤを入力端末４に送信する。ステップＳ１１８において、入力端末４は、モジュール種類ＩＤを受信する。
　ステップＳ１１９において、入力端末４は、構成情報Ａ４の入力を受け付ける。ステップＳ１２０において、入力端末４は、構成情報Ａ４を付与装置２に送信する。ステップＳ１２１において、付与装置２は、構成情報Ａ４を受信する。
　ステップＳ１２２において、付与装置２は、構成情報Ａ４により、電池管理装置３１を種類別に識別するＢＭＳ種類ＩＤを生成する。ステップＳ１２３において、付与装置２は、ＢＭＳ種類ＩＤを入力端末４に送信する。ステップＳ１２４において、入力端末４は、ＢＭＳ種類ＩＤを受信する。
　ステップＳ１２５において、入力端末４は、構成情報Ａ５の入力を受け付ける。ステップＳ１２６において、入力端末４は、構成情報Ａ５を付与装置２に送信する。ステップＳ１２７において、付与装置２は、構成情報Ａ５を受信する。
　ステップＳ１２８において、付与装置２は、構成情報Ａ５により、電池パック５１を種類別に識別するパック種類ＩＤを生成する。ステップＳ１２９において、付与装置２は、パック種類ＩＤを入力端末４に送信する。ステップＳ１３０において、入力端末４は、パック種類ＩＤを受信する。
　図７は、図６の続きのフローチャートである。ステップＳ２０１において、入力端末４は、構成情報Ｂ１の入力を受け付ける。ステップＳ２０２において、入力端末４は、構成情報Ｂ１を付与装置２に送信する。ステップＳ２０３において、付与装置２は、構成情報Ｂ１を受信する。
　ステップＳ２０４において、付与装置２は、構成情報Ｂ１により、電池管理装置３１を個体別に識別するＢＭＳ個体ＩＤを生成する。ステップＳ２０５において、付与装置２は、ＢＭＳ個体ＩＤを入力端末４に送信する。ステップＳ２０６において、入力端末４は、ＢＭＳ個体ＩＤを受信する。
　ステップＳ２０７において、入力端末４は、構成情報Ｂ２の入力を受け付ける。ステップＳ２０８において、入力端末４は、構成情報Ｂ２を付与装置２に送信する。ステップＳ２０９において、付与装置２は、構成情報Ｂ２を受信する。
　ステップＳ２１０において、付与装置２は、構成情報Ｂ２により、電池パック５１を個体別に識別するパック個体ＩＤを生成する。ステップＳ２１１において、付与装置２は、パック個体ＩＤを入力端末４に送信する。ステップＳ２１２において、入力端末４は、パック個体ＩＤを受信する。
　ステップＳ２１３において、入力端末４は、構成情報Ｂ３の入力を受け付ける。ステップＳ２１４において、入力端末４は、構成情報Ｂ３を付与装置２に送信する。ステップＳ２１５において、付与装置２は、構成情報Ｂ３を受信する。
　ステップＳ２１６において、付与装置２は、構成情報Ｂ３により、モジュール５２を個体別に識別するモジュール個体ＩＤを生成する。ステップＳ２１７において、付与装置２は、モジュール個体ＩＤを入力端末４に送信する。ステップＳ２１８において、入力端末４は、モジュール個体ＩＤを受信する。
　ステップＳ２１９において、入力端末４は、構成情報Ｂ４の入力を受け付ける。ステップＳ２２０において、入力端末４は、構成情報Ｂ４を付与装置２に送信する。ステップＳ２２１において、付与装置２は、構成情報Ｂ４を受信する。
　ステップＳ２２２において、付与装置２は、構成情報Ｂ４により、ブロック５３を個体別に識別するブロック個体ＩＤを生成する。ステップＳ２２３において、付与装置２は、ブロック個体ＩＤを入力端末４に送信する。ステップＳ２２４において、入力端末４は、ブロック個体ＩＤを受信する。
　このように、種類ＩＤは、下位の構成要素から順に生成され、個体ＩＤは上位の構成要素から順に生成される。
　続いて学習済みモデルの生成について説明する。図８は、本開示の実施の形態１において生成装置１が学習済みモデルを生成する処理の一例を示すフローチャートである。ステップＳ３０１において、生成装置１は、稼動データの取得依頼情報を生成する。取得依頼情報には、識別情報の階層を指定する情報（階層指定情報）と、稼動データのタイムスタンプの範囲を指定する情報（期間指定情報）とを含む。識別情報の階層とは、セル種類ＩＤ、ブロック種類ＩＤ、モジュール種類ＩＤ、パック種類ＩＤ、パック個体ＩＤ、モジュール個体ＩＤ、及びブロック個体ＩＤが該当する。階層指定情報は、これらの階層の中からいずれかの階層を指定する情報である。なお、識別情報の階層は、上位から順に、セル種類ＩＤ、ブロック種類ＩＤ、モジュール種類ＩＤ、パック種類ＩＤ、パック個体ＩＤ、モジュール個体ＩＤ、及びブロック個体ＩＤであるものとする。この順位は、収集できる稼動データの量の多さに依存して決定されている。但し、これはあくまでも予測であり、実際にこの順位で稼動データのデータ量が多くなるとは限らない。
　ステップＳ３０２において、生成装置１は取得依頼情報を付与装置２に送信する。ステップＳ３０３において、付与装置２は取得依頼情報を受信する。
　ステップＳ３０４において、付与装置２は、取得依頼情報に含まれる、階層指定情報が示す階層及び期間指定情報が示す期間に対応する稼動データを稼動データベース２３２から読み出す。例えば、付与装置２は、パック種類ＩＤの階層が指定された場合は、当該階層に対応する稼動データをパック種類ＩＤ毎に稼動データベース２３２から読み出す。「稼動データをパック種類ＩＤ毎に読み出す」とは、例えば、パック種類ＩＤがＭ個あったとするとＭ個の稼動データのデータ群をパック種類ＩＤと対応付けて読み出すことを指す。
　ステップＳ３０５において、付与装置２は、稼動データを生成装置１に送信する。ステップＳ３０６において、生成装置１は、稼動データを受信する。
　ステップＳ３０７において、生成装置１は、稼動データに特徴量及び教師データを付与する。特徴量は、例えば電流、電圧、及び温度が該当する。教師データは、例えば電池３の状態が該当する。
　ステップＳ３０８において、生成装置１は、稼動データを識別情報毎に学習させることにより学習済みモデルを生成する。例えば、ステップＳ３０６で受信した稼動データがＭ個のデータ群から構成される場合は、Ｍ個のデータ群を個別に学習させることによりＭ個の学習済みモデルが生成される。
　ステップＳ３０９において、生成装置１は、学習済みモデルの精度を算出する。ここで、精度は学習誤差が増大するにつれて小さくなる値を有する。学習誤差は真値に対する学習済みモデルの推定値の誤差であり、例えば二乗平均平方根誤差（ＲＭＳＥ）又は平均二乗誤差（ＭＳＥ）が採用される。学習済みモデルがＭ個生成されている場合は、Ｍ個の学習済みモデルの精度の平均値が算出される。
　ステップＳ３１０において、生成装置１は、精度が前回生成した学習済みモデルの精度よりも向上しているか否かを判定する。
　精度が向上している場合（ステップＳ３１０でＹＥＳ）、生成装置１は、今回生成した学習済みモデルを学習対象として採用することに決定する（ステップＳ３１１）。一方、精度が前回生成した学習済みモデルの精度よりも低下している場合（ステップＳ３１０でＮＯ）、生成装置１は、処理を終了する。この場合、前回生成された学習済みモデルが学習対象として採用されることになる。前回生成した学習済みモデルは、今回生成された学習済みモデルに対して例えば識別情報の階層が異なる稼動データを用いて生成された学習済みモデルである。
　ステップＳ３１２において、生成装置１は、今回生成した学習済みモデルを付与装置２に送信する。ステップＳ３１３において、付与装置２は学習済みモデルを受信する。ステップＳ３１４において、付与装置２は学習済みモデルをメモリ１３の所定の保存場所へ保存する。以上により、より精度の高い階層の学習済みモデルが付与装置に保存されることになる。
　図９は、本開示の実施の形態１において電池３が稼動データをアップロードする際の処理の一例を示す図である。ステップＳ４０１において、電池３は、パック個体ＩＤをメモリ３５から読み出し、パック個体ＩＤを含む認証依頼を付与装置２に送信する。
　ステップＳ４１１において、付与装置２は認証依頼を受信する。ステップＳ４１２において、付与装置２は、パック個体ＩＤが適正か否かを判定する。ここで、付与装置２は、パック個体ＩＤが識別情報データベース２３１に登録されている場合、パック個体ＩＤが適正であると判定する。一方、パック個体ＩＤが識別情報データベース２３１に登録されていなければ、パック個体ＩＤは適正でないと判定し、認証に失敗したことを示す応答を電池３に送信すればよい。
　ステップＳ４１３は、トークン情報を生成し、電池３に送信する。トークン情報は、認証が成功した場合に生成される情報であり、電池３が付与装置２と通信する際に必要になる情報である。
　ステップＳ４０２において、電池３は、トークン情報を受信する。ステップＳ４０３において、電池３は、稼動データを生成し、稼動データ及びトークン情報を含むパケットを生成し、生成したパケットを付与装置２に送信する。
　ステップＳ４１４において、付与装置２は、パケットを受信する。ステップＳ４１５において、付与装置２は、パケットを検証する。例えば、付与装置２は、受信したパケットにトークン情報が含まれていない場合、受信したパケットを破棄する。或いは、付与装置２は、受信したパケットにパック個体ＩＤが含まれていない場合、フォーマットエラーと判定し、受信したパケットを破棄する。
　ステップＳ４１６において、検証により適正と判定したパケットに含まれる稼動データを稼動データベース２３２に記憶する。以降、電池３は、所定のサンプリングレートで稼動データを生成し、稼動データ、トークン情報、及びパック個体ＩＤを含むパケットを付与装置２に送信する。
　図１０は、本開示の実施の形態１において、付与装置２が電池３に学習済みモデルをダウンロードする際の処理の一例を示すフローチャートである。ステップＳ５０１において、電池３は、確認依頼を付与装置２に送信する。確認依頼は、電池３自身のパック個体ＩＤと、電池３に現在インストールされている学習済みモデルのバージョン情報と、学習済みモデルの名称とを含む。学習済みモデルの名称は、例えば学習済みモデルが学習に用いた稼動データに対応する種類ＩＤ又は個体ＩＤが該当する。なお、確認依頼は、構成情報Ａ５に含まれる学習済みモデルの更新確認周期にしたがって定期的に送信される。
　ステップＳ５１１において、付与装置２は、確認依頼を受信する。ステップＳ５１２において、後継バージョンの学習済みモデルの有無を確認する。例えば、付与装置２は、確認依頼に含まれるバージョン情報が学習済みモデルの名称に対応する最新のバージョン情報でない場合、後継バージョンの学習済みモデルが有ると判定する。一方、付与装置２は確認依頼に含まれるバージョン情報が学習済みモデルの名称に対応する最新のバージョン情報である場合、後継バージョンの学習済みモデルは無いと判定する。
　後継バージョンの学習済みモデルが有ると判定した場合（ステップＳ５１２でＹＥＳ）、付与装置２は、後継バージョンの学習済みモデルの保存先を示す保存先情報を電池３に送信する（ステップＳ５１３）。保存先情報は、例えばＵＲＬ（Ｕｎｉｆｏｒｍ　Ｒｅｓｏｕｒｃｅ　Ｌｏｃａｔｏｒ）が採用できる。一方、後継バージョンの学習モデルが無いと判定された場合(ステップＳ５１２でＮＯ)、処理は終了する。
　ステップＳ５０２において、電池３は保存先情報を受信する。ステップＳ５０３において、電池３は、保存先情報が示す保存先を送信先とする、学習済みモデルの送信依頼を送信する。ステップＳ５１４において、付与装置２は、送信依頼を受信する。ステップＳ５１５において、付与装置２は、後継バージョンの学習済みモデルを電池３に送信する。
　ステップＳ５０４において、電池３は学習済みモデルを受信する。ステップＳ５０５において、電池３は学習済みモデルをインストールする。以上により、最新の学習済みモデルが電池３にインストールされる。
　次に、学習済みモデルの活用フェーズについて説明する。図１１は、本開示の実施の形態１における学習済みモデルの活用フェーズの処理の一例を示すフローチャートである。ステップＳ６０１において、電池管理装置３１の取得部３４２は生成部３４１が生成した稼動データを取得する。ステップＳ６０２において、電池管理装置３１の推定部３４３は、稼動データを学習済みモデルに入力することで、電池３の状態を推定する。例えば、稼動データを構成する特徴量（電流、電圧、及び温度）が学習済みモデルに入力される。
　ステップＳ６０３において、電池管理装置３１の出力部３４４は、推定された状態を示す状態情報を提示装置に送信する。ステップＳ６１１において、提示装置は状態情報を受信する。ステップＳ６１２において、提示装置は、状態情報を表示する。これにより、電池３の状態（例えば、ＳＯＣ、ＳＯＨ、又は故障の予兆）がユーザに提示される。
　以上、説明したように実施の形態１の情報処理システムによれば、種類ＩＤは下位の階層の構成要素の種類及び個数が識別可能に付与されている。そのため、下位の階層の構成要素と、種類及び個数が同一の稼動データを取得することができる。これにより、下位の階層の構成要素の種類及び個数が同じ電池３の稼動データを用いて学習済みモデルを生成することができ、電池３を構成する構成要素の種類及び個数の相違が考慮された学習済みモデルを生成することができる。その結果、電池３の状態を高精度に推定し得る学習済みモデルを生成することができる。
　また、このような学習済みモデルを用いて電池の状態が推定されているため、電池の状態を高精度に推定することができる。
　さらに、第１構成要素の第１識別情報及び個数を含む第２構成情報により第２構成要素を種類別に識別する第２識別情報が生成されているため、下位の構成要素である第１構成要素の種類及び個数が同じ電池３の稼動データを容易に取得することができる。
　（実施の形態２）
　実施の形態２は、学習済みモデルの学習コスト又は学習誤差の小さな識別情報の階層を探索するものである。なお、実施の形態２において、実施の形態１と同一の構成要素には同一の符号を付し、説明を省略する。図１２は、本開示の実施の形態２における生成装置１Ａの構成の一例を示すブロック図である。
　例えば、パック種類ＩＤ毎に学習済みモデルを生成すると、電池パック５１の種類に応じた数だけ学習済みモデルが生成されるため、学習済みモデルの数が膨大になる。その結果、生成装置１Ａのリソースが圧迫され、学習コストが嵩むことになる。
　そこで、実施の形態２では、学習コストの小さな識別情報の階層を探索する。識別情報の階層は、上述したようにセル種類ＩＤ、ブロック種類ＩＤ、モジュール種類ＩＤ、パック種類ＩＤ、パック個体ＩＤ、モジュール個体ＩＤ、及びブロック個体ＩＤが該当し、この順で階層は高いものとする。
　識別情報の階層が上位になるほど、稼働データの対象範囲が増大し、学習データとして用いられる稼働データのデータ量が増大するというメリットがある。また、識別情報の階層が上位になるほど、生成される学習済みモデルの数が減り、リソースの負担が小さくなるというメリットもある。一方、識別情報の階層が上位になるほど、専用性が減り、個々の電池３の特徴が反映され難くなり、学習済みモデルの精度が低下するというデメリットがある。
　識別情報の階層が下位になるほど、専用性が増し、個々の電池３の特徴がより反映された学習済みモデルを生成でき、学習に用いられる稼動データのデータ量が十分であれば、高精度の学習済みモデルを生成できるというメリットがある。
　一方、識別情報の階層が下位になるほど、稼動データの対象範囲が狭くなり、学習に用いられる稼動データのデータ量が少なくなるというデメリットがある。また、学習対象となる学習済みモデルの数が増え、リソース負担が増大するというデメリットもある。以下、実施の形態２の構成を具体的に説明する。以下の説明では、電池３の構成要素である、第１構成要素と第２構成要素と第３構成要素との階層は問わないものとする。また、第１構成要素を識別するための識別情報を第１識別情報、第２構成要素を識別するための識別情報を第２識別情報、第３構成要素を識別するための識別情報を第３識別情報と呼ぶ。
　生成装置１Ａのプロセッサ１２Ａは、取得部１２１、生成部１２２Ａ、及び出力部１２３Ａを含む。生成部１２２Ａは、各第１識別情報に対応する稼動データに基づいて、各第１識別情報に対応する第１学習済みモデルを生成する。生成部１２２Ａは、算出した第１学習済みモデルの学習コスト又学習誤差を算出する。第１学習済みモデルの学習コスト又は学習誤差は、例えば、各第１学習済みモデルの学習コストの平均値又は学習誤差の平均値が採用される。
　生成部１２２Ａは、第１学習済みモデルの学習コスト又は学習誤差が閾値よりも大きい場合、各第２識別情報に対応する稼動データに基づいて、各第２識別情報に対応する第２学習済みモデルを生成する。
　生成部１２２Ａは、第２学習済みモデルの精度が基準精度よりも高い場合、第２学習済みモデルを学習対象の学習済みモデルとして決定する、第２学習済みモデルの精度は、各第２学習済みモデルの精度の平均値が採用される。
　一方、生成部１２２Ａは、第１学習済みモデルの学習コスト又は学習誤差が閾値以下の場合、第１学習済みモデルを学習対象の学習済みモデルとして決定する、
　生成部１２２Ａは、第２学習済みモデルの精度が基準精度よりも低い場合、各第３識別情報に対応する稼動データに基づいて、各第３識別情報に対応する第３学習済みモデルを生成する。
　学習コストは、生成された学習済みモデルのモデル数、学習済みモデルの生成に用いられた稼動データのデータ量、及び学習済みモデルを生成時のプロセッサ１２Ａの処理負荷の少なくともいずれか１つに基づいて算出される、例えば、学習コストは、下記の式で算出される。
　学習コスト＝Ａ１・モデル数＋Ａ２・データ量＋Ａ３・処理負荷
　処理負荷は、例えば、プロセッサの負荷率が基準負荷率を超えた累積時間が採用される。
　図１３は、本開示の実施の形態２における生成装置の処理の第１例を示すフローチャートである。なお、このフローチャートは例えば定期的に実行される。第１例は、学習コストを評価して識別情報の階層を決定する。また、このフローチャートでは、学習済みモデルが推定する電池３の状態としてＳＯＣが採用される。
　ステップＳ７０１において、生成部１２２Ａは、階層ｎの識別情報に対応する学習済みモデルＭ（ｎ）を生成する。例えば、デフォルトの階層ｎは、パック種類ＩＤの階層である。具体的には、生成部１２２Ａは、階層ｎに属する各識別情報に対応する稼動データを稼動データベース２３２から取得し、取得した稼動データを識別情報毎に学習することにより、各識別情報に対応する学習済みモデルＭ（ｎ）を生成する。
　ステップＳ７０２において、生成部１２２Ａは、学習済みモデルＭ（ｎ）の学習コストを算出する。ステップＳ７０３において、生成部１２２Ａは、学習済みモデルＭ（ｎ）の学習コストが閾値より大きいか否かを判定する。ここで、生成部１２２Ａは、各学習済みモデルＭ（ｎ）の学習コストの平均値を閾値と比較すればよい。
　学習コストが閾値よりも大きい場合（ステップＳ７０３でＹＥＳ）、生成部１２２Ａは、階層ｎに対して階層が１つ上位の階層ｎ－１の識別情報に対応する学習済みモデルＭ（ｎ－１）を生成する（ステップＳ７０４）。例えば、ステップＳ７０１において、パック種類ＩＤに対応する学習済みモデルＭ（ｎ）が生成されている場合、パック種類ＩＤよりも階層が１つ上位のモジュール種類ＩＤに対応する学習済みモデルＭ（ｎ－１）が生成される。具体的には、生成部１２２Ａは、階層ｎ－１に属する各識別情報に対応する稼動データを稼動データベース２３２から取得し、取得した稼動データを識別情報毎に学習することにより、各識別情報に対応する階層ｎ－１の学習済みモデルＭ（ｎ－１）を生成する。ここでは、１つ上位の階層が選択されたが、２つ以上上位の階層が選択されてもよい。例えば、最上位のセル種類ＩＤの階層が選択されてもよい。
　ステップＳ７０５において、生成部１２２Ａは、学習済みモデルＭ（ｎ－１）の精度を算出する。ステップＳ７０６において、生成部１２２Ａは、精度が基準精度以上であるか否かを判定する。ここで、生成部１２２Ａは、各学習済みモデルＭ（ｎ－１）の精度の平均値を基準精度と比較すればよい。精度は学習誤差が大きくなるにつれて小さい値を有する。学習誤差は、例えば二乗平均平方根誤差（ＲＭＳＥ）又は平均二乗誤差（ＭＳＥ）が採用される。
　精度が基準精度以上の場合（ステップＳ７０６でＹＥＳ）、生成部１２２Ａは、階層ｎ－１を学習対象として決定する（ステップＳ７０８）。これにより、以後、階層ｎ－１の識別情報に対応する稼動データを用いて学習済みモデルが生成及び更新される。
　ステップＳ７０３において、学習コストが閾値以下の場合（ステップＳ７０３でＮＯ）、生成部１２２Ａは、階層ｎを学習対象として決定する（ステップＳ７０７）。これにより、以後、階層ｎの識別情報に対応する稼動データを用いて学習済みモデルが生成及び更新される。
　ステップＳ７０６において、精度が基準精度未満の場合（ステップＳ７０６でＮＯ）、生成部１２２Ａは、別の階層ｎを決定し、処理をステップＳ７０１に戻す。別の階層ｎとしては、ステップＳ７０４で決定された階層ｎ－１よりも１つ上位の階層が決定される。なお、最上位の階層に到達しても適切な学習済みモデルが得られなかった場合、ステップＳ７０９において、生成部１２２Ａは最下位の階層を決定してもよい。
　このように、第１例によれば、学習済みモデルの学習コストが閾値より大きい場合、上位の階層の学習済みモデルが生成され、その学習済みモデルの学習コストが閾値以下、且つ精度が基準精度以上であれば、当該上位の階層が学習対象として決定される。そのため、学習済みモデルの学習コストが閾値よりも小さく、且つ、精度が基準精度以上の学習済みモデルが得られる階層を探索することができる。なお、第１例では、学習コストが閾値以下になるように階層を上昇させるアルゴリズムであるため、ＳＯＣを推定する学習済みモデルの階層の探索に適している。
　図１４は、本開示の実施の形態２における生成装置の処理の第２例を示すフローチャートである。第２例は、学習誤差を評価して識別情報の階層を決定する。また、このフローチャートでは、学習済みモデルが推定する電池３の状態としてＳＯＨが採用される。
　第２例では、識別情報の階層は、ブロック種類ＩＤ、モジュール種類ＩＤ、パック種類ＩＤが該当し、この順で高いものとする。また、パック個体ＩＤ、モジュール個体ＩＤ、及びブロック個体ＩＤの階層は、それぞれ、パック種類ＩＤ、モジュール種類ＩＤ、及びブロック種類ＩＤの階層と同一であるものとする。さらに、同一階層において、種類ＩＤは個体ＩＤよりも順位が高いものとする。
　ステップＳ８０１において、生成部１２２Ａは、階層ｎの種類ＩＤに対応する学習済みモデルＭ（ｎ）を生成する。具体的には、生成部１２２Ａは、階層ｎに属する各種類ＩＤに対応する稼動データを稼動データベース２３２から取得し、取得した稼動データを種類ＩＤ毎に学習することにより、各種類ＩＤに対応する学習済みモデルＭ（ｎ）を生成する。
　ステップＳ８０２において、生成部１２２Ａは、学習済みモデルＭ（ｎ）の学習誤差を算出する。学習誤差の詳細は上述した。ステップＳ８０３において、生成部１２２Ａは、学習済みモデルＭ（ｎ）の学習誤差が閾値より大きいか否かを判定する。ここで、生成部１２２Ａは、各学習済みモデルＭ（ｎ）の学習誤差の平均値を閾値と比較すればよい。
　学習誤差が閾値よりも大きい場合（ステップＳ８０３でＹＥＳ）、生成部１２２Ａは、階層ｎの個体ＩＤに対応する学習済みモデルＭ´（ｎ）を生成する（ステップＳ８０４）。例えば、ステップＳ８０１において、パック種類ＩＤに対応する学習済みモデルＭ（ｎ）が生成されている場合、パック個体ＩＤに対応する学習済みモデルＭ´（ｎ）が生成される。具体的には、生成部１２２Ａは、階層ｎに属する各個体ＩＤに対応する稼動データを稼動データベース２３２から取得し、取得した稼動データを個体ＩＤ毎に学習することにより、各個体ＩＤに対応する階層ｎの学習済みモデルＭ´（ｎ）を生成する。
　ステップＳ８０５において、生成部１２２Ａは、学習済みモデルＭ´（ｎ）の精度を算出する。ステップＳ８０６において、生成部１２２Ａは、精度が基準精度以上であるか否かを判定する。ここで、生成部１２２Ａは、各学習済みモデルＭ´（ｎ）の精度の平均値を基準精度と比較すればよい。精度の詳細は上述した。
　精度が基準精度以上の場合（ステップＳ８０６でＹＥＳ）、生成部１２２Ａは、階層ｎの個体ＩＤを学習対象として決定する（ステップＳ８０８）。これにより、以後、階層ｎの個体ＩＤに対応する稼動データを用いて学習済みモデルが生成及び更新される。
　ステップＳ８０３において、学習誤差が閾値以下の場合（ステップＳ８０３でＮＯ）、生成部１２２Ａは、階層ｎを学習対象として決定する（ステップＳ８０７）。これにより、以後、階層ｎの種類ＩＤに対応する稼動データを用いて学習済みモデルが生成及び更新される。
　ステップＳ８０６において、精度が基準精度未満の場合（ステップＳ８０６でＮＯ）、生成部１２２Ａは、別の階層ｎを決定し（ステップＳ８０９）、処理をステップＳ８０１に戻す。別の階層ｎとしては、ステップＳ８０１で決定された階層ｎよりも１つ上位の階層が決定されてもよいし、１つ下位の階層が決定されてもよい。
　このように、第２例によれば、学習済みモデルの学習誤差が閾値より大きい場合、下位の階層の学習済みモデルが生成され、その学習済みモデルの学習誤差が閾値以下、且つ精度が基準精度以上であれば、当該下位の階層が学習対象として決定される。そのため、学習済みモデルの学習コストが閾値よりも小さく、且つ、精度が基準精度以上の学習済みモデルが得られる階層を探索することができる。なお、第２例では、学習誤差が閾値以下になるように階層を下降させるアルゴリズムが採用されているため、ＳＯＨ又は故障の予兆を推定する学習済みモデルの階層の探索に適している。
　（変形例）
　本開示はセル個別ＩＤに対応する学習済みモデルを生成してもよい。
　本開示は、電池の状態を高精度に推定し得る学習済みモデルを生成する技術において有用である。

Claims (18)

  1. 　階層的に構成される複数の構成要素を含む電池の学習済みモデルを生成する生成装置における前記学習済みモデルの製造方法であって、
    　前記生成装置のプロセッサが、
    　前記複数の構成要素のうちのある階層の構成要素に付与された１以上の識別情報を取得し、
    　各識別情報に対応する前記電池の稼動データを取得し、
    　取得した前記稼動データを前記１以上の識別情報毎に学習することにより、前記電池の状態を推定する各識別情報に対応する学習済みモデルを生成し、
    　生成した前記学習済みモデルを出力する、
    　製造方法。
  2. 　各識別情報は、下位の階層の構成要素の種類及び個数が識別可能に付与されている、
    　請求項１記載の製造方法。
  3. 　前記生成では、
    　第１階層の１以上の第１識別情報に対応する前記稼動データに基づいて、各第１識別情報に対応する第１学習済みモデルを生成し、
    　前記第１学習済みモデルの学習コスト又学習誤差を算出し、
    　算出した前記学習コスト又は前記学習誤差が閾値よりも大きい場合、前記第１階層とは異なる第２階層の１以上の第２識別情報に対応する前記稼動データに基づいて、各第２識別情報に対応する第２学習済みモデルを生成する、
    　請求項１又は２記載の製造方法。
  4. 　前記複数の構成要素は、第１構成要素と前記第１構成要素とは階層が異なる第２構成要素とを含み、
    　前記１以上の第１識別情報は、前記第１構成要素を識別する情報であり、
    　前記１以上の第２識別情報は、前記第２構成要素を識別する情報である、
    　請求項３記載の製造方法。
  5. 　前記生成では、前記第１学習済みモデルの前記学習コスト又は前記学習誤差が前記閾値以下の場合、前記第１学習済みモデルを学習対象の前記学習済みモデルとして決定する、
    　請求項３又は４記載の製造方法。
  6. 　前記生成では、前記第２学習済みモデルの精度が基準精度よりも低い場合、前記第１階層及び前記第２階層とは異なる第３階層の１以上の第３識別情報に対応する前記稼動データに基づいて、各第３識別情報に対応する第３学習済みモデルを生成する、
    　請求項３～５のいずれかに記載の製造方法。
  7. 　前記生成では、前記第２学習済みモデルの精度が基準精度よりも高い場合、前記第２学習済みモデルを学習対象の前記学習済みモデルとして決定する、
    　請求項３～６のいずれかに記載の製造方法。
  8. 　前記学習コストは、生成された前記学習済みモデルのモデル数、前記学習済みモデルの生成に用いられた稼動データのデータ量、及び前記学習済みモデルを生成時の前記プロセッサの処理負荷の少なくともいずれか１つに基づいて算出される、
    　請求項３～７のいずれかに記載の製造方法。
  9. 　前記１以上の識別情報は、各構成要素を種類別に識別する１以上の種類識別情報を含む、
    　請求項１～８のいずれかに記載の製造方法。
  10. 　各識別情報は、各構成要素を個体別に識別する１以上の個体識別情報を含む、
    　請求項１～９のいずれかに記載の製造方法。
  11. 　前記複数の構成要素は、セルと、前記セルを含むブロックと、前記ブロックを含むモジュールと、前記モジュールを含む電池パックとを含む、
    　請求項１～１０のいずれかに記載の製造方法。
  12. 　階層的に構成される複数の構成要素を含む電池の学習済みモデルを生成する生成装置であって、
    　前記生成装置は、プロセッサを備え、
    　前記プロセッサは、
    　前記複数の構成要素のうちのある階層の構成要素に付与された１以上の識別情報を取得し、
    　各識別情報に対応する稼動データを取得し、
    　取得した前記稼動データを前記１以上の識別情報毎に学習することにより、前記電池の状態を推定する各識別情報に対応する前記学習済みモデルを生成し、
    　生成した前記学習済みモデルを出力する、処理を実行する、
    　生成装置。
  13. 　階層的に構成される複数の構成要素を含む電池の状態を推定する推定装置であって、
    　前記推定装置は、プロセッサを備え、
    　前記プロセッサは、
    　前記電池の稼動データを取得し、
    　前記稼動データを学習済みモデルに入力して前記電池の状態を推定し、
    　推定された状態を示す状態情報を出力する、処理を実行し、
    　前記学習済みモデルは、前記複数の構成要素のうちのある階層の構成要素に付与された１以上の識別情報に対応する前記稼動データを前記１以上の識別情報毎に学習することにより、生成されたモデルである、
    　推定装置。
  14. 　第１構成要素と前記第１構成要素を含む第２構成要素とを備える電池の識別情報を付与する付与装置における識別情報付与方法であって、
    　前記第１構成要素の種類に応じた構成を示す第１構成情報を取得し、
    　前記第１構成情報により前記第１構成要素を種類別に識別する第１識別情報を生成し、
    　前記第１識別情報を出力し、
    　前記第２構成要素の種類に応じた構成を示す第２構成情報を取得し、前記第２構成情報は、前記第１識別情報及び前記第１構成要素の個数を含み、
    　前記第２構成情報により前記第２構成要素を種類別に識別する第２識別情報を生成し、
    　前記第２識別情報を出力する、
    　識別情報付与方法。
  15. 　前記電池は、前記第２構成要素を含む第３構成要素をさらに備え、
    　さらに、前記第３構成要素の種類に応じた構成を示す第３構成情報を取得し、前記第３構成情報は、前記第２識別情報、前記第２構成要素の個数、及び前記第２構成要素の接続態様を示す接続情報を含み、
    　さらに、前記第３構成情報により前記第３構成要素を種類別に識別する第３識別情報を生成し、
    　前記第３識別情報を出力する、
    　請求項１４記載の識別情報付与方法。
  16. 　さらに、前記第３構成要素の個体に応じた構成を示す第４構成情報を取得し、前記第４構成情報は、前記第３識別情報及び前記第３構成要素の製造番号を含み、
    　さらに、前記第４構成情報により前記第３構成要素を個体別に識別する第４識別情報を生成し、
    　前記第４識別情報を出力する、
    　請求項１５記載の識別情報付与方法。
  17. 　さらに、前記第２構成要素の個体に応じた構成を示す第５構成情報を取得し、前記第５構成情報は、前記第４識別情報及び前記第２構成要素の製造番号を含み、
    　前記第５構成情報により前記第２構成要素を個体別に識別する第５識別情報を生成し、
    　前記第５識別情報を出力する、
    　請求項１６記載の識別情報付与方法。
  18. 　第１構成要素と前記第１構成要素を含む第２構成要素とを備える電池の識別情報を付与する付与装置であって、
    　前記付与装置は、プロセッサ備え、
    　前記プロセッサは、
    　前記第１構成要素の種類に応じた構成を示す第１構成情報を取得し、
    　前記第１構成情報により前記第１構成要素を種類別に識別する第１識別情報を生成し、
    　前記第１識別情報を出力し、
    　前記第２構成要素の種類に応じた構成を示す第２構成情報を取得し、前記第２構成情報は、前記第１識別情報及び前記第１構成要素の個数を含み、
    　前記第２構成情報により前記第２構成要素を種類別に識別する第２識別情報を生成し、
    　前記第２識別情報を出力する、処理を実行する、
    　付与装置。
PCT/JP2022/013916 2021-04-19 2022-03-24 製造方法、生成装置、推定装置、識別情報付与方法、及び付与装置 WO2022224693A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2023516365A JPWO2022224693A1 (ja) 2021-04-19 2022-03-24
CN202280028799.8A CN117157544A (zh) 2021-04-19 2022-03-24 制造方法、生成装置、推定装置、识别信息赋予方法以及赋予装置
US18/380,436 US20240044989A1 (en) 2021-04-19 2023-10-16 Manufacturing method, generation device, estimation device, identification information imparting method, and imparting device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-070172 2021-04-19
JP2021070172 2021-04-19

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/380,436 Continuation US20240044989A1 (en) 2021-04-19 2023-10-16 Manufacturing method, generation device, estimation device, identification information imparting method, and imparting device

Publications (1)

Publication Number Publication Date
WO2022224693A1 true WO2022224693A1 (ja) 2022-10-27

Family

ID=83722067

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/013916 WO2022224693A1 (ja) 2021-04-19 2022-03-24 製造方法、生成装置、推定装置、識別情報付与方法、及び付与装置

Country Status (4)

Country Link
US (1) US20240044989A1 (ja)
JP (1) JPWO2022224693A1 (ja)
CN (1) CN117157544A (ja)
WO (1) WO2022224693A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613440A (zh) * 2019-01-17 2019-04-12 清华-伯克利深圳学院筹备办公室 电池的分级方法、装置、设备和存储介质
JP2020107577A (ja) * 2018-12-28 2020-07-09 株式会社Ｇｓユアサ データ処理装置、データ処理方法、及びコンピュータプログラム
JP2020115311A (ja) * 2019-01-18 2020-07-30 オムロン株式会社 モデル統合装置、モデル統合方法、モデル統合プログラム、推論システム、検査システム、及び制御システム
WO2020159730A1 (en) * 2019-01-31 2020-08-06 Applied Materials, Inc. Correcting component failures in ion implant semiconductor manufacturing tool
JP2020119712A (ja) * 2019-01-22 2020-08-06 株式会社東芝 蓄電池評価装置、蓄電池評価方法及び蓄電池評価システム
JP2020529022A (ja) * 2017-07-28 2020-10-01 ノーススター・バツテリー・カンパニー・エル・エル・シーＮｏｒｔｈｓｔａｒ Ｂａｔｔｅｒｙ Ｃｏｍｐａｎｙ， ＬＬＣ バッテリ情報を監視および提示するシステムおよび方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020529022A (ja) * 2017-07-28 2020-10-01 ノーススター・バツテリー・カンパニー・エル・エル・シーＮｏｒｔｈｓｔａｒ Ｂａｔｔｅｒｙ Ｃｏｍｐａｎｙ， ＬＬＣ バッテリ情報を監視および提示するシステムおよび方法
JP2020107577A (ja) * 2018-12-28 2020-07-09 株式会社Ｇｓユアサ データ処理装置、データ処理方法、及びコンピュータプログラム
CN109613440A (zh) * 2019-01-17 2019-04-12 清华-伯克利深圳学院筹备办公室 电池的分级方法、装置、设备和存储介质
JP2020115311A (ja) * 2019-01-18 2020-07-30 オムロン株式会社 モデル統合装置、モデル統合方法、モデル統合プログラム、推論システム、検査システム、及び制御システム
JP2020119712A (ja) * 2019-01-22 2020-08-06 株式会社東芝 蓄電池評価装置、蓄電池評価方法及び蓄電池評価システム
WO2020159730A1 (en) * 2019-01-31 2020-08-06 Applied Materials, Inc. Correcting component failures in ion implant semiconductor manufacturing tool

Also Published As

Publication number Publication date
CN117157544A (zh) 2023-12-01
JPWO2022224693A1 (ja) 2022-10-27
US20240044989A1 (en) 2024-02-08

Similar Documents

Publication Publication Date Title
US11644515B2 (en) Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store
KR102627949B1 (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
EP3904894B1 (en) Training device, estimation device, training method, estimation method, training program, and estimation program
TW201702623A (zh) 用於測定鋰硫電池之健康狀態及充電狀態的方法及裝置
EP3832330A1 (en) Estimation system, estimation device, estimation method, and storage medium
KR20180037760A (ko) 배터리 상태 추정 장치 및 방법
US20210367277A1 (en) Battery management device, battery information processing system, and battery information processing method
CN107533110A (zh) 用于评估二次电池的老化程度的设备和方法
KR20160067510A (ko) 배터리의 상태를 추정하는 방법 및 장치
JPWO2014119328A1 (ja) 電池状態推定装置
CN111880106B (zh) 电池荷电状态检测方法、设备、存储介质及装置
KR20240010078A (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
US20110208453A1 (en) Circuit-based method for estimating battery capacity
US11084387B2 (en) Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack
Arrinda et al. Application dependent end-of-life threshold definition methodology for batteries in electric vehicles
Jafari et al. Prediction of the battery state using the digital twin framework based on the battery management system
WO2021039018A1 (ja) 二次電池モジュールの温度推定方法、劣化状態推定方法及び寿命予測方法、二次電池モジュールの温度推定装置、劣化状態推定装置及び寿命予測装置並びに充電装置
CN115835974A (zh) 电池组的诊断方法、单体的诊断方法、电池组的诊断装置以及单体的诊断装置
JP2018009939A (ja) シミュレーション方法及びシミュレーション装置
CN115563704A (zh) 电池状态预测模型的优化方法、容量预测方法及相关装置
CN109061497A (zh) 一种电池剩余电量计量系统及方法
Selvabharathi et al. Experimental analysis on battery based health monitoring system for electric vehicle
WO2022224693A1 (ja) 製造方法、生成装置、推定装置、識別情報付与方法、及び付与装置
US20220352558A1 (en) Method for matching data of a first control unit with a second control unit for determining precise predictive values
CN112417767A (zh) 一种衰减趋势确定模型构建方法、衰减趋势确定方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22791469

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023516365

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22791469

Country of ref document: EP

Kind code of ref document: A1