WO2023106166A1 - 解析装置、予測装置、解析方法、予測方法及びプログラム - Google Patents

解析装置、予測装置、解析方法、予測方法及びプログラム Download PDF

Info

Publication number
WO2023106166A1
WO2023106166A1 PCT/JP2022/043969 JP2022043969W WO2023106166A1 WO 2023106166 A1 WO2023106166 A1 WO 2023106166A1 JP 2022043969 W JP2022043969 W JP 2022043969W WO 2023106166 A1 WO2023106166 A1 WO 2023106166A1
Authority
WO
WIPO (PCT)
Prior art keywords
factor
data
prediction
measurement data
life
Prior art date
Application number
PCT/JP2022/043969
Other languages
English (en)
French (fr)
Inventor
裕史 倉内
真平 竹本
好成 奥野
Original Assignee
株式会社レゾナック
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 株式会社レゾナック filed Critical 株式会社レゾナック
Priority to US18/555,121 priority Critical patent/US20240201265A1/en
Priority to CN202280036875.XA priority patent/CN117441108A/zh
Priority to JP2023517407A priority patent/JP7298802B1/ja
Publication of WO2023106166A1 publication Critical patent/WO2023106166A1/ja

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
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • 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 invention relates to an analysis device, a prediction device, an analysis method, a prediction method and a program.
  • the materials and designs that make up the battery are evaluated by performing charge-discharge cycle tests and measuring the life characteristics of the battery cells. Since the charge-discharge cycle test takes time, a technique is used to predict life characteristics from the measurement results of a short-time charge-discharge cycle test using a mathematical model or machine learning technology.
  • Patent Document 1 discloses an invention that evaluates the charge/discharge tendency and deterioration state based on the QV curve or dQ/dV curve of the battery.
  • Patent Document 2 discloses an invention that calculates long-term characteristic prediction data by applying an artificial neural network trained using initial characteristic learning data and long-term characteristic learning data to initial characteristic measurement data of a battery.
  • US Pat. No. 5,300,005 discloses an invention that uses data-driven predictive modeling to predict life from early cycle discharge voltage curves of battery cells.
  • Patent No. 6488105 Japanese Patent Publication No. 2010-539473 JP 2019-113524 A
  • the conventional technology has the problem that it is not possible to identify the physical phenomenon that affects the life characteristics of the battery. Unless the physical phenomenon that affects the life characteristics is identified, it is difficult to improve the life characteristics, even if it is possible to predict that there is a problem with the life characteristics.
  • the purpose of this disclosure is to present information about factors that affect battery life characteristics.
  • the present disclosure has the configuration shown below.
  • an acquisition unit configured to acquire life data from cycle measurement data of a target battery; By factorizing the relationship between the voltage and the current capacity calculated from the cycle measurement data of the target battery, factor strength transition data showing changes in the strength of each factor affecting the current capacity and the voltage of each factor a calculation unit configured to calculate factor data representing the relationship with ampacity; an output unit configured to output the lifespan data, the factor data, and the factor intensity transition data; Analysis device comprising.
  • [4] By factorizing the relationship between the voltage and the current capacity calculated from the cycle measurement data of the target battery up to a predetermined cycle, the change in the strength of each factor affecting the current capacity up to the predetermined cycle.
  • a calculation unit configured to calculate factor strength transition data indicating a generation unit configured to generate a feature amount from the factor strength transition data of each factor;
  • a predictor configured to predict life characteristics of the target battery;
  • a prediction device comprising a
  • the prediction device according to [4], An output unit configured to output a predicted value of the life characteristic and factor data representing a relationship between the voltage and the current capacity of a predetermined factor calculated from the learning cycle measurement data. , prediction device.
  • the prediction device configured to acquire, by analyzing the model, contributions to prediction of the life characteristics of the target battery for each of the feature values generated by the generating unit; an identifying unit configured to extract, from among the feature amounts generated by the generating unit, a feature amount in which the contribution mode satisfies a predetermined condition, and to identify a corresponding factor; further comprising The output unit outputs a predicted value of the life characteristic of the target battery, the factor data related to the specified factor, and a contribution mode corresponding to the specified factor, prediction device.
  • the computer an acquisition procedure for acquiring life data from the cycle measurement data of the target battery; By factorizing the relationship between the voltage and the current capacity calculated from the cycle measurement data of the target battery, factor strength transition data showing changes in the strength of each factor affecting the current capacity and the voltage of each factor A calculation procedure for calculating factor data representing the relationship with ampacity; an output procedure for outputting the lifespan data, the factor data, and the factor intensity transition data; The analysis method to perform.
  • the computer By factorizing the relationship between the voltage and the current capacity calculated from the cycle measurement data of the target battery up to a predetermined cycle, the factor that indicates the change in the strength of each factor that affects the current capacity up to the predetermined cycle. a calculation procedure for calculating intensity transition data; a generation procedure for generating a feature amount from the factor strength transition data of each factor; By inputting the feature amount generated by the generation procedure into a model that has learned the relationship between the feature amount of each factor generated based on the learning cycle measurement data up to the predetermined cycle and the life data, a prediction procedure for predicting the life characteristics of the target battery; Prediction method to perform
  • an acquisition procedure for acquiring life data from the cycle measurement data of the target battery By factorizing the relationship between the voltage and the current capacity calculated from the cycle measurement data of the target battery, factor strength transition data showing changes in the strength of each factor affecting the current capacity and the voltage of each factor
  • a calculation procedure for calculating factor data representing the relationship with ampacity an output procedure for outputting the lifespan data, the factor data, and the factor intensity transition data; program to run the
  • the factor that indicates the change in the strength of each factor that affects the current capacity up to the predetermined cycle By factorizing the relationship between the voltage and the current capacity calculated from the cycle measurement data of the target battery up to a predetermined cycle, the factor that indicates the change in the strength of each factor that affects the current capacity up to the predetermined cycle.
  • a calculation procedure for calculating intensity transition data a generation procedure for generating a feature amount from the factor strength transition data of each factor;
  • a prediction procedure for predicting the life characteristics of the target battery program to run the
  • FIG. 1 is a block diagram showing an example of the overall configuration of a battery life analysis system.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of the computer.
  • FIG. 3 is a block diagram showing an example of the functional configuration of the battery life analysis system.
  • FIG. 4 is a flow chart showing an example of the procedure of the battery life analysis method.
  • FIG. 5 is a diagram showing an example of cycle measurement data.
  • FIG. 6A is a diagram for explaining a method of obtaining life data based on the discharge capacity retention rate.
  • FIG. 6B is a diagram for explaining a method of obtaining life data based on the number of charge/discharge cycles.
  • FIG. 7A is a diagram showing an example of a QV curve.
  • FIG. 1 is a block diagram showing an example of the overall configuration of a battery life analysis system.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of the computer.
  • FIG. 3 is a block diagram showing an example of the functional configuration of
  • FIG. 7B is a diagram showing an example of a dQ/dV curve.
  • FIG. 8 is a diagram for explaining a method of generating a measurement data matrix.
  • FIG. 9 is a diagram for explaining non-negative matrix factorization.
  • FIG. 10 is a diagram for explaining factor data.
  • FIG. 11 is a diagram for explaining factor strength transition data.
  • FIG. 12 is a block diagram showing an example of the overall configuration of the battery life prediction system.
  • FIG. 13 is a block diagram showing an example of the functional configuration of the battery life prediction system.
  • FIG. 14 is a flowchart illustrating an example of a processing procedure of predictive model learning processing.
  • FIG. 15 is a flowchart illustrating an example of a processing procedure of life characteristic prediction processing.
  • FIG. 16 is a diagram showing an example of a prediction result display screen.
  • a first embodiment of the present invention is a battery life analysis system that analyzes life characteristics of a battery based on cycle measurement data of the battery.
  • the battery life analysis system in the present embodiment includes life data obtained from long-term cycle measurement data (hereinafter also referred to as "analysis cycle measurement data") of a battery to be analyzed (hereinafter also referred to as "analysis target battery”) and Output analysis results including information on factors affecting the life data. Therefore, according to the battery life analysis system of the present embodiment, the user can easily identify the factors affecting the life characteristics of the battery when there is a problem with the life characteristics of the battery to be analyzed. , it becomes possible to lead to actions for improving life characteristics.
  • the long-term cycle measurement data is the cycle measurement data when the charge-discharge cycle test is executed until the life characteristics of the battery can be measured.
  • the battery life analysis system in this embodiment performs non-negative matrix decomposition on the matrix representing the cycle measurement data, and for each factor that affects the current capacity, the voltage and the factor of each factor.
  • a factor data matrix representing the relationship with current capacity and a factor intensity transition data matrix representing changes in the intensity of each factor with charge/discharge cycles are calculated.
  • Each factor data included in the factor data matrix reflects an electrochemical reaction specific to the components of the battery. Therefore, by referring to the factor data matrix and the factor intensity transition data matrix, it becomes easy to identify the factors that strongly affect the characteristics of the battery in a certain charge/discharge cycle.
  • FIG. 1 is a block diagram showing an example of the overall configuration of a battery life analysis system according to this embodiment.
  • the battery life analysis system 1 in this embodiment includes an analysis device 10 and a user terminal 30.
  • the analysis device 10 and the user terminal 30 are connected for data communication via a communication network 90 such as a LAN (Local Area Network) or the Internet.
  • a communication network 90 such as a LAN (Local Area Network) or the Internet.
  • the analysis device 10 is an information processing device such as a PC (Personal Computer), workstation, or server that analyzes battery cycle measurement data in response to a request from the user terminal 30 .
  • the analysis device 10 receives analysis cycle measurement data from the user terminal 30 .
  • the analysis device 10 analyzes the cycle measurement data for analysis and transmits the analysis result to the user terminal 30 .
  • the analysis result includes information on the life characteristics of the battery to be analyzed and factors affecting the life characteristics of the battery to be analyzed.
  • the user terminal 30 is an information processing terminal operated by a user, such as a PC, a tablet terminal, or a smartphone.
  • the user terminal 30 accepts the input of analysis cycle measurement data and transmits it to the analysis device 10 according to the user's operation. Also, the user terminal 30 receives the analysis result from the analysis device 10 and outputs it to the user.
  • the overall configuration of the battery life analysis system 1 shown in FIG. 1 is merely an example, and various system configuration examples are possible depending on the application and purpose.
  • the analysis device 10 may be implemented by a plurality of computers, or may be implemented as a cloud computing service.
  • the battery life analysis system 1 may be realized by a stand-alone computer that has the functions that the analysis device 10 and the user terminal 30 should have.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of computer 500 in this embodiment.
  • computer 500 includes CPU (Central Processing Unit) 501, ROM (Read Only Memory) 502, RAM (Random Access Memory) 503, HDD (Hard Disk Drive) 504, input device 505, It has a display device 506 , a communication I/F (Interface) 507 and an external I/F 508 .
  • the CPU 501, ROM 502 and RAM 503 form a so-called computer.
  • Each piece of hardware of the computer 500 is interconnected via a bus line 509 .
  • the input device 505 and the display device 506 may be connected to the external I/F 508 for use.
  • the CPU 501 is an arithmetic unit that implements the overall control and functions of the computer 500 by reading programs and data from a storage device such as the ROM 502 or HDD 504 onto the RAM 503 and executing processing.
  • the ROM 502 is an example of a non-volatile semiconductor memory (storage device) that can retain programs and data even when the power is turned off.
  • the ROM 502 functions as a main storage device that stores various programs, data, etc. necessary for the CPU 501 to execute various programs installed in the HDD 504 .
  • the ROM 502 stores boot programs such as BIOS (Basic Input/Output System) and EFI (Extensible Firmware Interface) that are executed when the computer 500 is started, OS (Operating System) settings, network settings, and other data. is stored.
  • BIOS Basic Input/Output System
  • EFI Extensible Firmware Interface
  • the RAM 503 is an example of a volatile semiconductor memory (storage device) that erases programs and data when the power is turned off.
  • the RAM 503 is, for example, a DRAM (Dynamic Random Access Memory) or an SRAM (Static Random Access Memory).
  • a RAM 503 provides a work area that is expanded when various programs installed in the HDD 504 are executed by the CPU 501 .
  • the HDD 504 is an example of a non-volatile storage device that stores programs and data.
  • the programs and data stored in the HDD 504 include an OS, which is basic software that controls the entire computer 500, and applications that provide various functions on the OS.
  • the computer 500 may use a storage device using flash memory as a storage medium (for example, SSD: Solid State Drive, etc.) instead of the HDD 504 .
  • the input device 505 includes a touch panel used by the user to input various signals, operation keys and buttons, a keyboard and mouse, and a microphone for inputting sound data such as voice.
  • the display device 506 is composed of a display such as liquid crystal or organic EL (Electro-Luminescence) that displays a screen, a speaker that outputs sound data such as voice, and the like.
  • a display such as liquid crystal or organic EL (Electro-Luminescence) that displays a screen
  • a speaker that outputs sound data such as voice, and the like.
  • a communication I/F 507 is an interface for connecting to a communication network and allowing the computer 500 to perform data communication.
  • the external I/F 508 is an interface with an external device.
  • the external device includes a drive device 510 and the like.
  • a drive device 510 is a device for setting a recording medium 511 .
  • the recording medium 511 here includes media such as CD-ROMs, flexible disks, magneto-optical disks, etc. that record information optically, electrically, or magnetically.
  • the recording medium 511 may also include a semiconductor memory or the like that electrically records information, such as a ROM or a flash memory. This allows the computer 500 to read from and/or write to the recording medium 511 via the external I/F 508 .
  • Various programs installed in the HDD 504 are, for example, a distributed recording medium 511 set in the drive device 510 connected to the external I/F 508, and the various programs recorded in the recording medium 511 are read by the drive device 510. installed by Alternatively, various programs installed in HDD 504 may be installed by being downloaded from another network different from the communication network via communication I/F 507 .
  • FIG. 3 is a block diagram showing an example of the functional configuration of the battery life analysis system 1 according to this embodiment.
  • the analysis device 10 in this embodiment includes a data reception unit 101, a lifespan acquisition unit 102, a curve generation unit 103, a matrix generation unit 104, a factorization unit 105, and a result transmission unit 106. .
  • Each processing unit provided in the analysis device 10 is realized by processing that the CPU 501 is caused to execute by the program developed on the RAM 503 from the HDD 504 shown in FIG.
  • the data receiving unit 101 receives analysis cycle measurement data from the user terminal 30 .
  • the data receiving section 101 also sends the analysis cycle measurement data received from the user terminal 30 to the life acquisition section 102 and the curve generation section 103 .
  • the life acquisition unit 102 acquires life data representing the life characteristics of the battery to be analyzed based on the analysis cycle measurement data received from the data reception unit 101 .
  • the lifespan acquisition unit 102 also sends the acquired lifespan data to the result transmission unit 106 .
  • the curve generating unit 103 Based on the cycle measurement data for analysis received from the data receiving unit 101, the curve generating unit 103 generates a QV curve representing the relationship between the voltage V and the current capacity Q, or a dQ/dV curve obtained by differentiating the QV curve with respect to the voltage V. Generate. Curve generation section 103 also sends the generated QV curve or dQ/dV curve to matrix generation section 104 .
  • the matrix generation unit 104 Based on the QV curve or dQ/dV curve received from the curve generation unit 103, the matrix generation unit 104 generates a measurement data matrix representing the relationship between voltage and current capacity for each charge/discharge cycle. Matrix generation section 104 also sends the generated measurement data matrix to factorization section 105 .
  • the factorization section 105 performs non-negative matrix factorization on the measurement data matrix received from the matrix generation section 104 . As a result, factorization section 105 obtains a factor data matrix and a factor intensity transition data matrix. In addition, factorization section 105 sends the factorization result to result transmission section 106 .
  • the factorization result includes a factor data matrix and a factor intensity transition data matrix.
  • the result transmission unit 106 transmits the analysis result of the cycle measurement data for analysis to the user terminal 30 .
  • the analysis results include the lifespan data received from the lifespan acquisition unit 102 and the factorization results received from the factorization unit 105 .
  • the user terminal 30 in this embodiment has a data input section 301 and a result output section 302 .
  • Each processing unit provided in the user terminal 30 is realized by processing that the CPU 501 is caused to execute by the program developed on the RAM 503 from the HDD 504 shown in FIG.
  • the data input unit 301 accepts input of cycle measurement data for analysis according to the user's operation. Further, the data input unit 301 transmits the received cycle measurement data for analysis to the analysis device 10 .
  • the result output unit 302 receives analysis results from the analysis device 10 . Further, the result output unit 302 outputs the received analysis result to the display device 506 or the like.
  • FIG. 4 is a flow chart showing an example of the processing procedure of the battery life analysis method according to this embodiment.
  • step S101 the data input unit 301 provided in the user terminal 30 accepts input of cycle measurement data for analysis according to the user's operation.
  • the data input unit 301 transmits the received cycle measurement data for analysis to the analysis device 10 .
  • the data reception unit 101 receives analysis cycle measurement data from the user terminal 30 . Next, the data receiving section 101 sends the received analytical cycle measurement data to the life acquiring section 102 and the curve generating section 103 .
  • FIG. 5 is a diagram showing an example of cycle measurement data in this embodiment.
  • the cycle measurement data is obtained by performing a charge-discharge cycle test on a single cell of the battery and recording the sampling time and the physical property values of each cell at each sampling time.
  • the sampling time is desirably selected appropriately so as to sufficiently follow changes in physical property values, and does not have to be at regular intervals.
  • the physical property values recorded in this embodiment include the voltage applied to the cell, the current flowing through the cell, and the ampacity.
  • One cycle in the charge-discharge cycle test always includes a constant-current charging step followed by a constant-current discharging step. At this time, a step of constant voltage charging may be included between the step of constant current charging and the step of constant current discharging. A rest step may also be included between each charge/discharge step.
  • step S ⁇ b>102 the lifespan acquisition unit 102 provided in the analysis device 10 receives analysis cycle measurement data from the data reception unit 101 .
  • the life acquisition unit 102 acquires life data representing the life characteristics of the battery to be analyzed based on the cycle measurement data for analysis. Lifespan acquisition unit 102 then sends the acquired lifespan data to result transmission unit 106 .
  • FIG. 6 is a diagram illustrating a method of acquiring lifespan data.
  • the life characteristics in this embodiment are the discharge capacity retention rate (see FIG. 6A) when a predetermined charge-discharge cycle is performed. , or defined as the number of charge/discharge cycles, that is, the cycle life (see FIG. 6(B)) when the discharge capacity retention rate is below a predetermined discharge capacity retention rate.
  • the discharge capacity retention rate is the ratio of the discharge capacity measured at each cycle to the discharge capacity measured at the first cycle.
  • Figs. 6(A) and 6(B) show an example of acquiring the lifetime characteristics of one cell.
  • the life data acquired by the life acquisition unit 102 includes life characteristics acquired for each cell of the battery to be analyzed.
  • the curve of the discharge capacity retention rate itself may be used as the life data.
  • step S ⁇ b>103 the curve generation unit 103 provided in the analysis device 10 receives analysis cycle measurement data from the data reception unit 101 .
  • the curve generator 103 generates a QV curve representing the relationship between the voltage V and the current capacity Q, or a dQ/dV curve obtained by differentiating the QV curve with respect to the voltage V, based on the cycle measurement data for analysis.
  • Curve generation section 103 then sends the generated QV curve or dQ/dV curve to matrix generation section 104 . If the internal resistance of each battery cell differs significantly, it is necessary to standardize the voltage by subtracting the value of the IR drop from the voltage.
  • FIG. 7 is a diagram showing an example of a QV curve during discharge and a dQ/dV curve during discharge.
  • FIG. 7A is an example of a QV curve
  • FIG. 7B is an example of a dQ/dV curve.
  • a plurality of curves shown in FIG. 7 correspond to each charge/discharge cycle. As shown in FIG. 7, in both the QV curve and the dQ/dV curve, the entire curve changes downward (that is, the discharge capacity decreases) as the charge-discharge cycle progresses. can be seen (see the cycle change arrows in each figure).
  • the QV curve and the dQ/dV curve it is known that a specific voltage range corresponds to the battery components (positive and negative electrode active materials, electrolyte additive, etc.).
  • the QV curve and the dQ/dV curve are results obtained by superimposing patterns for each component of the battery, and it is known that the mixing amount of each pattern changes as the charge/discharge cycle progresses.
  • the QV curve and the dQ/dV curve are decomposed into patterns of components corresponding to each member, and the mixture amount of each component in each charge/discharge cycle is known, the change in battery characteristics in a specific charge/discharge cycle can be affected. This is useful information for identifying the given member. For example, if the discharge capacity of a battery suddenly decreases after a specific charge/discharge cycle, it can be assumed that there was some problem with the material whose mixture amount changed significantly around that cycle. .
  • step S ⁇ b>104 the matrix generation unit 104 included in the analysis device 10 receives the QV curve or the dQ/dV curve from the curve generation unit 103 .
  • matrix generator 104 generates a measurement data matrix representing the relationship between voltage and current capacity for each charge/discharge cycle based on the QV curve or dQ/dV curve.
  • Matrix generation section 104 then sends the generated measurement data matrix to factorization section 105 .
  • FIG. 8 is a diagram illustrating a method of generating a measurement data matrix for a QV curve during discharge.
  • Each table on the left side shown in FIG. 8 is a matrix summarizing the QV curves during discharge of each charge/discharge cycle for each cell of the battery, with the cycle number as the row and the voltage V value as the column.
  • Q 111 in the table is the value of discharge capacity at cell 1, cycle 1, voltage V1 .
  • the voltage grids V 1 , V 2 , . choose wisely so that you can follow suit. If the current capacities Q at the voltage grids V 1 , V 2 , .
  • the table on the right side shown in FIG. 8 is a matrix obtained by stacking the matrices corresponding to the cells on the left side in order of cell number. This produces a single matrix (measurement data matrix) representing all cycle measurement data corresponding to each cell of the battery. If the capacity of each battery cell is different, it is necessary to standardize such as dividing the current capacity by the design capacity when stacking.
  • step S105 the factorization unit 105 included in the analysis device 10 performs non-negative matrix factorization on the measurement data matrix received from the matrix generation unit 104 to calculate a factor data matrix and a factor intensity transition data matrix.
  • the factor data matrix represents the relationship between voltage and ampacity for each factor that affects ampacity.
  • the factor intensity transition data matrix represents changes in the intensity of each factor with charge/discharge cycles.
  • the intensity of each factor is the magnitude of the amount of each factor mixed with respect to the whole.
  • Factorization section 105 then sends the factorization result including the factor data matrix and the factor strength transition data matrix to result transmission section 106 .
  • FIG. 9 is a diagram illustrating the results of non-negative matrix factorization of the measurement data matrix shown in FIG. 8.
  • NMF Non-negative matrix factorization
  • Each column of the base matrix is also called a base vector, and each column of the coefficient matrix is also called a coefficient vector.
  • the measurement data matrix X can be approximated by the product of the factor data matrix H and the factor intensity transition data matrix W, as shown in FIG.
  • the factor data matrix H corresponds to the base matrix
  • Each base vector H 1 , H 2 , . . . included in the factor data matrix H is hereinafter referred to as “factor data”.
  • each coefficient vector W 1 , W 2 , . . . included in the factor strength transition data matrix W is called “factor strength transition data”.
  • Factor data represents the relationship between voltage and ampacity for each member.
  • Factor intensity transition data represents changes in intensity of each factor data associated with charge/discharge cycles.
  • FIG. 10 is a diagram illustrating the factor data shown in FIG. 9;
  • the first row of the table shown in FIG. 10 is a graph plotting the factor data H 11 , H 12 , .
  • the second row of the table shown in FIG. 10 is a graph plotting the factor data H 21 , H 22 , .
  • the QV curve pattern differs for each factor. Since the specific voltage ranges are derived from the battery components as described above, the factor data patterns correspond to the battery components.
  • FIG. 11 is a diagram exemplifying the factor strength transition data shown in FIG.
  • a column of the table shown in FIG. 11 corresponds to each cell of the battery and a row corresponds to each factor.
  • the first column of the table shown in FIG. 11 represents the transition of the intensity of each factor in the QV curve of cell 1 of the battery with charge/discharge cycles.
  • the 1st row, 1st column of the table shown in FIG. 11 shows factor strength transition data W 111 , W 112 , . 1 is a graph plotted as intensity;
  • the intensity of factor 1 in cell 1 of the battery does not change significantly as the charge and discharge cycles progress, but the intensity of factor 2 does not change as the charge and discharge cycles progress. It can be seen that it is declining.
  • the second column of the table shown in FIG. 11 the same can be said for cell 2 as for cell 1, but it can be seen that the initial strength of factor 2 is less than cell 1.
  • the number of factors in the non-negative matrix factorization must be the minimum number while sufficiently reducing the error when approximating the measurement data matrix X by the product of the factor data matrix H and the factor intensity transition data matrix W. not.
  • Bayes information criterion, Akaike information criterion, Malinowski's IND function, and maximum likelihood estimation can be used as methods for determining the optimum number of factors.
  • step S104 The processing procedure from step S104 to step S105 for the QV curve during discharge has been described above.
  • similar processing can be performed by appropriately replacing the above description and FIGS. 8 to 10 .
  • step S ⁇ b>106 the result transmission unit 106 included in the analysis device 10 receives lifespan data from the lifespan acquisition unit 102 . Also, the result transmission unit 106 receives the factorization result from the factorization unit 105 . Then, the result transmitting unit 106 transmits the analysis results including the lifespan data and the factorization results to the user terminal 30 .
  • the result output unit 302 receives the analysis result from the analysis device 10 . Then, the result output unit 302 outputs the received analysis result to the display device 506 or the like.
  • the battery life analysis system 1 in this embodiment analyzes battery cycle measurement data and outputs the analysis results to the user.
  • the analysis results include information about the life characteristics of the battery and factors affecting the life characteristics of the battery. Therefore, according to the battery life analysis system 1 of the present embodiment, when there is a problem with the life characteristics of the battery, the user can easily identify the members that affect the life characteristics, thereby improving the life characteristics. It is possible to connect to actions for
  • a second embodiment of the present invention is a battery life prediction system that predicts the life characteristics of a battery based on cycle measurement data of the battery.
  • the battery life prediction system in the present embodiment uses long-term cycle measurement data (hereinafter also referred to as “learning cycle measurement data”) of a battery to be learned (hereinafter also referred to as “learning target battery”) to create a prediction model.
  • Life of the prediction target battery is calculated from the initial cycle measurement data (hereinafter also referred to as "prediction cycle measurement data") of the prediction target battery (hereinafter also referred to as the "prediction target battery”) by learning and using the prediction model. Predict properties.
  • the battery life prediction system outputs, to the user, the predicted value of the life characteristic of the battery to be predicted, as well as information on the factors affecting the life characteristic of the battery. Therefore, when it is predicted that there is a problem with the life characteristics of the battery to be predicted, the user can easily identify the factors affecting the life characteristics of the battery, and can find ways to improve the life characteristics. It can be linked to action.
  • the initial cycle measurement data is the cycle measurement data when the charge/discharge cycle test is executed from the start to the predetermined number of predicted execution cycles.
  • the predicted number of execution cycles may be any number as long as it is shorter than the expected cycle life, and may be set to 100 cycles, for example.
  • FIG. 12 is a block diagram showing an example of the overall configuration of the battery life prediction system according to this embodiment.
  • the battery life prediction system 2 in this embodiment includes a prediction device 20 and a user terminal 30.
  • the prediction device 20 and the user terminal 30 are connected for data communication via a communication network 90 such as a LAN (Local Area Network) or the Internet.
  • a communication network 90 such as a LAN (Local Area Network) or the Internet.
  • the prediction device 20 is an information processing device such as a PC (Personal Computer), workstation, or server that predicts battery life characteristics in response to a request from the user terminal 30 .
  • the prediction device 20 receives learning cycle measurement data and prediction cycle measurement data from the user terminal 30 .
  • the prediction device 20 learns a prediction model for predicting battery life characteristics based on the learning cycle measurement data.
  • the prediction device 20 uses the prediction model to predict life characteristics from the cycle measurement data for prediction, and transmits the prediction result to the user terminal 30 .
  • the prediction result includes the predicted value of the life characteristics of the battery to be predicted and information on factors affecting the life characteristics of the battery.
  • the user terminal 30 is an information processing terminal operated by a user, such as a PC, a tablet terminal, or a smartphone.
  • the user terminal 30 accepts inputs of learning cycle measurement data and prediction cycle measurement data and transmits them to the prediction device 20 according to the user's operation. Also, the user terminal 30 receives the prediction result from the prediction device 20 and outputs it to the user.
  • the overall configuration of the battery life prediction system 2 shown in FIG. 12 is an example, and various system configuration examples are possible depending on the application and purpose.
  • the prediction device 20 may be implemented by a plurality of computers or may be implemented as a cloud computing service.
  • the prediction device 20 and the user terminal 30 may be realized by a stand-alone computer having the functions that the prediction device 20 and the user terminal 30 should have.
  • the prediction device 20 and the user terminal 30 in this embodiment are realized by a computer 500 as shown in FIG. 2, for example.
  • FIG. 13 is a block diagram showing an example of the functional configuration of the battery life prediction system 2 in this embodiment.
  • the prediction device 20 in this embodiment includes a data reception unit 201, a lifespan acquisition unit 202, a curve generation unit 203, a matrix generation unit 204, a factorization unit 205, a feature amount generation unit 206, A model learning unit 207 , a model storage unit 208 , a lifespan prediction unit 209 , a model analysis unit 210 , a factor identification unit 211 , a result transmission unit 212 and a factor data storage unit 213 are provided.
  • Each processing unit (excluding the model storage unit 208 and the factor data storage unit 213) provided in the prediction device 20 is realized by processing that is executed by the CPU 501 from the HDD 504 shown in FIG. .
  • the model storage unit 208 and the factor data storage unit 213 included in the prediction device 20 are implemented using, for example, the HDD 504 shown in FIG.
  • the data receiving unit 201 receives learning cycle measurement data and prediction cycle measurement data from the user terminal 30 .
  • the data receiving unit 201 also sends the received learning cycle measurement data to the life acquisition unit 202 and the curve generation unit 203 .
  • the data receiving section 201 sends the received prediction cycle measurement data to the curve generating section 203 .
  • the life acquisition unit 202 acquires life data representing battery life characteristics based on the learning cycle measurement data received from the data reception unit 201 .
  • the lifespan acquisition unit 202 also sends the acquired lifespan data to the model learning unit 207 .
  • the curve generator 203 generates a QV curve or a dQ/dV curve based on the learning cycle measurement data received from the data receiver 201 . Also, the curve generator 203 generates a QV curve or a dQ/dV curve based on the cycle measurement data for prediction received from the data receiver 201 . Further, curve generation section 203 sends the generated QV curve or dQ/dV curve to matrix generation section 204 .
  • the matrix generation unit 204 Based on the QV curve or dQ/dV curve received from the curve generation unit 203, the matrix generation unit 204 generates a measurement data matrix representing the relationship between voltage and current capacity for each charge/discharge cycle. Matrix generation section 204 also sends the generated measurement data matrix to factorization section 205 .
  • the factorization section 205 performs non-negative matrix factorization on the measurement data matrix received from the matrix generation section 204 . As a result, the factorization unit 205 obtains a factor data matrix and a factor intensity transition data matrix. The factorization unit 205 stores the factor data matrix in the factor data storage unit 213 when performing non-negative matrix factorization on the learning cycle measurement data. On the other hand, when the factorization unit 205 performs non-negative matrix factorization on the prediction cycle measurement data, the factor data matrix stored in the factor data storage unit 213 is used, and the factor strength transition data matrix is: Generated by inverting the stored factor data matrix against the measurement data matrix. Furthermore, in either case, the factorization unit 205 sends the factorization result to the feature quantity generation unit 206 and the result transmission unit 212 .
  • the factorization result includes a factor data matrix and a factor intensity transition data matrix.
  • the factor data storage unit 213 stores the factor data matrix generated by the factorization unit 205 based on the learning cycle measurement data.
  • the feature amount generation unit 206 extracts predetermined feature amounts from the factor strength transition data matrix received from the factorization unit 205 .
  • the feature amount generation unit 206 sends the extracted feature amount to the model learning unit 207 .
  • the feature amount generation unit 206 sends the extracted feature amount to the life prediction unit 209 .
  • the model learning unit 207 adds the lifespan data received from the lifespan acquisition unit 202 to the feature quantity received from the feature quantity generation unit 206 . Thereby, the model learning unit 207 generates learning data. The model learning unit 207 also uses the generated learning data to learn a prediction model that uses the feature quantity as the explanatory variable and the life span data as the objective variable. Furthermore, the model learning unit 207 stores the learned prediction model in the model storage unit 208 .
  • the model storage unit 208 stores a prediction model that has learned the relationship between the feature amount and the life data, generated by the model learning unit 207 based on the cycle measurement data.
  • the lifespan prediction unit 209 calls the prediction model stored in the model storage unit 208, and inputs the feature quantity received from the feature quantity generation unit 206 into the prediction model. Thereby, the life prediction unit 209 predicts the life characteristics of the battery to be predicted. The life prediction unit 209 also sends the predicted value of the life characteristics to the result transmission unit 212 .
  • the model analysis unit 210 analyzes the prediction models stored in the model storage unit 208, and obtains the mode of contribution to prediction of lifespan characteristics for each feature amount.
  • the model analysis unit 210 also sends the contribution mode information to the factor identification unit 211 .
  • the contribution mode information includes a contribution mode related to each feature amount.
  • the factor identification unit 211 Based on the contribution mode information received from the model analysis unit 210, the factor identification unit 211 extracts feature quantities whose contribution modes satisfy predetermined conditions. Further, the factor identifying unit 211 identifies factors corresponding to the extracted feature amounts. Furthermore, the factor identification unit 211 sends important factor information to the result transmission unit 212 .
  • the important factor information includes factor data corresponding to the specified factor and the contribution mode of the feature quantity corresponding to the factor.
  • the result transmission unit 212 transmits the prediction result of the life characteristics of the battery to be predicted to the user terminal 30 .
  • the prediction result includes the predicted value of lifespan characteristics received from the lifespan prediction unit 209 and the important factor information received from the factor identification unit 211 .
  • the user terminal 30 in this embodiment has a data input section 301 and a result output section 302 .
  • the data input unit 301 accepts input of learning cycle measurement data and prediction cycle measurement data according to the user's operation.
  • the data input unit 301 also transmits the received learning cycle measurement data and prediction cycle measurement data to the prediction device 20 .
  • the result output unit 302 receives prediction results from the prediction device 20 . Further, the result output unit 302 outputs the received prediction result to the display device 506 or the like.
  • the battery life prediction method in this embodiment includes prediction model learning processing and life characteristic prediction processing.
  • FIG. 14 is a flowchart showing an example of the processing procedure of prediction model learning processing in this embodiment.
  • step S201 the data input unit 301 provided in the user terminal 30 accepts input of learning cycle measurement data according to the user's operation.
  • the data input unit 301 transmits the received learning cycle measurement data to the prediction device 20 .
  • the data receiving section 201 receives learning cycle measurement data from the user terminal 30 . Next, the data receiving section 201 sends the received learning cycle measurement data to the life acquisition section 202 and the curve generation section 203 .
  • step S ⁇ b>202 the life acquisition unit 202 provided in the prediction device 20 receives learning cycle measurement data from the data reception unit 201 .
  • the lifespan acquisition unit 202 acquires lifespan data representing lifespan characteristics of the learning target battery based on the learning cycle measurement data.
  • the lifespan acquisition unit 202 then sends the acquired lifespan data to the model learning unit 207 .
  • step S203 the curve generation unit 203 included in the prediction device 20 receives the learning cycle measurement data from the data reception unit 201.
  • the curve generator 203 generates a QV curve or a dQ/dV curve based on the learning cycle measurement data.
  • Curve generation section 203 then sends the generated QV curve or dQd/dV curve to matrix generation section 204 .
  • step S204 the matrix generation unit 204 included in the prediction device 20 receives the QV curve or the dQ/dV curve from the curve generation unit 203.
  • matrix generation section 204 generates a measurement data matrix based on the QV curve or the dQ/dV curve.
  • Matrix generation section 204 then sends the generated measurement data matrix to factorization section 205 .
  • step S205 the factorization unit 205 included in the prediction device 20 performs non-negative matrix factorization on the measured data matrix received from the matrix generation unit 204 to calculate a factor data matrix and a factor intensity transition data matrix.
  • factorization section 205 stores the factor data matrix in factor data storage section 213 .
  • the factorization unit 205 sends the factorization result including the factor data matrix and the factor intensity transition data matrix to the feature amount generation unit 206 .
  • step S ⁇ b>206 the feature amount generation unit 206 provided in the prediction device 20 receives the factorization result from the factorization unit 205 .
  • the feature amount generation unit 206 extracts a predetermined feature amount from the factor strength transition data matrix included in the factorization result.
  • the feature quantity generation unit 206 then sends the extracted feature quantity to the model learning unit 207 .
  • the feature amount generation unit 206 extracts feature amounts from factor strength transition data up to a predetermined number of prediction execution cycles.
  • the feature quantity is the final strength, the final slope, etc. when the factor strength transition data up to the predicted number of execution cycles is plotted on a graph as shown in FIG.
  • the feature quantity includes a feature quantity corresponding to each cell of the learning target battery.
  • step S ⁇ b>207 the model learning unit 207 included in the prediction device 20 receives feature amounts from the feature amount generation unit 206 .
  • the model learning unit 207 also receives lifespan data from the lifespan acquisition unit 202 .
  • the model learning unit 207 generates learning data by adding lifespan data to the feature amount.
  • the model learning unit 207 uses the generated learning data to learn a prediction model that uses the feature quantity as the explanatory variable and the life span data as the objective variable.
  • the model learning unit 207 then stores the learned prediction model in the model storage unit 208 .
  • FIG. 15 is a flow chart showing an example of the processing procedure of life characteristic prediction processing in this embodiment.
  • step S201 the data input unit 301 provided in the user terminal 30 accepts input of predictive cycle measurement data according to the user's operation.
  • the data input unit 301 transmits the received cycle measurement data for prediction to the prediction device 20 .
  • the data receiving section 201 receives prediction cycle measurement data from the user terminal 30 . Next, the data receiving section 201 sends the received prediction cycle measurement data to the curve generating section 203 .
  • steps S203 and S204 is the same as the prediction model learning processing.
  • step S205 the factorization unit 205 included in the prediction device 20 performs non-negative matrix factorization on the measured data matrix received from the matrix generation unit 204 to calculate a factor data matrix and a factor intensity transition data matrix.
  • the factor data matrix stored in the factor data storage unit 213 is used.
  • the factor intensity transition data matrix is generated by multiplying the measured data matrix by the inverse matrix of the factor data matrix.
  • the factorization unit 205 sends the factorization result including the factor data matrix and the factor intensity transition data matrix to the feature amount generation unit 206 .
  • step S206 is the same as the prediction model learning processing. However, the feature quantity generation unit 206 sends the extracted feature quantity to the life prediction unit 209 .
  • step S ⁇ b>209 the life prediction unit 209 provided in the prediction device 20 calls the prediction model stored in the model storage unit 208 and receives the feature amount from the feature amount generation unit 206 .
  • the life prediction unit 209 predicts the life characteristics of the prediction target battery by inputting the received feature quantity into the called prediction model.
  • the life prediction unit 209 then sends the predicted value of the life characteristics to the result transmission unit 212 .
  • step S210 the model analysis unit 210 included in the prediction device 20 analyzes the prediction models stored in the model storage unit 208, and obtains the contributions to the prediction of lifespan characteristics for each feature amount.
  • the model analysis unit 210 also sends contribution mode information including the contribution mode for each feature amount to the factor identification unit 211 .
  • the model analysis unit 210 analyzes the prediction model by, for example, referring to regression coefficients and Shapley value analysis.
  • contribution mode information which is information representing the mode of contribution to the predicted value, is obtained for each feature amount used for prediction. Since each feature amount corresponds to each factor, it can be said that the contribution mode obtained by the analysis represents the contribution mode for each factor.
  • the contribution mode desirably contains quantitative information about the positive and negative effects on the predicted value when the feature value takes a certain value.
  • step S ⁇ b>211 the factor identification unit 211 included in the prediction device 20 receives contribution mode information from the model analysis unit 210 .
  • the factor identifying unit 211 extracts a feature amount whose contribution mode satisfies a predetermined condition based on the received contribution mode information.
  • the factor identification unit 211 identifies factors corresponding to the extracted feature amounts.
  • the factor identification unit 211 then sends important factor information about the identified factors to the result transmission unit 212 .
  • the important factor information includes factor data corresponding to the extracted feature amount, its contribution mode, and the specified factor.
  • Predetermined conditions for the factor identification unit 211 to extract the feature amount are, for example, that the contribution mode is equal to or greater than a predetermined value, that the contribution mode is equal to or less than a predetermined value, or that the absolute value of the contribution mode is greater than a predetermined value. , a predetermined number from the top when the contribution modes are sorted in descending order, or any other conditions based on the contribution modes.
  • step S ⁇ b>212 the result transmission unit 212 provided in the prediction device 20 receives the predicted value of life characteristics from the life prediction unit 209 . Also, the result transmission unit 212 receives important factor information from the factor identification unit 211 . Then, the result transmitting unit 212 transmits to the user terminal 30 the prediction result including the predicted value of the life characteristic and the important factor information.
  • the result output unit 302 receives the prediction result from the prediction device 20 . Then, the result output unit 302 outputs the received prediction result to the display device 506 or the like.
  • FIG. 16 is a diagram showing an example of a prediction result display screen for the user terminal 30 to display the prediction result.
  • the prediction result display screen 1000 in this embodiment has a predicted lifespan display column 1001, an important factor display column 1010, and a contribution mode display column 1020.
  • the predicted life span display field 1001 displays predicted values of life characteristics included in the prediction result.
  • the important factor display column 1010 displays the factor data included in the important factor information in descending order of contribution mode.
  • the contribution mode display field 1020 displays the contribution mode included in the important factor information.
  • the contribution mode display field 1020 displays the feature quantity and the contribution mode corresponding to each factor data included in the important factor information. For example, in the contribution mode display field 1020 in FIG. 16, for the feature amount A and the feature amount B corresponding to the important factor ⁇ , the value of the feature amount and the plot of the contribution to the predicted life by taking the value are displayed. . In the plot, learning data are indicated by circles, and prediction target batteries are indicated by stars. The plot of the feature amount A shows the mode of contribution that the larger the value of the feature amount, the longer the life span. On the other hand, the plot of the feature amount B shows a contribution mode opposite to that of the feature amount A, that is, the larger the value of the feature amount, the longer the life span.
  • the user can obtain the predicted value of the life characteristic of the battery to be predicted, the factor data related to the factor affecting the prediction result, and how the factor contributes to the prediction result. It is possible to obtain information indicating whether the Since the battery component can be identified from the pattern indicated by the factor data, the user can guess the component causing the problem, such as a short predicted cycle life, and take corrective measures. It can be used as a reference for consideration.
  • the battery life prediction system 2 uses a prediction model learned using cycle measurement data for learning to predict life characteristics of a battery to be predicted from the cycle measurement data for prediction. At this time, the battery life prediction system 2 outputs to the user a prediction result including information on factors affecting life characteristics. Therefore, according to the battery life prediction system 2 of the present embodiment, when it is predicted that there is a problem with the life characteristics of the battery to be predicted, the user can easily identify the members that affect the life characteristics. , it becomes possible to lead to actions for improving life characteristics.
  • the battery life prediction system 2 in this embodiment can predict the life characteristics from the cycle measurement data of the charge/discharge cycle test up to the predicted execution cycle number, so that the cycle measurement data used for prediction can be obtained in a short time. can be done. Therefore, it is possible to shorten the time required to analyze and improve the life characteristics of the battery to be predicted.
  • the battery life prediction system 2 in the present embodiment analyzes the contribution mode of each feature value from the learned prediction model, and presents the predicted value of the life characteristic and the factor data related to the factors that strongly affect the prediction result. can do. Therefore, the user can preferentially consider members that strongly affect the service life characteristics, and can quickly identify the cause of problems in the service life characteristics.
  • the factorization unit 105 and the factorization unit 205 are examples of calculation units.
  • the model analysis unit 210 is an example of an acquisition unit.
  • the result transmission unit 106 and the result transmission unit 212 are examples of output units.
  • processing circuit means a processor programmed by software to perform each function, such as a processor implemented by an electronic circuit, or a processor designed to perform each function described above.
  • ASIC Application Specific Integrated Circuit
  • DSP digital signal processor
  • FPGA field programmable gate array
  • analysis device 10 or prediction device 20 includes multiple computing devices, such as server clusters. Multiple computing devices are configured to communicate with each other over any type of communication link, including a network, shared memory, etc., to perform the processes disclosed herein.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

バッテリーの寿命特性に影響を与える要因に関する情報を提示する。解析装置は、対象バッテリーのサイクル測定データから寿命データを取得するように構成された取得部と、対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、電流容量に影響を与える各因子の強度の変化を示す因子強度推移データ及び各因子の電圧と電流容量との関係を表す因子データを算出するように構成された算出部と、寿命データ、因子データ及び因子強度推移データを出力するように構成された出力部と、を備える。

Description

解析装置、予測装置、解析方法、予測方法及びプログラム
　この発明は、解析装置、予測装置、解析方法、予測方法及びプログラムに関する。
　バッテリーの研究開発においては、充放電サイクル試験を行い、バッテリーセルの寿命特性を測定することによって、バッテリーを構成する材料や設計を評価することが行われる。充放電サイクル試験には時間を要するため、数理モデル又は機械学習技術を用いて、短時間の充放電サイクル試験の測定結果から寿命特性を予測する技術が用いられている。
　例えば、特許文献１には、バッテリーのＱＶ曲線又はｄＱ／ｄＶ曲線に基づいて充放電傾向及び劣化状態を評価する発明が開示されている。特許文献２には、バッテリーの初期特性測定データに、初期特性学習データ及び長期特性学習データを用いて学習した人工神経網を適用することで、長期特性予測データを算出する発明が開示されている。特許文献３には、データ駆動型予測モデリングを使用して、電池セルの早期サイクル放電電圧曲線から寿命を予測する発明が開示されている。
特許第６４８８１０５号 特表２０１０－５３９４７３号公報 特開２０１９－１１３５２４号公報
　しかしながら、従来技術では、バッテリーの寿命特性に影響を与える物理現象を特定することができない、という課題があった。寿命特性に影響を与える物理現象を特定できなければ、寿命特性に問題があることを予測できたとしても、改善することは困難である。
　本開示は、バッテリーの寿命特性に影響を与える要因に関する情報を提示することを目的とする。
　本開示は、以下に示す構成を備える。
　［１］　対象バッテリーのサイクル測定データから寿命データを取得するように構成された取得部と、
　前記対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の変化を示す因子強度推移データ及び各因子の電圧と電流容量との関係を表す因子データを算出するように構成された算出部と、
　前記寿命データ、前記因子データ及び前記因子強度推移データを出力するように構成された出力部と、
　を備える解析装置。
　［２］　［１］に記載の解析装置であって、
　前記電圧と前記電流容量との関係は、前記サイクル測定データから生成されるＱＶ曲線又はｄＱ／ｄＶ曲線に基づいて算出される、
　解析装置。
　［３］　［２］に記載の解析装置であって、
　前記算出部は、非負値行列因子分解により前記因子分解を行う、
　解析装置。
　［４］　所定サイクルまでの対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の、前記所定サイクルまでの変化を示す因子強度推移データを算出するように構成された算出部と、
　各因子の前記因子強度推移データから、特徴量を生成するように構成された生成部と、
　前記所定サイクルまでの学習用サイクル測定データに基づいて生成された各因子の特徴量と、寿命データとの関係を学習したモデルに、前記生成部により生成された特徴量を入力することで、前記対象バッテリーの寿命特性を予測するように構成された予測部と、
　を備える予測装置。
　［５］　［４］に記載の予測装置であって、
　前記寿命特性の予測値と、前記学習用サイクル測定データから算出された所定の因子の前記電圧と前記電流容量との関係を表す因子データと、を出力するように構成された出力部をさらに備える、
　予測装置。
　［６］　［５］に記載の予測装置であって、
　前記モデルを解析することで、前記生成部により生成された特徴量それぞれについて、前記対象バッテリーの前記寿命特性の予測に対する寄与態様を取得するように構成された取得部と、
　前記生成部により生成された特徴量のうち、前記寄与態様が所定の条件を満たす特徴量を抽出し、対応する因子を特定するように構成された特定部と、
　をさらに備え、
　前記出力部は、前記対象バッテリーの寿命特性の予測値と、前記特定した因子に関する前記因子データと、前記特定した因子に対応する寄与態様と、を出力する、
　予測装置。
　［７］　コンピュータが、
　対象バッテリーのサイクル測定データから寿命データを取得する取得手順と、
　前記対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の変化を示す因子強度推移データ及び各因子の電圧と電流容量との関係を表す因子データを算出する算出手順と、
　前記寿命データ、前記因子データ及び前記因子強度推移データを出力する出力手順と、
　を実行する解析方法。
　［８］　コンピュータが、
　所定サイクルまでの対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の、前記所定サイクルまでの変化を示す因子強度推移データを算出する算出手順と、
　各因子の前記因子強度推移データから、特徴量を生成する生成手順と、
　前記所定サイクルまでの学習用サイクル測定データに基づいて生成された各因子の特徴量と、寿命データとの関係を学習したモデルに、前記生成手順により生成された特徴量を入力することで、前記対象バッテリーの寿命特性を予測する予測手順と、
　を実行する予測方法。
　［９］　コンピュータに、
　対象バッテリーのサイクル測定データから寿命データを取得する取得手順と、
　前記対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の変化を示す因子強度推移データ及び各因子の電圧と電流容量との関係を表す因子データを算出する算出手順と、
　前記寿命データ、前記因子データ及び前記因子強度推移データを出力する出力手順と、
　を実行させるためのプログラム。
　［１０］　コンピュータに、
　所定サイクルまでの対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の、前記所定サイクルまでの変化を示す因子強度推移データを算出する算出手順と、
　各因子の前記因子強度推移データから、特徴量を生成する生成手順と、
　前記所定サイクルまでの学習用サイクル測定データに基づいて生成された各因子の特徴量と、寿命データとの関係を学習したモデルに、前記生成手順により生成された特徴量を入力することで、前記対象バッテリーの寿命特性を予測する予測手順と、
　を実行させるためのプログラム。
　本開示によれば、バッテリーの寿命特性に影響を与える要因に関する情報を提示することができる。
図１は、バッテリー寿命解析システムの全体構成の一例を示すブロック図である。 図２は、コンピュータのハードウェア構成の一例を示すブロック図である。 図３は、バッテリー寿命解析システムの機能構成の一例を示すブロック図である。 図４は、バッテリー寿命解析方法の処理手順の一例を示すフローチャートである。 図５は、サイクル測定データの一例を示す図である。 図６（Ａ）は、放電容量維持率に基づく寿命データの取得方法を説明するための図である。図６（Ｂ）は、充放電サイクル数に基づく寿命データの取得方法を説明するための図である。 図７（Ａ）は、ＱＶ曲線の一例を示す図である。図７（Ｂ）は、ｄＱ／ｄＶ曲線の一例を示す図である。 図８は、測定データ行列の生成方法を説明するための図である。 図９は、非負値行列因子分解を説明するための図である。 図１０は、因子データを説明するための図である。 図１１は、因子強度推移データを説明するための図である。 図１２は、バッテリー寿命予測システムの全体構成の一例を示すブロック図である。 図１３は、バッテリー寿命予測システムの機能構成の一例を示すブロック図である。 図１４は、予測モデル学習処理の処理手順の一例を示すフローチャートである。 図１５は、寿命特性予測処理の処理手順の一例を示すフローチャートである。 図１６は、予測結果表示画面の一例を示す図である。
　以下、本発明の各実施形態について添付の図面を参照しながら説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
　［第１実施形態］
　本発明の第１実施形態は、バッテリーのサイクル測定データに基づいて、当該バッテリーの寿命特性を解析するバッテリー寿命解析システムである。本実施形態におけるバッテリー寿命解析システムは、解析対象とするバッテリー（以下、「解析対象バッテリー」とも呼ぶ）の長期サイクル測定データ（以下、「解析用サイクル測定データ」とも呼ぶ）から取得した寿命データ及び当該寿命データに影響を与えた要因に関する情報を含む解析結果を出力する。したがって、本実施形態におけるバッテリー寿命解析システムによれば、ユーザは、解析対象バッテリーの寿命特性に問題がある場合に、当該バッテリーの寿命特性に影響を与えている要因を特定することが容易になり、寿命特性を改善するためのアクションに繋げることが可能となる。
　なお、長期サイクル測定データとは、バッテリーの寿命特性を実測できるまで充放電サイクル試験を実行したときのサイクル測定データである。
　上記の機能を実現するために、本実施形態におけるバッテリー寿命解析システムは、サイクル測定データを表す行列に対して非負値行列分解を行い、電流容量に影響を与える各因子について、各因子の電圧と電流容量との関係を表す因子データ行列と、充放電サイクルに伴う各因子の強度の変化を表す因子強度推移データ行列とを算出する。因子データ行列に含まれる各因子データは、バッテリーの部材に固有の電気化学反応を反映したものとなる。したがって、因子データ行列及び因子強度推移データ行列を参照すれば、ある充放電サイクルにおいてバッテリーの特性に影響を強く与えている要因を特定することが容易になる。
　＜バッテリー寿命解析システムの全体構成＞
　まず、本実施形態におけるバッテリー寿命解析システムの全体構成を、図１を参照しながら説明する。図１は、本実施形態におけるバッテリー寿命解析システムの全体構成の一例を示すブロック図である。
　図１に示されているように、本実施形態におけるバッテリー寿命解析システム１は、解析装置１０及びユーザ端末３０を含む。解析装置１０及びユーザ端末３０はＬＡＮ（Local Area Network）又はインターネット等の通信ネットワーク９０を介してデータ通信可能に接続されている。
　解析装置１０は、ユーザ端末３０からの要求に応じて、バッテリーのサイクル測定データを解析するＰＣ（Personal Computer）、ワークステーション、サーバ等の情報処理装置である。解析装置１０は、ユーザ端末３０から解析用サイクル測定データを受信する。また、解析装置１０は、解析用サイクル測定データを解析し、解析結果をユーザ端末３０に送信する。当該解析結果には、解析対象バッテリーの寿命特性、及び解析対象バッテリーの寿命特性に影響を与える要因に関する情報が含まれる。
　ユーザ端末３０は、ユーザが操作するＰＣ、タブレット端末、スマートフォン等の情報処理端末である。ユーザ端末３０は、ユーザの操作に応じて、解析用サイクル測定データの入力を受け付け、解析装置１０に送信する。また、ユーザ端末３０は、解析装置１０から解析結果を受信し、ユーザに対して出力する。
　なお、図１に示したバッテリー寿命解析システム１の全体構成は一例であって、用途や目的に応じて様々なシステム構成例があり得る。例えば、解析装置１０は、複数台のコンピュータにより実現してもよいし、クラウドコンピューティングのサービスとして実現してもよい。また、例えば、バッテリー寿命解析システム１は、解析装置１０及びユーザ端末３０が備えるべき機能を兼ね備えたスタンドアローンのコンピュータにより実現してもよい。
　＜バッテリー寿命解析システムのハードウェア構成＞
　次に、本実施形態におけるバッテリー寿命解析システム１のハードウェア構成を、図２を参照しながら説明する。
　≪コンピュータのハードウェア構成≫
　本実施形態における解析装置１０及びユーザ端末３０は、例えばコンピュータにより実現される。図２は、本実施形態におけるコンピュータ５００のハードウェア構成の一例を示すブロック図である。
　図２に示されているように、コンピュータ５００は、ＣＰＵ（Central Processing Unit）５０１、ＲＯＭ（Read Only Memory）５０２、ＲＡＭ（Random Access Memory）５０３、ＨＤＤ（Hard Disk Drive）５０４、入力装置５０５、表示装置５０６、通信Ｉ／Ｆ（Interface）５０７及び外部Ｉ／Ｆ５０８を有する。ＣＰＵ５０１、ＲＯＭ５０２及びＲＡＭ５０３は、いわゆるコンピュータを形成する。コンピュータ５００の各ハードウェアは、バスライン５０９を介して相互に接続されている。なお、入力装置５０５及び表示装置５０６は外部Ｉ／Ｆ５０８に接続して利用する形態であってもよい。
　ＣＰＵ５０１は、ＲＯＭ５０２又はＨＤＤ５０４等の記憶装置からプログラムやデータをＲＡＭ５０３上に読み出し、処理を実行することで、コンピュータ５００全体の制御や機能を実現する演算装置である。
　ＲＯＭ５０２は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）の一例である。ＲＯＭ５０２は、ＨＤＤ５０４にインストールされている各種プログラムをＣＰＵ５０１が実行するために必要な各種プログラム、データ等を格納する主記憶装置として機能する。具体的には、ＲＯＭ５０２には、コンピュータ５００の起動時に実行されるＢＩＯＳ（Basic Input/Output System）、ＥＦＩ（Extensible Firmware Interface）等のブートプログラムや、ＯＳ（Operating System）設定、ネットワーク設定等のデータが格納されている。
　ＲＡＭ５０３は、電源を切るとプログラムやデータが消去される揮発性の半導体メモリ（記憶装置）の一例である。ＲＡＭ５０３は、例えば、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等である。ＲＡＭ５０３は、ＨＤＤ５０４にインストールされている各種プログラムがＣＰＵ５０１によって実行される際に展開される作業領域を提供する。
　ＨＤＤ５０４は、プログラムやデータを格納している不揮発性の記憶装置の一例である。ＨＤＤ５０４に格納されるプログラムやデータには、コンピュータ５００全体を制御する基本ソフトウェアであるＯＳ、及びＯＳ上において各種機能を提供するアプリケーション等がある。なお、コンピュータ５００はＨＤＤ５０４に替えて、記憶媒体としてフラッシュメモリを用いる記憶装置（例えばＳＳＤ：Solid State Drive等）を利用するものであってもよい。
　入力装置５０５は、ユーザが各種信号を入力するために用いるタッチパネル、操作キーやボタン、キーボードやマウス、音声等の音データを入力するマイクロホン等である。
　表示装置５０６は、画面を表示する液晶や有機ＥＬ（Electro-Luminescence）等のディスプレイ、音声等の音データを出力するスピーカ等で構成されている。
　通信Ｉ／Ｆ５０７は、通信ネットワークに接続し、コンピュータ５００がデータ通信を行うためのインタフェースである。
　外部Ｉ／Ｆ５０８は、外部装置とのインタフェースである。外部装置には、ドライブ装置５１０等がある。
　ドライブ装置５１０は、記録媒体５１１をセットするためのデバイスである。ここでいう記録媒体５１１には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体５１１には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。これにより、コンピュータ５００は外部Ｉ／Ｆ５０８を介して記録媒体５１１の読み取り及び／又は書き込みを行うことができる。
　なお、ＨＤＤ５０４にインストールされる各種プログラムは、例えば、配布された記録媒体５１１が外部Ｉ／Ｆ５０８に接続されたドライブ装置５１０にセットされ、記録媒体５１１に記録された各種プログラムがドライブ装置５１０により読み出されることでインストールされる。あるいは、ＨＤＤ５０４にインストールされる各種プログラムは、通信Ｉ／Ｆ５０７を介して、通信ネットワークとは異なる他のネットワークよりダウンロードされることでインストールされてもよい。
　＜バッテリー寿命解析システムの機能構成＞
　続いて、本実施形態におけるバッテリー寿命解析システムの機能構成を、図３を参照しながら説明する。図３は本実施形態におけるバッテリー寿命解析システム１の機能構成の一例を示すブロック図である。
　≪解析装置１０の機能構成≫
　図３に示されているように、本実施形態における解析装置１０は、データ受信部１０１、寿命取得部１０２、曲線生成部１０３、行列生成部１０４、因子分解部１０５及び結果送信部１０６を備える。
　解析装置１０が備える各処理部は、図２に示されているＨＤＤ５０４からＲＡＭ５０３上に展開されたプログラムがＣＰＵ５０１に実行させる処理によって実現される。
　データ受信部１０１は、ユーザ端末３０から解析用サイクル測定データを受信する。また、データ受信部１０１は、ユーザ端末３０から受信した解析用サイクル測定データを寿命取得部１０２及び曲線生成部１０３に送る。
　寿命取得部１０２は、データ受信部１０１から受け取った解析用サイクル測定データに基づいて、解析対象バッテリーの寿命特性を表す寿命データを取得する。また、寿命取得部１０２は、取得した寿命データを結果送信部１０６に送る。
　曲線生成部１０３は、データ受信部１０１から受け取った解析用サイクル測定データに基づいて、電圧Ｖと電流容量Ｑとの関係を表すＱＶ曲線、又はＱＶ曲線を電圧Ｖで微分したｄＱ／ｄＶ曲線を生成する。また、曲線生成部１０３は、生成したＱＶ曲線又はｄＱ／ｄＶ曲線を行列生成部１０４に送る。
　行列生成部１０４は、曲線生成部１０３から受け取ったＱＶ曲線又はｄＱ／ｄＶ曲線に基づいて、充放電サイクル毎の電圧と電流容量との関係を表す測定データ行列を生成する。また、行列生成部１０４は、生成した測定データ行列を因子分解部１０５に送る。
　因子分解部１０５は、行列生成部１０４から受け取った測定データ行列に対して非負値行列因子分解を行う。これにより、因子分解部１０５は、因子データ行列と因子強度推移データ行列とを得る。また、因子分解部１０５は、因子分解結果を結果送信部１０６に送る。当該因子分解結果には、因子データ行列及び因子強度推移データ行列が含まれる。
　結果送信部１０６は、解析用サイクル測定データの解析結果をユーザ端末３０に送信する。当該解析結果には、寿命取得部１０２から受け取った寿命データ及び因子分解部１０５から受け取った因子分解結果が含まれる。
　≪ユーザ端末３０の機能構成≫
　図３に示されているように、本実施形態におけるユーザ端末３０は、データ入力部３０１及び結果出力部３０２を備える。
　ユーザ端末３０が備える各処理部は、図２に示されているＨＤＤ５０４からＲＡＭ５０３上に展開されたプログラムがＣＰＵ５０１に実行させる処理によって実現される。
　データ入力部３０１は、ユーザの操作に応じて、解析用サイクル測定データの入力を受け付ける。また、データ入力部３０１は、受け付けた解析用サイクル測定データを解析装置１０に送信する。
　結果出力部３０２は、解析装置１０から解析結果を受信する。また、結果出力部３０２は、受信した解析結果を表示装置５０６等に出力する。
　＜バッテリー寿命解析方法の処理手順＞
　次に、本実施形態におけるバッテリー寿命解析システム１が実行するバッテリー寿命解析方法の処理手順を説明する。図４は本実施形態におけるバッテリー寿命解析方法の処理手順の一例を示すフローチャートである。
　ステップＳ１０１において、ユーザ端末３０が備えるデータ入力部３０１は、ユーザの操作に応じて、解析用サイクル測定データの入力を受け付ける。次に、データ入力部３０１は、受け付けた解析用サイクル測定データを解析装置１０に送信する。
　解析装置１０では、データ受信部１０１が、ユーザ端末３０から解析用サイクル測定データを受信する。次に、データ受信部１０１は、受信した解析用サイクル測定データを寿命取得部１０２及び曲線生成部１０３に送る。
　ここで、サイクル測定データについて、図５を参照しながら説明する。図５は、本実施形態におけるサイクル測定データの一例を示す図である。
　サイクル測定データは、バッテリーの単セルに対して充放電サイクル試験を行い、サンプリング時間と各サンプリング時間における各セルの物性値とを併せて記録したものである。サンプリング時間は物性値の変化に十分追随できるように適宜選択することが望ましく、一定間隔でなくともよい。本実施形態において記録する物性値は、セルに加わる電圧、セルを流れる電流、及び電流容量を含むものとする。
　充放電サイクル試験における１サイクルは、定電流充電のステップと、その後に定電流放電のステップとを必ず含む。このとき、定電流充電のステップと定電流放電のステップとの間に定電圧充電のステップを含んでもよい。また各充放電ステップの間に休止のステップを含んでもよい。
　図５は、サイクル測定データから、ある１つのセルの１サイクル目開始前から２サイクル目終了後までのデータを抜き出し、時間を横軸に、電圧、電流及び電流容量を縦軸にしてプロットしたグラフである。図５に示されているように、本実施形態の充放電サイクル試験では、電圧幅は２．８Ｖから４．２Ｖ、電流幅は－５０ｍＡから５０ｍＡとした。
　図４に戻って説明する。ステップＳ１０２において、解析装置１０が備える寿命取得部１０２は、データ受信部１０１から解析用サイクル測定データを受け取る。次に、寿命取得部１０２は、解析用サイクル測定データに基づいて、解析対象バッテリーの寿命特性を表す寿命データを取得する。そして、寿命取得部１０２は、取得した寿命データを結果送信部１０６に送る。
　ここで、寿命データについて、図６を参照しながら説明する。図６は、寿命データの取得方法を例示する図である。
　図６に示されているように、本実施形態における寿命特性、より具体的にはサイクル容量維持特性は、所定の充放電サイクルを実行したときの放電容量維持率（図６（Ａ）参照）、又は所定の放電容量維持率を下回ったときの充放電サイクル数すなわちサイクル寿命（図６（Ｂ）参照）として定義される。なお、放電容量維持率は、各サイクル実行時に測定された放電容量の、１サイクル目で測定された放電容量に対する割合である。
　図６（Ａ）及び図６（Ｂ）は１つのセルにおける寿命特性を取得する例を示している。寿命取得部１０２が取得する寿命データには、解析対象バッテリーの各セルについて取得した寿命特性が含まれる。
　あるいは、本実施形態については放電容量維持率の曲線そのものを寿命データとしても良い。
　図４に戻って説明する。ステップＳ１０３において、解析装置１０が備える曲線生成部１０３は、データ受信部１０１から解析用サイクル測定データを受け取る。次に、曲線生成部１０３は、解析用サイクル測定データに基づいて、電圧Ｖと電流容量Ｑとの関係を表すＱＶ曲線、又はＱＶ曲線を電圧Ｖで微分したｄＱ／ｄＶ曲線を生成する。そして、曲線生成部１０３は、生成したＱＶ曲線又はｄＱ／ｄＶ曲線を行列生成部１０４に送る。なお、バッテリーのセル毎の内部抵抗が著しく異なる場合には、電圧からＩＲドロップの値を減算する等の規格化を行う必要がある。
　ここで、ＱＶ曲線及びｄＱ／ｄＶ曲線について、図７を参照しながら説明する。図７は、放電時のＱＶ曲線及び放電時のｄＱ／ｄＶ曲線の一例を示す図である。図７（Ａ）は、ＱＶ曲線の一例であり、図７（Ｂ）は、ｄＱ／ｄＶ曲線の一例である。
　図７に表されている複数の曲線は、それぞれ各充放電サイクルに対応している。図７に示されているように、ＱＶ曲線及びｄＱ／ｄＶ曲線のいずれでも、充放電サイクルが進むに連れて、曲線全体が下方へ（すなわち放電容量が小さくなる方向に）変化していることがわかる（各図中のサイクル変化の矢印参照）。
　ＱＶ曲線及びｄＱ／ｄＶ曲線において、特定の電圧範囲はバッテリーの部材（正負極活物質、電解液添加剤など）に対応することが知られている。ＱＶ曲線及びｄＱ／ｄＶ曲線は、バッテリーの部材毎のパターンを重ね合わせた結果であり、充放電サイクルが進むに連れて、各パターンの混合量が変化することが知られている。
　したがって、ＱＶ曲線及びｄＱ／ｄＶ曲線を各部材に対応する成分のパターンに分解し、各充放電サイクルにおける各成分の混合量がわかれば、特定の充放電サイクルにおけるバッテリーの特性の変化に影響を与えた部材を特定するために有用な情報となる。例えば、あるバッテリーが特定の充放電サイクルを過ぎたときに急激に放電容量が減少していたとすると、そのサイクル近辺で混合量が大きく変化した部材に何らかの問題があったものと推測することができる。
　図４に戻って説明する。ステップＳ１０４において、解析装置１０が備える行列生成部１０４は、曲線生成部１０３からＱＶ曲線又はｄＱ／ｄＶ曲線を受け取る。次に、行列生成部１０４は、ＱＶ曲線又はｄＱ／ｄＶ曲線に基づいて、充放電サイクル毎の電圧と電流容量との関係を表す測定データ行列を生成する。そして、行列生成部１０４は、生成した測定データ行列を因子分解部１０５に送る。
　ここで、測定データ行列について、図８を参照しながら説明する。図８は、放電時のＱＶ曲線について、測定データ行列の生成方法を例示する図である。
　図８に示されている左側の各表は、バッテリーの各セルについて、各充放電サイクルの放電時のＱＶ曲線を、サイクル番号を行、電圧Ｖの値を列としてまとめた行列である。例えば表中のＱ１１１は、セル１、サイクル１、電圧Ｖ１における放電容量の値である。列に記載の電圧グリッドＶ１，Ｖ２，…，ＶＮは、サイクル測定における上下限の電圧値の間でグリッド数Ｎで設定されており、通常、グリッド数ＮはＱＶ曲線の変化に十分追随できるように適切に選択する。測定装置の都合により電圧グリッドＶ１，Ｖ２，…，ＶＮでの電流容量Ｑが直接取得できない場合には、線形補間等で再サンプリングを行う必要がある。図８に示されている右側の表は、左側の各セルに対応する行列をセル番号順にスタックした行列である。これにより、バッテリーの各セルに対応するサイクル測定データすべてを表す１個の行列（測定データ行列）が生成される。なお、バッテリーのセル毎の容量が異なる場合には、スタックする際に電流容量を設計容量で除算する等の規格化を行う必要がある。
　図４に戻って説明する。ステップＳ１０５において、解析装置１０が備える因子分解部１０５は、行列生成部１０４から受け取った測定データ行列に対して非負値行列因子分解を行うことで、因子データ行列及び因子強度推移データ行列を算出する。因子データ行列は、電流容量に影響を与える各因子の電圧と電流容量との関係を表す。因子強度推移データ行列は、充放電サイクルに伴う各因子の強度の変化を表す。各因子の強度とは、全体に対する各因子の混合量の大きさであり、混合量が多い因子ほど強度が大きくなる。そして、因子分解部１０５は、因子データ行列及び因子強度推移データ行列を含む因子分解結果を結果送信部１０６に送る。
　ここで、放電時のＱＶ曲線から生成した測定データ行列の非負値行列因子分解について、図９乃至図１１を参照しながら説明する。図９は、図８に示した測定データ行列を非負値行列因子分解した結果を例示する図である。非負値行列因子分解（NMF: Non-Negative Matrix Factorization）は、非負値行列を非負値の基底行列と非負値の係数行列との積で近似する手法である。なお、基底行列の各列は基底ベクトルとも呼ばれ、係数行列の各列は係数ベクトルとも呼ばれる。
　図９に示されているように、測定データ行列Ｘは、因子データ行列Ｈと因子強度推移データ行列Ｗとの積で近似することができる。因子データ行列Ｈは基底行列に相当し、因子強度推移データ行列Ｗは係数行列に相当する。すなわち、バッテリーのセルＬのサイクルＭのＱＶ曲線を表す行列Ｘは、因子１の強度ＷＬＭ１×因子１の基底ベクトルＨ１＝（Ｈ１１，Ｈ１２，…，Ｈ１Ｎ）＋因子２の強度ＷＬＭ２×因子２の基底ベクトルＨ２＝（Ｈ２１，Ｈ２２，…，Ｈ２Ｎ）＋…となる行列Ｗと行列Ｈとに分解される。
　以下、因子データ行列Ｈに含まれる各基底ベクトルＨ１，Ｈ２，…を「因子データ」と呼ぶ。また、因子強度推移データ行列Ｗに含まれる各係数ベクトルＷ１，Ｗ２，…を「因子強度推移データ」と呼ぶ。因子データは、各部材に関する電圧と電流容量の関係を表す。因子強度推移データは、充放電サイクルに伴う各因子データの強度の変化を表す。
　図１０は、図９に示した因子データを例示する図である。図１０に示された表の１行目は、因子１に対応する因子データＨ１１，Ｈ１２，…，Ｈ１Ｎを、横軸を電圧とし、縦軸を電流容量としてプロットしたグラフである。図１０に示された表の２行目は、因子２に対応する因子データＨ２１，Ｈ２２，…，Ｈ２Ｎを、横軸を電圧とし、縦軸を電流容量としてプロットしたグラフである。図１０に示されているように、因子毎にＱＶ曲線のパターンは異なる。上述したように特定の電圧範囲はバッテリーの部材に由来するため、因子データのパターンはバッテリーの部材に対応している。
　図１１は、図９に示した因子強度推移データを例示する図である。図１１に示された表の列はバッテリーの各セルに対応し、行は各因子に対応している。例えば、図１１に示された表の１列目は、バッテリーのセル１のＱＶ曲線における、充放電サイクルに伴う各因子の強度の推移を表している。例えば、図１１に示された表の１行１列目は、バッテリーのセル１の因子１に対応する因子強度推移データＷ１１１，Ｗ１１２，…を、横軸をサイクル数とし、縦軸を強度としてプロットしたグラフである。
　図１１に示された表の１列目によれば、バッテリーのセル１では因子１の強度は充放電サイクルが進んでも大きな変化がないが、因子２の強度は充放電サイクルが進むに連れて低下していることがわかる。図１１に示された表の２列目によれば、セル２についてもセル１と同様のことが言えるが、因子２の初期強度はセル１より小さいことがわかる。
　非負値行列因子分解の際の因子数は、測定データ行列Ｘを因子データ行列Ｈと因子強度推移データ行列Ｗとの積で近似する際の誤差を十分小さくしつつ、最小限の数としなければならない。最適な因子数の決定法として、例えばベイズ情報量規準、赤池情報量規準、MalinowskiのIND関数、最尤推定を用いることができる。
　以上、放電時のＱＶ曲線についてステップＳ１０４からステップＳ１０５の処理手順を説明した。充電時のＱＶ曲線、充放電時のｄＱ／ｄＶ曲線についても、上記説明及び図８乃至図１０を適宜読み替えることによって同様の処理を行うことができる。
　図４に戻って説明する。ステップＳ１０６において、解析装置１０が備える結果送信部１０６は、寿命取得部１０２から寿命データを受け取る。また、結果送信部１０６は、因子分解部１０５から因子分解結果を受け取る。そして、結果送信部１０６は、寿命データ及び因子分解結果を含む解析結果をユーザ端末３０に送信する。
　ユーザ端末３０では、結果出力部３０２が、解析装置１０から解析結果を受信する。そして、結果出力部３０２は、受信した解析結果を表示装置５０６等に出力する。
　＜第１実施形態の効果＞
　本実施形態におけるバッテリー寿命解析システム１は、バッテリーのサイクル測定データを解析し、解析結果をユーザに対して出力する。解析結果には、バッテリーの寿命特性及び当該バッテリーの寿命特性に影響を与える要因に関する情報が含まれる。したがって、本実施形態におけるバッテリー寿命解析システム１によれば、ユーザは、バッテリーの寿命特性に問題がある場合に、寿命特性に影響を与える部材を特定することが容易になり、寿命特性を改善するためのアクションに繋げることが可能となる。
　［第２実施形態］
　本発明の第２実施形態は、バッテリーのサイクル測定データに基づいて、当該バッテリーの寿命特性を予測するバッテリー寿命予測システムである。本実施形態におけるバッテリー寿命予測システムは、学習対象とするバッテリー（以下、「学習対象バッテリー」とも呼ぶ）の長期サイクル測定データ（以下、「学習用サイクル測定データ」とも呼ぶ）を用いて予測モデルを学習し、当該予測モデルを用いて、予測対象とするバッテリー（以下、「予測対象バッテリー」とも呼ぶ）の初期サイクル測定データ（以下、「予測用サイクル測定データ」とも呼ぶ）から予測対象バッテリーの寿命特性を予測する。このとき、バッテリー寿命予測システムは、予測対象バッテリーの寿命特性の予測値と共に、当該バッテリーの寿命特性に影響を与える要因に関する情報をユーザに対して出力する。したがって、ユーザは、予測対象バッテリーの寿命特性に問題があると予測される場合に、当該バッテリーの寿命特性に影響を与えている要因を特定することが容易になり、寿命特性を改善するためのアクションに繋げることが可能となる。
　なお、初期サイクル測定データとは、充放電サイクル試験を開始から所定の予測実行サイクル数まで実行したときのサイクル測定データである。予測実行サイクル数は想定されるサイクル寿命よりも短ければどのような数でもよいが、例えば１００サイクル等に設定すればよい。
　＜バッテリー寿命予測システムの全体構成＞
　まず、本実施形態におけるバッテリー寿命予測システムの全体構成を、図１２を参照しながら説明する。図１２は、本実施形態におけるバッテリー寿命予測システムの全体構成の一例を示すブロック図である。
　図１２に示されているように、本実施形態におけるバッテリー寿命予測システム２は、予測装置２０及びユーザ端末３０を含む。予測装置２０及びユーザ端末３０はＬＡＮ（Local Area Network）又はインターネット等の通信ネットワーク９０を介してデータ通信可能に接続されている。
　予測装置２０は、ユーザ端末３０からの要求に応じて、バッテリーの寿命特性を予測するＰＣ（Personal Computer）、ワークステーション、サーバ等の情報処理装置である。予測装置２０は、ユーザ端末３０から学習用サイクル測定データ及び予測用サイクル測定データを受信する。また、予測装置２０は、学習用サイクル測定データに基づいて、バッテリーの寿命特性を予測するための予測モデルを学習する。そして、予測装置２０は、予測モデルを用いて予測用サイクル測定データから寿命特性を予測し、予測結果をユーザ端末３０に送信する。当該予測結果には、予測対象バッテリーの寿命特性の予測値及び当該バッテリーの寿命特性に影響を与える要因に関する情報が含まれる。
　ユーザ端末３０は、ユーザが操作するＰＣ、タブレット端末、スマートフォン等の情報処理端末である。ユーザ端末３０は、ユーザの操作に応じて、学習用サイクル測定データ及び予測用サイクル測定データの入力を受け付け、予測装置２０に送信する。また、ユーザ端末３０は、予測装置２０から予測結果を受信し、ユーザに対して出力する。
　なお、図１２に示したバッテリー寿命予測システム２の全体構成は一例であって、用途や目的に応じて様々なシステム構成例があり得る。例えば、予測装置２０は、複数台のコンピュータにより実現してもよいし、クラウドコンピューティングのサービスとして実現してもよい。また、例えば、予測装置２０及びユーザ端末３０は、予測装置２０及びユーザ端末３０が備えるべき機能を兼ね備えたスタンドアローンのコンピュータにより実現してもよい。
　＜バッテリー寿命予測システムのハードウェア構成＞
　次に、本実施形態におけるバッテリー寿命予測システム２のハードウェア構成を説明する。本実施形態における予測装置２０及びユーザ端末３０は、例えば図２に示したようなコンピュータ５００により実現される。
　＜バッテリー寿命予測システムの機能構成＞
　続いて、本実施形態におけるバッテリー寿命予測システムの機能構成を、図１３を参照しながら説明する。図１３は本実施形態におけるバッテリー寿命予測システム２の機能構成の一例を示すブロック図である。
　≪予測装置２０の機能構成≫
　図１３に示されているように、本実施形態における予測装置２０は、データ受信部２０１、寿命取得部２０２、曲線生成部２０３、行列生成部２０４、因子分解部２０５、特徴量生成部２０６、モデル学習部２０７、モデル記憶部２０８、寿命予測部２０９、モデル解析部２１０、因子特定部２１１、結果送信部２１２、及び因子データ記憶部２１３を備える。
　予測装置２０が備える各処理部（モデル記憶部２０８及び因子データ記憶部２１３を除く）は、図２に示されているＨＤＤ５０４からＲＡＭ５０３上に展開されたプログラムがＣＰＵ５０１に実行させる処理によって実現される。
　予測装置２０が備えるモデル記憶部２０８及び因子データ記憶部２１３は、例えば、図２に示されているＨＤＤ５０４を用いて実現される。
　データ受信部２０１は、ユーザ端末３０から学習用サイクル測定データ及び予測用サイクル測定データを受信する。また、データ受信部２０１は、受信した学習用サイクル測定データを寿命取得部２０２及び曲線生成部２０３に送る。さらに、データ受信部２０１は、受信した予測用サイクル測定データを曲線生成部２０３に送る。
　寿命取得部２０２は、データ受信部２０１から受け取った学習用サイクル測定データに基づいて、バッテリーの寿命特性を表す寿命データを取得する。また、寿命取得部２０２は、取得した寿命データをモデル学習部２０７に送る。
　曲線生成部２０３は、データ受信部２０１から受け取った学習用サイクル測定データに基づいて、ＱＶ曲線又はｄＱ／ｄＶ曲線を生成する。また、曲線生成部２０３は、データ受信部２０１から受け取った予測用サイクル測定データに基づいて、ＱＶ曲線又はｄＱ／ｄＶ曲線を生成する。さらに、曲線生成部２０３は、生成したＱＶ曲線又はｄＱ／ｄＶ曲線を行列生成部２０４に送る。
　行列生成部２０４は、曲線生成部２０３から受け取ったＱＶ曲線又はｄＱ／ｄＶ曲線に基づいて、充放電サイクル毎の電圧と電流容量との関係を表す測定データ行列を生成する。また、行列生成部２０４は、生成した測定データ行列を因子分解部２０５に送る。
　因子分解部２０５は、行列生成部２０４から受け取った測定データ行列に対して非負値行列因子分解を行う。これにより、因子分解部２０５は、因子データ行列と因子強度推移データ行列とを得る。因子分解部２０５は、学習用サイクル測定データに対して非負値行列因子分解を行った場合、因子データ行列を因子データ記憶部２１３に記憶する。一方、因子分解部２０５は、予測用サイクル測定データに対して非負値行列因子分解を行う場合、因子データ行列は因子データ記憶部２１３に記憶されているものを用い、因子強度推移データ行列は、測定データ行列に対して記憶されていた因子データ行列の逆行列をかけることによって生成する。さらに、いずれの場合においても、因子分解部２０５は、因子分解結果を特徴量生成部２０６及び結果送信部２１２に送る。当該因子分解結果には、因子データ行列及び因子強度推移データ行列が含まれる。
　因子データ記憶部２１３は、因子分解部２０５が学習用サイクル測定データに基づいて生成した、因子データ行列を記憶する。
　特徴量生成部２０６は、因子分解部２０５から受け取った因子強度推移データ行列から所定の特徴量を抽出する。特徴量生成部２０６は、学習用サイクル測定データに基づく因子強度推移データ行列から特徴量を抽出した場合、抽出した特徴量をモデル学習部２０７に送る。一方、特徴量生成部２０６は、予測用サイクル測定データに基づく因子強度推移データ行列から特徴量を抽出した場合、抽出した特徴量を寿命予測部２０９に送る。
　モデル学習部２０７は、特徴量生成部２０６から受け取った特徴量に寿命取得部２０２から受け取った寿命データを付与する。これにより、モデル学習部２０７は、学習データを生成する。また、モデル学習部２０７は、生成した学習データを用いて、特徴量を説明変数とし、寿命データを目的変数とする予測モデルを学習する。さらに、モデル学習部２０７は、学習済みの予測モデルをモデル記憶部２０８に記憶する。
　モデル記憶部２０８は、モデル学習部２０７がサイクル測定データに基づいて生成した、特徴量と寿命データとの関係を学習した予測モデルを記憶する。
　寿命予測部２０９は、モデル記憶部２０８に記憶されている予測モデルを呼び出し、特徴量生成部２０６から受け取った特徴量を、前記予測モデルに入力する。これにより、寿命予測部２０９は、予測対象バッテリーの寿命特性を予測する。また、寿命予測部２０９は、寿命特性の予測値を結果送信部２１２に送る。
　モデル解析部２１０は、モデル記憶部２０８に記憶されている予測モデルを解析し、寿命特性の予測に対する寄与態様を特徴量毎に求める。また、モデル解析部２１０は、寄与態様情報を因子特定部２１１に送る。当該寄与態様情報には、各特徴量に関する寄与態様が含まれる。
　因子特定部２１１は、モデル解析部２１０から受け取った寄与態様情報に基づいて、寄与態様が所定の条件を満たす特徴量を抽出する。また、因子特定部２１１は、抽出された特徴量に対応する因子を特定する。さらに、因子特定部２１１は、重要因子情報を結果送信部２１２に送る。当該重要因子情報には、特定された因子に対応する因子データ及び当該因子に対応する特徴量の寄与態様が含まれる。
　結果送信部２１２は、予測対象バッテリーの寿命特性の予測結果をユーザ端末３０に送信する。当該予測結果には、寿命予測部２０９から受け取った寿命特性の予測値及び因子特定部２１１から受け取った重要因子情報が含まれる。
　≪ユーザ端末３０の機能構成≫
　図１３に示されているように、本実施形態におけるユーザ端末３０は、データ入力部３０１及び結果出力部３０２を備える。
　データ入力部３０１は、ユーザの操作に応じて、学習用サイクル測定データ及び予測用サイクル測定データの入力を受け付ける。また、データ入力部３０１は、受け付けた学習用サイクル測定データ及び予測用サイクル測定データを予測装置２０に送信する。
　結果出力部３０２は、予測装置２０から予測結果を受信する。また、結果出力部３０２は、受信した予測結果を表示装置５０６等に出力する。
　＜バッテリー寿命予測方法の処理手順＞
　次に、本実施形態におけるバッテリー寿命予測システム２が実行するバッテリー寿命予測方法の処理手順を説明する。本実施形態におけるバッテリー寿命予測方法は、予測モデル学習処理及び寿命特性予測処理からなる。
　≪予測モデル学習処理≫
　図１４は本実施形態における予測モデル学習処理の処理手順の一例を示すフローチャートである。
　ステップＳ２０１において、ユーザ端末３０が備えるデータ入力部３０１は、ユーザの操作に応じて、学習用サイクル測定データの入力を受け付ける。次に、データ入力部３０１は、受け付けた学習用サイクル測定データを予測装置２０に送信する。
　予測装置２０では、データ受信部２０１が、ユーザ端末３０から学習用サイクル測定データを受信する。次に、データ受信部２０１は、受信した学習用サイクル測定データを寿命取得部２０２及び曲線生成部２０３に送る。
　ステップＳ２０２において、予測装置２０が備える寿命取得部２０２は、データ受信部２０１から学習用サイクル測定データを受け取る。次に、寿命取得部２０２は、学習用サイクル測定データに基づいて、学習対象バッテリーの寿命特性を表す寿命データを取得する。そして、寿命取得部２０２は、取得した寿命データをモデル学習部２０７に送る。
　ステップＳ２０３において、予測装置２０が備える曲線生成部２０３は、データ受信部２０１から学習用サイクル測定データを受け取る。次に、曲線生成部２０３は、学習用サイクル測定データに基づいて、ＱＶ曲線又はｄＱ／ｄＶ曲線を生成する。そして、曲線生成部２０３は、生成したＱＶ曲線又はｄＱｄ／ｄＶ曲線を行列生成部２０４に送る。
　ステップＳ２０４において、予測装置２０が備える行列生成部２０４は、曲線生成部２０３からＱＶ曲線又はｄＱ／ｄＶ曲線を受け取る。次に、行列生成部２０４は、ＱＶ曲線又はｄＱ／ｄＶ曲線に基づいて、測定データ行列を生成する。そして、行列生成部２０４は、生成した測定データ行列を因子分解部２０５に送る。
　ステップＳ２０５において、予測装置２０が備える因子分解部２０５は、行列生成部２０４から受け取った測定データ行列に対して非負値行列因子分解を行うことで、因子データ行列及び因子強度推移データ行列を算出する。次に、因子分解部２０５は、因子データ行列を因子データ記憶部２１３に記憶する。そして、因子分解部２０５は、因子データ行列及び因子強度推移データ行列を含む因子分解結果を特徴量生成部２０６に送る。
　ステップＳ２０６において、予測装置２０が備える特徴量生成部２０６は、因子分解部２０５から因子分解結果を受け取る。次に、特徴量生成部２０６は、因子分解結果に含まれる因子強度推移データ行列から所定の特徴量を抽出する。そして、特徴量生成部２０６は、抽出した特徴量をモデル学習部２０７に送る。
　特徴量生成部２０６は、所定の予測実行サイクル数までの因子強度推移データから特徴量を抽出する。特徴量は、予測実行サイクル数までの因子強度推移データを、図１１に示したようなグラフにプロットしたときの最終強度、最終傾き等である。特徴量には、学習対象バッテリーの各セルに対応する特徴量が含まれる。
　ステップＳ２０７において、予測装置２０が備えるモデル学習部２０７は、特徴量生成部２０６から特徴量を受け取る。また、モデル学習部２０７は、寿命取得部２０２から寿命データを受け取る。次に、モデル学習部２０７は、特徴量に寿命データを付与することで学習データを生成する。続いて、モデル学習部２０７は、生成した学習データを用いて、特徴量を説明変数とし、寿命データを目的変数とする予測モデルを学習する。そして、モデル学習部２０７は、学習済みの予測モデルを、モデル記憶部２０８に記憶する。
　≪寿命特性予測処理≫
　図１５は本実施形態における寿命特性予測処理の処理手順の一例を示すフローチャートである。
　ステップＳ２０１において、ユーザ端末３０が備えるデータ入力部３０１は、ユーザの操作に応じて、予測用サイクル測定データの入力を受け付ける。次に、データ入力部３０１は、受け付けた予測用サイクル測定データを予測装置２０に送信する。
　予測装置２０では、データ受信部２０１が、ユーザ端末３０から予測用サイクル測定データを受信する。次に、データ受信部２０１は、受信した予測用サイクル測定データを曲線生成部２０３に送る。
　ステップＳ２０３及びＳ２０４における処理は、予測モデル学習処理と同様である。
　ステップＳ２０５において、予測装置２０が備える因子分解部２０５は、行列生成部２０４から受け取った測定データ行列に対して非負値行列因子分解を行うことで、因子データ行列及び因子強度推移データ行列を算出する。このとき、因子データ行列は、因子データ記憶部２１３に記憶されているものを用いる。また、因子強度推移データ行列は、測定データ行列に対して因子データ行列の逆行列をかけることによって生成する。そして、因子分解部２０５は、因子データ行列及び因子強度推移データ行列を含む因子分解結果を特徴量生成部２０６に送る。
　ステップＳ２０６における処理は、予測モデル学習処理と同様である。ただし、特徴量生成部２０６は、抽出した特徴量を寿命予測部２０９に送る。
　ステップＳ２０９において、予測装置２０が備える寿命予測部２０９は、モデル記憶部２０８に記憶されている予測モデルを呼び出し、また特徴量生成部２０６から特徴量を受け取る。次に、寿命予測部２０９は、受け取った特徴量を呼び出した予測モデルに入力することで、予測対象バッテリーの寿命特性を予測する。そして、寿命予測部２０９は、寿命特性の予測値を結果送信部２１２に送る。
　ステップＳ２１０において、予測装置２０が備えるモデル解析部２１０は、モデル記憶部２０８に記憶されている予測モデルを解析し、寿命特性の予測に対する寄与態様を特徴量毎に求める。また、モデル解析部２１０は、特徴量毎の寄与態様を含む寄与態様情報を因子特定部２１１に送る。
　モデル解析部２１０は、例えば、回帰係数の参照やシャープレイ値解析等により予測モデルの解析を行う。予測モデルを解析することで、予測に用いた特徴量毎に、予測値に対する寄与の態様を表す情報である寄与態様情報が得られる。各特徴量は、各因子に対応するため、解析によって得た寄与態様は、因子毎の寄与態様を表していると言える。寄与態様は、特徴量がある値をとったときに予測値に与えられる正負の影響について、定量的な情報を含んでいることが望ましい。
　ステップＳ２１１において、予測装置２０が備える因子特定部２１１は、モデル解析部２１０から寄与態様情報を受け取る。次に、因子特定部２１１は、受け取った寄与態様情報に基づいて、寄与態様が所定の条件を満たす特徴量を抽出する。続いて、因子特定部２１１は、抽出された特徴量に対応する因子を特定する。そして、因子特定部２１１は、特定された因子に関する重要因子情報を結果送信部２１２に送る。重要因子情報には、抽出された特徴量とその寄与態様、特定された因子に対応する因子データが含まれる。
　因子特定部２１１が特徴量を抽出するための所定の条件は、例えば、寄与態様が所定の値以上である、寄与態様が所定の値以下である、寄与態様の絶対値が所定の値より大きい、寄与態様を降順にソートしたときの上位から所定の数等、寄与態様に基づく条件であれば任意に決定することができる。
　ステップＳ２１２において、予測装置２０が備える結果送信部２１２は、寿命予測部２０９から寿命特性の予測値を受け取る。また、結果送信部２１２は、因子特定部２１１から重要因子情報を受け取る。そして、結果送信部２１２は、寿命特性の予測値及び重要因子情報を含む予測結果をユーザ端末３０に送信する。
　ユーザ端末３０では、結果出力部３０２が、予測装置２０から予測結果を受信する。そして、結果出力部３０２は、受信した予測結果を表示装置５０６等に出力する。
　図１６は、ユーザ端末３０が予測結果を表示するための予測結果表示画面の一例を示す図である。図１６に示されているように、本実施形態における予測結果表示画面１０００は、予測寿命表示欄１００１、重要因子表示欄１０１０及び寄与態様表示欄１０２０を有する。予測寿命表示欄１００１には、予測結果に含まれる寿命特性の予測値が表示される。重要因子表示欄１０１０には、重要因子情報に含まれる因子データが寄与態様の降順で表示される。寄与態様表示欄１０２０には、重要因子情報に含まれる寄与態様が表示される。
　寄与態様表示欄１０２０には、重要因子情報に含まれる各因子データに対応する、特徴量と寄与態様が表示される。例えば図１６の寄与態様表示欄１０２０では、重要因子○に対応する特徴量Ａ及び特徴量Ｂについて、特徴量の値と、その値をとることによる予測寿命への寄与のプロットが表示されている。プロットには、学習データが○印、予測対象バッテリーが★印で表示されている。特徴量Ａのプロットは、特徴量の値が大きくなるほど寿命を延ばすという寄与態様を表している。一方で、特徴量Ｂのプロットは、特徴量の値が大きくなるほど寿命を延ばすという特徴量Ａとは逆の寄与態様を表している。
　ユーザは、予測結果表示画面１０００に表示された予測結果から、予測対象バッテリーの寿命特性の予測値と共に、その予測結果に影響を与えた因子に関する因子データ及びその因子が予測結果にどのように寄与したかを示す情報を得ることができる。因子データが示すパターンからバッテリーの部材を特定することができるため、ユーザは予測されたサイクル寿命が短い等の問題がある場合に、原因となっている部材を推測することができ、改善策を検討するために参考とすることができる。
　＜第２実施形態の効果＞
　本実施形態におけるバッテリー寿命予測システム２は、学習用サイクル測定データを用いて学習した予測モデルを用いて、予測用サイクル測定データから予測対象バッテリーの寿命特性を予測する。このとき、バッテリー寿命予測システム２は、寿命特性に影響を与える要因に関する情報を含む予測結果を、ユーザに対して出力する。したがって、本実施形態におけるバッテリー寿命予測システム２によれば、ユーザは、予測対象バッテリーの寿命特性に問題があると予測される場合に、寿命特性に影響を与える部材を特定することが容易になり、寿命特性を改善するためのアクションに繋げることが可能となる。
　特に、本実施形態におけるバッテリー寿命予測システム２は、予測実行サイクル数までの充放電サイクル試験のサイクル測定データから寿命特性を予測することができるため、予測に用いるサイクル測定データを短時間で得ることができる。そのため、予測対象バッテリーの寿命特性の解析及び改善に要する時間を短縮することが可能となる。
　また、本実施形態におけるバッテリー寿命予測システム２は、学習済みの予測モデルから特徴量毎の寄与態様を解析することで、寿命特性の予測値と共に予測結果に強く影響を与える因子に関する因子データを提示することができる。そのため、ユーザは、寿命特性に強く影響を与える部材を優先して検討することができ、寿命特性に問題がある場合の原因を早期に特定することが可能となる。
　［補足］
　上記各実施形態において、因子分解部１０５及び因子分解部２０５は算出部の一例である。モデル解析部２１０は取得部の一例である。結果送信部１０６及び結果送信部２１２は出力部の一例である。
　上記で説明した実施形態の各機能は、一又は複数の処理回路によって実現することが可能である。ここで、本明細書における「処理回路」とは、電子回路により実装されるプロセッサのようにソフトウェアによって各機能を実行するようプログラミングされたプロセッサや、上記で説明した各機能を実行するよう設計されたASIC（Application Specific Integrated Circuit）、DSP（digital signal processor）、FPGA（field programmable gate array）や従来の回路モジュール等の機器を含むものとする。
　実施例に記載された装置群は、本明細書に開示された実施形態を実施するための複数のコンピューティング環境のうちの１つを示すものにすぎない。ある実施形態では、解析装置１０又は予測装置２０は、サーバクラスタといった複数のコンピューティングデバイスを含む。複数のコンピューティングデバイスは、ネットワークや共有メモリなどを含む任意のタイプの通信リンクを介して互いに通信するように構成されており、本明細書に開示された処理を実施する。
　以上、本発明の実施の形態について詳述したが、本発明はこれらの実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形又は変更が可能である。
　本願は、日本国特許庁に２０２１年１２月７日に出願された日本国特許出願２０２１－１９８７４６号の優先権を主張するものであり、その全内容を参照することにより本願に援用する。
１　バッテリー寿命解析システム
２　バッテリー寿命予測システム
１０　解析装置
２０　予測装置
３０　ユーザ端末
１０１、２０１　データ受信部
１０２、２０２　寿命取得部
１０３、２０３　曲線生成部
１０４、２０４　行列生成部
１０５、２０５　因子分解部
２０６　特徴量生成部
２０７　モデル学習部
２０８　モデル記憶部
２０９　寿命予測部
２１０　モデル解析部
２１１　因子特定部
１０６、２１２　結果送信部
２１３　因子データ記憶部
３０１　データ入力部
３０２　結果出力部

Claims (10)

  1. 　対象バッテリーのサイクル測定データから寿命データを取得するように構成された取得部と、
    　前記対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の変化を示す因子強度推移データ及び各因子の電圧と電流容量との関係を表す因子データを算出するように構成された算出部と、
    　前記寿命データ、前記因子データ及び前記因子強度推移データを出力するように構成された出力部と、
    　を備える解析装置。
  2. 　請求項１に記載の解析装置であって、
    　前記電圧と前記電流容量との関係は、前記サイクル測定データから生成されるＱＶ曲線又はｄＱ／ｄＶ曲線に基づいて算出される、
    　解析装置。
  3. 　請求項２に記載の解析装置であって、
    　前記算出部は、非負値行列因子分解により前記因子分解を行う、
    　解析装置。
  4. 　所定サイクルまでの対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の、前記所定サイクルまでの変化を示す因子強度推移データを算出するように構成された算出部と、
    　各因子の前記因子強度推移データから、特徴量を生成するように構成された生成部と、
    　前記所定サイクルまでの学習用サイクル測定データに基づいて生成された各因子の特徴量と、寿命データとの関係を学習したモデルに、前記生成部により生成された特徴量を入力することで、前記対象バッテリーの寿命特性を予測するように構成された予測部と、
    　を備える予測装置。
  5. 　請求項４に記載の予測装置であって、
    　前記寿命特性の予測値と、前記学習用サイクル測定データから算出された所定の因子の前記電圧と前記電流容量との関係を表す因子データと、を出力するように構成された出力部をさらに備える、
    　予測装置。
  6. 　請求項５に記載の予測装置であって、
    　前記モデルを解析することで、前記生成部により生成された前記特徴量それぞれについて、前記対象バッテリーの前記寿命特性の予測に対する寄与態様を取得するように構成された取得部と、
    　前記生成部により生成された前記特徴量のうち、前記寄与態様が所定の条件を満たす前記特徴量を抽出し、対応する因子を特定するように構成された特定部と、
    　をさらに備え、
    　前記出力部は、前記対象バッテリーの前記寿命特性の予測値と、前記特定した因子に関する前記因子データと、前記特定した因子に対応する前記寄与態様と、を出力する、
    　予測装置。
  7. 　コンピュータが、
    　対象バッテリーのサイクル測定データから寿命データを取得する取得手順と、
    　前記対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の変化を示す因子強度推移データ及び各因子の電圧と電流容量との関係を表す因子データを算出する算出手順と、
    　前記寿命データ、前記因子データ及び前記因子強度推移データを出力する出力手順と、
    　を実行する解析方法。
  8. 　コンピュータが、
    　所定サイクルまでの対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の、前記所定サイクルまでの変化を示す因子強度推移データを算出する算出手順と、
    　各因子の前記因子強度推移データから、特徴量を生成する生成手順と、
    　前記所定サイクルまでの学習用サイクル測定データに基づいて生成された各因子の特徴量と、寿命データとの関係を学習したモデルに、前記生成手順により生成された特徴量を入力することで、前記対象バッテリーの寿命特性を予測する予測手順と、
    　を実行する予測方法。
  9. 　コンピュータに、
    　対象バッテリーのサイクル測定データから寿命データを取得する取得手順と、
    　前記対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の変化を示す因子強度推移データ及び各因子の電圧と電流容量との関係を表す因子データを算出する算出手順と、
    　前記寿命データ、前記因子データ及び前記因子強度推移データを出力する出力手順と、
    　を実行させるためのプログラム。
  10. 　コンピュータに、
    　所定サイクルまでの対象バッテリーのサイクル測定データから算出される電圧と電流容量との関係を因子分解することで、前記電流容量に影響を与える各因子の強度の、前記所定サイクルまでの変化を示す因子強度推移データを算出する算出手順と、
    　各因子の前記因子強度推移データから、特徴量を生成する生成手順と、
    　前記所定サイクルまでの学習用サイクル測定データに基づいて生成された各因子の特徴量と、寿命データとの関係を学習したモデルに、前記生成手順により生成された特徴量を入力することで、前記対象バッテリーの寿命特性を予測する予測手順と、
    　を実行させるためのプログラム。
PCT/JP2022/043969 2021-12-07 2022-11-29 解析装置、予測装置、解析方法、予測方法及びプログラム WO2023106166A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US18/555,121 US20240201265A1 (en) 2021-12-07 2022-11-29 Analyzing device, predicting device, analyzing method, predicting method, and program
CN202280036875.XA CN117441108A (zh) 2021-12-07 2022-11-29 解析装置、预测装置、解析方法、预测方法和程序
JP2023517407A JP7298802B1 (ja) 2021-12-07 2022-11-29 解析装置、予測装置、解析方法、予測方法及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021198746 2021-12-07
JP2021-198746 2021-12-07

Publications (1)

Publication Number Publication Date
WO2023106166A1 true WO2023106166A1 (ja) 2023-06-15

Family

ID=86730295

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/043969 WO2023106166A1 (ja) 2021-12-07 2022-11-29 解析装置、予測装置、解析方法、予測方法及びプログラム

Country Status (4)

Country Link
US (1) US20240201265A1 (ja)
JP (1) JP7298802B1 (ja)
CN (1) CN117441108A (ja)
WO (1) WO2023106166A1 (ja)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018036131A (ja) * 2016-08-31 2018-03-08 株式会社日産アーク 構造複合体の状態推定方法及びシステム
JP2018084549A (ja) * 2016-11-25 2018-05-31 本田技研工業株式会社 二次電池の状態推定装置及び二次電池の状態推定方法
JP6488105B2 (ja) 2014-10-28 2019-03-20 株式会社東芝 蓄電池評価装置及び方法
JP2019113524A (ja) 2017-10-17 2019-07-11 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル
JP2019160072A (ja) * 2018-03-15 2019-09-19 沖電気工業株式会社 情報処理装置、情報処理方法、及びプログラム
JP2020046420A (ja) * 2018-09-14 2020-03-26 トヨタ自動車株式会社 二次電池システムおよび二次電池の劣化状態推定方法
US20210325470A1 (en) * 2020-04-13 2021-10-21 Samsung Electronics Co., Ltd. Battery management system and method for determining active material content in electrode of battery
JP2022085385A (ja) * 2020-11-27 2022-06-08 株式会社東芝 電池の劣化判定装置、電池の管理システム、電池搭載機器、電池の劣化判定方法、及び、電池の劣化判定プログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6488105B2 (ja) 2014-10-28 2019-03-20 株式会社東芝 蓄電池評価装置及び方法
JP2018036131A (ja) * 2016-08-31 2018-03-08 株式会社日産アーク 構造複合体の状態推定方法及びシステム
JP2018084549A (ja) * 2016-11-25 2018-05-31 本田技研工業株式会社 二次電池の状態推定装置及び二次電池の状態推定方法
JP2019113524A (ja) 2017-10-17 2019-07-11 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル
JP2019160072A (ja) * 2018-03-15 2019-09-19 沖電気工業株式会社 情報処理装置、情報処理方法、及びプログラム
JP2020046420A (ja) * 2018-09-14 2020-03-26 トヨタ自動車株式会社 二次電池システムおよび二次電池の劣化状態推定方法
US20210325470A1 (en) * 2020-04-13 2021-10-21 Samsung Electronics Co., Ltd. Battery management system and method for determining active material content in electrode of battery
JP2022085385A (ja) * 2020-11-27 2022-06-08 株式会社東芝 電池の劣化判定装置、電池の管理システム、電池搭載機器、電池の劣化判定方法、及び、電池の劣化判定プログラム

Also Published As

Publication number Publication date
JP7298802B1 (ja) 2023-06-27
US20240201265A1 (en) 2024-06-20
CN117441108A (zh) 2024-01-23
JPWO2023106166A1 (ja) 2023-06-15

Similar Documents

Publication Publication Date Title
JP7317484B2 (ja) リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル
Lucu et al. Data-driven nonparametric Li-ion battery ageing model aiming at learning from real operation data–Part A: Storage operation
JP2022514992A (ja) バッテリ診断システム、バッテリ診断方法、及び記憶媒体
CN114371409B (zh) 电池状态预测模型的训练方法、电池状态预测方法及装置
Wang et al. Near-real-time parameter estimation of an electrical battery model with multiple time constants and SOC-dependent capacitance
CN111695301A (zh) 电池电荷状态的预测方法及预测装置、存储介质、设备
WO2014185163A1 (ja) 電池状態推定装置、電池状態管理システム、電池、電池状態推定方法、及び、プログラム
Sun et al. A sequential capacity estimation for the lithium-ion batteries combining incremental capacity curve and discrete Arrhenius fading model
CN113657661A (zh) 一种企业碳排放预测方法、装置、计算机设备和存储介质
KR20180134336A (ko) 전기 열 배터리 모델의 생성 및 사용을 위한 시스템 및 방법
WO2023184824A1 (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
WO2024109760A1 (zh) 一种电池寿命预测方法、预测系统及计算机设备
Che et al. Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation
CN111753461B (zh) 潮汐水位修正方法、目标余水位获取方法、装置和设备
US20230258733A1 (en) Predicting aging of batteries
Qian et al. State of health estimation of lithium-ion battery using energy accumulation-based feature extraction and improved relevance vector regression
CN116338470A (zh) 电池健康评估方法、装置、电子设备及可读存储介质
CN113487019A (zh) 电路故障诊断方法、装置、计算机设备和存储介质
Fan et al. Data-driven identification of lithium-ion batteries: A nonlinear equivalent circuit model with diffusion dynamics
Kwon et al. Joint state-of-health and remaining-useful-life prediction based on multi-level long short-term memory model prognostic framework considering cell voltage inconsistency reflected health indicators
Ren et al. High precision implicit function learning for forecasting supercapacitor state of health based on Gaussian process regression
WO2023106166A1 (ja) 解析装置、予測装置、解析方法、予測方法及びプログラム
WO2020255794A1 (ja) 開発支援装置、開発支援方法、および状態検知方法
CN117330987A (zh) 基于时间的电池健康状态评估的方法、系统、介质和设备
CN114664392B (zh) 电化学参数预测方法、装置、电子设备及可读存储介质

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2023517407

Country of ref document: JP

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

Ref document number: 22904097

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18555121

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202280036875.X

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022904097

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022904097

Country of ref document: EP

Effective date: 20240708