JP6988728B2 - 電池情報処理システム、二次電池の容量推定方法、および、組電池の製造方法 - Google Patents

Description

本開示は、電池情報処理システム、二次電池の容量推定方法、ならびに、組電池、および、その組電池の製造方法に関し、より特定的には、二次電池の満充電容量を推定するための情報処理技術に関する。

近年、組電池が搭載された電動車両（ハイブリッド車、電気自動車など）の普及が進んでいる。これら電動車両の買い替え等に伴い、車載の組電池が回収される。回収される組電池の数量は、今後、急速に増加すると予想されている。

一般に、組電池は、時間の経過あるいは充放電の繰り返しとともに劣化し得るが、劣化の進行度合いは、回収された組電池毎に異なる。そのため、回収された組電池の各々について、劣化の進行度合いが反映される特性（満充電容量など）を評価し、その評価結果に応じて組電池を再利用することが求められる。

二次電池の特性を評価する手法として、交流インピーダンス測定法が公知である。たとえば特開２００３−３１７８１０号公報（特許文献１）には、交流インピーダンス測定法によって取得された二次電池の反応抵抗値に基づいて、二次電池における微小短絡の有無を判定する方法が開示されている。

特開２００３−３１７８１０号公報

二次電池の劣化の進行度合いが反映される特性のなかでも特に重要な特性として、二次電池の満充電容量が挙げられる。たとえば、車載用の組電池では、組電池の満充電容量が電動車両の走行可能距離に大きく影響するためである。

一般に、車載用の組電池は複数（たとえば数個〜十数個）のモジュールを含んで構成され、複数のモジュールの各々は複数（たとえば数十個）のセルを含んで構成される。このような組電池の満充電容量の推定においては、以下のような手順をとることが考えられる。すなわち、回収された組電池から複数のモジュールを取り出し、モジュール毎に交流インピーダンスを測定する。そして、各モジュールの交流インピーダンス測定結果に基づいて、そのモジュールの満充電容量を推定する。それに加えて、モジュールの満充電容量の推定結果に応じて、そのモジュールの再利用の可否を判定してもよいし再利用の態様（用途）を判定してもよい。

交流インピーダンス測定法では、所定範囲に含まれる周波数の交流信号が二次電池に順次印加され、そのときの二次電池の応答信号が測定される。印加された交流信号（印加信号）と測定された応答信号とから二次電池のインピーダンスの実数成分および虚数成分が算出され、その算出結果が複素平面上に離散的にプロットされる。この複素インピーダンスプロットはナイキストプロットとも呼ばれる。

ナイキストプロットを解析することで、二次電池の満充電容量を推定することができる。詳細は後述するが、ナイキストプロットの解析手法としては様々な手法が考えられ、二次電池の満充電容量をできるだけ高精度に推定する可能な手法を採用することが望ましい。

本開示は上記課題を解決するためになされたものであり、その目的は、電池情報システムまたは二次電池の容量推定方法において、二次電池の満充電容量の推定精度を向上させることである。また、本開示の他の目的は、満充電容量が高精度に推定された電池を含んで構成される組電池、および、その製造方法を提供することである。

（１）本開示のある局面に従う電池情報処理システムは、学習済みのニューラルネットワークモデルを記憶する記憶装置と、学習済みのニューラルネットワークモデルを用いて、二次電池の交流インピーダンス測定結果を示すナイキストプロットから対象二次電池の満充電容量を推定する推定装置とを備える。学習済みのニューラルネットワークモデルは、満充電容量が基準範囲内である複数の二次電池のナイキストプロットに基づく学習が行なわれたニューラルネットワークモデルである。推定装置は、対象二次電池のナイキストプロットから抽出された少なくとも１つの特徴量を説明変数とする判別分析によって、対象二次電池が、満充電容量が基準範囲内である第１群と、満充電容量が基準範囲外である第２群とのいずれに属するかを判別する。推定装置は、対象二次電池が第１群に属すると判別された場合に、学習済みのニューラルネットワークモデルを用いて対象二次電池の満充電容量を推定する。

（２）学習済みのニューラルネットワークモデルは、満充電容量が基準範囲の下限値である基準容量を上回る複数の二次電池のナイキストプロットに基づく学習が行なわれたニューラルネットワークモデルである。第１群は、満充電容量が基準容量を上回る二次電池群である。第２群は、満充電容量が基準容量を下回る二次電池群である。

（３）上記少なくとも１つの特徴量は、対象二次電池のナイキストプロットの半円部分および直線部分のうちの直線部分に含まれる所定周波数における交流インピーダンスの虚数成分と、直線部分の傾きとを含む。

（４）ニューラルネットワークモデルは、予め定められたピクセル数の領域に二次電池のナイキストプロットが描かれた画像のピクセル毎の数値が与えられる入力層を含む。領域のピクセル数は、二次電池の交流インピーダンスの測定結果を表す実数成分の個数と虚数成分の個数との和よりも多い。

（５）対象二次電池のナイキストプロットは、印加される交流信号の周波数が１００ｍＨｚ以上かつ１ｋＨｚ以下の周波数範囲である場合の交流インピーダンス測定結果を含む。

上記（１）〜（５）の構成においては、対象二次電池に対する判別分析により、対象二次電池が第１群と第２群とのいずれに属するかが判別される。判別の結果、対象二次電池が第１群に属する場合に、対象二次電池の詳細な満充電容量が学習済みのニューラルネットワークモデルを用いて推定される。学習済みのニューラルネットワークモデルは、第１群に属する二次電池のナイキストプロットのみを用いて学習が行なわれたものであり、第２群に属する二次電池のナイキストプロットは学習に用いられていない。そのため、第１群に属する二次電池のナイキストプロットおよび第２群に属する二次電池のナイキストプロットの両方を学習に用いた場合と比べて、第１群に属する二次電池の満充電容量の推定に最適化されていると言える。したがって、上記（１）〜（５）の構成によれば、二次電池の満充電容量を高精度に推定することができる。

（６）本開示のさらに他の局面に従う組電池は、上記電池情報処理システムにより満充電容量が推定された二次電池を複数含んで構成される。

上記（６）の構成によれば、電池情報システムにより満充電容量が高精度に推定された二次電池を含んで構成される組電池を提供することができる。

（７）本開示のさらに他の局面に従う二次電池の容量推定方法は、対象二次電池の満充電容量を推定する。二次電池の満充電容量推定方法は、第１〜第４のステップを含む。第１のステップは、対象二次電池の交流インピーダンス測定結果を示すナイキストプロットを取得するステップである。第２のステップは、学習済みのニューラルネットワークモデルを用いて、対象二次電池の交流インピーダンス測定結果から対象二次電池の満充電容量を推定するステップである。学習済みのニューラルネットワークモデルは、満充電容量が基準範囲内である複数の二次電池のナイキストプロットに基づく学習が行なわれたニューラルネットワークモデルである。第３のステップは、対象二次電池のナイキストプロットから抽出された特徴量を説明変数とする判別分析によって、対象二次電池が、満充電容量が基準範囲内である第１群と、満充電容量が基準範囲外である第２群とのいずれに属するかを判別するステップである。第４のステップは、対象二次電池が第１群に属すると判別された場合に、学習済みのニューラルネットワークモデルを用いて対象二次電池の満充電容量を推定するステップである。

上記（７）の方法によれば、上記（１）の構成と同様に、二次電池の満充電容量の推定精度を向上させることができる。

（８）本開示のさらに他の局面に従う組電池の製造方法は、第１〜第５のステップを含む。第１のステップは、対象二次電池の交流インピーダンス測定結果を取得するステップである。第２のステップは、学習済みのニューラルネットワークモデルを用いて、対象二次電池の交流インピーダンス測定結果から対象二次電池の満充電容量を推定するステップである。学習済みのニューラルネットワークモデルは、満充電容量が基準範囲内である二次電池の交流インピーダンス測定結果を示すナイキストプロットに基づく学習が行なわれたニューラルネットワークモデルである。第３のステップは、対象二次電池のナイキストプロットから抽出された特徴量を説明変数とする判別分析によって、対象二次電池が、満充電容量が基準範囲内である第１群と、満充電容量が基準範囲外である第２群とのいずれに属するかを判別するステップである。第４のステップは、対象二次電池が第１群に属すると判別された場合に、学習済みのニューラルネットワークモデルを用いて対象二次電池の満充電容量を推定するステップである。第５のステップは、推定するステップ（第４のステップ）により満充電容量が推定された対象二次電池を複数用いて組電池を製造するステップである。

上記（７）の方法によれば、上記（５）の構成と同様に、満充電容量が高精度に推定された二次電池を含んで構成される組電池を製造することができる。

本開示によれば、二次電池の交流インピーダンス測定結果を解析して当該二次電池の満充電容量を高精度に推定することができる。

本実施の形態における組電池の回収から製造・販売までの物流の一態様を示す図である。 図１に示した電池物流モデルにおける処理の流れを示すフローチャートである。 図１に示した電池物流モデルに適用される電池管理システムの構成例を示す図である。 電池情報システムの構成を示す図である。 モジュールの交流インピーダンス測定結果のナイキストプロットの一例を示す図である。 比較例におけるニューラルネットワークモデルの学習を説明するための概念図である。 学習用画像を説明するための図である。 比較例におけるモジュールの容量推定結果の一例を説明するための図である。 ナイキストプロットの測定結果と満充電容量との間の関係を示す図である。 本実施の形態における判別分析を説明するための図である。 本実施の形態におけるニューラルネットワークモデルの学習を説明するための概念図である。 本実施の形態におけるニューラルネットワークモデルの学習方法を示すフローチャートである。 本実施の形態におけるモジュールの容量推定処理を示すフローチャートである。 本実施の形態におけるモジュールの容量推定結果の一例を説明するための図である。

以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は繰り返さない。

本開示において、組電池は、複数のモジュール（あるいはブロックとも呼ばれる）を含んで構成される。複数のモジュールは、直列接続されていてもよいし、互いに並列に接続されていてもよい。複数のモジュールの各々は、直列に接続された複数のセル（単電池）を含む。

本開示において、組電池の「製造」とは、組電池を構成する複数のモジュールのうちの少なくとも一部を別のモジュール（交換用モジュール）に交換して組電池を製造することを意味する。交換用モジュールは、基本的には、回収された組電池から取り出された再利用可能なモジュールであるが、新品のモジュールであってもよい。

一般に、組電池の「再利用」は、リユース、リビルドおよびリサイクルに大別される。リユースの場合、回収された組電池は、必要な出荷検査を経て、そのままリユース品として出荷される。リビルトの場合、回収された組電池は、たとえば一旦、モジュール（セルであってもよい）に分解される。そして、分解されたモジュールのうち、性能回復後に利用可能となるモジュール（そのままで利用可能なモジュールであってもよい）が組み合わされ、新たな組電池が製造される。新たに製造された組電池は、出荷検査を経て、リビルト品として出荷される。これに対し、リサイクル（資源リサイクル）では、各セルから再生可能な材料が取り出されるため、回収された組電池が他の組電池として使用されることはない。

以下に説明する実施の形態においては、車両から回収された組電池は、一旦モジュールに分解された後、モジュール単位で性能検査が行なわれる。性能検査の結果、再利用可能と判定されたモジュールから組電池が製造される。したがって、以下では、再利用が可能なモジュールとは、リビルトが可能なモジュールを意味する。しかし、組電池の構成によっては、組電池をモジュールに分解することなく、組電池のまま性能検査を行なうことも可能である。そのような場合の「再利用」は、リユースおよびリビルドの両方を包含し得る。

また、本実施の形態において、各セルは、ニッケル水素電池である。より具体的には、正極は、水酸化ニッケル（Ｎｉ（ＯＨ）_２）にコバルト酸化物の添加剤を加えたものである。負極は、水素吸蔵合金（ニッケル系合金であるＭｎＮｉ５系）である。電解液は、水酸化カリウム（ＫＯＨ）である。しかし、これは具体的なセル構成の例示に過ぎず、本開示が適用可能なセル構成は、これに限定されるものではない。

［実施の形態］
＜電池物流モデル＞
図１は、本実施の形態における組電池の回収から製造・販売までの物流の一態様を示す図である。以下では、図１に示される物流の態様を「電池物流モデル」と称する。図２は、図１に示した電池物流モデルにおける処理の流れを示すフローチャートである。

図１および図２を参照して、この電池物流モデルでは、組電池が搭載された複数の車両から使用済みの組電池が回収され、回収された組電池に含まれる再利用可能なモジュールを用いて組電池が製造・販売される。そして、あるユーザの車両９０に搭載された組電池が交換される。

回収業者１０は、車両９１〜９３から使用済みの組電池を回収する。車両９１〜９３には、組電池９１０〜９３０がそれぞれ搭載されている。なお、図１では、紙面の都合上、３台の車両のみを示すが、実際には、より多くの車両から組電池が回収される。回収業者１０は、回収された組電池を分解し、組電池から複数のモジュールを取り出す（ステップＳ１、以下、ステップを「Ｓ」と略す）。

この電池物流モデルでは、モジュール毎に当該モジュールを特定するための識別情報（ＩＤ）が付与されており、各モジュールの情報が管理サーバ８０によって管理されている。そのため、回収業者１０は、組電池から取り出された各モジュールのＩＤを、端末７１（図３参照）を用いて管理サーバ８０へ送信する。

検査業者２０は、回収業者１０によって回収された各モジュールの性能検査を行なう（Ｓ２）。具体的には、検査業者２０は、回収されたモジュールの特性を検査する。たとえば、検査業者２０は、満充電容量、抵抗値、ＯＣＶ（Open Circuit Voltage）、ＳＯＣ（State Of Charge）等の電気的特性を検査する。そして、検査業者２０は、検査結果に基づいて、再利用可能なモジュールと再利用不可能なモジュールとを分別し、再利用可能なモジュールについては性能回復業者３０へ引き渡し、再利用不可能なモジュールについてはリサイクル業者６０へ引き渡す。なお、各モジュールの検査結果は、検査業者２０の端末７２（図３参照）を用いて管理サーバ８０へ送信される。

性能回復業者３０は、検査業者２０によって再利用可能とされたモジュールの性能を回復させるための処理を行なう（Ｓ３）。一例として、性能回復業者３０は、過充電状態までモジュールを充電することによって、モジュールの満充電容量を回復させる。ただし、検査業者２０による検査において性能低下が小さいと判断されたモジュールについては、性能回復業者３０による性能回復処理を省略してもよい。各モジュールの性能回復結果は、性能回復業者３０の端末７３（図３参照）を用いて管理サーバ８０へ送信される。

製造業者４０は、性能回復業者３０によって性能が回復されたモジュールを用いて組電池を製造する（Ｓ４）。本実施の形態では、組電池を製造するための情報（組立情報）が管理サーバ８０において生成され、製造業者４０の端末７４（図３参照）へ送信される。製造業者４０は、その組立情報に従って、車両９０の組電池に含まれるモジュールを交換して、車両９０の組電池を製造（リビルド）する。

販売店５０は、製造業者４０によって製造された組電池を車両用として販売したり、住宅等で利用可能な定置用として販売したりする（Ｓ５）。本実施の形態では、車両９０が販売店５０に持ち込まれ、販売店５０において、車両９０の組電池が製造業者４０により製造されたリユース品またはリビルド品に交換される。

リサイクル業者６０は、検査業者２０によって再利用不可能とされたモジュールを解体し、新たなセルやその他製品の原料として利用するための再資源化を行なう。

なお、図１では、回収業者１０、検査業者２０、性能回復業者３０、製造業者４０および販売店５０は、互いに異なる業者としたが、業者の区分はこれに限定されるものではない。たとえば、検査業者２０と性能回復業者３０とが一の業者であってもよい。あるいは、回収業者１０は、組電池を回収する業者と、回収された組電池を解体する業者とに分かれていてもよい。また、各業者および販売店の拠点は、特に限定されるものではない。各業者および販売店の拠点は別々であってもよいし、複数の業者あるいは販売店が同一拠点にあってもよい。

図３は、図１に示した電池物流モデルに適用される電池管理システムの構成例を示す図である。図３を参照して、電池管理システム１００は、端末７１〜７５と、管理サーバ８０と、通信ネットワーク８１と、基地局８２とを備える。

端末７１は、回収業者１０の端末である。端末７２は、検査業者２０の端末である。端末７３は、性能回復業者３０の端末である。端末７４は、製造業者４０の端末である。端末７５は、販売店５０の端末である。

管理サーバ８０と各端末７１〜７５とは、インターネットまたは電話回線等である通信ネットワーク８１を介して互いに通信可能に構成されている。通信ネットワーク８１の基地局８２は、車両９０と無線通信によって情報の授受が可能に構成されている。

検査業者２０には、各モジュールの交流インピーダンスを測定し、その測定結果に当該モジュールの再利用態様（リビルドまたはリサイクル）を判定するための電池情報システム（以下、「処理システム」と略す場合がある）２００が設置されている。処理システム２００により判定されたモジュールの再利用態様は、たとえば端末７２を介して管理サーバ８０に送信される。

以下では、車両９１から取り出された組電池９１０に含まれる複数のモジュールのうち、あるモジュール（以下では「モジュールＭ」と記載する）の満充電容量が処理システム２００により推定される。さらに、モジュールＭの満充電容量の推定結果に基づき、モジュールＭの再利用態様が判定される。

＜電池情報システムの構成＞
図４は、処理システム２００の構成を示す図である。処理システム２００は、測定装置２１０と、記憶装置２２０と、解析装置２３０と、表示装置２４０とを備える。なお、これらの装置は、互いに独立した装置として構成されていてもよいし、１台の装置として構成されていてもよい。

測定装置２１０は、モジュールＭの交流インピーダンスを測定し、その測定結果を示すナイキストプロットを解析装置２３０に出力する。より具体的には、測定装置２１０は、発振器２１１と、ポテンショスタット２１２と、ロックインアンプ２１３と、プロッタ２１４とを含む。

発振器２１１は、ポテンショスタット２１２とロックインアンプ２１３とに同位相の正弦波を出力する。

ポテンショスタット２１２は、発振器２１１からの正弦波と同位相の交流電圧（たとえば振幅が１０ｍＶ程度の電圧）に所定の直流電圧を重ね合わせることで印加信号を生成し、生成された印加信号をモジュールＭに印加する。そして、ポテンショスタット２１２は、モジュールＭを流れる電流を検出し、その検出結果をモジュールＭからの応答信号としてロックインアンプ２１３に出力する。また、ポテンショスタット２１２は、印加信号と応答信号とをプロッタ２１４に出力する。

ロックインアンプ２１３は、発振器２１１から受けた正弦波の位相と、ポテンショスタット２１２により検出された応答信号の位相とを比較し、その比較結果（正弦波と応答信号との位相差）をプロッタ２１４に出力する。

プロッタ２１４は、ポテンショスタット２１２からの信号（印加信号と応答信号との振幅比を示す信号）と、ロックインアンプ２１３からの信号（印加信号と応答信号との位相差を示す信号）とに基づいて、モジュールＭの交流インピーダンス測定結果を複素平面上にプロットする。より具体的には、発振器２１１から出力される正弦波の周波数が所定の周波数範囲で掃引され、ポテンショスタット２１２およびロックインアンプ２１３による前述の処理が繰り返し実行される。これにより、正弦波の各周波数について、モジュールＭの交流インピーダンス測定結果が複素平面上にプロットされることとなる。このプロットは、「ナイキストプロット」と呼ばれる（コールコールプロットと呼ばれる場合もある）。モジュールＭのナイキストプロットは、解析装置２３０に出力される。

なお、測定装置２１０の構成は、図４に示した構成に限定されるものではない。たとえば交流電圧をモジュールＭに印加し、そのときにモジュールＭを流れる電流を検出すると説明したが、ポテンショスタット２１２は、モジュールＭに交流電流を印加したときの電圧応答を検出してもよい。また、測定装置２１０は、ロックインアンプ２１３に代えて周波数応答解析器（図示せず）を含んでもよい。

さらに、交流インピーダンス測定手法としては以下の手法も採用可能である。すなわち、所定の周波数範囲内の様々な周波数成分を含む印加信号（電圧信号および電流信号のうちの一方）を生成し、その印加信号の印加時の応答信号（電圧信号および電流信号のうちの他方）を検出する。印加信号および応答信号の各々に高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）を施して周波数分解することで、周波数毎に交流インピーダンスを算出する。このような手法によりナイキストプロットを作成することも可能である。

記憶装置２２０は、解析装置２３０によるモジュールの満充電容量を推定するための学習済みのニューラルネットワークモデルを記憶する。記憶装置２２０は、解析装置２３０からの要求に応じて、ニューラルネットワークモデルの学習を行なったり、学習結果を更新したり、解析装置２３０により参照されて学習結果を解析装置２３０に出力したりする。

解析装置２３０は、たとえば、ＣＰＵ（Central Processing Unit）と、メモリと、入出力ポート（いずれも図示せず）とを含んで構成されるマイクロコンピュータである。具体的には、解析装置２３０は、満充電容量推定部２３１と、再利用判定部２３２とを含む。

満充電容量推定部２３１は、測定装置２１０により取得されたモジュールＭのナイキストプロットを解析することによって、モジュールＭの満充電容量を推定する。以下、この処理を「容量推定処理」とも称する。解析装置２３０による容量推定処理については後に詳細に説明する。

再利用判定部２３２は、モジュールＭの満充電容量の推定結果に応じて、モジュールＭの再利用態様を判定する。再利用判定部２３２は、モジュールＭの再利用の可否を判定してもよい。解析装置２３０により推定されたモジュールＭの満充電容量と、再利用判定部２３２により判定された再利用態様とは、表示装置２４０に出力される。

表示装置２４０は、たとえば液晶ディスプレイなどにより実現され、解析装置２３０による容量推定処理の結果およびモジュールＭの再利用態様の判定結果を表示する。これにより、検査業者は、モジュールＭに対してどのような処理を施すべきかを知ることができる。

なお、解析装置２３０は、本開示に係る「推定装置」に相当する。解析装置２３０において、再利用判定部２３２は、モジュールＭの満充電容量の推定に必須の構成ではない。また、記憶装置２２０および解析装置２３０は、本開示に係る「電池情報システム」に相当する。

＜ナイキストプロット＞
図５は、モジュールＭの交流インピーダンス測定結果のナイキストプロットの一例を示す図である。図５および後述する図９において、横軸はモジュールＭの複素インピーダンスの実数成分Ｚ_Ｒｅを示し、縦軸はモジュールＭの複素インピーダンスの虚数成分−Ｚ_Ｉｍを示す。

図５には、印加信号の周波数を１００ｍＨｚ〜１ｋＨｚの範囲で掃引した場合の交流インピーダンス測定結果の一例が示されている。図５に示すように、様々な周波数の信号が印加されることで、周波数に応じたモジュールＭの交流インピーダンス測定結果が離散的な値として複素平面上にプロットされる。詳細には、本実施の形態では、１００ｍＨｚ〜１ｋＨｚの周波数領域において５２通りの周波数の印加信号が用いられる。このようにして得られるナイキストプロットは、高周波数（この例では１Ｈｚ〜１ｋＨｚ）の印加信号から得られる半円部分を有するとともに、低周波数（１００ｍＨｚ〜１Ｈｚ）の印加信号から得られる直線部分を有する。

本実施の形態における容量推定処理では、モジュールの満充電容量の推定にニューラルネットワークモデルが用いられる。このニューラルネットワークモデルにおいては、交流インピーダンスの測定結果が入力層に与えられた場合に高精度な満充電容量の推定結果が出力層から出力されるように、ニューラルネットワークモデルの機械学習が行なわれる。本実施の形態におけるニューラルネットワークモデルの学習の特徴を明確にするため、まず、比較例における学習について説明する。

＜比較例＞
図６は、比較例におけるニューラルネットワークモデルの学習を説明するための概念図である。図６を参照して、ニューラルネットワークモデルは、たとえば、入力層ｘと、隠れ層ｙと、出力層ｚとを含む。入力層ｘと隠れ層との間の重み付けをＷ１と記載し、隠れ層ｙと出力層ｚとの間の重み付けをＷ２と記載する。

比較例および本実施の形態のいずれにおいても、まず、満充電容量が既知のモジュールが複数（多数）準備される。そして、それらのモジュールの交流インピーダンス測定結果（ナイキストプロット）に基づいて、機械学習に用いられる画像が生成される。この画像を「学習用画像」と称する。学習用画像は、交流インピーダンスの測定結果毎に生成される。つまり、ｍ個のモジュールの交流インピーダンスが測定された場合、ｍ個の学習用画像が生成される。複数の学習用画像をニューラルネットワークモデルの入力層ｘに順次与えると、その都度、ニューラルネットワークモデルの出力層ｚから満充電容量の推定値が出力される。そして、満充電容量の既知の値（正確な値）と満充電容量の推定値とを比較することによって、ニューラルネットワークモデルの機械学習（教師付学習）が進められる。

図７は、学習用画像を説明するための図である。図７に示すように、学習用画像は、たとえば、縦４７ピクセル×横７８ピクセル＝３，６６６ピクセルの領域により構成されている。学習用画像では、５２通りの周波数での交流インピーダンス測定結果（ナイキストプロット）のいずれかに一致するピクセルは黒く描かれ、いずれにも一致しないピクセルは白く描かれている。このようにすることで、５２通りの周波数での交流インピーダンス測定結果から、３，６６６個の入力情報を得ることができる。つまり、学習用画像には、ナイキストプロットに一致するピクセルに表される情報（黒く描かれた情報）だけでなく、ナイキストプロットに一致しないピクセルに表される情報（余白部分の情報）も含まれているため、入力情報量が大きい。これにより、単に５２通りの周波数での交流インピーダンス測定結果をニューラルネットワークモデルの入力層ｘに与える場合と比べて、学習効果を高めることができるので、満充電容量の推定精度を向上させることができる。

なお、３，６６６個の入力情報に対応して、ニューラルネットワークモデルの入力層ｘは、３，６６６個のノードを含んで構成される。出力層ｚは、たとえば、０Ａｈ〜７Ａｈの範囲で０．１Ａｈ刻みで満充電容量の推定結果を出力できるように、７１個のノードを含んで構成することができる。

図８は、比較例におけるモジュールの容量推定結果の一例を説明するための図である。図８および後述する図１４において、横軸は、モジュールの実際の満充電容量を示す。実際の満充電容量とは、たとえば、モジュールを完全放電状態から満充電状態まで充電する際の充電量を測定するなど、測定時間は要するものの、一般に高精度とされる測定手法により測定された満充電容量である。以下、この値を「満充電容量の実測値」とも記載する。一方、縦軸は、比較例１における前述の容量推定処理に従って算出されたモジュールの満充電容量を示す。以下、この値を「満充電容量の推定値」とも記載する。

図８および図１４では、満充電容量の推定値と満充電容量の実測値とが厳密に一致した状態が直線Ｌ１（実線）で示されている。また、満充電容量の実測値に対して満充電容量の推定値の誤差が所定範囲内（この例では±０．５Ａｈ）である状態が２本の直線Ｌ２（破線）で挟まされた範囲（「一致範囲」と記載する）により示されている。本明細書では、多数のモジュールの満充電容量を容量推定処理により推定した結果、満充電容量の推定値が一致範囲内であった割合を「容量推定精度」と呼んでいる。

図８を参照して、比較例における容量推定精度は、８３．０％であった。この容量推定精度は低くはないものの、容量推定精度を一層向上させることが望ましい。

ここで、比較例におけるニューラルネットワークモデルの学習は、様々な満充電容量を有するモジュールから生成された学習用画像を用いて行なわれる。これに対し、発明者らは、ナイキストプロットを観察した結果から、満充電容量のある範囲内と範囲外とでは、ナイキストプロットの直線部分（図５参照）の形状が異なる傾向を示すことを見出した。この満充電容量の範囲を以下では「基準範囲」と称し、基準範囲の下限値を「基準容量」と称する。この例では、基準範囲は、３Ａｈ以上かつ７Ａｈ以下の範囲であり、基準容量は３Ａｈである。

図９は、ナイキストプロットの形状と満充電容量との間の関係を示す図である。図９には、様々な満充電容量のモジュールにおけるナイキストプロットが重ねて示されている。図９を参照して、満充電容量が基準範囲内である（基準容量である３Ａｈ以上である）モジュールから得られたナイキストプロットでは、満充電容量が基準範囲外である（３Ａｈ未満である）モジュールから得られたナイキストプロットと比べて、直線部分の端部が図中下側に位置すること、すなわち、交流インピーダンスの虚数成分が小さいことが分かる。また、直線部分の傾きが小さい（傾きが緩やかである）ことが分かる。

より具体的に説明すると、満充電容量が基準容量以上であるモジュールのナイキストプロットでは、満充電容量が基準容量未満であるモジュールのナイキストプロットと比べて、直線部分のうち最も周波数が低い１００ｍＨｚにおける交流インピーダンスの虚数成分が小さく、かつ、１００ｍＨｚ〜１２０ｍＨｚの範囲における直線部分の傾きが小さい。このことから、満充電容量が未知のモジュールがあった場合に、そのモジュールのナイキストプロットから、直線部分の端部における交流インピーダンスの虚数成分と直線部分の傾きとを抽出することによって、そのモジュールの満充電容量が基準容量以上であるか基準容量未満であるかを判別可能であることが分かる。

上記知見に加え、あるモジュールの満充電容量が基準容量（この例では３Ａｈ）未満である場合には、そのモジュールは、劣化が過度に進行しており、リビルドに適さないと考えられる。そのため、リサイクル（資源回収）に回す方が良いが、リサイクルに回すのであれば、満充電容量の詳細な値を求める必要性は小さいとの事情が存在する。

このような知見および事情に鑑み、本実施の形態においては、まず、満充電容量の推定対象であるモジュールＭに対して２群判別分析を実施する。すなわち、モジュールＭのナイキストプロットから上記２つの特徴量（直線部分の端部の交流インピーダンスの虚数成分および直線部分の傾き）を抽出することで、モジュールＭの満充電容量が基準容量以上か否かをまず確認する。その結果、満充電容量が基準容量以上であれば、ニューラルネットワークモデルを使用して詳細な満充電容量を推定する。

使用されるニューラルネットワークモデルは、満充電容量が基準容量以上であるモジュールのナイキストプロットから生成された学習用画像による機械学習が行なわれたものである。よって、満充電容量が基準容量以上であるモジュールの満充電容量の推定に最適化されている。したがって、満充電容量が基準容量以上であるか否かを考慮せず、すべてのモジュールのナイキストプロットから生成された学習用画像を機械学習に用いた場合（言い換えると、満充電容量が基準容量未満でありリサイクルに回すべきモジュールのナイキストプロットから生成された学習用画像も機械学習に用いた場合）と比べて、満充電容量の推定精度を向上させることができる。

＜２群判別分析＞
本実施の形態では、２群判別分析の手法として、マハラノビス＝タグチ法（ＭＴ法）が用いられる。この手法について簡単に説明する。以下では、満充電容量が基準容量以上であるモジュールは「第１群」に属し、満充電容量が基準容量未満であるモジュールは「第２群」に属するという。

図１０は、本実施の形態における２群判別分析の手法を説明するための概念図である。図１０において、横軸は、ナイキストプロットの直線部分の端部（印加信号の周波数＝１００ｍＨｚ）における交流インピーダンスの虚数成分を表し、縦軸は、印加信号の周波数１００ｍＨｚ〜１２０ｍＨｚの範囲における直線部分の傾きを表す。

複数のモジュールについて、ナイキストプロットと、満充電容量（実測値）とが準備される。図１０には、それらのナイキストプロットから、直線部分の端部の交流インピーダンスの虚数成分と直線部分の傾きとを特徴量（説明変数）として抽出した結果がプロットされている（黒丸参照）。各プロット（黒丸）は、満充電容量（実測値）が基準容量以上であるか基準容量未満であるかによって、さらに判別される。満充電容量（実測値）が基準容量以上のモジュールから得られたプロット群（単位空間）が「第１群」と示され、満充電容量が基準容量未満のモジュールから得られたプロット群（信号空間）が「第２群」と示されている。

満充電容量の推定対象であり、満充電容量が未知のモジュールＭが第１群および第２群のどちらに属するか（モジュールＭの満充電容量が基準容量以上であるか基準容量未満であるか）を判別する際には、まず、モジュールＭのナイキストプロットから抽出される上記２つの特徴量から、第１群を示すプロット群に対するモジュールＭを示すプロットのマハラノビス距離が算出される。

この例におけるマハラノビス距離とは、概念的には、モジュールＭを示すプロットと、第１群を示すプロット群（プロットの散らばり具合まで考慮したもの）との間の距離である。図１０では、マハラノビス距離は、モジュールＭを示すプロット（斜線付の点参照）と、第１群を示すプロット群内部（中心付近）に位置するプロット（白丸参照）との間の距離により表される。具体的には、本実施の形態におけるマハラノビス距離ｄは、下記式（１）に従って算出することができる。

式（１）では、モジュールＭのナイキストプロットにおける直線部分の端部の交流インピーダンスの虚数成分をｘ_１で示す。モジュールＭのナイキストプロットにおける直線部分の傾きをｘ_２で示す。また、第１群に属するモジュールのナイキストプロットにおける直線部分の端部の交流インピーダンスの虚数成分の平均値をμ_１で示す。第１群に属するモジュールのナイキストプロットにおける直線部分の傾きの平均値をμ_２で示す。ρとは、第１群に属するモジュールのデータの分散σ_１，σ_２および共分散σ_１２を用いて、ρ＝σ_１２／σ_１σ_２と表される相関係数である。

マハラノビス距離ｄが予め定められた閾値ＴＨ以下である場合、モジュールＭは、第１群に属すると判定される。一方、マハラノビス距離が閾値ＴＨよりも大きい場合、モジュールＭは、第２群に属すると判定される。

なお、モジュールＭと第１群との間のマハラノビス距離と、モジュールＭと第２群との間のマハラノビス距離とを別々に算出し、両者を比較することによって、モジュールＭが第１群および第２群のどちらに近いのかによりモジュールＭの判別を行なってもよい。また、２群判別分析の手法はマハラノビス＝タグチ法に限定されず、他の手法を用いてもよい。たとえば、上記２つの特徴量とは異なる特徴量を抽出して線形判別法を用いてもよい。

＜ニューラルネットワーク学習＞
図１１は、本実施の形態におけるニューラルネットワークモデルの学習を説明するための概念図である。図１２は、本実施の形態におけるニューラルネットワークモデルの学習方法を示すフローチャートである。このフローチャートは、ニューラルネットワークモデルの開発者により定められた条件が成立したときに実行される。

図１１および図１２を参照して、まず、満充電容量の実測値が基準容量（この例では３Ａｈ）以上である複数のモジュールが準備される。また、未学習のニューラルネットワークモデルが準備される（Ｓ１１）。

Ｓ１２において、満充電容量が基準容量以上である複数のモジュールの交流インピーダンス測定結果（ナイキストプロット）から、それと同数の学習用画像が生成される。この処理については図６にて詳細に説明したため、ここでの説明は繰り返さない。

Ｓ１３において、ニューラルネットワークモデルの入力層ｘに対して、Ｓ１２にて生成された学習用画像のうちのいずれかが与えられ、入力層ｘからの出力（満充電容量の推定値）が取得される。これにより、ニューラルネットワークモデルの教師付学習が行なわれる。より具体的には、以下のような手順で学習が行なわれる。

まず、満充電容量の推定値と満充電容量の実測値とを比較することで満充電容量の推定値の正誤が判定され、その正誤が教師信号としてフィードバックされる。たとえば、あるモジュールの学習用画像から、そのモジュールの満充電容量がＱｋと推定されたとする。そのモジュールの満充電容量の実測値がＱｋであった場合、推定が正解であったことを教師信号がフィードバックされる。一方、そのモジュールの満充電容量の実測値がＱｋではなかった場合、推定が誤りであったことが教師信号によりフィードバックされる。多数のモジュールの推定結果に基づく教師信号に応じて、入力層ｘと隠れ層ｙとの間の重み付けＷ１と、隠れ層ｙと出力層ｚとの間の重み付けＷ２とが調整される。このように、多数の学習用画像を用いた推定を行ないながら教師信号による補正を繰り返すことによって、ニューラルネットワークモデルの容量推定精度を高めていく。容量推定精度が所定値よりも高くなったり所定時間が経過したりした場合に、Ｓ１３の処理を終了させる。これにより、ニューラルネットワークモデルの学習が完了する。

＜容量推定処理フロー＞
図１３は、本実施の形態におけるモジュールＭの容量推定処理を示すフローチャートである。このフローチャートは、たとえば、検査業者が処理システム２００にモジュールＭを設置した上で、図示しない操作部（開始ボタンなど）を操作した場合に処理システム２００により実行される。

以下では、説明の簡易化のため、各処理の実行主体としての処理システム２００の構成要素（測定装置２１０に含まれる各構成部品や解析装置２３０など）を特に区別せず、包括的に「処理システム２００」と記載する。各ステップは、基本的には処理システム２００によるソフトウェア処理により実現されるが、その一部または全部が処理システム２００内に作製されたハードウェア（電気回路）により実現されてもよい。

図１３を参照して、処理システム２００は、まず、モジュールＭの交流インピーダンスを測定し、その測定結果からナイキストプロットを取得する（Ｓ２１）。交流インピーダンスの測定手法については、図４にて測定装置２１０の構成を説明する際に詳細に説明したため、ここでの説明は繰り返さない。

そして、処理システム２００は、モジュールＭの交流インピーダンス測定結果から、モジュールＭの満充電容量を推定するための画像（以下、「推定用画像」と記載する）を生成する（Ｓ２２）。推定用画像の生成手法は、図７にて説明した学習用画像の生成手法と同様である。

Ｓ２３において、処理システム２００は、モジュールＭの推定用画像に基づき、モジュールＭが第１群および第２群のうちのいずれの群に属するかを判別するための２群判別分析を実施する。２群判別手法についても図９にて詳細に説明したため、説明は繰り返さない。

２群判別分析の結果、モジュールＭが第１群に属すると判別されると（Ｓ２３において第１群）、処理システム２００は、Ｓ２２にて生成されたモジュールＭの推定用画像を学習済みのニューラルネットワークモデルの入力層ｘに与える（Ｓ２４）。そして、処理システム２００は、ニューラルネットワークモデルの出力層ｚから、モジュールＭの満充電容量の推定値を受ける（Ｓ２５）。

Ｓ２６において、処理システム２００は、モジュールＭの満充電容量の推定値に基づいて、モジュールＭの再利用態様を判定する。たとえば、処理システム２００は、モジュールＭの満充電容量の推定値である現在の満充電容量Ｑ（Ｍ）と、初期満充電容量Ｑ０（モジュールＭの仕様から既知の値）との比（＝Ｑ（Ｍ）／Ｑ０）を「容量維持率」として算出し、容量維持率を所定の判定値と比較する。処理システム２００は、モジュールＭの容量維持率が判定値以上である場合にはモジュールＭを組電池のリビルドに使用可能であると判定し、モジュールＭの容量維持率が判定値未満である場合にはモジュールＭはリビルドには使用不可である（資源リサイクルに回すべきである）と判定する。

一方、２群判別分析の結果、モジュールＭが第２群に属すると判別されると（Ｓ２３において第２群）、処理システム２００は、ニューラルネットワークモデルを用いることなく、モジュールＭの再利用態様を判定する（Ｓ２７）。より具体的には、処理システム２００は、モジュールＭの満充電容量が基準容量未満であるため、モジュールＭはリビルドに適さないとして資源リサイクルに回すと判定する。

＜評価結果＞
図１４は、本実施の形態におけるモジュールの容量推定精度結果の一例を説明するための図であり、図８と対比される。図１４を参照して、満充電容量が基準容量である３Ａｈ以上の領域（太線で囲って示す）において、満充電容量の推定値と実測値との組合せのプロットのうち一致範囲内に位置するものの割合が十分に高いことが分かる。具体的には、満充電容量が基準容量以上の領域における容量推定精度は、８６．２％であった。この値は、比較例における容量推定精度（８３．０％）よりも高い。これにより、本実施の形態では容量推定精度の向上していることが裏付けられたと言える。

以上のように、本実施の形態においては、モジュールＭの満充電容量の推定に先立ち、２群判別分析により、モジュールＭが、満充電容量が基準範囲内である（基準容量以上である）第１群に属するか、満充電容量が基準範囲外である（基準容量未満である）第２群に属するかが判別される。モジュールＭが第１群に属する場合に、学習済みのニューラルネットワークモデルを用いて、モジュールＭの満充電容量の詳細な推定が行なわれる。このニューラルネットワークモデルは、満充電容量が基準容量以上のモジュール（第１群に属するモジュール）のナイキストプロットから生成された学習用画像による機械学習が行なわれたものである。したがって、ニューラルネットワークモデルは、第１群に属するモジュールおよび第２群に属するモジュールの両方を対象にして機械学習が行なわれたニューラルネットワークモデルと比べて、第１群に属するモジュールの満充電容量の推定に最適化されていると言える。よって、本実施の形態によれば、モジュールＭの満充電容量の推定精度を向上させることができる。また、本実施の形態によれば、満充電容量が高精度に推定されたモジュールから組電池を製造することができる。

なお、本実施の形態では、満充電容量が基準容量以上であるモジュールにニューラルネットワークモデルを最適化する例について主に説明した。しかし、本実施の形態と同様の手法により、満充電容量が基準容量未満であるモジュールに最適化されたニューラルネットワークモデルを構築することもできる。

さらに、２つのニューラルネットワークモデルを構築してもよい。より詳細には、満充電容量が基準容量以上であるモジュールに最適化された第１のニューラルネットワークモデルと、満充電容量が基準容量未満であるモジュールに最適化された第２のニューラルネットワークモデルとを構築し、２群判別分析の結果に応じて、適切な一方のニューラルネットワークモデルを選択して用いてもよい。

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１０ 回収業者、２０ 検査業者、３０ 性能回復業者、４０ 製造業者、５０ 販売店、６０ リサイクル業者、７１〜７５ 端末、８０ 管理サーバ、８１ 通信ネットワーク、８２ 基地局、９０〜９３ 車両、１００ 電池管理システム、２００ 電池情報システム（処理システム）、２１０ 測定装置、２１１ 発振器、２１２ ポテンショスタット、２１３ ロックインアンプ、２１４ プロッタ、２２０ 記憶装置、２３０ 解析装置、２３１ 満充電容量推定部、２３２ 再利用判定部、２４０ 表示装置、９１０，９２０，９３０ 組電池。

Claims (7)

1. 学習済みのニューラルネットワークモデルを記憶する記憶装置と、
   前記学習済みのニューラルネットワークモデルを用いて、対象二次電池の交流インピーダンス測定結果を示すナイキストプロットから前記対象二次電池の満充電容量を推定する推定装置とを備え、
   前記学習済みのニューラルネットワークモデルは、満充電容量が基準範囲内である複数の二次電池のナイキストプロットに基づく学習が行なわれたニューラルネットワークモデルであり、
   前記推定装置は、
   前記対象二次電池のナイキストプロットから抽出された少なくとも１つの特徴量を説明変数とする判別分析によって、前記対象二次電池が、満充電容量が前記基準範囲内である第１群と、満充電容量が前記基準範囲外である第２群とのいずれに属するかを判別し、
   前記対象二次電池が前記第１群に属すると判別された場合に、前記学習済みのニューラルネットワークモデルを用いて前記対象二次電池の満充電容量を推定する、電池情報処理システム。
2. 前記学習済みのニューラルネットワークモデルは、満充電容量が前記基準範囲の下限値である基準容量を上回る複数の二次電池のナイキストプロットに基づく学習が行なわれたニューラルネットワークモデルであり、
   前記第１群は、満充電容量が前記基準容量を上回る二次電池群であり、
   前記第２群は、満充電容量が前記基準容量を下回る二次電池群である、請求項１に記載の電池情報処理システム。
3. 前記少なくとも１つの特徴量は、
   前記対象二次電池のナイキストプロットの半円部分および直線部分のうちの前記直線部分に含まれる所定周波数における交流インピーダンスの虚数成分と、
   前記直線部分の傾きとを含む、請求項１または２に記載の電池情報処理システム。
4. 前記学習済みのニューラルネットワークモデルは、予め定められたピクセル数の領域に前記二次電池のナイキストプロットが描かれた画像のピクセル毎の数値が与えられる入力層を含み、
   前記領域のピクセル数は、前記二次電池の交流インピーダンスの測定結果を表す実数成分の個数と虚数成分の個数との和よりも多い、請求項１〜３のいずれか１項に記載の電池情報処理システム。
5. 前記対象二次電池のナイキストプロットは、印加される交流信号の周波数が１００ｍＨｚ以上かつ１ｋＨｚ以下の周波数範囲である場合の交流インピーダンス測定結果を含む、請求項１〜４のいずれか１項に記載の電池情報処理システム。
6. 対象二次電池の満充電容量を推定する、二次電池の満充電容量推定方法であって、
   前記対象二次電池の交流インピーダンス測定結果を取得するステップと、
   学習済みのニューラルネットワークモデルを用いて、前記対象二次電池の交流インピーダンス測定結果を示すナイキストプロットから前記対象二次電池の満充電容量を推定するステップとを含み、
   前記学習済みのニューラルネットワークモデルは、満充電容量が基準範囲内である二次電池のナイキストプロットを用いて学習が行なわれたニューラルネットワークモデルであり、
   前記満充電容量推定方法は、
   前記対象二次電池のナイキストプロットから抽出された特徴量を説明変数とする判別分析によって、前記対象二次電池が、満充電容量が前記基準範囲内である第１群と、満充電容量が前記基準範囲外である第２群とのいずれに属するかを判別するステップと、
   前記対象二次電池が前記第１群に属すると判別された場合に、前記学習済みのニューラルネットワークモデルを用いて前記対象二次電池の満充電容量を推定する、二次電池の容量推定方法。
7. 組電池の製造方法であって、
   対象二次電池の交流インピーダンス測定結果を取得するステップと、
   学習済みのニューラルネットワークモデルを用いて、前記対象二次電池の交流インピーダンス測定結果を示すナイキストプロットから前記対象二次電池の満充電容量を推定するステップとを含み、
   前記学習済みのニューラルネットワークモデルは、満充電容量が基準範囲内である二次電池のナイキストプロットを用いて学習が行なわれたニューラルネットワークモデルであり、
   前記組電池の製造方法は、
   前記対象二次電池のナイキストプロットから抽出された特徴量を説明変数とする判別分析によって、前記対象二次電池が、満充電容量が前記基準範囲内である第１群と、満充電容量が前記基準範囲外である第２群とのいずれに属するかを判別するステップと、
   前記対象二次電池が前記第１群に属すると判別された場合に、前記学習済みのニューラルネットワークモデルを用いて前記対象二次電池の満充電容量を推定するステップと、
   前記推定するステップにより満充電容量が推定された前記対象二次電池を複数用いて組電池を製造するステップとをさらに含む、組電池の製造方法。

Images