特開 2023-182404 電池診断装置、電池診断方法、およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023182404

(43)【公開日】2023-12-26

(54)【発明の名称】電池診断装置、電池診断方法、およびプログラム

(51)【国際特許分類】

   G01R 31/392 20190101AFI20231219BHJP

   G01R 31/367 20190101ALI20231219BHJP

   G01R 31/374 20190101ALI20231219BHJP

   H01M 10/48 20060101ALI20231219BHJP

   H02J 7/00 20060101ALI20231219BHJP

【ＦＩ】

G01R31/392

G01R31/367

G01R31/374

H01M10/48 P

H01M10/48 301

H02J7/00 Y

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022095993

(22)【出願日】2022-06-14

(71)【出願人】

【識別番号】000005326

【氏名又は名称】本田技研工業株式会社

(74)【代理人】

【識別番号】100165179

【弁理士】

【氏名又は名称】田▲崎▼ 聡

(74)【代理人】

【識別番号】100126664

【弁理士】

【氏名又は名称】鈴木 慎吾

(74)【代理人】

【識別番号】100154852

【弁理士】

【氏名又は名称】酒井 太一

(74)【代理人】

【識別番号】100194087

【弁理士】

【氏名又は名称】渡辺 伸一

(72)【発明者】

【氏名】川原 卓磨

【テーマコード（参考）】

2G216

5G503

5H030

【Ｆターム（参考）】

2G216AB01

2G216BA21

2G216BA34

2G216CB11

5G503BA01

5G503BB02

5G503EA09

5G503FA06

5H030AS08

5H030FF27

5H030FF42

5H030FF44

(57)【要約】

【課題】電池の劣化度合いをより適切に推定することができる電池診断装置、電池診断方法、およびプログラムを提供すること。
【解決手段】電池の放電条件を表す変数をもとに前記電池の過電圧を推定するための過電圧推定情報と、前記変数に対して前記過電圧の理論値を与える理論値情報とを記憶する記憶部と、指定された変数に対応する前記過電圧の推定値および理論値を前記過電圧推定情報および前記理論値情報に基づいて導出し、導出した前記推定値および前記理論値に基づいて、前記指定された変数に対応する電池の劣化度を推定する推定部と、を備える電池診断装置。
【選択図】図１

【特許請求の範囲】

【請求項1】

電池の放電条件を表す変数をもとに前記電池の過電圧を推定するための過電圧推定情報と、前記変数に対して前記過電圧の理論値を与える理論値情報とを記憶する記憶部と、
指定された変数に対応する前記過電圧の推定値および理論値を前記過電圧推定情報および前記理論値情報に基づいて導出し、導出した前記推定値および前記理論値に基づいて、前記指定された変数に対応する電池の劣化度を推定する推定部と、
を備える電池診断装置。

【請求項2】

前記推定部は、前記推定値および前記理論値の誤差と前記変数との関係を示す誤差推定情報を取得し、取得した前記誤差推定情報に基づいて電池の劣化度を推定する、
請求項１に記載の電池診断装置。

【請求項3】

前記推定部は、電池の過電圧の推定について前記変数の値が入力された場合、前記誤差推定情報をもとに、前記変数の値での電池の過電圧について前記推定値が有する誤差の範囲を出力する、
請求項２に記載の電池診断装置。

【請求項4】

前記変数は、前記電池が使用された環境の温度、前記電池を使用された際の電流、または、前記電池が使用された時間を含む、
請求項２または３に記載の電池診断装置。

【請求項5】

前記推定部は、前記変数の種類に応じて異なる理論式を選択し、選択した理論式を用いて前記理論値を算出する、
請求項４に記載の電池診断装置。

【請求項6】

前記推定部は、複数の種類の前記変数が与えられた場合、前記誤差を複数の前記変数ごとに算出し、電池の劣化度として前記変数ごとの過電圧の誤差の積算値を取得する、
請求項４に記載の電池診断装置。

【請求項7】

コンピュータが、
電池の放電条件を表す変数をもとに前記電池の過電圧の推定するための過電圧推定情報と、前記変数に対して前記過電圧の理論値を与える理論値情報とをもとに、指定された変数に対応する前記過電圧の推定値および理論値を導出し、
導出した前記推定値および前記理論値に基づいて、前記指定された変数に対応する電池の劣化度を推定する、
電池診断方法。

【請求項8】

コンピュータに、
電池の放電条件を表す変数をもとに前記電池の過電圧の推定するための過電圧推定情報と、前記変数に対して前記過電圧の理論値を与える理論値情報とをもとに、指定された変数に対応する前記過電圧の推定値および理論値を導出させ、
導出された前記推定値および前記理論値に基づいて、前記指定された変数に対応する電池の劣化度を推定させる、
ためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、電池診断装置、電池診断方法、およびプログラムに関する。

【背景技術】

【0002】

従来、電池の劣化度合いを認識するために電池のＳＯＨ（State Of Health）を推定することが行われている。このようなＳＯＨの推定方法として、例えば、市場に投入された車両から取得されるＦＣＤデータ（Floating Car Data）を用いた機械学習により各種変数と劣化度合いとの関係性を学習し、この学習済みモデルをもとにＳＯＨを推定する方法が提案されている（例えば特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－１２４４１９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、上記の技術では、電気化学的要因によりＳＯＨを適切に推定することができない場合があった。

【0005】

本発明は、このような事情を考慮してなされたものであり、電池の劣化度合いをより適切に推定することができる電池診断装置、電池診断方法、およびプログラムを提供することを目的の一つとする。

【課題を解決するための手段】

【0006】

この発明に係る電池診断装置、電池診断方法、およびプログラムは、以下の構成を採用した。

【0007】

（１）：この発明の一態様に係る電池診断装置は、電池の放電条件を表す変数をもとに前記電池の過電圧を推定するための過電圧推定情報と、前記変数に対して前記過電圧の理論値を与える理論値情報とを記憶する記憶部と、指定された変数に対応する前記過電圧の推定値および理論値を前記過電圧推定情報および前記理論値情報に基づいて導出し、導出した前記推定値および前記理論値に基づいて、前記指定された変数に対応する電池の劣化度を推定する推定部と、を備える。

【0008】

（２）：上記（１）の態様において、前記推定部は、前記推定値および前記理論値の誤差と前記変数との関係を示す誤差推定情報を取得し、取得した前記誤差推定情報に基づいて電池の劣化度を推定するものである。

【0009】

（３）：上記（１）または（２）の態様において、前記推定部は、電池の過電圧の推定について前記変数の値が入力された場合、前記誤差推定情報をもとに、前記変数の値での電池の過電圧について前記推定値が有する誤差の範囲を出力するものである。

【0010】

（４）：上記（１）から（３）のいずれかの態様において、前記変数は、前記電池が使用された環境の温度、前記電池を使用された際の電流、または、前記電池が使用された時間を含むものである。

【0011】

（５）：上記（１）から（４）のいずれかの態様において、前記推定部は、前記変数の種類に応じて異なる理論式を選択し、選択した理論式を用いて前記理論値を算出するものである。

【0012】

（６）：上記（１）から（５）の態様において、前記推定部は、複数の種類の前記変数が与えられた場合、前記誤差を複数の前記変数ごとに算出し、電池の劣化度として前記変数ごとの過電圧の誤差の積算値を取得するものである。

【0013】

（７）：この発明の一態様に係る電池診断方法は、コンピュータが、電池の放電条件を表す変数をもとに前記電池の過電圧の推定するための過電圧推定情報と、前記変数に対して前記過電圧の理論値を与える理論値情報とをもとに、指定された変数に対応する前記過電圧の推定値および理論値を導出し、導出した前記推定値および前記理論値に基づいて、前記指定された変数に対応する電池の劣化度を推定するものである。

【0014】

（８）：この発明の一態様に係るプログラムは、コンピュータに、電池の放電条件を表す変数をもとに前記電池の過電圧の推定するための過電圧推定情報と、前記変数に対して前記過電圧の理論値を与える理論値情報とをもとに、指定された変数に対応する前記過電圧の推定値および理論値を導出させ、導出された前記推定値および前記理論値に基づいて、前記指定された変数に対応する電池の劣化度を推定させるものである。

【発明の効果】

【0015】

（１）～（８）の態様によれば、電池の放電条件を表す変数をもとに前記電池の過電圧の推定するための過電圧推定情報と、前記変数に対して前記過電圧の理論値を与える理論値情報とをもとに、指定された変数に対応する前記過電圧の推定値および理論値を導出し、導出した前記推定値および前記理論値に基づいて、前記指定された変数に対応する電池の劣化度を推定することにより、電池の劣化度合いをより適切に推定することができる電池診断装置、電池診断方法、およびプログラムを提供することができる。

【図面の簡単な説明】

【0016】

【図1】バッテリ診断システム１の構成の概略を示す図である。

【図2】バッテリ診断装置１００が適用される車両１０の構成の一例を示す図である。

【図3】バッテリ診断装置１００の構成の一例を示す図である。

【図4】理論式の一例を示す図である。

【図5】過電圧の誤差モデルを生成する処理（前処理）の流れの一例を示すフローチャートである。

【図6】過電圧の誤差モデルを生成する方法の概略を示す図である。

【図7】過電圧の誤差モデルを用いて過電圧の推定値について誤差範囲を推定する処理（過電圧推定処理）の流れの一例を示すフローチャートである。

【図8】過電圧の推定値について誤差範囲を推定する方法の概略を示す図である。

【発明を実施するための形態】

【0017】

以下、図面を参照し、本発明の電池診断装置、電池診断方法、およびプログラムの実施形態について説明する。以下では、電池診断装置が診断する対象の電池が、バッテリセルを集積したバッテリである場合について説明するが、これに限定されない。電池は、個々のバッテリセルであってもよい。また、以下では、電池が車両の電源として用いられる場合について説明するが、これに限定されない。電池は、その使用時の情報が取得できるものであれば、任意の電動機器に用いられるものであってよい。

【0018】

図１は、バッテリ診断システム１の構成の概略を示す図である。バッテリ診断システム１は、複数の車両１０から取得されるバッテリの使用状況に関する情報（以下「バッテリ情報」という。）をもとに、市場に投入されたバッテリ群の劣化度合いを診断するシステムである。例えば、バッテリ情報は、ＦＣＤデータ（Floating Car Data）の態様で複数の車両１０から取得され得る。バッテリ診断システム１は、例えば、複数の車両１０と、バッテリ診断装置１００とを備える。複数の車両１０と、バッテリ診断装置１００とは、ネットワークＮＷを介して互いに通信可能である。ネットワークＮＷは、インターネットやＬＡＮ（Local Area Network）、セルラー網、専用線、移動体通信回線等を含んでもよい。

【0019】

複数の車両１０は、それぞれバッテリ４０を搭載しており、バッテリ４０から供給される電力を駆動力に変換することができる。複数の車両１０は、バッテリ４０により得られる駆動力と、内燃機関により得られる駆動力とを併用する、いわゆるハイブリッド車であってもよい。複数の車両１０は、バッテリ４０に関するバッテリ情報をバッテリ診断装置１００に供給する。例えば、複数の車両１０は、カーナビゲーション装置等の無線通信機能を有する車載器を介してバッテリ情報を送信してもよい。

【0020】

バッテリ診断装置１００は、複数の車両１０からバッテリ情報を収集し、収集したバッテリ情報をもとにバッテリ４０の劣化度合いを推定するための推定モデルを生成する。このような推定モデルの生成により、バッテリ診断装置１００は、市場に投入されたバッテリ４０について劣化度合いを診断（推定）することができる。また、バッテリ診断装置１００は、市場に投入されたバッテリ４０についての膨大なバッテリ情報をもとに劣化の傾向を学習することにより、バッテリ情報が取得できないバッテリであっても、劣化の傾向が類似するバッテリについて劣化度合いを推定することも可能となる。

【0021】

本実施形態のバッテリ診断システム１は、このようなバッテリの劣化度合いの推定において、電気化学的要因を適切に考慮することにより、バッテリの劣化度合いをより適切に推定できるようにしたものである。以下、このような効果を奏することのできる実施形態のバッテリ診断システム１の構成について詳細に説明する。

【0022】

［車両の構成］
図２は、バッテリ診断装置１００が適用される車両１０の構成の一例を示す図である。図２に示した車両１０は、走行用のバッテリ（二次電池）から供給される電力によって駆動される電動機（電動モータ）によって走行するＢＥＶ（Battery Electric Vehicle：電気自動車）である。代替的に、車両１０は、ハイブリッド車両に外部充電機能を持たせたＰＨＶ（Plug-in Hybrid Vehicle）又はＰＨＥＶ（Plug-in Hybrid Electric Vehicle）であってもよい。なお、車両１０は、例えば、四輪の車両のみならず、鞍乗り型の二輪の車両や、三輪（前一輪かつ後二輪の他に、前二輪かつ後一輪の車両も含む）の車両、アシスト式の自転車、さらには、電動船など、バッテリから供給される電力によって駆動される電動モータによって走行する移動体の全般が含まれる。

【0023】

モータ１２は、例えば、三相交流電動機である。モータ１２の回転子（ロータ）は、駆動輪１４に連結される。モータ１２は、バッテリ４０が備える蓄電部（不図示）から供給される電力によって駆動され、回転の動力を駆動輪１４に伝達させる。また、モータ１２は、車両１０の減速時に車両１０の運動エネルギーを用いて発電する。

【0024】

ブレーキ装置１６は、例えば、ブレーキキャリパーと、ブレーキキャリパーに油圧を伝達するシリンダと、シリンダに油圧を発生させる電動モータと、を備える。ブレーキ装置１６は、ブレーキペダル（不図示）に対する車両１０の利用者（運転者）による操作によって発生した油圧を、マスターシリンダを介してシリンダに伝達する機構をバックアップとして備えてもよい。なお、ブレーキ装置１６は、上記説明した構成に限らず、マスターシリンダの油圧をシリンダに伝達する電子制御式油圧ブレーキ装置であってもよい。

【0025】

車両センサ２０は、例えば、アクセル開度センサと、車速センサと、ブレーキ踏量センサと、を備える。アクセル開度センサは、アクセルペダルに取り付けられ、運転者によるアクセルペダルの操作量を検出し、検出した操作量をアクセル開度として後述する制御部３６に出力する。車速センサは、例えば、車両１０の各車輪に取り付けられた車輪速センサと速度計算機とを備え、車輪速センサにより検出された車輪速を統合して車両１０の速度（車速）を導出し、制御部３６に出力する。ブレーキ踏量センサは、ブレーキペダルに取り付けられ、運転者によるブレーキペダルの操作量を検出し、検出した操作量をブレーキ踏量として制御部３６に出力する。

【0026】

ＰＣＵ３０は、例えば、変換器３２と、ＶＣＵ（Voltage Control Unit）３４と、を備える。なお、図２においては、これらの構成要素をＰＣＵ３０として一まとまりの構成としたのは、あくまで一例であり、車両１０におけるこれらの構成要素は分散的に配置されても構わない。

【0027】

変換器３２は、例えば、ＡＣ－ＤＣ変換器である。変換器３２の直流側端子は、直流リンクＤＬに接続されている。直流リンクＤＬには、ＶＣＵ３４を介してバッテリ４０が接続されている。変換器３２は、モータ１２により発電された交流を直流に変換して直流リンクＤＬに出力する。

【0028】

ＶＣＵ３４は、例えば、ＤＣ－ＤＣコンバータである。ＶＣＵ３４は、バッテリ４０から供給される電力を昇圧して直流リンクＤＬに出力する。

【0029】

制御部３６は、車両センサ２０が備えるアクセル開度センサからの出力に基づいて、モータ１２の駆動を制御する。制御部３６は、また、車両センサ２０が備えるブレーキ踏量センサからの出力に基づいて、ブレーキ装置１６を制御する。制御部３６は、また、バッテリ４０に接続された後述するバッテリセンサ４２からの出力に基づいて、例えば、バッテリ４０のＳＯＣ（State Of Charge）を算出し、ＶＣＵ３４に出力する。ＶＣＵ３４は、制御部３６からの指示に応じて、直流リンクＤＬの電圧を上昇させる。

【0030】

バッテリ４０は、例えば、リチウムイオン電池など、充電と放電とを繰り返すことができる二次電池である。バッテリ４０の正極を構成する正極活物質は、例えば、ＮＣＭ（Nickel Cobalt Manganese）、ＮＣＡ（Nickel Cobalt Aluminum）、ＬＦＰ（Lithium Ferro Phosphate）、ＬＭＯ（Lithium Manganese Oxide）などの材料のうち少なくとも一つを含む物質であり、バッテリ４０の負極を構成する負極活物質は、例えば、ハードカーボンやグラファイトなどの材料のうち少なくとも一つを含む物質である。また、バッテリ４０は、車両１０に対して着脱自在に装着される、例えば、カセット式などのバッテリパックであってもよい。バッテリ４０は、車両１０の外部の充電器（不図示）から供給される電力を蓄え、車両１０の走行のための放電を行う。

【0031】

バッテリセンサ４２は、バッテリ４０の電流や、電圧、温度などの物理量を検出する。バッテリセンサ４２は、例えば、電流センサ、電圧センサ、温度センサを備える。バッテリセンサ４２は、電流センサによってバッテリ４０を構成する二次電池の電流を検出し、電圧センサによってバッテリ４０の電圧を検出し、温度センサによってバッテリ４０の温度を検出する。バッテリセンサ４２は、検出したバッテリ４０の電流値、電圧値、温度などの物理量のデータを制御部３６や通信装置５０に出力する。

【0032】

通信装置５０は、セルラー網やＷｉ－Ｆｉ網を接続するための無線モジュールを含む。通信装置５０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）など利用するための無線モジュールを含んでもよい。通信装置５０は、無線モジュールにおける通信によって、車両１０に係る種々の情報を、例えば、バッテリ診断装置１００との間で送受信する。通信装置５０は、制御部３６又はバッテリセンサ４２により出力されたバッテリ４０の物理量のデータを、バッテリ診断装置１００に送信する。通信装置５０は、後述するバッテリ診断装置１００により診断されて送信されたバッテリ４０の劣化度合いを表す劣化情報を受信し、受信したバッテリ４０の劣化情報を車両１０のＨＭＩ（不図示）に出力してもよい。

【0033】

［バッテリ診断装置の構成］
次に、車両１０のバッテリ４０の劣化度合いを推定するバッテリ診断装置１００の一例について説明する。
図３は、実施形態に係るバッテリ診断装置１００の構成の一例を示す図である。バッテリ診断装置１００は、例えば、取得部１１０と、学習部１２０と、推定部１３０と、入力部１４０と、表示部１５０と、記憶部１６０と、を備える。取得部１１０、学習部１２０、および推定部１３０は、例えば、ＣＰＵ（Central Processing Unit）などのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）、フラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。記憶部１６０は、例えば、ＨＤＤやフラッシュメモリ、ＲＡＭ（Random Access Memory）等である。

【0034】

取得部１１０は、バッテリ診断装置１００に搭載された不図示の通信インターフェースを用いて、通信装置５０から、バッテリ４０の使用状況（電流値、電圧値、温度などであり、以下「放電条件」ともいう。）を示すバッテリ情報の時系列データ１６０Ａを取得して記憶部１６０に格納する。取得部１１０は、さらに、取得した時系列データに含まれる電流値を積算することによって、放電容量（放電量）を算出し、時系列データ１６０Ａとして記憶部１６０に格納してもよい。このとき、取得部１１０は、取得した時系列データのうち、欠損や異常が発生したデータを除外する処理を行ってもよい。さらに、放電容量は、バッテリ診断装置１００において算出されるものではなく、車両１０側で算出された後に、通信装置５０を介して、バッテリ診断装置１００に送信されるものであってもよい。

【0035】

学習部１２０は、バッテリ４０の過電圧推定モデル１６０Ｂと、過電圧推定モデル１６０Ｂにより推定された過電圧の誤差を推定するための誤差推定モデル１６０Ｄとを学習する。過電圧推定モデル１６０Ｂは、バッテリ４０の放電条件（使用状況）を変数としてバッテリ４０の劣化度合いとして過電圧（ＳＯＨ：State Of Health）を推定するためのモデルである。学習部１２０は、時系列データ１６０Ａを用いた機械学習によって様々な放電条件と過電圧との関係性を学習することにより過電圧推定モデル１６０Ｂを生成する。学習部１２０は、このように生成した過電圧推定モデル１６０Ｂを記憶部１６０に保存する。

【0036】

また、学習部１２０は、学習した過電圧推定モデル１６０Ｂにより過電圧の推定値を取得し、その推定値と、過電圧理論式１６０Ｃにより導出される過電圧の理論値とに基づいて誤差推定モデル１６０Ｄを学習する。詳細は後述するが、学習部１２０は、過電圧の推定値と理論値との差分について放電条件との関係性を学習することにより、放電条件の入力に対して過電圧推定値の推定誤差を与える誤差推定モデル１６０Ｄを生成する。学習部１２０は、このように生成した誤差推定モデル１６０Ｄを記憶部１６０に保存する。

【0037】

推定部１３０は、バッテリ４０について、その劣化度合いの指標値として過電圧の値を推定する。具体的には、推定部１３０は、学習部１２０によって学習された過電圧推定モデル１６０Ｂをもとに取得された過電圧の推定値と、電気化学的法則に基づく過電圧理論式１６０Ｃをもとに学習された誤差推定モデル１６０Ｄにより推定された過電圧の推定誤差とに基づいて、劣化度合いの最終的な診断結果としての過電圧の推定値を決定する。以下では、説明を分かりやすくするために、過電圧推定モデル１６０Ｂをもとに推定される過電圧の値を「第１の過電圧推定値」といい、劣化度合いの最終的な診断結果として推定される過電圧の値を「第２の過電圧推定値」という場合がある。

【0038】

入力部１４０は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパネル等の入力装置を備える。入力部１４０は、バッテリ診断装置１００の利用者による各種操作の入力を受け付ける。例えば、入力部１４０は、後述する放電条件の入力を受け付け、入力された放電条件を推定部１３０に出力する。

【0039】

表示部１５０は、ＣＲＴ（Cathode Ray Tube）ディスプレイや液晶ディスプレイ、有機ＥＬ（Electro-Luminescence）ディスプレイ等の表示装置を用いて構成される。表示部１５０は、バッテリ診断装置１００の動作に関する各種情報を表示する。例えば、表示部１５０には、推定部１３０によるバッテリ４０の診断結果などが表示される。なお、表示部１５０による診断結果の表示は、診断結果情報の出力の一例である。このほか、診断結果の出力は、診断結果情報の通信であってもよいし、診断結果情報の記録であってもよいし、診断結果情報の音声出力であってもよい。

【0040】

記憶部１６０は、ＨＤＤやＳＳＤ、フラッシュメモリ等の記憶装置である。記憶部１６０は、バッテリ診断装置１００において各種情報の記憶領域として用いられる。例えば、記憶部１６０には、上述した時系列データ１６０Ａや、過電圧推定モデル１６０Ｂ、過電圧理論式１６０Ｃ、誤差推定モデル１６０Ｄなどが格納される。ここで、過電圧推定モデル１６０Ｂは「過電圧推定情報」の一例である。過電圧理論式１６０Ｃは「理論値情報」の一例である。誤差推定モデル１６０Ｄは「誤差推定情報」の一例である。

【0041】

図４は、過電圧理論式１６０Ｃの一例を示す図である。図４のグラフは、バッテリ４０について、アレニウス則に基づいて予測される過電圧と温度との関係性の具体例を示す図である。過電圧理論式１６０Ｃは、図４に示されるような過電圧と温度との関係性を表す理論式のほか、過電圧と電流との関係性を表す理論式や、過電圧との時間との関係性を表す理論式などが含まれる。この場合、過電圧と電流との関係性を表す理論式は、例えばオームの法則やターフェル式などをもとに作成され得る。例えば、オームの法則によれば、過電圧が電流に比例して変化する理論式が得られ、ターフェル式によれば、過電圧が電流の対数に比例して変化する理論式が得られる。また、過電圧と時間との関係性を表す理論式は、例えばコットレルの式やフィックの法則などをもとに作成され得る。例えば、コットレルの式とフィックの法則によれば、過電圧が、通電開始の後の間もない間は時間の平方根に比例して変化し、通電時間が長時間になるにつれ一定値に漸近するように変化する理論式が得られる。

【0042】

学習部１２０は、このような過電圧理論式１６０Ｃにバッテリ４０の放電条件を適用することにより、当該放電条件下におけるバッテリ４０の過電圧の理論値を取得する。一方で、学習部１２０は、同様の放電条件を過電圧推定モデル１６０Ｂに適用することにより、当該放電条件下におけるバッテリ４０の過電圧として第１の過電圧推定値を取得する。学習部１２０は、このように取得した第１の過電圧推定値および理論値をもとに、バッテリ４０の過電圧について、推定値と理論値の誤差を推定するためのモデル（以下「誤差推定モデル」という。）を生成する。

【0043】

本実施形態のバッテリ診断装置１００は、バッテリ４０について劣化度合いの診断の実施に先立って上記の誤差推定モデルを予め生成しておき、過電圧推定モデル１６０Ｂによるバッテリ４０の過電圧の推定結果に、誤差推定モデルによって得られる推定誤差を加味したものを最終的な劣化度合いの診断結果として出力するものである。このように構成された本実施形態のバッテリ診断装置１００によれば、バッテリ４０の劣化の状況を、電気化学的要因に基づいて想定され得る誤差を考慮して認識することができるので、バッテリ４０の劣化度合いをより適切に推定することができる。

【0044】

以下、バッテリ診断装置１００がバッテリ４０の劣化度合いを診断するために実行する処理についてより詳細に説明する。以下では、バッテリ４０の診断に先立って過電圧推定モデルおよび誤差推定モデルを生成するまでの処理を「前処理」と位置づけ、前処理で生成された過電圧推定モデルおよび誤差推定モデルを用いてバッテリ４０の劣化度合いを診断する処理を「本処理」と位置付ける。

【0045】

図５は、前処理の実行により、バッテリ診断装置１００が過電圧推定モデルおよび誤差推定モデルを生成する処理の流れの一例を示すフローチャートである。まず、バッテリ診断装置１００において、学習部１２０が、取得部１１０により取得済みの時系列データ１６０Ａを用いて機械学習を実施することにより、バッテリ４０の過電圧を推定するための過電圧推定モデル１６０Ｂを学習する（ステップＳ１０１）。学習部１２０は、学習により得られた過電圧推定モデル１６０Ｂを学習済みモデルとして記憶部１６０に保存する。

【0046】

続いて、学習部１２０は、ステップＳ１０１で生成した過電圧推定モデル１６０Ｂに時系列データ１６０Ａを適用することにより、バッテリ４０について異なる複数の温度での過電圧を推定する（ステップＳ１０２）。これは、すなわち、バッテリ４０の過電圧について温度依存性を推定することに相当する。

【0047】

続いて、学習部１２０は、ステップＳ１０２で取得した温度依存性の推定結果について、過電圧理論式１６０Ｃをもとにカーブフィッティングを行い（ステップＳ１０３）、フィッティングにより得られた過電圧－温度曲線と、温度依存性の推定結果との差分データに基づいて、過電圧推定モデルについての誤差推定モデルを生成する（ステップＳ１０４）。上述のとおり、誤差推定モデルは、過電圧推定モデルによって推定された過電圧の推定値（第１の過電圧推定値）について想定される誤差を推定するためのモデルである。学習部１２０は、このように生成した誤差推定モデル１６０Ｄを記憶部１６０に保存する。

【0048】

図６は、誤差推定モデルの生成方法の概略を説明する図である。グラフＧ６１は、ステップＳ１０２において取得された過電圧の推定結果を示すイメージ図である。例えば、学習部１２０は、まず、時系列データ１６０Ａに含まれる各放電条件について過電圧推定モデルに適用することにより、放電条件ごとの過電圧の推定値を得る。学習部１２０は、得られた過電圧の推定値について、同一温度ごとに代表値を求めることにより、グラフＧ６１をプロットすることができる。代表値は、典型的には平均値であるが、中央値や最頻値、最大値、最小値などの他の統計値が用いられてもよい。すなわち、グラフＧ６１は、時系列データ１６０Ａ（バッテリ情報）が取得されたバッテリ４０の全体について代表的な過電圧の温度依存性を示すものである。

【0049】

グラフＧ６２は、ステップＳ１０３におけるカーブフィッティングの結果として曲線Ｌ６２を示すイメージ図である。例えば、学習部１２０は、図４に例示した過電圧理論式１６０ＣをグラフＧ６１にフィッティングさせることにより曲線Ｌ６２を得ることができる。なお、過電圧理論式１６０Ｃが未知の係数を含んで提供される場合、カーブフィッティングにおいて、縦横方向の位置調整や縮尺変更を行って過電圧理論式１６０Ｃを同定することにより曲線Ｌ６２が決定されてもよい。

【0050】

グラフＧ６３は、ステップＳ１０４において生成される誤差推定モデルとして曲線Ｌ６３を示すイメージ図である。例えば、学習部１２０は、ステップＳ１０３におけるカーブフィッティングで決定された温度依存性の曲線Ｌ６２と、グラフＧ６１にプロットされた推定結果との差分をとることにより、グラフＧ６３の点群をプロットし、グラフＧ６３にプロットされた点群についてカーブフィッティングを行うことにより誤差推定モデルの曲線Ｌ６３を決定することができる。なお、上述のカーブフィッティングには、最小二乗法や未定係数法等に代表される任意の最適化手法が用いられてもよい。

【0051】

図７は、本処理の実行により、バッテリ診断装置１００がバッテリ４０の劣化度合いを診断する処理の流れの一例を示すフローチャートである。まず、バッテリ診断装置１００において、入力部１４０が、バッテリ４０について、劣化度合いを診断するための放電条件の入力を受け付ける（ステップＳ２０１）。放電条件は、バッテリ４０について想定する使用状況（変数）についての条件である。上述のとおり、本実施形態では、過電圧推定モデル１６０Ｂおよび誤差推定モデル１６０Ｄの変数の一つとして温度を想定しているので、ここでは、少なくとも温度を含む放電条件が入力されるものとする。以下では、放電条件として与えられる温度の値を温度条件という。入力部１４０は、入力された温度条件を推定部１３０に供給する。

【0052】

続いて、推定部１３０が、入力部１４０から供給された温度条件を含む放電条件を過電圧推定モデル１６０Ｂに適用することにより、当該温度条件で使用されたバッテリ４０について第１の過電圧推定値を計算する（ステップＳ２０２）。

【0053】

一方で、推定部１３０は、入力部１４０から供給された温度条件を誤差推定モデル１６０Ｄに適用することにより、バッテリ４０について、過電圧推定モデル１６０Ｂにより推定される第１の過電圧推定値の誤差を推定する（ステップＳ２０３）。

【0054】

続いて、推定部１３０は、ステップＳ２０２で取得された第１の過電圧推定値と、ステップＳ２０２で取得された過電圧の推定誤差とに基づいて、当該温度条件で使用されたバッテリ４０について、想定され得る過電圧の範囲を計算する（ステップＳ２０４）。

【0055】

推定部１３０は、ステップＳ２０４で取得された過電圧の範囲をバッテリ４０の劣化状況の診断結果として出力する（ステップＳ２０５）。

【0056】

上述のとおり、ここでは放電条件として誤差推定モデルに適用する放電条件として温度条件が指定される場合について説明したが、放電条件は、過電圧推定モデル１６０Ｂおよび誤差推定モデル１６０Ｄの変数に対応するものであれば温度条件以外の放電条件が指定されてよい。例えば、過電圧推定モデル１６０Ｂおよび誤差推定モデル１６０Ｄの変数に電流が含まれる場合、電流値を含む放電条件が指定されてもよい。また、例えば、過電圧推定モデル１６０Ｂおよび誤差推定モデル１６０Ｄの変数に電圧が含まれる場合、電圧値を含む放電条件が指定されてもよい。

【0057】

図８は、バッテリ４０について劣化度合いを診断する方法を説明するイメージ図である。グラフＧ８１は、ステップＳ２０２で推定された第１の過電圧推定値を示す曲線Ｌ８１と、ステップＳ２０３で推定された第１の過電圧推定値の誤差を示す曲線Ｌ８２とを、温度とは別の放電条件を横軸にとって表したものである。別の放電条件は特定のものに限定されないが、例えば、時間、電流、電圧などであってもよい。

【0058】

この場合、推定部１３０は、曲線Ｌ８１と曲線Ｌ８２との和や差をとることにより、バッテリ４０について想定され得る過電圧の範囲を診断結果として取得することができる。グラフＧ８２は、このような診断結果の表示例を示すものである。例えば、曲線Ｌ８３は、曲線Ｌ８１と曲線Ｌ８２との和を示すものであり、過電圧の推定値について上限を示すことができる。一方、曲線Ｌ８４は、曲線Ｌ８１と曲線Ｌ８２との差を示すものであり、過電圧の推定値について下限を示すことができる。

【0059】

このように、バッテリ４０の放電条件の一つ（ここでは温度）が与えられた場合に、バッテリ４０の劣化度合いの診断結果として、他の放電条件に対する過電圧の依存性が表示されることにより、利用者は、バッテリ４０の劣化状況を適切に把握することができる。これにより、利用者は、市場に投入された複数のバッテリ４０の劣化の進行をマクロ的にコントロールしたり、バッテリの製品開発について適切な開発計画を立案したりすることが可能となる。

【0060】

図８の例では、過電圧推定モデル１６０Ｂおよび誤差推定モデル１６０Ｄが放電条件に係る変数として温度および時間を有し、温度条件が与えられた場合に、過電圧の時間依存性が示される場合について説明した。しかしながら、過電圧推定モデル１６０Ｂおよび誤差推定モデル１６０Ｄは、単一の変数を有するものであってもよいし、３つ以上の変数を有するものであってもよい。過電圧推定モデル１６０Ｂおよび誤差推定モデル１６０Ｄが単一の変数を有する場合、当該変数による放電条件が指定されることで過電圧の推定値が一意に定まる。そのため、このような場合には、推定部１３０は、与えられた放電条件に対して過電圧の推定範囲を出力するように構成されてもよい。また、過電圧推定モデル１６０Ｂおよび誤差推定モデル１６０Ｄが３つ以上の変数を有する場合には、推定部１３０は、１つ以上の変数について放電条件が与えられたことに対して、過電圧の他の１つ以上の変数に対する依存性を示すように構成されてもよい。例えば、３つの変数のうち１つの変数について放電条件が与えられた場合、推定部１３０は、他の２つの変数に対して過電圧の推定値を一意に決定する三次元グラフを表示するように構成されてもよい。

【0061】

以上のように構成された実施形態のバッテリ診断装置１００によれば、バッテリ４０の放電条件を表す変数をもとにバッテリ４０の過電圧の推定するための過電圧推定モデル１６０Ｂと、当該変数に対して過電圧の理論値を与える過電圧理論式１６０Ｃとをもとに、指定された変数に対応する過電圧の推定値および理論値を導出し、導出した推定値および理論値に基づいて、上記指定された変数に対応する電池の劣化度を推定することにより、バッテリ４０の劣化度合いをより適切に推定することができる。

【0062】

＜変形例＞
バッテリ診断装置１００において、学習部１２０は、過電圧推定モデル１６０Ｂおよび誤差推定モデル１６０Ｄを変数ごとに異なるモデルとして生成してもよい。この場合、バッテリ診断装置１００は、各変数の入力に対して過電圧の推定値を与える過電圧理論式１６０Ｃを記憶部１６０に保持しておき、入力された変数の種類に応じて過電圧理論式１６０Ｃを使い分けるようにすればよい。すなわち、推定部１３０は、変数の種類に応じて異なる理論式を選択し、選択した理論式を用いて前記理論値を算出してもよい。また、この場合、推定部１３０は、変数ごとに計算した過電圧の推定値をもとにトータルの推定値（例えば推定値の積算値）を計算するように構成されてもよい。同様に、この場合、推定部１３０は、変数ごとに計算した過電圧の推定誤差をもとにトータルの推定誤差（例えば推定誤差の積算値）を計算するように構成されてもよい。

【0063】

バッテリ診断装置１００が有する機能の一部は各車両１０の側に備えられてもよい。例えば、バッテリ診断装置１００が備える機能部のうち、推定部１３０、入力部１４０、および表示部１５０の一部または全部が車両１０に備えられてもよい。この場合、バッテリ診断装置１００は、学習部１２０による学習結果（過電圧推定モデル１６０Ｂ、誤差推定モデル１６０Ｄ）を各車両１０に供給してもよい。この場合、車両１０では、推定部１３０が、バッテリ診断装置１００から供給された過電圧推定モデル１６０Ｂ、および誤差推定モデル１６０Ｄと、入力部１４０を介して指定された放電条件とをもとに自車両のバッテリ４０の劣化度合いを診断し、診断結果を表示部１５０に表示させてもよい。また、例えば、入力部１４０および表示部１５０を車両１０側に備え、車両１０が、指定された放電条件をバッテリ診断装置１００に送信することで自車両のバッテリ４０の劣化度合いの診断をバッテリ診断装置１００に依頼するように構成されてもよい。この場合、バッテリ診断装置１００は、受信された放電条件をもとにバッテリ４０の劣化度合いの診断を実施し、診断結果を車両１０に送信するように構成されてもよい。

【0064】

上記説明した実施形態は、以下のように表現することができる。
コンピュータによって読み込み可能な命令（computer-readable instructions）を格納する記憶媒体（storage medium）と、
前記記憶媒体に接続されたプロセッサと、を備え、
前記プロセッサは、前記コンピュータによって読み込み可能な命令を実行することにより（the processor executing the computer-readable instructions to:）
電池の放電条件を表す変数をもとに前記電池の過電圧の推定するための過電圧推定情報と、前記変数に対して前記過電圧の理論値を与える理論値情報とをもとに、指定された変数に対応する前記過電圧の推定値および理論値を導出し、
導出した前記推定値および前記理論値に基づいて、前記指定された変数に対応する電池の劣化度を推定する、
電池診断装置。

【0065】

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

【符号の説明】

【0066】

１…バッテリ診断システム、１０…車両、１２…モータ、１４…駆動輪、１６…ブレーキ装置、２０…車両センサ、３０…ＰＣＵ、３２…変換器、３６…制御部、４０…バッテリ、４２…バッテリセンサ、５０…通信装置、１００…バッテリ診断装置、１１０…取得部、１２０…学習部、１３０…推定部、１４０…入力部、１５０…表示部、１６０…記憶部、１６０Ａ…時系列データ、１６０Ｂ…過電圧推定モデル、１６０Ｃ…過電圧理論式、１６０Ｄ…誤差推定モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】