機械学習モデルが電池の健康状態と寿命を高精度で予測
リチウムイオン電池は高エネルギー密度、長寿命、低コストにより幅広い用途で使用されています。近年のハイブリッド車・電気自動車の商用化により、高品質電池への需要が急増しており、電池「健康状態」の分析がますます重要になっています。
しかし、電池技術開発の主要な障壁の一つは、健康状態のモニタリングとテストに多大な時間を要し、そのプロセス自体が電池寿命に影響を与えることです。
State Of Health（SOH、健康状態）は、電池のエネルギー貯蔵能力を理想/初期状態に対して相対的に表すパラメータです。新品電池では通常100%ですが、時間とともに低下します。SOHの正確な評価は電池の安全かつ適切な使用に不可欠ですが、電池寿命を損なわずにこの値を正確に決定できる手法は存在しませんでした。
SOH決定の難しさ
電池のSOHは、経年劣化に伴う2つの要因に関連しています：
- 容量フェード：貯蔵容量の漸進的な損失
- 電気抵抗：インピーダンスの漸進的な増加による電池出力の低下
リチウムイオン電池では、インピーダンス増加と容量損失が多数の相互作用するプロセスから生じ、これらが類似のタイムスケールで進行するため、独立して分析することは非常に困難です。したがって、単一の直接測定でSOHを評価することはできません。
従来の手法（電極間相互作用の評価）は電池を不安定化させるため受け入れられません。現在、破壊的でないSOH決定手法として、適応モデルと実験的手法の2アプローチがありますが、それぞれ限界があります。
AIによる高精度な寿命予測
MIT、スタンフォード大学、トヨタ研究所の研究者たちが、電池のSOHを正確に決定できるAIモデルを開発しました。
チームは124個のリチウムイオン電池の性能を特徴づける包括的データセットを作成。様々な急速充電条件下でのデータを記録し、250〜2,300回の幅広い充放電サイクルを含めました。
Reference: Nature | doi:10.1038/s41560-019-0356-8
機械学習手法でデータを解析し、電池サイクル寿命を正確に推定するモデルを生成。各電池の最初の100サイクルのみ（明確な容量損失の兆候が現れる前）を分析しました。
推定 vs 観測された電池寿命 | 破線は推定と観測が等しい点を示す | Courtesy of researchers
最良のMLモデルは、91%の電池でサイクル寿命を正しく推定。さらに最初の5サイクルのみのデータで、寿命が長いか短いか（550サイクル以上/未満）を判別したところ、95%の電池で正しい予測を達成しました。
新モデルは従来のSOH決定手法より効果的でしたが、既に容量がある程度低下した電池のサイクル寿命予測では精度が低下しました。研究チームはこのアプローチがリチウムイオン電池の寿命推定に有望であり、新興電池技術の開発・改良に役立つと考えています。
産業技術