電気自動車のバッテリー較正をAIで分単位に短縮

電気自動車の開発者たちは、バッテリー管理において長年にわたって解決困難な課題に直面してきた。それは、稼働を数日間停止することなく、バッテリーの真の充電状態（SoC）を迅速かつ正確に評価する手段の欠如である。同済大学の新しい研究は、この較正時間を劇的に短縮する画期的な方法を実証した。従来の開放電圧（OCV）静止テストの必要性を排除し、標準的な走行データのみを使用してリアルタイムでバッテリーの健全性を更新することを可能にする。

この革新の核心は、単純ながら強力な洞察に基づいている。通常の放電中、リチウムイオンセルの基礎となるOCV曲線は本質的に滑らかであるべきだという事実である。滑らかさからの逸脱—スパイク、ジッタ、または不規則な振動—は、物理的な現実ではなく、仮定されたバッテリーモデルの誤りを示す。この原理を活用し、薛金偉（Xue Jinwei）、杜旭志（Du Xuzhi）、楊志剛（Yang Zhigang）、趙雷（Zhao Lei）、夏超（Xia Chao）らの研究者たちは、OCV抽出を最適化問題として扱い、再構築されたOCV曲線の滑らかさを適合性指標として使用するアルゴリズムを設計した。彼らのアプローチは、数十年にわたる静的な静止状態に基づく電圧測定の要件を迂回し、継続的なその場でのバッテリー診断への道を開く。

自動車エンジニアやバッテリーシステムアーキテクトにとって、これはパラダイムシフトを意味する。現在のバッテリー管理システム（BMS）は、事前に読み込まれたOCV-SoC対応表—増分OCV（IO）または低電流OCV（LO）プロトコルを使用して実験室条件で入念に生成された曲線—に大きく依存している。これらのテストは、ヒステリシスを軽減し、電気化学的平衡に達するために、セルごとに48時間から72時間を要することが多い。さらに悪いことに、これらの曲線はバッテリーの経年劣化に伴い精度が低下する。電極の破損、固体電解質界面（SEI）の成長、リチウム析出、電解液の枯渇はすべて、OCV-SoCの関係を微妙に再形成する。容量劣化10％で較正された対応表は、5％を超えるSoC誤差を引き起こす可能性があり、誤った低充電警告をトリガーしたり、より危険なことに、差し迫った過放電事態を隠蔽したりするのに十分である。

これまで、業界には2つの不満足な選択肢しかなかった。定期メンテナンス中に数日間の較正サイクルを再実行する（コストがかかり、中断を伴い、次のサービス間隔までに時代遅れになる）、または、再帰的最小二乗法（RLS）や適応カルマンフィルターなどの適応型推定量を導入して、他のパラメーターとともにOCVをリアルタイムで更新しようと試みることであった。しかし、これらの同時推定スキームはパラメーター結合に悩まされる。抵抗や分極時定数の誤差はOCV推定に波及し、その逆もまた然りである。さらに、それらはSoCとモデル状態の初期推測に依存するため、積極的な過渡状態では収束が遅かったり信頼性が低かったりする—まさに正確なSoCが最も重要となる状況下で。

同済大学チームの方法は、両方の問題を回避する。OCVと抵抗と分極を同時に推定しようとするのではなく、OCV再構築を主要目的として分離する。研究者たちは、一次の等価回路モデル（ECM）—直列抵抗（R₀）と、OCV源に接続される抵抗-コンデンサ（Rₚ–Cₚ）の並列分岐—を、計算量的に軽量でありながら十分に表現力のあるフレームワークとして採用した。実世界の電圧および電流データ（例えば、UDDS都市走行サイクルからの）の任意のセグメントが与えられると、このアルゴリズムは、導出されたOCV軌跡が最大の滑らかさを達成するまで、R₀、Rₚ、およびCₚを反復的に調整する。

決定的に、ここでの「滑らかさ」は曖昧な美的判断ではない。チームは数学的に厳密な制約によってそれを形式化した。100％から0％SoCまでの完全な放電中、OCV曲線の全変動—連続する時間点間の絶対電圧ステップの合計—は、回生ブレーキイベントを調整した上で、セルの既知の高電圧 plateau と低電圧 plateau の差に等しくなければならない。これにより、滑らかさは定量化可能な最適化目標に変わる。つまり、計算された全変動と理論的な限界との間の偏差を最小化するのである。

この非線形で非凸の問題を頑健に解決するために、グループはNSGA-II（非優越ソート遺伝的アルゴリズムII）を導入した。これは、局所解に捉われることなく起伏の多い探索空間を進むことで知られる多目的進化的最適化手法である。広く引用されているスタンフォード大学のバッテリー経年劣化データセット（INR21700-M50Tセル、23°Cで23ヶ月間のサイクル試験）を使用した検証実験では、アルゴリズムは急速に収束した—たとえECMパラメーターが大きく不正確に初期化されていた場合（例：R₀ = 10⁻⁵ Ω, Cₚ = 1 F）でも、100世代以内で収束した。情報に基づいた初期化（以前のテストからのパラメーターを使用）では、収束は50回未満の反復で発生した。

抽出されたOCV-SoC曲線は、高い忠実度を示した。アンペア時積分法（23°Cで100％のクーロン効率を仮定）によって再構築された参照曲線に対して重ね合わせると、最適化された曲線は、健全なNMC-グラファイトセルに期待される単調減少を追跡し、わずかな高周波残差のみが見られた—これはおそらくセンサノイズまたはモデルの単純化に起因するもので、物理的な非平滑性ではない。下流の使用のための安定性をさらに高めるために、チームは生のOCV-SoC点に8次多項式フィットを適用し、標準的なSoC推定量への統合の準備が整った、クリーンで微分可能な関数を生成した。

真のテストは、このOCVモデルを拡張カルマンフィルター（EKF）と結合させることで行われた。抽出された曲線をOCV-SoC対応表として使用し、EKFは完全なUDDSサイクルにわたってSoCを推定した。結果は驚くべきものだった。最大SoC誤差は、放電全体を通じて2％未満に留まった—フィルターの内部SoC状態が意図的にテスト途中で破損され、真の値が約40％であるときに80％にリセットされた場合でもである。約1,000秒（〜17分の都市走行）以内に、EKFは自己修正し、推定値を真値の1％以内に引き戻した。この回復力は、主要な利点を強調している。OCV曲線が物理的な妥当性のために事前に最適化されているため、それは強力なアプリオリな制約として機能し、センサの不具合や初期化誤差の中でもフィルターを正しさへと導くのである。

独立した検証は、時間領域トラッキングを超えて拡張された。チームは、最適化されたECMパラメーターを、同じ経年劣化バッチで取得された電気化学インピーダンス分光法（EIS）データと照合した。モデルの予測インピーダンス（フィッティングされたR₀, Rₚ, Cₚを使用）を、0–0.2 Hzの周波数帯域—そこではほとんどの駆動ダイナミクスが存在する—で測定されたナイキスト線図に対してプロットすると、優れた一致が示された。この周波数領域の一貫性は、平滑性駆動の最適化が単に誤差を「平滑化」するのではなく、真の電気化学的挙動を反映する回路パラメーターを回復することを確認している。

システム統合の観点から、この方法は異常に軽量である。これは、すべてのEV BMSに既に組み込まれている標準的な電圧および電流センサー以外の特殊なハードウェアを必要としない。計算量的には、NSGA-IIは単純なRLS更新よりも重いが、最適化は継続的に実行する必要はないと著者らは指摘している。最近の走行データに対する単一の5〜10分のバッチ処理—夜間またはアイドル期間中に実行—により、OCVモデルを週次または月次で更新できる。一度更新されれば、静的なOCV-SoC曲線は、日常運転中の軽量なリアルタイムフィルター（EKF, UKF, パーティクルフィルター）のための高精度な基盤として機能する。

この能力は、予知保全とデジタルツインの新興トレンドに合致する。自動車メーカーがOTA（オーバー・ザ・エア）バッテリー診断に向かう中、運転ログから直接、OCV曲線のシフト、抵抗増加、容量劣化などの健全性指標を抽出する能力は貴重になる。例えば、OCV-SoC曲線の右方シフト（つまり、固定SoCでのより低い電圧）は、リチウム在庫損失の既知の兆候であり、増加した分極抵抗はSEIの肥厚と相関する。この方法により、フリート管理プラットフォームは、異常なOCVの進化を示すバッテリーに自動的にフラグを立て、性能がドライバーに気付くほど劣化する前に先制的なサービスをスケジュールできる可能性がある。

影響は乗用EVを超えて拡大する。商用フリート—配達バン、バス、港湾設備—は、ダウンタイムが法外に高価となる過酷な負荷サイクル下で動作する。従来のOCV較正は、これらの車両では実際上不可能である。通常の運転による較正を可能にすることは、広範なBMSアップグレードへの主要な障壁を取り除き、より精密な充電制御と熱管理を通じてバッテリーパックの寿命を10〜15％延ばす可能性がある。

しかし、広範な採用の前には課題が残る。現在の検証では、一定温度（23°C）の実験室での経年劣化データを使用した。実世界のバッテリーは昼夜および季節的な変動を経験する。温度依存のOCVシフト—SoC効果よりも小さいながらも—は将来の作業で分離されなければならない。この研究はまた、単一セル形式を仮定している。多セルモジュールでは、セル間の変動と温度勾配が平滑性の仮定を複雑にする可能性がある。チームは階層的な適用を提案している。電圧センシングが利用可能なモジュール（または並列グループ）ごとに最適化を実行するか、適合度関数にセル間一貫性のペナルティを追加するのである。

もう一つの frontier は、健全状態（SoH）推定との統合である。OCV-SoCの歪みは経年劣化メカニズムと相関するため、抽出された曲線の形状—単なる垂直オフセットだけでなく—は健全性バイオマーカーとして機能する可能性がある。経年劣化段階全体にわたる平滑化最適化OCV曲線のライブラリで訓練された機械学習モデルは、容量劣化だけよりも正確に残存有用寿命を予測するかもしれない。

バッテリーOEMにとって、この技術は競争上の優位性を提供する。自己較正可能なBMSと組み合わされたセルは、特に保証期間が現在通常8年または16万キロメートルを超える欧洲やカリフォルニアなどの市場で、プレミアム価格を命令する。規制当局も注目している。まもなく発効する国連欧州経済委員会（UN ECE） R100 Rev. 3改正は「重要な安全機能の継続的検証」を強調しており、このアプローチはその要件を満たすのに役立つ。

電化バリューチェーンの投資家は、続く開発を注意深く監視すべきである。同済大学はIPライセンス計画を開示していないが、オープンアルゴリズム（NSGA-IIはパブリックドメイン）と標準センサへの依存は複製への障壁を下げる。BMSソフトウェアを専門とするスタートアップ—TWAICE、Voltaiq、またはAccureなど—は同様の技術を迅速に統合できる可能性がある。逆に、既存のBMSチップメーカー（アナログ・デバイセズ、テキサス・インスツルメンツ、NXPなど）は、オンボードで最適化を処理するコプロセッサを組み込むかもしれない。

より広範な教訓はバッテリーを超越している。時として、最も強力な革新は複雑さを追加することからではなく、基本原理を再検討することから生まれる。数十年間、エンジニアはOCVには静止状態が必要であると受け入れてきた。同済大学チームは問うた。なぜそうでなければならないのか？ 滑らかさを測定の産物ではなく物理的な必然性として認識することにより、彼らは制約をツールに変えた。そうすることで、彼らはEV業界に、バッテリーの透明性へのより速く、より安価で、より回復力のある道筋を与えたのである。

薛金偉（Xue Jinwei）¹、杜旭志（Du Xuzhi）²、楊志剛（Yang Zhigang）³、趙雷（Zhao Lei）¹、夏超（Xia Chao）⁴ ¹ 同済大学上海自動車風洞センター、上海 201804、中国 ² イリノイ大学アーバナ・シャンペーン校機械科学工学科、アーバナ、IL 61801、USA ³ COMAC 北京航空技術研究所、北京 102211、中国 ⁴ 同済大学自動車学院、上海 201804、中国掲載誌：同済大学学报（自然科学版）、第52巻、第S1号、2024年10月 DOI: 10.11908/j.issn.0253-374x.24778