電池の致命的欠陥を早期検出する新アルゴリズム
電気自動車や大規模蓄電システムの世界では、技術の核心部に「マイクロ内部短絡」という静かなる殺し手が潜んでいる。爆発や突然の電力損失といった劇的な現象ではなく、リチウムイオン電池内でゆっくりと進行する微小な欠陥だ。検出されないまま放置されると、熱暴走や火災、壊滅的な故障へと連鎖する可能性がある。従来のバッテリー管理システムでは手遅れになるまで検出が困難だったが、中国科学院広州エネルギー変換研究所の画期的な研究がこの状況を変えようとしている。
研究チームは、この潜在的な脅威に対処するために「Isolation Forest」アルゴリズムという非従来型の手法を開発した。予測ではなく異常の分離を目的とした高度な人工知能技術で、驚異的な精度で微小短絡を検出し、発火前に数百件の事故を防ぐ可能性を秘めている。
■ 見過ごされてきた危険性
リチウムイオン電池はエネルギー密度と効率に優れる一方、化学的に不安定な側面を持つ。製造上の欠陥、物理的損傷、経年劣化などによって生じる内部短絡は、セル内に意図しない低抵抗経路を形成する。初期段階では数百から数千オームという高い抵抗値のため、電圧のわずかな低下や温度の微増など、正常動作時のノイズに埋もれやすい。航空機の翼の微細な亀裂のように、小さく見えてもストレス下で災害へと発展する可能性がある。
従来の監視システムは大きな電圧降下や急激な温度上昇を検知するが、警報が発せられる頃には「中後期」段階に達し、熱暴走へ向かっていることが多い。2023年第一四半期には、新エネルギー車が1日平均8台火災を起こしており、内部短絡が主要因の一つとされている。
■ 異常検出の革新的アプローチ
郭宇（Yu Guo）、王懿偉（Yiwei Wang）、彭鵬（Peng Peng）、王銀飛（Yinfei Wang）、邱懿姝（Yishu Qiu）、江芳明（Fangming Jiang）らが開発した手法の優れた点は、教師なし学習に基づく簡潔さにある。従来のAI診断ツールは大量のラベル付きデータが必要だったが、Isolation Forestアルゴリズムはこのモデルを一変させた。
混雑した室内で誰からも離れて窓際に立つ人物が目立つように、異常値は分離が容易だという原理に基づいている。このアルゴリズムはバッテリーパック内の各セルの電圧データを無作為に分割し、「分離のしやすさ」を経路長として測定する。正常なデータポイントは多くの分割が必要だが、異常なデータポイントは少数の分割で分離できる。この「異常スコア」によって潜在的な問題をフラグ付けする。
直列接続されたバッテリーパックでは、正常時にはすべてのセルが同期して動作する。しかしマイクロ内部短絡が発生すると、充放电時に電圧のドリフトが生じる。このアルゴリズムはスライディングウィンドウ方式で最近の電圧履歴を継続的に更新し、この微妙な差異を敏感に検出する。複雑な電気化学的理解を必要とせず、統計的に異常な挙動を認識するという、データ駆動型のパターン認識アプローチだ。
■ 過酷な環境下での実証実験
研究チームは理論だけでなく、現実世界の過酷な条件で手法を検証した。6つの18650リチウムイオンセルで構成するテストモジュールを作成し、精密抵抗器を使用してマイクロ短絡故障を人為的に誘発した。300オームから4000オームまで様々なシナリオを、定常的な充放電サイクルと、都市部の走行を模した動的ストレステスト（DST）の条件下で試験した。
その結果は驚くべきものだった。サイクリック条件下では1000オームの短絡で74%以上の精度と76%以上の再現率を達成し、全体的な精度は91%以上に達した。より過酷なDST条件下では、300オームの短絡で精度と再現率がともに86%を超え、精度は95%以上となった。1000オームの短絡は極めて微妙な故障だ。中国の産業標準では28日間の自己放電を満たすには内部短絡抵抗が約6000オーム以上必要とされるため、1000オームの故障検出は許容限度の6倍も悪い問題を早期に捕捉できることを意味する。
■ 実運用環境での検証
チームは実験室を超えて、実規模のエネルギー貯蔵システムプロトタイプでアルゴリズムを検証した。新品のセルではなく、電気自動車で使用後定置蓄電に転用されたリチウム鉄リン酸（LFP）電池という、履歴が不明で潜在的な劣化があるセルを使用した。25オーム、100オーム、500オームの短絡を特定のセルに誘発し、テストを実施した。
25オームの短絡では98%以上の再現率を示し、100オームの短絡でも60%以上の再現率を達成した。アルゴリズムは人為的に誘発した故障だけでなく、異常スコアが頻繁に閾値を下回る他のセルも検出し、未診断のマイクロ短絡やその他の劣化がある可能性を示唆した。これは特定の原因に関係なく異常な挙動を示すセルをフラグ付けできるという、副次的な利点を強調している。
■ 産業への広範な影響
自動車産業にとって、この技術は強力な新たな安全層を提供する。既存のバッテリー管理システム（BMS）に統合するには最小限の追加ハードウェアのみで済み、バックグラウンドで継続的に実行できる。故障後の対応から予防的保守戦略への転換を可能にし、消費者の安心感を高める。
エネルギー貯蔵セクターでは、特に履歴が不明な第二寿命電池を使用するシステムで、マイクロ短絡をリアルタイムで継続的に監視する能力は計り知れない価値がある。LFPシステムでの25オーム故障の高い再現率は、安全性で知られるLFP化学の特性を考慮すると特に有望だ。
■ 実用性と将来性
Isolation Forestアプローチの利点は効率性と実用性にある。計算資源を大量に必要とする複雑な深層学習モデルとは異なり、比較的軽量で、車両のBMSやバッテリーラックのローカルコントローラに展開できる。教師なし学習のため、故障した電池の大規模な事前ラベル付けデータセットが不要で、特定のパックの「正常な」挙動をその場で学習できる。
もちろん技術には限界もある。内部短絡抵抗が高くなるほど性能指標は低下する。しかし、マイクロ短絡故障は時間の経過とともに悪化し、実効短絡抵抗が減少する傾向がある。今日は検出不能な故障も、劣化に伴い明日には検出可能になる可能性がある。スライディングウィンドウアプローチは継続的監視を目的としており、進化する故障を捕捉できるように設計されている。
この研究は電池安全性において大きな進歩をもたらす。最適化や予測だけでなく、干し草の山から針を見つけるという救命の重要な任務にAIを活用できることを証明した。異常分離の基本的な統計原理に焦点を当てることで、強力で実用的、かつ実世界への展開が可能なツールを創り出した。電気自動車が普及し、エネルギー貯蔵が再生可能エネルギー網の基盤となる中、これらの微小な殺し手が暴れる前に捕捉できる能力は、工学的成果であるだけでなく、社会的必要性である。このアルゴリズムは診断ツール以上のもので、私たちの電池を見守る守護者であり、未来の動力が安全の代償を伴わないことを保証するのである。
By Yu Guo, Yiwei Wang, Peng Peng, Yinfei Wang, Yishu Qiu, Fangming Jiang, Guangzhou Institute of Energy Conversion, Chinese Academy of Sciences. Published in Energy Storage Science and Technology, 2024, 13(11): 4102-4112. doi: 10.19799/j.cnki.2095-4239.2024.0509.