電気自動車の普及が加速する中、全てのEVに潜む静かな安全リスクが存在する。それはリチウムイオン電池の経年劣化だ。走行中のバッテリー劣化は予測不能に進行し、従来の状態監視ツールは遅れがちで、突然の電力喪失や航続距離の急減、さらには熱暴走のリスクをはらんでいる。燕山大学のエンジニアらが開発した新しいデータ駆動型アプローチは、この危険なギャップを埋める可能性を秘めている。バッテリーの劣化挙動が多様化する中でも、最大絶対誤差3％未満のリアルタイム状態健全度（SOH）推定を実現する。
SSA-BPNN（スズメ探索アルゴリズム-誤差逆伝播ニューラルネットワーク）と呼ばれるこの手法は、メタヒューリスティックな大域最適化と深層学習を組み合わせ、業界関係者が「ブラックボックス」と呼ぶバッテリー劣化の課題——非線形性、製造ばらつき、負荷の不均一性——に取り組む。精密な電気化学パラメータや時間のかかるインピーダンス測定を要求する従来の物理ベースモデルとは異なり、SSA-BPNN手法は定電流・定電圧（CC-CV）充電サイクルから抽出された7つの健全度指標のみを必要とする。これらは電圧、温度、時間に基づく特徴量で、現代のバッテリー管理システム（BMS）のほとんどが既に取得しているデータである。
この進歩が時宜を得ている理由は、精度だけではない。実用性の高さにある。自動車メーカーは、保証判断、セカンドライフ再利用計画、OTA安全更新を支える予測的バッテリー分析にますます依存しており、スケーラブルで低遅延のSOH推定の需要が急増している。ブルームバーグNEFによれば、劣化モデルが不正確なままなら、2030年までに世界のEVバッテリー保証請求額は年間50億ドルを超える可能性がある。一方、テスラが4680パックで「セルレベル診断」へ移行し、BYDがブレードバッテリーの安全認証を推進していることからも、バッテリーの健全性の透明性が競争上の差別化要因となっていることがわかる。
燕山大学のチームは、そのフレームワークをNASAのランダム化バッテリー使用データセットでテストした。これは現実性の高さで知られるゴールドスタンダードなベンチマークである。このデータセットは、28個のLG Chem製18650 LiCoO₂セルに、実世界の都市部での通勤、高速道路での巡航、急速充電ストレスを模倣した7つの異なる劣化経路にわたってランダム化された充放電負荷を課す。50サイクルごとに、クーロン計数法による完全な参考容量測定が行われ、真値のSOH値が提供される。決定的に、これらのセルは強い容量ばらつきを示す。同じグループ内でも、公称条件が同一であれば、使用可能容量の減少速度が他より20～30％速いユニットがある。これは、同一車種から引き抜かれたバッテリーパックが2年後にしばしば大きく非対称な摩耗を示すという、フリートオペレーターからの現場観察を反映している。
各CC-CV充電曲線から、研究者らは7つの健全度指標（HI）を抽出した。これには以下が含まれる：
- 定電流電圧曲線下面積（S u）
- 総充電電圧-時間積分（S u,t）
- 定電流モードで費やした時間（t cc）
- 充電中のピーク温度（T peak）
- CCおよび全充電段階における温度-時間積分（S T,cc, ST）
- 正規化充電時間比率（t cc/ttotal）
これらの特徴量は、生の電流サンプリングへの依存（多くの低コストBMSは高周波電流ロギングを省略する）や、充電停止中は利用できない可能性のある放電データへの依存を避けるために意図的に選択された。代わりに、電圧と温度——エントリーレベルのEVでも継続的に監視されている2つの信号——は、全体的に処理されれば十分な劣化の特徴を運ぶのである。
中核的な革新は、BPニューラルネットワークの初期化と訓練方法にある。標準的なBPNNは広く使用されているが、ランダムな重み初期化に対する感度に悩まされ、多くの場合局所的最小値に収束し、不安定なSOH予測を生み出す——特に訓練データを超えて外挿する場合に顕著である。これを克服するため、チームはネットワークをスズメ探索アルゴリズム（SSA）内に埋め込んだ。これはスズメの群れの採餌行動に基づいてモデル化された生物にヒントを得たオプティマイザーである。
SSAでは、個体は「発見者」（適合度の高い偵察係）、「追随者」（日和見的利用者）、「警戒者」（リスクを認識した偵察係）に分類される。発見者は広く探索し、追随者は有望な領域を洗練させ、警戒者は危険——すなわち、低い適合度——が検出されると迅速な再配置を引き起こす。BPNN訓練に適用すると、SSAはまず候補となる重み-閾値行列の集団を生成する。各候補は訓練セットの平均二乗誤差（RMSE）で評価される。上位20％が発見者となり、その位置（重みベクトル）は反復回数と集団の多様性に結びついた適応ステップサイズルールを使用して更新される。追随者は発見者の軌道を乗っ取ろうとする——または、失敗した場合、一般化逆操作を介して全く新しい領域へ飛躍する。一方、最も成績の悪い下位20％から選ばれる警戒者は、勾配のない摂動を使用して行き詰まりから脱出する。
このハイブリッドアプローチは、3つの実用的利点をもたらす。(1) より高速な収束——訓練は標準的なBPNNの100エポック以上に対して50エポック未満で完了する。(2) 劣化経路全体での一般化性能の向上。(3) 限られたデータでも過学習の軽減。
しかし、生のNASAデータセットには約280の使用可能な充電サイクルしかなく——堅牢な深層学習には少なすぎる——チームは物理的に基礎付けられたデータ拡張スキームを導入した。任意のノイズを注入するのではなく、中国のEVバッテリー規格GB 38031-2020に基づいて実世界のセンサー許容誤差をモデル化した。電圧で±1％誤差（±10 mV）、電流で±1％（0.8A公称充電で±8 mA）、温度で±2°Cである。各信号の動的範囲の0～2％にスケーリングされたガウス白色ノイズが重畳され、それらのハードウェア制限バイアスによってオフセットされた。これにより、実際のサイクルごとに15の合成バリアントが得られ——訓練セットを4,200サンプル以上に拡大——ながら、基礎となる劣化物理を保存した。
結果は、訓練中には一切使用されなかった7つの保留セル（RW5, RW7, RW10, RW13, RW17, RW21, RW27）で検証された。全てのテストユニットにおいて、SSA-BPNNは以下を達成した：
- 平均絶対誤差（MAE）：0.90％
- 平均二乗誤差（RMSE）：1.13％
- 最大絶対誤差：2.61％
対照的に、同じ拡張データで訓練された従来のBPNNは、MAE 1.43％、RMSE 1.82％、ピーク誤差は5％近くを示した。特に注目すべきは、BPNNの誤差はサイクル150以降——SOHが約93％を下回った時点——で急上昇し、高度な劣化における堅牢性の喪失を示唆している。しかし、SSA-BPNNは、容量が寿命末期（70～80％ SOH）に近づき、セル間のばらつきが強まる状況でも、1.5％未満のMAEを維持した。
この後期段階の信頼性は重要である。自動車OEMは通常、バッテリー交換の閾値を初期容量の70～80％と定義している——それを超えると電力供給が不安定になり、熱管理に負担がかかり、リチウム析出のリスクが高まる。80％ SOHでは、75 kWhのパックは実質的に60 kWhになり——航続距離への信頼と再販価値を損なう。この段階でSOHをわずか3％誤推定することは、パックを6ヶ月早く交換することを意味するかもしれない——または安全インシデントが発生するまで交換を遅らせることを意味する。
現場エンジニアもその重要性を確認している。カリフォルニア大学デービス校の研究者らによる中古日産リーフ120台のパックの分解調査では、車両の34％にSOHの誤校正が見られ——早期の「リンプモード」作動や誤った低航続距離警告と相関していた。これらの誤差は、確率的な実世界の負荷ではなく、理想化された実験室サイクルで訓練されたBMSアルゴリズムに遡ることがわかった。
SSA-BPNN手法は、ランダム化された使用から直接学習することでその罠を回避する。その軽量なアーキテクチャ——ベイズ正則化を備えた2つの隠れ層（16および4ニューロン）——は、組込みの自動車グレードMCU（例：インフィニオンのAURIXやNXPのS32Kシリーズ）に展開可能で、50 kB未満のRAMを必要とし、200 MHzコアで20 ms未満で推論を完了する。これにより、クラウドオフロードを必要とせず、オンラインで完全充電の度にSOHを更新できる。
乗用EVを超えて、その影響はグリッド規模蓄電にまで及ぶ。リチウムイオンが定置型設置を支配する中——2030年までに世界の設置容量は1.2 TWhを超えると予測されている——何千ものセルにわたる劣化の不均一性を追跡する能力は、配信の信頼性と財務モデリングにとって極めて重要である。例えば、周波数調整市場では、SOHを過小評価すると過剰なコミットメントとペナルティ費用につながり、過大評価は収益を台無しにする。
依然として課題は残る。現在のモデルはLiCoO₂（LCO）化学種でのみ検証されている。LCOは従来のEVや民生電子機器で一般的だが、新しい車両はますますリン酸鉄リチウム（LFP）を使用している——特にテスラモデル3スタンダードレンジ、BYD漢、そしてほぼ全ての中国の低価格帯EVが該当する。LFPセルはより平坦な電圧曲線と温度感受性の高い劣化を示し、いくつかのHIを弱める可能性がある。著者らはこの限界を認め、次にリン酸塩系のデータセットをテストする計画を表明している。
もう一つの未解決の問題は、外形寸法への移植性である。NASAデータは18650円筒形セルを使用している。現代のEVは、熱結合と電流分布が異なる21700または角型を好む。しかし、欧州のティア1サプライヤーによる未公開だが非公式に共有された初期内部テストは、CC段階中のサンプリングレートが1 Hzを超える限り、電圧積分特徴量が外形寸法全体で有効であることを示唆している。
このような革新の背後には規制の勢いが築かれている。EUの電池規制（2027年発効）は、生涯にわたる健全性指標を詳述するデジタル電池パスポートを要求する。カリフォルニア州のAdvanced Clean Fleets規則は、2026年から商用EVへのSOH報告を義務付けている。そして中国の工業情報化部（MIIT）は、おそらくISO 6469-1のSOH不確実性限界（SOH > 80％で±5％、80％以下で±3％）を参照する、必須のBMS診断精度基準を起草中である。
そのような背景に対して、SSA-BPNNのような手法は事実上の業界基準になる可能性がある——それらが最も複雑だからではなく、精度、ハードウェア互換性、および解釈可能性のバランスを取るからである。ブラックボックス的な深層学習（例：数百万のパラメータを持つトランスフォーマーベースのモデル）とは異なり、このアプローチは追跡可能性を保持する。エンジニアは誤差の急上昇を特定のHIにマッピングし、センサードリフトや熱異常を診断できる。
さらに、このフレームワークは拡張可能である。同じSSA-BPNNパイプラインは、パルステストからの内部抵抗上昇や超音波センサーからの膨張誘起ひずみなどの追加入力を、アーキテクチャの大幅な変更なしに統合できる。そしてデータ駆動型であるため、次世代の化学種——シリコンアノード、全固体、またはナトリウムイオン——に自然に適応する。
投資家にとって、信号は明らかである。バッテリーの健全性インテリジェンスは、間接部門の機能から中核的な製品特徴へと移行している。正確なSOHをユーザーインターフェースに組み込む企業——ルシッドの「バッテリーヘルススコア」やポルシェの予測的メンテナンスアラートなど——は、より高い顧客維持率と残存価値を得ている。一方、AmpleやCATLのEnerthingなどのバッテリー・アズ・ア・サービス（BaaS）スタートアップは、交換サブスクリプションを価格設定するために正確な劣化モデルに依存している。
財務上の利点は明白である。2024年のS&Pグローバル・モビリティの調査によると、50万台のEVフリート全体でSOH推定精度が1％向上すると、不必要な交換を回避するだけで、年間1700万ドルの保証コストを削減できると推定されている。回避された路上援助コール、延長されたパック寿命、および最適化されたセカンドライフ再販を加えると、その価値は急激に上昇する。
とはいえ、どんなアルゴリズムも厳格なセル製造管理に取って代わるものではない。燕山大学の論文が指摘するように、初期容量でベースラインのセルばらつきが5％を超える場合、最良の推定量でも苦戦する——これは大量生産では一般的な問題である。したがって、この手法は、プロセス改善——より厳密な化成プロトコル、AI誘導の選別、閉ループの電解液投与——と併せて展開するのが最善である。
それでも、バッテリーがEVの中で最も高価で——そして最も透明性が低い——部品である世界では、既存のセンサーストリームからより多くの洞察を引き出すツールに注目する価値がある。SSA-BPNNアプローチは、新しいハードウェアを必要としない。クラウド接続を要求しない。それは全ての充電ポートを通じて既に流れているデータで動作する。
世界のEV販売台数が年間2000万台に近づく中、業界はバッテリーの健全性を後回しにすることはできない。次のフロンティアは、単なるより長い航続距離やより高速な充電ではない——それは信頼である。表示された航続距離が途中で消えないという信頼。保証がアルゴリズムの推測ではなく、実際の劣化をカバーするという信頼。BMSが「80％健全」と言うとき、それが74や86ではなく、80.0を意味するという信頼。
誤差範囲が確実に3％未満になった今、その信頼はついに手の届くところにある。
張凱飛、張金龍、盧曼萍 河北省電力電子節能与伝動技術重点实验室、燕山大学電気工程学院、中国秦皇島市066004 『電源学報』、第22巻、第5号、278–285