AIが電池の異常を早期発見、故障を未然に防止
電気自動車（EV）の安全性は、衝突保護やエアバッグの展開だけでなく、車両の最も重要なコンポーネントであるバッテリーパック内部に潜む目に見えない脅威にも関わるものとなっています。過去10年間、リチウムイオンバッテリーパックは都市での短距離移動用車両から高性能セダン、長距離トラックに至るまで、あらゆるものを動かしてきました。しかし、高いエネルギー密度と効率性にもかかわらず、これらのパックは「セル不整合」という、些細だがますます危険性を増す故障モードに対して脆弱なままです。
短絡や熱暴走（数秒で炎上する）のような壊滅的な故障とは異なり、セル不整合は静かに進行します。煙や警報サイレンで自らを知らせることはありません。代わりに、微細な製造上のばらつき、不均一な経年劣化、または局所的な温度勾配を通じて忍び寄ります。108個の直列接続されたセルの中で、1つのセルが充電中にわずかに電圧が低くなり始めるかもしれません。別のセルは負荷がかかるとより早く熱くなるかもしれません。それだけなら、これらの偏差は良性で、複雑なシステム内の単なるノイズのように思えます。しかし、時間の経過とともに、その差は広がります。弱いセルはより多くのストレスを受け、より早く劣化し、最終的に高電圧の連鎖の中で最も弱いリンクとなります。そのリンクが切れるとき（多くの場合、急速充電中または強加速中）、結果は壊滅的になる可能性があります：煙、火災、または爆発です。
最近まで、この種の「スローモーション故障」をリアルタイムで検出することは、ほとんど不可能でした。従来のバッテリー管理システム（BMS）は、平均的な指標（パック電圧、電流、充電状態（SOC）など）を監視しますが、萌芽期の異常を検出するための細粒度な分析と高度な手法にはしばしば欠けています。この状況が変わり始めています。東華交通大学（East China Jiaotong University）の研究者たちから発表された新しい手法は、より多くのセンサーを追加するのではなく、道路上のすべての車両から既に流れているデータをどのように聞くかについて再考することによって、飛躍的な進歩を約束します。
『Journal of East China Jiaotong University』に詳細が掲載されたこの革新は、複雑なニューラルネットワークや大規模な再学習サイクルに依存しません。代わりに、Isolation Forests（元々は不正検出用に開発された機械学習技術）とスライディングウィンドウ（音声エンコーディングから株式市場分析まであらゆるものに使用される古典的な信号処理ツール）という、2つの驚くほど優雅なアイデアを組み合わせています。これらが一体となって、車両自身の診断システムが警報を発する数時間前に問題のあるセルにフラグを立てることができる、軽量でリアルタイムの早期警告システムを形成します。
このアプローチの説得力は、その実用性にあります。これは、カスタム計器を備えた実験室ではなく、中国のGB/T 32960規格のような国家的テレマティクス義務化（遠隔車両監視を可能にするために数年前に導入された）のおかげで、数十万台の接続されたEVによって既にストリーミングされている複雑で実世界のデータ上で動作します。その規制は、バッテリー状態分析のための世界で最も豊富なデータセットの1つを意図せずして生み出しました。ドライバーが充電プラグを差し込むたびに、BMSからクラウドベースのプラットフォームへ、1秒あたり数十の電圧測定値が流れます：108個の個別セル電圧、電流、温度、SOC、故障フラグ—これらはタイムスタンプが付けられ、地理位置情報がタグ付けされ、数年間にわたって保存されます。
歴史的に、このデータの大部分は休眠状態でした—コンプライアンスのためにアーカイブされるか、故障後の調査でのみ使用されていました。しかし、フリートサイズが拡大し、バッテリー保証が8年または10年に及ぶにつれて、自動車メーカーとフリート事業者は、事後対応型保守から予測型保守への移行方法を緊急に模索しています。故障しつつあるセルを早期に発見することは、火災を防止するだけでなく、15,000ドル全体のパックの代わりに単一のモジュールを交換するといった的を絞ったサービス、または寿命を延ばすための充電戦略の動的調整さえも可能にします。
教育部（Ministry of Education）の「輸送機器実験室（Key Laboratory of Conveyance and Equipment）」のチェン・シェンフ（Cheng Xianfu）教授が率いるチームが参入します。彼らの手法は、基本的な洞察から始まります：異常なセルは、絶対的な条件で極端であるからではなく、統計的に孤立しているために目立つのです。
典型的な充電曲線を考えてみてください：108個のセルは、まるで調和して歌う合唱団のように、ほぼ完璧に一斉に上昇します。1つの声が揺らぐとき（わずかに低い、わずかに遅い）、それが目立つために大きくなる必要はありません。Isolation Forestsはこの原理を利用します。（「良好」と「不良」の例のラベル付けを必要とする）教師ありモデルとは異なり、Isolation Forestsは教師なしです。これらは故障モードに関する事前知識を必要としません。代わりに、電圧、時間、および隣接セルの動作の多次元空間を繰り返し分割することによって、各データポイントを「分離」するプロセスをシミュレートし、すべてのポイントが単独で立つようにします。
ここで重要なのは：正常なポイントは、分離するために多くの分割（カット）を要するということです。それらはデータクラウドの密集した中心深くに位置します。対照的に、異常なポイントは周辺部に位置し、ほんの数回のランダムな分割で簡単に分離できます。このアルゴリズムは、各セルが分離される速さに基づいて、0から1の間のスコアを割り当てます。スコアが0に近い？通常通りです。スコアが1に近づく？何かがおかしいのです。
しかし、生のスコアだけでは不十分です。初期の実験では、歴史的データで一度訓練された静的モデルは、過渡現象に対処するのに苦労することが示されました。例えば、リレーのクリックやCANバスのグリッチによって引き起こされた一時的な電圧ディップは、誤警報を引き起こす可能性があります。さらに悪いことに、充電の最終5％間でのみ誤動作するセルのような真に危険な異常は、駆動サイクル全体で平均化されると希薄になる可能性があります。
ここでスライディングウィンドウの出番です。充電セッション全体を1つの巨大なブロックとして分析する代わりに、システムは時系列を重複するセグメントに分割します—例えば、各ステップで1秒進めながら、一度に15秒間のデータを処理します。各ウィンドウはミニデータセットとなり、新鮮なIsolationモデルに独立して供給されます。その結果？各セルに対する動的な異常タイムラインが得られます。
突然、パターンが現れます。1つのセルは、最初の20分間は安定して0.6のスコア（アラート閾値をはるかに下回る）かもしれないが、22分時点でスコアが0.82に急上昇し、高いまま維持されるかもしれません。それはノイズではありません。それは兆候です：進行中の初期故障です。
研究者たちは、中国の主要なEVメーカーである江鈴集団NEV株式会社（Jiangling Group NEV Co., Ltd.）からの実世界のデータを使用して彼らのアプローチを検証しました。彼らは、公式のバッテリー不整合アラームをトリガーした（かつ10,000km以上を走行記録した）27台の車両を選択し、そのような履歴のない27台の対照群と比較しました。前処理（無効な測定値の除去、タイムスタンプの調整）後、チームは何千もの充電サイクルにわたってすべてのセルに対して異常スコアを計算しました。
彼らの分析は、0.75に自然な分岐点があることを明らかにしました。それ以下では、スコアは健全な車両間で tight に集中しました。それを超えると、異常なセル—特に後にBMSの故障コードで確認されたもの—が支配的でした。決定的に、3つのボーダーライン症例が0.75付近で推移し、この閾値が感度を犠牲にすることなく軽微な変動性を許容することを示唆しました。
しかし、真の試練は検出性能にありました。彼らがスライディングウィンドウ Isolation Forest（SW-IF）を2つの代替手法—元のIsolation Forest（IF）および人気のある密度ベースの手法であるLocal Outlier Factor（LOF）—に対してベンチマークしたとき、顕著な違いが見られました。
標準IFは完璧な精度（フラグが立てられたセルの100％が真に異常であった）を達成しました—しかし、高い代償を伴って：実際の故障の33％を見逃しました（再現率（recall）= 0.67）。安全が重要なシステムでは、これは容認できません。LOFは再現率を改善しました（0.81）が、過敏性に悩まされ、健全なセルを故障と誤分類しました（精度（precision）= 0.80）。しかし、SW-IFはほぼ理想的なバランスを実現しました：精度0.91、再現率0.95。平易に言えば：セルが故障していると言うとき、それはほぼ確実に正しく、そして実際の問題のほぼすべてを捕捉します。
示唆に富む例は、後で高深刻度アラームをトリガーした「車両A」に関するものでした。その電圧トレースの視覚的検査は、2つの外れ値を示しました：持続的に性能が低い（慢性的な低電圧）セル＃32と、充電の最後の部分でのみ不規則に急上昇したセル＃98です。標準IFは＃32を容易に捕捉しました—しかし＃98を完全に見逃しました。SW-IFは両方にフラグを立てました。なぜでしょうか？スライディングウィンドウがその決定的な最終セグメントにズームインしたため、＃98の短い不安定性が統計的に顕著になったからです。
さらに印象的だったのは、早期警告能力でした。連続するウィンドウにわたるスコアを追跡することにより、チームは各セルが0.75の閾値をいつ越えたかを正確に見ることができ、それを車両の公式アラーム時間（テレマティクスログに記録された）と比較することができました。4つの代表的な症例では、SW-IFはそれぞれ3.62時間、0.20時間、1.65時間、2.25時間の事前警告を提供しました。
そうです—1台の車両は、車載システムが何かおかしいと気づく3時間半以上も前にフラグが立てられました。
その種のリードタイムはすべてを変えます。フリート管理者がアラートを受け取ることを想像してみてください：「車両VIN#XXXX：セル＃64に異常傾向。予測故障時間帯：2～4時間。急速充電停止推奨；デポ点検をスケジュールせよ。」 路側での故障なし。緊急レッカー移動なし。混雑したモールの駐車場での昼食時の充電中の火災リスクなし。
もちろん、ウィンドウサイズは重要です。小さすぎると（例：5秒）、ランダムノイズが増幅され、健全なセルが閾値を超えてちらつきます。大きすぎると（例：100秒）、短くても決定的な異常は、雷雨の中でささやきを聞こうとするかのように平滑化されます。厳格なテストを通じて、チームは15秒が「ゴルディロックスゾーン」（意味のある動作を捕捉するのに十分長く、時間分解能を維持するのに十分短い）であることを発見しました。
重要なことに、この方法は計算負荷が軽いです。100のIsolationツリーと256サンプルのサブサンプリング（従来の文献でほぼ最大の精度をもたらすことが証明された構成）を使用すると、モデルは標準的なエッジハードウェア上で効率的に実行されます。これは、フリート分析のためのクラウド内だけでなく、次世代BMSファームウェアアップグレードとして車両自体にオンボードで展開できることを意味します。
新しいセンサーは不要です。配線ハーネスの変更は不要です。既存の信号のよりスマートな解釈だけです。
これは理論的ではありません。研究者たちは、彼らのシステムが現在のテレマティクスインフラストラクチャとの統合のために構築されていることを強調しています。データの取り込み、ウィンドウ処理、スコアリング、およびアラート発報はすべて、標準的なストリーミングフレームワーク（例：Kafka、Flink）を使用してパイプライン化できます。閾値は、歴史的フリートデータを使用して、パック化学特性（NCM、LFPなど）ごと、またはメーカーごとに調整できます。
そして、その意味合いは安全性を超えて広がります。バッテリーのセカンドライフアプリケーションを考えてみてください：容量低下のために「車両寿命終了」と見なされたパックには、依然として95％の健全なセルが含まれており、定置型蓄電用に転用する価値があるかもしれません。SW-IFは、どのモジュールを廃棄し、どのモジュールを再利用するかを特定し、残余価値を最大化できます。または、バッテリー保証請求において：「ユーザーの誤用」に対する包括的な拒否の代わりに、OEMは特定の異常なセルとその進行タイムライン—真の製造上の欠陥の証拠—を指摘できます。
決定的に、このアプローチは新たな規制の潮流と一致しています。欧州連合（EU）の upcoming バッテリー規制（2023/1542）は、状態の健全性追跡および故障予測機能を含むデジタルバッテリーパスポートを義務付けています。同様に、米国エネルギー省（U.S. Department of Energy）のBattery500コンソーシアムは、次世代パックに不可欠な「予測診断」を優先しています。SW-IFのような方法は、コンプライアンスへの実用的で実績のある道を提供します。
それでも、課題は残ります。この研究は電圧（普遍的に監視されるパラメータ）に焦点を当てましたが、将来のバージョンでは、温度勾配またはインピーダンス推定（パルス抵抗経由）を組み込んで、さらに豊富なプロファイリングが可能になるかもしれません。また、データセットは3P108S構成のNCM523化学特性をカバーしましたが、LFP、ナトリウムイオン、または全固体構造 across の検証が不可欠でしょう。
人的要因もあります。アラートは、実行されなければ有用ではありません。それは、サービス技術者のための直感的なダッシュボードを設計することを意味します—単なる赤/黄/緑のライトだけでなく、なぜセルが疑わしいのか：「セル＃47：CC-CV遷移中の分離スコア上昇；既知のセパレーター劣化パターンに92％一致。」 説明可能性はオプションではありません；それはアルゴリズムの出力を実行可能な洞察に変えるものです。
それにもかかわらず、ここでの核心的な成果は深遠です：閾値ベースから動作ベースの異常検出への転換です。従来のBMSロジックは次のようなものです：もし電圧 < 2.8 V または ΔV > 0.3 V → アラーム。 これは大きな故障には有効ですが、より微妙で、より陰湿な劣化経路には盲目です。対照的に、SW-IFは問いかけます：このセルの最近の動作は、その仲間と比較して統計的に異質に見えるか？ それはトリップワイヤーのようではなく、経験豊富な技術者が時間の経過とともに患者のバイタルサインを見守るようなものです。
中国だけでも四半期あたり200万台のEV販売に向けてレースする産業界では—そしてハイプロファイルなバッテリー火災後も一般の信頼が脆弱なままであるため—このようなツールは単なる「あれば良い」ものではありません。それらは基礎をなすものです。
なぜなら、EV安全性における次の飛躍的進歩は、より厚い防火壁やより多くのセラミックコーティングからはもたらされないからです。それは、現代の車両内の10,000以上のセルそれぞれが、秒単位で何をしているかを知ること—真に知ること—からもたらされます。そして物理学が支配権を握る前に、その知識に基づいて行動することからもたらされます。
その未来はもはや遠くありません。SW-IFのような方法が学術誌から実世界の展開に移行するにつれて、それは静かに、効率的に、そして一つのセルずつ、すでに充電を開始しています。
—
著者: チェン・シェンフ, マー・シャオドン, ゼン・ジエンバン, リー・シャオジン 所属: 東華交通大学 教育部 輸送機器実験室, 南昌 330013, 中国 ジャーナル: Journal of East China Jiaotong University, Vol. 40, No. 2, pp. 95–102, Apr. 2023 DOI: 10.16749/j.cnki.jecjtu.2023.02.011 (注: DOIは標準的なCNKI形式に従っています；正確な永続的DOIは、ジャーナルの公式サイトまたはCrossRef経由での確認が必要な場合があります。)