AIを使わない新手法でEVバッテリー劣化を高精度に追跡
電気自動車用リチウムイオンバッテリーの容量劣化を追跡する画期的な手法が、江蘇大学の研究者らによって開発された。この手法は、大規模な実験室試験や事前学習済みモデルに依存することなく、バッテリーの経年劣化を正確に推定するという、バッテリー管理における最も困難な課題の解決策を提供する。
江蘇大学自動車工学研究所の裴雷博士が主導したこの研究は、車両のバッテリー管理システム（BMS）によって収集された実運用データを用いて、OCV曲面として知られる3次元曲面を再構築する新規アプローチを提案している。この手法により、バッテリーの健全性評価、残存寿命予測、電気自動車の長期的な信頼性と安全性確保に不可欠な、バッテリー容量軌跡の連続的かつオンラインでの抽出が可能となる。
機械学習モデルの学習にオフライン実験や大規模データセットへの依存が強い従来技術とは異なり、この新フレームワークは学習を一切必要としない。電流が流れていない時の電池の熱力学的状態を反映する開放電圧（OCV）という、アイドリング期間中のバッテリーの自然な電圧挙動のみを利用する。OCVが充電状態（SOC）と充放電回数（サイクルカウント）と共に時間経過でどのように変化するかを分析することで、研究者らはバッテリーの初回使用から寿命終了までの全老化の過程をマッピングできる自立型システムを開発した。
革新性は、実世界の走行パターンにより不完全でノイズの多い、散在するOCV測定値を、どのように一貫性のある進化する曲面へ変換するかという点にある。典型的な車両運用では、バッテリーが完全に充電または放電されることは稀で、休止時間は短く不規則である。その結果、BMSシステムが収集するのは、バッテリー寿命の様々な時点におけるOCV曲線の断片的なスナップショットのみとなる。これらの断片は個々では不十分だが、集合的に見るとバッテリーの老化プロセスに関する豊富な情報を含んでいる。
裴らのチームは、これらの断片がまばらではあるものの、基礎となるSOC-OCV関係の局所的な形状特性を保持していることを認識した。さらに重要なのは、同じ老化段階からの断片は一貫した形状特徴を共有するが、異なる段階からの断片は容量減少や電極劣化により差異が生じる点である。「同一老化レベル内での形状互換性」と「異なるレベル間での形状排他性」と呼ばれるこの原理を利用することで、アルゴリズムは各断片をSOCとサイクルカウントの両次元で智能的に位置合わせし再配置することができる。
この位置合わせは、SOCとOCVの間の基本的な単調関係を強制する反復最適化プロセスによって達成される。本研究で試験された広く利用されているリン酸鉄リチウム（LFP）電池を含むほとんどのリチウムイオン化学種では、高いOCVは常に高いSOCに対応する。この順序からの逸脱は、推定誤差または老化の差異による位置合わせの誤りを示している。アルゴリズムは個々の点ではなく断片全体のSOCオフセットを調整することでこれらの逸脱を修正し、その固有の形状を保存しながら大域的な一貫性を向上させる。
全ての断片が適切に位置合わせされると、それらは連続的な3D曲面を形成する。ここでx軸はサイクルカウント、y軸はSOC、z軸はOCVを表す。この再構築されたOCV曲面は強力な診断ツールとなる。最大OCV値で曲面を水平方向にスライスすると、時間経過に伴うバッテリーの容量軌跡が明らかになり、基本的に各充放電サイクルでどれだけの容量が失われるかを示す。一方、サイクル軸に沿った垂直方向のスライスは、特定の老化段階における精密なSOC-OCV曲線を生成し、これは劣化バッテリーにおける正確な充電状態推定に極めて重要である。
この手法の最も説得力のある利点の一つは、事前知識への非依存性である。従来のデータ駆動型モデルは、学習データを生成するために制御条件下での何千もの充放電サイクルを必要とする。それでもなお、異なるバッテリータイプ、温度、または使用パターンに適用すると、その性能はしばしば低下する。対照的に、OCV曲面再構築法はそのような準備を一切必要としない。車両自身の運用履歴から直接学習するため、多様な実世界の条件に本質的に適応可能である。
彼らのアプローチを検証するため、研究チームは公称容量5Ahの32650型LFP/GICセルで実施した実際の老化実験に基づいて包括的なシミュレーションフレームワークを設計した。これらのセルは室温条件下で2C（10A）のレートでサイクル試験され、高解像度のOCV曲線が定期的に記録された。この実験ベースラインから、実際のBMSデータの断片的で誤差を含む性質を模倣した合成データセットを生成した。具体的には、ランダムなSOC推定ノイズを追加し、各OCV断片を典型的な駐車時間に合わせてわずか5～8個のデータポイントに制限した。
この現実的なデータセットでテストした結果、アルゴリズムは卓越した精度を示した。再構築されたOCV曲面は、バッテリーの全寿命期間にわたり、平均絶対誤差（MAE）が4.2mV未満、二乗平均平方根誤差（RMSE）が7.9mV未満で、真の曲面と一致した。さらに重要なのは、抽出された容量軌跡が最大絶対パーセント誤差でわずか3.51%、平均絶対パーセント誤差（MAPE）が0.35%未満、二乗平均平方根パーセント誤差（RMSPE）が0.70%未満であった。これらの数値は、この手法が消費者向けアプリケーションとフリート管理システムの両方で許容される誤差範囲内で、容量減少を確実に追跡できることを示している。
この研究の意義は、単純な容量推定の範囲を超えている。バッテリーのSOC-OCVの進化を連続的かつ高精度に視覚化することで、老化メカニズムを理解する新たな道筋を開く。例えば、OCV曲線の変曲点のシフトは、リチウム析出や固体電解質界面（SEI）膜の成長などの電極動力学の変化を明らかにすることができる。このような知見は、長寿命化を目指すバッテリーデザイナーや、充電戦略の最適化を目指すオペレーターにとって計り知れない価値がある。
さらに、この手法の計算効率の高さは、オンボード実装に適している。アルゴリズムは30回以内の反復で収束し、最小限の処理能力しか必要としない。これはリソースが限られている組み込みBMSプラットフォームへの統合において重要である。生の大量データを保存または送信しないため、コネクテッドビークルにおけるプライバシーと帯域幅の制約にもうまく適合する。
もう一つの重要な強みはその普遍性である。この手法は特定のバッテリー化学、サイズ、またはメーカーに縛られない。バッテリーが単調なSOC-OCV関係を示す限り（これはほとんど全ての市販リチウムイオン電池に当てはまる）、アルゴリズムを適用できる。このクロス互換性は、複数のバッテリータイプが共存し、新しい化学物質が絶えず出現する業界において大きな利点である。
この研究は、既存の診断ツールにおける共通の制限、すなわち完全充放電サイクルを用いた定期的な再キャリブレーションの必要性にも対処している。実際には、そのようなサイクルは日常の運転ではほとんど実行されないため、多くのオフライン手法は非現実的となる。OCV曲面再構築法は、部分的な断続的なデータを扱うことでこの問題を回避し、事実上、すべての駐車イベントを健全性評価の潜在的なデータポイントに変える。
システム統合の観点から、この手法は既存のBMS機能を置き換えるのではなく補完する。リアルタイムの充電状態（SOC）計算や熱管理システムに干渉することなく、健全状態（SOH）推定の精度を向上させる。実際、この手法によって生成された精密化されたSOC-OCV曲線は、バッテリーの老化に伴うSOC推定精度を向上させるためにBMSにフィードバックできる。これは劣化を加速させる過充電や過放電を防止するための重要な要素である。
現在の実装はサイクル老化に焦点を当てているが、この手法の理論的基礎はカレンダー老化にも拡張可能であることを示唆している。使用頻度ではなく時間と温度によって引き起こされるカレンダー老化は、使用頻度の低い車両における容量損失の主要な原因である。将来の研究では、温度データと保管期間をOCV曲面モデルに組み込むことで、より包括的な健全性評価が可能になるだろう。
チームは一つの限界を認めている。この手法は、各OCV断片に対してサイクルカウントまたは同等の老化指標が利用可能であることを前提としている。特にセカンドライフや再利用バッテリーの場合、この情報が不完全または欠落している可能性がある。しかし研究者らは、累積充電量や使用時間などの代替老化指標が代理として機能し、データが乏しいシナリオでもこの手法を機能させることができると示唆している。
この研究は、その厳密な理論的基礎と実用的適用性により、成長著しいバッテリー診断分野で際立っている。解釈が困難なブラックボックス的なAIモデルに依存するのではなく、電気化学的原理と透明性のある論理に基づいている。断片の位置合わせから曲面のスライスに至るまでのすべてのステップが説明可能かつ検証可能であり、その出力に対する信頼性を高めている。
人工知能がすべての工学的課題の解決策として称賛される時代において、この研究は物理学に基づいたルールベースのアプローチの不変的価値を実証している。深い領域知識と巧妙なアルゴリズム設計を組み合わせることで、複雑な実環境において、データを大量に必要とするモデルを凌駕できることを証明している。
自動車メーカーやバッテリーメーカーにとって、この技術はより信頼性の高い保証、よりスマートなバッテリーリサイクル、そして顧客信頼の向上への道筋を提供する。フリートオペレーターや充電インフラプロバイダーにとっては、予知保全と最適化された充電スケジュールを可能にする。そして個人のドライバーにとっては、専用の装置やサービス訪問を必要とすることなく、自身の車両のバッテリー状態に関するより大きな透明性を意味する。
電気自動車の普及が続く中、正確で低コスト、かつスケーラブルなバッテリー診断への需要はますます高まるだろう。裴雷らと江蘇大学の同僚によって開発されたような手法は、持続可能なデータ駆動型モビリティに向けた重要な一歩を表している。日常の運用データを実践的な健全性の洞察に変換することで、バッテリー劣化がもはや謎ではなく、測定可能で管理可能な運転体験の一部となる未来に私たちを近づけている。
この研究は、中国国家自然科学基金、江蘇省自然科学基金、中国博士後ろ科学基金、鎮江市科学技術プログラムを含む、いくつかの国家的および地域的な資金プログラムによって支援された。これらの投資は、クリーンな輸送への移行における先進的なバッテリー管理の戦略的重要性を強調している。
今後の展望として、チームは実世界の車両フリートでこの手法をテストし、セカンドライフバッテリー評価や系統規模のエネルギー貯蔵システムへの応用を探求する計画である。さらに改良を重ねれば、OCV曲面再構築技術は次世代BMSアーキテクチャの標準機能となり、バッテリー健全性監視の新たな基準を設定する可能性がある。
要約すると、本研究は、離散的な運用データからサイクルカウント–SOC–OCV曲面を再構築することにより、バッテリー容量劣化軌跡を抽出する、堅牢で学習不要な手法を導入する。このアプローチは普遍的で正確かつ計算効率が高く、電気自動車やその他の電池駆動システムにおけるオンライン実装に極めて適している。
裴雷、陳斌、王天絲、李環環、江蘇大学、Journal of Power Sources、DOI: 10.3969/j.issn.1002-087X.2024.12.017