[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2019175707A1 - 二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム - Google Patents

二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム Download PDF

Info

Publication number
WO2019175707A1
WO2019175707A1 PCT/IB2019/051750 IB2019051750W WO2019175707A1 WO 2019175707 A1 WO2019175707 A1 WO 2019175707A1 IB 2019051750 W IB2019051750 W IB 2019051750W WO 2019175707 A1 WO2019175707 A1 WO 2019175707A1
Authority
WO
WIPO (PCT)
Prior art keywords
secondary battery
abnormality detection
battery
detection device
noise
Prior art date
Application number
PCT/IB2019/051750
Other languages
English (en)
French (fr)
Inventor
高橋圭
楠紘慈
伊佐敏行
千田章裕
山内諒
栗城和貴
田島亮太
Original Assignee
株式会社半導体エネルギー研究所
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社半導体エネルギー研究所 filed Critical 株式会社半導体エネルギー研究所
Priority to CN201980016772.5A priority Critical patent/CN111788492B/zh
Priority to US16/980,598 priority patent/US20210055352A1/en
Priority to JP2020505553A priority patent/JP7393102B2/ja
Publication of WO2019175707A1 publication Critical patent/WO2019175707A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/48—Control modes by fuzzy logic
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/056—Accumulators with non-aqueous electrolyte characterised by the materials used as electrolytes, e.g. mixed inorganic/organic electrolytes
    • H01M10/0561—Accumulators with non-aqueous electrolyte characterised by the materials used as electrolytes, e.g. mixed inorganic/organic electrolytes the electrolyte being constituted of inorganic materials only
    • H01M10/0562—Solid materials
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Definitions

  • One embodiment of the present invention relates to an object, a method, or a manufacturing method. Or this invention relates to a process, a machine, a manufacture, or a composition (composition of matter).
  • One embodiment of the present invention relates to a semiconductor device, a display device, a light-emitting device, a secondary battery, a lighting device, or an electronic device.
  • One embodiment of the present invention relates to a secondary battery abnormality detection method and a secondary battery charge control method.
  • the present invention relates to a secondary battery abnormality detection system, a secondary battery charging system, and a secondary battery management system (also referred to as a BMS “battery management system”).
  • a power storage device refers to all elements and devices having a power storage function.
  • a storage battery also referred to as a secondary battery
  • a lithium ion secondary battery such as a lithium ion secondary battery, a lithium ion capacitor, a nickel metal hydride battery, an all-solid battery, and an electric double layer capacitor are included.
  • Another embodiment of the present invention relates to a neural network and a control device for a secondary battery using the neural network. Another embodiment of the present invention relates to a vehicle using a neural network. Another embodiment of the present invention relates to an electronic device using a neural network.
  • One embodiment of the present invention is not limited to a vehicle, and can also be applied to a secondary battery for storing power obtained from power generation equipment such as a solar power generation panel installed in a structure or the like.
  • lithium-ion secondary batteries with high output and high energy density are portable information terminals such as mobile phones, smartphones, tablets, or notebook computers, game devices, portable music players, digital cameras, medical devices, or hybrid vehicles.
  • HEV electric vehicles
  • PHEV plug-in hybrid vehicles
  • Electromagnetic noise refers to generation of electromagnetic radiation due to a transient current caused by a switching operation inducing a high-frequency current.
  • conduction of electromagnetic noise There are two types of conduction of electromagnetic noise: conductor conduction and space conduction. The larger the power, the larger the electromagnetic noise.
  • a shield may be provided to block the spatial conduction of electromagnetic noise, but it is difficult to block because there are various types of electromagnetic noise.
  • Electromagnetic noise is strong noise (spike noise, burst noise or monopulse noise) for a short time. There are cases where noise from different sources overlaps and becomes large electromagnetic noise. Large electromagnetic noise may cause electromagnetic interference (EMI: Electromagnetic Interference) that affects the operation of other devices via a power line or the like, and may cause malfunction of a circuit, for example.
  • EMI Electromagnetic Interference
  • the output from the secondary battery that does not operate normally or is not abnormal may be considered abnormal due to the influence of electromagnetic noise.
  • Patent Document 1 that diagnoses overcharge and overdischarge of battery cells is known.
  • An abnormal signal can be said to be a kind of large noise, but it can also be said to be noise necessary for safety management of the secondary battery.
  • An object of the present invention is to disclose a device or a secondary battery control system that can distinguish between electromagnetic noise and abnormal signal noise of a secondary battery, detect abnormality in real time or near real time, and detect abnormality more precisely. I will.
  • jitter is a very short fluctuation component (fluctuation) generated in the time axis direction of a signal waveform.
  • fluctuation a very short fluctuation component generated in the time axis direction of a signal waveform.
  • jitter may occur in the digital signal.
  • the configuration of the invention disclosed in this specification includes a device that generates electromagnetic noise, a first detection unit that measures a voltage value of a secondary battery that is electrically connected to the device, and a device that is electrically connected to the device.
  • a device that generates electromagnetic noise a device that generates electromagnetic noise
  • a first detection unit that measures a voltage value of a secondary battery that is electrically connected to the device
  • a device that is electrically connected to the device Causal relationship between electromagnetic noise and drive pattern from second detection means for measuring current value of secondary battery and data including a plurality of electromagnetic noise obtained by using first detection means or second detection means
  • a correction means for performing data correction based on the causal relationship
  • a calculation means for calculating a charge rate using a regression model based on the data after the data correction It is.
  • the regression model is a Kalman filter based on the state equation.
  • the Kalman filter is a kind of infinite impulse response filter.
  • multiple regression analysis is one of multivariate analyses, in which multiple independent variables are used for regression analysis.
  • the multiple regression analysis there is a least square method.
  • regression analysis many time series of observation values are required.
  • the Kalman filter has an advantage that an optimal correction coefficient can be obtained sequentially as long as a certain amount of data is accumulated.
  • the Kalman filter can also be applied to non-stationary time series.
  • SOC State Of Charge
  • a nonlinear Kalman filter specifically, an unscented Kalman filter (also referred to as UKF)
  • An extended Kalman filter also called EKF
  • SOC State Of Charge
  • SOC indicates a state of charge (also referred to as a charge rate), and is an index that assumes 100% when fully charged and 0% when fully discharged.
  • the data correction is performed by generating a signal having a phase opposite to that of the electromagnetic noise and canceling at least a part of the electromagnetic noise.
  • the generation of a signal having a reverse phase of electromagnetic noise is generated by a power generation unit including an inverter or a converter based on a calculation result obtained by machine learning, and is fed back to a power source and canceled. Since machine learning is not necessary if data correction is not complicated, an FPGA (Field Programmable Gate Array) or the like is designed as appropriate, and the power generation means including an inverter or converter generates antiphase power and feeds it back to the power supply. You can cancel it out.
  • the drive pattern refers to a mode in which a series of operations are performed when driving a device such as an inverter, converter, motor, wireless module, or computer.
  • a device such as an inverter, converter, motor, wireless module, or computer.
  • it is one of the driving patterns during a braking operation where a regenerative current is obtained.
  • the charging rate is based on high-quality signal output. Can be calculated with high accuracy.
  • An antiphase signal for canceling electromagnetic noise is preferably created by machine learning.
  • noise related to micro short circuit has a relatively high noise intensity. Therefore, abnormality detection such as micro short circuit can be detected when a preset threshold value is exceeded.
  • Micro-short refers to a minute short circuit inside the secondary battery, and it is not a short-circuit between the positive electrode and the negative electrode of the secondary battery, which makes it impossible to charge and discharge. It refers to a phenomenon in which a short-circuit current flows slightly. Since a large voltage change occurs in a relatively short time and even in a small part, the abnormal voltage value may affect the subsequent estimation.
  • micro short-circuiting One of the causes of micro short-circuiting is that charge and discharge are performed multiple times, resulting in uneven current distribution in the positive electrode active material and local concentration of current in part of the positive electrode and part of the negative electrode. It is said that a micro short circuit occurs due to the occurrence of a part that does not function or the generation of a side reaction product due to a side reaction.
  • micro-shorts are likely to occur. Even if a micro short-circuit occurs, the secondary battery cannot be used immediately.However, if the charge / discharge is repeated several times, the micro short-circuit will occur repeatedly, causing abnormal heat generation and ignition of the secondary battery. It may lead to a serious accident. Therefore, it can be said that the occurrence of micro-short is a sign of abnormality. The micro-short problem occurs during charging.
  • the current is controlled by the charger, so that the apparent current value does not change at the time of the micro short-circuit, and the voltage value changes.
  • the voltage change becomes small and detection becomes difficult.
  • a special detection mechanism is required.
  • the current in the parallel battery, when a micro short circuit occurs, the internal resistance is lowered, so that the amount of current flowing through the healthy battery is relatively small and a large amount of current flows through the abnormal battery, which is dangerous.
  • the current of the entire assembled battery is maintained at a controlled value, it is difficult to detect an abnormality.
  • a general assembled battery also referred to as a battery pack
  • it is normal to monitor the voltage of each series stage.
  • monitoring the current of all the batteries is costly and cumbersome. It is difficult to adopt.
  • an abnormality detection system to detect early when a micro short-circuit occurs and prevent a serious accident, or a secondary battery control system or secondary battery charging system, which also becomes the source of abnormality detection.
  • a secondary battery control system or secondary battery charging system which also becomes the source of abnormality detection.
  • the noise related to the micro short circuit is not used for the calculation for estimation, but the average value up to several steps before is used. Further, correction is performed using an antiphase signal for canceling electromagnetic noise generated by machine learning, except for noise related to micro short circuit.
  • noise related to micro short-circuiting and other electromagnetic noise are distinguished and subjected to different corrections, thereby increasing the accuracy of predicting parameter values such as charging rate by a computing means (specifically, a computer). be able to.
  • a plurality of prediction steps are collectively performed, and then the plurality of filtering steps are collectively performed to correct asynchronous timing deviation (such as jitter).
  • an assembled battery instead of filtering each battery in order, the prediction steps for a plurality of batteries are performed together, and then the plurality of filtering steps are performed together.
  • an assembled battery points out the thing which accommodated the some secondary battery in the container (metal can, film exterior body) with the predetermined circuit.
  • abnormality detection may be reduced. Anomaly detection performance tends to be greatly affected by the quality of learning data. If an abnormal value such as noise is mixed in the learning data, it may be determined to be abnormal even if it is normal.
  • the present invention is not limited to an electric vehicle, and a device having at least one of a motor, an inverter, a converter, and a wireless module, such as a portable information terminal, a hearing aid, an imaging device, a cleaner, an electric tool, an electric shaver, a lighting device, and a toy. If it is medical equipment, a robot, a personal computer, and a wearable apparatus, the above-mentioned subject can be solved using the present invention. Moreover, the above-described problems can be solved by using the present invention for a power storage power source for a building including a house.
  • an abnormality detection device for a secondary battery which includes a voltage acquisition unit that measures the voltage value of the secondary battery, and a current acquisition unit that measures the current value of the secondary battery.
  • the calculation unit that calculates the prediction error by calculating using the regression model with the voltage value and the current value as inputs, and the prediction error and the drive pattern as inputs, and predicting to cancel the noise associated with the drive pattern
  • a machine learning unit that creates error correction data, associates the correction data with the drive pattern to construct a correction model, a learning result storage unit that stores the results of the machine learning unit, and a prediction that is corrected using the correction data
  • a determination unit that determines whether the error is normal or abnormal.
  • the regression model uses a Kalman filter based on the state equation.
  • the regression model is characterized in that after a plurality of prediction steps are continuously performed, a plurality of filtering steps are continuously performed.
  • the machine learning unit includes a neural network.
  • the above configuration may include an abnormality notification circuit that is driven only when the corrected prediction error is determined to be abnormal and notifies the user that it is abnormal.
  • the abnormality notification circuit includes at least a transistor having a metal oxide layer as a channel. A transistor using a metal oxide layer as a channel has low leakage current in an off state, so that power consumption can be suppressed.
  • the problem of synchronization shift can be solved by collectively processing the prediction step and the filtering step.
  • the electromagnetic noise can be removed in a device such as an electric vehicle having a large number of semiconductor chips by the method disclosed in this specification, only the original signal component remains, and the signal component is used for calculation, thereby estimating accuracy. Can be improved. Moreover, since the accuracy of abnormality detection is improved, a device or a secondary battery control system that performs abnormality detection more precisely can be realized.
  • FIG. 10 is an example of a block diagram illustrating one embodiment of the present invention.
  • the electric vehicle is provided with a first battery 301 as a main driving secondary battery and a second battery 311 for supplying electric power to an inverter 312 for starting a motor 304.
  • the abnormality monitoring unit 300 that is driven by the power source of the second battery 311 collectively monitors a plurality of secondary batteries constituting the first battery 301.
  • a correction means 320 is provided for generating a signal that cancels unnecessary noise from the motor 304 and the like, correcting the signal, and inputting the corrected signal to the abnormality monitoring unit 300.
  • the abnormality monitoring unit 300 performs abnormality detection of a micro short circuit and estimates the state of charge by calculation.
  • the abnormality monitoring unit 300 monitors the temperature of a temperature sensor (not shown) for measuring the temperature of the first battery 301.
  • the abnormality monitoring unit 300 also monitors the temperature of a temperature sensor (not shown) for measuring the temperature of the second battery 311.
  • An abnormality in temperature obtained by the temperature sensor can also be monitored by the abnormality monitoring unit 300.
  • a numerical value of the temperature sensor may be used as one of parameters such as calculation or machine learning described in detail later.
  • the estimation procedure After detecting the occurrence of an abnormality in the secondary battery, the estimation procedure is repeated.
  • a mechanism for example, a neural network, a hidden Markov model, a polynomial function approximation, or the like
  • a mechanism that can determine an optimum output with respect to the input of the system by means such as regression or machine learning may be used. Since it is preferable to use a large amount of data and analysis for machine learning to perform machine learning, it may be performed in a site on a workstation or server appliance, in which case one or more servers are used. Data accumulation and analysis are automated or semi-automated with operator interaction.
  • abnormality detection and charging can be performed without using a server by incorporating those results into a system, specifically a program or a memory of an IC chip. State estimation can also be performed.
  • the pre-estimation prediction step uses an estimation algorithm and input values
  • the post-estimation step also called a filtering step
  • the above equation is a state equation describing the state transition of the system.
  • the observed value y (k) has the following relationship with x (k).
  • c T is the observation model responsible for linear mapping of the state space to the observation space.
  • w (k) is observation noise.
  • the above equation is an observation equation.
  • the state equation and the observation equation are collectively called a state space model.
  • the prior state estimated value can be expressed by the following equation.
  • u (k) is an input signal, which is a current value in the case of a secondary battery, and x (k) represents a state variable.
  • the prior error covariance can be expressed by the following equation.
  • a prior state estimation value and a state prior error covariance matrix are calculated based on the state equation. Based on the a posteriori state estimated value at time k, the a posteriori error covariance matrix of the state, and the state equation, the a priori state estimated value and the a priori error covariance matrix at time k + 1 are calculated.
  • the estimated value and the actually measured voltage (observed value) are compared, and the Kalman gain, which is a weighting coefficient of the error, is calculated by the Kalman filter to correct the estimated value.
  • the Kalman gain g (k) used in the filtering step can be expressed by the following equation.
  • the a posteriori state estimated value used in the filtering step can be expressed by the following equation.
  • the posterior error covariance P (k) used in the filtering step can be expressed by the following equation.
  • a comparator outputs a signal that the difference voltage value in the above equation exceeds a certain threshold value, and detects an abnormality.
  • An abnormality is determined by comparing with a threshold voltage signal REF input to the comparator.
  • the data at the timing when the abnormality is detected is not used in the later estimation, but instead the average value up to several steps before is input to the estimation algorithm.
  • the difference voltage in the above equation When the value of the difference voltage in the above equation falls below the voltage signal REFL or exceeds the voltage signal REFLH, the average value for several times of the previous step is replaced. Therefore, when the value of the difference voltage in the above equation is lower than the voltage signal REFL input to the comparator or exceeds the voltage signal REFLH, the difference voltage is not input to the loop of the Kalman filter. Instead, by inputting the average value to the estimation algorithm, it is possible to estimate the SOC with high accuracy even if unnecessary electromagnetic noise or abnormality occurs. If the average value up to several steps before is input to the estimation algorithm instead of using the data of the timing at which unnecessary electromagnetic noise or micro-short abnormality is detected, the difference voltage value in the above equation Approximate data with no micro-short.
  • the correction means 320 distinguishes unnecessary electromagnetic noise from noise caused by micro shorts, and constructs a signal that cancels unnecessary electromagnetic noise by machine learning. Only the component is left, and the signal component is used for calculation for calculating a parameter value such as a charging rate.
  • the correction unit 320 may generate a signal that cancels unnecessary noise, correct the signal, and input the corrected signal to the abnormality monitoring unit 300 to perform the charge state estimation.
  • the order of the process of canceling unnecessary electromagnetic noise and the process of correcting the micro short-circuit noise is not particularly limited, and either may be performed first. Whichever result is performed first, the calculation results obtained are almost the same.
  • the first battery 301 mainly supplies power to a 42V system (high voltage system) vehicle-mounted device, and the second battery 311 supplies power to a 14V system (low voltage system) vehicle device.
  • the second battery 311 is often employed because a lead storage battery is advantageous in terms of cost.
  • Lead-acid batteries have larger self-discharge than lithium-ion secondary batteries, and have a drawback that they are easily deteriorated by a phenomenon called sulfation.
  • the second battery 311 as a lithium ion secondary battery, there is a possibility that an abnormality that cannot be discriminated at the time of manufacture occurs when it is used for a long period of time, for example, 3 years or more.
  • the second battery 311 is a lead-acid battery in order to prevent the motor from starting up even if the first battery 301 has a remaining capacity. In such a case, power is supplied from the first battery to the second battery, and the battery is charged so as to always maintain a fully charged state.
  • the second battery 311 may be a lead storage battery or an all solid state battery.
  • the cylindrical secondary battery 600 has a positive electrode cap (battery cover) 601 on the top surface and a battery can (outer can) 602 on the side surface and the bottom surface.
  • the positive electrode cap and the battery can (outer can) 602 are insulated by a gasket (insulating packing) 610.
  • FIG. 2B is a diagram schematically illustrating a cross section of a cylindrical secondary battery.
  • a battery element in which a strip-like positive electrode 604 and a negative electrode 606 are wound with a separator 605 interposed therebetween is provided inside the hollow cylindrical battery can 602.
  • the battery element is wound around a center pin.
  • the battery can 602 has one end closed and the other end open.
  • a metal such as nickel, aluminum, titanium, or the like having corrosion resistance to the electrolytic solution, or an alloy thereof or an alloy of these with another metal (for example, stainless steel) can be used. .
  • the secondary battery includes a positive electrode containing an active material such as lithium cobaltate (LiCoO 2 ) and lithium iron phosphate (LiFePO 4 ), a negative electrode made of a carbon material such as graphite capable of occluding and releasing lithium ions, and ethylene. It is composed of a non-aqueous electrolyte solution in which an electrolyte composed of a lithium salt such as LiBF 4 or LiPF 6 is dissolved in an organic solvent such as carbonate or diethyl carbonate.
  • an active material such as lithium cobaltate (LiCoO 2 ) and lithium iron phosphate (LiFePO 4 )
  • LiFePO 4 lithium iron phosphate
  • a positive electrode terminal (positive electrode current collecting lead) 603 is connected to the positive electrode 604, and a negative electrode terminal (negative electrode current collecting lead) 607 is connected to the negative electrode 606. Both the positive electrode terminal 603 and the negative electrode terminal 607 can use a metal material such as aluminum.
  • the positive terminal 603 is resistance-welded to the safety valve mechanism 612 and the negative terminal 607 is resistance-welded to the bottom of the battery can 602, respectively.
  • the safety valve mechanism 612 is electrically connected to the positive electrode cap 601 via a PTC element (Positive Temperature Coefficient) 611.
  • the safety valve mechanism 612 disconnects the electrical connection between the positive electrode cap 601 and the positive electrode 604 when the increase in the internal pressure of the battery exceeds a predetermined threshold value.
  • the PTC element 611 is a heat-sensitive resistance element that increases in resistance when the temperature rises, and prevents abnormal heat generation by limiting the amount of current by increasing the resistance.
  • barium titanate (BaTiO 3 ) -based semiconductor ceramics or the like can be used.
  • a lithium ion secondary battery using an electrolytic solution has a positive electrode, a negative electrode, a separator, an electrolytic solution, and an outer package.
  • the anode (anode) and cathode (cathode) are interchanged by charging and discharging, and the oxidation reaction and reduction reaction are interchanged. Therefore, the electrode having a high reaction potential is called the positive electrode, and the reaction potential An electrode with a low is called a negative electrode. Therefore, in the present specification, the positive electrode is referred to as “positive electrode” or “whether the battery is being charged, discharged, a reverse pulse current is applied, or a charge current is applied.
  • the positive electrode is referred to as a “positive electrode”, and the negative electrode is referred to as a “negative electrode” or a “ ⁇ electrode (negative electrode)”.
  • the terms anode (anode) and cathode (cathode) related to the oxidation reaction or reduction reaction are used, the charge and discharge are reversed, which may cause confusion. Therefore, the terms anode (anode) and cathode (cathode) are not used in this specification. If the terms anode (anode) or cathode (cathode) are used, specify whether charging or discharging, and indicate whether it corresponds to the positive electrode (positive electrode) or the negative electrode (negative electrode). To do.
  • a charger is connected to the two terminals illustrated in FIG. 2C, and the secondary battery 1400 is charged. As the charging of the secondary battery 1400 proceeds, the potential difference between the electrodes increases.
  • the battery flows from the external terminal of the secondary battery 1400 toward the positive electrode 1402, flows in the secondary battery 1400 from the positive electrode 1402 toward the negative electrode 1404, and flows from the negative electrode to the outside of the secondary battery 1400.
  • the direction of the current flowing toward the terminal is positive. That is, the direction in which the charging current flows is the current direction.
  • Reference numeral 1406 denotes an electrolytic solution
  • 1408 denotes a separator.
  • the present invention is not limited to a lithium ion secondary battery, and a material having, for example, an element A, an element X, and oxygen is used as a positive electrode material of the secondary battery.
  • the element A is preferably one or more selected from Group 1 elements and Group 2 elements.
  • an alkali metal such as lithium, sodium, or potassium can be used as the Group 1 element.
  • the Group 2 element for example, calcium, beryllium, magnesium, or the like can be used.
  • the element X for example, one or more selected from metal elements, silicon, and phosphorus can be used.
  • the element X is preferably one or more selected from cobalt, nickel, manganese, iron, and vanadium.
  • lithium cobalt composite oxide (LiCoO 2 ) and lithium iron phosphate (LiFePO 4 ) can be given.
  • the negative electrode has a negative electrode active material layer and a negative electrode current collector.
  • the negative electrode active material layer may have a conductive support agent and a binder.
  • an element capable of performing a charge / discharge reaction by an alloying / dealloying reaction with lithium can be used.
  • a material containing at least one of silicon, tin, gallium, aluminum, germanium, lead, antimony, bismuth, silver, zinc, cadmium, indium, and the like can be used.
  • Such an element has a larger capacity than carbon.
  • silicon has a high theoretical capacity of 4200 mAh / g.
  • the secondary battery preferably has a separator.
  • a separator for example, fibers including cellulose such as paper, non-woven fabric, glass fiber, ceramics, nylon (polyamide), vinylon (polyvinyl alcohol fiber), polyester, acrylic, polyolefin, synthetic fiber using polyurethane, etc. Can be used.
  • the regenerative energy generated by the rotation of the tire 316 is sent to the motor 304 via the gear 305, and the second battery 311 is charged from the motor controller 303 and the battery controller 302, or the first battery 301 is charged.
  • the first battery 301 is mainly used for rotating the motor 304, and supplies power to 42V-system in-vehicle components (electric power steering 307, heater 308, defogger 309, etc.) via the DCDC circuit 306. . Even when the rear wheel has a rear motor, the first battery 301 is used to rotate the rear motor.
  • the second battery 311 supplies power to 14V-system in-vehicle components (audio 313, power window 314, lamps 315, etc.) via the DCDC circuit 310.
  • An electric vehicle using the motor 304 has a plurality of ECUs (Electronic Control Units), and performs engine control and the like by the ECUs.
  • the ECU includes a microcomputer.
  • the ECU is connected to a CAN (Controller Area Network) provided in the electric vehicle.
  • CAN is one of serial communication standards used as an in-vehicle LAN.
  • a wireless communication module that uses a wireless network may be provided in the vehicle.
  • the first battery 301 is composed of a plurality of secondary batteries.
  • the cylindrical secondary battery 600 illustrated in FIG. 1B a module may be formed by sandwiching a cylindrical secondary battery 600 between a conductive plate 613 and a conductive plate 614.
  • FIG. 1B does not show a switch between the secondary batteries.
  • the plurality of secondary batteries 600 may be connected in parallel, may be connected in series, or may be connected in series after being connected in parallel. By configuring a module having a plurality of secondary batteries 600, large electric power can be taken out.
  • the in-vehicle secondary battery has a service plug or a circuit breaker that can cut off a high voltage without using a tool in order to cut off power from the plurality of secondary batteries, and is provided in the first battery 301.
  • a service plug or a circuit breaker is provided between the 24th and 25th cells.
  • FIG. 3 illustrates a vehicle using the secondary battery charge state estimation device which is one embodiment of the present invention.
  • a secondary battery 8024 of the automobile 8400 illustrated in FIG. 3A can not only drive the electric motor 8406 but also supply power to a light-emitting device such as a headlight 8401 or a roomlight (not shown).
  • a module in which the cylindrical secondary battery 600 illustrated in FIG. 1B is sandwiched between the conductive plate 613 and the conductive plate 614 may be used as the secondary battery 8024 of the automobile 8400.
  • a car 8500 illustrated in FIG. 3B can charge a secondary battery included in the car 8500 by receiving power from an external charging facility by a plug-in method, a non-contact power feeding method, or the like.
  • FIG. 3B shows a state in which the secondary battery 8024 mounted on the automobile 8500 is charged through the cable 8022 from the ground-installed charging device 8021.
  • the charging method, connector standard, and the like may be appropriately performed by a predetermined method such as CHAdeMO (registered trademark) or a combo.
  • the charging device 8021 may be a charging station provided in a commercial facility, or may be a household power source.
  • the secondary battery 8024 mounted on the automobile 8500 can be charged by power supply from the outside by plug-in technology. Charging can be performed by converting AC power into DC power via a converter such as an ACDC converter.
  • the electric vehicle may use a power line for connecting the vehicle and the charging device 8021 as a communication line using PLC (Power Line Communication) technology.
  • PLC Power
  • the power receiving device can be mounted on the vehicle, and electric power can be supplied from the ground power transmitting device in a contactless manner and charged.
  • charging can be performed not only when the vehicle is stopped but also during traveling by incorporating a power transmission device on a road or an outer wall.
  • this non-contact power feeding method may be used to transmit and receive power between vehicles.
  • a solar battery may be provided in the exterior part of the vehicle, and the secondary battery may be charged when the vehicle is stopped or traveling.
  • An electromagnetic induction method or a magnetic field resonance method can be used for such non-contact power supply.
  • FIG. 3C illustrates an example of a motorcycle using the secondary battery charge state estimation device of one embodiment of the present invention.
  • a scooter 8600 illustrated in FIG. 3C includes a secondary battery 8602, a side mirror 8601, and a direction indicator lamp 8603.
  • the secondary battery 8602 can supply electricity to the direction indicator lamp 8603.
  • a scooter 8600 illustrated in FIG. 3C can store the secondary battery 8602 in the under-seat storage 8604.
  • the secondary battery 8602 can be stored in the under-seat storage 8604 even if the under-seat storage 8604 is small.
  • the embodiments described herein below include the use of dedicated or general purpose computers, including various computer hardware or software. Also, the embodiments described below in this specification can be implemented using a computer-readable recording medium.
  • the recording medium may also include RAM, ROM, or optical disks, magnetic disks, or any other storage medium that can be accessed by a computer.
  • algorithms, components, flows, programs, and the like shown as examples in the embodiments described below in this specification can be implemented in software, or can be implemented in a combination of hardware and software.
  • the noise is caused by the secondary battery.
  • it is possible to classify the noise by collecting, analyzing, and learning what kind of noise it is from motors, inverters, converters, wireless modules, etc. In addition to battery abnormalities, motors, inverters, converters, wireless modules, etc. can also be detected and signs of failure.
  • FIG. 4 shows an example of a management system that estimates the SOC of the secondary battery and can also detect abnormality.
  • FIG. 7 shows a flowchart for detecting an abnormality.
  • electromagnetic noise is generated by operating the motor, and characteristic data of the secondary battery including the electromagnetic noise is extracted (S1).
  • the Noff-CPU normally off CPU
  • S5 the active state
  • S6 the CPU is notified
  • correction data for canceling noise and correction data for correcting timing deviation are created by machine learning (S4).
  • a normally-off CPU is an integrated circuit including a normally-off transistor that is non-conductive (also referred to as an off state) even when the gate voltage is 0V.
  • a normally-off transistor can be realized by using an oxide semiconductor for a semiconductor layer.
  • FIG. 4A shows an example of a configuration diagram of the management system.
  • the ECU for controlling the electric vehicle is composed of a microcomputer, which includes a CPU (Central Processor Unit) 501 and manages the entire electric vehicle.
  • a CPU Central Processor Unit
  • the present invention is not particularly limited as long as a necessary calculation can be performed, and a GPU (Graphics Processing Unit) or an APU (Accelerated Processing Unit) may be used.
  • APU refers to a chip in which a CPU and a GPU are integrated.
  • the FPGA 502 outputs an SOC and an internal resistance using an element for detecting an actual voltage (observed voltage) of the secondary battery or an actual current (observed current) of the secondary battery, and provides the information to the CPU 501. It has the element composition to do. Further, the number of bits that the CPU 501 can handle with an internal arithmetic circuit or a data bus can be, for example, 8 bits, 16 bits, 32 bits, 64 bits, or the like.
  • the Noff-CPU 503 includes a transistor including an oxide semiconductor in part, and the transistor is a normally-off type.
  • a normally-off transistor has an electric characteristic (also referred to as a normally-off characteristic) in which a threshold voltage is positive.
  • the number of bits that the Noff-CPU 503 can handle with an internal arithmetic circuit or a data bus can be, for example, 8 bits, 16 bits, 32 bits, 64 bits, or the like.
  • the correction unit 520 sequentially captures the prediction error voltage obtained by the FPGA 502, always captures the time series prediction error voltage with a certain length, and cancels unnecessary electromagnetic noise obtained by learning (unnecessary electromagnetic noise).
  • the prediction error signal from which unnecessary electromagnetic noise is removed is calculated by adding the signal having a phase opposite to that of the noise, and the SOC and internal resistance parameters are corrected based on the prediction error voltage.
  • Noff-CPU 503 is set in an active state and notified to CPU 501.
  • the learning means first extracts feature values from the learning data. A relative change amount that changes with time is extracted as a feature value, and a neural network is learned based on the extracted feature value.
  • the learning means can learn the neural network based on different learning patterns for each time interval.
  • the connection weight applied to the neural network can be updated according to the learning result based on the learning data.
  • a correction unit that collects a large amount of noise learning data having a causal relationship with the driving pattern in advance and performs association using the analyzed result may be used.
  • the correction by the correction unit 520 performs processing for canceling noise using a signal having a phase opposite to that of the noise.
  • a linear model or a kernel model may be used.
  • a highly accurate value can be obtained by performing the SOC estimation process in which the CPU 501 performs the calculation based on the two differently corrected data, and calculating the charging rate.
  • a normally-off type CPU that normally does not operate, that is, the circuit is stopped, in order to save power, and hardly causes micro-shorts of abnormality detection that do not occur frequently.
  • the charging state can be estimated with high accuracy in real time or near real time.
  • real time refers to substantially simultaneous and includes signal processing delays.
  • near real time has shown the application range wider than real time, for example, has pointed out the delay of 10 to 3600 second.
  • the configuration is not particularly limited to the example illustrated in FIG. 4A, and for example, a configuration illustrated in FIG. FIG. 4B illustrates an example in which Noff-CPU 503 and FPGA 502 are the same chip. Space-saving and high integration can be achieved by using a single chip.
  • the FPGA 502 and the correction unit 520 may be the same chip.
  • FIG. 5A illustrates an example of a neural network of one embodiment of the present invention.
  • the neural network NN shown in FIG. 5A has an input layer IL, an output layer OL, and a hidden layer (intermediate layer) HL.
  • the neural network NN can be configured by a neural network having a plurality of hidden layers HL, that is, a deep neural network. Note that learning in a deep neural network is sometimes called deep learning.
  • Each of the output layer OL, the input layer IL, and the hidden layer HL illustrated in FIG. 5A includes a plurality of neuron circuits, and neuron circuits provided in different layers are connected to each other through a synapse circuit.
  • the neural network NN is provided with a function for analyzing the state of the secondary battery, a function for analyzing noise, and a signal generation function for canceling noise by learning.
  • arithmetic processing is performed in each layer. Arithmetic processing in each layer is executed by, for example, a product-sum operation between the output of the neuron circuit included in the previous layer and the weighting coefficient.
  • the coupling between layers may be a total coupling in which all the neuron circuits are coupled, or a partial coupling in which some neuron circuits are coupled.
  • the recurrent neural network having the LSTM structure can increase the recognition rate of sequential data having a longer sequence length than others.
  • a hidden layer (intermediate layer) HL is a block having a memory called LSTMBlock and three gates.
  • the three gates are an input gate, a forgetting gate, and an output date.
  • FIG. 6 shows a conceptual diagram of operation steps at time (k ⁇ 1) and time k.
  • the prediction step and the filtering step are performed each time the time advances.
  • the prediction step one step before the post-error covariance (P (k-1)) pre error covariance using - determining (P (k)).
  • the prior state variable is also determined using the input value of the system (in this embodiment, the battery current value u (k)).
  • the posterior error covariance is determined using the prior error covariance, and the posterior state variable is determined using the prior state variable and the observed value (battery voltage y (k) in the present embodiment).
  • y (k) is an output value, and is output using the output value y (k-1) at the previous time k-1.
  • the recurrent neural network having the LSTM structure can be executed using the management system shown in FIGS. 4 (A) and 4 (B).
  • power saving can be achieved by using a transistor including an oxide semiconductor as the memory portion of the FPGA 502 and the memory portion of the CPU 501 illustrated in FIG.
  • a transistor including an oxide semiconductor as the memory portion of the FPGA 502 and the memory portion of the CPU 501 illustrated in FIG.
  • Embodiment 1 can be freely combined with Embodiment 1 or Embodiment 2.
  • FIG. 8 shows an example of a block diagram of an abnormality detection device for the secondary battery 100.
  • the abnormality detection device for the secondary battery 100 shown in FIG. 8 is used for vehicles such as electric vehicles and hybrid electric vehicles.
  • the abnormality detection device for the secondary battery 100 includes a current monitor IC 102 that is a current acquisition unit, a voltage monitor IC 103 that is a voltage acquisition unit, a calculation unit 104, a machine learning unit 120, and a learning result.
  • the storage unit 105 and the determination unit 107 are provided at least.
  • the calculation unit 104, the learning result storage unit 105, the machine learning unit 120, and the determination unit 107 may be combined into a learning unit, and is configured with an FPGA or a microcontroller.
  • the secondary battery 100 uses a lithium ion secondary battery.
  • a lithium ion secondary battery When a lithium ion secondary battery is used in a vehicle, a plurality of lithium ion secondary batteries are used. Here, for simplification, a plurality of secondary batteries are expressed as one secondary battery. Deterioration of a lithium ion secondary battery is promoted when it is charged or discharged too much. Accordingly, charging and discharging of the lithium ion secondary battery is managed by a protection circuit, a control circuit, or the like so that the charging rate is within a certain range (for example, 20% to 80%).
  • the current monitor IC 102 inputs the detected current value of the secondary battery 100 to the calculation unit 104.
  • the voltage monitor IC 103 inputs the detected voltage value of the secondary battery 100 to the calculation unit 104.
  • the calculation unit 104 includes an equivalent circuit model of the secondary battery 100 and a Kalman filter.
  • a parameter value can be estimated based on the input current value and voltage value, and a prediction error can be calculated based on the estimated parameter value.
  • the machine learning unit 120 receives the prediction error and the drive pattern as input, creates correction data for the prediction error so as to cancel the noise associated with the drive pattern, and constructs a correction model by associating the correction data with the drive pattern.
  • Vehicle drive patterns and electromagnetic noise are often associated with each other, and can be recognized as electromagnetic noise when corresponding to vehicle drive patterns. The change that does not correspond to the driving pattern of the vehicle can be attributed to the secondary battery.
  • the learning result storage unit 105 stores the result of the machine learning unit. A large amount of noise learning data having a causal relationship with the drive pattern is collected in advance, and the analyzed result is stored.
  • the determination unit 107 determines whether the prediction error corrected using the correction data is normal or abnormal by comparing with a threshold value.
  • the determined result is notified to the upper control part of the vehicle, for example, the CPU 101.
  • the CPU 101 When the CPU 101 is notified of the abnormality, it prompts the user (driver) to take a countermeasure.
  • an abnormality notification circuit 106 that is electrically connected to the determination unit 107 may be provided and a Noff-CPU may be used.
  • the abnormality notification circuit 106 may be configured to prompt the user (driver) to take a countermeasure when an abnormality is determined.
  • the Noff-CPU includes a transistor including an oxide semiconductor in part, and the transistor is a normally-off type.
  • a normally-off transistor has an electric characteristic (also referred to as a normally-off characteristic) in which a threshold voltage is positive.
  • the number of bits that the Noff-CPU can handle with the internal arithmetic circuit and the data bus can be set to 8 bits, 16 bits, 32 bits, 64 bits, and the like, for example.
  • the abnormality notification circuit 106 in FIG. 8 has a circuit configuration that waits in an inactive state, becomes active only when an abnormality is detected, and notifies the CPU 101.
  • abnormality detection apparatus If the abnormality detection apparatus shown in FIG. 8 is used, sudden abnormalities such as micro shorts can be detected. Other than micro shorts, noise can be classified by associating, analyzing, and learning based on data such as noise from motors, inverters, converters, wireless modules, etc. It is possible to detect not only the abnormality of the secondary battery but also the failure of the motor, the inverter, the converter, the wireless module, and the sign leading to the failure.
  • FIG. 1 An example of a flow for detecting an abnormality is shown in FIG. 1
  • electromagnetic noise is generated by operating the motor, and characteristic data of the secondary battery including the electromagnetic noise is extracted (S1). Then, when the prediction error is calculated by the Kalman filter (S2) and the abnormality is detected (S3), the Noff-CPU is switched to the active state (S5), and the CPU is notified (S6). If no abnormality is detected, correction data for canceling noise and correction data for correcting timing deviation are created by machine learning (S4). If no abnormality is detected, steps S1, S2, S3, and S4 are repeated in order, and the check can be made in real time. Note that the present invention is not particularly limited to real time, and abnormality detection may be performed intermittently at certain intervals.
  • FIG. 10A shows a conceptual diagram in which the asynchronous timing deviation is corrected by performing the pre-estimation prediction step and the post-estimation step together to some extent instead of sequentially applying the Kalman filter.
  • the horizontal axis is time
  • the upper stage is a prior estimation prediction step
  • the lower stage is a post-estimation step.
  • the pre-estimation prediction step uses an estimation algorithm and input values
  • the post-estimation step also called a filtering step
  • FIG. 10B shows a conceptual diagram in which a sequential Kalman filter is applied.
  • the assembled battery does not sequentially filter the secondary batteries one by one, but the pre-estimation prediction step and the post-estimation step can be performed together to some extent, an example of which is shown in FIG.
  • the horizontal axis is time
  • the upper stage is a prior estimation prediction step
  • the lower stage is a post-estimation step.
  • five secondary batteries are combined into one to perform a pre-estimation prediction step.
  • FIG. 10D is a conceptual diagram in which a Kalman filter is sequentially applied.
  • FIG. 11 shows an example of a learning flow when an assembled battery composed of 10 or more batteries is learned in the order shown in FIG.
  • electromagnetic noise is generated by operating the motor, and characteristic data of the secondary battery including the electromagnetic noise is extracted (S1). Then, a prediction error is calculated by a Kalman filter (S2), and correction data for correcting noise and correcting timing deviation are created by machine learning.
  • S1 characteristic data of the secondary battery including the electromagnetic noise
  • the first to fifth pre-estimation prediction steps of the assembled battery are performed together, and then the subsequent estimation steps are performed collectively from the first to fifth. Thereafter, the pre-estimation prediction steps are collectively performed from the sixth to the tenth of the assembled battery, and then the post-estimation steps are collectively performed from the sixth to the tenth. Thereafter, the remaining batteries of the assembled battery may be put together in a similar manner.
  • the obtained correction data is associated with the drive pattern, and these data are stored as learning data in the learning result storage unit.
  • learning flow shown in FIG. 11 and learning in advance abnormality detection can be performed with high accuracy.
  • the learning data may be stored in a data server that can communicate outside the vehicle. In that case, an abnormality is detected while performing data communication between the learning result storage unit installed outside the vehicle and the machine learning unit installed in the vehicle.
  • the abnormality detection apparatus for a secondary battery according to one embodiment of the present invention can be applied not only to a vehicle but also to a device having a secondary battery and a wireless module.
  • FIG. 12A illustrates an example of a mobile phone.
  • a mobile phone 7400 is provided with a display portion 7402 incorporated in a housing 7401, operation buttons 7403, an external connection port 7404, a speaker 7405, a microphone 7406, and the like.
  • the mobile phone 7400 includes a secondary battery 7407 and an abnormality detection device for the secondary battery 7407. Even when the wireless module for transmitting and receiving data and the secondary battery 7407 are arranged close to each other, the abnormality detection can be performed while the noise is separated by the abnormality detection device described in the above embodiment.
  • FIG. 12B is a projection view illustrating an example of the appearance of the information processing apparatus 200.
  • the information processing apparatus 200 described in this embodiment includes an arithmetic device 210, an input / output device 220, display units 230 and 240, a secondary battery 250, and an abnormality detection device.
  • the information processing apparatus 200 includes a communication unit that can be a noise generation source, and the wireless module has a function of supplying information to the network and acquiring information from the network. Alternatively, information distributed to a specific space may be received using a communication unit, and image information may be generated based on the received information.
  • the information processing apparatus 200 can function as a personal computer by setting a screen on which one of the display units 230 and 240 is displayed as a keyboard as a touch input panel.
  • the secondary battery abnormality detection device can be mounted on a wearable device as illustrated in FIG.
  • the eyeglass-type device 400 includes a frame 400a, a display unit 400b, and a wireless module. Even if the secondary battery, the abnormality detection device, and the wireless module are arranged close to each other in the temple part of the curved frame 400a, the abnormality can be detected without being affected by noise, so that the occurrence of abnormality of the secondary battery can be detected safely. An eyeglass-type device 400 can be obtained.
  • a secondary battery, an abnormality detection device, and a wireless module can be mounted on the headset type device 401.
  • the headset type device 401 includes at least a microphone section 401a, a flexible pipe 401b, and an earphone section 401c.
  • a secondary battery, an abnormality detection device, and a wireless module can be provided in the flexible pipe 401b or the earphone unit 401c.
  • a secondary battery 402b and a secondary battery abnormality detection device can be provided.
  • a secondary battery 403b and a secondary battery abnormality detection device can be provided in the thin housing 403a of the device 403.
  • the wristwatch type device 405 includes a display portion 405a and a belt portion 405b, and a secondary battery and a secondary battery abnormality detection device can be provided on the display portion 405a or the belt portion 405b.
  • the display unit 405a can display not only the time but also various information such as incoming mail and phone calls.
  • the wristwatch type device 405 is a wearable device of a type that is directly wound around an arm, a sensor that measures a user's pulse, blood pressure, and the like may be mounted. Data on the amount of exercise and health of the user can be accumulated to help maintain health.
  • the belt-type device 406 can be equipped with a secondary battery and a secondary battery abnormality detection device.
  • the belt-type device 406 includes a belt unit 406a and a wireless power feeding / receiving unit 406b, and a secondary battery, an abnormality detection device, and a wireless module can be mounted inside the belt unit 406a.
  • FIG. 12D is a perspective view of a device also called a cigarette housing smoking device (electronic cigarette).
  • an electronic cigarette 7410 includes an atomizer 7411 that includes a heating element, a secondary battery 7414 that supplies power to the atomizer, and a cartridge 7412 that includes a liquid supply bottle, a sensor, and the like.
  • a secondary battery abnormality detection device may be electrically connected to the secondary battery 7414.
  • the secondary battery 7414 illustrated in FIG. 12D has an external terminal so that the battery can be connected to a charging device. Since the secondary battery 7414 becomes a tip portion when held, it is desirable that the total length is short and the weight is light. Since abnormality of the secondary battery can be separated from noise caused by the atomizer 7411, the abnormality detection device of one embodiment of the present invention can provide a safe electronic cigarette 7410.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Power Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Materials Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

要約書 誤動作が生じにくく、異常検知を精度高く行える二次電池の制御方法を提供する。 電磁ノイズを発生するデバイスと、デバイスと電気的に接続する二次電池の電圧値を測定する第１の 検出手段と、 デバイスと電気的に接続する二次電池の電流値を測定する第２の検出手段と、 第１の検 出手段または第２の検出手段を用いて得られる複数の電磁ノイズを含むデータから電磁ノイズと駆 動パターンとの間の因果関係を抽出し、 該因果関係に基づいてデータ補正を行う補正手段と、 データ 補正後のデータに基づいて回帰モデルを用いて充電率を算出する演算手段と、を有する二次電池の充 電状態推定装置である。

Description

二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム
本発明の一様態は、物、方法、又は、製造方法に関する。または、本発明は、プロセス、マシン、マニュファクチャ、又は、組成物（コンポジション・オブ・マター）に関する。本発明の一態様は、半導体装置、表示装置、発光装置、二次電池、照明装置または電子機器に関する。また、本発明の一様態は、二次電池の異常検知方法、及び二次電池の充電制御方法に関する。特に、二次電池の異常検知システム、二次電池の充電システム、および二次電池の管理システム（ＢＭＳ「バッテリーマネジメントシステム」とも呼ぶ）に関する。
なお、本明細書中において、蓄電装置とは、蓄電機能を有する素子及び装置全般を指すものである。例えば、リチウムイオン二次電池などの蓄電池（二次電池ともいう）、リチウムイオンキャパシタ、ニッケル水素電池、全固体電池、及び電気二重層キャパシタなどを含む。
また、本発明の一態様は、ニューラルネットワーク、及びそれを用いた二次電池の制御装置に関する。また、本発明の一態様は、ニューラルネットワークを用いた車両に関する。また、本発明の一態様は、ニューラルネットワークを用いた電子機器に関する。また、本発明の一態様は、車両に限定されず、構造体などに設置された太陽光発電パネルなどの発電設備から得られた電力を貯蔵するための二次電池にも適用できる。
近年、リチウムイオン二次電池、リチウムイオンキャパシタ、空気電池等、種々の蓄電装置の開発が盛んに行われている。特に高出力、高エネルギー密度であるリチウムイオン二次電池は、携帯電話、スマートフォン、タブレット、もしくはノート型コンピュータ等の携帯情報端末、ゲーム装置、携帯音楽プレーヤ、デジタルカメラ、医療機器、又は、ハイブリッド車（ＨＥＶ）、電気自動車（ＥＶ）、もしくはプラグインハイブリッド車（ＰＨＥＶ）等の次世代クリーンエネルギー自動車、電動バイクなど、半導体産業の発展と併せて急速にその需要が拡大し、充電可能なエネルギーの供給源として現代の情報化社会に不可欠なものとなっている。
また、電力を多く必要とする電動車両などには電源などに接続されているスイッチング素子を複数有しており、各々スイッチング素子のオン状態とオフ状態の切り替え時に電磁ノイズが発生する。電磁ノイズは、スイッチング動作による過渡電流が高周波電流を誘起し、電磁放射が発生することを指している。電磁ノイズの伝導には導体伝導と空間伝導があり、電力が大きければ大きいほど電磁ノイズが大きくなる。電磁ノイズの空間伝導を遮断するためにはシールドを設ける場合もあるが、さまざまな種類の電磁ノイズがあるため、遮断することが困難である。電磁ノイズは短時間の強いノイズ（スパイク状ノイズ、バースト状ノイズ或いはモノパルスノイズ）である。発生源の異なるノイズが重なって大きな電磁ノイズとなる場合もある。大きな電磁ノイズは、電源ラインなどを経由して他のデバイスの動作に影響を与える電磁障害（ＥＭＩ：Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ　Ｉｎｔｅｒｆｅｒｅｎｃｅ）が生じ、例えば回路の誤動作を引き起こす恐れがある。
電磁ノイズがバッテリーマネジメントシステムに入力されると、正常動作しない、或いは異常となっていない二次電池からの出力を電磁ノイズの影響により異常とみなしてしまう恐れがある。
電池システムにおいて、電池セルの過充電や過放電の診断をおこなう特許文献１が知られている。
特開２００５−３１８７５１号公報
二次電池を含むデバイスの集合体の出力信号を長期間にわたりモニタリングすると、得られている観測値に不要な電磁ノイズと異常信号とが混在している。異常信号も大きなノイズの一種とも言えるが二次電池の安全管理上必要なノイズと言える。電磁ノイズと二次電池の異常信号ノイズとの区別を可能とし、リアルタイムまたは準リアルタイムで異常の検知を行い、より精密に異常検出を行う装置または二次電池制御システムを開示することを課題の一つとする。
電力を多く必要とする電動車両などにはモータやインバータやＤＣＤＣコンバータがあり、大電力をスイッチング制御するため比較的大きな電磁ノイズ（スイッチングノイズとも呼ぶ）が発生し、電磁ノイズにより誤動作が生じる恐れがある。誤動作が生じにくく、異常検知を精度高く行える二次電池の制御方法を提供することも課題の一つである。また、ＬＳＩなどの半導体チップの動作スピードが速ければ速いほど消費する電力の変化が激しくなり、電圧の変動が増大し、これがノイズとなって伝わる。車載に搭載するシステムに用いるＬＳＩは数が増え、今後、電気自動車を半自動または全自動とすることに向けて動作スピードも上げることが必要とされている。電気自動車を半自動または全自動とすると電磁ノイズも大きくなるため、その電磁ノイズの影響を最低限に抑えて充電率を高精度に算出することを課題とする。
電磁ノイズやジッタを軽減または正確に除去する方法も課題の一つである。なお、ジッタとは信号波形の時間軸方向に発生する非常に時間的に短い変動（ゆらぎ）成分のことである。信号をＡＤ変換した時、デジタル信号にジッタが生じる場合がある。
本明細書で開示する発明の構成は、電磁ノイズを発生するデバイスと、デバイスと電気的に接続する二次電池の電圧値を測定する第１の検出手段と、デバイスと電気的に接続する二次電池の電流値を測定する第２の検出手段と、第１の検出手段または第２の検出手段を用いて得られる複数の電磁ノイズを含むデータから電磁ノイズと駆動パターンとの間の因果関係を抽出し、該因果関係に基づいてデータ補正を行う補正手段と、データ補正後のデータに基づいて回帰モデルを用いて充電率を算出する演算手段と、を有する二次電池の充電状態推定装置である。
上記構成において回帰モデルは、状態方程式に基づくカルマンフィルタである。
カルマンフィルタは、無限インパルス応答フィルタの一種である。また、重回帰分析は多変量解析の一つであり、回帰分析の独立変数を複数にしたものである。重回帰分析としては、最小二乗法などがある。回帰分析では観測値の時系列が多く必要とされる一方、カルマンフィルタは、ある程度のデータの蓄積さえあれば、逐次的に最適な補正係数が得られるメリットを有する。また、カルマンフィルタは、非定常時系列に対しても適用できる。
二次電池の内部抵抗及びＳＯＣ（Ｓｔａｔｅ　Ｏｆ　Ｃｈａｒｇｅ）を推定する方法として、非線形カルマンフィルタ（具体的には無香料カルマンフィルタ（ＵＫＦとも呼ぶ））を利用することができる。また、拡張カルマンフィルタ（ＥＫＦともよぶ）を用いることもできる。なお、ＳＯＣ（Ｓｔａｔｅ　Ｏｆ　Ｃｈａｒｇｅ）とは、充電状態（充電率ともよぶ）を示しており、満充電時を１００％、完全放電時を０％とする指標である。
また、上記構成において、データ補正は、電磁ノイズの逆位相の信号を生成し、電磁ノイズの少なくとも一部を打ち消すことによって行う。例えば、電磁ノイズの逆位相の信号を生成は、機械学習で得られた演算結果を基に、インバータまたはコンバータなどを含む電力発生手段で逆位相の電力を生成し、電源に帰還させて打ち消す。なお、データ補正が複雑でなければ機械学習は必要ないため、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）などを適宜設計し、インバータまたはコンバータなどを含む電力発生手段で逆位相の電力を生成し、電源に帰還させて打ち消すこともできる。
電力を多く必要とする電動車両などに対して、駆動パターンとカルマンフィルタの予測誤差を入力とし、電磁ノイズの影響をキャンセルするように、予測誤差の補正データを補正手段、具体的には機械学習で作成し、駆動パターンと紐付けする。元の信号には、ノイズと駆動パターンとの関係を紐付けする情報が埋め込まれている。紐付けされた補正データを実使用で適用する。因果関係がある程度わかっているため、補正精度を上げやすい。
駆動パターンとは、インバータやコンバータやモータや無線モジュール、コンピュータなどのデバイスを駆動させる場合に一連の動作を行うモードを指しており、例えば電動車両の運転時において、電力を消費するアクセル動作時や、回生電流が得られるブレーキ動作時などは駆動パターンの一つと言える。
また、電磁ノイズの影響をキャンセルするように、電磁ノイズに基づく逆位相の信号を用いて補正により不要な電磁ノイズを打ち消した補正後のデータを用いると、高品質の信号出力を基に充電率を精度高く算出することもできる。電磁ノイズをキャンセルするための逆位相の信号は、機械学習で作成することが好ましい。
また、マイクロショートに関係するノイズは比較的ノイズ強度が大きい。従って、マイクロショートなどの異常検出は、予め設定したしきい値を越えた場合に検出することができる。
マイクロショートとは、二次電池の内部の微小な短絡のことを指しており、二次電池の正極と負極が短絡して充放電不可能の状態になるというほどではなく、微小な短絡部でわずかに短絡電流が流れてしまう現象を指している。比較的短時間、且つ、わずかな箇所であっても大きな電圧変化が生じるため、その異常な電圧値がその後の推定に影響を与える恐れがある。
マイクロショートの原因の一つは、充放電が複数回行われることによって、正極活物質の不均一な分布により、正極の一部と負極の一部で局所的な電流の集中が生じ、セパレータの一部が機能しなくなる箇所の発生、または副反応による副反応物の発生によりミクロな短絡が生じていると言われている。
理想的な二次電池としては、二次電池の小型化のため、セパレータの薄化が望まれており、さらに、高い電圧での急速給電による充電が望まれており、どちらも二次電池にマイクロショートが生じやすい構成となっている。マイクロショートが生じたからといってすぐに二次電池が使用不可となるわけではないが、充放電を何回か繰り返せばマイクロショートが繰り返し発生することで二次電池の異常発熱、及び発火などの重大事故に繋がる可能性がある。従って、マイクロショートの発生は、異常予兆とも言える。マイクロショートの問題は充電中に発生する。例えば１本のみの電池で構成されている場合は、充電器で電流が制御されるため、マイクロショート時には見た目の電流値は変化せず、電圧値に変化が現れる。ただし並列電池になると、電圧変化は小さくなり検出が難しくなる。また、この電圧変化は電池使用の上下限電圧範囲内にあるため、特別な検知機構が必要である。また、電流に関しては並列電池では、マイクロショートが発生すると内部抵抗が低くなるため、健常電池に流れる電流量は相対的に小さくなり、異常電池に多くの電流が流れることになり危険である。ただし、組電池全体の電流は制御された値が保たれる為、異常を検知することが難しい。また、一般的な組電池（電池パックとも呼ぶ）の構成であれば、各直列段の電圧をモニターすることが普通であるが、全電池の電流をモニターすることはコスト、配線の煩雑さから採用するのは難しい。
マイクロショートが発生した場合に早期に検出し、未然に重大事故を防ぐための異常検知システム、または二次電池の制御システム、または二次電池の充電システムを構成し、さらに異常検知の元となったデータ、即ちマイクロショートに関係するノイズを異常検知後の推測に用いないようにすることで、異常検知後にもマイクロショートが繰り返し発生するまでは、二次電池の使用を可能とすることができる。
マイクロショートに関係するノイズは、推定のための演算に用いず、数ステップ前までの平均値を用いる。さらに、マイクロショートに関係するノイズ以外は、機械学習で作成された電磁ノイズをキャンセルするための逆位相の信号を用いて補正を行う。
このようにマイクロショートに関係するノイズと、それ以外の電磁ノイズとを区別し、別々の補正を行うことで、演算手段（具体的にはコンピュータ）による充電率などのパラメータ値の予測精度を上げることができる。
予測ステップとフィルタリングステップを逐次、交互に行うのではなく、複数の予測ステップをまとめて行った後、複数のフィルタリングステップをまとめて行うことで、非同期によるタイミングのズレ（ジッタなど）を補正する。
組電池の場合、各電池を順番にフィルタリングするのではなく、複数の電池の予測ステップをまとめて行った後、複数のフィルタリングステップをまとめて行う。なお、組電池は、二次電池の取り扱いを容易にするため、複数個の二次電池を、所定の回路と共に容器（金属缶、フィルム外装体）内部に収納したものを指す。
ノイズを含んだままのデータをニューラルネットワークに利用すると、異常検知の精度が低下する恐れがある。異常検知性能は、学習データの質に大きく影響を受ける傾向がある。ノイズなどの異常値が学習データに混入すると、正常であっても異常と判断される恐れがある。
ノイズなどの異常値を切り分け、補正データを作成することで、精度を高く異常検知することができる。なお、電気自動車に限定されず、モータ、インバータ、コンバータ、無線モジュールのうち、少なくとも一つを有するデバイス、例えば携帯情報端末、補聴器、撮像装置、掃除機、電動工具、電気シェーバー、照明機器、玩具、医療機器、ロボット、パーソナルコンピュータ、ウエアラブル機器であれば、本発明を用いて上述の課題を解決することができる。また、住宅を含む建築物の電力貯蔵用電源などにも本発明を用いて上述の課題を解決することができる。
本明細書で開示する他の発明の構成は、二次電池の異常検出装置であって、二次電池の電圧値を測定する電圧取得部と、二次電池の電流値を測定する電流取得部と、電圧値及び電流値を入力とし、回帰モデルを用いて演算を行い予測誤差を算出する演算部と、予測誤差及び駆動パターンを入力とし、駆動パターンに対応づけたノイズをキャンセルするように予測誤差の補正データを作成し、補正データと駆動パターンを対応づけて補正モデルを構築する機械学習部と、機械学習部の結果を記憶する学習結果記憶部と、補正データを用いて補正された予測誤差が正常か異常かを判定する判定部と、を有する二次電池の異常検出装置である。
上記構成において、回帰モデルは、状態方程式に基づくカルマンフィルタを用いる。
上記構成において、前記回帰モデルは、予測ステップを複数連続で行った後、複数のフィルタリングステップが連続で行われることを特徴の一つとしている。
上記構成において、機械学習部がニューラルネットワークを備える。
上記構成において、補正された予測誤差が異常と判定された時のみに駆動して異常であることを使用者に通知する異常通知回路を有してもよい。異常通知回路は、金属酸化物層をチャネルとするトランジスタを少なくとも有する。金属酸化物層をチャネルとするトランジスタは、オフ状態でのリーク電流が小さいため、消費電力を抑えることができる。
駆動パターンと予測誤差を学習することで、ノイズと異常をある程度精度よく、判別することができ、精度の高い異常検出装置を実現できる。同期ズレの問題に関しては、予測ステップやフィルタリングステップをまとめて処理することで解決することができる。
本明細書で開示した手法により、多くの半導体チップを有する電動車両などのデバイスにおいて、電磁ノイズを除くことができれば、本来の信号成分だけが残り、その信号成分を演算に用いることで、推定精度を向上させることができる。また、異常検知の精度が上がるため、より精密に異常検出を行う装置または二次電池制御システムを実現できる。
また、不要な電磁ノイズを除くことで誤動作が生じにくく、異常検知を精度高く行える二次電池制御方法を実現できる。
（Ａ）は本発明の一態様を示すブロックであり、（Ｂ）は組電池の斜視図である。 （Ａ）及び（Ｂ）は二次電池の一例を示す斜視図であり、（Ｃ）は充電時の電流の方法を示す模式図である。 （Ａ）、（Ｂ）、（Ｃ）は、移動体の一例を示す図。 （Ａ）及び（Ｂ）は二次電池の管理システムの構成図である。 （Ａ）はニューラルネットワークの一例を示す図であり、（Ｂ）はＬＳＴＭを説明する図である。 動作ステップの概念図である。 フロー図である。 本発明の一態様を示すブロック図の一例である。 本発明の一態様を示す異常検出のフロー図の一例である。 （Ａ）、（Ｂ）、（Ｃ）、（Ｄ）は、本発明の一態様を示す概念図である。 本発明の一態様を示す異常検出のフロー図の一例である。 （Ａ）、（Ｂ）、（Ｃ）、（Ｄ）は、デバイスの一例を示す図である。
以下では、本発明の実施の形態について図面を用いて詳細に説明する。ただし、本発明は以下の説明に限定されず、その形態および詳細を様々に変更し得ることは、当業者であれば容易に理解される。また、本発明は以下に示す実施の形態の記載内容に限定して解釈されるものではない。
（実施の形態１）
本実施の形態では、図１（Ａ）を用いて電気自動車（ＥＶ）に適用する例を示す。
電気自動車には、メインの駆動用の二次電池として第１のバッテリ３０１と、モータ３０４を始動させるインバータ３１２に電力を供給する第２のバッテリ３１１が設置されている。本実施の形態では、第２のバッテリ３１１の電源で駆動する異常監視ユニット３００が第１のバッテリ３０１を構成する複数の二次電池をまとめて監視する。モータ３０４などからの不要なノイズをキャンセルするような信号を生成し、信号を補正し、補正後の信号を異常監視ユニット３００に入力するための補正手段３２０が設けられている。異常監視ユニット３００は、マイクロショートの異常検知と、演算による充電状態推定を行う。なお、異常監視ユニット３００は、第１のバッテリ３０１の温度を測定するための温度センサ（図示しない）の温度をモニタリングする。同様に、異常監視ユニット３００は、第２のバッテリ３１１の温度を測定するための温度センサ（図示しない）の温度もモニタリングする。温度センサで得られた温度の異常も異常監視ユニット３００で監視することもできる。また、後に詳細に説明する演算または機械学習などのパラメータの一つとして温度センサの数値を用いてもよい。
二次電池の充電状態の推定を行う推定方法を以下に示す。
二次電池の異常発生の検出を行った後、引き続き推定を行う手順を繰り返す。推定には、回帰や機械学習などの手段によって、システムの入力に対して最適な出力を決定することができる仕組み（例えば、ニューラルネットワーク、隠れマルコフモデル、多項式関数近似など）を用いてもよい。機械学習を行うためには機械学習のための大量のデータ及び分析を用いることが好ましいため、ワークステーションまたはサーバアプライアンス上のサイト内で実施してもよく、その場合には１以上のサーバを用い、データの蓄積、及び分析を自動化またはオペレータの連携を伴う半自動化で行う。また、予め大量のデータ及び分析が終了し結果が得られている場合には、それらの結果をシステム、具体的にはプログラムまたはＩＣチップのメモリに組み込むことでサーバを用いることなく異常検出及び充電状態の推定を行うこともできる。
事前推定予測ステップでは推定アルゴリズム及び入力値を利用し、事後推定ステップ（フィルタリングステップとも呼ぶ）では観測値を利用する。
Figure JPOXMLDOC01-appb-M000001
上記式は、システムの状態の遷移を記述する状態方程式である。
ある時点（時刻ｋ）において観測値ｙ（ｋ）はｘ（ｋ）と以下のような関係にある。
Figure JPOXMLDOC01-appb-M000002
ｃＴは状態空間を観測空間に線形写像する役割を担う観測モデルである。ｗ（ｋ）は観測雑音である。上記式は観測方程式である。
状態方程式と観測方程式を合わせて状態空間モデルと呼ぶ。
また、事前状態推定値は以下の式で表せる。
Figure JPOXMLDOC01-appb-M000003
なお、ｋは０、１、２、・・・、Ｎは離散時間である。ｕ（ｋ）は入力信号であり二次電池の場合電流値となり、ｘ（ｋ）は状態変数を表している。
また、事前誤差共分散は以下の式で表せる。
Figure JPOXMLDOC01-appb-M000004
事前推定予測ステップでは状態方程式に基づき、事前状態推定値及び状態の事前誤差共分散行列を算出する。時刻ｋにおける事後状態推定値及び状態の事後誤差共分散行列と状態方程式に基づき、時刻ｋ＋１における事前状態推定値及び事前誤差共分散行列を算出する。
推定値と実測の電圧（観測値）を比較し、カルマンフィルタにより、誤差の重み付け係数であるカルマンゲインを算出して、推定値を補正する。フィルタリングステップで用いるカルマンゲインｇ（ｋ）は以下の式で表すことができる。
Figure JPOXMLDOC01-appb-M000005
フィルタリングステップで用いる事後状態推定値は、以下の式で表すことができる。
Figure JPOXMLDOC01-appb-M000006
また、フィルタリングステップで用いる事後誤差共分散Ｐ（ｋ）は以下の式で表すことができる。
Figure JPOXMLDOC01-appb-M000007
上述した二次電池の異常発生の検出を行う測定モデルにより、以下の式の値、即ちある時点における観測値（電圧）と事前状態変数を用いて推定した電圧との差（差電圧）を監視し、その値の挙動が大きく変化した場合をマイクロショートなどの異常が発生したとみなすことで検知する。
Figure JPOXMLDOC01-appb-M000008
比較器などにより上記式の差電圧の値が、あるしきい値を越えたとして信号を出力し、異常を検知する。比較器に入力するしきい値の電圧信号ＲＥＦと比較を行って異常を判断する。異常を検知したタイミングのデータは、後の推定で用いず、代わりに数ステップ前までの平均値を推定アルゴリズムに入力するようにする。
上記式の差電圧の値が、電圧信号ＲＥＦＬを下回ると又は電圧信号ＲＥＦＬＨを上回ると、前のステップの数回分の平均値と差し替える。従って、上記式の差電圧の値が、比較器に入力される電圧信号ＲＥＦＬを下回ると又は電圧信号ＲＥＦＬＨを上回ると、その差電圧はカルマンフィルタのループには投入されない。代わりに平均値が推定アルゴリズムに入力されることで、不要な電磁ノイズ又は異常が発生してもＳＯＣの推定などを精度高く行うことができる。不要な電磁ノイズ又はマイクロショートの異常を検知したタイミングのデータを用いず、代わりに数ステップ前までの平均値を推定アルゴリズムに入力すれば、上記式の差電圧の値は、不要な電磁ノイズ又はマイクロショートの発生しない場合のデータと近似する。
また、不要な電磁ノイズを含んでいる場合、補正手段３２０において、不要な電磁ノイズとマイクロショート起因のノイズを区別し、不要な電磁ノイズを打ち消すような信号を機械学習によって構成し、本来の信号成分だけを残して、その信号成分を充電率などのパラメータ値を算出するための演算に用いる。
また、補正手段３２０は、不要なノイズをキャンセルするような信号を生成し、信号を補正し、補正後の信号を異常監視ユニット３００に入力して充電状態推定を行ってもよい。
また、不要な電磁ノイズを打ち消す処理と、マイクロショートのノイズを補正する処理の順序は特に限定されず、どちらを先に行ってもよい。どちらを先に行っても得られる演算結果はほとんど同等である。
第１のバッテリ３０１は、主に４２Ｖ系（高電圧系）の車載機器に電力を供給し、第２のバッテリ３１１は１４Ｖ系（低電圧系）の車載機器に電力を供給する。第２のバッテリ３１１は鉛蓄電池がコスト上有利のため採用されることが多い。鉛蓄電池はリチウムイオン二次電池と比べて自己放電が大きく、サルフェーションとよばれる現象により劣化しやすい欠点がある。第２のバッテリ３１１をリチウムイオン二次電池とすることでメンテナンスフリーとするメリットがあるが、長期間の使用、例えば３年以上となると、製造時には判別できない異常が生じる恐れがある。特にインバータを起動する第２のバッテリ３１１が動作不能となると、第１のバッテリ３０１に残容量があってもモータを起動させることができなくなることを防ぐため、第２のバッテリ３１１が鉛蓄電池の場合は、第１のバッテリから第２のバッテリに電力を供給し、常に満充電状態を維持するように充電されている。
本実施の形態では、第１のバッテリ３０１と第２のバッテリ３１１の両方にリチウムイオン二次電池を用いる一例を示す。第２のバッテリ３１１は鉛蓄電池や全固体電池を用いてもよい。
円筒型の二次電池の例について図２（Ａ）及び図２（Ｂ）を参照して説明する。円筒型の二次電池６００は、図２（Ａ）に示すように、上面に正極キャップ（電池蓋）６０１を有し、側面および底面に電池缶（外装缶）６０２を有している。これら正極キャップと電池缶（外装缶）６０２とは、ガスケット（絶縁パッキン）６１０によって絶縁されている。
図２（Ｂ）は、円筒型の二次電池の断面を模式的に示した図である。中空円柱状の電池缶６０２の内側には、帯状の正極６０４と負極６０６とがセパレータ６０５を間に挟んで捲回された電池素子が設けられている。図示しないが、電池素子はセンターピンを中心に捲回されている。電池缶６０２は、一端が閉じられ、他端が開いている。電池缶６０２には、電解液に対して耐腐食性のあるニッケル、アルミニウム、チタン等の金属、又はこれらの合金やこれらと他の金属との合金（例えば、ステンレス鋼等）を用いることができる。また、電解液による腐食を防ぐため、ニッケルやアルミニウム等を被覆することが好ましい。電池缶６０２の内側において、正極、負極およびセパレータが捲回された電池素子は、対向する一対の絶縁板６０８、６０９により挟まれている。また、電池素子が設けられた電池缶６０２の内部は、非水電解液（図示せず）が注入されている。二次電池は、コバルト酸リチウム（ＬｉＣｏＯ２）やリン酸鉄リチウム（ＬｉＦｅＰＯ４）などの活物質を含む正極と、リチウムイオンの吸蔵・放出が可能な黒鉛等の炭素材料からなる負極と、エチレンカーボネートやジエチルカーボネートなどの有機溶媒に、ＬｉＢＦ４やＬｉＰＦ６等のリチウム塩からなる電解質を溶解させた非水電解液などにより構成される。
円筒型の二次電池に用いる正極および負極は捲回するため、集電体の両面に活物質を形成することが好ましい。正極６０４には正極端子（正極集電リード）６０３が接続され、負極６０６には負極端子（負極集電リード）６０７が接続される。正極端子６０３および負極端子６０７は、ともにアルミニウムなどの金属材料を用いることができる。正極端子６０３は安全弁機構６１２に、負極端子６０７は電池缶６０２の底にそれぞれ抵抗溶接される。安全弁機構６１２は、ＰＴＣ素子（Ｐｏｓｉｔｉｖｅ　Ｔｅｍｐｅｒａｔｕｒｅ　Ｃｏｅｆｆｉｃｉｅｎｔ）６１１を介して正極キャップ６０１と電気的に接続されている。安全弁機構６１２は電池の内圧の上昇が所定の閾値を超えた場合に、正極キャップ６０１と正極６０４との電気的な接続を切断するものである。また、ＰＴＣ素子６１１は温度が上昇した場合に抵抗が増大する熱感抵抗素子であり、抵抗の増大により電流量を制限して異常発熱を防止するものである。ＰＴＣ素子には、チタン酸バリウム（ＢａＴｉＯ３）系半導体セラミックス等を用いることができる。
電解液を用いるリチウムイオン二次電池は、正極と、負極と、セパレータと、電解液と、外装体とを有する。なお、リチウムイオン二次電池では、充電と放電でアノード（陽極）とカソード（陰極）が入れ替わり、酸化反応と還元反応とが入れ替わることになるため、反応電位が高い電極を正極と呼び、反応電位が低い電極を負極と呼ぶ。したがって、本明細書においては、充電中であっても、放電中であっても、逆パルス電流を流す場合であっても、充電電流を流す場合であっても、正極は「正極」または「＋極（プラス極）」と呼び、負極は「負極」または「−極（マイナス極）」と呼ぶこととする。酸化反応や還元反応に関連したアノード（陽極）やカソード（陰極）という用語を用いると、充電時と放電時とでは、逆になってしまい、混乱を招く可能性がある。したがって、アノード（陽極）やカソード（陰極）という用語は、本明細書においては用いないこととする。仮にアノード（陽極）やカソード（陰極）という用語を用いる場合には、充電時か放電時かを明記し、正極（プラス極）と負極（マイナス極）のどちらに対応するものかも併記することとする。
図２（Ｃ）に示す２つの端子には充電器が接続され、二次電池１４００が充電される。二次電池１４００の充電が進めば、電極間の電位差は大きくなる。図２（Ｃ）では、二次電池１４００の外部の端子から、正極１４０２の方へ流れ、二次電池１４００の中において、正極１４０２から負極１４０４の方へ流れ、負極から二次電池１４００の外部の端子の方へ流れる電流の向きを正の向きとしている。つまり、充電電流の流れる向きを電流の向きとしている。なお、１４０６は電解液、１４０８はセパレータを示す。
本実施の形態では、リチウムイオン二次電池の例を示すが、リチウムイオン二次電池に限定されず、二次電池の正極材料として例えば、元素Ａ、元素Ｘ、及び酸素を有する材料を用いることができる。元素Ａは第１族の元素および第２族の元素から選ばれる一以上であることが好ましい。第１族の元素として例えば、リチウム、ナトリウム、カリウム等のアルカリ金属を用いることができる。また、第２族の元素として例えば、カルシウム、ベリリウム、マグネシウム等を用いることができる。元素Ｘとして例えば金属元素、シリコン及びリンから選ばれる一以上を用いることができる。また、元素Ｘはコバルト、ニッケル、マンガン、鉄、及びバナジウムから選ばれる一以上であることが好ましい。代表的には、リチウムコバルト複合酸化物（ＬｉＣｏＯ２）や、リン酸鉄リチウム（ＬｉＦｅＰＯ４）が挙げられる。
負極は、負極活物質層および負極集電体を有する。また、負極活物質層は、導電助剤およびバインダを有していてもよい。
負極活物質として、リチウムとの合金化・脱合金化反応により充放電反応を行うことが可能な元素を用いることができる。例えば、シリコン、スズ、ガリウム、アルミニウム、ゲルマニウム、鉛、アンチモン、ビスマス、銀、亜鉛、カドミウム、インジウム等のうち少なくとも一つを含む材料を用いることができる。このような元素は炭素と比べて容量が大きく、特にシリコンは理論容量が４２００ｍＡｈ／ｇと高い。
また、二次電池は、セパレータを有することが好ましい。セパレータとしては、例えば、紙をはじめとするセルロースを有する繊維、不織布、ガラス繊維、セラミックス、或いはナイロン（ポリアミド）、ビニロン（ポリビニルアルコール系繊維）、ポリエステル、アクリル、ポリオレフィン、ポリウレタンを用いた合成繊維等で形成されたものを用いることができる。
また、図１に示すように、タイヤ３１６の回転による回生エネルギーは、ギア３０５を介してモータ３０４に送られ、モータコントローラ３０３やバッテリコントローラ３０２から第２のバッテリ３１１に充電、または第１のバッテリ３０１に充電される。
また、第１のバッテリ３０１は主にモータ３０４を回転させることに使用されるが、ＤＣＤＣ回路３０６を介して４２Ｖ系の車載部品（電動パワステ３０７、ヒーター３０８、デフォッガ３０９など）に電力を供給する。後輪にリアモータを有している場合にも、第１のバッテリ３０１がリアモータを回転させることに使用される。
また、第２のバッテリ３１１は、ＤＣＤＣ回路３１０を介して１４Ｖ系の車載部品（オーディオ３１３、パワーウィンドウ３１４、ランプ類３１５など）に電力を供給する。
モータ３０４を用いる電動車両は、複数のＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ　Ｃｏｎｔｒｏｌ　Ｕｎｉｔ）を有し、ＥＣＵによってエンジン制御などを行う。ＥＣＵは、マイクロコンピュータを含む。ＥＣＵは、電動車両に設けられたＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）に接続される。ＣＡＮは、車内ＬＡＮとして用いられるシリアル通信規格の一つである。
また、無線通信を行うために、無線ネットワークを利用する無線通信モジュールを車両に設けてもよい。
また、第１のバッテリ３０１は、複数の二次電池で構成される。例えば、図２（Ａ）に示した円筒形の二次電池６００を用いる。図１（Ｂ）に示すように、円筒形の二次電池６００を、導電板６１３および導電板６１４の間に挟んでモジュールを構成してもよい。図１（Ｂ）には二次電池間にスイッチを図示していない。複数の二次電池６００は、並列接続されていてもよいし、直列接続されていてもよいし、並列に接続された後、さらに直列に接続されていてもよい。複数の二次電池６００を有するモジュールを構成することで、大きな電力を取り出すことができる。
車載の二次電池において、複数の二次電池からの電力を遮断するため、工具を使わずに高電圧を遮断できるサービスプラグまたはサーキットブレーカを有しており、第１のバッテリ３０１に設けられる。例えば、２個から１０個のセルを有する電池モジュールを４８個直列に接続する場合には、２４個目と２５個目の間にサービスプラグまたはサーキットブレーカを有している。
図３において、本発明の一態様である二次電池の充電状態推定装置を用いた車両を例示する。図３（Ａ）に示す自動車８４００の二次電池８０２４は、電気モータ８４０６を駆動するだけでなく、ヘッドライト８４０１やルームライト（図示せず）などの発光装置に電力を供給することができる。自動車８４００の二次電池８０２４は、図１（Ｂ）に示した円筒形の二次電池６００を、導電板６１３および導電板６１４の間に挟んでモジュールとしたものを用いてもよい。
図３（Ｂ）に示す自動車８５００は、自動車８５００が有する二次電池にプラグイン方式や非接触給電方式等により外部の充電設備から電力供給を受けて、充電することができる。図３（Ｂ）に、地上設置型の充電装置８０２１から自動車８５００に搭載された二次電池８０２４に、ケーブル８０２２を介して充電を行っている状態を示す。充電に際しては、充電方法やコネクターの規格等はＣＨＡｄｅＭＯ（登録商標）やコンボ等の所定の方式で適宜行えばよい。充電装置８０２１は、商用施設に設けられた充電ステーションでもよく、また家庭の電源であってもよい。例えば、プラグイン技術によって、外部からの電力供給により自動車８５００に搭載された二次電池８０２４を充電することができる。充電は、ＡＣＤＣコンバータ等の変換装置を介して、交流電力を直流電力に変換して行うことができる。また、電動車両は、ＰＬＣ（Ｐｏｗｅｒ　Ｌｉｎｅ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ）技術を用いて車両と充電装置８０２１の接続を行う電力線を通信線として利用してもよい。
また、図示しないが、受電装置を車両に搭載し、地上の送電装置から電力を非接触で供給して充電することもできる。この非接触給電方式の場合には、道路や外壁に送電装置を組み込むことで、停車中に限らず走行中に充電を行うこともできる。また、この非接触給電の方式を利用して、車両どうしで電力の送受信を行ってもよい。さらに、車両の外装部に太陽電池を設け、停車時や走行時に二次電池の充電を行ってもよい。このような非接触での電力の供給には、電磁誘導方式や磁界共鳴方式を用いることができる。
また、図３（Ｃ）は、本発明の一態様の二次電池の充電状態推定装置を用いた二輪車の一例である。図３（Ｃ）に示すスクータ８６００は、二次電池８６０２、サイドミラー８６０１、方向指示灯８６０３を備える。二次電池８６０２は、方向指示灯８６０３に電気を供給することができる。
また、図３（Ｃ）に示すスクータ８６００は、座席下収納８６０４に、二次電池８６０２を収納することができる。二次電池８６０２は、座席下収納８６０４が小型であっても、座席下収納８６０４に収納することができる。
本明細書で以下に説明される実施形態は、種々のコンピュータハードウェア、若しくはソフトウェアを含む、専用コンピュータまたは汎用コンピュータの使用を含む。また、本明細書で以下に説明される実施形態は、コンピュータが読み取り可能な記録媒体を使用して実装することができる。また、記録媒体は、ＲＡＭ、ＲＯＭ、または光ディスク、磁気ディスク、またはコンピュータによってアクセスされうる任意の他のストレージ媒体を含んでもよい。また、本明細書で以下に説明される実施形態に一例として示されているアルゴリズム、構成要素、フロー、プログラムなどはソフトウェアにおいて実装される、或いはハードウェア及びソフトウェアの組み合わせにおける実装が可能である。
本実施の形態は、他の実施の形態の記載と適宜組み合わせることができる。
（実施の形態２）
実施の形態１に従えば、マイクロショートなどの突発性ノイズを検出できる。上記数式８で算出される値が、しきい値を越えればマイクロショートと特定できるため、それ以外のノイズを分類し、ノイズと駆動パターンとを紐づけて機械学習を行う。
マイクロショートのように紐づけできれば、そのノイズは二次電池が原因であることがわかる。それ以外のものは、モータ、インバータ、コンバータ、無線モジュールなどからどのようなノイズかをデータを集め、解析、学習することでノイズを分類でき、また、その中でも異常が検出されれば、二次電池の異常だけでなく、モータ、インバータ、コンバータ、無線モジュールなどの故障や故障にいたる予兆を検出することもできる。
また、ノイズを打ち消すための信号を形成する場合、逆位相の信号を重畳させることで打ち消すことができるが、打ち消さなくとも打ち消したとみなした数値を基に演算処理により充電率（ＳＯＣ）などを演算してもよい。ノイズを打ち消す場合は、信号にノイズが除去され、他の回路などで誤作動が生じない。
図４は、二次電池のＳＯＣを推定し、且つ、異常検知も行える管理システムの一例を図４に示す。また、異常検知を行うフロー図を図７に示す。図７に示すようにモータを作動させることで電磁ノイズが発生し、電磁ノイズを含む二次電池の特性データを抽出（Ｓ１）する。そしてカルマンフィルタで予測誤差を算出（Ｓ２）し、異常検出（Ｓ３）となった場合、Ｎｏｆｆ−ＣＰＵ（ノーマリーオフＣＰＵ）をアクティブ状態に切り替え（Ｓ５）、ＣＰＵに通知（Ｓ６）する。また、異常が検出されなかった場合には機械学習によりノイズを打ち消す補正およびタイミングのズレを補正する補正データを作成（Ｓ４）する。なお、ノーマリーオフＣＰＵとは、ゲート電圧が０Ｖであっても非導通状態（オフ状態ともいう）であるノーマリーオフ型のトランジスタを含む集積回路である。ノーマリーオフ型のトランジスタは、酸化物半導体を半導体層に用いることで実現できる。
図４（Ａ）は管理システムの構成図の一例を指している。電気自動車の制御用のＥＣＵは、マイクロコンピュータで構成され、マイクロコンピュータはＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｏｒ　Ｕｎｉｔ）５０１を含み、電気自動車全体を管理する。本実施の形態では、ＣＰＵ５０１を用いる例を示したが必要とされる演算ができるのであれば特に限定されず、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、またはＡＰＵ（Ａｃｃｅｌｅｒａｔｅｄ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）を用いてもよい。なお、ＡＰＵは、ＣＰＵとＧＰＵを一つに統合したチップを指している。
また、ＦＰＧＡ５０２は、二次電池の実際の電圧（観測電圧）を検出する素子または二次電池の実際の電流（観測電流）を用いてＳＯＣや内部抵抗を出力し、ＣＰＵ５０１にそれらの情報を提供する素子構成を有している。また、ＣＰＵ５０１が内部演算回路やデータバスで扱えるビット数は、例えば８ビット、１６ビット、３２ビット、６４ビットなどとすることができる。
また、図４（Ａ）中のＮｏｆｆ−ＣＰＵ５０３は、非アクティブ状態で待機しておき、異常が検出されて初めてアクティブ状態となり、ＣＰＵ５０１に通知する回路構成を有している。また、Ｎｏｆｆ−ＣＰＵ５０３は、一部に酸化物半導体を有するトランジスタを含み、そのトランジスタはノーマリーオフ型である。ノーマリーオフ型トランジスタは、しきい値電圧がプラスとなる電気特性（ノーマリーオフ特性ともいう。）を有する。また、また、Ｎｏｆｆ−ＣＰＵ５０３が内部演算回路やデータバスで扱えるビット数は、例えば８ビット、１６ビット、３２ビット、６４ビットなどとすることができる。
補正手段５２０はＦＰＧＡ５０２で得られる予測誤差電圧を順次取り込み、時系列予測誤差電圧をある一定の長さで常にキャプチャし、学習によって得られた不要な電磁ノイズをキャンセルするための信号（不要な電磁ノイズと逆相の信号）を加算することで、不要な電磁ノイズを除去した予測誤差信号を算出し、当該予測誤差電圧を基にＳＯＣや内部抵抗のパラメータを補正する。
また、当該予測誤差信号が予め定めたしきい値を超えた場合を異常とみなし、Ｎｏｆｆ−ＣＰＵ５０３をアクティブ状態として、ＣＰＵ５０１に通知する。
学習手段は、まず、学習データから特徴値を抽出する。時間によって変化する相対的変化量を特徴値として抽出し、抽出された特徴値に基づいてニューラルネットワークを学習させる。学習手段は時間区間ごとに互いに異なる学習パターンに基づいてニューラルネットワークを学習させることができる。学習データに基づいた学習結果に従ってニューラルネットワークに適用された結合重みを更新することができる。
事前に駆動パターンと因果関係のあるノイズの学習データを大量に収集しておき、解析済みの結果を利用して紐付けを行う補正手段であってもよい。補正手段５２０での補正は、ノイズと逆位相の信号を用いてノイズを打ち消す処理を行う。ニューラルネットワークだけでなく、線形モデル、カーネルモデルを使っても良い。
こうして異なる２回の補正を行ったデータを基にＣＰＵ５０１で演算を行うＳＯＣの推定処理を行い、充電率を算出することで精度の高い値を得ることができる。
また、頻度が高くない異常検知のマイクロショートはほとんど発生せず、省電力化のため通常時は非動作、即ち回路が停止しているノーマリーオフ型ＣＰＵとするが好ましい。
一方、補正手段５２０は、常時測定を行い、ノイズキャンセルを実行するため、リアルタイムまたは準リアルタイムにおいて充電状態推定を高い精度で行うことができる。本明細書で使用するリアルタイムとは、実質的に同時であることを指しており、信号処理の遅延を含むものとする。また、準リアルタイムとは、リアルタイムよりも広い適用範囲を示しており、例えば１０秒以上３６００秒以下の遅延を指している。
また、図４（Ａ）に示す一例に特に限定されず、例えば図４（Ｂ）に示す構成としてもよい。図４（Ｂ）では、Ｎｏｆｆ−ＣＰＵ５０３とＦＰＧＡ５０２を同じ１つのチップとする例である。一つのチップとすることで省スペース化、高集積化ができる。また、ＦＰＧＡ５０２と補正手段５２０を同じ１つのチップとしてもよい。
（実施の形態３）
本実施の形態では、実施の形態２において図４に示したＣＰＵ５０１で演算を行うＳＯＣの推定処理時のニューラルネットワーク処理に用いるニューラルネットワークＮＮの構成の一例を示す。
図５（Ａ）には、本発明の一態様のニューラルネットワークの一例を示す。図５（Ａ）に示すニューラルネットワークＮＮは、入力層ＩＬ、出力層ＯＬ、及び隠れ層（中間層）ＨＬを有する。ニューラルネットワークＮＮは、隠れ層ＨＬを複数有するニューラルネットワーク、すなわち、ディープニューラルネットワークによって構成することができる。なお、ディープニューラルネットワークにおける学習を、ディープラーニングと呼ぶことがある。
図５（Ａ）に示す出力層ＯＬ、入力層ＩＬ、隠れ層ＨＬはそれぞれ複数のニューロン回路を有し、異なる層に設けられたニューロン回路同士は、シナプス回路を介して接続されている。
ニューラルネットワークＮＮには、二次電池の状態を解析する機能や、ノイズを解析する機能や、ノイズをキャンセルするための信号生成機能が、学習によって付加されている。そして、測定された二次電池のパラメータがニューラルネットワークＮＮに入力されると、各層において演算処理が行われる。各層における演算処理は、前層が有するニューロン回路の出力と重み係数との積和演算などにより実行される。なお、層と層との結合は、全てのニューロン回路同士が結合する全結合としてもよいし、一部のニューロン回路同士が結合する部分結合としてもよい。
例えば、図５（Ｂ）に示すＬＳＴＭ（Ｌｏｎｇ　Ｓｈｏｒｔ−Ｔｅｒｍ　Ｍｅｍｏｒｙ）構造のリカレントニューラルネットワークを用いる。ＬＳＴＭ構造のリカレントニューラルネットワークは、他と比べてシーケンスの長さが長いシーケンシャルデータの認識率を高めることができる。
ＬＳＴＭにおいては、隠れ層（中間層）ＨＬがＬＳＴＭＢｌｏｃｋと呼ばれるメモリと３つのゲートをもつブロックとしている。３つのゲートは入力ゲート、忘却ゲート、出力デートである。
また、図６に時刻（ｋ−１）と時刻ｋにおける動作ステップの概念図を示す。カルマンフィルタでは、時刻が１つ進むごとに予測ステップとフィルタリングステップを実施していく。
予測ステップでは、１ステップ前の事後誤差共分散（Ｐ（ｋ−１））を使って事前誤差共分散（Ｐ−（ｋ））を決定する。なお、事前状態変数を決定する際は、システムの入力値（本実施の形態では電池の電流値ｕ（ｋ））も用いて事前状態変数が決定される。
フィルタリングステップでは、事前誤差共分散を用いて事後誤差共分散を決定し、事前状態変数及び観測値（本実施の形態では電池の電圧ｙ（ｋ））を用いて事後状態変数が決定される。なお、ＬＳＴＭにおいては、ｙ（ｋ）は出力値であり、一つ前の時刻ｋ−１での出力値ｙ（ｋ−１）を用いて出力される。
ＬＳＴＭ構造のリカレントニューラルネットワークは、図４（Ａ）や図４（Ｂ）に示した管理システムを用いて実行することができる。
また、図４に示したＦＰＧＡ５０２のメモリ部やＣＰＵ５０１のメモリ部として酸化物半導体を用いたトランジスタを用いることで省電力化を図ることができる。ニューラルネットワークにおける積和演算などを行う場合、メモリ部にデータを保持した状態で多くの演算処理がおこなわれるため、有用である。
また、本実施の形態は、実施の形態１または実施の形態２と自由に組み合わせることができる。
（実施の形態４）
図８に二次電池１００の異常検出装置のブロック図の一例を示す。図８に示す二次電池１００の異常検出装置は、電気自動車やハイブリッド電気自動車などの車両に用いられる。図８に示すように、二次電池１００の異常検出装置は、電流取得部である電流モニタＩＣ１０２と、電圧取得部である電圧モニタＩＣ１０３と、演算部１０４と、機械学習部１２０と、学習結果記憶部１０５と、判定部１０７とを少なくとも備える。
演算部１０４、学習結果記憶部１０５、機械学習部１２０、判定部１０７、をまとめて学習部としてもよく、ＦＰＧＡやマイクロコントローラで構成される。
二次電池１００はリチウムイオン二次電池を用いる。車両にリチウムイオン二次電池を用いる場合には複数用いるが、ここでは簡略化するため複数の二次電池を一つの二次電池として表現することとする。リチウムイオン二次電池は、充電或いは放電しすぎると劣化が促進される。従ってリチウムイオン二次電池は、充電率が一定範囲内（例えば２０％以上８０％以下）に収まるように充放電が保護回路や制御回路などによって管理される。
電流モニタＩＣ１０２は、検出した二次電池１００の電流値を演算部１０４へ入力する。電圧モニタＩＣ１０３は検出した二次電池１００の電圧値を演算部１０４へ入力する。
演算部１０４は、二次電池１００の等価回路モデルと、カルマンフィルタとを有する。入力された電流値及び電圧値に基づいて、パラメータ値を推定し、推定したパラメータ値に基づいて予測誤差を算出できる。
機械学習部１２０は、予測誤差及び駆動パターンを入力とし、駆動パターンに対応づけたノイズをキャンセルするように予測誤差の補正データを作成し、補正データと駆動パターンを対応づけて補正モデルを構築する。車両の駆動パターンと電磁ノイズは対応づけられることが多く、車両の駆動パターンと対応する場合には電磁ノイズであると認定できる。車両の駆動パターンと対応しない変化は、二次電池起因であるとすることができる。
学習結果記憶部１０５は、機械学習部の結果を記憶する。事前に駆動パターンと因果関係のあるノイズの学習データを大量に収集しておき、解析済みの結果を記憶しておく。
判定部１０７は、しきい値と比較し、補正データを用いて補正された予測誤差が正常か異常かを判定する。
また、判定した結果を車両の上位制御部分、例えばＣＰＵ１０１に通達する。ＣＰＵ１０１は異常を通知されると、使用者（運転者）などに対応措置を促す。
また、判定部１０７が正常であった場合、特にＣＰＵ１０１に通達しなくともよく、正常と判断した時間を記録しておけばよい。また、信頼性の高い二次電池の場合、二次電池が異常発生することはほとんどないため、基本的には常時非動作状態としておくことが望ましく、長時間非動作状態であっても消費電力を極めて小さくすることが好ましい。従って、判定部１０７に電気的に接続する異常通知回路１０６を設け、Ｎｏｆｆ−ＣＰＵを用いてもよい。異常通知回路１０６は、異常を判定した場合に使用者（運転者）などに対応措置を促す構成としてもよい。
Ｎｏｆｆ−ＣＰＵは、一部に酸化物半導体を有するトランジスタを含み、そのトランジスタはノーマリーオフ型である。ノーマリーオフ型トランジスタは、しきい値電圧がプラスとなる電気特性（ノーマリーオフ特性ともいう。）を有する。また、また、Ｎｏｆｆ−ＣＰＵが内部演算回路やデータバスで扱えるビット数は、例えば８ビット、１６ビット、３２ビット、６４ビットなどとすることができる。図８中の異常通知回路１０６は、非アクティブ状態で待機しておき、異常が検出されて初めてアクティブ状態となり、ＣＰＵ１０１に通知する回路構成を有している。
図８に示す異常検知装置を用いれば、マイクロショートなどの突発性異常を検出できる。マイクロショート以外のものは、モータ、インバータ、コンバータ、無線モジュールなどからどのようなノイズかデータに基づき対応づけ、解析、学習することでノイズを分類でき、また、その中でも異常が検出されれば、二次電池の異常だけでなく、モータ、インバータ、コンバータ、無線モジュールなどの故障や故障にいたる予兆を検出することもできる。
また、異常検知を行うフローの一例を図９に示す。
図９に示すようにモータを作動させることで電磁ノイズが発生し、電磁ノイズを含む二次電池の特性データを抽出（Ｓ１）する。そしてカルマンフィルタで予測誤差を算出（Ｓ２）し、異常検出（Ｓ３）となった場合、Ｎｏｆｆ−ＣＰＵをアクティブ状態に切り替え（Ｓ５）、ＣＰＵに通知（Ｓ６）する。また、異常が検出されなかった場合には機械学習によりノイズを打ち消す補正およびタイミングのズレを補正する補正データを作成（Ｓ４）する。異常が検出されなかった場合にはステップＳ１、Ｓ２、Ｓ３、Ｓ４を順に繰り返すこととなり、リアルタイムにチェックすることができる。なお、特にリアルタイムに限定されず、ある一定の間隔で間欠的に異常検知をおこなってもよい。
また、図１０（Ａ）に逐次カルマンフィルタをかけるのではなく、事前推定予測ステップと事後推定ステップをある程度まとめて行うことで、非同期によるタイミングのズレを補正する概念図を示している。図１０（Ａ）において横軸は時間であり、上段が、事前推定予測ステップであり、下段が事後推定ステップである。図１０（Ａ）に示す方法とすることでタイミングのズレも一緒に学習することができる。
事前推定予測ステップでは推定アルゴリズム及び入力値を利用し、事後推定ステップ（フィルタリングステップとも呼ぶ）では観測値を利用する。
なお、比較例として図１０（Ｂ）に逐次カルマンフィルタをかける概念図を示している。
また、組電池では１つ１つ二次電池を逐次フィルタリングしていくのではなく、事前推定予測ステップと事後推定ステップをある程度まとめて行うことができ、その一例を図１０（Ｃ）に示す。図１０（Ｃ）において横軸は時間であり、上段が、事前推定予測ステップであり、下段が事後推定ステップである。図１０（Ｃ）においては５つの二次電池を１つにまとめて事前推定予測ステップを行っている。
なお、比較例として図１０（Ｄ）に逐次カルマンフィルタをかける概念図を示している。
また、１０個以上の電池で構成された組電池を図１０（Ｃ）に示した順序で学習させる場合の学習フローの一例を図１１に示す。
図１１に示すようにモータを作動させることで電磁ノイズが発生し、電磁ノイズを含む二次電池の特性データを抽出（Ｓ１）する。そしてカルマンフィルタで予測誤差を算出（Ｓ２）し、機械学習によりノイズを打ち消す補正およびタイミングのズレを補正する補正データを作成する。
この補正データを作成する際に、組電池のうち１個目から５個目まで事前推定予測ステップをまとめて行い、その後、１個目から５個目まで事後推定ステップをまとめて行う。その後に組電池のうち６個目から１０個目まで事前推定予測ステップをまとめて行い、その後、６個目から１０個目まで事後推定ステップをまとめて行う。その後は組電池の残りの電池を同様に５個ずつまとめて行えばよい。
そして、得られた補正データと駆動パターンとの関連づけを行い、それらのデータを学習用データとして学習結果記憶部に記憶する。図１１に示す学習フローを用いて、事前に学習させておくことで精度高く異常検知を行うことができる。
また、組電池の数が多い、及び駆動パターンが多いことで学習用データが膨大なデータとなる場合には、車両外に通信可能なデータサーバなどに記憶すればよい。その場合には、車両外に設置された学習結果記憶部と車両内に設置された機械学習部との間でデータ通信を行いながら異常検知することとなる。
（実施の形態５）
本発明の一態様に係る二次電池の異常検出装置は、車両に限らず、二次電池及び無線モジュールを有するデバイスに適用することができる。
図１２（Ａ）は、携帯電話機の一例を示している。携帯電話機７４００は、筐体７４０１に組み込まれた表示部７４０２の他、操作ボタン７４０３、外部接続ポート７４０４、スピーカ７４０５、マイク７４０６などを備えている。なお、携帯電話機７４００は、二次電池７４０７及び二次電池７４０７の異常検出装置を有している。データを送受信する無線モジュールと二次電池７４０７とが近くに配置されていても上記実施の形態で説明した異常検出装置によってノイズを切り分けつつ異常検知を行うことができる。
図１２（Ｂ）は、情報処理装置２００の外観の一例を説明する投影図である。本実施の形態で説明する情報処理装置２００は、演算装置２１０と入出力装置２２０と、表示部２３０、２４０と、二次電池２５０及び異常検出装置とを有する。
情報処理装置２００は、ノイズ発生源となりえる通信部を有し、無線モジュールは、ネットワークに情報を供給し、ネットワークから情報を取得する機能を備える。また、通信部を用いて特定の空間に配信された情報を受信して、受信した情報に基づいて、画像情報を生成してもよい。情報処理装置２００は、表示部２３０、２４０のいずれか一方をキーボード表示させた画面をタッチ入力パネルと設定することで、パーソナルコンピュータとして機能させることができる。
また、図１２（Ｃ）に示すようなウェアラブルデバイスに、本発明の一態様に係る二次電池の異常検出装置を搭載することができる。
例えば、図１２（Ｃ）に示すような眼鏡型デバイス４００に搭載することができる。眼鏡型デバイス４００は、フレーム４００ａと、表示部４００ｂと、無線モジュールを有する。湾曲を有するフレーム４００ａのテンプル部に二次電池、異常検出装置、及び無線モジュールを互いに近づけて配置してもノイズに影響されずに異常検出できるため、二次電池の異常発生を検知できる安全な眼鏡型デバイス４００とすることができる。
また、ヘッドセット型デバイス４０１に二次電池、異常検出装置、及び無線モジュールを搭載することができる。ヘッドセット型デバイス４０１は、少なくともマイク部４０１ａと、フレキシブルパイプ４０１ｂと、イヤフォン部４０１ｃを有する。フレキシブルパイプ４０１ｂ内やイヤフォン部４０１ｃ内に二次電池、異常検出装置、及び無線モジュールを設けることができる。
また、身体に直接取り付け可能なデバイス４０２に搭載することができる。デバイス４０２の薄型の筐体４０２ａの中に、二次電池４０２ｂ及び二次電池の異常検出装置を設けることができる。
また、衣服に取り付け可能なデバイス４０３に搭載することができる。デバイス４０３の薄型の筐体４０３ａの中に、二次電池４０３ｂ及び二次電池の異常検出装置を設けることができる。
また、腕時計型デバイス４０５に搭載することができる。腕時計型デバイス４０５は表示部４０５ａおよびベルト部４０５ｂを有し、表示部４０５ａまたはベルト部４０５ｂに、二次電池及び二次電池の異常検出装置を設けることができる。
表示部４０５ａには、時刻だけでなく、メールや電話の着信等、様々な情報を表示することができる。
また、腕時計型デバイス４０５は、腕に直接巻きつけるタイプのウェアラブルデバイスであるため、使用者の脈拍、血圧等を測定するセンサを搭載してもよい。使用者の運動量および健康に関するデータを蓄積し、健康維持に役立てることができる。
また、ベルト型デバイス４０６に二次電池及び二次電池の異常検出装置を搭載することができる。ベルト型デバイス４０６は、ベルト部４０６ａおよびワイヤレス給電受電部４０６ｂを有し、ベルト部４０６ａの内部に、二次電池、異常検出装置、及び無線モジュールを搭載することができる。
また、日用電子製品の二次電池として本発明の一態様の二次電池及び二次電池の異常検出装置を用いることで、軽量で安全な製品を提供できる。例えば、日用電子製品として、電動歯ブラシ、電気シェーバー、電動美容機器などが挙げられ、それらの製品の蓄電装置としては、使用者の持ちやすさを考え、形状をスティック状とし、小型、軽量、且つ、大容量の二次電池が望まれている。図１２（Ｄ）はタバコ収容喫煙装置（電子タバコ）とも呼ばれる装置の斜視図である。図１２（Ｄ）において電子タバコ７４１０は、加熱素子を含むアトマイザ７４１１と、アトマイザに電力を供給する二次電池７４１４と、液体供給ボトルやセンサなどを含むカートリッジ７４１２で構成されている。安全性を高めるため、二次電池の異常検出装置を二次電池７４１４に電気的に接続してもよい。図１２（Ｄ）に示した二次電池７４１４は、充電機器と接続できるように外部端子を有している。二次電池７４１４は持った場合に先端部分となるため、トータルの長さが短く、且つ、重量が軽いことが望ましい。二次電池の異常発生と、アトマイザ７４１１によるノイズとを切り分けることができるため、本発明の一態様の異常検出装置は安全な電子タバコ７４１０を提供できる。
なお、本実施の形態は、他の実施の形態と適宜組み合わせることが可能である。
１００：二次電池、１０１：ＣＰＵ、１０２：電流モニタＩＣ、１０３：電圧モニタＩＣ、１０４：演算部、１０５：学習結果記憶部、１０６：異常通知回路、１０７：判定部、１２０：機械学習部、２００：情報処理装置、２１０：演算装置、２２０：入出力装置、２３０：表示部、２４０：表示部、２５０：二次電池、３００：異常監視ユニット、３０１：バッテリ、３０２：バッテリーコントローラ、３０３：モータコントローラ、３０４：モータ、３０５：ギア、３０６：ＤＣＤＣ回路、３０７：電動パワステ、３０８：ヒーター、３０９：デフォッガ、３１０：ＤＣＤＣ回路、３１１：バッテリ、３１２：インバータ、３１４：パワーウィンドウ、３１５：ランプ類、３１６：タイヤ、３２０：補正手段、４００：眼鏡型デバイス、４００ａ：フレーム、４００ｂ：表示部、４０１：ヘッドセット型デバイス、４０１ａ：マイク部、４０１ｂ：フレキシブルパイプ、４０１ｃ：イヤフォン部、４０２：デバイス、４０２ａ：筐体、４０２ｂ：二次電池、４０３：デバイス、４０３ａ：筐体、４０３ｂ：二次電池、４０５：腕時計型デバイス、４０５ａ：表示部、４０５ｂ：ベルト部、４０６：ベルト型デバイス、４０６ａ：ベルト部、４０６ｂ：ワイヤレス給電受電部、５０１：ＣＰＵ、５０２：ＦＰＧＡ、５０３：Ｎｏｆｆ−ＣＰＵ、５２０：補正手段、６００：二次電池、６０１：正極キャップ、６０２：電池缶、６０３：正極端子、６０４：正極、６０５：セパレータ、６０６：負極、６０７：負極端子、６０８：絶縁板、６０９：絶縁板、６１１：ＰＴＣ素子、６１２：安全弁機構、６１３：導電板、６１４：導電板、１４００：二次電池、１４０２：正極、１４０４：負極、７４００：携帯電話機、７４０１：筐体、７４０２：表示部、７４０３：操作ボタン、７４０４：外部接続ポート、７４０５：スピーカ、７４０６：マイク、７４０７：二次電池、７４１０：電子タバコ、７４１１：アトマイザ、７４１２：カートリッジ、７４１４：二次電池、８０２１：充電装置、８０２２：ケーブル、８０２４：二次電池、８４００：自動車、８４０１：ヘッドライト、８４０６：電気モータ、８５００：自動車、８６００：スクータ、８６０１：サイドミラー、８６０２：二次電池、８６０３：方向指示灯、８６０４：座席下収納

Claims (8)

  1. 二次電池の電圧値を測定する電圧取得部と、
    二次電池の電流値を測定する電流取得部と、
    前記電圧値及び前記電流値を入力とし、回帰モデルを用いて演算を行い予測誤差を算出する演算部と、
    前記予測誤差及び駆動パターンを入力とし、前記駆動パターンに対応づけたノイズをキャンセルするように予測誤差の補正データを作成し、前記補正データと前記駆動パターンを対応づけて補正モデルを構築する機械学習部と、
    前記機械学習部の結果を記憶する学習結果記憶部と、
    前記補正データを用いて補正された予測誤差が正常か異常かを判定する判定部と、
    を有する二次電池の異常検出装置。
  2. 請求項１において、さらに、前記補正された予測誤差が異常と判定された時のみに駆動して異常であることを使用者に通知する異常通知回路を有する二次電池の異常検出装置。
  3. 請求項１または請求項２において、前記回帰モデルは、状態方程式に基づくカルマンフィルタである二次電池の異常検知装置。
  4. 請求項１乃至３のいずれか一において、前記回帰モデルは、予測ステップを複数連続で行った後、複数のフィルタリングステップが連続で行われる二次電池の異常検知装置。
  5. 請求項１乃至４のいずれか一において、前記機械学習部がニューラルネットワークを備える二次電池の異常検知装置。
  6. 請求項２乃至５のいずれか一において、前記異常通知回路は、金属酸化物層をチャネルとするトランジスタを少なくとも有する二次電池の異常検知装置。
  7. 請求項１乃至６のいずれか一において、前記二次電池は、リチウムイオン二次電池である二次電池の異常検知装置。
  8. 請求項１乃至７のいずれか一において、前記二次電池は、全固体電池である二次電池の異常検知装置。
PCT/IB2019/051750 2018-03-16 2019-03-05 二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム WO2019175707A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201980016772.5A CN111788492B (zh) 2018-03-16 2019-03-05 二次电池的充电状态推测装置、二次电池的异常检测装置、二次电池的异常检测方法及二次电池的管理系统
US16/980,598 US20210055352A1 (en) 2018-03-16 2019-03-05 Device estimating charge state of secondary battery, device detecting abnormality of secondary battery, abnormality detection method of secondary battery, and management system of secondary battery
JP2020505553A JP7393102B2 (ja) 2018-03-16 2019-03-05 二次電池の異常検出装置

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018049713 2018-03-16
JP2018-049713 2018-03-16
JP2018-114814 2018-06-15
JP2018114814 2018-06-15

Publications (1)

Publication Number Publication Date
WO2019175707A1 true WO2019175707A1 (ja) 2019-09-19

Family

ID=67907454

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2019/051750 WO2019175707A1 (ja) 2018-03-16 2019-03-05 二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム

Country Status (4)

Country Link
US (1) US20210055352A1 (ja)
JP (1) JP7393102B2 (ja)
CN (1) CN111788492B (ja)
WO (1) WO2019175707A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2022009904A1 (ja) * 2020-07-06 2022-01-13
WO2022200907A1 (ja) * 2021-03-26 2022-09-29 株式会社半導体エネルギー研究所 蓄電池管理システム、車両およびサーバ装置
JP2022550154A (ja) * 2020-05-15 2022-11-30 エルジー エナジー ソリューション リミテッド バッテリーを診断するための装置及びその方法
CN116109017A (zh) * 2023-04-12 2023-05-12 国网信息通信产业集团有限公司 一种短路电流零点快速精准预测方法及系统
WO2023119967A1 (ja) * 2021-12-23 2023-06-29 株式会社村田製作所 電源システムおよび電子機器

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019207399A1 (ja) * 2018-04-27 2019-10-31 株式会社半導体エネルギー研究所 蓄電装置の充電状態推定方法及び蓄電装置の充電状態推定システム
US11804622B2 (en) * 2018-06-22 2023-10-31 Semiconductor Energy Laboratory Co., Ltd. Abnormality detection method of power storage device and management device of power storage device
US12099543B2 (en) 2019-04-26 2024-09-24 Semiconductor Energy Laboratory Co., Ltd. Document search system and document search method
WO2020226640A1 (en) * 2019-05-08 2020-11-12 Hewlett-Packard Development Company, L.P. Predicting future battery safety threat events with causal models
US11853863B2 (en) 2019-08-12 2023-12-26 Micron Technology, Inc. Predictive maintenance of automotive tires
US11586194B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network models of automotive predictive maintenance
US20210049480A1 (en) * 2019-08-12 2021-02-18 Micron Technology, Inc. Predictive maintenance of automotive battery
US11635893B2 (en) 2019-08-12 2023-04-25 Micron Technology, Inc. Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks
US11586943B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network inputs in automotive predictive maintenance
US11748626B2 (en) 2019-08-12 2023-09-05 Micron Technology, Inc. Storage devices with neural network accelerators for automotive predictive maintenance
US12061971B2 (en) 2019-08-12 2024-08-13 Micron Technology, Inc. Predictive maintenance of automotive engines
US11775816B2 (en) 2019-08-12 2023-10-03 Micron Technology, Inc. Storage and access of neural network outputs in automotive predictive maintenance
US11702086B2 (en) 2019-08-21 2023-07-18 Micron Technology, Inc. Intelligent recording of errant vehicle behaviors
US11693562B2 (en) 2019-09-05 2023-07-04 Micron Technology, Inc. Bandwidth optimization for different types of operations scheduled in a data storage device
US11650746B2 (en) 2019-09-05 2023-05-16 Micron Technology, Inc. Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles
US11250648B2 (en) 2019-12-18 2022-02-15 Micron Technology, Inc. Predictive maintenance of automotive transmission
US11531339B2 (en) 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
US11709625B2 (en) 2020-02-14 2023-07-25 Micron Technology, Inc. Optimization of power usage of data storage devices
CN114018466B (zh) * 2021-10-27 2023-05-30 湖北亿纬动力有限公司 一种电池内压测试方法
CN113884905B (zh) * 2021-11-02 2022-06-14 山东大学 基于深度学习的动力电池荷电状态估计方法及系统
US12073668B1 (en) 2023-06-08 2024-08-27 Mercedes-Benz Group AG Machine-learned models for electric vehicle component health monitoring
CN116840731A (zh) * 2023-08-30 2023-10-03 中国华能集团清洁能源技术研究院有限公司 电池组的故障检测方法及其装置
CN118157327B (zh) * 2024-05-09 2024-07-05 广东安恒电力科技有限公司 基于nb-iot技术的电缆护层环流监测装置
CN118483617B (zh) * 2024-07-09 2024-09-20 北京易诚高科科技发展有限公司 一种车辆故障动态监测方法、系统及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS57127820A (en) * 1981-01-30 1982-08-09 Sumitomo Metal Ind Ltd Method of monitoring cyclically moving body
JP3746729B2 (ja) * 2002-04-17 2006-02-15 東京瓦斯株式会社 機器の劣化を検出する方法
JP2010271852A (ja) * 2009-05-20 2010-12-02 Hitachi Ltd プラント運転データ予測システム及び方法
JP2012198114A (ja) * 2011-03-22 2012-10-18 Seiko Epson Corp 状態推定装置、電子機器及びプログラム
WO2016129248A1 (ja) * 2015-02-13 2016-08-18 パナソニックＩｐマネジメント株式会社 二次電池の充電状態推定装置および充電状態推定方法
JP2018096953A (ja) * 2016-12-16 2018-06-21 三菱自動車工業株式会社 電池状態推定装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100804698B1 (ko) * 2006-06-26 2008-02-18 삼성에스디아이 주식회사 배터리 ｓｏｃ 추정 방법 및 이를 이용하는 배터리 관리시스템 및 구동 방법
EP3115797A4 (en) * 2014-03-03 2017-03-15 Panasonic Intellectual Property Management Co., Ltd. Battery state estimation device and method of estimating battery state
CN105277898B (zh) * 2015-10-27 2018-07-10 浙江大学 一种电池荷电状态的检测方法
US10023064B2 (en) * 2016-03-10 2018-07-17 Ford Global Technologies, Llc Power capability estimation for vehicle battery systems
US11691518B2 (en) * 2017-07-21 2023-07-04 Quantumscape Battery, Inc. Predictive model for estimating battery states

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS57127820A (en) * 1981-01-30 1982-08-09 Sumitomo Metal Ind Ltd Method of monitoring cyclically moving body
JP3746729B2 (ja) * 2002-04-17 2006-02-15 東京瓦斯株式会社 機器の劣化を検出する方法
JP2010271852A (ja) * 2009-05-20 2010-12-02 Hitachi Ltd プラント運転データ予測システム及び方法
JP2012198114A (ja) * 2011-03-22 2012-10-18 Seiko Epson Corp 状態推定装置、電子機器及びプログラム
WO2016129248A1 (ja) * 2015-02-13 2016-08-18 パナソニックＩｐマネジメント株式会社 二次電池の充電状態推定装置および充電状態推定方法
JP2018096953A (ja) * 2016-12-16 2018-06-21 三菱自動車工業株式会社 電池状態推定装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022550154A (ja) * 2020-05-15 2022-11-30 エルジー エナジー ソリューション リミテッド バッテリーを診断するための装置及びその方法
JP7332084B2 (ja) 2020-05-15 2023-08-23 エルジー エナジー ソリューション リミテッド バッテリーを診断するための装置及びその方法
JPWO2022009904A1 (ja) * 2020-07-06 2022-01-13
WO2022009904A1 (ja) * 2020-07-06 2022-01-13 国立研究開発法人 海上・港湾・航空技術研究所 エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム
KR20230009484A (ko) * 2020-07-06 2023-01-17 고쿠리츠겐큐카이하츠호진 가이죠·고완·고쿠기쥬츠겐큐죠 엔진의 이상 진단 방법, 엔진의 이상 진단 프로그램 및 엔진의 이상 진단 시스템
CN115702288A (zh) * 2020-07-06 2023-02-14 国立研究开发法人海上·港湾·航空技术研究所 发动机的异常诊断方法、发动机的异常诊断程序及发动机的异常诊断系统
JP7450238B2 (ja) 2020-07-06 2024-03-15 国立研究開発法人 海上・港湾・航空技術研究所 エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム
KR102692731B1 (ko) 2020-07-06 2024-08-08 고쿠리츠겐큐카이하츠호진 가이죠·고완·고쿠기쥬츠겐큐죠 엔진의 이상 진단 방법, 엔진의 이상 진단 프로그램을 기록한 컴퓨터로 읽을 수 있는 기억 매체 및 엔진의 이상 진단 시스템
WO2022200907A1 (ja) * 2021-03-26 2022-09-29 株式会社半導体エネルギー研究所 蓄電池管理システム、車両およびサーバ装置
WO2023119967A1 (ja) * 2021-12-23 2023-06-29 株式会社村田製作所 電源システムおよび電子機器
CN116109017A (zh) * 2023-04-12 2023-05-12 国网信息通信产业集团有限公司 一种短路电流零点快速精准预测方法及系统
CN116109017B (zh) * 2023-04-12 2023-06-09 国网信息通信产业集团有限公司 一种短路电流零点快速精准预测方法及系统

Also Published As

Publication number Publication date
CN111788492B (zh) 2024-09-13
JPWO2019175707A1 (ja) 2021-03-25
JP7393102B2 (ja) 2023-12-06
US20210055352A1 (en) 2021-02-25
CN111788492A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
WO2019175707A1 (ja) 二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム
JP7234140B2 (ja) 二次電池の異常検知装置、異常検知方法、プログラム、二次電池の状態推定方法、及び二次電池の充電状態推定装置
JP6978339B2 (ja) 二次電池の充電状態推定装置及び異常検出装置、及び二次電池の管理システム
JP7337781B2 (ja) 蓄電装置の充電状態推定システム
JP7134981B2 (ja) 二次電池の異常検知システム及び二次電池の異常検出方法
US11804622B2 (en) Abnormality detection method of power storage device and management device of power storage device
CN111919128B (zh) 蓄电装置的充电状态推测方法及蓄电装置的充电状态推测系统
JP7104065B2 (ja) 充電制御装置
EP4030530B1 (en) All-solid-state lithium ion secondary battery system and charging device for all-solid-state lithium ion secondary batteries
WO2020201893A1 (ja) 二次電池の充電状態推定方法、二次電池の充電状態推定システム、及び二次電池の異常検知方法
TWI856802B (zh) 二次電池的異常檢測裝置及二次電池

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19766792

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020505553

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19766792

Country of ref document: EP

Kind code of ref document: A1