NMCリチウムイオン電池向けGNNベース劣化モデル開発

• MS-CNN-BiLSTMによるマルチスケール時空間深層学習フレームワークを提案し、リチウムイオン電池のSOH推定を実施
• NASA LCOおよびMOLICEL NCMデータセットでMAE 0.0026、R2 0.979以上の高精度なSOH推定を達成
• 異なる電池化学組成間で一貫した推定性能を維持し、計算負荷が低く組み込みBMSアプリケーションへの適用可能性を示した

• 未知セルのSOH予測向けに、エネルギー認識ウォームアップと劣化整合性制約(EWDC)フレームワークが開発され、部分充電健康指標抽出・健康指標グラフエンコーディング・サイクル間劣化増分予測・再帰的SOH軌道再構築を連携させた。
• NASAおよびCALCE-CS2データセットで1バッテリーを除外する検証をそれぞれ実施し、8つの除外セル全体で平均RMSE 1.21%、MAE 0.65%、R2 0.975を達成した。
• GNNベースラインと比較して平均RMSEとMAEをそれぞれ32.19%、38.83%削減した。

• リチウムイオン電池のSOC・SOH・RULを同時推定するハイブリッド深層学習フレームワーク「NBE-VLT-PFO」を提案(ニューラル基底展開NBE+バリアショナルラダーオートエンコーダーVLAE+トランスフォーマーエンコーダー、ハイパーパラメータ調整に極地キツネ最適化PFOを統合)。
• NASA電池データセットでの実験評価で、SOC予測はR2=0.9943/RMSE=0.0225/MAPE=1.64%、SOH予測はR2=0.9606/RMSE=0.0414/MAPE=2.43%、RUL予測はR2=0.9936/RMSE=0.0196/MAPE=1.56%を達成。

リチウムイオン電池(LIB)の健康状態(SOH)をオンラインで推定する手法が提案されている。従来のデータ駆動型手法はオフライン学習のためオンライン更新ができず、またV-Qカーブの固定区間を必要とするため実用性に課題があった。本研究では、逐次ガウス過程(Seq-GP)モデルを提案し、新たなLIBデータを用いてモデルパラメータをオンラインで更新することで、オンライン推定を実現する。さらに、LIBのV-Qカーブのランダムな部分を用いた新しい特徴抽出方法を開発し、実用的な要件を満たす。提案手法は2つの公開バッテリーデータセットで評価され、オンライン更新、不確実性定量化、低い計算コストとともに競争力の…

• IBM Granite TinyTimeMixer (TTM) 基盤モデルをベースにした軽量基盤モデルを提案し、リチウムイオン電池の故障検出を実現
• 174個の電池セルの実験データセットで、全ての故障電池を誤検出ゼロで検出