電気自動車駆動用バッテリーの早期軽微故障に対するデカップリングと診断手法(PatchTSSAベース)
Decoupling and Diagnosis Method for Early Minor Faults in Electric Vehicle Traction Batteries Based on PatchTSSA
電気自動車(EV)駆動用バッテリーの早期軽微故障の正確な検出は、熱暴走を防ぐ上で重要である。本稿では、時系列パッチングとトークン統計自己注意(TSSA)をバッテリー診断シーケンスに適応させた軽量TransformerアーキテクチャであるPatchTSSAに基づいた、早期軽微多重故障のデカップリングと診断フレームワークを開発した。このフレームワークは、静的・動的特徴融合と時系列パッチングを組み合わせ、グローバルな電圧ドリフトとローカルな形態勾配の両方を捉える。TSSAは二次モーメントプーリングを採用し、トークン数に対して線形計算量を持つ。物理情報に基づいた故障注入戦略を用いて、健全状態(E00)、軽微内部短絡(E01)、重度内部短絡(E02)、貫通故障(E03)、センサードリフト(E04)の5クラスのデータセットを構築した。PatchTSSA構成は、5mVのガウスホワイトノイズ下で、全体精度91.5±1.9%、マクロリコール94.1±1.2%、E01リコール85.4±5.3%を達成した。直接的なE01–E04混同率は0.09±0.20%であり、E00からE01への誤警報率は15.1±6.9%であった。結果は、オンライン故障パターン識別におけるフレームワークの可能性を示唆しているが、実故障データと組み込みハードウェアを用いた検証が必要である。
- PatchTSSAは時系列パッチングとトークン統計自己注意(TSSA)をバッテリー診断に適応した軽量Transformerで、トークン数に対して線形計算量を持つ
- 物理情報に基づく故障注入で5クラスのデータセット(健全E00、軽微内部短絡E01、重度内部短絡E02、貫通故障E03、センサードリフトE04)を構築した
- 5mVのガウスホワイトノイズ下で全体精度91.5±1.9%、マクロリコール94.1±1.2%、E01リコール85.4±5.3%を達成した
- E01–E04の直接混同率は0.09±0.20%である一方、E00からE01への誤警報率は15.1±6.9%と高い
- 実故障データと組み込みハードウェアを用いた検証が今後の課題として残っている
EV駆動用バッテリーの熱暴走予防に向けた早期軽微故障の診断は、BMS(電池管理システム)の差別化要素になり得る。本稿はPatchTSSAという軽量Transformerで内部短絡(E01)を含む5クラスを分類し、5mVノイズ下で全体精度91.5%を達成した研究。ただしE00→E01の誤警報率が15.1%と高く、実故障データや組み込みハードウェアでの検証が未了である点は留意が必要。投資家としては、論文段階の成果であり直接の製品化・採用発表ではないため、車載BMSへの実装時期と誤警報率の改善度合いを追うべき。商用化すれば安全規制対応と保険・リコールコスト低減に寄与しうる。