不完全な時系列データに基づくデータ駆動型モデルを用いたリチウムイオン電池化成工程におけるオンライン故障セルスクリーニング手法
An Online Fault Cell Screening Method for Lithium-Ion Battery Formation Based on a Data-Driven Model with Incomplete Time-Series Data
リチウムイオン電池(LIB)の化成工程における品質と寿命を保証するため、従来は充電後にオフラインで故障セルをスクリーニングしていたが、エネルギーの無駄や手戻り時間の増加が課題となっていた。本論文では、この問題を解決するため、化成工程におけるオンライン故障セルスクリーニングを分類タスクとして捉え、不完全な時系列データに基づくデータ駆動型モデルを提案する。提案モデルは、不完全な充電電圧曲線(ICVC)のセグメントをトークンに変換し、Transformerエンコーダー(TE)でトークン間の依存関係を捉えて特徴を抽出する。さらに、特徴強化デコーダー(FED)を用いてオンラインで故障セルをスクリーニングする。このモデルは、実際の18,650リチウムイオンセルの生産データで検証され、化成前スクリーニングにおいて98.73%の精度と1.92%のミス率を達成した。これは、深層残差ネットワーク(DRN)ベースラインと比較して、精度が2.49%向上し、ミス率が8.98%低下した。この結果は、不完全な化成段階電圧曲線を用いたオンライン故障セル前スクリーニングの実現可能性を示しており、LIB生産における不要な充電時間と手戻り時間の削減につながる可能性がある。
- 不完全な充電電圧曲線を用いたTransformerベースのオンライン故障セルスクリーニング手法を提案し、実際の18,650セル生産データで検証。
本論文はリチウムイオン電池の化成工程におけるオンライン故障セルスクリーニング手法を提案し、実際の生産データで98.73%の精度を達成した。不完全な時系列データを扱うTransformerベースのアプローチにより、従来のオフライン検査で生じていたエネルギー・時間の無駄を削減できる点が重要。LIB生産の歩留まり改善とコスト削減に直結する技術であり、バッテリー製造装置メーカーやEVサプライチェーン企業にとって競争力向上につながる可能性がある。ただし学術論文であり、実用化・量産ラインへの実装にはさらなる検証が必要。