接続構造に関係なくバッテリーの爆発リスクや余寿命を正確に診断する人工知能（AI）技術が登場した。急速に成長する電気自動車やエネルギー貯蔵システム（ESS）市場では、バッテリーパックの直列構成と並列構成が異なりますが、構造が変化するたびにデータの再収集と再学習が必要となるため、既存のAIでは現場での応用には限界があります。 UNISTの研究者はこの問題に正面から取り組み、バッテリーの安全性と運用効率を同時に向上させる解決策を提示しました。
UNISTエネルギー化学工学部のキム・ドンヒョク教授とチェ・ユンソク教授のチームは、電池の接続構造が異なっても個別の再学習なしで適用できるAIベースの健康診断モデルを開発したと発表した。このモデルは、バッテリーの健全性状態（SOH）の初期容量に対する現在の利用可能な容量の比率を正確に計算し、残存寿命や爆発の危険性の予測などの安全性の判断を可能にします。
重要な点は、AIが「接続方法に関係のない本当の健康信号」だけを抽出するように設計されているということです。研究チームは、充放電データから抽出した62パターンの中から、直列接続や並列接続の影響を受けず、寿命予測に敏感な5つの主要指標（ヘルスインジケーター）をAIに自動選択させた。これにより、単一セルのデータのみを学習するだけでも、複数のセルが接続されたモジュールやパックの健康状態を正確に診断できるようになります。
性能検証でもその違いは明らかでした。 1セルデータから学習したAIにより7セル並列モジュールの寿命を正確に予測し、予測誤差(RMSE)は1.90×10-2と従来モデル(6.31×10-2)に比べて約3分の1に低減しました。接続変更による内部抵抗の微妙な違いや電圧のアンバランスで揺れていた従来のAIとは異なり、新モデルでは構造的な違いを排除し、重要な信号のみに焦点を当てています。
その秘密は、Transformer の注意アルゴリズムにあります。 Chat GPTなどの最新の生成AIの基盤技術として知られるアテンションを適用することで、寿命予測に重要なパターンの重要度を高くし、電池の種類の分類の重要度を低くします。構成不変性診断は、2 つの領域の交差部分のみを選択することによって実装されました。
キム・ドンヒョク教授は、「接続方法と関係のない重要な健康信号だけを自己選択するようにAIを設計した」とし、「1つのモデルで電気自動車バッテリー管理システム(BMS)、大規模ESS、使用後のバッテリー性能評価とリサイクルなどに幅広く適用できる」と付け加えた。
本成果は、化学工学分野の国際学術誌「Chemical Engineering Journal」に1月15日オンライン掲載されました。バッテリーの安全性と運用効率を同時に向上させるこの技術は、現場導入の障壁を下げ、次世代バッテリー管理の標準となる可能性を高めます。
新しい健全性指標を探索することにより、構成に依存しないリチウムイオン電池の SoH 推定を行うための変圧器ベースのフレームワーク。
#バッテリーの真の健康信号のみを読み取る…UNIST再学習せずに残りの寿命と爆発の危険性を診断するAIを開発 #特許ニュース