A Repeated Measurements Approach to $SoH$ Battery Modelling of Cyclic Aged Data in a Laboratory Environment

バッテリーは、ポケットの中のスマートフォンから道路を走る自動車に至るまで、あらゆるものに電力を供給する、現代社会の静かなエンジンです。しかし、すべての生き物と同様に、それらも老化します。時間の経過とともに、バッテリーセル内部の化学反応が劣化し、新品の時よりも蓄えられるエネルギーが少なくなっていきます。科学者たちはこれを「健康状態（ステート・オブ・ヘルス）」と呼び、バッテリーが故障するまでにどれだけの寿命が残っているかを示す指標としています。この現象が正確にどのように、なぜ起こるのかを理解することは、より優れた、より安全で、より長持ちするエネルギー貯蔵装置を構築するために極めて重要です。研究室の設定では、研究者はバッテリーセルを、まるで心臓の鼓動のように、充放電のサイクルを繰り返させることで、このプロセスが進展する様子を観察することができます。しかし、単一のバッテリーが老化する様子を観察するだけでは不十分です。バッテリー寿命の真の性質を理解するためには、多くのバッテリーを同時に観察し、それらが時間の経過とともにどのように変化し、互いにどのように異なるのかを追跡しなければなりません。課題はデータそのものにあります。それは単なるランダムな点の集まりではなく、一連のつながった物語であり、各バッテリーは、テストの条件とそれ自体の内部的な癖の両方に影響を受けながら、独自の衰退の経路を辿るのです。

最近の研究において、ラフバロ大学とオックスフォード・ブルックス大学の研究者たちは、バッテリーの老化をモデル化する新しい方法を開発することで、この複雑さに対処しました。彼らは、高性能アプリケーションで一般的なニッケル・コブルト・アルミニウム正極とグラファイト・シリコン負極を用いた、10個の特定のバッテリーセルを使用しました。これらのセルは、摂氏25度の一定温度の制御された環境下に置かれ、厳格なテストプロトコルに供されました。すべてのセルは一定の速度で放電されましたが、充電電流は変化させられ、一部のセルは1アンペアで充電され、他のセルは最大5アンペアの高いレートで充電されました。50サイクルごとに、研究者はセルの容量を測定するために一時停止し、元の状態と比較してどれだけのエネルギーが失われたかを正確に算出しました。このプロセスはセルが故障するまで継続され、容量がどれほど失われたかだけでなく、個々のセルにおいて容量の減少率が時間の経過とともにどのように変化したかを示す、豊かなデータセットが生成されました。

研究者たちは、これらのバッテリーの老化が、パワーロー（累乗則）として知られる単純な数学的関係によって記述できる、予測可能なパターンに従っていることを見出しました。これは、容量の損失が直線的に起こるのではなく、バッテリーの使用方法に応じて、特定の形で加速または減速することを意味します。しかし、個々のバッテリーを単独で見る単純なモデルでは、重要なパズルのピースを見落としてしまいます。それは、すべてのバッテリーはそれぞれ独特である一方で、すべてが共通の歴史を共有し、同じ物理法則に従っているという事実を考慮できていないのです。チームは、データには2つの異なる種類の変動が含まれていることに気づきました。第一は、定規のわずかな震えのような、あらゆる測定中に発生する小さなランダムなノイズです。第二は、同一の条件下であっても、あるバッテリーが他よりもわずかに早く、あるいは遅く老化するという、セル間の真の差異です。これを捉えるために、彼らは階層モデルを構築しました。これは、データを、個々のセルの物語がグループ全体のより大きな物語の中に組み込まれているような、入れ子構造の物語として扱う構造です。

この複雑な構造を理解するために、研究者たちは、ノイズと信号を分離することを可能にする洗練された統計的手法を採用しました。彼らは、本質的にランダムなエラーを滑らかにしつつ、セル間の真の差異を保持する手法を用いました。この技術には「正則化」と呼ばれるプロセスが含まれており、これはモデルがデータの微細な変動に過剰反応するのを防ぎ、最終的な描写を明確で信頼できるものにするのに役立ちます。また、彼らは、明らかに誤っているデータポイントや外れ値（例えば、予想される経路から突然大きく外れた測定値など）を自動的に特定して除去する方法も開発しました。これにより、モデルが可能な限り最も正確な現実の表現に基づいて構築されるようにしました。

このアプローチの結果は、驚くほど精密でした。モデルは、提示された特定のトレーニングデータに対して、0.191パーセント以内の精度でバッテリーの健康状態を予測することができました。このレベルの精密さは、観察された実験室データを効果的に適合させるモデルの能力を示しているため、非常に重要です。さらに、モデルは信頼区間（予測がどの程度確実であるかを示す範囲）を算出する方法を提供しました。例えば、研究者は高い信頼度を持って、バッテリーの残容量が非常に狭い範囲内に収まるだろうと述べることができ、エンジニアにとって信頼できるツールとなります。また、研究はセル間の差異が極めて小さいことを明らかにし、制御された条件下で製造された場合、これらのバッテリーは驚くほど一貫していることを示唆しました。しかし、モデルはまた、老化の速度が充電電流に強く影響されることも浮き彫りにし、高い電流は異なる劣化パターンをもたらすことを示しました。

この研究は、バッテリーの老化を理解する方法における重要な進歩を表しています。データを孤立した点としてではなく、繰り返される測定の集まりとして扱うことで、研究者たちはバッテリーの老化プロセスの真の構造を反映するモデルを作成しました。それは、すべてのバッテリーには独自の個性がある一方で、すべてが同じ根本的なルールに従っていることを認めています。このモデルは、制御された実験室データを分析するための実用的なツールですが、研究者たちは、実世界のシナリオに適用するには修正が必要であると述べています。電気自動車のような実世界のアプリケーションでは、バッテリーパックに加えられる老化ストレスは、環境条件、充電習慣、および顧客の使用状況によって変化します。したがって、モデルの構造は、これらの時間依存の変数に対処できるように適応させる必要があります。本研究は一定の条件下での実験室で行われましたが、研究者たちは、時間依存の共変量プロトコルへの拡張によって、実世界でのインサービス分析の問題に対処できる可能性を示唆しています。バッテリーがいつ故障するかを正確に予測できる能力は強力な能力であり、それは将来の、より安全で、より効率的で、より長持ちするエネルギーシステムへとつながる可能性があります。本研究は、適切な数学的ツールを用いれば、モデルをその使用条件に合わせて適切に調整することを条件として、バッテリーの寿命という複雑でしばしば予測困難な旅路を、驚くほどの明晰さでマッピングできることを裏付けています。