技術要約：リチウムイオン電池における単一ファイバ内部観測

問題提起

現在のリチウムイオン電池管理システム（BMS）は、表面温度、端子電圧、電流といった限定的な外部観測量に依存しており、内部の安全状態を推論しています。この「観測性のギャップ」により、局所的なリチウム析出、セパレータの疲労、熱暴走の前兆といった重要な内部現象が、外部の警告サインとして現れるまで検出することができません。その結果、BMSの戦略は保守的な安全マージンを運用せざるを得ず、利用可能なエネルギー、充電速度、およびサイクル寿命を犠牲にしています。

埋め込み型ファイバ・ブラッグ・グレーティング（FBG）センサは、内部状態への直接的な経路を提供しますが、根本的な物理的限界に直面しています。単一のFBG波長シフト（$\Delta\lambda_B$）は、温度変化（$\Delta T$）と機械的歪み（$\varepsilon$）を混同した決定不能な測定値です。電池に関連する動作範囲において、これら2つの寄与は同程度の大きさであり、複雑なハードウェアを導入するか物理法則に違反することなく、代数的な手法のみでこれらを分離することは不可能です。既存のデータ駆動型モデルは、物理的に妥当な再構成を生成できないことが多く、一方でハードウェアベースの分離はパッケージングの複雑化や応力集中を招きます。

手法：FBG-PhysNet

著者らは、単一ファイバの観測問題をリアルタイムで解決するために設計された、物理情報に基づいたデュアルブランチ再帰フレームワークであるFBG-PhysNetを提案しています。このアーキテクチャは、以下の3つのコアコンポーネントで構成されています。

1. デュアルブランチRWKV-7バックボーン:

   • モデルは、熱推定用のブランチAと歪み推定用のブランチBという、独立してパラメータ化された2つのRWKV-7（Recurrent Weighted K-Vector）ブランチを利用します。
   • 各ブランチは、モデル次元（$d_{model}$）128、アテンションヘッド4つの4層で構成されます。
   • メモリ効率: RWKV-7アーキテクチャは、シーケンス長に依存せず、固定された再帰状態サイズ（1ブロックあたり64 KB、デュアルブランチの合計で512 KB）を維持します。この$O(1)$のメモリフットプリントにより、コンテキスト長に応じてメモリが増大するTransformerベースのモデルとは異なり、車載グレードのマイクロコントローラ（例：STM32H7、SRAM 1 MB）へのデプロイが可能になります。

2. Q-FiLMコンディショニング:

   • 異なる走行サイクル（都市部走行から2C急速充電まで）における電気化学的な発熱量（$Q_{gen}$）の13倍もの変動に対処するため、モデルは**Q-FiLM（Feature-wise Linear Modulation）**モジュールを採用しています。
   • このモジュールは、端子電圧と電流から導出された$Q_{gen}$の推定値を、各層の潜在表現へのスケールおよびシフトベクトルとして注入します。これにより、ネットワークは個別のモデルを必要とすることなく、現在の熱動作レジームに合わせて動的に特徴空間を適応させることができます。

3. クロスゲーティングおよび9項の物理損失:

   • クロスゲーティング: 熱ブランチと歪みブランチの間で境界条件情報を交換するメカニズムです。これにより、自由度の混同を避けつつ、物理的に必要な結合（$\varepsilon_{th} = \alpha_{CTE}\Delta T$）を捉え、機械的に独立した歪み（$\varepsilon_{mech}$）を解明することを可能にします。
   • 物理情報に基づく損失階層: 学習目的関数は、教師ありデータ損失と、以下の9つの微分可能な物理制約を組み合わせたものです。
     1. $\Delta T$および$\varepsilon$に対する教師ありMSE。
     2. FBG光学的一貫性: 予測がブラッグ制約多様体（$\Delta\lambda_B = K_T \Delta T + K_\varepsilon \varepsilon$）上に存在することを強制。
     3. 熱伝導偏微分方程式（PDE）残差: 集中定数熱方程式を強制。
     4. グローバルエネルギー保存: 全時間窓にわたる熱バランスを確保。
     5. 歪み速度境界: 歪みの変化率を制限。
     6. 降伏妥当性: 歪みが材料の降伏限界内に収まることを保証。
     7. 充電状態（SOC）妥当性: SOC推定値を$[0,1]$に制約。
     8. 時間的平滑化。
     9. L2正則化。
   • 学習は「物理カリキュラム」に従い、データ適合から開始し、徐々に物理重みを増幅（係数40倍）させることで、物理制約による精緻化へと移行します。

主な結果

本フレームワークは、較正済みのP2D Doyle-Fuller-Newman電気化学モデルから導出された75,120個のハードウェア・イン・ザ・ループ（HIL）ウィンドウを用いて検証されました。これには、UDDS、WLTP、高速道路、2C急速充電、および緊急ブレーキの5つの動作レジームが含まれます。

• 精度: FBG-PhysNetは、内部温度に対して平均絶対誤差（MAE）2.270 K、歪みに対して21.94 $\mu\varepsilon$を達成しました。
• デカップリング性能（クロストーク）: モデルは**クロストーク比（CT）を58.6%**まで低減しました。これは、最も優れた物理認識ベースライン（PINN-MLPの77.3%）よりも大幅な改善であり、特定の指標における熱ルーティング参照限界である71.3%を下回っています。これは、モデルが単に熱膨張を差し引いているのではなく、機械的に独立した歪みを正常に復元していることを示しています。
• 物理的収束: 47回の学習エポックを通じて、モデルは物理的適合性と予測精度の間の相互強化を示しました。エネルギー保存残差は75%減少し、PDE残差は44%減少しました。FBG光学自己一貫性指標（$\chi^2_{FBG}$）は0.773から0.906へと向上し、理想値である1.0に近づきました。
• アブレーション研究: すべての物理制約を除去した場合（Abl-A）、温度MAEは46.6%増加し、クロストーク比は87.2%に上昇しました。クロスゲーティングを除去した場合（Abl-C）は、クロストーク比が正確に71.3%となり、このメカニズムなしでは機械的に独立した歪み成分を解明できないことが確認されました。
• 堅牢性: 極端な2C急速充電シナリオ（$Q_{gen}$が学習平均の13倍を超えた場合）では、温度誤差が高くなる（4.280 K）傾向が見られましたが、クロストーク比は58.6%で不変であり、物理的な分離の質が走行サイクルの強度に対して堅牢であることを示しました。

意義と主張

本論文は、リチウムイオン電池の内部安全性を「観測性の問題」として再定義できると提唱しています。内部温度と歪みを単一の埋め込み光学信号からリアルタイムで再構成することにより、本フレームワークは、静的なワーストケースの安全マージンから、セルの実際の熱・機械状態に基づく適応制御への転換を可能にします。

著者らは、以下の3つの具体的な影響を強調しています。

1. 電池の長寿命化と容量利用: リアルタイムの歪み把握により、BMSは歪みが安全境界（例：グラファイトの20,000 $\mu\varepsilon$の降伏歪み）に近づいたときのみ電流制限を厳格化できるようになり、定常的なデレーティングと比較して、高出力アプリケーションにおいて利用可能な容量を3～8%回復できる可能性があります。
2. 直流急速充電（DCFC）: 低遅延でコア温度を予測する能力は、迅速な熱モニタリングをサポートし、新しいハードウェアを追加することなく、既存のインフラにおける充電の中断を減らし、スループットを向上させる可能性があります。
3. バッテリーパスポートと二次利用の経済性: 物理に裏付けられた自己一貫性のある内部状態の追跡は、「バッテリーパスポート」認証に必要な規制レベルのライフサイクルデータを提供し、使用済みパックの二次利用に向けたより正確な価値評価を可能にします。

決定的なことに、著者らは、単一センサFBGシステムにおける広く想定されている「不可避な結合」の限界は、物理的な障壁ではなく、既存のモデリング手法の限界であると主張しています。機械的に独立した歪みを明示的に解明する表現を学習することで、FBG-PhysNetは従来の限界を超えて動作します。本研究は、現在の電池システムの根本的な限界は材料性能ではなく観測性であり、このギャップを解消することで、化学組成やハードウェアを変更することなく、運用限界を再定義できると結論付けています。