このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。

方法論記事

マルチチャネル充放電データを用いたリチウムイオン電池性能予測のための再現可能なディープラーニングワークフロー

54 回視聴

⸱

DOI:

10.3791/71903

⸱

2026年8月14日

 , 
1Faculty of Science, Department of Physics, Southern University of Science and Technology, 2Homerton College, University of Cambridge

この記事について

サマリー

本プロトコルでは、マルチチャネルのサイクリングデータとエンジニアリングされた特徴量を用い、リチウムイオン電池の状態診断（SOH）、有効残寿命（RUL）、および蓄電性能を予測するための再現可能なディープラーニングワークフローを提示します。

要約

本プロトコルでは、マルチチャンネルのサイクルデータを用いてリチウムイオン電池の性能を予測するための、再現可能なディープラーニングのワークフローを提示します。マルチソース情報の統合と特徴量表現に関する既存のデータ駆動型モデルの限界に対処するため、本手法では5つの公開バッテリーデータセットを利用しています。入力データには、電圧、電流、容量、温度、内部抵抗、およびクーロン効率とエネルギー効率などの生運用信号に加え、増分容量、微分電圧、エネルギースループットなどのエンジニアリングされた特徴量が含まれます。本プロトコルでは、複数の観測ウィンドウにわたる電池レベルの時系列テンソルを構築するための標準化された前処理手順について詳述します。再現性を向上させるため、固定ランダムシード、評価ランの繰り返し、および環境トラッキングを用いて、ディープニューラルネットワーク、畳み込みニューラルネットワーク（CNN）、長短期記憶（LSTM）ネットワーク、CNN–LSTM、およびトランスフォーマーベースのモデルを含む候補ニューラルネットワークアーキテクチャを評価します。代表的な結果から、マルチチャンネルデータとエンジニアリングされた特徴量を統合したCNN–LSTMアーキテクチャが、評価したモデルの中で良好な予測性能を達成したことが示されました。選択された構成では、劣化状態（SOH）推定において平均絶対誤差0.024、R2値0.955を達成し、同時に有効利用寿命（RUL）および放電可能エネルギーの推定においても高い予測性能を維持しました。アブレーション解析およびロバストネス解析により、マルチチャンネル特徴量の統合による寄与と、繰り返し評価における再現性重視のワークフローの安定性がさらに実証されました。この標準化された手法は、多様な動作条件下での電池ライフサイクル管理および予測モデリングのための再現可能なフレームワークを提供します。

概要

リチウムイオン電池は、その高いエネルギー密度、長いサイクル寿命、および低い自己放電率により、携帯用電子機器からグリッド規模のエネルギー貯蔵システムに至るまで幅広い用途で利用されており、再生可能エネルギーへの世界的な移行において中心的な役割を果たしています。しかし、長期間の運用は不可避的に、緩やかな容量低下と内部抵抗の増大を招きます1。このような性能低下は、経済的な生存可能性を低下させるだけでなく、熱暴走を含む深刻な安全上のリスクをもたらします。大規模エネルギー貯蔵システムの導入が加速し続けるにつれ、電池のライフサイクル管理はますます複雑になっています2。従来の閾値ベースのモニタリングや手動点検プロトコルでは、動的な動作環境に対応するには不十分です3。さらに、充放電率の変動、周囲温度、および放電電圧の変化がある状況下で、電池の状態（SOH）や残存有効寿命（RUL）を正確に予測するには、単一のパラメータに依存する方法では不十分です4。現在のワークフローは主に実験室で制御されたサイクルデータセットを用いて検証されていますが、そのマルチチャンネルアーキテクチャと時間的モデリングフレームワークは、電気自動車アプリケーションや変動する環境下で遭遇する動的な動作条件への将来的な適応をサポートする可能性があります。

バッテリーの劣化は、固体電解質界面（SEI）の成長、活性リチウムの喪失、および電極材料の構造的劣化によって引き起こされる、極めて複雑で非線形な電気化学的プロセスである。従来、状態推定は等価回路モデルまたは電気化学的な物理偏微分方程式（PDE）に依存してきた5。これらの物理モデルはメカニズムに関する貴重な知見を提供するが、マルチチャネルの結合信号を処理する場合、膨大な計算負荷とパラメータ同定の困難さが伴う。その結果、高レート放電条件下での複雑な拡散キネティクスや環境変動により、組み込み型バッテリー管理システム（BMS）へのリアルタイム実装は著しく制限されている6。対照的に、本研究で提案するディープラーニング（DL）のワークフローでは、計算負荷の大部分をオフライン学習フェーズに集中させ、学習済みモデルによる展開時の推論は比較的高速に行われる。したがって、このフレームワークは、リソースに制約のあるBMSやエッジコンピューティング環境への将来的な実装を可能にすると考えられる。

近年、データ駆動型の深層学習（DL）アプローチは、その優れた非線形フィッティング能力により、強力なツールとして登場しています。それにもかかわらず、既存のDL手法には2つの大きな制限があります。第一に、多くの手法は主に単一の容量劣化曲線や特定の放電電圧しきい値に依存しており、電圧、電流、温度といったマルチチャネルのサイクル応答間に固有に存在する時空間相関を軽視しています。この制限により、マルチコンディションの動作シナリオ下でのモデルの堅牢性が低下します7。先行研究では、複雑な動作中に熱状態を無視すると、予測誤差の蓄積が加速することが示されています8,9。第二に、応用機械学習（ML）において、再現性の課題が根強く存在します。実験条件の変動、不十分に記述された前処理パイプライン、および任意に選択されたニューラルネットワークのハイパーパラメータが原因となり、本来堅牢であるはずのモデルがデータセット間の検証において失敗することが頻繁にあります10。前処理および初期サイクルの予測における情報漏洩のリスクを低減するため、提案するワークフローでは、外部検証およびデータセット間評価に先立ち、正規化スケーリング係数およびエンジニアリング特徴量のベースラインを訓練データセットのみから導出します。

これらの重要な課題を解決するため、本プロトコルの全体的な目標は、マルチチャネルのサイクルデータを用いてリチウムイオン電池のエネルギー貯蔵性能を予測するための、自動化された再現性の高いDLワークフローを提示することです。この手法の根拠は、高次元のニューラルネットワークアーキテクチャ内でクロスモーダル時系列データを統合することにより、電池の劣化に関連する複雑な長期依存性を明確に捉えることにあります。既存の物理ベースの手法やDLアプローチに対する本プロトコルの主な利点は、その包括的な標準化にあり、生信号の前処理、特徴量エンジニアリング、モデルのトレーニング、および不確実性評価にわたる完全なパイプラインを構築している点です。ハイブリッドニューラルネットワークアーキテクチャは以前から研究されてきましたが、本ワークフローでは、再現性を重視したトレーニングフレームワーク内で、電気化学的なサイクル変数と設計された劣化特徴量を整合させることで、標準化されたマルチチャネル統合を強調しています。以前に報告された多くのワークフローとは異なり、本プロトコルでは、不均一な電池データセットや実験環境における再現性を向上させるため、標準化されたパラメータ設定、固定ランダムシード、繰り返し評価、および包括的な環境トラッキングを組み込んでいます。さらに、本ワークフローでは複数のニューラルネットワークアーキテクチャを系統的に比較し、異なる入力構成における予測の安定性と性能を評価しています。評価したデータセットおよび実験設定において、CNN–LSTM（畳み込みニューラルネットワーク・長短期記憶）アーキテクチャは、局所的な特徴抽出と長期的な時間系列モデリングを組み合わせ、適度な計算複雑性を維持しつつ、評価対象となった単一のCNNおよびTransformerベースのモデルと比較して良好な予測性能を示しました。本プロトコルは、電池のライフサイクル管理のために、再現性があり環境適応的な予測モデルの開発を目指す研究者やエンジニアに適しています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

本研究では、公開されているリチウムイオン電池の充放電サイクルデータセットのみを利用し、ヒトの参加者、動物実験、または生物学的試料を伴わなかったため、機関の倫理承認は不要でした。

1. データの取得と整理

  1. マルチチャネル・サイクリング・データセットの取得
    1. 充放電サイクリング記録を含む、公開されているバッテリーリポジトリからリチウムイオンバッテリーのサイクリング・データセットをダウンロードする。データセットのバージョンの整合性を維持するため、CALCE、SANYO、PANASONIC、KOKAM、GOTIONの各データセットは、それぞれの機関のオープンアクセスリポジトリまたはデジタルオブジェクト識別子（DOI）リンクから直接取得する。
    2. 完全なサイクル数、容量測定値、および少なくとも1つの連続した充放電曲線を含むバッテリーサンプルを選択する。1サイクル内で2時間を超える中断がなく、定電流および定電圧の両フェーズが完全に記録されていることを確認して、連続性を検証する。
  2. 生サイクリング記録のフィルタリング
    1. 生サイクリング記録をフィルタリングし、温度、内部抵抗、クーロン効率、およびエネルギー効率の測定値を含むサンプルを保持する。その後のマルチチャネル特徴量融合には物理的な入力変数の完全なセットが必要であるため、これらの必須の状態チャネルを欠くバッテリーセルは解析ワークフローから除外する。
    2. 不完全な記録、不整合なタイムスタンプ、定義されていない試験手順、または不明確な充放電終了条件を含むサイクルを除去する。隣接するサイクル間で5%を超える急激な容量低下が見られるもの、化学組成固有の動作範囲外の電圧測定値を持つもの、または非単調なタイムスタンプ間隔を持つサイクルを異常サイクルとして定義する。
  3. 時系列バッテリーデータベースの構築
    1. 保持したサイクリング記録を時系列に整理し、バッテリーレベルの時系列データベースを構築する。
    2. 処理済みデータセットをHierarchical Data Format version 5 (HDF5)を用いて保存する。データセットのソース、化学系、および個々のバッテリーセル識別子によって整理された標準的なディレクトリ構造を維持する。
    3. データセットの分割前に、個々のバッテリーセルに固有の識別子を割り当てる。単一の物理的バッテリーからのすべての連続サイクルが、排他的に1つのデータセットサブセット内に留まるように、訓練・テスト分割時にバッテリーセル識別子に基づくグルーピングを実装する。
      注：前処理、正規化、リサンプリング、または特徴量エンジニアリングを行う前に、元の生データセットを別途保存しておくこと。
  4. 観測ウィンドウの定義
    1. 最初の50サイクル、最初の100サイクル、およびバッテリー全ライフサイクルの最初の20%を用いて、マルチチャネル観測ウィンドウを構築する。20%のライフサイクル閾値は、寿命（EOL）による容量劣化までの総サイクル寿命に0.2を乗じて算出する。
    2. テンソル構築の前に、各観測ウィンドウ内で電圧、電流、容量、温度、内部抵抗、および効率の測定値を整合させる。
    3. 最終的な入力構造を、観測ウィンドウの長さ、128個の標準化されたサイクル内サンプリング点、および順序付けられたマルチチャネル特徴量セットからなる3次元テンソルとしてフォーマットする。

2. データの前処理と特徴量エンジニアリング

  1. サイクル生データの前処理
    1. すべてのバッテリーソースでデータ品質を標準化するため、サイクル生データセットに対して一様な前処理を行う。時系列操作のためのPandasライブラリおよび数値補間のためのSciPyを備えたPython 3.10を使用して、すべての前処理、同期化、および標準化手順を実行する。
    2. 後続の解析を行う前に、外れ値の除去、欠損値の検出、タイムスタンプの較正、充放電フェーズの特定、およびサンプリング周波数の正規化を行う。異常検知には、棄却基準を3.0より大きく設定した修正Zスコア閾値法を適用する。
    3. すべての数値配列においてNaNフラグ識別を用いることで、欠損値を自動的に検出する。電流値が正の場合は充電サイクル、負の場合は放電サイクルとして割り当てることにより、電流の極性に基づいて充電フェーズと放電フェーズを区別する。
    4. フェーズ遷移の整合中における電気化学的な時間力学を保持するため、区分的3次エルミート補間多項式を用いて欠損信号セグメントを再構成する。
  2. サイクル曲線のリサンプリング
    1. データセット間でサンプリング密度の変動や信号ドリフトが検出された場合に、サイクル曲線をリサンプリングする。連続する測定値間の間隔が、対応するサイクルフェーズのサンプリング周波数の中央値に対して10%以上乖離した場合に、自動リサンプリングを実行する。
    2. プラットフォーム固有の記録変動を低減するため、各サイクル内のサンプリング点数を標準化する。1次元線形補間を用いて、すべての時間シーケンスを固定された空間グリッドにマッピングする。
    3. テンソル構築の前に、各充放電プロファイルを正確に128個の等間隔サンプリング点に圧縮または拡張する。
  3. 連続変数の正規化
    1. ネットワークの収束を安定させ、スケールに関連するバイアスを低減するため、モデル学習の前にすべての連続変数を正規化する。Min-Maxスケーリングを適用し、すべての連続変数を0から1の数値範囲に変換する。
    2. すべての正規化パラメータは、トレーニングデータセットのみから算出する。初期サイクルの予測において将来の時間データのリークが発生するリスクを低減するため、固定されたスケーリングパラメータを検証データセットおよびテストデータセットに適用する。
  4. マルチチャンネル入力テンソルの構築
    1. 各バッテリーの連続的なサイクル記録を、固定長の時間セグメントに分割する。最初の50サイクル、最初の100サイクル、またはバッテリーライフサイクルの最初の20%に対応する、事前定義された観測ウィンドウに従って時間セグメントを構成する。
    2. テンソル構築の前に、各時間セグメント内で電圧、電流、容量、温度、内部抵抗、および効率の測定値を整合させる。
    3. 整合された特徴行列を、(N × 128 × C)としてフォーマットされた3次元テンソルに連結する。ここでNは観測ウィンドウの長さを、128は標準化されたサイクル内サンプリング点数を、Cは物理的およびエンジニアリングされた特徴チャンネルの総数を表す。
  5. エンジニアリング特徴量の抽出
    1. 劣化パターンの識別精度を向上させるため、サイクル生信号からエンジニアリングされた電気化学的特徴量を抽出する。標準化されたサンプリンググリッドにわたってdQ/dVおよびdV/dQを算出することにより、増分容量および微分電圧の特徴量を計算する。
    2. Savitzky–Golayフィルタを適用し、平滑化された増分容量曲線および微分電圧曲線を生成する。
    3. フィルタリングされた電気化学的特徴量から、ピーク電圧シフト、相転移電圧差、およびサイクル間のエネルギースループット変動を含む劣化指標を抽出する。

3. DLモデルの構築と学習

  1. 候補予測モデルの構築
    1. Figure 1Aに示すすべての予測モデルに対して、標準化されたトレーニングおよび評価フレームワークを構築する。PyTorchバージョン2.0以上を使用してDLワークフローを実装する。
    2. データの読み込み、モデルの初期化、最適化、および評価のためのモジュール式Pythonスクリプトを用いて、トレーニングワークフローを実行する。
    3. 線形回帰、ランダムフォレスト、勾配ブースティング決定木モデルを含む従来のMLベースラインモデルを準備する。ランダムフォレストモデルは、決定木数100、最大深さ10で設定する。
    4. Scikit-learnライブラリを使用して、学習率0.1、最大決定木深さ5で勾配ブースティング決定木フレームワークを設定する。
    5. 多層パーセプトロン、1次元CNN、LSTMネットワーク、CNN–LSTM、およびTransformerベースのモデルを含むDL候補アーキテクチャを準備する。
    6. AdamWオプティマイザー、Gaussian error linear unit活性化関数、隠れ層次元128、およびドロップアウト率0.2を適用し、すべてのDLアーキテクチャ間でコアハイパーパラメータを標準化する。
  2. CNN–LSTMアーキテクチャの設定
    1. 入力テンソルからのマルチチャネルサイクル情報を融合するようにCNN–LSTMアーキテクチャを設定する（Figure 1B）。畳み込み特徴抽出器を、それぞれ128個の隠れユニットを含む2つの積層回帰層に連結して、ハイブリッドアーキテクチャを構築する。
    2. SOH、RUL、および放電可能エネルギーを同時に予測するため、3つの並列全結合回帰ヘッドを用いてアーキテクチャを終了させる。
    3. マルチスケールの局所的な特徴を抽出するため、カーネルサイズ3、5、および7の3つの連続した1次元畳み込み層を通してマルチチャネル入力テンソルを処理する。
    4. 最適化中の勾配の安定性を向上させるため、各畳み込み層の後にバッチ正規化を適用する。
    5. シーケンスモデリングの前に、畳み込み特徴マップを連続的な時間シーケンスにリシェイプする。
    6. 定義済みの観測ウィンドウにわたる長期的な劣化依存性を捉えるため、エンコードされた時間シーケンスを積層回帰層に入力する。
  3. モデルトレーニングのためのデータセット分割
    1. 処理済みのバッテリーセルデータセットを、70:15:15の比率でトレーニング、検証、およびテストサブセットに分割する。固定ランダムシード値42を使用してデータセット分割を実行する。
    2. すべてのデータセットサブセット間で劣化分布のバランスを維持するため、バッテリー化学に基づいた層化サンプリングを適用する。
    3. 連続的な劣化軌跡を保持するため、個々のサイクルをランダム化するのではなく、厳密にバッテリーセルレベルでデータセット分割を行う。
    4. データセット間の情報漏洩を防ぐため、分割中は各バッテリーセルを不可分な単位として保持する。
    5. トレーニング、検証、およびテストサブセット間でバッテリーセル識別子の積集合を計算し、重複がないことを確認することで、データセットの独立性をプログラム的に検証する。
    6. 分布外評価およびクロスデータセット汎化性能評価のため、GOTIONリチウム鉄リン酸塩（LFP）データセット全体を用いて外部テストデータセットを構築する。
    7. 手法の透明性と再現性をサポートするため、ソースコード、環境設定ファイル、および処理済みデータセットの分割ファイルを専用のGitHubリポジトリを通じて公開する。
  4. モデルトレーニングの初期化
    1. トレーニング前に、回帰損失関数を平均二乗誤差に設定する。各予測ターゲットからの損失値を均等に重み付けして集計し、グローバルなトレーニング目的関数を算出する。
    2. 初期学習率を1 × 10−3に設定し、データセットのサイズに応じてバッチサイズを32または64から選択する。
    3. ハードウェア利用率を向上させるため、5,000サイクルを超えるデータセットにはバッチサイズ64を使用する。最適化の安定性を向上させるため、小規模なデータセットにはバッチサイズ32を使用する。
      注：異なる観測ウィンドウ間での収束速度と勾配の安定性のバランスをとるため、事前のグリッドサーチ評価を通じてこれらのハイパーパラメータを選択すること。
  5. トレーニング制御の適用
    1. 検証損失の変化に基づいた動的学習率スケジューラを適用する。検証損失が5エポック連続して改善しない場合、学習率を0.5倍に減少させる。
    2. 最適化中に、最小学習率しきい値を1 × 10−5に維持する。
    3. 過学習を抑えるため、最大100エポックでモデルトレーニングを停止する。
    4. 検証損失が15エポック連続して減少せずにある場合、早期停止を適用する。最高の検証パフォーマンスを示したイテレーションに対応するモデル重みを復元する。
  6. 再現性記録の維持
    1. モデルの初期化およびトレーニングの前に、固定ランダムシード値42を設定する。
    2. Pythonのrandomモジュール、NumPy、およびPyTorchバックエンド全体に固定ランダムシードを一貫して適用し、非決定的なCUDA操作を無効にする。
    3. 各実験ランについて、ソフトウェア環境、依存関係のバージョン、パラメータ設定、データ分割、およびトレーニング出力を記録する。
    4. NVIDIA RTX 3090 GPUまたは同等のハードウェアを搭載したワークステーション上で、CUDA 11.8アクセラレーションを備えたUbuntu 22.04を使用してすべてのDLワークフローを実行する。

マルチチャネル深層学習解析のためのCNN-LSTMアーキテクチャのエンドツーエンド・ワークフロー図。
図 1. マルチチャネルのリチウムイオン電池性能予測のための再現可能な深層学習（DL）ワークフロー。(A) マルチチャネルのデータ取得、標準化された前処理、テンソル構築、モデル学習、および電池性能指標の予測を示す、エンドツーエンドの再現可能なワークフロー。再現性の制御には、固定ランダムシード、反復的な学習実行、パラメータ追跡、および環境ログが含まれる。(B) マルチチャネルの特徴抽出、時系列シーケンスモデリング、特徴融合、ならびに劣化状態（SOH）、残存有効寿命（RUL）、および放電可能エネルギーの予測に使用されるCNN-LSTMハイブリッドアーキテクチャ。(C) 候補モデルのスクリーニング、堅牢性評価、ハイパーパラメータ最適化、および最終的なモデル選定を示す評価および展開パイプライン。こちらのリンクをクリックして、この図の拡大版を表示してください。

4. モデルの評価およびターゲットの予測

  1. モデル予測の生成
    1. 訓練済みモデルを用いて、ターゲットとなるテストバッテリーデータセットを処理する。推論前に、前処理済みのテストデータセットをシリアル化されたPyTorchテンソルとしてロードする。
    2. 評価中の意図しないパラメータ更新を防ぐため、勾配を無効にするコンテキストマネージャーを使用してフォワード推論パスを実行する。
    3. 訓練済みの回帰ヘッドを用いて、各性能指標の予測を同時に生成する。
    4. SOH、RUL、および放電可能エネルギー予測用に構成された3つの並列回帰ヘッドから、同時出力を抽出する。
  2. 予測ターゲットの算出
    1. 現在の利用可能容量と初期バッテリー容量を比較してSOHを算出する。
    2. 初期バッテリー容量を、最初の3回の安定化サイクル中に記録された最大放電容量と定義する。
    3. SOHを、現在のサイクルの容量と設定された初期容量ベースラインとの比率として算出する。
    4. 安定したバッテリー容量が維持されなくなる動作閾値を特定し、RULを推定する。
    5. バッテリー容量が定格容量の80%未満に不可逆的に減少したサイクル数を寿命（end of life）と定義する。
    6. RULを、現在の観測点から定義された寿命閾値までの残りサイクル数として算出する。
    7. 記録された放電条件から放電可能エネルギーを予測する。
    8. 台形積分法を用いて、放電区間における放電電圧と放電電流の積を数値積分し、正解値（ground-truth）となる放電可能エネルギーを算出する。
  3. 予測性能の評価
    1. 各予測ターゲットについて、平均絶対誤差（MAE）、平方根平均二乗誤差（RMSE）、平均絶対パーセント誤差（MAPE）、および決定係数（R2）を算出する。
    2. 標準化された統計式を用いて、Scikit-learnのmetricsモジュールで全ての評価指標を算出する。
    3. 評価の一貫性を維持するため、全てのモデル、データセット、および入力構成にわたって同一の指標計算を適用する。
    4. 独立したテストデータセット内のプールされたバッテリーサンプル全体で全ての性能指標を集計し、モデルの全体的な汎化性能を評価する。
  4. 層別性能の報告
    1. 繰り返し実施した実験ランについて、各評価指標の平均値と標準偏差を算出する。
    2. 5回の独立したモデル初期化から、報告する統計量を導出する。
    3. 予測の不確実性を定量化するため、平均性能指標とともに95%信頼区間を報告する。
    4. 異なる観測ウィンドウ長および入力チャネル構成におけるモデル性能を比較する。
    5. 50サイクル、100サイクル、および200サイクルに対応する観測ウィンドウを用いて、比較分析を層別化する。
    6. 容量のみの入力からフルマルチチャネルテンソル統合まで、複数の入力構成にわたって予測性能を評価する。評価、堅牢性スクリーニング、および展開選択のワークフローについては、Figure 1Cを参照すること。

5. 再現性、堅牢性、および感度分析

  1. 再現性と堅牢性の検証
    1. Figure 2Aに示されるすべての再現性評価において、同一のデータパーティション、前処理ワークフロー、および実験手順を維持する。
    2. 繰り返し試行における主要な評価指標の変動係数を算出し、再現性の一貫性を評価する。
    3. 標準化された同一のトレーニングおよびテストワークフローを用いて、すべての評価手順を繰り返す。
    4. 決定論的なデータロードおよびシャッフル手順は維持しつつ、ランダム化されたネットワーク重みを用いて各繰り返し評価を初期化する。
  2. 反復トレーニング実験の実施
    1. 再現可能な重みの初期化を保証するため、あらかじめ定義された固定ランダムシード値を用い、同一の実験条件下で予測モデルのトレーニングを繰り返し行う。
    2. データ由来の変動を低減するため、同一のデータセットパーティションを用いて5回の独立したトレーニングランを実施する。
    3. 5回の反復トレーニングランから得られた評価指標を平均し、最終的な性能指標を算出する。
    4. 生の予測テンソルを結合させるのではなく、平均化された評価スコアを用いて最終的な堅牢性指標を集計する。
  3. ハイパーパラメータ感度の評価
    1. 感度分析において、学習率、バッチサイズ、隠れ層の次元、およびドロップアウト率を個別に変更する。
    2. 学習率は1 × 10−4から1 × 10−2、バッチサイズは32から128、隠れ次元は32から256、ドロップアウト率は0.1から0.5の範囲で評価する。
    3. 各ハイパーパラメータの調整後における予測精度の対応する変化を記録する。
    4. RMSEおよびR2を用いて、予測性能の変動を定量化する。
  4. 特徴量アブレーション解析の実施
    1. マルチチャンネル入力ストリームから、温度、内部抵抗、およびエンジニアリング特徴量ベクトルを含む、選択した入力チャンネルを除去する。
    2. 残りのマルチチャンネル入力構造を維持したまま、一度に1つの特徴量グループを除去するリーブワンアウト戦略を用いて特徴量アブレーションを行う。
    3. 各特徴量除去実験後の予測性能を比較し、個々の特徴量グループがモデルの安定性と精度に与える寄与度を評価する。
    4. 完全に統合されたマルチチャンネルベースラインモデルに対する平均絶対誤差の増加率を算出し、各特徴量グループの相対的な寄与度を定量化する。堅牢性評価および感度分析のワークフローについてはFigure 2Bを参照のこと。

データ表現評価のためのマルチチャンネル前処理ワークフローおよびCNN-LSTM解析図
図2標準化された前処理、ロバスト性評価、および感度分析のワークフロー。 (A) 生のサイクリング信号処理、タイムスタンプ校正、外れ値除去、リサンプリング、正規化、チャネルアライメント、およびテンソル構築を示す、標準化されたマルチチャネル前処理ワークフロー。入力表現戦略では、シングルチャネル入力、マルチチャネル生入力、およびエンジニアリングされた特徴量を組み合わせたマルチチャネル入力を比較する。(B) CNN–LSTMワークフローの体系的なハイパーパラメータ摂動、反復実行評価、特徴量アブレーション解析、交差検証、および外部検証を示すロバスト性と感度解析のパイプライン。 この図の拡大版を表示するには、ここをクリックしてください。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

マルチチャネルサイクリング信号とデータ分布

リチウムイオン電池のサイクル応答挙動を特性評価するために、代表的なマルチチャネルサイクル信号および性能分布の解析を行った。本研究では、コバルト酸リチウム（LCO）、ニッケル・コバルト・アルミニウム酸リチウム（NCA）、ニッケル・マンガン・コバルト酸リチウム（NMC）、およびLFPを含む、複数の化学系を代表する5つのリチウムイオン電池データセットを用いた（Table 1）。電圧、電流、容量、温度、内部抵抗、およびクーロン効率またはエネルギー効率などの主要なサイクル変数に、増分容量（IC）および微分電圧（DV）特性などのエンジニアリング特徴量を統合し、マルチチャネル特性評価フレームワークを構築した。CALCEデータセットの容量-電圧プロファイルおよびSOH分布（Figure 3A）、SANYOデータセットの平均電圧プロファイルおよびSOH分布（Figure 3B

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

本プロトコルで述べられている再現可能なDLワークフローは、マルチチャネルのサイクルデータを用いたリチウムイオン電池の性能の正確な予測を実証しました。このワークフローは、評価した実験条件下でのSOH推定において、テストMAE 0.024およびR2値 0.955を達成しており、電池のライフサイクル管理および蓄電モニタリングへの応用の可能性を支持する結果となりました11,12,13。

本プロトコルの大きな利点は、従来の電気化学的・物理的なPDEモデル5と比較して計算複雑性が低減されることです。物理ベースのアプローチはバッテリー劣化に関するメカニズム的な洞察を提供しますが、高レート放電条件やマルチチャネル動作環境下では、パラメータ同定の課題に直面することがよくあります。対照的に、本データ駆動型ワークフローは、セル化学の明示的な物理ベース...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者は、競合する資金的利益または利益相反がないことを宣言します。

謝辞

著者らは、本研究に必要な学術的環境および計算リソースを提供したSouthern University of Science and Technology物理学部およびケンブリッジ大学ホマートン・カレッジによる機関的支援に感謝いたします。また、CALCE、SANYO、PANASONIC、KOKAM、GOTIONを含む、オープンアクセスでリチウムイオン電池データセットを公開し、本包括的なマルチチャネル分析を可能にした研究機関および寄稿者に謝意を表します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
CALCEバッテリーデータセットメリーランド大学 高度ライフサイクル工学センター (CALCE)https://calce.umd.edu/battery-dataモデルの学習および検証用のマルチチャネル・リチウムイオン電池サイクルデータのソース
CUDA ToolkitNVIDIAVersion 11.8DLモデル学習のためのGPU加速
GOTION IFP20100140A データセットMendeley Datahttps://doi.org/10.17632/vpw4t7ytbx.2外部検証およびマルチチャネル電池劣化解析
KOKAM SLPB533459H4 データセットMendeley Datahttps://doi.org/10.17632/7w4y4fzzbb.1マルチチャネル電池劣化モデリングおよび検証
MatplotlibMatplotlib開発チームVersion 3.7.1モデル性能の可視化、感度解析、および再現性の結果の表示
NumPyNumPy開発者Version 1.24.3数値計算およびテンソル構築
PANASONIC NCR18650BD データセットMendeley Datahttps://doi.org/10.17632/wykht8y7tg.1マルチチャネルサイクルデータのソースおよび設計特徴量の抽出
PandasPandas開発者Version 2.0.3データの整理、前処理、および表形式データの管理
PyTorchPyTorch FoundationVersion 2.0.1CNN–LSTMモデルを含むディープラーニング・アーキテクチャの構築および学習
PythonPythonソフトウェア財団Version 3.10.12データ前処理、特徴量エンジニアリング、モデル学習、および評価
SANYO UR18650E データセットNASA Prognostics Data Repositoryhttps://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/再現性評価およびモデル検証用のマルチチャネルサイクルデータのソース
Scikit-learnScikit-learn開発者Version 1.2.2ベースラインモデルの実装、データセットの分割、および性能指標の算出

参考文献

  1. Lu J, Xiong R, Tian J. Deep learning to estimate lithium-ion battery state of health without additional degradation experiments. Nat Commun. 2023;14:2760.
  2. Zhang H, Li Y, Zheng S. Battery lifetime prediction across diverse ageing conditions with inter-cell deep learning. Nat Mach Intell. 2025;7:270–7.
  3. Zhang Y, et al. State-of-health estimation for lithium-ion batteries via incremental energy analysis and hybrid deep learning model. Batteries. 2025;11(6):217.
  4. Liu C, et al. Deep learning for state of health estimation of lithium-ion batteries in electric vehicles: A systematic review. Energies. 2025;18(6):1463.
  5. Chen C, Wei J, Li Z. Remaining useful life prediction for lithium-ion batteries based on a hybrid deep learning model. Processes. 2023;11(8):2333.
  6. Chen B, et al. Lithium-ion battery state of health estimation based on feature reconstruction and Transformer-GRU parallel architecture. Energies. 2025;18(5):1236.
  7. Zhao W, Ding W, Zhang S, Zhang Z. Enhancing lithium-ion battery lifespan early prediction using a multi-branch vision transformer model. Energy. 2024;302:131816.
  8. Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
  9. Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
  10. Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
  11. Li Y, et al. State-of-health prediction of lithium-ion batteries using feature fusion and a hybrid neural network model. Energy. 2025;319:135163.
  12. Zhou J, et al. Deep learning estimation of state of health for lithium-ion batteries using multi-level fusion features of discharge curves. J Power Sources. 2025;653:237781.
  13. Wang Y, et al. A comprehensive review of machine learning-based state of health estimation for lithium-ion batteries: Data, features, algorithms, and future challenges. Renew Sustain Energy Rev. 2025;224:116125.
  14. Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
  15. Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
  16. Yang H, et al. Privacy-preserving collaborative battery fault warning for massive electric vehicles by heterogeneous data from charging stations. Nat Commun. 2026;17:974.
  17. Liu Y, et al. A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments. Appl Energy. 2024;358:122555.
  18. Bockrath S, Lorentz V, Pruckner M. State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles. Appl Energy. 2023;329:120307.
  19. Zhang Z, et al. Multi-cycle charging information guided state of health estimation for lithium-ion batteries based on pre-trained large language model. Energy. 2024;313:133993.
  20. Li Z, Zhang X, Gao W. State of health estimation of lithium-ion battery during fast charging process based on BiLSTM-Transformer. Energy. 2024;311:133418.
  21. Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
  22. He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
  23. Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
  24. Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
  25. Han T, et al. Source-free dynamic weighted federated transfer learning for state-of-health estimation of lithium-ion batteries with data privacy. IEEE Trans Power Electron. 2024;39(11):15085–100.
  26. Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

タグ

お問い合わせ
図書館に推薦する

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。