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

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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。

プロトコル

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究では、公開されているリチウムイオン電池のサイクルデータセットのみを利用し、ヒトの被験者、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あった。

1. データの取得と整理

  1.  マルチチャネルサイクルデータセットの取得
    1. 充放電サイクル記録を含む公開バッテリーリポジトリから、リチウムイオン電池のサイクル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、および GOTION のデータセットは、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いこと、および定電流・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、連続性を検証する。
  2. 生サイクルデータのフィルタリング
    1. 生サイクルデータ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。後続のマルチチャネル特徴量融合には完全な物理入力変数セットが必要であるため、これらの必須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、未定義の試験手順、または不明確な充放電停止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を示したもの、化学組成固有の動作範囲外の電圧測定値、または非単調なタイムスタンプ間隔を持つもの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. 保持したサイクル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) を使用して保存する。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で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いたグルーピングを実装する。
      ​注：前処理、正規化、再サンプリング、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% を使用して、マルチチャネル観測ウィンドウを構築する。20% ライフサイクル閾値は、寿命末期の容量低下前の全サイクル寿命に 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. 充電サイクル生データの前処理
    1. すべての電池ソース間でデータ品質を標準化するため、充電サイクル生データセットに一貫した前処理を行います。すべての前処理、同期化、および標準化手順は、時系列操作のためのPandasライブラリと数値補間のためのSciPyを備えたPython 3.10を使用して実行します。
    2. 後続の解析の前に、外れ値の除去、欠損値の検出、タイムスタンプの校正、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います。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します。
    3. すべての数値配列にわたってNaNフラグ識別を用い、欠損値を自動的に検出します。電流の極性に従って、正の電流値を充電サイクルに、負の電流値を放電サイクルに割り当てることで、充電フェーズと放電フェーズを区別します。
    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します。
  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または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します。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中央サンプリング周波数に対して10%以上乖離した場合に、自動リサンプリングをトリガーします。
    2. プラットフォーム固有の記録変動を抑えるため、各サイクル内のサンプリングポイント数を標準化します。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空間グリッド上にマッピングします。
    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ポイントに圧縮または拡張します。
  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軽減するため、モデル学習の前にすべての連続変数を正規化します。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の数値範囲に変換します。
    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します。初期サイクルの予測における前方時間データリークのリスクを軽減するため、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します。
  4. マルチチャネル入力テンソルの構築
    1. 各電池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します。時間セグメントを、最初の50サイクル、最初の100サイクル、または電池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構成します。
    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ます。
    3. 整合された特徴行列を、(N × 128 × C)の形式の3次元テンソルに結合します。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ポイントを、Cは物理的およびエンジニアリングされた特徴チャネルの総数を表します。
  5. エンジニアリング特徴量の抽出
    1. 劣化パターンの特定精度を向上させるため、充電サイクル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します。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、微分容量および微分電圧特徴量を計算します。
    2. Savitzky–Golayフィルタを適用し、平滑化された微分容量および微分電圧曲線を作成します。
    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します。

3. DLモデルの構築と学習

  1. 候補予測モデルの構築
    1. 図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以降を用いて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に設定する。
    4. Scikit-learnライブラリを通じて、学習率0.1、最大決定木深さ5として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、Gaussian Error Linear Unit活性化関数、隠れ次元128、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リング情報を融合するようにCNN–LSTMアーキテクチャを設定する（図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持つ2つのスタックされたリカレント層に連結して、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特徴を抽出するため、カーネルサイズ3、5、7の3つの連続した1次元畳み込み層で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した時間シーケンスに再形成する。
    6. 符号化された時間シーケンスをスタックされたリカレント層に入力し、定義済みの観測ウィンドウ全体にわたる長期的な劣化依存性を捉える。
  3. モデルトレーニングのためのデータセット分割
    1. 処理済みの電池セルデータセットを、70:15:15の比率でトレーニング、検証、およびテストのサブセットに分割する。固定乱数シード値42を用い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において劣化分布のバランスを維持するため、電池化学組成に基づく層化抽出を適用する。
    3. 順次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、厳密に電池セル単位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、分割中は各電池セルを分割不可能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における電池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、データセットの分離をプログラム的に検証する。
    6. 分布外評価およびデータセット間の汎化性能評価のため、GOTIONリン酸鉄リチウム（LFP）の完全なデータセット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支援するため、ソースコード、環境設定ファイル、および処理済みのデータセット分割を専用の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な重み付けで集計し、グローバルなトレーニング目的関数を計算する。
    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、より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、予備的な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。
  5. トレーニング制御の適用
    1. 検証損失の変化に基づく動的な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かった場合、学習率を0.5倍に減少させる。
    2. 最適化の間、最小学習率しきい値を1 × 10−5に維持する。
    3. 過学習を抑制するため、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しない場合は、早期停止を適用する。最高性能を示した検証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、固定乱数シード値42を設定する。
    2. 非決定的なCUDA操作を無効にしながら、Pythonのrandomモジュール、NumPy、およびPyTorchバックエンドにわたって固定乱数シードを一貫して適用する。
    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または同等以上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。

figure-protocol-1
図 1. マルチチャネル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（DL）ワークフロー。（A）マルチチャネルデータ収集、標準化された前処理、テンソル構築、モデルトレーニング、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。再現性の管理には、固定乱数シード、トレーニングの繰り返し実行、パラメータトラッキング、および環境ロギングが含まれる。（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、および劣化状態（SOH）、残寿命（RUL）、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の最適化、および最終モデルの選択を示す評価およびデプロイメントパイプライン。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. モデルの評価と標的予測

  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、勾配無効化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の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容量を比較してSOHを算出する。
    2. 初期バッテリ容量を、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の比率として計算する。
    4. 安定したバッテリ容量が維持できなくなる動作しきい値を特定し、RULを推定する。
    5. 寿命（end of life）を、バッテリ容量が定格容量の80%未満に不可逆的に減少したサイクル数と定義する。
    6. RULを、現在の観測点から定義された寿命しきい値までの残りの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. 標準的な統計公式を用いたScikit-learnのmetricsモジュールを使用して、すべての評価指標を計算する。
    3. 評価の一貫性を維持するため、すべてのモデル、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. 独立テストデータセット内のプールされたバッテリサンプル全体で、すべ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. 繰り返しの実験ランにわたり、各評価指標の平均値と標準偏差を算出する。
    2. 報告する統計量は、5回の独立したモデル初期化から導出する。
    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、およびデプロイメント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、ロバスト性および感度分析

  1. 再現性と堅牢性の検証
    1. 図2Aに示すすべての再現性評価において、同一のデータ分割、前処理ワークフロー、および実験手順を維持する。
    2. 再現性の一貫性を評価するため、繰り返しの試行における主要評価指標の変動係数を算出する。
    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. 決定論的なデータ読み込みおよびシャッフル手順は維持しつつ、各繰り返しの評価においてネットワークの重みをランダムに初期化する。
  2. トレーニング実験の繰り返し実施
    1. 重み初期化の再現性を確保するため、事前定義された固定の乱数シード値を用い、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. データに起因する変動を抑えるため、同一のデータセット分割を用いて5回の独立したトレーニングランを実施する。
    3. 5回の繰り返しトレーニングランから得られた評価指標を平均し、最終的なパフォーマンス指標を算出する。
    4. 生の予測テンソルを統合するのではなく、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約する。
  3. ハイパーパラメータの感度評価
    1. 感度分析の間、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. 学習率を 1 × 10−4 から 1 × 10−2、バッチサイズを 32 から 128、隠れ層の次元を 32 から 256、ドロップアウト率を 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、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、予測パフォーマンスの変動を定量化する。
  4. 特徴量アブレーション分析の実施
    1. マルチチャネル入力ストリームから、温度、内部抵抗、および設計した特徴量ベクトルを含む選択した入力チャネルを除去する。
    2. 残りのマルチチャネル入力構造を維持しながら、一度に1つの特徴量グループを除去するleave-one-out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パフォーマンスを比較し、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. 完全統合されたマルチチャ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計算し、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、図2Bを参照すること。

figure-protocol-2
図2標準化された前処理、堅牢性評価、および感度分析のワークフロー。 (Araw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、チャネル整合、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raw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している。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、ロバスト性と感度分析のパイプライン。 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。

結果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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徴づけるため、代表的なマルチチャンネルの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使用した（表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を、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と統合し、マルチチャン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（図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（図3B）、PANASONICデータセットの劣化軌跡（図3C）、KOKAMデータセットの電圧進展ヒートマップ（図3D）、およびGOTIONデータセットの電圧分布プロファイル（図3E）により、評価した電池化学系間で異なる劣化挙動が示された。例えば、GOTION IFP20100140AデータセットはLFP系に一般的に見られる階段状の電圧特性を示した一方で、PANASONIC NCR18650BDデータセットでは、長期サイクルに伴う電圧プロファイルの変化を伴う漸進的な容量劣化が認められた。

データセットID電池の種類 / モデル化学形式細胞数分析済み総サイクル数使用されたサイクル初期ウィンドウ1サイクルあたりのサンプリングポイント数コアサイクリングチャンネル追加の状態チャネル派生特徴量予測ターゲット
データセット #1CALCE LCO電池LCOポーチ384,216最初の50回、最初の100回、寿命の最初の20%128電圧、電流、時間、容量温度、内部抵抗dQ/dV、dV/dQ、充電時間、放電エネルギーSOH、RUL、放電可能エネルギー
データセット #2SANYO UR18650ENCA円筒形18650242,487最初50回、最初100回、寿命の最初の20%128電圧、電流、時間、容量温度、クーロン効率dQ/dV、電圧プラトー勾配、エネルギー効率SOH、RUL、放電可能エネルギー
データセット #3PANASONIC NCR18650BDNCA円筒形18650425,134最初の50サイクル、最初の100サイクル、寿命の最初の20%128電圧、電流、時間、容量温度、内部抵抗、クーロン効率dQ/dV、dV/dQ、充電時間、エネルギースループットSOH、RUL、放電可能エネルギー
データセット #4KOKAM SLPB533459H4NMCポーチ191,968最初の50回、最初の100回、寿命の最初の20%128電圧、電流、時間、容量温度、内部抵抗dQ/dV、放電時間、電圧勾配SOH、RUL、放電可能エネルギー
データセット #5GOTION IFP20100140A局所場電位プリズマティック576,482最初の50回、最初の100回、寿命の最初の20%128電圧、電流、時間、容量温度、内部抵抗、エネルギー効率dQ/dV、プラトー持続時間、充放電エネルギーSOH、RUL、放電可能エネルギー

表1：再現可能なDLワークフローで使用されたリチウムイオン電池データセット、マルチチャネルサイクル変数、エンジニアリング特徴量、および予測ターゲットの特性。本表は、本研究に含まれるリチウムイオン電池データセットをまとめたものであり、電池化学、セル形式、セル数、合計分析サイクル数、観測ウィンドウ、サンプリング密度、マルチチャネルサイクル変数、エンジニアリングされた電気化学的特徴量、およびモデルの開発と評価に使用された予測ターゲットが含まれています。略語：SOH = ヘルスステート（劣化状態）；RUL = 残存有効寿命；LCO = コバルト酸リチウム；NCA = ニッケル・コバルト・アルミニウム酸リチウム；NMC = ニッケル・マンガン・コバルト酸リチウム；LFP = リン酸鉄リチウム。

figure-results-1
図3. リチウムイオン電池データセットにおける代表的なマルチチャネルサイクルプロファイルおよび電池劣化状態の分布。(A) CALCEリチウムコバルト酸化物データセットの容量-電圧プロファイルおよびSOH分布。(B) SANYOニッケルコバルトアルミニウム酸化物データセットの平均電圧プロファイルおよびSOH分布。(C) PANASONICニッケルコバルトアルミニウム酸化物データセットの劣化軌跡および累積SOH分布。(D) KOKAMニッケルマンガンコバルト酸化物データセットの電圧推移ヒートマップおよびSOHサンプル分布。(E) GOTIONリン酸鉄リチウムデータセットの電圧分布プロファイルおよびSOHと内部抵抗の関係。 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。

エネルギー貯蔵における総合的な予測性能

提案したワークフローは、すべての評価タスクにおいて低い予測誤差と一貫した予測性能を示した（表2）。SOH推定において、本モデルは検証データセットで0.021、テストデータセットで0.024のMAEを達成し、対応するR2値はそれぞれ0.962および0.955であった。これらの結果は、評価条件下での連続的なバッテリーヘルス推定において、安定した予測性能を有することを示している。また、本ワークフローはRULおよび放電可能エネルギーの推定においても信頼性の高い予測能力を示し、テストデータセットにおけるR2値はそれぞれ0.927および0.941であった。予測の安定性をさらに評価するため、同一のデータセット分割を用い、5回の独立したモデル初期化にわたってすべての性能指標を算出した。その結果、繰り返しの評価において標準偏差および変動係数の値は低く維持されており、確率的な初期化に対する感度が低く、繰り返しのトレーニング条件下で安定した予測挙動を示すことが明らかになった。加えて、95%信頼区間は繰り返し試行において狭い変動を示し、提案したマルチチャネルワークフローの堅牢性と再現性が裏付けられた。

予測タスクデータセットの分割MAERMSEMAPE (%)R²
SOH推定検証用0.0210.0292.470.962
SOH推定テスト用0.0240.0332.830.955
RUL予測検証用18.625.98.740.938
RUL予測テスト用21.429.79.630.927
放電可能エネルギー予測検証用0.0870.1213.180.948
放電可能エネルギー予測テスト用0.0940.1293.560.941

表2：検証データセットおよびテストデータセットにおけるリチウムイオン電池性能推定のための再現可能なDLワークフローの予測性能。この表は、検証データセットおよびテストデータセットを用いたSOH推定、RUL予測、および放電可能エネルギー予測に対する、提案ワークフローの予測性能をまとめたものである。性能指標には、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）が含まれる。略語：SOH = state of health（劣化状態）；RUL = remaining useful life（残寿命）；MAE = mean absolute error（平均絶対誤差）；RMSE = root mean square error（平方根平均二乗誤差）；MAPE = mean absolute percentage error（平均絶対パーセント誤差）。

DLアーキテクチャ間の性能比較

異なるネットワークアーキテクチャおよび入力構成での評価により、予測性能に大きなばらつきがあることが示されました（表3）。再現性に基づくアーキテクチャ選択の前後のRMSE分布を図4Aに示します。深層ニューラルネットワークアーキテクチャは、シーケンスベースおよびハイブリッドアーキテクチャと比較して、相対的に高いMAEおよびRMSE値を示しました。異なるマルチチャネル入力構成間の比較を図4Bにまとめます。局所的な特徴抽出とサイクル間の時間的モデリングの両方を組み込んだモデルは、評価条件下で予測精度の向上が認められました。予測の変動性が低いモデルは、一般的に標準偏差が小さく、平均性能スコアが高いグループに集まっていました（図4C）。評価した入力構成における平均性能と標準偏差の関係を図4Dに示します。テストした構成の中で、CNN–LSTMアーキテクチャは、評価したデータセットおよび実験設定において、最も低いMAE（0.024）と最も高いR2値（0.955）を達成しました。さらに、設計された特徴量をフルマルチチャネル入力に統合することで、MAEは0.022、R2値は0.961まで低下しましたが、容量のみの入力では予測性能の低下が認められました。

カテゴリーモデル／入力構成平均絶対誤差二乗平均平方根誤差MAPE (%)R²
ディープラーニングアーキテクチャディープニューラルネットワーク（DNN）0.0310.0423.580.928
畳み込みニューラルネットワーク0.0270.0373.140.941
長短期記憶 (LSTM)0.0260.0363.050.944
CNN–LSTM0.0240.0332.810.955
トランスフォーマー0.0250.0342.890.951
入力構成容量のみ0.0340.0463.920.916
電圧＋電流0.0290.0393.290.936
フルマルチチャンネル入力0.0240.0332.830.955
マルチチャネル＋エンジニアリング特徴量0.0220.0312.610.961

表3：DLアーキテクチャおよび入力構成による予測性能の比較。この表は、再現可能なマルチチャネルワークフローで使用された異なるDLアーキテクチャおよび入力構成の予測性能を比較したものである。性能指標には、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）が含まれる。略語：DNN = ディープニューラルネットワーク、CNN = 畳み込みニューラルネットワーク、LSTM = 長・短期記憶、MAE = 平均絶対誤差、RMSE = 平方根平均二乗誤差、MAPE = 平均絶対パーセント誤差。

figure-results-2
図4再現性に基づくモデルアーキテクチャおよび入力構成の比較。 (A) 再現性に基づくアーキテクチャ選択前後の平方二乗平均平方根誤差分布。 (B安定したモデル選択の前後の、異なる入力構成における平均二乗誤差平方根の分布。C) 候補モデルアーキテクチャの平均性能と標準偏差の比較。色は二乗平均平方根誤差を示し、白抜き円は選択された安定モデルを示す。 (D) 入力構成の平均性能と標準偏差の比較。色は二乗平均平方根誤差を示し、白抜き円は選択された最適構成を示す。 こちらの図を拡大して表示するには、ここをクリックしてください。

誤差分布および一貫性の評価

従来のMLベースラインとDLアーキテクチャにおける予測の安定性を評価するために、絶対誤差分布の解析を行った。従来のMLベースラインでは、誤差分布がより広く、高誤差側の裾が長い傾向にあり、複雑な劣化パターンの予測タスクにおける安定性の低下が示された。評価したDLモデルの中では、CNN–LSTMアーキテクチャが比較的狭い誤差分布と短い高誤差裾を示し、局所的な特徴抽出と時系列シーケンスモデリングの統合が改善されていることが示唆された（図 5）。温度、内部抵抗、および効率に関連する変数を組み込むことで、評価したデータセット全体において予測誤差の分散が段階的に減少することが認められた。

figure-results-3
図 5. 従来の機械学習（ML）ベースラインおよびマルチチャネルDLモデルにおける絶対誤差分布。従来のMLベースライン、DLアーキテクチャ、およびマルチチャネル入力構成における絶対予測誤差の分布を比較したバイオリンプロット。黒線は平均絶対誤差を示し、色付きの線は平均 ± 標準偏差を示す。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。

バリデーションシナリオ全体における再現性と堅牢性

このワークフローは、繰り返しのトレーニングランおよび複数の検証戦略において、一貫した予測性能を維持しました（表 4）。固定されたデータ分割と固定されたランダムシード初期化を用いて実施した繰り返しランでは、R2値が安定して0.95以上を維持し、MAEの標準偏差も低く、安定した性能指標が得られました。5分割交差検証および外部検証データセットを用いた追加評価では、繰り返しの実験条件下で性能の変動が限定的であることが示されました。外部検証フェーズでは GOTION データセットのみを使用しましたが、このデータセットはモデルのトレーニングおよびハイパーパラメータ最適化の手順から完全に除外されていました。このデータセットは異なるLFP化学組成および角形セル構成を代表しているため、外部評価によって、不均一な電気化学的および構造的条件下におけるデータセット間汎化能の厳格な評価が可能となりました。さらに、変動係数分析および繰り返しラン評価により、独立した実験間での予測分散が低いことが示され、提案されたマルチチャンネルワークフローの堅牢性と再現性が裏付けられました。

検証設定性能指標平均標準偏差最小値最大値変動係数 (%)
固定データ分割による繰り返し実行 (n = 5)MAE0.0230.00210.0210.0269.13
RMSE0.0320.00280.0290.0368.75
MAPE (%)2.760.242.483.118.7
R²0.9570.0060.9490.9640.63
異なる乱数シードによる繰り返し実行 (n = 5)MAE0.0240.00240.0210.02710
RMSE0.0330.00310.0290.0379.39
MAPE (%)2.840.272.523.199.51
R²0.9540.0070.9460.9620.73
5-fold 交差検証MAE0.0250.0030.0220.02912
RMSE0.0340.00340.030.03910
MAPE (%)2.950.312.573.4110.51
R²0.9510.0090.940.9610.95
外部検証MAE0.0270.00320.0230.03111.85
RMSE0.0370.00380.0320.04210.27
MAPE (%)3.180.352.763.6711.01
R²0.9440.0110.9310.9561.17

表4：繰り返しのトレーニングランおよびバリデーション戦略における、提案されたマルチチャネルDLワークフローの再現性と堅牢性の分析。本表は、固定データパーティションでの繰り返し実行、異なる乱数シードを用いた繰り返し実行、5分割交差検証、および外部バリデーションにおける、提案ワークフローの再現性と堅牢性のパフォーマンスをまとめたものである。評価指標には、平均絶対誤差（MAE）、平方根平均二乗誤差（RMSE）、平均絶対パーセンテージ誤差（MAPE）、決定係数（R2）、標準偏差（SD）、および変動係数が含まれる。略語：MAE = 平均絶対誤差；RMSE = 平方根平均二乗誤差；MAPE = 平均絶対パーセンテージ誤差；SD = 標準偏差。

ハイパーパラメータ感度分析および特徴量アブレーション

ハイパーパラメータ感度分析により、予測性能が観測ウィンドウサイズ、活性化関数、隠れ層の次元サイズ、およびシーケンスモデルの深さに応じて変動することが示されました。観測ウィンドウサイズが予測誤差分布に及ぼす影響を図6Aに示します。評価した条件下では、100から200サイクルの観測ウィンドウで予測誤差が低くなる傾向にあり、一方で観測ウィンドウをより長くしても予測精度の向上は限定的でした。活性化関数に依存する予測の変動性を図6Bにまとめます。評価した条件下では、Rectified linear unit (ReLU) および Gaussian error linear unit (GELU) 活性化関数が、他の活性化関数と比較して低い予測誤差を示しました。隠れ層の次元サイズおよびシーケンスモデルの深さに対する予測性能の感度を図6Cに示します。隠れ層の次元が128で、シーケンスモデリング層が2〜3層の場合に予測性能が向上しましたが、浅いアーキテクチャや隠れ層の次元を削減すると予測誤差が増加しました。さらに、特徴量アブレーション分析により、エンジニアリングされた特徴量または効率関連の変数を削除すると、フルマルチチャネル構成と比較してMAEが増加することが示され（表5）、マルチチャネル入力とエンジニアリングされた電気化学的特徴量の組み合わせが予測性能の向上に寄与していることが示唆されました。

figure-results-4
図6ハイパーパラメータの変動に対する予測性能の感度。 (A) 入力ウィンドウサイズが予測誤差分布に及ぼす影響。 (B) 活性化関数の選択が予測誤差分布に及ぼす影響。(C) 隠限次元のサイズおよびシーケンスモデルの層数に対する予測感度を示すヒートマップ。黒線は平均絶対誤差を、色線は平均値を表す。 ± 該当する場合は標準偏差。 こちらの図を拡大して表示するには、ここをクリックしてください。

カテゴリー設定MAERMSEMAPE (%)R²
入力ウィンドウサイズ20 cycles0.0310.0433.740.927
50 cycles0.0260.0363.080.944
100 cycles0.0230.0322.710.957
150 cycles0.0220.0312.630.96
200 cycles0.0220.0312.590.961
250 cycles0.0230.0322.670.958
300 cycles0.0240.0332.790.955
活性化関数ReLU0.0230.0322.740.957
GELU0.0220.0312.610.961
Tanh0.0260.0363.050.946
Sigmoid0.0340.0473.960.918
隠れ層次元 / レイヤーあたりのチャネル数320.0280.0393.220.939
640.0240.0332.810.954
1280.0220.0312.580.961
2560.0230.0322.690.958
シーケンスモデリングレイヤー数10.0270.0383.140.942
20.0230.0322.730.956
30.0220.0312.60.961
40.0240.0342.860.952
特徴量アブレーションフルマルチチャネル + エンジニアリング特徴量0.0220.0312.610.961
エンジニアリング特徴量なし0.0240.0332.840.955
温度なし0.0250.0342.930.951
内部抵抗なし0.0260.0353.010.949
効率関連変数なし0.0250.0342.950.95
電圧 + 電流のみ0.0290.0393.290.936
容量のみ0.0340.0463.920.916

表5：異なるハイパーパラメータ設定および特徴量アブレーション構成におけるモデル性能の感度分析。この表は、提案されたマルチチャネルDLワークフロー内における予測性能に対する、入力ウィンドウサイズ、活性化関数、隠れ層次元サイズ、シーケンスモデルの深さ、および特徴量アブレーション戦略の影響をまとめたものである。性能指標には、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）が含まれる。略語：MAE = 平均絶対誤差、RMSE = 平方根平均二乗誤差、MAPE = 平均絶対パーセント誤差、ReLU = 整流線形ユニット、GELU = ガウス誤差線形ユニット。

ディスカッション

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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のパラメータ化を必要とせず、サイクルデータから非線形劣化挙動を直接モデル化します14。評価したデータセットおよび実験設定において、CNN-LSTMアーキテクチャは、単独のCNN、LSTM、およびトランスフォーマーベースのモデルよりも優れた予測性能を示しました。近年の研究では、不確実性推定を伴う劣化予測に対するトランスフォーマーアーキテクチャの有効性15や、不均一な充電データを用いたプライバシー保護型バッテリー故障予測におけるCNNの能力16が実証されています。しかし、本ワークフローでは、評価したラボ条件において予測精度、計算効率、および学習安定性のバランスが最適であったため、CNN-LSTMアーキテクチャを優先しました。畳み込み層がサイクル曲線から局所的な形態的特徴を抽出し、一方でLSTM層が繰り返されるサイクルパターンにわたる長期的な時間的依存性をモデル化しました17,18。ハイブリッドアーキテクチャは、単一ネットワーク構造と比較してモデルの複雑さを増大させますが、評価した実験条件下での計算要件は、実用的なバッテリー管理システムへの実装シナリオと互換性が維持されました。計算コストの大部分はオフラインでのモデル学習時に発生するため、推論フェーズは比較的軽量であり、クラウドベースの計算に継続的に依存することなく、リアルタイムのオンボード予測およびエッジレベルのバッテリー状態監視が可能となります。

本プロトコルの性能は、いくつかの極めて重要な前処理および入力設定ステップに強く依存します。まず、マルチチャネルのサイクル信号間における時間的関係を維持するためには、厳格な配列アラインメントおよびリサンプリング手順（ステップ 2.2）が不可欠です。予備評価において、マルチチャネル配列のアラインメントが不適切であると、予測安定性の低下およびモデル誤差の増加に関連することが示されました。次に、微分電圧特性などの設計された電気化学的特徴量を生のサイクル信号に統合することが、予測性能の向上に寄与しました。特徴量アブレーション解析により、設計された特徴量を温度および内部抵抗変数と共に保持した場合に、平均絶対誤差（MAE）の値が低くなることが実証されました19。さらに、設計された電気化学記述子をマルチチャネルの時間的特徴量と組み合わせることで、多様な動作条件下における複雑な劣化パターンを捉えるモデルの能力が向上しました20,21,22。本研究で導入された重要な手法上の安全策は、正規化スケーリング係数と特徴量エンジニアリングのベースラインを厳格に分離したことです。すべての統計的正規化パラメータおよび設計された特徴量の計算は、検証データセットおよびテストデータセットに適用される前に、トレーニングデータセットのみから導出されました。この手順により、早期サイクル予測およびクロスデータセット評価における情報漏洩（information leakage）のリスクが軽減され、結果として予測ワークフローの信頼性と再現性が向上しました。

本プロトコルの実行または変更において、CNN–LSTMの最適化中に学習の不安定性や勾配に関連する問題が発生することがあります。損失関数が収束しない、あるいはNaN値が生成される場合は、回帰的なシーケンスモデリング層内で勾配爆発が起きている可能性があります。このような状況では、勾配クリッピングの導入、初期学習率を1 × 10−3から1 × 10−4へ引き下げること、またはバッチサイズを適度に増やすことで、勾配更新が平滑化され、学習の安定性が向上することがあります。さらに、深い時系列モデリングにおいて、ReLUおよびGELU活性化関数は、シグモイド関数や双曲線正接関数と比較して勾配伝播の改善に関連していました。したがって、本研究で提示したハイパーパラメータ感度分析は、さまざまな学習条件下でワークフローの安定性と予測性能を最適化する際に、研究者の助けとなる可能性があります23。

評価条件下で達成された予測性能にもかかわらず、本プロトコルにはいくつかの制限があります。現在のワークフローは、主に研究室で制御された定電流・定電圧サイクルデータセットを用いて検証されています。電気自動車の実際のアプリケーションでは、バッテリーは確率的な充放電挙動、変動するユーザーの操作パターン、および劣化特性を変化させる可能性のある変動的な環境条件にさらされます。このような動的な動作条件下では、データ駆動型バッテリーモデルは、過去に観察されていない劣化軌道や環境条件によって予測の信頼性が低下する、分布外（out-of-distribution）のシナリオに遭遇する可能性があります。実際の展開環境における堅牢性を向上させるため、本ワークフローの今後の実装では、エビデンシャルDLや分位点回帰フレームワークなどの不確実性定量化戦略を組み込み、バッテリー状態の予測とともに校正された信頼区間を提供することが考えられます。さらに、ドメイン適応および転移学習の手法を用いることで、研究室で生成された劣化軌道と実世界でのサイクル挙動との間の分布の差を埋めることができる可能性があります24。連合学習や動的重み付け転移学習戦略は、ユーザーデータのプライバシーを維持しながら、大規模な研究室データセットを用いたモデルの事前学習と、その後の限定的な実世界の運用データによる微調整をさらに支援する可能性があります25。現在のフレームワークは、制御された研究室条件下で安定した予測性能を示しましたが、電気自動車の実際のBMSは、非常に動的な負荷プロファイルや変動する環境温度の下で動作しなければなりません。したがって、本ワークフローの今後の適応では、現実的な走行サイクルデータを組み込み、オンラインモデル更新戦略を導入することで、実世界での展開における予測信頼性を向上させることが有益であると考えられます。

データの分割、前処理、特徴抽出、および乱数シードの初期化手順を標準化することで、本プロトコルは応用バッテリーMLワークフローにおける再現性を向上させます26。ここで提示するマルチチャネル特徴統合戦略と再現性重視の学習フレームワークは、再生可能エネルギー貯蔵、電気自動車のモニタリング、および長期的なバッテリーライフサイクルアセスメントのための予測的BMSの今後の開発を支援する可能性があります。

開示事項

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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。

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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.

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

関連記事