改良型貧富最適化アルゴリズムに基づく改良MobileNetによるリチウムイオン電池の状態推定

なぜ賢いバッテリー診断が重要なのか

リチウムイオン電池は、私たちのスマートフォンやノートパソコン、電気自動車、電力網の一部まで静かに動かしています。しかし人と同様に電池も劣化し、その健康状態を誤って評価すると航続距離の低下といった煩わしさから、危険な故障や発火まで様々な問題が生じ得ます。本論文は、実用的なバッテリーマネジメントシステム上で十分に高速に動作する小型の人工知能モデルを用い、極めて低い誤差で電池の健康状態を推定する新たな「脈拍測定」法を紹介します。

電池の真の状態を見守る

バッテリーパックは、電圧・電流・温度を継続的に監視して安全域を保つバッテリーマネジメントシステム（BMS）によって管理されます。その最も難しい仕事の一つがSOH（State-of-Health：健康状態）の推定です。SOHは、新品時と比べてどれだけ有用な寿命が残っているかを示しますが、通常の使用中に直接測定することはできないため、日常的に計測される信号から推定する必要があります。従来の物理モデルは精度が出ることもありますが、複雑で遅く、電池設計や動作条件に敏感です。機械学習に基づくデータ駆動の手法は柔軟性を約束しますが、多くの高性能なディープラーニングモデルは車両や定置型蓄電の小型低消費電力チップ上で動かすには重すぎます。

生の信号から劣化の微妙な兆候へ

著者らは、NASAの広く使われる電池劣化実験を含む複数の既知の研究データセットから得られた実測データを丁寧に前処理することから始めます。各充放電サイクルでは、数千サイクルにわたり毎秒一回の頻度で電圧・電流・温度を記録します。これらの生信号から、劣化に特に敏感な特徴を抽出します。たとえば定電流充電中の電圧曲線の形状を解析したり、微分容量曲線（incremental capacity curve）を算出して、各電圧で流れる電荷量のわずかな変化を浮き彫りにします。電池が摩耗するに従って、これらの曲線は形状や位置を微妙に変え、内部劣化の指紋のような情報を提供します。その結果、ニューラルネットワークに入力できるきれいに正規化された一次元時系列データ群が得られます。

電池信号に合わせた軽量ニューラルネットワーク

これらの信号をSOH推定に変換するために、研究は軽量な画像認識ネットワーク群であるMobileNetを適応させます。画像ではなく、時間に沿って走査する一次元畳み込みを中心にモデルを再設計し、充電中の電圧や電流の時間変化に現れるパターンを検出できるようにしています。さらに、Squeeze-and-Excitationと呼ばれる小さな注意機構を加え、劣化とともに顕著に変化する電圧領域など、信号中で最も情報量の多い部分にネットワークが注目できるようにしています。出力はカテゴリではなく連続的なSOH値を予測するよう整形され、予測値と真値の差を最小化するよう学習させます。これらの改良を加えてもモデルは小さく保たれ、約110万パラメータで平均予測時間は数ミリ秒程度にとどまります。

アルゴリズムに調整を任せる

ディープラーニングモデルには学習率やフィルタ数、ドロップアウトの強さといった多くのハイパーパラメータがあります。これらを手作業で調整する代わりに、著者らはModified Poor and Rich Optimization（MPRO）と呼ばれるメタヒューリスティック最適化器を用います。社会における富裕層と貧困層の相互作用に着想を得たこのアルゴリズムは、候補となるハイパーパラメータ集合の集団を維持し、それらを反復的に改善します。「富める」候補は「貧しい」候補から距離を取り、「貧しい」候補は成功パターンへと近づくように動きます。論文では探索性を高めるためにカオス的な数学写像を導入してこの仕組みを強化しています。各候補についてMobileNetを訓練し、検証データ上の誤差で評価して、MPROは精度と単純さのバランスを取る構成へと徐々に収束します。

実際の性能はどれほどか

NASA、CALCE、Oxfordの3つの独立データセットと複数の電池で評価したところ、MPROで最適化した改良MobileNetシステムは、NASAデータで平均二乗平均平方根誤差（RMSE）がおよそ0.5パーセントポイントと高精度を示し、より大きなTransformer系ネットワークや再帰型ネットワーク、ランダムフォレスト、サポートベクターマシンなどの強力な代替手法を上回りました。最悪の個別予測誤差でさえ約1パーセントポイント近辺に収まっており、保証管理、交換時期の計画、不安全動作の回避といった用途で有用な精度水準です。重要なのは、この性能を達成しつつ、より重いディープラーニング手法よりもはるかに少ないメモリと計算量で動作するため、電気自動車や系統蓄電の組込みBMSハードウェアでの実装が現実的だという点です。

日常の電池利用にとっての意味

非専門家に向けた要点は、この研究が標準的なバッテリーシステムが既に計測しているデータだけで、賢く効率的なAIが電池の“実際の年齢”を信頼性高く追跡できることを示した点です。より良いSOH推定は、自動車メーカーや電力事業者が安全に電池寿命を延ばし、問題が顕在化する前に保守を計画し、使用済み電池を要求の低い二次用途に回せるかどうかを判断するのに役立ちます。手法はまだ現場のより騒がしい実運用条件での実地試験を必要としますが、ほぼ臨床的な精度で自分自身の状態を把握できるバッテリーシステムへの一歩を示しており、背後で安全性、性能、持続可能性を静かに向上させる可能性があります。

引用: Hajlaoui, R., Shalaby, M., Alfilh, R.H.C. et al. An improved MobileNet based on a modified poor and rich optimization algorithm for lithium-ion battery state-of-health estimation. Sci Rep 16, 7689 (2026). https://doi.org/10.1038/s41598-026-38275-3

キーワード: リチウムイオン電池, 健康状態（State of Health）, バッテリーマネジメントシステム, ディープラーニング, MobileNet