电池的安全性估计装置以及电池的安全性估计方法与流程

本公开涉及电池的安全性估计装置以及电池的安全性估计方法。

背景技术：

近年来，对手机及笔记本电脑等电子设备以及车载用电源等中使用的二次电池要求高能量密度化，从该观点出发，可实现高能量密度化的非水电解质二次电池正在广泛普及。非水电解质二次电池例如具备正极、负极、介于它们之间的隔膜和非水电解质。为了提高体积效率、实现高能量密度化，已知具备将正极和负极隔着隔膜卷绕而成的电极组的结构的电池。

另外，在电池反复充放电的情况下的电池容量的劣化被称为寿命特性，是重要的电池特性之一。除寿命特性的评价要花费很长时间以外，需要在各种各样的条件下，在分离劣化要因的同时进行评价，其特性改良需要莫大的时间。近年来，公开了用于寿命特性的估计技术或长寿命化的控制技术(例如，专利文献1、2及3)。

另一方面，随着非水电解质二次电池的能量密度的增加，能量密度与安全性相互权衡，与电池的安全性相关的课题变大。

一般而言，非水电解质二次电池的安全性受到材料的热稳定性、设计的富余度以及生产过程的妥当性等的影响。对安全性的影响很大程度上依赖于正极活性物质的热稳定性，特别是针对来自充电状态的正极活性物质的氧释放的热稳定性。为了提高正极活性物质的热稳定性，大多进行合成工艺以及材料组成的研究。近年来，公开了通过使用了第一原理计算的手段来导出热稳定性更高的活性物质的材料设计的技术(例如，专利文献4)。

现有技术文献

专利文献

专利文献1：日本专利第5561268号公报

专利文献2：国际公开第2014/155726号

专利文献3：日本特开2013-217897号公报

专利文献4：日本特开2017-162790号公报

技术实现要素：

发明所要解决的课题

然而，如专利文献4那样，虽然报告了提高电池的安全性的材料设计技术，但是没有关于与电池的发热相关的安全性的估计技术的报告。

因此，在未知的设计的电池中，也希望实现能够根据电池的设计参数来估计与电池的发热相关的安全性的电池的安全性估计装置等。

用于解决课题的手段

为了解决所述课题，本公开的一个方式的电池的安全性估计装置具备：参数取得部，所述参数取得部取得电池的设计参数；计算部，所述计算部基于机器学习完成逻辑模型，根据所述设计参数计算所述电池的电压举动；以及输出部，所述输出部将所述电压举动作为与所述电池的发热相关的安全性的信息来输出。

另外，本公开的一个方式的电池的安全性估计方法包括：参数取得步骤，所述参数取得步骤取得电池的设计参数；计算步骤，所述计算步骤基于机器学习完成逻辑模型，根据所述设计参数计算所述电池的电压举动；以及输出步骤，所述输出步骤将所述电压举动作为与所述电池的发热相关的安全性的信息来输出。

发明效果

根据本公开，能够实现能够根据电池的设计参数来估计与电池的发热相关的安全性的电池的安全性估计装置等。

附图说明

图1是用于说明与电池的发热相关的安全性的估计中的课题的图。

图2是表示本实施方式的电池的安全性估计装置的结构的一例的功能框图。

图3是表示本实施方式的电池的安全性估计装置中的电池的安全性估计的方法的流程图。

图4是表示本实施方式的电池的安全性估计装置中的、构建机器学习完成逻辑模型的方法的流程图。

图5是表示用于安全性的估计的评价用电池的概略结构的剖视图。

图6是表示评价用电池中的产生的气体量与经过时间的关系的图。

图7是表示评价用电池中的电压与经过时间的关系的图。

图8是表示评价用电池中的电压举动与气体产生速度的关系的图。

图9是表示评价用电池中的、估计出的电压举动与实测出的电压举动的关系的图。

附图标记说明

1电池壳体

2封口板

3绝缘衬垫

4电极组

5正极

5a正极引线

6负极

6a负极引线

7隔膜

8绝缘环

10参数取得部

11设计参数

20计算部

30输出部

40存储部

41逻辑模型

42回归式

50学习数据取得部

51学习用设计参数

52学习用电压举动数据

53温度数据

54模型构建手段

60学习部

100安全性估计装置

具体实施方式

(成为本公开的基础的见解)

与现有的电池相关的估计技术是使用能够实测的电压、电流以及温度等的技术，或者使用预先在各种条件下测定的映射数据来估计电池的寿命特性的技术。另外，难以将以估计寿命特性为目的的现有的估计技术在安全性估计中展开。因此，希望实现在未知组合的设计的电池中能够估计与电池的发热相关的安全性的技术。

图1是用于说明与电池的发热相关的安全性的估计中的课题的图。如图1所示，与电池的发热相关的安全性和电池的温度举动的相关性高。因此，为了估计与电池的发热相关的安全性，来估计温度举动是直接的，一般性的。

其中，本发明者们在估计与电池的发热相关的安全性时，发现了以下见解。温度举动可以使用热电偶等容易地测定。另一方面，温度的举动的变化的时间分辨率差，由环境及测定条件等引起的误差要因较大。因此，在将电池的设计参数作为说明变量、将电池的温度举动作为目标变量来进行机器学习的逻辑模型中，温度举动的误差要因较大，无法高精度地估计温度举动。

另一方面，电池的气体产生速度与电池的温度举动的相关性高。另外，电池的电压举动也与电池的温度举动及电池的气体产生速度的相关性高。因此，通过估计电池的电压举动，能够估计电池的温度举动，进而，能够估计与电池的发热相关的稳定性。另外，电池的电压举动的变化的时间分辨率高，测定也容易。

在本公开中，提供一种能够根据电池的设计参数来估计与电池的发热相关的安全性的电池的安全性估计装置等。

本公开的一个方式的概要如下。

本公开的一个方式的电池的安全性估计装置具备：参数取得部，所述参数取得部取得电池的设计参数；计算部，所述计算部基于机器学习完成逻辑模型，根据所述设计参数计算所述电池的电压举动；以及输出部，所述输出部将所述电压举动作为与所述电池的发热相关的安全性的信息来输出。

由此，根据电池的设计参数估计电压举动，将电压举动作为电池的安全性的信息来输出。由此，本方式的电池的安全性估计装置即使在未知组合的设计的电池中，也能够根据电池的设计参数估计与电池的发热相关的安全性。

另外，例如，所述安全性估计装置还具备学习数据取得部，所述学习数据取得部取得学习用电池的学习用设计参数和表示所述学习用电池的电压举动的学习用电压举动数据；以及学习部，通过将所述学习用设计参数作为说明变量，将所述学习用电压举动数据作为目标变量，并使逻辑模型进行机器学习，从而构建所述机器学习完成逻辑模型。

由此，构建将测定容易、变化的时间分辨率高的电压举动作为目标变量并进行机器学习后的机器学习完成逻辑模型。另外，电压举动与电池的温度的相关性高。由此，本方式的电池的安全性估计装置在根据电池的设计参数估计与电池的发热相关的安全性的情况下，能够构建估计精度高的机器学习完成逻辑模型。

另外，例如，作为构建所述机器学习中的所述机器学习完成逻辑模型的方法，所述学习部也可以使用梯度提升法。

使用梯度提升法构建的机器学习完成逻辑模型能够以更高的估计精度根据电池的设计参数估计电池的电压举动。

另外，例如，所述计算部也可以基于学习用电池的电压举动和所述学习用电池的温度的相关关系，根据所述计算部计算出的所述电池的所述电压举动计算所述电池的温度，所述输出部还输出所述温度。

由此，借助根据电池的设计参数计算出的电池的电压举动来输出电池的温度。由此，能够更直接地估计与电池的发热相关的安全性。

另外，例如，在所述设计参数中，包含构成所述电池的一部分的(i)电极的尺寸、(ii)所述电极的密度、(iii)隔膜的尺寸、(iv)电解液的量、(v)所述电极或所述电解液的材料的组成、(vi)所述电极或所述电解液的材料的物性、以及(vii)所述电池的容量中的至少一个。

由此，在电池的设计参数中包含对电池的电压举动的估计贡献大的参数。因此，能够以更高的估计精度根据电池的设计参数估计电池的电压举动。

另外，本公开的一个方式的电池的安全性估计方法包括：参数取得步骤，所述参数取得步骤取得电池的设计参数；计算步骤，所述计算步骤基于机器学习完成逻辑模型，根据所述设计参数计算所述电池的电压举动；以及输出步骤，所述输出步骤将所述电压举动作为与所述电池的发热相关的安全性的信息来输出。

由此，根据电池的设计参数估计电池的电压举动，将电压举动作为电池的安全性的信息来输出。由此，本方式的电池的安全性估计方法即使在未知组合的设计的电池中，也能够根据电池的设计参数估计与电池的发热相关的安全性。

另外，例如，所述安全性估计方法还包含学习数据取得步骤，所述学习数据取得步骤取得学习用电池的学习用设计参数和表示所述学习用电池的电压举动的学习用电压举动数据；以及学习步骤，所述学习步骤通过将所述学习用设计参数作为说明变量，将所述学习用电压举动数据作为目标变量，并使逻辑模型进行机器学习，从而构建所述机器学习完成逻辑模型。

由此，构建将测定容易、变化的时间分辨率高的电池的电压举动作为目标变量并进行机器学习后的机器学习完成逻辑模型。另外，电池的电压举动与电池的温度的相关性高。由此，本方式的电池的安全性估计方法在根据电池的设计参数估计与电池的发热相关的安全性的情况下，能够构建估计精度高的机器学习完成逻辑模型。

以下，参照附图对本公开的实施方式进行说明。

此外，以下说明的实施方式均表示总括性或具体的例子。在以下的实施方式中示出的数值、形状、材料、构成要素、构成要素的配置位置以及连接方式、步骤、步骤的顺序等是一个例子，并非旨在限定本公开。另外，关于以下的实施方式中的构成要素中的未记载在独立权利要求中的构成要素，作为任意的构成要素进行说明。

(实施方式)

[电池的安全性估计装置的结构]

图2是表示本实施方式的电池的安全性估计装置100的结构的一例的功能框图。

如图2所示，本实施方式的安全性估计装置100具备参数取得部10、计算部20、输出部30、存储部40、学习数据取得部50、以及学习部60。

安全性估计装置100是对电池的安全性进行估计的安全性估计装置。具体而言，安全性估计装置100估计与电池的短路发生时的发热相关的安全性。

参数取得部10取得电池的设计参数11。参数取得部10例如是键盘等输入接口，通过输入电池的设计参数11，取得电池的设计参数11。另外，参数取得部10可以是与外部的通信接口，也可以通过读取电池的设计参数11的数据表来取得电池的设计参数11。

电池的设计参数11是构成电池的各要素的材料、特性、形状以及尺寸等。作为电池的设计参数11，从提高电池的安全性的估计精度的观点出发，例如是构成电池的一部分的(i)电极的尺寸、(ii)电极的密度、(iii)隔膜的尺寸、(iv)电解液的量、(v)电极或电解液的材料的组成、(vi)电极或电解液的材料的物性、以及(vii)电池的容量。

计算部20从参数取得部10接收电池的设计参数11。计算部20根据电池的设计参数11，基于模型式等的机器学习完成逻辑模型41来算出电压举动。电压举动例如是通过电压的平均值、偏差、微分或积分等计算出的值。

另外，进而，计算部20还可以基于表示电池的电压举动与电池的温度的相关关系的回归式42，根据计算出的电池的电压举动来计算电池的温度。电池的温度是短路发生后经过一定时间后的电池的温度，例如是短路发生10秒后的温度。

另外，计算部20也可以根据电池的设计参数11，基于机器学习完成逻辑模型41来计算电池的压力变化。电池的压力变化是指例如通过状态方程式将压力转换为气体体积的情况下的气体产生速度等。

计算部20也可以将接收到的设计参数11以及计算出的电池的电压举动等信息存储于存储部40。例如，包括设计参数11的电池相关的信息和计算出的电池的电压举动作为建立起对应的表被保存在存储部40中。

计算部20例如由cpu(centralprocessingunit)、ram(randomaccessmemory)以及rom(readonlymemory)等构成。

输出部30从计算部20接收电池的电压举动的计算结果。输出部30将电池的电压举动作为与电池的发热相关的安全性的信息而输出。输出部30例如由cpu、ram、rom以及显示器等构成，将与电池的发热相关的安全性的信息作为输出来显示。另外，输出部30也可以是包含通信接口的结构，所述通信接口用于将与电池的发热相关的安全性的信息作为输出发送到外部的存储装置或者外部终端。

另外，进而，输出部30还可以输出电池的温度的计算结果。另外，输出部30也可以将电池的温度的计算结果作为与电池的发热相关的安全性的信息而输出。

另外，输出部30也可以对存储于存储部40的、机器学习完成逻辑模型41以及回归式42进行输出。另外，输出部30在设计参数11以及计算出的电池的电压举动等信息存储于存储部40的情况下，也可以输出所存储的设计参数11以及计算出的电池的电压举动等信息。

在存储部40中存储有计算部20所使用的机器学习完成逻辑模型41以及回归式42。另外，在存储部40中也可以存储计算部20计算出的电池的电压举动和电池的温度。

机器学习完成逻辑模型41是通过使根据如下模型构建手段构建的逻辑模型进行机器学习而构建的机器学习完成的逻辑模型，所述模型构建手段包括梯度提升法、支持向量回归(supportvectorregression)法以及随机森林回归(randomforestregression)法等模型构建手段。从提高电池的安全性的估计精度的观点出发，机器学习完成逻辑模型41例如是使用梯度提升法进行机器学习后的机器学习完成的逻辑模型。在存储部40中，既可以存储一个学习完成逻辑模型41，也可以存储使用不同的模型构建手段进行机器学习的多个学习完成的逻辑模型41。

回归式42是表示电池的电压举动与电池的温度的相关关系的回归式。

在存储部40中也可以存储有用于在后述的学习部60中进行机器学习的逻辑模型以及机器学习中途的逻辑模型。

另外，在存储部40中也可以存储有与电池的电压举动对应的安全性判定基准。安全性判定基准是例如如果是阈值以下的电压举动，则判定为安全性高的基准。

存储部40由硬盘驱动器或固态驱动器等可改写的非易失性存储器构成。

学习数据取得部50取得电池的学习用设计参数51和学习用电压举动数据52。另外，也可以取得表示电池的温度的温度数据53。学习数据取得部50例如由键盘等输入接口或通信接口等构成。另外，学习数据取得部50也可以具备电压计等电压传感器以及热电偶、测温体等温度传感器，取得电压传感器以及温度传感器测定出的学习用电压举动数据52以及温度数据53。学习数据取得部50将取得的学习用设计参数51、学习用电压举动数据52以及温度数据53存储于存储部40。另外，学习数据取得部50还取得用于机器学习的模型构建手段54，并将模型构建手段54发送到学习部60。

电池的学习用设计参数51是与所述的设计参数11相同的参数。学习用设计参数51是由实际的电池(例如评价用电池)实测的数据。

学习用电压举动数据52是表示与电池的学习用设计参数51对应的电池的电压举动的实测数据。学习用电压举动数据52例如是短路发生后的电压举动等的实测数据。

温度数据53是表示与电池的学习用设计参数51对应的电池的温度的实测数据。温度数据53例如是从短路发生开始经过10秒后等经过一定时间后的电池的温度。

作为模型构建手段54，一般使用用于机器学习的模型构建手段。模型构建手段54例如可以列举出梯度提升法、支持向量回归法以及随机森林回归法等，可以是这些单独的模型构建手段，也可以是复合了多个模型的模型构建手段。其中，从提高电池的安全性的估计精度的观点出发，也可以使用梯度提升法。

学习部60通过将学习用设计参数51作为说明变量，将学习用电压举动数据52作为目标变量，使使用所取得的模型构建手段54构建出的逻辑模型进行机器学习，由此构建机器学习完成逻辑模型41。学习部60将构建出的机器学习完成逻辑模型41存储于存储部40。

另外，学习部60也可以根据学习用电压举动数据52和温度数据53导出回归式42。学习部60将导出的回归式42存储于存储部40。

学习部60例如由cpu、ram以及rom等构成。

机器学习完成逻辑模型41以及回归式42也可以由学习部60构建，也可以将预先构建好的机器学习完成逻辑模型41以及回归式42存储于存储部40。

[电池的安全性估计装置的动作]

接着，对如以上那样构成的电池的安全性估计装置100的动作进行说明。

首先，对电池的安全性估计装置100估计电池的安全性的方法进行说明。图3是表示电池的安全性估计装置100中的电池的安全性估计的方法的流程图。

如图3所示，首先，参数取得部10取得电池的设计参数11(s11)。参数取得部10将所取得的设计参数11发送到计算部20。参数取得部10可以取得1个电池的设计参数11，也可以取得多个电池各自的设计参数11。

接着，计算部20根据从参数取得部10发送的设计参数11，基于存储于存储部40的机器学习完成逻辑模型41，计算电池的电压举动(s12)。计算部20将计算出的电池的电压举动发送至输出部30。另外，计算部20也可以将计算出的电池的电压举动存储于存储部40。在参数取得部10取得了多个设计参数11的情况下，计算部20分别根据多个设计参数11来计算电池的电压举动。

电池的电压举动与电池的温度的相关性高。因此，能够通过计算电池的电压举动，估计与电池的发热相关的安全性。

接下来，计算部20基于电池的电压举动和电池的温度的回归式42，根据计算出的电池的电压举动来计算该电池的温度(s13)。计算部20将计算出的电池的温度向输出部30发送。计算部20也可以将计算出的电池的温度存储于存储部40。

接着，输出部30将从计算部20接收到的电池的电压举动作为与电池的发热相关的安全性的信息而输出(s14)。输出部30也可以将电池的电压举动作为与电池的发热相关的安全性的信息而直接输出。或者，输出部30也可以将与电池的发热相关的安全性的信息作为基于电池的电压举动的信息而输出。作为基于电池的电压举动的信息，例如可以列举出基于安全性判定基准的判定结果等。

接下来，输出部30输出从计算部20接收到的电池的温度(s15)。此外，步骤s14和步骤s15的顺序可以相反，也可以同时。

另外，在步骤s14中，输出部30也可以代替电池的电压举动而将电池的温度作为与电池的发热相关的安全性的信息而输出。

这样，安全性估计装置100根据电池的设计参数估计与电池的温度相关性高的电池的电压举动。由此，估计与电池的发热相关的安全性。由此，安全性估计装置100即使在未知组合的设计的电池中也能够根据电池的设计参数估计与电池的发热相关的安全性。

接着，对电池的安全性估计装置100构建机器学习完成逻辑模型41的方法进行说明。

图4是表示电池的安全性估计装置100中的、构建机器学习完成逻辑模型41的方法的流程图。

如图4所示，首先，学习数据取得部50取得电池的学习用设计参数51、表示该电池的电压举动的学习用电压举动数据52、该电池的温度数据53以及用于机器学习的模型构建手段54(s21)。该电池例如是为了机器学习用而准备的学习用电池。学习数据取得部50将学习用设计参数51、学习用电压举动数据52以及温度数据53存储于存储部40。学习数据取得部50例如取得关于100个以上、更优选300个以上的学习用电池的学习用设计参数51以及学习用电压举动数据52的组合。用于学习用设计参数51以及学习用电压举动数据52的取得的学习用电池的数量只要是以所构建的机器学习完成逻辑模型41为目的的估计精度以上的数量即可。

另外，学习数据取得部50将所取得的模型构建手段54发送到学习部60。

接着，学习部60通过接收到的模型构建手段54构建根据学习用设计参数51计算学习用电压举动数据52的模型式等的逻辑模型。学习部60将存储于存储部40的学习用设计参数51以及学习用电压举动数据52用于教师数据，将学习用设计参数51作为说明变量，将学习用电压举动数据52作为目标变量，使构建出的逻辑模型进行机器学习(s22)。由此，学习部60构建机器学习完成逻辑模型41(s23)。学习部60例如设定多种逻辑模型中的参数，并全面地使逻辑模型对这些参数的组合进行机器学习。学习部60将构建出的机器学习完成逻辑模型41存储于存储部40。

电池的电压举动测定容易、变化的时间分辨率高。因此，使用了电池的电压举动的学习用电压举动数据52作为构建估计精度高的机器学习完成逻辑模型41的教师数据是有用的。

在使用在步骤s23中构建的机器学习完成逻辑模型41来确认估计电池的安全性的精度的情况下，例如使用未用于机器学习的多个电池中的学习用设计参数51以及学习用电压举动数据52。在该情况下，例如，由机器学习完成逻辑模型41估计出的电压举动与该电池的学习用电压举动数据52的相关系数r²优选为0.4以上，更优选为0.7以上。

接下来，学习部60根据存储于存储部40的学习用电压举动数据52以及温度数据53导出回归式42(s24)。回归式42例如作为学习用电压举动数据52与温度数据53的线性近似的回归式而被导出。学习部60将构建出的回归式42存储于存储部40。

这样，在安全性估计装置100中，将测定容易、变化的时间分辨率高的电池的电压举动作为目标变量，来构建机器学习后的机器学习完成逻辑模型。另外，电池的电压举动与电池的温度的相关性高。由此，安全性估计装置100在根据电池的设计参数估计与电池的发热相关的安全性的情况下，能够构建估计精度高的机器学习完成逻辑模型。

(实施例)

以下，对制作评价用电池并对与电池的发热相关的安全性进行估计的实施例进行说明。此外，以下所示的实施例是一个例子，本公开并不仅限定于以下的实施例。

[电池的结构]

首先，对用于安全性的估计的评价用电池进行说明。图5是示意性地表示用于安全性的估计的评价用电池的结构的剖视图。

如图5所示，用于安全性的估计的评价用电池具备电池壳体1、收纳于电池壳体1的电极组4、以及分别配置于电极组4的上下的绝缘环8。电池壳体1在上方具有开口，该开口被封口板2封口。

电极组4具有将正极5和负极6隔着隔膜7多次卷绕成螺旋状的结构。从正极5引出例如由铝构成的正极引线5a，从负极6引出例如由镍构成的负极引线6a。正极引线5a与电池壳体1的封口板2连接。负极引线6a与电池壳体1的底部连接。另外，虽然未图示，但在电池壳体1的内部与电极组4一起注入有电解液。

[评价用电池的制作方法]

接着，对评价用电池的制作方法进行说明。通过以下的制作方法制作评价用电池。

(1)正极

对于100质量份的lini1/3co1/3mn1/3o2，用混合器混合乙炔黑2质量份、聚偏氟乙烯2质量份和适量的n-甲基-2-吡咯烷酮(nmp)，调制正极合剂浆料。将该正极合剂浆料涂布于由厚度15μm的al箔构成的集电体片的两面，使其干燥，进行压延，得到带状的正极。将带状的正极裁断成与圆柱型18650的电池壳体对应的大小，焊接铝制的引线，得到用于评价用电池的正极。正极的厚度为128μm。

(2)负极

使用平均粒径为20μm的石墨粒子作为负极活性物质，对于负极活性物质100质量份，用混合器混合作为增稠剂的羧甲基纤维素1质量份、作为粘结剂的苯乙烯丁二烯橡胶1质量份和适量的纯水，来调制负极合剂浆料。将该负极合剂浆料涂布于由厚度8μm的电解铜箔构成的集电体片的两面，使其干燥，进行压延，得到带状的负极。

以如下方式确定负极合剂浆料的涂布量。即，将充满电状态规定为4.2v时的负极充电容量与正极充电容量满足关系式：

(负极充电容量)/(正极充电容量)＝1.1。

将带状的负极裁断成与圆柱型18650的电池壳体对应的大小，焊接镍制的引线，得到用于评价用电池的负极。

(3)非水电解质

混合ec(碳酸亚乙酯)：emc(碳酸甲乙酯)：dmc(碳酸二甲酯)的体积比为1：1：8，在混合物中以1.2mol/l的浓度溶解lipf6，得到用于评价用电池的非水电解质。

(4)电极组

将以上述方式得到的正极和负极隔着由厚度16μm的聚乙烯制微多孔膜构成的隔膜卷绕，构成螺旋状的电极组。将所得到的电极组收纳在圆柱型18650的电池壳体中，将负极和正极引线等连接。然后，以设计容量为每1ah1.59～1.72g的方式将上述非水电解质加入电池壳体中，在真空下使电极组含浸于非水电解质之后，用封口板将电池壳体封口。用于封口的封口板具备安全阀，具有当电池内压达到上限值时工作，排出在内部产生的气体的功能。

经过上述工序，完成图5所示的圆柱型电池，从而得到评价用电池。

[初始电池容量的确认方法]

在25℃环境下，将所得到的评价用电池以相当于0.2c的电流值充电至4.1v后，在45℃的恒温槽中进行3天的陈化。接着，将充电后的评价用电池在25℃环境下以相当于0.2c的电流放电至3v。

进而，对放电后的评价用电池在最大电流值0.2c、充电电压值4.2v和充电终止电流0.05c的条件下进行恒压充电，在放电电流0.2c和放电终止电压3.0v的条件下进行放电，确认初期的电池容量。

[设计参数的取得方法]

为了取得在机器学习中使用的说明变量，使用与上述[评价用电池的制作方法]同样的方法，改变作为设计参数的(i)正极活性物质的组成、(ii)负极活性物质的组成、(iii)正极板和负极板的(i)厚度、(ii)长度、(iii)宽度、(iv)密度、(v)活性物质的利用容量、(vi)合剂组成、(iv)隔板的(i)厚度、(ii)长度、(iii)宽度、(iv)多孔度、以及(v)电解液的(i)组成、(ii)量之后制作评价用电池。另外，对于制作的各评价用电池，通过与[初期的电池容量的确认方法]同样的方法，将初期的电池容量确认为设计参数。进而，在相同结构的评价用电池中，作为试验条件使试验时的充电深度和试验温度变化从而来进行评价。制作480个评价用电池，对于480个评价用电池，取得包含有试验条件的电池设计参数的数据集。

[电压举动、温度以及压力的取得方法]

在所制作的评价用电池中，在最大电流值0.2c、充电电压值4.2v以及充电终止电流0.05c的条件下进行恒压充电。接着，将电压测定用的镍制的引线焊接在正极和负极各自的端子上。在焊接有引线的评价用电池的高度方向的中央附近用耐热胶带固定热电偶，将固定有热电偶的评价用电池设置于钉刺试验机的试验槽内。使用在搭载有测定内部压力的压力传感器的密闭的试验槽内能够进行钉刺试验的钉刺试验机作为钉刺试验机。

控制试验槽内使电池温度为65℃，使用铁制的轴径3mmφ的圆钉以80mm/秒的速度使钉子贯穿评价用电池，由此产生内部短路。测量内部短路发生后的评价用电池的电压、评价用电池的温度、以及试验槽内部的压力。进而，试验槽内部的压力也根据温度而变化，因此，为了将各评价用电池及各试验条件下的值标准化，使用状态方程式将测定出的试验槽内部的压力换算为1个大气压、20℃下的气体体积，计算短路发生后产生的气体体积。图6是表示评价用电池中的短路发生后产生的气体量的图。另外，图7是表示评价用电池中的短路发生后的电压举动的图。图6和图7是使钉子贯穿评价用电池、内部短路发生的时间设为0的情况下的图。另外，在图6和图7中，绘制了在上述[设计参数的取得方法]中制作出的480个评价用电池的数据。

[模型式的构建以及估计精度的计算方法]

使用在[设计参数的取得方法]以及[电压举动、温度以及压力的取得方法]中得到的数据，通过机器学习来构建模型式。

在机器学习中，使用梯度提升法、支持向量回归法以及随机森林回归法这3种模型构建手段。通过利用各个手段进行机器学习，按三个手段分别构建如下逻辑模型作为模型式，该逻辑模型能够根据作为说明变量的包含试验条件的设计参数，估计计算出电池的电压举动、电池的温度以及电池的压力变化等目标变量。例如，使用梯度提升法，设定多种如learninglate和maxfeatures等参数，对这些参数的组合进行全面地机器学习。这些机器学习的模型构建手段分别是包含从作为说明变量包含试验条件的设计参数到目标变量的非线性作用的手段，即使在480个评价用电池的数据集中，也能够高效地进行学习。

具体而言，将得到的480个评价用电池的数据集随机划分为6个组。将这些之中属于任意的5个组的评价用电池的数据集，即400个评价用电池的数据集的包含试验条件的设计参数作为说明变量来用作机器学习的教师数据，来导出作为机器学习完成逻辑模型的机器学习完成的模型式，该机器学习完成逻辑模型通过上述机器学习方法，估计作为目标变量的电池的电压举动、电池的温度以及电池的压力变化等。换言之，将400个评价用电池用作学习用电池。接着，将属于未用作教师数据的组的评价用电池的数据集，即80个评价用电池的数据集作为验证用数据，将包含评价条件的设计参数代入之前导出的机器学习完成的模型式来估计目标变量。将估计出的目标变量与实测值的目标变量的线性回归时的相关系数r²作为估计精度来计算。此外，在以下的估计精度的计算结果中，表示从3个模型构建手段中使用了估计精度最高的模型构建手段的情况下的估计精度的值。

[比较例1]

在比较例1中，使用电池的温度作为目标变量来估计电池的安全性。

通过[模型式的构建以及估计精度的计算方法]中记载的方法，导出将从短路发生起10秒后的电池温度作为目标变量的机器学习完成的模型式，从而计算估计精度。估计出的目标变量与实测值的目标变量的相关系数r²为0.143，得到了表示低的估计精度的结果。

如图6及图7所示，产生的气体体积及电压显著变化的时间在短路发生后1秒以内。与此相对，温度的变化在刚发生短路后变化幅度小，在各评价用电池之间表现出差异的倾向的是10秒以后。由此，认为温度的变化的时间分辨率差，不适于用于估计短路发生后的举动的目标变量。

[实施例1]

在实施例1中，使用电池的电压举动作为目标变量来估计电池的安全性。

(1)温度与压力的相关性

首先，为了确认能否将电池的温度以外的测定数据用作电池的温度的代替数据，对电池的温度与电池的压力变化的相关性进行了确认。如图6所示，试验槽内的气体量即压力从刚刚发生短路后开始变化，因此时间分辨率也高。大部分的评价用电池的气体量在从短路发生到1秒后为止的时间段变化。另外，气体产生量在达到最大值之前以大致恒定的速度增加，因此，使用从气体产生开始到短路发生1秒后为止的气体的变化量作为表示压力变化的数据，算出气体产生速度。若使用480个评价用电池的测定结果，算出气体产生速度与从短路发生起10秒后的温度的相关系数，则相关系数r²为0.76，得到气体产生速度与温度的相关性高的结果。即，越是气体产生速度慢的评价用电池，电池的温度越低，越安全，为了估计与电池的发热相关的安全性，也可以估计电池的气体产生速度。

(2)电压与压力的相关性

接着，对电池的短路发生时的压力的经时变化与电池的电压举动的相关性进行说明。如图7所示，评价用电池的电压在刚发生短路之后显著变化，因此时间分辨率高。另外，与气体产生速度相同，大部分的评价用电池的电压在从短路发生到1秒后为止的时间段变化。因此，使用从短路发生到1秒后为止的电压的结果，计算出电压举动。图8是表示评价用电池中的从短路发生到1秒后为止的电压举动与从短路发生到1秒后为止的气体产生速度的关系的图。如图8所示，表示算出的到1秒后为止的电压举动和到1秒后为止的气体产生速度的高相关性。若使用480个评价用电池的测定结果计算到1秒后为止的电压举动和到1秒后为止的气体产生速度的线性回归时的相关系数，则相关系数r²为0.92。

此外，若计算出电压举动和从短路发生起10秒后的温度的线性回归时的相关系数，则相关系数r²为0.84。

(3)估计精度的计算

接着，对将电池的电压举动用作目标变量来估计出电池的安全性的结果进行说明。通过[模型式的构建以及估计精度的计算方法]中记载的方法，导出以电池的电压举动为目标变量的机器学习完成的模型式，计算出估计精度。图9是表示评价用电池中将验证用数据的设计参数代入机器学习完成的模型式而估计出的电压举动与实测的电压举动的关系的图。

如图9所示，估计出的电压举动与实测的电压举动的相关系数r²为0.75，得到了表示高的估计精度的结果。即，通过将电池的电压举动作为目标变量进行机器学习而导出的模型式，能够根据电池的设计参数高精度地预测与电池的发热相关的安全性。

[实施例2]

在实施例2中，将电池的电压举动作为目标变量，使用表1所示的模型构建手段，来估计电池的安全性。

除使用了表1所示的模型构建手段以外，通过与[模型式的构建以及估计精度的计算方法]相同的方法，导出将电池的电压举动作为目标变量的机器学习完成的模型式，计算出估计精度。将算出的估计精度的结果表示于表1。在表1中，按照估计精度从高到低的顺序从高精度开始记载了所使用的模型构建手段以及估计精度的结果。

【表1】

如表1所示，无论在使用哪个模型构建手段的情况下，与使用短路发生时的温度作为比较例1中的目标变量时的估计精度相比，估计精度都变高。另外，可知在使用梯度提升法作为模型构建手段的情况下，与使用其他模型构建手段相比，估计精度变高。

(其他实施方式)

以上，基于实施方式对本公开的电池的安全性估计装置以及电池的安全性估计方法进行了说明，但本公开并不限定于这些实施方式。只要不脱离本公开的主旨，将本领域技术人员能想到的各种变形实施到实施方式的方式、将实施方式中的一部分的构成要素组合而构建的其他方式也包含在本公开的范围内。

例如，在上述实施方式中，安全性估计装置100具备学习数据取得部50以及学习部60，学习部60构建了机器学习完成逻辑模型41，但不限于此。安全性估计装置100也可以不具备学习数据取得部50以及学习部60，而取得预先构建的机器学习完成逻辑模型41，并存储于存储部40。

另外，例如，在上述实施方式中，安全性估计装置100计算并输出了电池的温度，但不限于此。安全性估计装置100也可以是仅将电池的电压举动作为电池的安全性的信息而输出的装置。

另外，例如，安全性估计装置100具备存储部40，但不限于此。安全性估计装置100也可以通过经由有线或无线的通信接口等通信部与外部的服务器等进行通信，来使用外部的服务器等代替存储部40。

另外，例如，安全性估计装置100也可以具备验证部，所述验证部使用所取得的学习用设计参数51以及学习用电压举动数据52的各自的一部分来验证机器学习完成逻辑模型41的估计精度。验证部也可以在图4中的步骤s23之后验证所构建的机器学习完成逻辑模型41的估计精度。此时，安全性估计装置100也可以一边变更学习用设计参数51、学习用电压举动数据52以及模型构建手段54中的至少一个，一边反复进行步骤s21至步骤s23，直到构建具有一定的估计精度的机器学习完成逻辑模型41为止。验证部例如由cpu、ram以及rom等构成。

另外，例如，也可以在存储部40中存储有多个机器学习完成逻辑模型41，计算部20使用多个机器学习完成逻辑模型41来计算与各个机器学习完成逻辑模型41对应的电池的电压举动。此时，输出部30可以将任一机器学习完成逻辑模型计算出的电池的电压举动作为与电池的发热相关的安全性的信息输出，从提高估计精度的观点出发，也可以将各个机器学习完成逻辑模型41计算出的电池的电压举动的平均值作为与电池的发热相关的安全性的信息输出。

另外，例如，包含构成上述实施方式的电池的安全性估计装置以及电池的安全性估计方法的各构成要素进行的步骤(处理)的方法也可以通过计算机(计算机系统)来执行。而且，本公开能够将这些方法所包含的步骤作为用于使计算机执行的程序来实现。进而，本公开能够作为记录了该程序的cd-rom等非易失性的计算机可读取的记录介质来实现。

例如，在上述实施方式由程序(软件)实现的情况下，通过利用计算机的cpu、存储器以及输入输出电路等硬件资源来执行程序从而执行各步骤。即，cpu从存储器或输入输出电路等取得数据并进行运算，或将运算结果输出到存储器或输入输出电路等，由此执行各步骤。

工业实用性

根据本公开的电池的安全性估计装置等，即使在未知设计的电池中也能够进行与发热相关的安全性的估计，能够适合用于电池的控制技术以及安全性更高的电池等的实现。