二次电池的充电状态推测装置、二次电池的异常检测装置、二次电池的异常检测方法及二次电池的管理系统与流程

本发明的一个方式涉及一种物品、方法或者制造方法。本发明涉及一种工序(process)、机器(machine)、产品(manufacture)或者组合物(compositionofmatter)。本发明的一个方式涉及一种半导体装置、显示装置、发光装置、二次电池、照明装置或电子设备。此外，本发明的一个方式涉及一种二次电池的异常检测方法及二次电池的充电控制方法。尤其涉及一种二次电池的异常检测系统、二次电池的充电系统及二次电池的管理系统(也称为bms“电池管理系统”)。

另外，在本说明书中，蓄电装置是指具有蓄电功能的所有元件以及装置。例如，蓄电装置包括锂离子二次电池等蓄电池(也称为二次电池)、锂离子电容器、镍氢电池、全固态电池及双电层电容器等。

本发明的一个方式涉及一种神经网络及使用神经网络的二次电池的控制装置。此外，本发明的一个方式涉及一种使用神经网络的车辆。此外，本发明的一个方式涉及一种使用神经网络的电子设备。另外，本发明的一个方式不但适用于车辆，而且还可以适用于用来储存从设置在结构体等中的太阳能发电面板等发电设备得到的电力的二次电池。

背景技术：

近年来，对锂离子二次电池、锂离子电容器及空气电池等各种蓄电装置积极地进行了开发。尤其是，伴随手机、智能手机、平板电脑或笔记本型个人计算机等便携式信息终端、游戏装置、便携式音乐播放机、数码相机、医疗设备、混合动力汽车(hev)、电动汽车(ev)或插电式混合动力汽车(phev)等新一代清洁能源汽车、或者电动摩托车等的半导体产业的发展，对高输出、高能量密度的锂离子二次电池的需求量急剧增长，作为能够充电的能量供应源，成为现代信息化社会的必需品。

需要很多电力的电动车辆等包括多个连接于电源等的开关元件，在切换开关元件的开启状态及关闭状态时电磁噪声产生。电磁噪声是指由于开关工作时的过渡电流引起高频电流由此电磁辐射产生的情况。电磁噪声的传导有导体传导和空间传导，电力越大电磁噪声越大。为了屏蔽电磁噪声的空间传导设置屏蔽，但是由于有各种各样的电磁噪声，所以难以屏蔽噪声。电磁噪声是短时间的较强的噪声(尖峰噪声、突发噪声或单脉冲噪声)。有时发生源不同的噪声重叠而成为较大的电磁噪声。较大的电磁噪声产生经过电源线等影响到其他器件的工作的电磁干扰(emi：electromagneticinterference)，有时例如会引起电路的错误工作。

在电磁噪声输入到电池管理系统时会不正常工作或者没有异常的二次电池的输出因电磁噪声的影响会被判断为异常状态。

在专利文献1中已知在电池系统中判断电池单元的过充电、过放电。

[先行技术文献]

[专利文献]

[专利文献1]日本专利申请公开第2005-318751号公报

技术实现要素：

发明所要解决的技术问题

在长时间对包括二次电池的器件的集合体的输出信号进行监测时，所得到的观察值中不需要的电磁噪声及异常信号混在一起。异常信号也可以说是较大的噪声之一，也可以说是二次电池的安全管理上需要的噪声。目的之一是公开可以使电磁噪声与二次电池的异常信号噪声区分，实时或准实时进行异常检测，更精密地进行异常检测的装置或二次电池控制系统。

需要较多的电力的电动车辆等中包括发动机、反相器、dcdc转换器，由于对大电力进行开关控制所以产生较大的电磁噪声(也称为开关噪声)，因电磁噪声会导致错误工作。目的之一也是提供不容易产生错误工作且高精度地进行异常检测的二次电池的控制方法。此外，lsi等的半导体芯片的工作速度越快功耗的变化越大，电压变动增大，这成为噪声而传导。用于安装在车辆的系统的lsi个数增加，今后为了实现电动汽车的半自动或全自动驾驶，工作速度也需要得到提高。目的是在电动汽车实现半自动或全自动驾驶时电磁噪声也增大，因此将该电磁噪声的影响降低到最低，高精度地算出充电率。

减轻或准确地去除电磁噪声及抖动的方法也是目的之一。注意，抖动是指信号波形的时间轴方向上产生的非常短的变动(波动)成分。在对信号进行ad转换时，有时数字信号中产生抖动。

解决技术问题的手段

本说明书所公开的发明的结构是一种二次电池的充电状态推测装置，包括：产生电磁噪声的器件；测量与器件电连接的二次电池的电压值的第一检测单元；测量与器件电连接的二次电池的电流值的第二检测单元；从使用第一检测单元或第二检测单元得到的多个包括电磁噪声的数据抽出电磁噪声与驱动模式之间的因果关系，根据该因果关系进行数据校正的校正单元；以及根据校正数据后的数据使用回归模型算出充电率的运算单元。

在上述结构中，回归模型是基于状态方程的卡尔曼滤波。

卡尔曼滤波是无限脉冲响应滤波之一种。此外，多元回归分析是多变量分析之一种，其中回归分析的独立变量为多个。作为多元回归分析，有最小二乘法等。回归分析需要较多的观察值的时间序列，而卡尔曼滤波具有只要积蓄一定程度的数据就可以逐步得到最适合的校正系数的优点。此外，也可以将卡尔曼滤波应用于非平稳时间序列。

作为推测二次电池的内部电阻及soc(stateofcharge)的方法，可以利用非线性卡尔曼滤波(具体而言，无损卡尔曼滤波(也称为ukf))。此外，也可以使用扩展卡尔曼滤波(也称为ekf)。soc(stateofcharge)示出充电状态(也称为充电率)的指标，满充电时为100％，完全放电时为0％。

在上述结构中，数据校正通过生成电磁噪声的反相的信号抵消电磁噪声的至少一部分来进行。例如，电磁噪声的反相的信号生成根据机器学习所得到的运算结果由包括反相器或转换器等电力产生单元生成反相电力，反馈至电源而抵消。注意，由于数据校正不复杂时不需要机器学习，所以可以适当地设计fpga(现场可编程门阵列)等，由包括反相器或转换器等电力产生单元生成反相电力，反馈至电源而抵消。

对于需要很多电力的电动车辆等，以驱动模式及卡尔曼滤波的预测误差为输入，以消除电磁噪声的影响的方式，通过校正单元，具体而言机器学习生成预测误差的校正数据，与驱动模式关联。原来的信号中埋入有噪声与驱动模式的关系关联的信息。关联的校正数据在实际使用中应用。由于一些因果关系是已知的，所以很容易提高校正精度。

驱动模式是指驱动反相器、转换器、发动机、无线模块、计算机等器件时进行一系列操作的模式，例如驾驶电动车辆时消耗电力的加速操作时或能够得到再生电流的制动操作时等也可以说是驱动模式之一。

以消除电磁噪声的影响的方式利用根据电磁噪声的反相的信号并通过校正抵消不需要的电磁噪声。通过使用该校正后的数据，可以根据高品质的信号输出高精度地算出充电率。用来抵消电磁噪声的反相的信号优选由机器学习生成。

此外，与微短路有关的噪声的强度较大。因此，微短路等异常可以在超过预先设定的阈值时检测出。

微短路是指二次电池内部的极小的短路，不是由于在二次电池的正极和负极之间发生短路而不能进行充放电的状态，而是微量的短路电流流过极小的短路部的现象。由于即使为较短且极小的部分也产生很大的电压变化，所以该异常电压值会影响到之后的推测。

发生微短路的原因之一被认为是由于多次进行充放电，发生正极活性物质的不均匀分布，在正极的一部分与负极的一部分发生局部性电流集中，而使隔离体的一部分不起作用，或者，因副反应而发生副反应物，导致发生微短路。

作为理想的二次电池，需要减薄隔离体以实现二次电池的小型化。另外，需要以高电压来进行高速供电的充电。但在上述结构中，二次电池容易发生微短路。虽然微短路不会立即导致二次电池无法使用，但是反复的充放电会导致微短路反复发生，从而导致二次电池异常发热及起火等严重事故。因此，微短路的发生也可以说是异常预兆。微短路的问题在充电中发生。例如，在只由一个电池构成时，因为由充电器控制电流，所以在发生微短路时外观的电流值不产生变化，而电压值产生变化。但是，在并联电池中，电压变化变小，因此难以测出。此外，因为该电压变化在电池使用的上下限电压范围内，所以需要特殊的检测机构。另外，关于电流，在并联电池中，在发生微短路时内部电阻降低，因此流过正常电池的电流量相对小，而流过异常电池的电流大，所以是危险的。但是，在组电池中由于整体电流保持被控制的值，因此难以检测异常。此外，虽然在一般的组电池(也称为电池组)结构中通常监测各串联级的电压，但是因成本、布线的复杂性而难以对所有电池的电流进行监测。

为了微短路发生时早期检测出，构成用来防范重大事故于未然的异常检测系统、二次电池的控制系统或二次电池的充电系统，通过不将引起异常检测的数据即与微短路有关的噪声用于异常检测后的推测，即使异常检测之后也可以到反复发生微短路为止使用二次电池。

对于用来推测的运算，不使用与微短路有关的噪声而使用几步骤前的平均值。再者，除了与微短路有关的噪声以外，使用利用机器学习产生的用来抵消电磁噪声的反相的信号进行校正。

如此通过区分与微短路有关的噪声和该噪声以外的电磁噪声并分别进行校正，可以提高通过运算单元(具体而言计算机)的充电率等的参数值的预测精度。

不是逐步交替地进行预测步骤和滤波步骤，而是一次进行多个预测步骤，然后一次进行多个滤波步骤，由此校正因非同步导致的时机错开(抖动等)。

在采用组电池时，不是依次对各电池进行滤波，而是在一次进行多个电池的预测步骤之后，一次进行多个滤波步骤。注意，组电池是指为了容易处理二次电池将多个二次电池与规定电路一起容纳在容器(金属罐、薄膜外包装体)内部。

在包括噪声的数据用于神经网络时，有可能降低异常检测的精度。异常检测性能有受学习数据质量的影响的趋势。在噪声等异常值混入在学习数据中时，即使为正常也被判断为异常。

通过使噪声等异常值分离并形成校正数据，可以高精度地进行异常检测。注意，不局限于电动汽车，包括发动机、反相器、转换器、无线模块中的至少一个的器件，例如是便携式信息终端、助听器、摄像装置、吸尘器、电动工具、电动剃刀、照明设备、玩具、医疗设备、机器人、个人计算机、可穿戴设备，可以使用本发明解决上述课题。此外，可以将本发明用于包括住宅的建筑物的电力储存用电源等来解决上述课题。

本说明书所公开的其他发明的结构是一种二次电池的异常检测装置，包括：测量二次电池的电压值的电压取得部；测量二次电池的电流值的电流取得部；以电压值及电流值为输入并使用回归模型进行运算算出预测误差的运算部；以预测误差及驱动模式为输入，以抵消与驱动模式对应的噪声的方式形成预测误差的校正数据，使校正数据与驱动模式对应构成校正模型的机器学习部；储存机器学习部的结果的学习结果存储部；以及判定被校正数据校正的预测误差是正常还是异常的判定部。

在上述结构中，回归模型使用基于状态方程的卡尔曼滤波。

上述结构的特征之一是上述回归模型在连续进行预测步骤多次，然后连续进行滤波步骤多次。

在上述结构中，机器学习部包括神经网络。

在上述结构中，也可以只在校正的预测误差被判断为异常时驱动而向使用者通知异常的异常通知电路。异常通知电路至少包括在沟道中使用金属氧化物层的晶体管。在沟道中使用金属氧化物层的晶体管由于关闭状态下的泄漏电流小，所以可以抑制功耗。

通过学习驱动模式及预测误差，在一定程度上高精度地识别噪声及异常，由此可以实现高精度的异常检测装置。通过一次处理预测步骤和滤波步骤可以解决非同步问题。

发明效果

通过本说明书所公开的方法，在包括多个半导体芯片的电动车辆等装置中，若可以去除电磁噪声，则只剩下本来的信号成分，通过在运算中使用该信号成分，可以提高推测精度。此外，由于异常检测精度得到提高，所以可以实现更精密地进行异常检测的装置或二次电池控制系统。

此外，通过去除不需要的电磁噪声，不容易产生错误工作，可以实现高精度地进行异常检测的二次电池控制方法。

附图简要说明

[图1]图1a是示出本发明的一个方式的方框图，图1b是组电池的立体图。

[图2]图2a及图2b是示出二次电池的一个例子的立体图，图2c是示出充电时的电流的方法的示意图。

[图3]图3a、图3b、图3c是示出移动体的一个例子的图。

[图4]图4a及图4b是二次电池的管理系统的结构图。

[图5]图5a是示出神经网络的一个例子的图，图5b是说明lstm的图。

[图6]是工作步骤的示意图。

[图7]是流程图。

[图8]是示出本发明的一个方式的方框图的一个例子。

[图9]是示出本发明的一个方式的异常检测的流程图的一个例子。

[图10]图10a、图10b、图10c、图10d是示出本发明的一个方式的示意图。

[图11]是示出本发明的一个方式的异常检测的流程图的一个例子。

[图12]图12a、图12b、图12c、图12d是示出装置的一个例子的图。

实施发明的方式

下面，参照附图对本发明的实施方式进行详细说明。注意，本发明不局限于以下说明，所属技术领域的普通技术人员可以很容易地理解一个事实就是其方式和详细内容可以被变换为各种形式。此外，本发明不应该被解释为仅限定在下面的实施方式所记载的内容中。

(实施方式1)

在本实施方式中，参照图1a示出应用于电动汽车(ev)的例子。

电动汽车设置有用作主驱动用二次电池的第一电池301以及对启动发动机304的反相器312供应电力的第二电池311。在本实施方式中，由第二电池311的电源驱动的异常监测单元300统一监测构成第一电池301的多个二次电池。此外，设置有校正单元320，其中生成抵消来自发动机304等的不需要的噪声的信号，校正信号，且将校正后的信号输入到异常监测单元300。异常监测单元300进行微短路的异常检测及使用运算的充电状态推测。注意，异常监测单元300监测用来测量第一电池301的温度的温度传感器(未图示)的温度。同样地，异常监测单元300也监测用来测量第二电池311的温度的温度传感器(未图示)的温度。从温度传感器得到的温度的异常也可以被异常监测单元300监测。此外，作为将后面详细说明的运算或机器学习等的参数之一也可以使用温度传感器的数值。

下面示出进行二次电池的充电状态的推测的推测方法。

在测出二次电池的异常发生之后也继续反复进行推测的步骤。推测使用能够通过回归或机器学习等的手段决定相对于系统的输入的最适当的输出的结构(例如，神经网络、隐马尔可夫模型、多项式函数近似等)。为了进行机器学习，优选使用用来机器学习的大量数据及分析，因此机器学习也可以在工作站或功能服务器上的站点内实施，在此情况下使用一个以上的服务器来自动地或需要操作者合作的半自动地进行数据的积蓄及分析。此外，在预先结束大量数据及分析并获得结果的情况下，通过将这些结果纳入系统，具体而言，程序或ic芯片的存储器中，也可以不使用服务器地进行异常测出及充电状态的推测。

在事前推测预测步骤中利用推测算法及输入值。在事后推测步骤(也称为滤波步骤)中利用观察值。

[算式1]

x(k+1)＝ax(k)+bu(k)+bv(k)

上述算式是描述系统的状态的迁移的状态方程式。

在某个时间(时间k)观察值y(k)与x(k)之间有如下关系。

[算式2]

y(k)＝c^tx(k)+w(k)

c^t是用来将状态空间线性映射到观察空间的观察模型。w(k)是观察噪音。上述算式是观察方程式。

将状态方程式和观察方程式统称为状态空间模型。

此外，可以由以下算式表示事前状态推测值。

[算式3]

注意，k是0、1、2、···，n是离散时间。u(k)表示输入信号，在二次电池中表示电流值。x(k)表示状态变量。

此外，可以由以下算式表示事前误差协方差。

[算式4]

p^-(k)＝ap(k-1)a^t+συ²bb^t

在事前推测预测步骤中，根据状态方程式算出事前状态推测值及状态的事前误差协方差矩阵。根据时间k的事后状态推测值及状态的事后误差协方差矩阵和状态方程式算出时间k+1的事前状态推测值及事前误差协方差矩阵。

对推测值和实测电压(观察值)进行比较，利用卡尔曼滤波算出作为误差的加权系数的卡尔曼增益，由此校正推测值。可以由以下算式表示在滤波步骤中使用的卡尔曼增益g(k)。

[算式5]

可以由以下算式表示在滤波步骤中使用的事后状态推测值。

[算式6]

此外，可以由以下算式表示在滤波步骤中使用的事后误差协方差p(k)。

[算式7]

p(k)＝(i-g(k)c^t)p-(k)υ

利用上述测出二次电池的异常发生的测量模型监测以下算式的值，即某个时间的观察值(电压)和使用事前状态变量推测的电压之间的差值(电压差值)，将该值的变动大的情况视为发生微短路等的异常来进行检测。

[算式8]

比较器等在上述算式的电压差值超过某个阈值时输出信号，并检测异常。与对比较器输入的阈值的电压信号ref进行比较来判断是否为异常。不将检测出异常的时机的数据用于后面的推测，而将几个步骤之前的平均值输入到推测算法。

在上述算式的电压差值低于电压信号refl或高于电压信号reflh时，将该值换成上几个步骤的平均值。因此，在上述算式的电压差差值低于输入比较器的电压信号refl或高于电压信号reflh时，不将该电压差值投入卡尔曼滤波的回路，而将平均值输入推测算法，从而即使发生不需要的电磁噪声或异常也可以高精度地进行soc推测等。在不使用检测出不需要的电磁噪声或微短路的异常的时机的数据，而将几个步骤之前的平均值输入到推测算法时，上述算式的电压差值近似于不发生不需要的电磁噪声或微短路的情况的数据。

在包括不需要的电磁噪声时，在校正单元320中，区分不需要的电磁噪声和起因于微短路的噪声，使用机器学习构成抵消不需要的电磁噪声的信号，只剩下本来的信号成分，将该信号成分用于用来算出充电率等的参数值的运算。

校正单元320也可以生成抵消不需要的噪声的信号，校正信号，将校正后的信号输入到异常监测单元300进行充电状态推测。

对抵消不需要的电磁噪声的处理及校正微短路的噪声的处理的顺序没有特别的限制，先进行哪个处理都可以。先进行哪个处理都可以得到几乎相等的运算结果。

第一电池301主要对42v系列(高电压系列)车载设备供应电力，而第二电池311对14v系列(低电压系列)车载设备供应电力。第二电池311在很多情况下因成本上有利而采用铅蓄电池。但是铅蓄电池有与锂离子二次电池相比自放电大，且因称为硫酸化的现象容易劣化的缺点。虽然在作为第二电池311使用锂离子二次电池时有无需维修的优点，但是在长期间，例如三年以上的使用时，可能发生在制造时不能辨别的异常。特别是，为了防止发生在启动反相器的第二电池311无法工作时，即使第一电池301具有剩余容量也不能启动发动机的情况，在第二电池311是铅蓄电池时，从第一电池对第二电池供应电力来以一直维持充满电状态的方式进行充电。

本实施方式示出第一电池301和第二电池311的双方使用锂离子二次电池的一个例子。第二电池311也可以使用铅蓄电池或全固态电池。

参照图2a及图2b说明圆筒型二次电池的例子。如图2a所示，圆筒型二次电池600的顶面包括正极盖(电池盖)601，其侧面及底面包括电池罐(外包装罐)602。这些正极盖和电池罐(外包装罐)602通过垫片(绝缘垫片)610绝缘。

图2b是示意性地示出圆筒型二次电池的截面的图。在中空圆柱状电池罐602的内侧设置有带状正极604和带状负极606夹着隔离体605被卷绕的电池元件。虽然未图示，但是电池元件以中心销为中心被卷绕。电池罐602的一端关闭且另一端开着。作为电池罐602可以使用对电解液具有抗腐蚀性的镍、铝、钛等金属、它们的合金或者它们和其他金属的合金(例如不锈钢等)。另外，为了防止电解液所引起的腐蚀，电池罐602优选被镍或铝等覆盖。在电池罐602的内侧，正极、负极及隔离体被卷绕的电池元件由对置的一对绝缘板608和绝缘板609夹着。另外，在设置有电池元件的电池罐602的内部中注入有非水电解液(未图示)。二次电池由包括钴酸锂(licoo2)及磷酸铁锂(lifepo4)等的活性物质的正极、由能够进行锂离子的吸留及释放的石墨等碳材料构成的负极、以及将由libf4、lipf6等锂盐构成的支持电解质溶解于碳酸亚乙酯或碳酸二乙酯等有机溶剂中的非水电解液等构成。

因为用于圆筒型二次电池的正极及负极被卷绕，从而活性物质优选形成在集流体的两个表面。正极604连接有正极端子(正极集电引线)603，而负极606与负极端子(负极集电引线)607连接。正极端子603及负极端子607都可以使用铝等金属材料。将正极端子603电阻焊接到安全阀机构612，而将负极端子607电阻焊接到电池罐602底。安全阀机构612与正极盖601通过ptc元件(positivetemperaturecoefficient：正温度系数)611电连接。当电池的内压上升到超过指定的阈值时，安全阀机构612切断正极盖601与正极604的电连接。另外，ptc元件611是在温度上升时其电阻增大的热敏感电阻器，并通过电阻的增大来限制电流量以防止异常发热。ptc元件可以使用钛酸钡(batio3)类半导体陶瓷等。

使用电解液的锂离子二次电池包括正极、负极、隔离体、电解液以及外包装体。注意，在锂离子二次电池中，由于阳极及阴极根据充电或放电调换，氧化反应及还原反应调换，所以将反应电位高的电极称为正极，而将反应电位低的电极称为负极。由此，在本说明书中，即使在充电、放电、反向脉冲电流流过以及充电电流流过时也将正极称为“正极”或“+极”，而将负极称为“负极”或“-极”。如果使用与氧化反应及还原反应有关的阳极及阴极的术语，则充电时和放电时的阳极与阴极是相反的，这有可能引起混乱。因此，在本说明书中，不使用阳极及阴极的术语。当使用阳极及阴极的术语时，明确表示是充电时还是放电时，并示出是对应正极(+极)还是负极(-极)。

图2c所示的两个端子与充电器连接，对二次电池1400进行充电。随着二次电池1400的充电的进展，电极之间的电位差增大。在图2c中，正方向为如下方向：电流从二次电池1400的外部的端子向正极1402流过，在二次电池1400中，从正极1402向负极1404流过，并且从负极向二次电池1400的外部的端子流过。就是说，充电电流流过的方向为电流的方向。注意，1406示出电解液，1408示出隔离体。

在本实施方式中，示出锂离子二次电池的例子，但是不局限于锂离子二次电池。作为二次电池的正极材料，例如可以使用包含元素a、元素x及氧的材料。元素a优选为选自第一族元素及第二族元素中的一个以上的元素。作为第一族元素，例如可以使用锂、钠、钾等碱金属。另外，作为第二族元素，例如可以使用钙、铍、镁等。作为元素x，例如可以使用选自金属元素、硅和磷中的一个以上的元素。另外，元素x优选为选自钴、镍、锰、铁和钒中的一个以上的元素。典型地，可以举出锂钴复合氧化物(licoo2)和磷酸铁锂(lifepo4)。

负极包括负极活性物质层及负极集流体。此外，负极活性物质层也可以包含导电助剂及粘合剂。

作为负极活性物质，可以使用能够通过与锂的合金化/脱合金化反应进行充放电反应的元素。例如，可以使用包含硅、锡、镓、铝、锗、铅、锑、铋、银、锌、镉和铟等中的至少一个的材料。这种元素的电容比碳大，尤其是硅的理论电容大，为4200mah/g。

另外，二次电池优选包括隔离体。作为隔离体，例如可以使用由纸等具有纤维素的纤维、无纺布、玻璃纤维、陶瓷或包含尼龙(聚酰胺)、维尼纶(聚乙烯醇类纤维)、聚酯、丙烯酸树脂、聚烯烃、聚氨酯的合成纤维等形成的隔离体。

此外，如图1所示，轮胎316的旋转所引起的再生能量通过变速器305发送给发动机304，并从发动机控制器303及电池控制器302充电到第二电池311或第一电池301。

此外，第一电池301主要被用来使发动机304旋转，还通过dcdc电路306将电力供应到42v系列车载构件(电动助力转向系统307、加热器308、除雾器309等)。在后轮包括后置发动机的情况下第一电池301被用来使后置发动机旋转。

此外，第二电池311通过dcdc电路310对14v系列车载构件(音响313、电动车窗314、灯类315等)供应电力。

使用发动机304的电动车辆包括多个ecu(electroniccontrolunit)，由ecu进行引擎控制等。ecu包括微型计算机。ecu与设置在电动车辆中的can(controllerareanetwork)连接。can是作为车内lan使用的串行通信标准之一。

为了进行无线通信，也可以在车辆中设置利用无线网络的无线通信模块。

此外，第一电池301由多个二次电池构成。例如，使用图2a所示的圆筒型二次电池600。如图1b所示，也可以构成将圆筒型二次电池600夹在导电板613和导电板614之间而成模块。在图1b中未图示二次电池之间的开关。多个二次电池600可以并联连接，可以串联连接，也可以在并联连接之后还串联连接。通过构成包括多个二次电池600的模块，可以提取较大的电力。

为了切断来自多个二次电池的电力，车载二次电池包括可以不使用工具就切断高电压的充电用插头或断路器，其被设置于第一电池301。例如，在将包括2个至10个单元的48个电池模块串联连接的情况下，在第24个和第25个电池模块之间包括充电用插头或断路器。

在图3中例示使用作为本发明的一个方式的二次电池的充电状态推测装置的车辆。图3a所示的汽车8400的二次电池8024不但驱动电发动机8406，而且还可以对车头灯8401或室内灯(未图示)等发光装置供应电力。汽车8400的二次电池8024也可以使用将图1b所示的圆筒型二次电池600夹在导电板613和导电板614之间而成的模块。

在图3b所示的汽车8500中，可以通过利用插电方式或非接触供电方式等从外部的充电设备接收电力，来对汽车8500所具有的二次电池进行充电。图3b示出从地上设置型的充电装置8021通过电缆8022对安装在汽车8500中的二次电池8024进行充电的情况。当进行充电时，作为充电方法或连接器的规格等，可以根据chademo(注册商标)或联合充电系统等的规定的方式而适当地进行。作为充电装置8021，也可以使用设置在商业设施的充电站或家庭的电源。例如，通过利用插电技术从外部供应电力，可以对安装在汽车8500中的二次电池8024进行充电。可以通过ac/dc转换器等转换装置将交流电力转换成直流电力来进行充电。此外，电动车辆也可以使用plc(powerlinecommunication)技术将连接车辆与充电装置8021的电力线用作通信线。

另外，虽然未图示，但是也可以将受电装置安装在车辆中并从地上的送电装置非接触地供应电力来进行充电。当利用非接触供电方式时，通过在公路或外壁中组装送电装置，不但停车中而且行驶中也可以进行充电。此外，也可以利用该非接触供电方式，在车辆之间进行电力的发送及接收。再者，还可以在车辆的外部设置太阳能电池，在停车时或行驶时进行二次电池的充电。可以利用电磁感应方式或磁场共振方式实现这样的非接触供电。

图3c是使用本发明的一个方式的二次电池的充电状态推测装置的两轮车的例子。图3c所示的小型摩托车8600包括二次电池8602、后视镜8601及方向灯8603。二次电池8602可以对方向灯8603供电。

此外，在图3c所示的小型摩托车8600中，可以将二次电池8602收纳在座位下收纳箱8604中。即使座位下收纳箱8604为小型，也可以将二次电池8602收纳在座位下收纳箱8604中。

在本说明书中说明的实施方式中包括包含各种计算机硬件或软件的专用计算机或通用计算机的使用。另外，在本说明书中下面说明的实施方式可以使用计算机能够读取的记录媒体安装。另外，记录媒体也可以包括ram、rom、光盘、磁盘或计算机所能够存取的任意的其他的存储媒体。另外，在本说明书中说明的实施方式中作为一个例子示出的算法、构成要素、流程、程序等可以由软件或者硬件与软件的组合安装。

本实施方式可以与其他实施方式的记载适当地组合。

(实施方式2)

根据实施方式1可以检测微短路等突发噪声。在上述算式8中算出的值超过阈值时可以确定微短路，对其他噪声进行分类，将噪声与驱动模式关联进行机器学习。

若如微短路那样可以关联，就可以看出该噪声的原因是二次电池。除此之外，从发动机、反相器、转换器、无线模块等收集数据，进行分析、学习，以识别该噪声是何种噪声，由此对噪声进行分类。若测出异常，则不仅可以检测二次电池的异常，也可以检测发动机、反相器、转换器、无线模块等的故障或故障预兆。

此外，在形成用来抵消噪声的信号时，通过重叠反相的信号可以抵消噪声，也可以根据不抵消噪声也被看作抵消的数值通过运算处理对充电率(soc)等进行运算。在抵消噪声时，噪声被信号去除，在其他电路等不产生错误工作。

图4示出推测二次电池的soc且进行异常检测的管理系统的一个例子。图7示出进行异常检测的流程图。如图7所示，通过使发动机工作来产生电磁噪声，抽出包括电磁噪声的二次电池的特性数据(s1)。使用卡尔曼滤波算出预测误差(s2)，成为异常检测(s3)时，将noff-cpu(常关闭cpu)切换为活动状态(s5)，向cpu通知(s6)。此外，在没有检测异常时由机器学习形成抵消噪声的校正及校正时机的错开的校正数据(s4)。注意，常关闭cpu是指包括即使栅极电压为0v也处于非导通状态(也称为关闭状态)的常关闭型晶体管的集成电路。常关闭晶体管可以将氧化物半导体用于半导体层来实现。

图4a示出管理系统的结构图的一个例子。用于电动汽车控制的ecu由微型计算机构成，微型计算机包括cpu(centralprocessorunit：中央处理器)501，并管理电动汽车整体。在本实施方式中，示出使用cpu501的例子，但是能够进行所需要的运算就没有特别的限制，也可以使用gpu(graphicsprocessingunit：图形处理器)或apu(acceleratedprocessingunit：加速处理器)。注意，apu是指将cpu与gpu统合为一个的芯片。

fpga502具有检测二次电池的实际电压(观测电压)的元件或使用二次电池的实际电流(观测电流)输出soc或内部电阻，将这些信息提供给cpu501的元件结构。另外，在cpu501的内部运算电路或数据总线中能够处理的位数例如可以为8位、16位、32位、64位等。

图4a中的noff-cpu503具有在非活动状态下待机，检测异常时才成为活动状态，向cpu501通知的电路结构。此外，noff-cpu503的一部分包括具有氧化物半导体的晶体管，该晶体管是常关闭晶体管。常关闭晶体管具有阈值电压成为正的电特性(也称为常关闭特性)。此外，在noff-cpu503的内部运算电路或数据总线中能够处理的位数例如可以为8位、16位、32位、64位等。

校正单元520依次取得由fpga502得到的预测误差电压，始终以一定长度取得时间序列预测误差电压，对其添加通过学习得到的用来抵消不需要的电磁噪声的信号(与不需要的电磁噪声反相的信号)，算出去除不需要的电磁噪声的预测误差信号，根据该预测误差电压校正soc或内部电阻的参数。

在超过该预测误差信号预先设定的阈值时看作异常，使noff-cpu503处于活动状态，向cpu501通知异常。

机器学习手段首先从学习数据抽出特征值。抽出随着时间变化的相对变化量作为特征值，根据所抽出的特征值使神经网络学习。学习单元可以按时间间隔根据彼此不同的学习类型使神经网络学习。根据基于学习数据的学习结果可以更新应用于神经网络的结合权重。

此外，也可以采用提前收集与驱动模式有因果关系的噪声的大量学习数据，并利用分析过的结果进行关联的校正单元。校正单元520的校正进行使用与噪声反相的信号抵消噪声的处理。不仅使用神经网络，也可以使用线性模型、核方法。

通过进行根据如此进行两次不同的校正的数据在cpu501中进行运算的soc的推测处理，并算出充电率，可以得到高精度的数值。

优选采用几乎不发生频率不高的异常检测的微短路，为了低功耗化在通常工作中非工作，即电路停止的常关闭cpu。

另一方面，由于校正单元520不断地测量并执行噪声抵消，所以可以实时或准实时高精度地进行充电状态推测。本说明书中使用的实时是指实质上同时，也包括信号处理的延迟。此外，准实时是指比实时更广泛的应用范围，例如是指10秒以上且3600秒以下的延迟。

并不特别限定于图4a所示的一个例子，例如也可以采用图4b所示的结构。图4b是以noff-cpu503及fpga502为同一个芯片的例子。通过采用一个芯片，可以实现节省空间且提高集成度。此外，也可以以fpga502及校正单元520为同一个芯片。

(实施方式3)

在本实施方式中，示出神经网络nn的结构的一个例子，该神经网络nn用于使用在实施方式2的图4所示的cpu501进行运算的soc的推测处理时的神经网络处理。

图5a示出本发明的一个方式的神经网络的例子。图5a所示的神经网络nn包括输入层il、输出层ol及隐藏层(中间层)hl。神经网络nn可以由包括多个隐藏层hl的神经网络，即，深度神经网络构成。另外，有时将深度神经网络中的学习称为深度学习。

图5a所示的输出层ol、输入层il及隐藏层hl分别具有多个神经元网络，设置在不同的层中的神经元网络通过突触电路彼此连接。

神经网络nn通过学习而具有对二次电池的状态进行分析的功能、对噪声进行分析的功能以及用来抵消噪声的信号生成功能。在神经网络nn被输入所测量的二次电池的参数时，在各层中进行运算处理。各层中的运算处理通过前一层所包括的神经元网络的输出和权系数的积和运算等执行。另外，层间的连接可以是所有的神经元网络彼此连接的全连接，也可以是一部分的神经元网络彼此连接的部分连接。

例如，使用图5b所示的lstm(longshort-termmemory：长短期记忆)结构的递归神经网络。lstm结构的递归神经网络可以与其他结构相比提高序列长度长的序列数据的识别率。

在lstm中，隐藏层(中间层)hl是包括被称为lstmblock的存储器及三个门的区块。三个门是输入门、遗忘门、输出门。

图6示出时间(k-1)及时间k的工作步骤的示意图。在卡尔曼滤波中，对每一个时间逐步进行预测步骤及滤波步骤。

在预测步骤中，使用前一个步骤的事后误差协方差(p(k-1))决定事前误差协方差(p^-(k))。注意，在决定事前状态变数时，也使用系统的输入值(本实施方式中是电池的电流值u(k))决定事前状态变数。

在滤波步骤中，使用事前误差协方差决定事后误差协方差，使用事前状态变数及观测值(本实施方式中是电池的电压y(k))决定事后状态变数。注意，在lstm中，y(k)为输出值，使用前一个时间k-1的输出值y(k-1)被输出。

lstm结构的递归神经网络可以使用图4a及图4b所示的管理系统执行。

通过作为图4所示的fpga502的存储器部或cpu501的存储器部使用包括氧化物半导体的晶体管，可以实现低功耗化。在进行神经网络中的积和运算等时，在存储器部保持数据的状态下进行很多运算处理，因此很有用。

本实施方式可以与实施方式1或实施方式2自由地组合。

(实施方式4)

图8示出二次电池100的异常检测装置的方框图的一个例子。图8所示的二次电池100的异常检测装置用于电动汽车或混合动力汽车等车辆。如图8所示，二次电池100的异常检测装置至少包括作为电流取得部的电流监测器ic102、作为电压取得部的电压监测器ic103、运算部104、机器学习部120、学习结果存储部105、判定部107。

将运算部104、学习结果存储部105、机器学习部120、判定部107总称为学习部，由fpga或微控制器构成。

二次电池100使用锂离子二次电池。在车辆中使用锂离子二次电池时使用多个锂离子二次电池，但是这里为了简化起见将多个二次电池表示为一个二次电池。锂离子二次电池在过充电或过放电时导致劣化加速。因此，在锂离子二次电池中，以充电率保持在一定范围内(例如20％以上且80％以下)的方式使用保护电路或控制电路等管理充放电。

电流监测器ic102将测出的二次电池100的电流值输入到运算部104。电压监测器ic103将测出的二次电池100的电压值输入到运算部104。

运算部104包括二次电池100的等效电路模型、卡尔曼滤波。可以根据被输入的电流值及电压值推测参数值，根据所推测的参数值算出预测误差。

机器学习部120以预测误差及驱动模式为输入，以抵消对应于驱动模式的噪声的方式形成预测误差的校正数据，使校正数据与驱动模式对应而构成校正模型。在很多情况下车辆的驱动模式与电磁噪声对应，在与车辆的驱动模式对应时可认定为电磁噪声。不对应于车辆的驱动模式的变化起因于二次电池。

学习结果存储部105储存机器学习部的结果。预先收集大量与驱动模式有因果关系的噪声的学习数据，储存分析过的结果。

判定部107与阈值进行比较并判定被校正数据校正的预测误差是正常还是异常。

此外，将所判定的结果通知到车辆的上位控制部分、例如cpu101。cpu101在被通知异常时提示使用者(驾驶员)等采取措施。

此外，在判定部107判定为正常时，并不需要对cpu101通知，记录判定为正常的时间即可。此外，在采用可靠性高的二次电池时，二次电池几乎不发生异常，基本上优选一直处于非工作状态，在长时间非工作状态下功耗优选极低。因此，也可以设置与判定部107电连接的异常通知电路106使用noff-cpu。异常通知电路106也可以在判定为异常时提示使用者(驾驶者)等采取措施。

noff-cpu的一部分包括具有氧化物半导体的晶体管，该晶体管是常关闭晶体管。常关闭晶体管具有阈值电压成为正的电特性(也称为常关闭特性)。此外，noff-cpu的内部运算电路或数据总线中能够处理的位数例如可以为8位、16位、32位、64位等。图8中的异常通知电路106具有在非活动状态下待机，检测异常时才成为活动状态，向cpu101通知的电路结构。

此外，可以使用图8所示的异常检测装置检测微短路等突发异常。至于微短路以外的突发异常，根据来自发动机、反相器、转换器、无线模块等的数据进行对应，以识别该噪声是何种噪声，并进行分析、学习，由此可以对噪声进行分类。若测出异常，则不仅可以检测二次电池的异常，也可以检测发动机、反相器、转换器、无线模块等的故障或故障预兆。

图9示出进行异常检测的流程的一个例子。

如图9所示，通过使发动机工作来产生电磁噪声，抽出包括电磁噪声的二次电池的特性数据(s1)。使用卡尔曼滤波算出预测误差(s2)成为异常检测(s3)时，将noff-cpu切换为活动状态(s5)，向cpu通知(s6)。此外，在没有检测异常时由机器学习形成抵消噪声的校正及校正时机的错开的校正数据(s4)。在没有检测异常时，反复依次进行步骤s1、s2、s3、s4，可以实时进行检测。注意，并不局限于实时，也可以在一定间隔间歇地进行异常检测。

图10a示出不是逐次使用卡尔曼滤波而是以某一批次进行事前推测预测步骤及事后推测步骤，由此校正非同步的时机的错开的示意图。在图10a中，横轴是时间，上行是事前推测预测步骤，下行是事后推测步骤。通过采用图10a所示的方法，可以一起学习时机的错开。

在事前推测预测步骤中利用推测算法及输入值。在事后推测步骤(也称为滤波步骤)中利用观察值。

注意，作为比较例子，图10b示出逐步使用卡尔曼滤波的示意图。

图10c示出组电池不是按每一个二次电池进行滤波而是可以以某一批次进行事前推测预测步骤及事后推测步骤的一个例子。在图10c中，横轴是时间，上行是事前推测预测步骤，下行是事后推测步骤。在图10c中，将五个二次电池组合为一个进行事前推测预测步骤。

注意，作为比较例子，图10d示出逐步使用卡尔曼滤波的示意图。

此外，图11示出按图10c所示的顺序对由十个以上的电池构成的组电池进行学习时的学习流程的一个例子。

通过如图11所示那样使发动机工作产生电磁噪声，抽出包括电磁噪声的二次电池的特性数据(s1)。使用卡尔曼滤波算出预测误差(s2)，通过机器学习形成抵消噪声的校正及校正时机的错开的校正数据。

在形成该校正数据时，对组电池中的第一个至第五个组电池一次进行事前推测预测步骤，然后对第一个至第五个组电池一次进行事后推测步骤。对组电池中的第六个至第十个组电池一次进行事前推测预测步骤，然后对第六个至第十个组电池一次进行事后推测步骤。然后，同样地对剩下的组电池中的五个为一组进行上述步骤。

然后，所得到的校正数据与驱动模式关联，将这些数据作为用于学习的数据储存在学习结果存储部中。使用图11所示的学习流程预先进行学习，由此可以高精度地进行异常检测。

此外，在由于组电池数较多及驱动模式较多所以用于学习的数据成为庞大的数据时，储存在车外能够通信的数据服务器等中即可。此时，在设置在车外的学习结果存储部与设置在车内的机器学习部之间进行数据通信的同时进行异常检测。

(实施方式5)

根据本发明的一个方式的二次电池的异常检测装置不局限于车辆而可以应用于包括二次电池及无线模块的装置。

图12a示出移动电话机的一个例子。移动电话机7400除了组装在框体7401中的显示部7402之外还具备操作按钮7403、外部连接端口7404、扬声器7405、麦克风7406等。注意，移动电话机7400包括二次电池7407及二次电池7407的异常检测装置。即使收发数据的无线模块及二次电池7407彼此接近地配置，可以通过在上述实施方式中说明的异常检测装置分离噪声的同时进行异常检测。

图12b是说明数据处理装置200的外观的一个例子的投影图。本实施方式所说明的数据处理装置200包括运算装置210、输入输出装置220、显示部230、240、二次电池250及异常检测装置。

数据处理装置200包括有可能成为噪声发生源的通信部，无线模块具有向网络供应信息并从网络取得信息的功能。另外，可以使用通信部接收传送到特定空间的信息，并根据接收的信息生成图像信息。数据处理装置200可以将在显示部230和240中的一个中显示键盘的屏幕设定为触摸输入面板以被用作个人计算机。

此外，如图12c所示那样的可穿戴装置中安装根据本发明的一个方式的二次电池的异常检测装置。

例如，可以将异常检测装置安装于如图12c所示那样的眼镜型装置400中。眼镜型装置400包括镜框400a、显示部400b、无线模块。由于即使在具有弯曲的镜框400a的镜腿部接近地配置二次电池、异常检测装置及无线模块也可以检测异常而不受到噪声，所以可以实现能够检测二次电池的异常发生的安全的眼镜型装置400。

此外，耳麦装置401中安装有二次电池、异常检测装置及无线模块。耳麦装置401至少包括麦克风部401a、柔性管401b、耳机部401c。可以在柔性管401b内或耳机部401c内设置二次电池、异常检测装置及无线模块。

此外，可以将异常检测装置安装于能够直接附着在身体上的装置402中。可以在装置402的薄型外壳402a中设置二次电池402b及二次电池的异常检测装置。

此外，可以将异常检测装置安装于能够附着在衣服上的装置403中。可以在装置403的薄型外壳403a中设置二次电池403b及二次电池的异常检测装置。

另外，可以将异常检测装置安装于手表型装置405中。手表型装置405包括显示部405a及手表带部405b，可以在显示部405a或手表带部405b中设置二次电池及二次电池的异常检测装置。

在显示部405a上，除了时间之外还可以显示电子邮件或电话的来电等各种信息。

此外，因为手表型装置405是直接缠在手臂上的类型的可穿戴设备，所以可以搭载用来测量使用者的脉搏、血压等的传感器。积蓄关于使用者的运动量及健康的数据来将其有效用于健康维持。

此外，可以在腰带型装置406中安装有二次电池及二次电池的异常检测装置。腰带型装置406包括手表带部406a及无线供电受电部406b，可以在手表带部406a的内部设置二次电池、异常检测装置及无线模块。

通过将本发明的一个方式的二次电池及二次电池的异常检测装置用作日用电子产品的二次电池，可以提供轻量且安全的产品。例如，作为日用电子产品，可以举出电动牙刷、电动剃须刀、电动美容器等。这些产品中的蓄电装置被期待为了便于使用者容易握持而具有棒状形状且为小型、轻量、大容量。图12d是被称为烟液容纳式吸烟装置(电子烟)的装置的立体图。在图12d中，电子烟7410包括：包括加热元件的雾化器(atomizer)7411；对雾化器供电的二次电池7414；包括液体供应容器及传感器等的烟弹(cartridge)7412。为了提高安全性，也可以将二次电池的异常检测装置电连接到二次电池7414。图12d所示的二次电池7414包括用来与充电器连接的外部端子。在取拿时，二次电池7414位于顶端部，因此优选其总长度较短且重量较轻。由于可以区分二次电池的异常发生和因雾化器7411导致的噪声，所以本发明的一个方式的异常检测装置可以提供一种安全的电子烟7410。

注意，本实施方式可以与其他实施方式适当地组合。

[符号说明]

100：二次电池、101：cpu、102：电流监测器ic、103：电压监测器ic、104：运算部、105：学习结果存储部、106：异常通知电路、107：判定部、120：机器学习部、200：数据处理装置、210：运算装置、220：输入输出装置、230：显示部、240：显示部、250：二次电池、300：异常监测单元、301：电池、302：电池控制器、303：发动机控制器、304：发动机、305：变速器、306：dcdc电路、307：电动助力转向系统、308：加热器、309：除雾器、310：dcdc电路、311：电池、312：反相器、314：电动车窗、315：灯类、316：轮胎、320：校正单元、400：眼镜型装置、400a：镜框、400b：显示部、401：耳麦装置、401a：麦克风部、401b：柔性管、401c：耳机部、402：装置、402a：外壳、402b：二次电池、403：装置、403a：外壳、403b：二次电池、405：手表型装置、405a：显示部、405b：手表带部、406：腰带型装置、406a：手表带部、406b：无线供电受电部、501：cpu、502：fpga、503：noff-cpu、520：校正单元、600：二次电池、601：正极盖、602：电池罐、603：正极端子、604：正极、605：隔离体、606：负极、607：负极端子、608：绝缘板、609：绝缘板、611：ptc元件、612：安全阀机构、613：导电板、614：导电板、1400：二次电池、1402：正极、1404：负极、7400：移动电话机、7401：外壳、7402：显示部、7403：操作按钮、7404：外部连接端口、7405：扬声器、7406：麦克风、7407：二次电池、7410：电子烟、7411：雾化器、7412：烟弹、7414：二次电池、8021：充电装置、8022：电缆、8024：二次电池、8400：汽车、8401：车头灯、8406：电发动机、8500：汽车、8600：小型摩托车、8601：后视镜、8602：二次电池、8603：方向灯、8604：座位下收纳箱