电池的安全性估计装置以及电池的安全性估计方法.pdf

《电池的安全性估计装置以及电池的安全性估计方法.pdf》由会员分享，可在线阅读，更多相关《电池的安全性估计装置以及电池的安全性估计方法.pdf（22页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010320459.5 (22)申请日 2020.04.22 (30)优先权数据 2019-086810 2019.04.26 JP 2019-193093 2019.10.24 JP (71)申请人 松下知识产权经营株式会社 地址 日本大阪府 (72)发明人 白根隆行藤井干也森川幸治 (74)专利代理机构 永新专利商标代理有限公司 72002 代理人 蒋巍 (51)Int.Cl. G06N 20/00(2019.01) H01M 10/42(2006.01) (54)发明。

2、名称 电池的安全性估计装置以及电池的安全性 估计方法 (57)摘要 实现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的电池的安全性估计装置 以及安全性估计方法。 该装置具备取得电池的设 计参数(11)的参数取得部(10)、 基于机器学习完 成逻辑模型(41)根据设计参数(11)来计算电池 的电压举动的计算部(20)、 以及将电压举动作为 与电池的发热相关的安全性的信息而输出的输 出部(30)。 权利要求书1页 说明书13页 附图7页 CN 111860860 A 2020.10.30 CN 111860860 A 1.一种电池的安全性估计装置， 其中， 具备： 参数取得部， 所述参数取。

3、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。 2.根据权利要求1所述的电池的安全性估计装置， 其中， 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。 3.根据权利要求2所述的电池的安全性估计装。

4、置， 其中， 所述学习部使用梯度提升法作为所述机器学习中的构建所述机器学习完成逻辑模型 的方法。 4.根据权利要求1至3中任一项所述的电池的安全性估计装置， 其中， 所述计算部还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。 5.根据权利要求1至4中任一项所述的电池的安全性估计装置， 其中， 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。

5、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。 6.一种电池的安全性估计方法， 其中， 包含： 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。 7.根据权利要求6所述的电池的安全性估计方法， 其中， 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。

6、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。 权利要求书 1/1 页 2 CN 111860860 A 2 电池的安全性估计装置以及电池的安全性估计方法 技术领域 0001 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 0002 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。

7、、 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。 0003 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)。 0004 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。 0005 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。

8、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)。 0006 现有技术文献 0007 专利文献 0008 专利文献1： 日本专利第5561268号公报 0009 专利文献2： 国际公开第2014/155726号 0010 专利文献3： 日本特开2013-217897号公报 0011 专利文献4。

9、： 日本特开2017-162790号公报 发明内容 0012 发明所要解决的课题 0013 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。 0014 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。 0015 用于解决课题的手段 0016 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 说明书 1/13 页 3 CN 11186。

10、0860 A 3 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。 0017 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。 0018 发明效果 0019 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。

11、说明 0020 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。 0021 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。 0022 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。 0023 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。 0024 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。 0025 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。 0026 图7是表示评价用电池中的电压与经过时间的关系的图。 0027 图8是表示评价用电池中的电压举动与气体。

12、产生速度的关系的图。 0028 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。 0029 附图标记说明 0030 1电池壳体 0031 2封口板 0032 3绝缘衬垫 0033 4电极组 0034 5正极 0035 5a正极引线 0036 6负极 0037 6a负极引线 0038 7隔膜 0039 8绝缘环 0040 10参数取得部 0041 11设计参数 0042 20计算部 0043 30输出部 0044 40存储部 0045 41逻辑模型 说明书 2/13 页 4 CN 111860860 A 4 0046 42回归式 0047 50学习数据取得部 0048 。

13、51学习用设计参数 0049 52学习用电压举动数据 0050 53温度数据 0051 54模型构建手段 0052 60学习部 0053 100安全性估计装置 具体实施方式 0054 (成为本公开的基础的见解) 0055 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。 0056 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。

14、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。 0057 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。 0058 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。

15、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。 0059 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。 0060 本公开的一个方式的概要如下。 0061 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。

16、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。 0062 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。 0063 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 说明书 3/13 页 5 CN 111860860 A 5 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。

17、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。 0064 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。 0065 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。 0066 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。

18、数估计电池的电压举动。 0067 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。 0068 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。 0069 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。

19、料的物性、 以及(vii)所述电池的容量中的至少 一个。 0070 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。 0071 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。 0072 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 。

20、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。 0073 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。 0074 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。

21、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。 0075 以下， 参照附图对本公开的实施方式进行说明。 0076 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 说明书 4/13 页 6 CN 111860860 A 6 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 。

22、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。 0077 (实施方式) 0078 电池的安全性估计装置的结构 0079 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。 0080 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。 0081 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。 0082 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。

23、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。 0083 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。 0084 计算部20从参数取得部10接收电池的设计参。

24、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。 0085 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。 0086 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。

25、速度等。 0087 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。 0088 计算部20例如由CPU(Central Processing Unit)、 RAM(RandomAccess Memory)以 及ROM(Read Only Memory)等构成。 0089 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 。

26、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。 0090 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。 0091 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 说明书 5/13 页 7 CN 111860860 A 7 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。

27、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。 0092 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。 0093 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(SupportVector Regression)法以及随机森林回归(Random Forest Regression) 法等模型构建手段。 从提高电池的安。

28、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。 0094 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。 0095 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。 0096 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。 。

29、0097 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。 0098 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。

30、构建 手段54， 并将模型构建手段54发送到学习部60。 0099 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。 0100 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。 0101 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。 0102 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。

31、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。 0103 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。 0104 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。 说明书 6/13。

32、 页 8 CN 111860860 A 8 学习部60将导出的回归式42存储于存储部40。 0105 学习部60例如由CPU、 RAM以及ROM等构成。 0106 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。 0107 电池的安全性估计装置的动作 0108 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。 0109 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。 0110 如图3所。

33、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。 0111 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。。

34、 0112 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。 0113 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。 0114 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。

35、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。 0115 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。 0116 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。 0117 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。

36、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。 0118 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。 0119 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。 0120 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 说明书 7/13 页 9 CN 111860860 A 9 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。

37、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。 0121 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。 0122 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。

38、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。 0123 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。 。

39、0124 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。 0125 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。 0。

40、126 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。 0127 (实施例) 0128 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。 0129 电池的结构 0130 首先， 对用于安全性的估计的评价用电池进行说明。

41、。 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。 0131 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。 0132 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 说明书 8/13 页 10 CN 111860860 A 10 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。

42、电池壳 体1的内部与电极组4一起注入有电解液。 0133 评价用电池的制作方法 0134 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。 0135 (1)正极 0136 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15 m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。

43、的厚度为128 m。 0137 (2)负极 0138 使用平均粒径为20 m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8 m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。 0139 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： 0140 (负极充电容量)/(正极充电容量)1.1。 0141 将带状的负极裁断成与圆柱型1865。

44、0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。 0142 (3)非水电解质 0143 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。 0144 (4)电极组 0145 将以上述方式得到的正极和负极隔着由厚度16 m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1Ah1.591.72g的方式将上述非水电解质加 入电池壳。

45、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。 0146 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。 0147 初始电池容量的确认方法 0148 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。 0149 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。

46、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。 0150 设计参数的取得方法 说明书 9/13 页 11 CN 111860860 A 11 0151 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。

47、 (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。 0152 电压举动、 温度以及压力的取得方法 0153 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。。

48、 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。 0154 控制试验槽内使电池温度为65， 使用铁制的轴径3mm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。

49、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。 0155 模型式的构建以及估计精度的计算方法 0156 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。 0157 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。

50、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 Learning late和Max features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。 0158 具体而言， 将得到的480个评价用电池的数据集随机划分为。