リチウムイオン電池の劣化評価、寿命推定技術

第1部 異常劣化メカニズムの解析と寿命解析、予測技術

(2025年3月25日 10:30〜12:00)

　地球環境問題、資源問題解決に向けた、自動車の電動化 (EV) 、再生可能エネルギーへの転換などの政策が、リチウムイオン電池 (LIB) 市場成長を牽引していくだろう。この中、エネルギー密度、コストの観点からとは別に、寿命に大きな期待が寄せられるであろう。今、適切な加速評価・解析技術、寿命推定技術、そして、LIBの劣化メカニズムを整理することが必須であり、ここでは、長寿命化への期待、2つの劣化メカニズム、これらを踏まえた寿命推定の基本的考え方につき解説する。

1. 電池の長寿命化への期待
2. リチウムイオン電池の劣化と寿命予測
   1. 寿命予測の考え方
   2. ルート則による予測の限界
   3. べき乗式 (劣化指標) の導入
3. リチウムイオン電池の2つの劣化メカニズム
   1. 急速充電劣化、低温充電劣化、経年時急劣化課題
   2. 2つの劣化メカニズム (過電圧因子)
   3. 反応偏在の寿命・安全性影響
   4. 急劣化点 (二次劣化点) の予測
   5. リチウムイオン電池の寿命予測法
4. リチウムイオン電池のSOH診断
5. 超長寿命化技術のご紹介
• 質疑応答

第2部 リチウムイオン電池の劣化症状発現機構と劣化状態診断技術

(2025年3月25日 13:00〜14:30)

　リチウムイオン電池 (LIB) はモバイル機器・定置・産業機器・自動車等の用途に使用され、近年では変動性再生可能エネルギーの出力変動・時間帯偏在性の解決のためのデバイスとして期待されている。 本講演では性能評価・残量推定・劣化診断法を基礎から体系的にまとめて説明するとともに、当社の差電圧法を用いた劣化診断法の事例を紹介する。

1. リチウムイオン電池 (LIB) の基礎事項
2. LIBの劣化現象とその症状
3. LIBの性能評価項目
4. 残量推定・劣化診断技術の体系
5. 当社事例の紹介 〜差電圧法を用いた劣化診断法〜
• 質疑応答

第3部 インピーダンスを用いた性能推定と劣化診断の技術

(2025年3月25日 14:45〜15:45)

　脱炭素化に向けた取組が世界中で加速する中、バッテリーサーキュラーエコノミーの確立の重要性がますます高まっています。当社は、電池材料の製造から使用、リユース、リサイクルに至るまでの各段階で、電気計測とデータ解析のソリューションを通じてその確立への貢献を目指しています。運用中および運用後のバッテリーや、それが搭載されたEVの最適な活用のために、バッテリーの状態把握が不可欠です。当社では確実な計測を通じて短時間かつ低コストで状態を把握する技術を開発し、実用化を進めています。 　技術および事例を紹介し、本セミナーでは、LIBの基礎事項・電気特性の計測技術・それらを元にした劣化診断技術について包括的に解説いたします。特に、交流インピーダンス法について特に重点的に取り上げ、劣化診断技術とその適用可能範囲について説明します。

1. リチウムイオン電池の基礎と性能指標
   1. リチウムイオン電池の挙動
   2. 基本的なパラメーター
      • 容量
      • OCV
      • 内部抵抗
      • SOC
      • SOHなど
   3. 電池の劣化メカニズム
   4. 電池の性能指標・劣化指標
   5. 電池の劣化とインピーダンスの関係の概観
2. リチウムイオン電池のインピーダンス
   1. 基本原理
   2. 解析手法
      • 等価回路解析
      • 緩和時間解析など
   3. 各種過渡現象とインピーダンスの関係
   4. インピーダンスの正確な測定
3. インピーダンスを用いた性能推定と劣化診断
   1. 電池の劣化に伴うインピーダンスの変化
   2. 電池の劣化診断技術の概観
   3. ルールベースの劣化診断の実例
   4. 機械学習ベースの劣化診断の実例
• 質疑応答

第4部 機械学習・深層学習を用いたデータ駆動型バッテリー劣化予測技術

(2025年3月25日 16:00〜17:00)

　本講座では、機械学習・深層学習を用いたバッテリーの劣化予測技術について、リチウムイオン電池を例に、網羅的かつ分かりやすく解説する。電池の初学者から実験研究者/技術者まで幅広い層を対象とし、さまざまな機械学習による予測技術の概要、位置づけや特徴を紹介する。 　前半では、主にバッテリーユーザ向けの劣化予測技術を取り扱う。可能な限りバッテリーセル内部の測定情報 (電極構造、多孔質構造など) を使用せず、充放電レート特性や温度特性から予測する方法を解説し、更にモジュール/パックへの展開方法を議論する。後半では、主にバッテリー開発者を念頭に、セル内部の測定情報を使用した劣化予測技術を取り扱う。製造プロセスとの関連など発展的な内容を含む。最後に、GPTシリーズやGeminiに代表される大規模言語モデルを用いた予測技術構築への展望を述べる。

1. バッテリーの劣化予測技術の概要
   1. バッテリー劣化の種類とそのメカニズム
   2. さまざまな劣化予測/余寿命予測技術
   3. 機械学習・深層学習を用いた劣化予測の特徴と位置づけ
2. バッテリーユーザ向けの劣化予測 (セル内部の測定情報を使わない場合)
   1. 大量の充放電特性データを用いた余寿命推定
   2. 内部抵抗/容量の時系列データを用いた劣化挙動の推定
   3. 等価回路シミュレーションを用いた劣化予測とデータ同化
   4. バッテリーモジュール、パック、ユニットの劣化予測
3. バッテリー開発者向けの劣化予測 (セル内部の測定情報を使用する場合)
   1. 電極断面SEM像を用いた深層学習による劣化予測
   2. 電気化学に基づく劣化シミュレーションのサロゲートモデル構築
   3. セルによるばらつきを考慮した劣化シミュレーションと統計解析
   4. 製造プロセスモデルと組み合わせた劣化モデリング
4. 大規模言語モデルを用いた劣化/余寿命予測の展望
• 質疑応答