电池容量的推定方法以及电池容量的推定装置制造方法及图纸

提供一种能够收集在停止了工作的原因的解析中能够利用的信息的电子设备及其信息记录方法。电子设备具备：电源电路，根据外部电源生成多个电源；第1计数器，对外部电源向电源电路的供给停止了的次数进行计数；第2计数器，通过多个电源中的第1电源进行工作，对多个电源的生成停止了的次数进行计数；第3计数器，通过第1电源进行工作，对多个电源中的任一个成为了预定电压以下的次数进行计数；非易失性的第1存储器，存储表示外部电源向电源电路的供给是否正常地停止了的状态信息；以及第4计数器，基于第1存储器所存储着的状态信息，对外部电源向电源电路的供给正常地停止了的次数以及外部电源向电源电路的供给异常地停止了的次数进行计数。

【技术实现步骤摘要】
电池容量的推定方法以及电池容量的推定装置
本公开涉及电池容量的推定方法以及电池容量的推定装置。
技术介绍
专利文献1公开了电池的特性评价方法。在该文献公开的电池的特性评价方法中，基于利用交流阻抗测定法取得的二次电池的反应电阻值，判定二次电池中有无微小短路。现有技术文献专利文献1：日本特开2003－317810号公报
技术实现思路
本专利技术人研究了利用交流阻抗测定法精度良好地评价二次电池的电池容量的方法。用于解决问题的手段在此公开的电池容量的推定方法包括第1步骤、第2步骤、第3步骤。第1步骤中，通过预先确定的AC－IR测定，得到与成为测定对象的电池的奈奎斯特绘制相关的信息。第2步骤中，基于在第1步骤得到的与奈奎斯特绘制相关的信息、和在第1步骤实施AC－IR测定的环境温度，得到在预先确定的第1温度下实施AC－IR测定时得到的奈奎斯特图的图像数据。第3步骤中，将在第2步骤得到的奈奎斯特图的图像数据向学习完成的神经网络模型输入，得到成为测定对象的电池的电池容量的推定值。在此，神经网络模型具备：输入层，构成为被输入成为测定对象的电池的奈奎斯特图的图像数据；中间层，构成为基于输入至输入层的图像数据得到电池容量的推定值；以及输出层，构成为输出在中间层得到的电池容量的推定值。根据所述方法，针对输入至神经网络模型的输入层的奈奎斯特图的图像数据，由于具备AC－IR测定的温度条件，所以使得高精度得到电池容量的推定值。学习完成的神经网络模型也可以构筑为，与成为测定对象的电池相关，通过学习将通过在预先确定的第1温度下所实施的AC－IR测定得到的奈奎斯特图的图像数据、和电池容量的评价值进行了关联而得到的学习用数据，基于输入至输入层的图像数据得到电池容量的推定值。中间层也可以构成为，具备多个人工神经元，多个人工神经元分别包含表示人工神经元间的结合的强度的至少1个加权系数，通过基于加权系数进行运算，从而根据输入至神经网络模型的输入层的奈奎斯特图的图像数据，得到电池容量的推定值。该情况下，加权系数也可以与成为测定对象的电池相关，通过学习将基于在预先确定的第1温度下通过AC－IR测定得到的奈奎斯特绘制并利用预先确定的方法得到的奈奎斯特图的图像数据、和电池容量的评价值进行了关联而得到的学习用数据而被确定。另外，在第1步骤得到的与奈奎斯特绘制相关的信息也可以包含，用于根据奈奎斯特绘制得到奈奎斯特图的等效电路的参数。第2步骤中，也可以基于在第1步骤实施AC－IR测定的环境温度，修正用于根据在第1步骤得到的奈奎斯特绘制得到奈奎斯特图的等效电路的参数，得到在预先确定的第1温度下实施AC－IR测定时得到的奈奎斯特图的图像数据。第2步骤中，也可以将在第1步骤实施AC－IR测定的环境温度、和在该环境温度下得到的奈奎斯特图的图像数据向第2学习完成的神经网络模型的输入层输入，得到在预先确定的第1温度下实施AC－IR测定时得到的奈奎斯特图的图像数据。第2学习完成的神经网络模型也可以构筑为，与成为测定对象的电池相关，通过学习将实施AC－IR测定的环境温度、在该环境温度下得到的奈奎斯特图的图像数据、和在预先确定的第1温度下通过AC－IR测定得到的奈奎斯特图的图像数据进行了关联而得到的第2学习用数据，基于输入至第2学习完成的神经网络模型的输入层的、环境温度和奈奎斯特图的图像数据，得到在预先确定的第1温度下实施AC－IR测定时得到的奈奎斯特图的图像数据。另外，在此公开的电池容量的推定装置具备第1记录部、预处理部、和容量推定部。第1记录部将与奈奎斯特绘制相关的信息、和实施得到该奈奎斯特绘制的AC－IR测定时的环境温度进行关联并记录。预处理部构成为，基于第1记录部所记录的环境温度、和与奈奎斯特绘制相关的信息，得到在预先确定的第1温度下实施AC－IR测定时得到的奈奎斯特图的图像数据。容量推定部构成为使用学习完成的神经网络模型得到电池容量的推定值。在此，学习完成的神经网络模型具备：输入层，构成为被输入在预处理部得到的奈奎斯特图的图像数据；和中间层，构成为基于被输入至输入层的图像数据得到电池容量的推定值根据所述电池容量的推定装置，在预处理部中，得到通过在预先确定的第1温度下所实施的AC－IR测定得到的奈奎斯特图的图像数据。而且，将在预处理部得到的奈奎斯特图的图像数据向神经网络模型的输入层输入，基于输入至输入层的图像数据得到电池容量的推定值。就输入至神经网络模型的输入层的奈奎斯特图的图像数据而言，由于具备AC－IR测定的温度条件，所以使得高精度得到电池容量的推定值。附图说明图1是表示对AC－IR测定进行测定的测定装置60的一例的示意图。图2是表示多个模块M的奈奎斯特绘制(Nyquistplot)的一例的图。图3是表示等效电路模型80的一例的电路图。图4是在此公开的电池容量的推定方法的流程图。图5是电池容量的推定装置10的构成图。图6是表示由预处理部16进行的处理的示意图。图7是表示电池容量的推定装置10的其他方式的构成图。图8是表示从二次电池的回收到制造(再利用)、贩卖为止的物流模型的示意图。具体实施方式以下，对在此公开的电池容量的推定方法以及电池容量的推定装置的一实施方式进行说明。在此说明的实施方式当然不是意在特别对本专利技术进行限定。本专利技术除非另有言及，并不限定于在此说明的实施方式。在此公开的电池容量的推定方法以及推定装置中，作为AC－IR测定的测定结果将奈奎斯特绘制(Nyquistplot)以及奈奎斯特图(Nyquistdiagram)利用于电池容量的推定中。在此，首先对AC－IR测定、奈奎斯特绘制以及奈奎斯特图进行说明。＜AC－IR测定＞在AC－IR测定中，一边按预先确定的频率使频率变化，一边测定电池内部的交流阻抗。例如，将1MHz～100MHz的范围所包含的多个频率的交流信号向二次电池的电极间依次施加。每当施加各频率的交流信号，计测响应信号。对所施加的交流信号和所计测的响应信号的各个组合算出阻抗的实数分量和虚数分量，在二维坐标的横轴和纵轴分别进行绘制(plot)处理。因此，AC－IR测定的测定值是作为奈奎斯特绘制(Nyquistplot)而得到的。AC－IR测定也被称为交流阻抗测定。＜测定装置60＞图1是表示对AC－IR测定进行测定的测定装置60的一例的示意图。测定装置60具备：振荡器61、恒电位仪(Potentiostat)62、锁相放大器(lockinamplifier)63、绘图仪(Plotter)64、温度计65、拟合部(Fitting)66、记录部67。测定装置60虽然省略图示，但是可以具备控制器(例如，CPU等的处理器)、存储器、以及输入输出端口等。测定装置60的各构成要素，例如拟合部66和/或记录部67等，也可以构成为，通过测定装置60的硬件构成、和被编程为各自发挥预定的功能的软件的协调工作而实现。此外，如图1所示，测定本文档来自技高网...

【技术保护点】
1.一种电池容量的推定方法，包括：/n第1步骤，通过预先确定的AC－IR测定，得到与成为测定对象的电池的奈奎斯特绘制相关的信息；/n第2步骤，基于在所述第1步骤得到的与奈奎斯特绘制相关的信息、和在所述第1步骤实施AC－IR测定的环境温度，得到在预先确定的第1温度下实施AC－IR测定时得到的奈奎斯特图的图像数据；以及/n第3步骤，将在所述第2步骤得到的奈奎斯特图的图像数据向学习完成的神经网络模型输入，得到所述成为测定对象的电池的电池容量的推定值，/n在此，/n所述神经网络模型具备：/n输入层，构成为被输入成为测定对象的电池的奈奎斯特图的图像数据；/n中间层，构成为基于输入至所述输入层的图像数据得到电池容量的推定值；以及/n输出层，构成为输出在所述中间层得到的电池容量的推定值。/n

【技术特征摘要】
20181220 JP 2018-2383881.一种电池容量的推定方法，包括：
第1步骤，通过预先确定的AC－IR测定，得到与成为测定对象的电池的奈奎斯特绘制相关的信息；
第2步骤，基于在所述第1步骤得到的与奈奎斯特绘制相关的信息、和在所述第1步骤实施AC－IR测定的环境温度，得到在预先确定的第1温度下实施AC－IR测定时得到的奈奎斯特图的图像数据；以及
第3步骤，将在所述第2步骤得到的奈奎斯特图的图像数据向学习完成的神经网络模型输入，得到所述成为测定对象的电池的电池容量的推定值，
在此，
所述神经网络模型具备：
输入层，构成为被输入成为测定对象的电池的奈奎斯特图的图像数据；
中间层，构成为基于输入至所述输入层的图像数据得到电池容量的推定值；以及
输出层，构成为输出在所述中间层得到的电池容量的推定值。


2.根据权利要求1所述的电池容量的推定方法，
所述学习完成的神经网络模型构筑为，与成为测定对象的电池相关，通过学习将通过在所述预先确定的第1温度下所实施的AC－IR测定得到的奈奎斯特图的图像数据、和电池容量的评价值进行了关联而得到的学习用数据，基于输入至所述输入层的图像数据得到电池容量的推定值。


3.根据权利要求1或2所述的电池容量的推定方法，
所述中间层构成为，具备多个人工神经元，所述多个人工神经元分别包含表示人工神经元间的结合的强度的至少1个加权系数，通过基于所述加权系数进行运算，从而根据输入至所述神经网络模型的输入层的奈奎斯特图的图像数据，得到电池容量的推定值，
所述加权系数，与成为测定对象的电池相关，通过学习将基于在所述预先确定的第1温度下通过AC－IR测定得到的奈奎斯特绘制并利用预先确定的方法得到的奈奎斯特图的图像数据、和电池容量的评价值进行了关联而得到的学习用数据而被确定。


4.根据权利要求1至3中任一项所述的电池容量的推定方法，
在所述第1步骤得到的与奈奎斯特绘制相关的信息包含，用于根据奈奎斯特绘制得到奈奎斯特图的等效电路的参数，
所述第2步骤中，基于在所述第1步骤实施AC－IR测定的环境温度，修正用于根据在所述第1步骤得到的奈奎斯特绘制得到奈奎斯特图的等效电路的参数，得到在预先确定的第1温度下实施AC－IR测定时得到的奈奎斯特图的图像数据。


5.根据权利要求1至3中任一项所述的电池容量的推定方法，
所述第2步骤中，将在所述第1步骤实施AC－IR测定的环境温度、和在该环境温度下得到的奈奎斯特图的图像数据向第2学习完成的神经网络模型的输入层输入，得到在预先确定的第1温度下实施AC－IR测定时得到的奈奎斯特图的图像数据。


6.根据权利要求5所述的电池容量的推定方法，
所述第2学习完成的神经网络模型构筑为，与成为测定对象的电池相关，通过学习将实施AC－IR测定的环境温度、在该环境温度下得到的奈奎斯特图的图像数据、和在所述预先确定的第1温度下通过AC－IR测定得到的奈奎斯特图的图像数据进行了关联而得到的第2学习用数据，基于输入至所述第2学习完成的神经网络模型的输入层的、环境温度和奈奎斯特图的图像数据，得到在预先确定的第1温度下实施AC－IR测定时得到的奈奎斯特图的图像数据。


7.一种电池容量的推定装置，具备：
第1记录部，将与奈奎斯特绘制相关的...

【专利技术属性】
技术研发人员：泉纯太，三井正彦，八十岛珠仁，
申请(专利权)人：丰田自动车株式会社，
类型：发明
国别省市：日本;JP