I. はじめに

電気自動車およびエネルギー貯蔵システムの急速な普及に伴い、リチウムイオン電池の State of Health（SOH） を高精度に推定することは、システム安全性の確保と電池寿命の延伸において極めて重要です。

しかし、実運用では主に次の 2 つの課題に直面します。

複雑で変動する環境: 正極材料（NCM、NCA など）の違い、周囲温度の大きな変動、充放電プロトコルの多様性。
データサイロとサンプル不足: 新規電池は使用初期に利用可能データが非常に限られ、従来の深層学習モデルは良好な汎化性能を得るために大量のラベル付きデータを必要とする場合が多い。

これらの課題に対応するため、著名誌 Journal of Power Sources に掲載された論文 Deep transfer learning enabled online state-of-health estimation of lithium-ion batteries under small samples across different cathode materials は、自己注意機構（Self-Attention Mechanism） に基づく 深層転移学習（SDTL） 手法を提案しています。

II. SDTL フレームワーク

本研究では、特徴抽出（feature extraction）、事前学習（pre-training）、ファインチューニング（fine-tuning） という 3 つの中核要素からなる効率的な SDTL システムを提案しています。

自己注意機構に基づく深層転移学習（SDTL）のシステムアーキテクチャ

1. マルチソース健康指標（HI）抽出

研究者らは、充電電圧・電流、放電電圧・電流、および増分容量（IC）曲線から 18 個の健康指標 を抽出しました。さらに Pearson 相関係数（PCC） を用いて SOH と高い相関を持つ特徴（HI3、HI5、HI11 など）を選別することで、入力データの物理的解釈可能性と表現能力を担保しました。

抽出された健康指標（HIs）と SOH の Pearson 相関係数（PCC）解析

2. 自己注意機構

従来の RNN や LSTM とは異なり、SDTL は マルチヘッド自己注意機構（Multi-Head Self-Attention） を採用しています。これにより、時系列中の異なる位置における大域的依存関係を捉えつつ、より重要な劣化特徴に自動的に重み付けを行い、異なる運用条件下での電池劣化パターンをより正確に識別できます。

マルチヘッド自己注意モジュールの構造図

3. 深層転移学習

事前学習（オフライン）: 大量の履歴電池データ（ソースドメイン）を用いて事前学習を行い、一般的な電池劣化パターンを学習。
ファインチューニング（オンライン）: 新規電池タスク（ターゲットドメイン）では、初期サイクルデータの最初の 10% のみでオンライン適応を完了。下位の特徴抽出層を凍結し、出力層パラメータのみを更新することで、高速かつ低コストなクロスシナリオ転移を実現。

III. 実験検証

SDTL の汎化性能を検証するため、研究者らは非常に厳密な実験評価を実施しました。

実験用電池データにおける SDTL モデルの SOH 推定結果

包括的なデータセット構成: 自構築の NCM 電池データセット（1C/2C レート）および公開 NASA NCA 電池データセット（周囲温度 24°C と 4°C を含む）を網羅。
性能結果: 実験結果は、低温（4°C）や高放電レートといった厳しい条件下でも、SDTL が非常に高い推定精度とロバスト性を示すことを確認。
比較優位性: 主流の深層学習アルゴリズムおよび他の転移学習手法と比較して、SDTL は小サンプル条件で明確な優位性を示し、ゼロからのモデル再学習に伴う高コストを回避。

SDTL と主流モデル（CNN-LSTM、GRU、ResNet）の予測性能比較

IV. まとめ

本論文の主な貢献は以下の通りです。

高効率性: 全データの 10% のみで迅速なオンライン適応が可能。
広い適用性: 異なる正極材料（NCM vs NCA）および周囲温度の変化に対応。
工学的価値: BMS（Battery Management Systems）向けに、実用的かつ軽量で高精度な SOH オンライン推定ソリューションを提供。

参考情報

タイトル: Deep transfer learning enabled online state-of-health estimation of lithium-ion batteries under small samples across different cathode materials, ambient temperature and charge-discharge protocols
ジャーナル: Journal of Power Sources (2025)
DOI: 10.1016/j.jpowsour.2025.237503
リンク: https://doi.org/10.1016/j.jpowsour.2025.237503