TaiLexi AI日本の判例・法令
← ホーム
審決特許庁不成立

特許庁審決 令和7年10月29日

不服2024-009518 劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム

結論

本件審判の請求は、成り立たない。

続きを見る ↓

この資料について AI に質問

機関
特許庁
年月日
令和7年10月29日 (2025-10-29)
事件番号
不服2024-009518
事件名
劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム
種類・結果
審決 不成立
掲載
—
争点・税目
拒絶査定不服審判 / 特許
分野
知的財産

結論

本件審判の請求は、成り立たない。

AI 要約AI

要旨

  • 蓄電デバイスの劣化判定装置の発明について、種類推定モデルと劣化推定モデルを備える点で引用発明と一致し、外れ値の許容範囲の記憶・出力・判定という相違点は、周知技術の適用と設計変更により当業者が容易に想到し得るとした事例
事案の概要・争点・判断などを表示

事案の概要

  • 本願は、令和3年3月12日の特許出願(劣化判定装置等)であり、令和5年11月27日付け拒絶理由通知、令和6年1月24日意見書・手続補正書提出、同年4月11日付け拒絶査定を経て、同年6月6日に審判請求がされた。
  • 本願発明(請求項1)は、蓄電デバイスの劣化度を判定する装置であって、種類推定モデルと劣化推定モデルを記憶する記憶部、測定結果から種類を推定し劣化度を判定する制御部、外れ値検出手法の評価値に基づく許容範囲の記憶、外れ値を出力し許容範囲内の測定結果で劣化度を判定する構成を備える。
  • 原査定の拒絶理由は、引用文献1(特開2014-178213号公報)に記載された発明に基づき、特許法29条2項により進歩性が欠如するというものであった。
  • 引用文献1には、二次電池の等価回路モデルの定数を用いて教師付学習モデルで種類を識別し、種類に応じた検出式で劣化容量を検出する発明が記載されている。引用文献3(特開2020-107577号公報)に基づき、異質な測定データを除外して劣化状態推定を行う技術が周知技術1と認定された。

争点

  • 本願発明が、引用発明及び周知技術1に基づいて当業者が容易に発明をすることができたか否か

判断

  • 本願発明と引用発明は、蓄電デバイスの劣化度を判定する装置、種類推定モデルと劣化推定モデルを記憶する記憶部、測定結果から種類を推定し劣化度を判定する制御部を備える点で一致する。
  • 相違点は、本願発明が外れ値検出手法の評価値に基づく許容範囲を記憶し、許容範囲外の測定結果を外れ値として出力し、許容範囲内の測定結果のみを説明変数として劣化度を判定するのに対し、引用発明はこの点が特定されていない点である。
  • 周知技術1(異質な測定データを除外して劣化状態推定を行う技術)は引用発明と共通の課題を有し、適用の動機付けがある。閾値の決定・記憶やエラー出力は設計事項であり、相違点に係る構成は容易に想到し得る。
  • 本願発明の効果は当業者が予測・発見困難で格別顕著なものとは認められず、進歩性は否定される。請求人の主張(種類推定時に外れ値を除外する点)は特許請求の範囲の記載に基づかず、採用できない。

判旨(本文から引用)

  • 「引用発明に周知技術1を適用するとともに適宜設計変更することにより、前記相違点に係る本願発明の構成とすることは、当業者が容易に想到し得たことである。」
  • 「本願発明が奏する効果としては、当該構成のものとして当業者が予測・発見困難であり、かつ、格別顕著な効果を認めることはできない。」

結論

  • 本件審判の請求は、成り立たない。

AI が本文から作成した要約です。引用の際は本文をご確認ください。

当事者

請求人 株式会社豊田中央研究所(代理人 弁理士法人アイテック国際特許事務所)

審判番号 不服2024-009518

請求人 株式会社豊田中央研究所(代理人 弁理士法人アイテック国際特許事務所)

特願2021-39920「劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム」拒絶査定不服審判事件〔令和4年9月26日出願公開、特開2022-139501〕について、次のとおり審決する。

結 論

本件審判の請求は、成り立たない。

理 由

1 手続の経緯

本願は、令和3年3月12日の特許出願であって、その手続の経緯の概略は、次のとおりである。

令和5年11月27日付け:拒絶理由通知書

令和6年1月24日  :意見書、手続補正書の提出

同年4月11日付け:拒絶査定(以下「原査定」という。)

(   同月23日  :原査定の謄本の送達)

同年6月6日  :審判請求書、手続補正書の提出

2 本願発明について

(1) 本願発明の認定

本願の請求項1に係る発明(以下「本願発明」という。)は、令和6年6月6日に提出された手続補正書により補正された特許請求の範囲の請求項1に記載された次に示す事項により特定されるとおりのものである。

「【請求項1】

蓄電デバイスの劣化度を判定する劣化判定装置であって、

種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルと、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部と、

判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて前記種類推定モデルから該蓄電デバイスの種類を推定し、推定した種類に該当する前記劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する制御部と、を備え、

前記記憶部は、蓄電デバイスの測定因子を用い所定の外れ値検出手法の評価値に基づいて構築された許容範囲、を記憶し、

前記制御部は、判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である前記測定結果を外れ値として、表示装置への表示出力、スピーカからの音声出力、印刷装置からの印刷出力、及び記憶部への記憶出力のうちいずれか1以上により、前記説明変数として用いられないように出力し、前記評価値が前記許容範囲内である前記測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する、劣化判定装置。」

(2) 本願発明の分説

検討の便宜上、本願発明の構成を次のように構成Xと構成Aから構成Eまでに分説する。また、参考図として、本願の【図1】を元に部材名を記入したものを掲載する。

<本願発明の分説>

X 蓄電デバイスの劣化度を判定する劣化判定装置であって、

A 種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルと、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部と、

B 判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて前記種類推定モデルから該蓄電デバイスの種類を推定し、推定した種類に該当する前記劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する制御部と、を備え、

C 前記記憶部は、蓄電デバイスの測定因子を用い所定の外れ値検出手法の評価値に基づいて構築された許容範囲、を記憶し、

D 前記制御部は、判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である前記測定結果を外れ値として、表示装置への表示出力、スピーカからの音声出力、印刷装置からの印刷出力、及び記憶部への記憶出力のうちいずれか1以上により、前記説明変数として用いられないように出力し、

E 前記評価値が前記許容範囲内である前記測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する、

X 劣化判定装置。

<参考図>

【図1】

〔図省略〕

(3) 課題・作用効果等に関連する明細書の発明の詳細な説明の記載

本願明細書の発明の詳細な説明の記載のうち、発明が解決しようとする課題及び作用効果等に関連する記載を抜粋すると、次の記載がある。

「【0001】

本明細書では劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラムを開示する。

【背景技術】

【0002】

従来、蓄電デバイスの劣化判定方法としては、例えば、交流インピーダンス法とパターン分類アルゴリズムを用いた機械学習によるリチウムイオン二次電池の劣化診断方法が提案されている(例えば、特許文献1参照)。この劣化判定方法では、リチウムイオン電池等の劣化判定を高速に行うことができるとしている。また、蓄電デバイスの容量劣化の推定方法としては、交流インピーダンスの測定結果で重回帰分析による容量劣化診断を行う方法が提案されている(例えば、特許文献2参照)。また、蓄電デバイスの劣化判定方法としては、リチウムイオン電池、ニッケル・カドミウム電池およびニッケル水素電池の種類を検出し、それぞれの充電制御方式の充電時間、例えば、リチウムイオン電池は定電流充電(CC)時間で容量劣化を推定するものが提案されている(例えば、特許文献3参照)。また、蓄電デバイスの劣化判定方法としては、電圧と電流の測定値から等価回路により解析し、その値を基に鉛電池、ニッケル水素電池、リチウムイオン電池、ニッケル・カドミウム電池のいずれかであることを特定するものが提案されている(例えば、特許文献4参照)。この方法では、手法はニューラルネットワーク、サポートベクターマシンを推奨している。

…(中略)…

【0005】

しかしながら、上述の特許文献1、2では、どのようなデータを劣化診断に使うかは言及されておらず、また、インピーダンスを説明変数に使用しているが、まだ十分でなく、更なる改良が望まれていた。また、特許文献3では、電圧及び電流等の変化に基づいて電池の種類を識別するとしているが、実際に電池の種類を検出した例が示されていなかった。種類の識別は、形状ラベルなどで判定し、スイッチのオン・オフで充放電のプログラムを制御していると記載されているが、形状ラベルがない物は識別不可能であった。また、引用文献4では、リチウムイオン電池内の電池種類を特定するのは、電池材料の近いものを使用しているため異種電池内の電池選別に比べて難易度が高かった。…(中略)…このように、蓄電デバイスの劣化判定方法としては、その精度が十分でなく、更なる改良が望まれていた。

【0006】

本開示は、このような課題に鑑みなされたものであり、より高い精度で蓄電デバイスの劣化度を評価することができる新規な劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラムを提供することを主目的とする。」

「【発明の効果】

【0014】

本開示の劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラムでは、より高い精度で蓄電デバイスの劣化度を評価することができる。本開示がこのような効果を奏する理由は、以下のように推察される。例えば、劣化判定を行う蓄電デバイスは、例えば、同種であっても製造会社が異なるなど、細かな点で異なることがある。このような場合、全ての蓄電デバイスから劣化判定を行う推定モデルを構築するのに比して、各種類ごとに推定モデルを構築した場合の方が、より高精度な劣化判定を行うことができる。また、蓄電デバイスの種類を特定するアルゴリズムを導入することによって、蓄電デバイスの種類を高精度に推定し、劣化判定の精度をより高めることができる。

【0015】

また、測定不良の結果など、外れ値を用いて蓄電デバイスの劣化度を推定すると、間違った判断をすることがあり得る。一方、本開示では、所定の外れ値検出手法の評価値を用いて事前にこのような外れ値のデータを報知するから、誤った判定を低減することができる。また、劣化推定の推定モデル構築に使用したデータベースにはない新規現象などで外れ値として検出されたセルの詳細を調べ、それを推定モデル構築用データベースに繰り込むことにより、新規現象に対応した予測が行えるようになり、予測精度を向上することができる。」

「【0020】

劣化判定装置20は、劣化度が既知である蓄電デバイスを測定した結果から得られた劣化推定モデル33を利用し、劣化度が不明の判定対象14を測定した結果からこの判定対象14の劣化度を推定する劣化度推定処理を行う装置である。また、劣化判定装置20は、種類が既知である蓄電デバイスを測定した結果から得られた種類推定モデル32を利用し、種類が不明の判定対象14を測定した結果からこの判定対象14の種類を推定する種類推定処理を行う装置である。ここで、「種類」には、正極活物質や負極活物質の違いなど蓄電デバイス自体の種類のほか、同一カテゴリ(例えば「リチウムイオン二次電池」など)における製造会社や型番の違いなどを含む製品種も含まれる。また、劣化判定装置20は、判定対象14の測定結果を用い、所定の外れ値検出手法を用いてこの測定結果が外れ値であるときには、その旨出力する外れ値出力処理を実行する。なお、劣化判定装置20は、劣化推定処理、種類推定処理及び外れ値出力処理において、同じ測定因子を用いてもよいし、それぞれ異なる測定因子を用いてもよいが、同じ測定因子を用いることが効率よく好ましい。劣化判定装置20は、制御部21と、記憶部22と、入力装置28と、表示装置29と、を備える。入力装置28は、各種入力を行うマウスやキーボードなどを含む。表示装置29は、画面を表示するものであり、例えば液晶ディスプレイである。

【0021】

制御部21は、CPUを中心とするマイクロプロセッサとして構成されており、装置全体を制御する。また、制御部21には、機能ブロックとして、測定装置15から測定結果を取得する取得部と、取得した測定結果と種類推定モデル32とから蓄電デバイス13の種類を推定する種類推定部と、測定結果から許容範囲31を用いて外れ値を検出する検出部と、測定結果と劣化推定モデル33とから劣化度を推定する劣化推定部と、推定した劣化度から判定対象14である蓄電デバイス13のリユースの可否を判定する判定部と、を有する。この機能ブロックは、制御部21が外れ値検出プログラム34、種類推定プログラム35及び劣化判定プログラム36を実行することによって実現される。

【0022】

記憶部22は、例えば、HDDなど、大容量の記憶装置として構成されており既知試験結果23や、機械学習プログラム30、許容範囲31、種類推定モデル32、劣化推定モデル33、外れ値検出プログラム34、種類推定プログラム35、劣化判定プログラム36などが記憶されている。既知試験結果23は、劣化度が既知である蓄電デバイス13の測定結果である。この既知試験結果23は、種類推定モデル32や劣化推定モデル33を構築するために用いられるものであり、測定結果としてインピーダンス24、開放電圧25、測定温度26、劣化度27などが含まれる。劣化度27は、例えば、初期の最大放電容量を100%とした場合において、連続又は断続的に使用されたあと、劣化により低減した最大放電容量の割合として定義することができる。

【0023】

許容範囲31は、例えば、蓄電デバイスの測定因子を用い所定の外れ値検出手法に基づいて構築された閾値である。測定因子としては、上述のうち、既知試験結果23のインピーダンス24の実部Z’とその測定温度T、この蓄電デバイス13の開放電圧Vなどが挙げられ、更にインピーダンス24の虚部Z”などを含んでもよい。外れ値検出手法としては、例えば、LOF(Local outlier factor)や、ホテリング理論、K近傍法、1クラスサポートベクターマシーンなどが挙げられ、このうち、LOFが好ましい。」

「【0035】

(判定ステップ)

この判定ステップでは、判定対象14である蓄電デバイス13の測定因子の測定結果を説明変数として用い種類推定モデル32からこの判定対象14の種類を推定し、推定した種類に該当する劣化推定モデル33から測定結果を説明変数として用いてこの判定対象14の蓄電デバイス13の劣化度を判定する処理を行う。…(中略)…図3は、制御部21により実行される劣化判定処理ルーチンの一例を示すフローチャートである。このルーチンは、記憶部22に記憶され、使用者の指示に応じて実行される。使用者は、許容範囲31、種類推定モデル32及び劣化推定モデル33を構築したのち、判定対象14を交流インピーダンスアナライザ17へ接続したのち、このルーチンを実行させる。」

「【図3】

〔図省略〕

」

「【0036】

このルーチンを実行すると、制御部21は、判定対象14の測定因子を取得し(S200)、判定対象14の測定因子の測定結果を取得する(S210)。ここでは、測定因子として、測定因子の種類(Z’,Z”,T,Vなど)のほか、インピーダンスの測定点(周波数の点数)についても取得するものとする。…(中略)…測定温度Tは、例えば、上述したように、-30℃~60℃の範囲で適宜定めるものとしてもよい。測定装置15は、設定された測定温度Tに恒温槽16を制御し、設定された測定点で交流インピーダンスアナライザ17によってインピーダンスを測定する。

【0037】

次に、制御部21は、全ての測定結果を取得したか否かを判定し(S220)、全ての測定点のデータを取得していないときには、S210以降の処理を実行する。制御部21は、S210では、取得していない次の測定点を設定する。一方、S220で全ての測定結果を取得したときには、制御部21は、インピーダンスの実部Z’及び/又は虚部Z”と開放電圧Vと、更には測定温度Tを用い、外れ値検出手法を用いて評価値を算出する(S230)。制御部21は、例えば、LOFを用いて評価値を算出する。次に、制御部21は、評価値が許容範囲31内であるか否かを判定し(S240)、許容範囲31内でないとき、即ち評価値が許容範囲31外であるときには、外れ値情報を出力する(S250)。外れ値情報には、判定対象14の測定結果が異常値である旨の内容を含むものとしてもよい。外れ値情報の出力は、例えば、表示装置29への表示出力としてもよいし、図示しないスピーカから音声出力してもよいし、図示しない印刷装置から印刷出力してもよいし、記憶部22へ記憶出力してもよい。使用者は、この外れ値情報を確認すると、判定対象14の接続などを確認し、測定装置15で再測定させるなどの作業を行う。

【0038】

一方、S240で評価値が許容範囲31内であるときには、制御部21は、測定結果を用いて、種類推定モデル32から判定対象14の種類を推定する処理を実行する(S260)。制御部21は、全測定点の説明変数の測定値に最も適合する種類を種類推定モデル32を用いて導出する。種類推定モデル32は、機械学習によって構築されており、極めて高い確率で判定対象14の種類を推定することができる。次に、制御部21は、推定した種類に応じた劣化推定モデル33を設定し(S270)、測定結果を用いて、この劣化推定モデル33から判定対象14の劣化度を推定する(S280)。制御部21は、全測定点の説明変数の測定値に最も適合する劣化度を劣化推定モデル33を用いて導出する。劣化推定モデル33は、機械学習によって構築されており、極めて高い確率で判定対象14の劣化度を推定することができる。続いて、制御部21は、推定された劣化度が所定の閾値内であるか否かを判定する(S290)。この閾値は、例えば、判定対象14の蓄電デバイス13が再調整によってリユース可能である下限値に基づいて経験的に設定されているものとする。

…(中略)…

【0041】

以上説明した本実施形態の劣化判定装置20及び劣化判定システム10では、より高い精度で蓄電デバイスの劣化度を評価することができる。劣化判定装置20や劣化判定システム10がこのような効果を奏する理由は、以下のように推察される。例えば、劣化判定を行う蓄電デバイス13は、例えば、同種であっても製造会社が異なるなど、細かな点で異なることがある。このような場合、全ての蓄電デバイス13から劣化判定を行う推定モデルを構築するのに比して、各種類ごとに推定モデルを構築した場合の方が、より高精度な劣化判定を行うことができる。また、蓄電デバイスの種類を特定するアルゴリズムを導入することによって、蓄電デバイスの種類を高精度に推定し、劣化判定の精度をより高めることができる。

【0042】

また、測定不良の結果など、外れ値を用いて蓄電デバイスの劣化度を推定すると、間違った判断をすることがあり得る。一方、本開示では、所定の外れ値検出手法の評価値を用いて事前にこのような外れ値のデータを報知するから、誤った判定を低減することができる。また、劣化推定の推定モデル構築に使用したデータベースにはない新規現象などで外れ値として検出されたセルの詳細を調べ、それを推定モデル構築用データベースに繰り込むことにより、新規現象に対応した予測が行えるようになり、予測精度を向上することができる。

【0043】

図5は、外れ値検出と劣化推定との関係を説明するスキームである。劣化判定装置20では、まず測定がうまくいっているか判断し、外れ値検出されたときには、測定不良として再測定する。外れ値検出にはもう一つ役目がある。診断モデル構築に使用したデータベースとは異質のデータとして検知した場合、その蓄電デバイス13の詳細な測定を行い、診断用データベースに繰り込み、劣化推定モデルをアップデートしていくことができる。外れ値検出で、正常値とみなされた場合は、測定値を用いて蓄電デバイス13の種類の推定を行う。回収された蓄電デバイス13が複数の種類からなる場合は、この種類推定を行う方がより好ましい。蓄電デバイス13の種類が特定できたら各蓄電デバイス13の種類に応じた劣化推定モデル33を用いて劣化推定を行うことによって、より高い精度で劣化判定を行うことができる。」

「【図5】

〔図省略〕

」

3 原査定における拒絶の理由の概要

原査定の拒絶の理由のうち、本願発明に対する理由3(進歩性の欠如)の概要は、次のとおりである。

理由3(進歩性の欠如)

本願発明は、出願前に発行された下記の引用文献に記載された発明に基づいて、出願前にその発明の属する技術の分野における通常の知識を有する者が容易に発明をすることができたものであるから、特許法29条2項の規定により特許を受けることができない。

記

引用文献1.特開2014-178213号公報(主たる引用文献)

引用文献3.特開2020-107577号公報

4 引用文献1の記載事項及び引用発明の認定

(1) 引用文献1に記載された事項

原査定の拒絶の理由において引用された、本願の出願前に発行された文献である特開2014-178213号公報(以下「引用文献1」という。)には、次の記載がある(なお、当合議体により、後記(3)の引用発明の認定に直接用いる記載に下線を付した。)。

ア 【請求項1】~【請求項6】

「【請求項1】

二次電池の状態を検出する二次電池状態検出装置において、

前記二次電池に流れる電流の電流値と、当該電流によって前記二次電池に生じる電圧の電圧値を所定の頻度で測定する測定手段と、

前記測定手段によって測定された電圧値および電流値に基づいて、前記二次電池の等価回路モデルの素子定数を最適化する最適化手段と、

前記最適化手段によって最適化された前記等価回路モデルの素子定数を参照して、前記二次電池の種類を識別する識別手段と、

前記等価回路モデルの素子定数に基づいて前記二次電池の状態を検出する検出式を、前記二次電池の種類毎に格納する格納手段と、

前記識別手段によって識別された種類に対応する検出式を、前記格納手段から取得する取得手段と、

前記取得手段によって取得された前記検出式に前記素子定数を適用することで、前記二次電池の状態を検出する検出手段と、

を有することを特徴とする二次電池状態検出装置。

【請求項2】

前記識別手段は、前記等価回路モデルの複数の素子定数の相互の関係に基づいて、前記二次電池の種類を識別することを特徴とする請求項1に記載の二次電池状態検出装置。

…(中略)…

【請求項5】

前記識別手段は、前記二次電池の等価回路モデルの定数を入力とし、当該二次電池の種類を特定するための情報を出力とする学習モデルであって、当該入出力のペアにより予め識別能力を持った学習モデルを有し、この学習モデルにより前記二次電池の種類を識別することを特徴とする請求項2に記載の二次電池状態検出装置。

【請求項6】

前記学習モデルは、ニューラル・ネットワークまたはサポート・ベクター・マシンであることを特徴とする請求項5に記載の二次電池状態検出装置。」

イ 【0001】~【0008】

「【0001】

本発明は、二次電池状態検出装置および二次電池状態検出方法に関するものである。

【背景技術】

【0002】

二次電池の劣化度(SOH:State Of Health)や放電能力(SOF:State Of Function)を検出するために、二次電池の内部抵抗または内部インピーダンスを用いる方法が知られている。しかし、二次電池の内部抵抗は複数の抵抗成分の合成であることから、高精度に二次電池状態を検知するためには、各抵抗成分を分解して求める必要があり、特に、反応抵抗を精度良く求める必要がある。このための技術として、例えば、特許文献1をはじめ、特許文献2,3の技術が開示されている。

…(中略)…

【発明が解決しようとする課題】

【0007】

ところで、特許文献1~3に開示された技術では、特定の二次電池のみを対象として状態を検出する場合には、高精度な検出を実現することが可能であるが、種類の異なる複数の二次電池に対応することは困難である。

【0008】

そこで、本発明は、種類が異なる複数の二次電池の状態を高精度で検出することが可能な二次電池状態検出装置および二次電池状態検出方法を提供することを目的としている。」

ウ 【0022】~【0025】、【図1】、【図2】

「【0022】

(A)第1実施形態の構成の説明

図1は、本発明の第1実施形態に係る二次電池状態検出装置を有する車両の電源系統を示す図である。この図において、二次電池状態検出装置1は、制御部10、電圧センサ11、電流センサ12、温度センサ13、および、放電回路15を主要な構成要素としており、二次電池14の状態を検出する。ここで、制御部10は、電圧センサ11、電流センサ12、および、温度センサ13からの出力を参照し、二次電池14の状態を検出する。電圧センサ11は、二次電池14の端子電圧を検出し、制御部10に通知する。電流センサ12は、二次電池14に流れる電流を検出し、制御部10に通知する。温度センサ13は、二次電池14自体または周囲の環境温度を検出し、制御部10に通知する。放電回路15は、例えば、直列接続された半導体スイッチと抵抗素子等によって構成され、制御部10によって半導体スイッチがオン/オフ制御されることにより二次電池14をパルス放電させる。なお、抵抗素子を介して放電するのではなく、例えば、定電流回路を介して放電することで、放電電流が一定になるようにしてもよい。」

「【図1】

〔図省略〕

」

「【0023】

二次電池14は、例えば、鉛蓄電池、ニッケル・カドミウム電池、ニッケル水素電池、または、リチウムイオン電池等によって構成され、オルタネータ16によって充電され、スタータモータ18を駆動してエンジンを始動するとともに、負荷19に電力を供給する。オルタネータ16は、エンジン17によって駆動され、交流電力を発生して整流回路によって直流電力に変換し、二次電池14を充電する。

【0024】

エンジン17は、例えば、ガソリンエンジンおよびディーゼルエンジン等のレシプロエンジンまたはロータリーエンジン等によって構成され、スタータモータ18によって始動され、トランスミッションを介して駆動輪を駆動し車両に推進力を与えるとともに、オルタネータ16を駆動して電力を発生させる。スタータモータ18は、例えば、直流電動機によって構成され、二次電池14から供給される電力によって回転力を発生し、エンジン17を始動する。負荷19は、例えば、電動ステアリングモータ、デフォッガ、イグニッションコイル、カーオーディオ、および、カーナビゲーション等によって構成され、二次電池14からの電力によって動作する。

【0025】

図2は、図1に示す制御部10の詳細な構成例を示す図である。この図に示すように、制御部10は、CPU(Central Processing Unit)10a、ROM(Read Only Memory)10b、RAM(Random Access Memory)10c、通信部10d、I/F(Interface)10eを有している。ここで、CPU10aは、ROM10bに格納されているプログラム10baに基づいて各部を制御する。ROM10bは、半導体メモリ等によって構成され、プログラム10baや後述する式等を格納している。RAM10cは、半導体メモリ等によって構成され、プログラムbaを実行する際に生成されるデータや、後述する数式等のパラメータ10caを格納する。通信部10dは、上位の装置であるECU(Electric Control Unit)等との間で通信を行い、検出した情報を上位装置に通知する。I/F10eは、電圧センサ11、電流センサ12、および、温度センサ13から供給される信号をデジタル信号に変換して取り込むとともに、放電回路15に駆動電流を供給してこれを制御する。」

「【図2】

〔図省略〕

」

エ 【0026】~【0037】、【図3】~【図6】

「【0026】

(B)第1実施形態の動作の説明

つぎに、図を参照して、第1実施形態の動作について説明する。以下では、第1実施形態の動作の原理について説明した後、フローチャートを参照して、詳細な動作を説明する。

【0027】

制御部10のCPU10aは、図示しないイグニッションスイッチがオンの状態にされ、スタータモータ18が回転を開始すると、制御部10は、電圧センサ11および電流センサ12から出力される二次電池14の電圧値と電流値を所定の周期で取得する。CPU10aは、このようにして取得した電圧値と電流値を、RAM10cに格納する。図3は、スタータモータ18が回転された時の、電圧と電流の時間的な変化を示している。この図3に示すように、スタータモータ18が起動されると、回転開始時は数百アンペア程度の電流が流れるとともに、この電流に起因して二次電池14の端子電圧が降下する。そして、スタータモータ18が回転を開始すると電流は減少し、またこれにより、電圧の降下も緩和される。そして、エンジン17が始動して回転を開始すると、電流は急激に減少し、一定の回転数を超えると充電に転じる。このような電圧と電流の変化は、所定の周期でサンプリングされ、RAM10cに格納される。」

「【図3】

〔図省略〕

」

「【0028】

つぎに、CPU10aは、RAM10cに格納されている電圧と電流の測定値を取得し、図4に示す二次電池14の等価回路の各素子値(Rohm,Rct1,C1,Rct2,C2)を最適化する。なお、この最適化の手法としては、例えば、特許第4532416号に記載されているように、例えば、拡張カルマンフィルタ演算により最適な状態ベクトルXを推定し、推定された状態ベクトルXから等価回路の調整パラメータ(素子値)を最適なものに更新する。具体的には、ある状態における状態ベクトルXから得られる調整パラメータを用いた等価回路に基づき、所定の電流パターンで二次電池に放電させたときの電圧降下ΔVを計算し、これが実測値に近づくように状態ベクトルXを更新する。そして、更新により最適化された状態ベクトルXから、最適な調整パラメータを算出する。もちろん、これ以外の方法で最適化してもよい。このようにして最適化を行うことで、例えば、図5に示すように、等価回路モデルの応答と、二次電池14の実測値(電圧応答値)とが略一致するように定数を設定することができる。図5では、丸が実測値を示し、四角が等価回路モデルの応答を示している。」

「【図4】

〔図省略〕

」

「【図5】

〔図省略〕

」

「【0029】

つぎに、CPU10aは、以上のようにして最適化した等価回路の素子値の中から、図4に示す抵抗成分の素子値Rct1と容量成分の素子値C1の値を取得する。CPU10aは、取得したRct1の値を、例えば、所定の関数f(Rct1)に適用し、二次電池14の種類を識別するための指標値を算出する。なお、指標値を算出するための関数f(Rct1)としては、例えば、以下の式(1)を用いることができる。

【0030】

f(Rct1)=A×exp(B×Rct1)+C ・・・(1)

但し、A,B,Cは、実験等によって予め求めた定数である。

【0031】

CPU10aは、以上のようにして求めた指標値f(Rct1)と1/C1を比較し、1/C1が指標値f(Rct1)を超える場合には、二次電池14が、例えば、アイドリングストップ専用の二次電池と判定し、また、1/C1が指標値f(Rct1)を越えない場合には、二次電池14が、例えば、ノーマル液式の二次電池と判定する。なお、以上では、Rct1とC1を用いて判定するようにしたが、これ以外の値(例えば、Rct2とC2)を用いるようにしてもよい。もちろん、Rct1,Rct2,C1,C2を組み合わせて用いるようにしたり、Rct1とC2、Rct2とC1を組み合わせて用いるようにしたりしてもよい。

【0032】

図6は、横軸が抵抗Rctを示し、縦軸が容量Cの逆数(=1/C)を示し、このようなグラフ上にアイドリングストップ専用の二次電池と、ノーマル液式の二次電池の測定結果をプロットしたものである。また、分離曲線として示す曲線は、前述した指標値f(Rct)を示している。この図6の例では、分離曲線よりも上側(図の上側)に存在する二次電池はアイドリングストップ専用であり、下側(図の下側)に存在する二次電池はノーマル液式である。したがって、分離曲線である指標値f(Rct)とCの逆数(=1/C)の大小関係を調べることによりアイドリングストップ専用であるかまたはノーマル液式であるかを判定することができる。」

「【図6】

〔図省略〕

」

「【0033】

例えば、CPU10aが、二次電池14がアイドリングストップ専用であると判定した場合には、アイドリングストップ専用の検出式fistp()を、ROM10bから取得し、取得した検出式fistp()に対して、等価回路の定数(素子値)を代入し、二次電池14の状態を検出する。一方、二次電池14がノーマル液式であると判定した場合には、ノーマル液式専用の検出式fnrml()を、ROM10bから取得し、取得した検出式fnrml()に対して、等価回路の定数を代入し、二次電池14の状態を検出する。なお、等価回路モデルの定数から検出する二次電池14の状態としては、例えば、二次電池14の初期容量、劣化容量、放電残容量、所定の要求電流に対する応答電圧などがある。例えば、初期容量(SOH_ini)を例に上げると、以下のような式によって算出することができる。

【0034】

SOH_ini=Const1×Rohm+Const2×Rct1

+Const3×C1+Const4×Rct2

+Const5×C2+Const6  ・・・(2)

【0035】

ここで、式(2)の定数Const1~6は識別する二次電池の種類毎に最適に決定しておくことが出来る。また二次電池の種類によって異なる計算式を用いることもできる。

【0036】

なお、二次電池の他の状態も同様の考え方で検出または算出することが可能である。また、等価回路モデルの定数の温度依存性やSOC(State Of Charge)依存性を補正計算するときの計算式を同様な考え方で二次電池の種類毎に最適化することも出来る。すなわち、二次電池の状態のみならず、補正計算の計算式や係数についても、二次電池の種類毎に格納し、識別された二次電池の種類に対応する計算式や係数を用いて補正計算を行うことができる。

【0037】

以上に説明したように、本発明の第1実施形態によれば、等価回路モデルの定数に基づいて二次電池14の種類を識別し、識別された種類に応じた検出式を用いて、二次電池14の状態を検出するようにしたので、二次電池14の種類にかかわらず、状態を正確に検出することが可能になる。」

オ 【0057】~【0070】、【図8】、【図9】

「【0057】

(C)第2実施形態の構成の説明

つぎに、図を参照して、第2実施形態の動作について説明する。以下では、第2実施形態の動作の原理について説明した後、フローチャートを参照して、詳細な動作を説明する。

【0058】

第2実施形態は、第1実施形態の場合と同様の構成であるが、制御部10において実行される処理の一部が第1実施形態とは異なっている。そこで、以下では第1実施形態と異なる部分を中心にして説明する。第1実施形態では、前述したように指標値f(Rct1)に基づいて二次電池14の種類を識別するようにしたが、第2実施形態では、教師付学習モデルに基づいて二次電池14の種類を識別する。なお、教師付学習処理としては、例えば、ニューラル・ネットワークまたはサポート・ベクター・マシンを用いることができる。以下では、ニューラル・ネットワークを用いる場合を例に挙げて説明する。

【0059】

(D)第2実施形態の動作の説明

つぎに、第2実施形態の動作について説明する。第2実施形態では、複数種類の二次電池の等価回路モデルの定数を用いて、例えば、図8に示す多段ニューラル・ネットワークの学習処理が実行される。具体的には、二次電池の等価回路モデルの定数を入力とし、その二次電池の種類を特定するための情報が出力されるように、例えば、バックプロパゲーション(最小誤差伝播法)によって、入力信号の重み付け、ニューロンの発火閾値等の最適化等が実行される。これにより、以後はこの学習済みニューラル・ネットワークに等価回路モデルの定数を入力することでバッテリ種類を識別することが出来る。なお、識別する二次電池の種類としては、例えば、鉛蓄電池、ニッケル水素電池、リチウムイオン電池、および、ニッケル・カドミウム電池がある。また、鉛蓄電池の液式蓄電池、シール式蓄電池、および、アイドリングストップ用蓄電池のいずれであるか、または、これらのいずれかの新品または中古品であることを識別するようにしてもよい。」

「【図8】

〔図省略〕

」

「【0060】

第2実施形態では、このようにして、予め学習を行ったニューラル・ネットワークを用いて二次電池14の種類が識別される。具体的には、等価回路モデルの最適化を行い、最適化によって得られた図4に示す等価回路の定数を、ニューラル・ネットワークに対して入力することにより、二次電池14の種類を特定するための情報が出力される。例えば、二次電池14がアイドリングストップ用鉛蓄電池である場合、等価回路モデルを構成する素子の定数Rohm,Rct1,C1,Rct2,C2の全てまたは一部をニューラル・ネットワークに入力として与えることにより、アイドリングストップ用鉛蓄電池であることを特定するための情報(出力層の発火パターン)が出力される。

【0061】

二次電池14の種類が特定されると、特定された種類に対応する検出式をROM10bから取得し、この検出式に等価回路モデルを構成する素子の定数を代入し、二次電池14の状態を検出する。例えば、前述の場合には、アイドリングストップ用鉛蓄電池に対応する検出式をROM10bから取得し、この検出式に対して、例えば、等価回路モデルを構成する素子の定数Rohm,Rct1,C1,Rct2,C2を代入し、二次電池14の状態を検出する。このような処理によれば、前述した第1実施形態に比較すると、二次電池の種類の識別率を高めることが可能になる。このため、複数種類の二次電池の状態を正確に検出することが可能になる。

【0062】

つぎに、第2実施形態の動作について図9に示すフローチャートを参照して説明する。なお、図9に示すフローチャートにおいて図7に示すフローチャートと対応する部分には同一の符号を付してその説明は省略する。図9に示すフローチャートでは、図7に示すフローチャートと比較するとステップS17~S26の処理が、ステップS40~S44に置換されている。これら以外の処理は、図7の場合と同様である。以下では、ステップS40~S44の処理を中心として説明する。」

「【図9】

〔図省略〕

」

「【0063】

ステップS10~S16では、前述の場合と同様に、スタータモータ18が回転される際の電圧値と電流値が所定の間隔で測定され、RAM10cに格納される。そして、このRAM10cに格納された電圧値および電流値に基づいて等価回路モデルが最適化される。

【0064】

ステップS40では、CPU10aは、等価回路モデルの定数を取得する。例えば、等価回路モデルを構成する素子の定数Rohm,Rct1,C1,Rct2,C2の少なくとも一部の定数が取得される。

【0065】

ステップS41では、CPU10aは、ステップS40で取得した定数を、予め学習が施された教師付学習モデルに入力する。例えば、この教師付学習モデルとして、ニューラル・ネットワークが存在し、ステップS41の処理では、CPU10aは、ニューラル・ネットワークに対して、ステップS40で取得した素子の定数Rohm,Rct1,C1,Rct2,C2の少なくとも一部の定数が入力される。

【0066】

ステップS42では、CPU10aは、教師付学習モデルの出力を取得する。例えば、アイドリングストップ専用鉛蓄電池の等価回路の定数が入力された場合、アイドリングストップ専用鉛蓄電池であることを示す情報が出力されるので、ステップS42では、この情報が取得される。

【0067】

ステップS43では、CPU10aは、ステップS42で取得した出力に対応する検出式f()をROM10bから取得する。例えば、アイドリングストップ専用鉛蓄電池であることを示す情報が出力された場合には、このアイドリングストップ専用鉛蓄電池に対応する検出式f()がROM10bから取得される。

【0068】

ステップS44では、CPU10aは、ステップS43で取得した検出式f()に基づいて、二次電池の状態を検出する。例えば、検出する状態としては、例えば、二次電池14の初期容量、劣化容量、放電残容量、所定の要求電流に対する応答電圧などがある。例えば、初期容量(SOH_ini)を例に上げると、前述した式(2)によって算出することができる。

【0069】

ステップS23では、CPU10aは、ステップS44で求めた二次電池の状態を出力する。

【0070】

以上の処理によれば、教師付学習モデルを用いて二次電池14の種類を識別し、識別結果に対応する検出式を用いて二次電池14の状態を検出するようにしたので、二次電池14の種類にかかわらず、正確に状態を検出することが可能になる。」

(2) 引用文献1の記載から読み取れる事項の認定

ア 第2実施形態における「二次電池状態検出装置1」の構成

(ア) 引用文献1の【0058】には、「第2実施形態は、第1実施形態の場合と同様の構成であるが、制御部10において実行される処理の一部が第1実施形態とは異なっている。…第1実施形態では、前述したように指標値f(Rct1)に基づいて二次電池14の種類を識別するようにしたが、第2実施形態では、教師付学習モデルに基づいて二次電池14の種類を識別する」と記載されている。

(イ) そうすると、引用文献1の第2実施形態の構成を認定するに当たって、第1実施形態の構成を援用することは、第2実施形態が開示する内容に抵触しない限り、差し支えないというべきであり、具体的には、「二次電池状態検出装置1」の構成に関して第2実施形態は次の構成を備えているものとして認識できる。

「二次電池状態検出装置1は、制御部10、電圧センサ11、電流センサ12、温度センサ13、および、放電回路15を主要な構成要素としており、二次電池14の状態を検出し、(【0022】)

制御部10は、電圧センサ11、電流センサ12、および、温度センサ13からの出力を参照し、二次電池14の状態を検出し、(【0022】)

制御部10は、CPU(Central Processing Unit)10a、ROM(Read Only Memory)10b、RAM(Random Access Memory)10cを有し、(【0025】)

CPU10aは、ROM10bに格納されているプログラム10baに基づいて各部を制御し、(【0025】)

ROM10bは、半導体メモリ等によって構成され、プログラム10baや式等を格納し、(【0025】)

RAM10cは、半導体メモリ等によって構成され、プログラムbaを実行する際に生成されるデータや数式等のパラメータ10caを格納する(【0025】)」構成

イ 第2実施形態における「劣化容量」の検出処理

(ア) 前記アにおいて検討したとおり、引用文献1の第2実施形態の構成を認定するに当たって、第1実施形態の構成を援用することは、第2実施形態が開示する内容に抵触しない限り、差し支えないというべきである。

(イ) また、第2実施形態における「劣化容量」の検出処理に関して、引用文献1の【0068】には、「CPU10aは、ステップS43で取得した検出式f()に基づいて、二次電池の状態を検出する。例えば、検出する状態としては、例えば、二次電池14の初期容量、劣化容量、放電残容量、所定の要求電流に対する応答電圧などがある。例えば、初期容量(SOH_ini)を例に上げると、前述した式(2)によって算出することができる。」と記載されている。

(ウ) そして、上記式(2)は第1実施形態として【0034】に記載される式であることから、第2実施形態においても「劣化容量」の検出処理は第1実施形態と同様であると解釈するのが相当である。

(エ) そうすると、「劣化容量」の検出処理に関して第2実施形態は次の構成を備えているものとして認識できる。

「CPU10aが、二次電池14がアイドリングストップ専用であると判定した場合には、アイドリングストップ専用の検出式fistp()を、ROM10bから取得し、取得した検出式fistp()に対して、等価回路の定数(素子値)を代入し、二次電池14の状態を検出し、(【0033】)

二次電池14がノーマル液式であると判定した場合には、ノーマル液式専用の検出式fnrml()を、ROM10bから取得し、取得した検出式fnrml()に対して、等価回路の定数を代入し、二次電池14の状態を検出し、(【0033】)

等価回路モデルの定数から検出する二次電池14の状態としては、例えば、二次電池14の初期容量、劣化容量、放電残容量、所定の要求電流に対する応答電圧などがあり、例えば、初期容量(SOH_ini)を例に挙げると、以下のような式によって算出することができ、(【0033】)

SOH_ini=Const1×Rohm+Const2×Rct1

+Const3×C1+Const4×Rct2

+Const5×C2+Const6  ・・・(2)、(【0034】)

式(2)の定数Const1~6は識別する二次電池の種類毎に最適に決定しておくことができ、(【0035】)

二次電池の他の状態も同様の考え方で検出または算出することが可能である(【0036】)」構成

(3) 引用発明の認定

前記(2)において認定した事項及び前記(1)に摘記した引用文献1の記載事項を総合すると、引用文献1には、第2実施形態(【図9】)に係る次の発明(以下「引用発明」という。)が記載されていると認められる。なお、認定の根拠となる記載箇所を括弧内に示した。

<引用発明>

「制御部10、電圧センサ11、電流センサ12、温度センサ13、および、放電回路15を主要な構成要素としており、二次電池14の状態を検出する二次電池状態検出装置1であって、(【0022】)

制御部10は、電圧センサ11、電流センサ12、および、温度センサ13からの出力を参照し、二次電池14の状態を検出し、(【0022】)

制御部10は、CPU(Central Processing Unit)10a、ROM(Read Only Memory)10b、RAM(Random Access Memory)10cを有し、(【0025】)

CPU10aは、ROM10bに格納されているプログラム10baに基づいて各部を制御し、(【0025】)

ROM10bは、半導体メモリ等によって構成され、プログラム10baや式等を格納し、(【0025】)

RAM10cは、半導体メモリ等によって構成され、プログラムbaを実行する際に生成されるデータや数式等のパラメータ10caを格納し、(【0025】)

二次電池状態検出装置1の動作の原理としては、(【0057】)

複数種類の二次電池の等価回路モデルの定数を用いて、多段ニューラル・ネットワークの学習処理が実行され、二次電池の等価回路モデルの定数を入力とし、その二次電池の種類を特定するための情報が出力されるように、例えば、バックプロパゲーション(最小誤差伝播法)によって、入力信号の重み付け、ニューロンの発火閾値等の最適化等が実行され、これにより学習済みニューラル・ネットワークに等価回路モデルの定数を入力することでバッテリ種類を識別することができ、(【0059】)

予め学習を行ったニューラル・ネットワークを用いて二次電池14の種類が識別され、(【0060】)

二次電池14の種類が特定されると、特定された種類に対応する検出式をROM10bから取得し、この検出式に等価回路モデルを構成する素子の定数を代入し、二次電池14の状態を検出し、(【0061】)

CPU10aが、二次電池14がアイドリングストップ専用であると判定した場合には、アイドリングストップ専用の検出式fistp()を、ROM10bから取得し、取得した検出式fistp()に対して、等価回路の定数(素子値)を代入し、二次電池14の状態を検出し、(【0033】)

二次電池14がノーマル液式であると判定した場合には、ノーマル液式専用の検出式fnrml()を、ROM10bから取得し、取得した検出式fnrml()に対して、等価回路の定数を代入し、二次電池14の状態を検出し、(【0033】)

等価回路モデルの定数から検出する二次電池14の状態としては、例えば、二次電池14の初期容量、劣化容量、放電残容量、所定の要求電流に対する応答電圧などがあり、例えば、初期容量(SOH_ini)を例に挙げると、以下のような式によって算出することができ、(【0033】)

SOH_ini=Const1×Rohm+Const2×Rct1

+Const3×C1+Const4×Rct2

+Const5×C2+Const6  ・・・(2)、(【0034】)

式(2)の定数Const1~6は識別する二次電池の種類毎に最適に決定しておくことができ、(【0035】)

二次電池の他の状態も同様の考え方で検出または算出することが可能であり、(【0036】)

二次電池状態検出装置1の詳細な動作としては、(【0057】、【0062】)

電圧値と電流値が所定の間隔で測定され、RAM10cに格納され、(【0063】)

RAM10cに格納された電圧値および電流値に基づいて等価回路モデルが最適化され、(【0063】)

CPU10aは、等価回路モデルの定数を取得し、等価回路モデルを構成する素子の定数Rohm,Rct1,C1,Rct2,C2の少なくとも一部の定数が取得され、(【0064】)

CPU10aは、取得した定数を、予め学習が施された教師付学習モデルに入力し、(【0065】)

例えば、教師付学習モデルとして、ニューラル・ネットワークが存在し、CPU10aは、ニューラル・ネットワークに対して、取得した素子の定数Rohm,Rct1,C1,Rct2,C2の少なくとも一部の定数を入力し、(【0065】)

CPU10aは、教師付学習モデルの出力を取得し、例えば、アイドリングストップ専用鉛蓄電池の等価回路の定数が入力された場合、アイドリングストップ専用鉛蓄電池であることを示す情報が出力されるので、この情報が取得され、(【0066】)

CPU10aは、取得した出力に対応する検出式f()をROM10bから取得し、例えば、アイドリングストップ専用鉛蓄電池であることを示す情報が出力された場合には、このアイドリングストップ専用鉛蓄電池に対応する検出式f()がROM10bから取得され、(【0067】)

CPU10aは、取得した検出式f()に基づいて、二次電池の状態を検出し、例えば、検出する状態としては、二次電池14の劣化容量があり、

CPU10aは、二次電池の状態を出力する、(【0068】)

二次電池状態検出装置1。」

5 引用文献3の記載事項及び周知技術1の認定

(1) 引用文献3に記載された事項

原査定の拒絶の理由において引用された、本願の出願前に発行された文献である特開2020-107577号公報(以下「引用文献3」という。)には、次の記載がある。なお、下線は当合議体が付したものである。

ア 【請求項1】~【請求項5】

「【請求項1】

蓄電素子に対する測定データを処理するデータ処理装置であって、

前記蓄電素子毎、又は、複数の前記蓄電素子をグループ分けした蓄電素子群毎に測定された測定データが入力された場合に、前記測定データに異質な蓄電素子の測定データが含まれているか否かに対応するスコアを出力するように学習された判定モデルを記憶した記憶部と、

取得した測定データを前記判定モデルへ入力して出力されたスコアに基づいて異質な蓄電素子の測定データを特定する特定部と

を備えるデータ処理装置。

【請求項2】

前記特定部によって特定された異質な蓄電素子の測定データを、前記蓄電素子に対する測定データから除外し、残りの測定データを用いて前記蓄電素子の劣化状態推定、又は寿命予測の処理を実行する処理部を備える

請求項1に記載のデータ処理装置。

【請求項3】

前記判定モデルは、入力される測定データの属性別に学習されている

請求項1又は2に記載のデータ処理装置。

【請求項4】

前記特定部は、

対象の蓄電素子又は蓄電素子群の異なる時点における測定データを前記判定モデルへ入力する都度に出力されるスコアを時間情報と対応付けて記憶しておき、

記憶した異なる時点における前記スコアの時間分布を作成し、

前記時間分布に基づき、前記対象の蓄電素子又は蓄電素子群の測定データに異質な蓄電素子の測定データが含まれているか否かを判定する

請求項1から請求項3のいずれか1項に記載のデータ処理装置。

【請求項5】

前記特定部は、

前記時間分布におけるスコアの昇降パターン、又は前記スコアの時間微分値に基づいて異質な蓄電素子の測定データを特定する

請求項4に記載のデータ処理装置。」

イ 【0001】~【0006】

「【0001】

本発明は、蓄電素子群に関する測定データを用いた演算を行なうデータ処理装置、データ処理方法、及びコンピュータプログラムに関する。

【背景技術】

【0002】

蓄電素子は、無停電電源装置、安定化電源に含まれる直流又は交流電源装置等に広く使用されている。また、再生可能エネルギー又は既存の発電システムにて発電された電力を蓄電しておく大規模なシステムでの蓄電素子の利用が拡大している。

【0003】

蓄電素子を使用したシステムでは、蓄電素子の状態診断、充電状態(SOC:State Of Charge)の推定、又は寿命予測等の実施を含む保守活動が重要になる。蓄電素子の状態診断、推定又は寿命予測の方法については、蓄電素子の充放電時に測定される電圧、電流、温度等の測定データを用いる方法を始めとして種々提案され、精度向上が図られている(特許文献1等)。

…(中略)…

【0005】

上述したような蓄電素子の状態診断、推定又は寿命予測の方法は、製造時に想定されている蓄電素子モデルに基づいて確立されている。しかしながら個々の蓄電素子は、素材の性質、製造バラつき等を持っており、時間の経過又は使用環境によって蓄電素子モデルの性質から外れた異質性を出現させる。例えば、製造時には他の蓄電素子と同様の特性を有している蓄電素子であっても、想定されているモデルよりも格段に高寿命な蓄電素子、又は低寿命な蓄電素子である可能性がある。そして、蓄電素子は、充放電の繰り返しによって満充電容量が低下していくという性質を有している。同一の期間に同様の充放電の履歴を有する蓄電素子群に対し、新しい蓄電素子又は異なる履歴を有する蓄電素子を加えた場合、この新しい又は異なる履歴の蓄電素子は、蓄電素子群にとっては異質である。この異質さの程度を判定モデルによって定量的な尺度で示したものを異質度と称する。

【0006】

膨大な量の蓄電素子を接続して用いるシステム全体としての状態診断、推定又は寿命予測を実施する場合、蓄電素子群の測定データに、異質な蓄電素子の測定データが含まれている場合、診断、推定又は予測の誤差は拡大する。」

ウ 【0010】~【0012】

「【0010】

データ処理装置は、蓄電素子に対する測定データを処理するデータ処理装置であって、前記蓄電素子毎、又は、複数の前記蓄電素子をグループ分けした蓄電素子群毎に測定された測定データが入力された場合に、前記測定データに異質な蓄電素子の測定データが含まれているか否かに対応するスコアを出力するように学習された判定モデルを記憶した記憶部と、取得した測定データを前記判定モデルへ入力して出力されたスコアに基づいて異質な蓄電素子の測定データを特定する特定部とを備える。

【0011】

上記構成により、異質な蓄電素子の測定データを除外した残りの測定データを用いた処理が可能になる。

【0012】

残りの測定データを用いた処理は例えば、蓄電素子の異常の有無を含む状態診断、劣化状態推定、又は寿命予測の処理である。異質な蓄電素子の測定データを除外することにより、製造時に想定されている蓄電素子モデルに基づいて確立されているこれらの処理の精度を向上させることができる。」

エ 【0021】~【0023】、【図1】、【図3】

「【0021】

図1は、遠隔監視システム100の概要を示す図である。遠隔監視システム100は、メガソーラー発電システムS、火力発電システムF、風力発電システムWに含まれる蓄電素子群におけるに関する情報への遠隔からのアクセスを可能とする。」

「【図1】

〔図省略〕

」

「【0022】

メガソーラー発電システムS、火力発電システムF及び風力発電システムWには、パワーコンディショナ(PCS:Power Conditioning System)P及び蓄電システム101が並設されている。蓄電システム101は、蓄電モジュール群Lを収容したコンテナCを複数並設して構成されている。蓄電モジュール群Lは、複数の蓄電素子を含む。蓄電素子は、鉛蓄電池及びリチウムイオン電池のような二次電池や、キャパシタのような、再充電可能なものであることが好ましい。蓄電素子の一部が、再充電不可能な一次電池であってもよい。

【0023】

遠隔監視システム100では、監視対象となる発電システムS,F,Wにおける蓄電システム101、又は装置(Pおよび後述の管理装置M)夫々に、通信デバイス1(図2,3参照)が搭載/接続される。遠隔監視システム100は、通信デバイス1と、通信デバイス1から情報を収集するサーバ装置2(データ処理装置)と、収集された情報を閲覧するためのクライアント装置3と、装置間の通信媒体であるネットワークNとを含む。」

「【図3】

〔図省略〕

」

オ 【0044】~【0050】、【図5】

「【0044】

このように構成される遠隔監視システム100では、通信デバイス1が所定タイミング(例えば一定周期、又はデータ量が所定条件を満たした場合等)の都度、前回のタイミング以後に管理装置Mから取得して記憶しておいた蓄電セル毎の測定データ、及び他の情報をサーバ装置2へ送信する。通信デバイス1は、測定データに蓄電セルの識別情報(番号)を対応付けて送信する。通信デバイス1は、管理装置Mを介して得られる全てのサンプリングデータを送信してもよいし、所定の割合で間引きした測定データを送信してもよいし、平均値を送信してもよい。サーバ装置2は、測定データを含む情報を通信デバイス1から取得し、取得した測定データを、取得時間情報及び情報の取得先の装置(M,P)を識別する情報を対応付けて記憶部21に記憶する。

【0045】

サーバ装置2は、蓄電システム101の個々の蓄電セル毎に、クライアント装置3からのアクセスに応じて、記憶してある測定データの内の最新のデータを提示することができる。サーバ装置2は、蓄電セル毎の測定データを用い、蓄電モジュール毎に、バンク又はドメイン毎の状態を提示することもできる。サーバ装置2はデータ処理プログラム22Pに基づいて、測定データを使用して蓄電システム101の異常診断、健康診断、蓄電モジュールのSOC、SOH(State Of Health)等の推定、又は寿命予測を実施し、実施結果を提示することが可能である。

【0046】

本開示におけるサーバ装置2は、上述の診断、推定又は予測の処理を行なう際に、データ処理プログラム22P及び判定モデル2Mに基づいて、蓄電セルの測定データから異質な蓄電セルの測定データを特定する。サーバ装置2は、特定された測定データを除いた他の測定データを用いて蓄電モジュール、バンク、又はドメイン毎の診断、推定又は予測を実施する。

【0047】

図5は、サーバ装置2によるデータ処理手順の一例を示すフローチャートである。サーバ装置2の制御部20は、対象となる蓄電素子群毎に、以下に示す処理手順を周期的に実行する。実行周期は、通信デバイス1から測定データが送信される周期よりも長い。以下の説明において対象となる蓄電素子群は、複数のモジュールを接続したバンク、バンクを複数並列に含むドメイン、ドメインを複数含む蓄電システム101である。大規模な蓄電システム101は一例として、蓄電セルを12個ずつ含むモジュールが12個直列に接続されたバンクを、8つのドメイン夫々に10バンク含む。この場合蓄電セルは、約12000個にもなる。」

「【図5】

〔図省略〕

」

「【0048】

制御部20は、処理対象の蓄電システム101に含まれる蓄電セル夫々について時間情報と対応付けて記憶してある測定データ群を読み出し(ステップS1)、読み出した測定データ群の内の異質な蓄電セルの測定データを特定する(ステップS2)。

【0049】

制御部20は、特定した測定データを、読み出した測定データ群から除外し(ステップS3)、残りの測定データ群を用いて蓄電システム101全体としての劣化状態(SOH)の推定処理を実行する(ステップS4)。制御部20は、ステップS4の推定処理の結果を測定データ群の内の最新データを取得した時間情報と、蓄電システム101を識別する情報に対応付けて記憶部21に記憶し(ステップS5)、処理を終了する。

【0050】

図5のフローチャートに示したように、本実施の形態では、異質な蓄電セルの測定データを除外したデータに基づいて劣化状態の推定処理が行なわれる。多数の蓄電セルが直列に接続されたバンクを並列に接続したドメインを複数含む大規模な蓄電システム101においては、蓄電セル群から異質な蓄電セルの測定データを除外して、想定されるモデルに則り寿命となる蓄電セル群の劣化状態の推定処理を行なうことにより、処理結果の精度が向上する。」

カ 【0082】~【0089】、【図9】、【図10】

「【0082】

第2の例で制御部20は、作成した異質度の時間分布のパターンを解析することによって異質な蓄電セルを含むか否かを判定する。図9に示した異質度の時間分布を参照すれば、単純に異質度が上昇して所定値を超えていくモジュール#11のパターンA、異質度が所定値を超えるが下降していくモジュール#5のパターンB、異質度が所定値を超えた後に低下するが再度単純に上昇していくモジュール#6のパターンCがある。パターンBは、異質度が所定値を超えていたが、徐々に周辺の蓄電セルとバランスして馴染んでおり、除外すべき異質な蓄電セルを含むものではないと判定される。パターンCは、時間の経過後にパターンAとなるか、パターンBとなるかはこの時点では判断できないため、パターンAのみを異質な蓄電セルを含む蓄電セル群の異質度の時間分布であると判定する。」

「【図9】

〔図省略〕

」

「【0083】

図10は、第2の例における蓄電セルを含むか否かの判定手順を示すフローチャートである。図10のフローチャートに示す処理手順は、図6のフローチャートの内、ステップS209の処理を詳細に説明したものである。図6のフローチャートと共通する手順には同一のステップ番号を付して詳細な説明を省略する。」

「【図10】

〔図省略〕

」

「【0084】

サーバ装置2の制御部20は、ステップS208で作成した時間分布における異質度の昇降パターンが、予め分類してあるパターンA、パターンB、及びパターンCのいずれであるかを判別する(ステップS281)。

【0085】

制御部20は、ステップS281にてパターンAと判別されたか否かを判断し(ステップS282)、パターンAと判別されないと判断された場合(S282:NO)、処理をステップ212へ進める。

【0086】

ステップS281にてパターンAと判別されたと判断された場合(S282:YES)、制御部20は、ステップS207で読み出した過去の異質度の最大値又は平均値が第1の所定値以上であり、且つ、パターンAにおける異質度の微分値(経時変化)が第2の所定値以上であるか否かを判断する(ステップS283)。

【0087】

ステップS283で異質度の最大値又は平均値が第1の所定値以上であり、且つ、パターンAにおける異質度の微分値が第2の所定値以上であると判断された場合(S283:YES)、制御部20は、処理をステップS210へ進める。

【0088】

ステップS283で最大値又は平均値が第1の所定値未満であるか、又は、異質度の微分値が第2の所定値未満であると判断された場合(S283:NO)、制御部20は、処理をステップS212へ進める。

【0089】

図10のフローチャートに示す処理手順の場合、オペレータによる判断及び選択操作が不要になるから自動的に異質な蓄電セルの測定データの特定及び除外が実現する。」

(2) 周知技術1の認定

前記(1)に示した引用文献3の摘記事項に例示されているように、次の技術事項は、当業者にとって周知の技術であったと認められる(以下「周知技術1」という。)。

<周知技術1>

「蓄電素子に対する測定データを処理する装置において、蓄電素子毎に測定された測定データが入力された場合に、前記測定データに異質な蓄電素子の測定データが含まれているか否かに対応するスコアを出力し、当該スコアに基づいて異質な蓄電素子の測定データを特定し、特定された異質な蓄電素子の測定データを除外し、残りの測定データを用いて蓄電素子の劣化状態推定を実行することにより、蓄電素子の劣化状態推定処理の精度を向上させること。」

6 本願発明と引用発明の対比

(1) 対比分析

本願発明と引用発明を対比する。

ア 構成Xの観点(劣化判定装置について)

(ア) 構成Xは、「蓄電デバイスの劣化度を判定する劣化判定装置」の発明であることを特定するものである。

(イ) 引用発明における「二次電池14」は、本願発明における「蓄電デバイス」に相当する。

(ウ) また、引用発明における「二次電池14の劣化容量」は、「二次電池14」の容量の劣化状態を表す指標であることから、本願発明における「劣化度」に相当する。

(エ) そして、引用発明においては、「二次電池状態検出装置1」が「二次電池14の劣化容量」を「検出」しているところ、このことは、本願発明において「蓄電デバイスの劣化度を判定する」ことに相当する。

(オ) そうすると、引用発明における「二次電池14の劣化容量」を「検出」する「二次電池状態検出装置1」は、本願発明における「劣化判定装置」に相当する。

(カ) したがって、本願発明と引用発明は、次の点において一致する。

「蓄電デバイスの劣化度を判定する劣化判定装置」の発明である点。

イ 構成Aの観点(記憶部について)

(ア) 構成Aは、「種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルと、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部」を備えることである。

(イ) 種類推定モデルの観点

a まず本願発明の「測定因子」について検討すると、本願明細書の【0023】には、「測定因子」の例として、インピーダンス24の実部Z’、測定温度T、開放電圧V、インピーダンス24の虚部Z”などが示されている。このうち、インピーダンス24の実部Z’及び虚部Z”は、直接測定値として得られるものではなく、電流や電圧などの測定値から導出されるものであることは技術常識である。そうすると、本願発明の「測定因子」には、測定値が直接測定されるものだけでなく、電流や電圧などの測定値から導出される指標も含まれるものと解される。

b 前記aの解釈に基づいて検討を進めると、引用発明においては、「二次電池14」の「劣化容量」を「検出」するにあたって、「電圧値と電流値」を「測定」し、「電圧値および電流値に基づいて等価回路モデル」を「最適化」することにより得られる「等価回路モデルを構成する素子の定数Rohm,Rct1,C1,Rct2,C2」を用いている。

c そして、引用発明において、「等価回路モデルを構成する素子の定数Rohm,Rct1,C1,Rct2,C2」は、「二次電池14」の「劣化容量」を表す指標であることが前提とされており、また、「測定」された「電圧値と電流値」に基づいて導出された値であることから、引用発明における「等価回路モデルを構成する素子の定数Rohm,Rct1,C1,Rct2,C2」は、本願発明における「蓄電デバイスの測定因子」に相当する。

d また、引用発明における「学習済みニューラル・ネットワーク」は、「等価回路モデルの定数を入力することでバッテリ種類を識別することができ」るものであることから、引用発明における「学習済みニューラル・ネットワーク」は、本願発明における「種類推定モデル」に相当する。

e そして、引用発明においては、「学習済みニューラル・ネットワーク」が「複数種類の二次電池の等価回路モデルの定数を用いて、多段ニューラル・ネットワークの学習処理が実行され、二次電池の等価回路モデルの定数を入力とし、その二次電池の種類を特定するための情報が出力されるように」「最適化等が実行され」ており、このことは本願発明において「種類推定モデル」が「種類が既知である蓄電デバイスの測定因子に基づいて構築され[ている]」ことに相当する。

f また、引用発明においては、「ROM10b」が「プログラム10baや式等を格納し」ており、「RAM10c」が「プログラムbaを実行する際に生成されるデータや数式等のパラメータ10caを格納し」ている。

g そして、引用文献1には「学習済みニューラル・ネットワーク」を「二次電池状態検出装置1」以外に記憶することが記載されていない以上、「ROM10b」及び「RAM10c」からなる記憶部に記憶されていると解釈するのが相当である。

h そうすると、引用発明において「ROM10b」及び「RAM10c」からなる記憶部が「学習済みニューラル・ネットワーク」を記憶することは、本願発明において「記憶部」が「種類推定モデル」を「記憶する」ことに相当する。

(ウ) 劣化推定モデルの観点

a 引用発明においては、「等価回路モデルの定数から検出する二次電池14の状態としては、例えば、二次電池14の初期容量、劣化容量、放電残容量、所定の要求電流に対する応答電圧などがあり」、「初期容量(SOH_ini)を例に挙げると」、「SOH_ini=Const1×Rohm+Const2×Rct1+Const3×C1+Const4×Rct2+Const5×C2+Const6  ・・・(2)」によって「初期容量(SOH_ini)」を「算出することができ」、また、「定数Const1~6は識別する二次電池の種類毎に最適に決定しておくことができ」る。

b そして、引用発明においては、「二次電池の他の状態も同様の考え方で検出または算出することが可能であ[る]」ことから、「二次電池の他の状態」である「劣化容量」を「検出」する場合においても、上記式(2)と同様の式を用いており、あらかじめ「定数Const1~6」を「識別する二次電池の種類毎に最適に決定して」いることは明らかである。

c また、この際の「定数Const1~6」は「等価回路モデルの定数」から「劣化容量」を推定するために用いる係数であるところ、複数の変数間の関係を係数を用いて表すときに、既知の値に基づいて当該係数を最適化することは技術常識であることから、「劣化容量」が既知である「等価回路モデルの定数」を利用して「定数Const1~6」を「最適に決定して」いることは明らかである。

d ここで、本願発明においては「劣化推定モデル」が機械学習によるものである点は特定されていないことから、本願発明における「劣化推定モデル」は、「蓄電デバイスの測定因子」を説明変数として用いて「劣化度」を推定するための数理的・統計的構造を意味すると解釈するのが相当である。

e そして、引用発明においては「等価回路の定数」から「検出式f()に基づいて、二次電池の状態」である「劣化容量」を「検出」していることから、引用発明における「検出式f()」は、本願発明における「劣化推定モデル」に相当する。

f また、引用発明において「検出式f()」の「定数Const1~6」が「識別する二次電池の種類毎に最適に決定」されていることは、本願発明において「劣化推定モデル」が「劣化度が既知である蓄電デバイスの測定因子に基づいて構築され[る]」ことに相当する。

g さらに、引用発明においては「CPU10aは、取得した出力に対応する検出式f()をROM10bから取得し」ていることから、「ROM10b」及び「RAM10c」からなる記憶部が「検出式f()」を記憶しているといえ、このことは、本願発明において「記憶部」が「劣化推定モデル」を「記憶する」ことに相当する。

(エ) 小括

以上の検討結果を踏まえると、本願発明と引用発明は、次の点において一致する。

「種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルと、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部」を備える点。

ウ 構成Bの観点(制御部について)

(ア) 構成Bは、「判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて前記種類推定モデルから該蓄電デバイスの種類を推定し、推定した種類に該当する前記劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する制御部」を備えることである。

(イ) 蓄電デバイスの種類を推定する観点

a 引用発明における「CPU10a」は、本願発明における「制御部」に相当する。

b そして、引用発明においては、「CPU10a」が「等価回路モデルの定数を取得し、等価回路モデルを構成する素子の定数Rohm,Rct1,C1,Rct2,C2の少なくとも一部の定数」を「取得」しているところ、このことは、本願発明において「制御部」が「判定対象である蓄電デバイスの測定因子の測定結果を取得[する]」ことに相当する。

c また、引用発明においては、「CPU10aは、取得した定数を、予め学習が施された教師付学習モデルに入力し」、「例えば、アイドリングストップ専用鉛蓄電池の等価回路の定数が入力された場合、アイドリングストップ専用鉛蓄電池であることを示す情報が出力されるので、この情報」を「取得」しているところ、このことは、本願発明において「制御部」が「取得した測定結果を説明変数として用いて前記種類推定モデルから該蓄電デバイスの種類を推定[する]」ことに相当する。

なお、引用発明は、「例えば、教師付学習モデルとして、ニューラル・ネットワークが存在[する]」ものであるから、引用発明において、「教師付学習モデル」は「学習済みニューラル・ネットワーク」と同じことを意味しているといえる。

(ウ) 蓄電デバイスの劣化度を判定する観点

a 引用発明においては、「CPU10a」が「例えば、アイドリングストップ専用鉛蓄電池であることを示す情報が出力された場合には、このアイドリングストップ専用鉛蓄電池に対応する検出式f()」を「ROM10bから取得」し、「取得した検出式f()に基づいて」、「二次電池14の劣化容量」を「検出」している。

b そして、このことは、本願発明において「制御部」が「推定した種類に該当する前記劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する」ことに相当する。

(エ) 小括

以上の検討結果を踏まえると、本願発明と引用発明は、次の点において一致する。

「判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて前記種類推定モデルから該蓄電デバイスの種類を推定し、推定した種類に該当する前記劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する制御部」を備える点。

エ 構成Cの観点(許容範囲の記憶について)

(ア) 構成Cは、「前記記憶部は、蓄電デバイスの測定因子を用い所定の外れ値検出手法の評価値に基づいて構築された許容範囲、を記憶[する]」ことである。

(イ) 引用発明は、本願発明の構成Cに相当する構成を備えていないから、本願発明と引用発明は、次の点において相違する。

本願発明においては、「前記記憶部は、蓄電デバイスの測定因子を用い所定の外れ値検出手法の評価値に基づいて構築された許容範囲、を記憶[する]」のに対して、

引用発明においては、この点が特定されていない点。

オ 構成Dの観点(外れ値の出力について)

(ア) 構成Dは、「前記制御部は、判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である前記測定結果を外れ値として、表示装置への表示出力、スピーカからの音声出力、印刷装置からの印刷出力、及び記憶部への記憶出力のうちいずれか1以上により、前記説明変数として用いられないように出力[する]」ことである。

(イ) 前記ウ(イ)bにおいて検討したとおり、引用発明は、本願発明の「前記制御部は、判定対象である蓄電デバイスの測定因子の測定結果を取得[する]」ことに相当する構成を有する。

(ウ) そうすると、本願発明と引用発明の構成Dの観点における一致点及び相違点は、次のa及びbのとおりである。

a 構成Dの観点における一致点

「前記制御部は、判定対象である蓄電デバイスの測定因子の測定結果を取得する」点。

b 構成Dの観点における相違点

本願発明においては、「前記制御部は、」「取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である前記測定結果を外れ値として、表示装置への表示出力、スピーカからの音声出力、印刷装置からの印刷出力、及び記憶部への記憶出力のうちいずれか1以上により、前記説明変数として用いられないように出力[する]」のに対して、

引用発明においては、この点が特定されていない点。

カ 構成Eの観点(劣化度の判定について)

(ア) 構成Eは、「前記制御部」が、「前記評価値が前記許容範囲内である前記測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する」ことである。

(イ) 前記ウ(ウ)における検討を踏まえると、引用発明において、「CPU10a」が「取得した検出式f()に基づいて」、「二次電池14の劣化容量」を「検出」することは、本願発明において、「制御部」が「前記測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する」ことに相当する。

(ウ) そうすると、本願発明と引用発明の構成Eの観点における一致点及び相違点は、次のa及びbのとおりである。

a 構成Eの観点における一致点

「前記制御部は、」「前記測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する」点。

b 構成Eの観点における相違点

本願発明においては、

「前記制御部」が「前記劣化推定モデルから該蓄電デバイスの劣化度を判定する」ために「用い[る]」「説明変数として」の「前記測定結果」が、「前記評価値が前記許容範囲内である」ものであるのに対して、

引用発明においては、

この点が特定されていない点。

(2) 一致点及び相違点

前記(1)の対比分析の結果をまとめると、本願発明と引用発明は、次のアに示す一致点において一致し、後記イに示す相違点において相違すると認められる。

ア 一致点

「蓄電デバイスの劣化度を判定する劣化判定装置であって、

種類が既知である蓄電デバイスの測定因子に基づいて構築された種類推定モデルと、劣化度が既知である蓄電デバイスの測定因子に基づいて構築された劣化推定モデルと、を記憶する記憶部と、

判定対象である蓄電デバイスの測定因子の測定結果を取得し、取得した測定結果を説明変数として用いて前記種類推定モデルから該蓄電デバイスの種類を推定し、推定した種類に該当する前記劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する制御部と、を備え、

前記制御部は、判定対象である蓄電デバイスの測定因子の測定結果を取得し、前記測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する、劣化判定装置。」である点。

イ 相違点

本願発明においては、

「前記記憶部は、蓄電デバイスの測定因子を用い所定の外れ値検出手法の評価値に基づいて構築された許容範囲、を記憶し」、

「前記制御部」は、「取得した測定因子を用いて前記外れ値検出手法によって得られた評価値が前記許容範囲外である前記測定結果を外れ値として、表示装置への表示出力、スピーカからの音声出力、印刷装置からの印刷出力、及び記憶部への記憶出力のうちいずれか1以上により、前記説明変数として用いられないように出力[する]」ものであり、

「前記制御部」が「前記劣化推定モデルから該蓄電デバイスの劣化度を判定する」ために「用い[る]」「説明変数として」の「前記測定結果」が、「前記評価値が前記許容範囲内である」ものであるのに対して、

引用発明においては、

これらの点が特定されていない点。

7 判断

(1) 相違点について

ア(ア) 前記5(2)において周知技術1として認定したとおり、次の技術事項は、本願の出願前に周知の技術であった。

「蓄電素子に対する測定データを処理する装置において、蓄電素子毎に測定された測定データが入力された場合に、前記測定データに異質な蓄電素子の測定データが含まれているか否かに対応するスコアを出力し、当該スコアに基づいて異質な蓄電素子の測定データを特定し、特定された異質な蓄電素子の測定データを除外し、残りの測定データを用いて蓄電素子の劣化状態推定を実行することにより、蓄電素子の劣化状態推定処理の精度を向上させること。」

(イ) ここで、周知技術1の「前記測定データに異質な蓄電素子の測定データが含まれているか否かに対応するスコア」は、当該測定データに基づくスコアであることは明らかであるから、本願発明の「取得した測定因子を用いて外れ値検出手法によって得られた評価値」に相当する。

イ そして、引用発明と周知技術1は、蓄電デバイスの劣化度を判定する点において共通しており、また、引用発明において、劣化度判定の精度を向上させることは自明な課題であるから、引用発明に周知技術1を適用する動機付けはあるというべきである。

ウ さらに、スコアに基づいて異質なデータを特定する際に、スコアに対して何らかの閾値(許容範囲の境界値)を用いて判定することは常套手段であるから、引用発明に周知技術1を適用するにあたり、このような閾値を予め測定した結果に基づいて決定し、これを記憶部に記憶させておくことは、当業者が適宜なし得た設計事項にすぎない。

エ また、異質な蓄電素子の測定データを特定した場合、当該測定データは異常値であるから、これを表示装置などにエラー出力することも、当業者が適宜なし得た設計変更にすぎない。

オ そうすると、引用発明に周知技術1を適用するとともに適宜設計変更することにより、前記相違点に係る本願発明の構成とすることは、当業者が容易に想到し得たことである。

(2) 総合評価

前記(1)において検討したとおり、引用発明において、前記相違点に係る本願発明の構成を備えるようにすることは、引用発明及び周知技術1に基づいて当業者が容易に想到し得たことである。

そして、本願発明が奏する効果としては、当該構成のものとして当業者が予測・発見困難であり、かつ、格別顕著な効果を認めることはできない。

したがって、本願発明は、引用発明及び周知技術1に基づいて当業者が容易に発明をすることができたものである。

8 請求人の主張について

(1) 請求人の主張内容

請求人の主張は、次のとおりである。

ア 本願発明は、「測定結果を説明変数として用いて前記種類推定モデルから該蓄電デバイスの種類を推定し、推定した種類に該当する前記劣化推定モデルから前記取得した測定結果を説明変数として用いて該蓄電デバイスの劣化度を判定する」際に外れ値の測定結果を除外して説明変数とする、即ち、「蓄電デバイスの種類を推定して特定する際に外れ値を除外」し、更に「蓄電デバイスの劣化度を推定する際に外れ値を除外」するものである。

イ 引用発明と引用文献3とをそのまま組み合わせたとすると、「蓄電デバイスの種類を推定したのち、外れ値を除外して劣化度を推定するもの」となり、「蓄電デバイスの種類を推定する際に外れ値を除外した測定結果を説明変数とする」との技術的特徴は得られない。

ウ したがって、引用発明と引用文献3とを組み合わせたとしても、本願発明を容易に想到することはできない。

(2) 請求人の主張についての検討

ア 本願の請求項1に特定されているのは、「評価値が前記許容範囲外である前記測定結果を外れ値として、・・・前記説明変数として用いられないように出力し、前記評価値が前記許容範囲内である前記測定結果を説明変数として用いて前記劣化推定モデルから該蓄電デバイスの劣化度を判定する」ことであるから、本願発明において「蓄電デバイスの種類を推定して特定する際に外れ値を除外」することが特定されているとはいえず、請求人の主張は特許請求の範囲の記載に基づかない主張である。

イ また、仮に請求人が主張するように、本願発明において「蓄電デバイスの種類を推定して特定する際に外れ値を除外」することが特定されていると善解したとしても、引用発明において、外れ値(異質又は異常なデータ)が「二次電池14」の「種類」の「識別」精度にも影響を与えることは自明であることから、「二次電池14」の「種類」の「識別」をする際にも外れ値を除外する構成を採用することは、当業者が適宜なし得ることである。

ウ したがって、請求人の主張は前記7(2)の結論を左右するものではない。

9 むすび

以上検討のとおり、本願発明は、特許法29条2項の規定により、特許を受けることができない。

したがって、他の請求項に係る発明について検討するまでもなく、本願は拒絶すべきものである。

よって、結論のとおり審決する。

令和7年10月29日

審判長 特許庁審判官 小島 寛史

特許庁審判官 喜々津 徳胤

特許庁審判官 谷垣 圭二

(行政事件訴訟法第46条に基づく教示)

この審決に対する訴えは、この審決の謄本の送達があった日から30日(附加期間がある場合は、その日数を附加します。)以内に、特許庁長官を被告として、提起することができます。

出典:特許庁「審決公報」(令和8年1月30日発行・号数2026-001、公報発行サイト https://www.gazette.jpo.go.jp/scciidl010 )を加工して作成(加工:TaiLexi AI)
本文は公表資料(PDF 等)から機械的に抽出・整形したもので、改行や記号に誤りを含むことがあります。正確な文言は原本でご確認ください。