バッテリーの研究開発チームは、主にMAE（平均絶対誤差）とMAPE（平均絶対パーセント誤差）を使用してRULアルゴリズムの精度を評価します。 これらの指標は、予測された残存耐用年数と、試験対象のセルにおける実際のバッテリー故障までの時間またはサイクル数を比較するものです。運用試験が進むにつれて、容量低下や内部抵抗の増大といった劣化データが蓄積され、不確実性やパラメータ推定のバイアスが低減されるため、一般的に予測精度は向上します。
要点： 絶対的なRUL誤差にはMAEを、スケール正規化されたパーセント誤差にはMAPEを使用してください。また、大きな誤差や予測の信頼性が重要な場合は、RMSE（二乗平均平方根誤差）や不確実性区間を使用します。運用データが増えるほど精度は向上する傾向にありますが、そのメリットはデータの品質、モデルの妥当性、および試験された負荷プロファイルの代表性に依存します。
RUL精度の測定方法
MAE（平均絶対誤差）は実用的な予測の偏差を測定します
MAEは、予測RULと実際のRULとの間の絶対差の平均です：
[ MAE=\frac{1}{N}\sum_{i=1}^{N}\left|\widehat{RUL}_i-RUL_i\right| ]
これは、サイクル数、時間、分など、ターゲットと同じ単位で表されます。
MAEが低いほど、アルゴリズムが平均して実際の故障時間に近づいていることを意味します。「予測はどれくらい外れているか？」という問いに直接答えるため、エンジニアリングの意思決定において最も直感的な指標となることがよくあります。
MAPE（平均絶対パーセント誤差）は誤差を正規化します
MAPEは、実際のRULに対する絶対予測誤差をパーセントで表します：
[ MAPE=\frac{100}{N}\sum_{i=1}^{N} \left|\frac{\widehat{RUL}_i-RUL_i}{RUL_i}\right| ]
MAPEを使用することで、動作寿命が異なるセルや試験ケース間でのパフォーマンス比較が可能になります。
ただし、実際のRULが非常に小さい場合、MAPEは不安定になります。寿命の終盤では、小さな絶対誤差が不釣り合いに大きなパーセント誤差を生む可能性があるため、MAEや他の絶対誤差指標と併せて解釈する必要があります。
RMSEは大きな予測失敗を強調します
RMSE（二乗平均平方根誤差）もリチウムイオンバッテリーのRUL検証で使用されます：
[ RMSE=\sqrt{\frac{1}{N}\sum_{i=1}^{N} \left(\widehat{RUL}_i-RUL_i\right)^2} ]
誤差が二乗されるため、RMSEはMAEよりも大きな外れ値をより厳しく評価します。深刻な過小評価や過大評価が安全性、メンテナンス、保証のリスクにつながる場合に有用です。
相対誤差と再現性は、より広範なモデルの挙動を示します
研究開発プログラムでは、相対予測誤差、誤差の標準偏差、および繰り返される充放電サイクル間での変動を報告することもあります。
これらの指標は、常に真値に近いモデルと、時折大きな偏差を生むモデルを区別するのに役立ちます。これらは、セルのバッチ、経年劣化条件、または動的な動作プロファイル間でアルゴリズムを比較する際に特に重要です。
アルゴリズムの検証にはどのようなデータを使用すべきか？
実際の故障時間が基準ターゲットとなります
RUL予測は、セルが寿命の閾値（エンド・オブ・ライフ）に達した実際のサイクル数や時間など、定義されたグラウンドトゥルース（正解データ）と比較する必要があります。
その閾値は、容量低下、内部抵抗、放電終止時の挙動、またはその他のアプリケーション固有の基準に基づいている場合があります。故障の定義が一貫していない場合、精度指標は意味をなさなくなります。
劣化の観測が予測の更新を促進します
有用な入力データには、容量測定値、内部抵抗の推移、充電状態（SoC）、温度、電流、電圧、および経過したサイクル履歴が含まれます。
動的なアプリケーションの場合、試験システムは平均電流、電流の変動、最大・最小電流、フェーズ持続時間などの負荷プロファイルの統計も取得する必要があります。これらの変数は、予知モデルが定常的なラボでの充放電と実際の動作需要との違いを考慮するのに役立ちます。
HIL（ハードウェア・イン・ザ・ループ）試験で実世界の堅牢性を確認します
過去のサイクルデータに対するオフラインの精度だけでは不十分です。HIL試験では、予知アルゴリズムをプログラム可能なバッテリー機器に接続し、変化する負荷、環境条件、運用上の制約にさらすことができます。
このプロセスにより、モデルが単に完了した劣化記録に適合するだけでなく、オンラインでRULを推定しなければならない状況でも安定性を維持できるかどうかがテストされます。
なぜ運用試験時間が予測精度に影響を与えるのか？
初期の予測は劣化の証拠が限られています
試験の開始時、アルゴリズムはその個々のセルの挙動に関する短い履歴しか持っていません。
そのため、母集団レベルの仮定、初期パラメータ推定、または過去のセルデータに大きく依存せざるを得ません。したがって、製造上のばらつきや初期サイクルの測定ノイズが、大きなRULの不確実性を生む可能性があります。
サイクルを重ねることで個別の劣化経路が明らかになります
試験が続くにつれて、システムはセルの実際の劣化軌跡をより多く観測します。
例えば、蓄積された内部抵抗の測定値は、劣化率やハザードモデルのパラメータを更新するのに役立ちます。モデルは徐々に一般的な母集団の推定からセル固有の予測へと移行し、これが一般的にMAEとMAPEを低減させます。
後期のデータは多くの場合、より高い信頼性を生みます
セルが定義された故障閾値に近づくと、劣化傾向がより明確になります。
これにより、通常、アルゴリズムは初期のデータよりも高い信頼性で故障を予測できるようになります。実用的な観点から見ると、試験で有益な観測値が蓄積されるにつれて、予測区間は狭まる傾向にあります。
時間が長ければ良い予測ができるとは限りません
運用時間が長くなることは、信頼性が高く代表的なデータが得られる場合にのみ役立ちます。
センサーノイズ、不規則なサンプリング、温度変化、モデル化されていない負荷条件、または不適切な劣化モデルは、精度の向上を妨げる可能性があります。品質の低いデータや代表性のないデータを用いた長期間の試験は、正確で有益な測定値を用いた短期間の試験よりも価値が低い場合があります。
予測の不確実性はどのように報告すべきか？
点推定の精度だけでは不十分です
MAE、MAPE、RMSEは予測と実際の結果との距離を要約しますが、個々の予測がどれほど確実かを示すものではありません。
したがって、RULシステムは可能な限り予測区間、信頼区間、または確率分布も報告すべきです。
信頼区間は起こりうる誤差範囲を定量化します
RUL出力に適合させた分布を使用して、68%および95%の信頼水準などの区間を推定できます。
これらの区間は、予測が集中しているのか、それとも非常に不確実なのかをエンジニアが理解するのに役立ちます。平均誤差は低いものの区間の調整が不十分なモデルは、メンテナンスやミッション計画において安全ではない可能性があります。
偏った故障分布には注意が必要です
バッテリーの故障時間は常に正規分布するとは限りません。劣化のばらつきやセル間の違いによって、偏ったRUL分布が生じることがあります。
そのような場合、真のRULが区間内に収まる確率を最大化するために、固定幅の区間を選択できます。最大確率区間（Maximum Power Interval）アプローチは、平均値や中央値を中心に区間を配置するよりも、この目的に直接対応します。
トレードオフの理解
MAPEは故障に近い時点での誤差を誇張する可能性があります
MAPEはデータセット間での比較が容易であるため魅力的ですが、その分母は実際のRULです。
実際のRULがゼロに近づくにつれて、MAPEは不釣り合いに大きくなる可能性があります。唯一の合格基準としてではなく、MAE、RMSE、または別のパーセント指標と併用してください。
平均誤差が低いと危険な外れ値が隠れる可能性があります
モデルは良好なMAEを達成しながら、時折深刻な予測エラーを犯す可能性があります。
過放電、メンテナンスの見落とし、または時期尚早なバッテリー交換につながる可能性がある場合は、RMSE、最大誤差、誤差百分位数、およびセルごとの結果を確認する必要があります。
後期の精度は初期の有用性を表さない場合があります
寿命の終盤で非常に高い精度を発揮するアルゴリズムでも、ミッションや保証期間の初期および中期では不確実性が高すぎる可能性があります。
したがって、評価は初期サイクル、中期、後期といった運用上の年齢ごとに層別化して行うべきです。
試験の加速は観測可能性を低下させる可能性があります
加速劣化試験はカレンダー時間を短縮しますが、通常の運用で見られる劣化メカニズムや負荷条件を変化させる可能性があります。
その結果、アルゴリズムは加速試験の挙動を正確に予測できても、現場のプロファイル下では性能が低下する可能性があります。検証には動的なプロファイルを含め、必要に応じてHIL試験や代表的な運用試験を行うべきです。
目標に合わせた適切な選択
最も有用な評価とは、RULアルゴリズムがサポートすべき意思決定に合わせた指標セットです。
- 主な焦点が平均的なエンジニアリング精度にある場合： MAEを主要な指標として使用し、サイクル数、時間、または分で報告してください。
- 主な焦点が寿命の異なるセル間での比較にある場合： MAPEまたは相対誤差を追加し、RULがゼロに近い結果には慎重に対処してください。
- 主な焦点が深刻な予測ミスを避けることにある場合： RMSE、最大誤差、誤差分布を含めて外れ値を明らかにしてください。
- 主な焦点がメンテナンスやミッションの安全性にある場合： 点推定の誤差指標に加え、予測区間や調整済みの信頼水準を報告してください。
- 主な焦点が初期の予測にある場合： 最終的な性能や後期のみを報告するのではなく、複数の運用期間で精度を評価してください。
- 主な焦点が現場への導入にある場合： 動的な負荷プロファイル、正確な劣化測定、およびHIL試験を使用してモデルを検証してください。
信頼性の高いRUL評価は、絶対誤差、相対誤差、不確実性、および運用時間を通じた性能を組み合わせることで、精度の向上が「想定」ではなく「実証」されるようにします。
要約表：
| 指標 | 説明 | 使用事例 |
|---|---|---|
| MAE | 予測RULと実際のRULの平均絶対差 | 直接的なエンジニアリングの意思決定、直感的な誤差の大きさ |
| MAPE | 実際のRULに対するパーセント誤差 | 寿命が異なるセル間の比較、寿命終盤は注意が必要 |
| RMSE | 二乗平均平方根誤差、大きな誤差にペナルティを課す | 深刻な予測ミスの強調 |
| 相対誤差 | 実際のRULに対する割合としての誤差 | より広範なモデルの挙動分析 |
| 予測区間 | 真のRULが収まると予想される範囲 | メンテナンスおよび安全計画 |
当社の高度な試験ソリューションで、バッテリーの研究開発を最適化しましょう。RUL予測精度を向上させ、バッテリー寿命を延ばすために、今すぐお問い合わせください。お問い合わせはこちら！