KR102106775B1 - 딥러닝을 이용한 전지 진단 방법 - Google Patents

딥러닝을 이용한 전지 진단 방법 Download PDF

Info

Publication number
KR102106775B1
KR102106775B1 KR1020180095178A KR20180095178A KR102106775B1 KR 102106775 B1 KR102106775 B1 KR 102106775B1 KR 1020180095178 A KR1020180095178 A KR 1020180095178A KR 20180095178 A KR20180095178 A KR 20180095178A KR 102106775 B1 KR102106775 B1 KR 102106775B1
Authority
KR
South Korea
Prior art keywords
battery
information
deep learning
server computer
terminal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020180095178A
Other languages
English (en)
Other versions
KR20200023672A (ko
Inventor
정병철
정태호
Original Assignee
오토시맨틱스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 오토시맨틱스 주식회사 filed Critical 오토시맨틱스 주식회사
Priority to KR1020180095178A priority Critical patent/KR102106775B1/ko
Publication of KR20200023672A publication Critical patent/KR20200023672A/ko
Application granted granted Critical
Publication of KR102106775B1 publication Critical patent/KR102106775B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

본원 발명은 딥러닝을 통해서 전지 상태를 진단하는 방법에 관한 것으로서, 구체적으로 임피던스를 측정하는 EIS, 온도 센서, 전압계, 전류계를 통해서 전지에 대한 정보를 측정하여 수집하고, 센서로부터 수집된 자료를 신호처리를 통해서 특성치를 파악하고, 이를 딥러닝 컴퓨터로 전송하여, 이미 학습된 컴퓨터의 딥러닝을 통해서 상기 특성치 및 전지에 대한 정보로부터 전지의 상태를 진단하고, 재학습을 통해 진단의 정확도를 높이는 방법에 관한 것이다.

Description

딥러닝을 이용한 전지 진단 방법{Diagnosis method of battery using Deep Learning}
본원 발명은 전지를 진단하는 방법에 관한 것으로서, 구체적으로 센서를 통해 측정된 이차전지의 전압, 임피던스 등의 값과 상기 이차전지의 실제 상태를 기반으로 딥러닝 알고리즘을 학습시키고 상기 학습된 딥러닝 알고리즘을 이용하여 이차전지의 수명 및 품질을 진단하는 방법에 관한 것이다.
가전제품, 사무용품, 정보통신기기들의 경량화, 휴대성에 대한 요구가 늘어남에 따라 이들의 구동 전원으로 사용되는 이차전지에 대한 소형화, 경량화 및 에너지 고밀도화가 계속 진행되고 있다. 특히 스마트폰을 필두로한 제품이 다른 모든 모바일 기기의 기능을 흡수함으로써, 이들의 사용 시간이 급격하게 늘어나고 있다. 에너지 밀도를 높이기 위한 기술 개선은 종종 각 부품에 대한 안정성과 성능에 있어서, 물리화학적 임계치에 가까운 성능을 요구한다. 이에 대응하기 위해서 전지의 품질을 진단하는 방법 또한 그에 맞는 정도의 정밀도를 가질 필요가 있다.
전지의 정밀한 진단을 위해서는 전지의 내부 특성을 파악할 필요가 있는데, 지금까지는 일정 횟수의 충방전 시험 비교 및 임피던스 측정값을 수학적으로 단순화시킨 등가회로 모델을 사용하여 내부 특성을 파악하였다.
특허문헌 1은 임피던스 스펙트럼으로부터 모사된 등가회로 모델의 특정저항 인자 연산을 이용한 2차 전지의 용량선별 방법에 관한 것으로서, 특정한 내부저항 성분의 수학적 수치 연산 과정을 이용하는데 있어서, 특정 충전상태(SOC : State of Charge) 혹은 부분 방전도(Depth of Discharge)를 갖는 전지를 준비하는 단계, 임피던스 스펙트럼을 측정하는 단계, 측정된 임피던스 스펙트럼을 등가회로 모델에 모사하여 특정한 내부저항 성분을 구하는 단계, 저항성분의 수학적 수치 연산값과 전지의 초기 방전 용량 상관성을 비교하여 미지의 동일 전지그룹의 전지의 초기용량을 선별하는 단계로 구성되어진다.
그러나 전기 자동차와 같은 다량의 전지를 직렬 또는 병렬로 결합하여 팩 형태로 사용하는 경우, 단순한 수학적 모델이 기반을 둔 임피던스 스펙트럼 등가회로 모델은 실제 전지의 특성을 제대로 반영할 수 없다.
특허문헌 2는 이차전지인 니켈-카드뮴 전지의 충전 상태를 브리지를 사용하여 측정된 페러데이 전기용량 값으로부터 결정하는 방법을 기술하고 있다. 특허문헌2에 따르면, 특정 주파수에서 전지의 내부 임피던스 값과 전지 용량의 상관 관계는 전지의 활물질로 사용되는 화학재료의 임피던스 응답특성에 의해 결정된다. 그러므로 모든 전지의 전지용량을 측정하는데 반드시 적용되지 않는다.
특정 주파수에서의 내부 임피던스 값과 축전지의 보유용량과의 상관관계를 이용하여 전지의 상태를 검사하는 방법으로 축전지의 내부 임피던스를 측정하는 보다 일반적인 방법이 특허문헌 3에 기술되어 있는데, 이는 차량의 축전지의 상태를 사용자가 연속적으로 감지하는 용도로 제시된 것으로서, 각각의 주파수에서 얻어진 임피던스 값을 비교하는 것이다.
그 외에도 특허문헌 4는 저주파 영역 및 고주파 영역에서 각각 측정된 두 개의 복소 임피던스 값을 사용하는 방법을, 특허문헌 5는 저주파 영역에서의 선형 임피던스 특성을 이용하는 방법을 각기 제시하고 있다.
전지의 충전/방전 상태의 특성을 알아내기 위한 일반적인 방법으로는 전지의 개방회로전압(Open circuit voltage), 동작상태에서의 전지의 전압 및 변화, 전지에 인가되는 입력 전압 또는 전류에 대한 출력신호의 특성 및 이로부터 유도되는 내부저항 함수 또는 임피던스 함수등의 측정들이 잘 알려져 있다. 이러한 여러 가지의 방법을 사용할 경우에는 전지의 실시간 방전법에 소요되는 시간보다 짧은 시간 내에 전지용량의 측정이 가능하다. 이를 위하여 많은 연구가 진행되어 왔는데, 그 예로는, 특허문헌 6에서는 전지의 방전특성을 푸커트 매개인자(Peukert parameter)로 구성되는 전압-시간함수로 나타내고, 전지의 전압 측정값과 상기 전압-시간함수로부터 전지의 잔존용량을 산출하는 방법을 제시하고 있다. 특허문헌 7은 방전중인 전지의 방전전압을 시간의 함수로 측정하고, 일정구간에서의 방전전압의 평균변화율로부터 전지의 방전상태를 측정하는 방법을 제시하고 있다. 특허문헌 8 에서는 전지에 인가된 교류전류와 측정된 교류전압과의 위상차 측정방법을 언급하였다. 이러한 방전과정에서 전압 또는 전압의 변화량을 측정하여 용량을 산출할 경우에 측정값과 전지의 용량과의 상관관계가 나타나는 정확도는 전지의 방전특성에 민감한 의존성을 보인다. 예를 들면, 전압의 평탄성이 매우 우수한 리튬이온 이차전지의 경우에 방전상태의 변화에 대한 전압의 변화가 매우 적으므로 동일 제조 조건에 의해 생산된 전지의 경우에는 적용하기가 힘들다.
이와 같이 전지의 수명 및 충전 상태를 진단하는 기존 방법으로 임피던스 분광법을 이용한 다양한 충전상태 추정법이 제안되었다. 모든 방식이 기본적으로 임피던스 분광법을 이용하여 리튬 이온 전지의 AC 임피던스를 각 충전 상태별로 측정한 후, 물리적인 등가 임피던스 모델로부터 파라메터를 추출함으로써 전지의 충전상태를 추정하는 방식이다.
기존 방법은 1) 전지의 종류에 따라 다른 임피던스 등가 모델을 설정해야 하며, 2) 전지 셀, 모듈 등의 전지 단위에 따라 다른 모델을 사용해야 한다, 3) 또한 설정된 등가모델로부터 발생하는 오차를 개선하기 어려운 단점이 있다. 특히, 자동차 전지의 경우 대량의 단위전지를 병렬 또는 직렬로 연결하는 경우가 많고 또한 단위전지가 동일한 제조공정을 통해서 제조된 것이 아닐 경우도 있다. 이러한 경우에는 종래의 방법에 따른 오차는 시간이 경과함에 따라 더욱 커지게 된다.
대한민국 등록특허공보 제0462661호(2004.12.10.) 미국 등록특허공보 제3,562,634호(1971.02.09.) 미국 등록특허공보 제4,678,998호(1987.06.07.) 미국 등록특허공보 제4,743,855호(1988.05.10.) 미국 등록특허공보 제5,241,275호(1993.08.31.) 미국 등록특허공보 제4,952,862호(1990.08.28.) 유럽 공개특허공보 제119,547호(1984.09.26.) 미국 등록특허공부 제3,984,762호(1976.10.05.)
본원 발명은 상기와 같은 문제를 해결하기 위한 것으로서, 전지 종류에 따라 다른 임피던스 등가 모델을 별도로 설정할 필요가 없고, 전지, 모듈, 팩키지 등 전지의 단위에 대해서도 다른 임피던스 등가 모델을 별도로 설정할 필요가 없으며, 또한 수학적 등가 모델에 따른 오차를 개선한 전지의 수명 및 품질을 신속하고 정확하게 진단하는 방법을 제공하는 것을 목적으로 한다.
본원 발명은 셀, 모듈 등의 전지 단위에 상관없이 판정이 가능하며, 전지 생산 라인, ESS 등 범용적으로 적용이 가능하면서도 정확도가 높은 결과를 제시하는 방법을 제공하는 것을 목표로 한다.
본원 발명은 지속적인 재학습을 실시함으로써 전지 수명 및 품질 진단의 정확도 및 신뢰도를 지속적으로 향상시키는 방법을 제공하는 것을 목표로 한다.
전술한 목적을 달성하기 위한 본원 발명에 따른 딥러닝을 이용한 전지 진단 방법은 a) 진단하고자 하는 전지에 대한 정보를 사람이 단말기에 입력하는 단계; b) 센서를 사용하여 상기 전지에 대한 정보를 상기 단말기가 측정하여 수집하는 단계; c) 상기 전지에 대한 정보 및 상기 신호처리된 정보를 상기 단말기가 서버 컴퓨터로 전송하는 단계; d) 상기 전송된 정보를 상기 서버 컴퓨터가 딥러닝을 통해서 처리하는 단계; e) 상기 처리된 결과를 상기 서버 컴퓨터가 상기 단말기로 전송하는 단계를 포함하는 전지 진단 방법을 제공한다.
상기 b) 단계와 상기 c) 단계 사이에 상기 b) 단계에서 수집된 정보를 신호처리하는 단계가 부가되며, 상기 c) 단계의 수집된 정보는 수집된 정보를 신호처리한 정보로 대치될 수 있다.
상기 전지에 대한 정보는 상기 전지의 단위셀 종류, 팩 내의 단위셀 개수 및 단위셀 간의 연결 방법, 팩 간의 연결 방법을 포함한다.
상기 a) 단계 대신 전지에 부착된 바코드 또는 QR 코드를 상기 단말기가 읽어들이고 미리 입력된 정보와 비교하여 전지에 대한 정보를 파악할 수 있다.
또는 상기 b) 단계를, 상기 센서를 사용하여 상기 전지에 대한 정보를 사람이 측정하고 이를 단말기가 수집할 수 있도록 입력하는 단계로 대치할 수 있다.
상기 c) 단계에서 있어서 상기 단말기의 ID도 같이 상기 서버로 전송될 수 있다.
상기 c), d), e)의 단계에서 상기 전지에 대한 정보 및 상기 수집된 정보를 상기 단말기가 상기 서버로 전송하지 않고, 상기 단말기에서 직접 딥러닝을 통해서 처리하는 단계로 대치될 수 있다.
상기 d) 단계 또는 e) 단계에서의 처리는 딥러닝을 통해서 처리된 정보로부터 상기 전지의 상태를 판정하는 것을 포함한다. 상기 전지의 상태는 전지의 불량여부, 전지의 잔여 수명을 포함한다.
상기 센서는 임피던스를 측정하는 EIS(Electrochemical Impedance Spectroscopy) 센서, 온도를 측정하는 온도 센서, 열화상 카메라, 전압계, 또는 전류계를 포함한다.
상기 a) 단계 이전에 상태가 판정된 전지의 상태 정보를 단말기에 입력하는 단계, 상기 센서를 사용하여 상기 상태가 판정된 전지에 대한 정보를 측정하여 수집하는 단계, 상기 상태가 판정된 전지의 상태 및 상기 수집된 정보를 상기 단말기 또는 상기 서버에서 딥러닝을 통해 학습하는 단계가 진행되며, 상기 센서로부터 정보의 수집 및 상기 서버컴퓨터로의 전송은 상기 서버컴퓨터로부터 요청 및/또는 사용자의 요구에 의해서 진행될 수 있다.
상기 수집된 정보를 상기 단말기가 상기 서버로 전송하기 전에 상기 단말기에서 주파수 성분 분석, 시간에 따른 변화율 분석 신호처리를 포함할 수 있으며, 상기 신호처리는 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency), 보드 선도(Bode Plot), 나이퀴스트 선도 (Nyquist Plot) 분석 중 적어도 하나를 통해 특성치를 추출하는 것이다.
본원 발명에 따른 딥러닝은 CNN(Convolutional Neural Network), RNN(Recursive Neural Network), DBN(Deep Belief Network), LSTM(Long Short-term Memory), GRU(Gated Recurrent Neural Network), Softmax regression 중 적어도 하나이며, 상기 딥러닝은 적어도 10개 이상의 히든레이어와 적어도 500개 이상의 전체 노드수를 갖는다.
딥러닝에 의해서 상기 처리된 결과는 전지의 불량여부 및 전지의 수명으로 구분되며, 불량 판정시 불량의 원인, 불량 전지의 위치를 포함하며, 양품 판정시 전지의 잔여 수명을 포함한다.
이상에서 설명한 바와 같이 본원 발명에 따른 자동차 상태 진단 방법은 다음과 같은 효과가 있다.
본원 발명에 따른 전지 수명 및 품질 진단 방법은 CNN, RNN, DBN, LSTM, GRU, Softmax, 모델을 사용함으로써 전지의 비선형성 특징의 해석 범위를 넓히고, 물리적으로 활용가능한 시간범위 내에서 정확도가 높은 결과를 제시한다.
또한 본원 발명에 따른 전지 수명 및 품질 진단 방법은 임피던스 정보 외에 온도 정보를 추가로 이용하여 판단하므로 전지 불량 판정시 불량의 원인을 정밀하게 판정 가능하며, 수명이 서로 다른 여러개의 학습용 전지 정보 딥러닝 학습에 활용함에 따라 전지의 수명을 수치화하여 구체적으로 판정 가능한 장점이 있다.
또한 본원 발명에 따른 전지 수명 및 품질 진단 방법은 지속적인 재학습을 통해서 상태 판정의 신뢰성을 계속적으로 높일 수 있는 장점이 있다.
또한 본원 발명에 따른 전지 수명 및 품질 진단 방법은 셀, 모듈 등의 전지 단위에 상관없이 품질 테스트가 가능한 장점이 있다.
또한 본원 발명에 따른 전지 수명 및 품질 진단 방법은 기존 전지 품질 테스트 라인에 간단하게 적용이 가능하며, 이를 전지 품질 관리에 활용함으로써 품질 검사에 소요되는 시간과 비용을 크게 절감할 수 있는 장점이 있다. 뿐만 아니라 ESS, 전기 자동차, 충전소 등 전지 상태 진단이 필요한 곳에 범용적으로 적용이 가능한 장점이 있다.
도 1은 본원 발명에 따른 전지 수명 및 품질을 진단하는 방법의 처리단계를 나타낸 것이다.
본원 발명에 따른 딥러닝을 이용한 전지 진단 방법은 a) 진단하고자 하는 전지에 대한 정보를 사람이 단말기에 입력하는 단계; b) 센서를 사용하여 상기 전지에 대한 정보를 상기 단말기가 측정하여 수집하는 단계; 필요에 따라 c) 상기 수집된 정보를 신호처리하는 단계; d) 상기 전지에 대한 정보 및 상기 처리된 정보를 상기 단말기가 서버 컴퓨터로 전송하는 단계; e) 상기 전송된 정보를 상기 서버 컴퓨터가 딥러닝을 통해서 처리하는 단계; f) 상기 처리된 결과를 상기 서버 컴퓨터가 상기 단말기로 전송하는 단계를 포함하는 전지 진단 방법을 제공한다.
본원 발명에 따른 전지 수명 및 품질을 진단하는 방법은 도 1을 참고하면 전지의 상태 정보를 상기 단말기에 입력하는 단계, 상기 센서로부터 상태를 판정하고자 하는 전지의 데이터를 상기 단말기가 측정하여 수집하는 단계, 상기 수집된 데이터를 단말기 내에서 신호처리하는 단계, 상기 전지에 대한 정보 및 상기 처리된 신호를 상기 서버 컴퓨터로 전송하는 단계, 상기 전송된 정보를 상기 서버 컴퓨터가 딥러닝을 통해 처리하는 단계, 상기 처리된 결과를 상기 서버 컴퓨터가 상기 단말기로 전송하는 단계를 포함한다.
전지에 대한 상태는 불량여부, 수명을 포함하며, 전지에 대한 정보는 임피던스, 온도, 전압, 인가된 전압에 따른 출력 전류를 포함하는 것에 특징이 있다.
전지의 정보를 측정하는 센서는 임피던스를 측정하는 EIS (Electrochemical Impedance Spectroscopy) 센서, 온도를 측정하는 온도 센서 또는 열화상 카메라, 전압계, 또는 전류계를 포함하는 것에 특징이 있다.
또한, 상기 EIS 센서는 높은 범위의 전압까지 측정이 가능하여 셀 또는 모듈등의 전지 단위에 상관없이 측정 가능한 특징이 있다.
상기 a) 단계 이전에 상태가 판정된 전지의 상태 정보를 단말기에 입력하는 단계, 상기 센서를 사용하여 상기 상태가 판정된 전지에 대한 정보를 측정하여 수집하는 단계, 상기 상태가 판정된 전지의 상태 및 상기 수집된 정보를 상기 단말기 또는 상기 서버에서 딥러닝을 통해 학습하는 단계가 진행되며, 상기 센서로부터 정보의 수집 및 상기 서버컴퓨터로의 전송은 상기 서버컴퓨터로부터 요청 및/또는 사용자의 요구에 의해서 진행되는 것에 특징이 있다.
상기 학습 단계에서 Generative Adversarial Net(GAN)을 활용, 제한된 수의 상기 수집된 데이터를 기반으로 더 많은 학습용 데이터를 생성 및 취득하여 상기 데이터베이스에 저장된 신호와 병합, 상기 딥러닝 모델 학습에 활용할 수 있는 것에 특징이 있다.
상기 학습하는 단계에서는 상기 수집된 데이터로부터 상기 전지의 상태 정보를 매우 유사하게 판단하는 것을 목표로 하는 최적학습된 딥러닝 모델을 생성하는 과정을 포함하는 것에 특징이 있다.
상기 수집된 정보를 상기 단말기가 상기 서버로 전송하기 전에 상기 단말기에서 주파수 성분 분석, 시간에 따른 변화율 분석 신호처리를 포함할 수 있으며, 상기 신호처리는 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency), 보드 선도(Bode Plot), 나이퀴스트 선도 (Nyquist Plot) 분석 중 적어도 하나를 통해 특성치를 추출하는 것에 특징이 있다.
상기 서버 컴퓨터로 전송된 데이터를 상기 서버 컴퓨터에서 딥러닝을 통해 처리하는 단계에서 딥러닝 모델은 CNN(Convolutional Neural Network), RNN(Recursive Neural Network), DBN(Deep Belief Network), LSTM(Long Short-term Memory), GRU(Gated Recurrent Neural Network), Softmax regression 중 적어도 하나이며, 딥러닝에 의해서 처리되는 결과는 크게 전지의 불량여부 및 전지의 수명으로 구분되며, 불량 판정시 불량의 원인, 불량 전지의 위치를 포함하며, 양품 판정시 전지의 잔여 수명을 포함하는 것에 특징이 있다. 또한 딥러닝 모델은 적어도 10개 이상의 히든 레이어와 적어도 500개 이상의 전체 노드수를 가질 수 있는 것에 특징이 있다.
상기 딥러닝을 통해 처리하는 단계에서는 상기 상태를 판정하고자 하는 전지의 데이터를 상기 서버 컴퓨터에 입력한 후 상기 최적학습된 딥러닝 모델을 사용하여 처리된 결과를 바탕으로 상기 전지의 상태를 판정하는 것에 특징이 있다.
또한, 상기 처리된 결과와 실제 전지 상태 진단 결과를 비교한 결과는 상기 서버컴퓨터로부터 요청 및/또는 사용자의 요구에 의해서 다시 상기 서버 컴퓨터로 피드백하여 상기 딥러닝 모델 학습용 데이터베이스를 갱신 및 축적하고, 상기 학습용 데이터베이스는 상기 딥러닝 모델의 재학습 자료로 사용되는 것에 특징이 있다.

Claims (17)

  1. a) 진단하고자 하는 전지에 대한 정보를 사람이 단말기에 입력하는 단계;
    b) 센서를 사용하여 상기 전지에 대한 정보를 상기 단말기가 측정하여 수집하는 단계;
    c) 상기 전지에 대한 정보 및 상기 수집된 정보를 상기 단말기가 서버 컴퓨터로 전송하는 단계;
    d) 상기 전송된 정보를 상기 서버 컴퓨터가 딥러닝을 통해서 처리하는 단계;
    e) 상기 처리된 결과를 상기 서버 컴퓨터가 상기 단말기로 전송하는 단계를 포함하는 전지 진단 방법에 있어서,
    상기 센서는 임피던스를 측정하는 EIS(Electrochemical Impedance Spectroscopy) 센서를 포함하며,
    상기 단계 d)에서 상기 딥러닝을 통해서 처리하는 단계는 상기 상태를 진단하고자 하는 전지에 대한 정보 및 상기 수집된 정보를 상기 서버 컴퓨터로 전송한 후 상기 서버 컴퓨터가 최적학습된 딥러닝 모델을 사용하여 처리된 결과를 바탕으로 상기 전지의 상태를 판정하는 것이고,
    상기 전지의 상태는 전지의 불량여부, 전지의 잔여 수명을 포함하며,
    상기 처리된 결과와 실제 전지 상태 진단 결과를 비교한 결과는 상기 서버컴퓨터로부터 요청 또는 사용자의 요구에 의해서 다시 상기 서버컴퓨터로 피드백하여 딥러닝 모델 학습용 데이터베이스를 갱신 및 축적하고, 상기 학습용 데이터베이스는 상기 딥러닝 모델의 재학습 자료로 사용되는 전지 진단 방법.
  2. 제1항에 있어서,
    상기 b) 단계와 상기 c) 단계 사이에 상기 b) 단계에서 수집된 정보를 신호처리하는 단계가 부가되며, 상기 c) 단계의 수집된 정보는 수집된 정보를 신호처리한 정보로 대치되는 전지 진단 방법.
  3. 제1항에 있어서,
    상기 전지에 대한 정보는 상기 전지의 단위셀 종류, 팩 내의 단위셀 개수 및 단위셀 간의 연결 방법, 팩 간의 연결 방법을 포함하는 전지 진단 방법.
  4. 제3항에 있어서,
    상기 a) 단계 대신 전지에 부착된 바코드 또는 QR 코드를 상기 단말기가 읽어들이고 미리 입력된 정보와 비교하여 전지에 대한 정보를 파악하는 전지 진단 방법.
  5. 제1항에 있어서,
    상기 b) 단계를, 상기 센서를 사용하여 상기 전지에 대한 정보를 사람이 측정하고 이를 단말기가 수집할 수 있도록 입력하는 단계로 대치되는 전지 진단 방법.
  6. 제1항에 있어서,
    상기 c) 단계에서 있어서 상기 단말기의 ID도 같이 상기 서버로 전송되는 전지 진단 방법.
  7. 제1항에 있어서,
    상기 c), d), e)의 단계에서 상기 전지에 대한 정보 및 상기 수집된 정보를 상기 단말기가 상기 서버로 전송하지 않고, 상기 단말기에서 직접 딥러닝을 통해서 처리하는 단계로 대치되는 전지 진단 방법.
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
  12. 제1항에 있어서,
    상기 센서로부터 정보의 수집 및 상기 서버컴퓨터로의 전송은 상기 서버컴퓨터로부터 요청 또는 사용자의 요구에 의해서 진행되는 전지 진단 방법.
  13. 제2항에 있어서,
    상기 신호처리는 상기 단말기가 상기 서버로 전송하기 전에 상기 단말기에서 주파수 성분 분석, 시간에 따른 변화율 분석 신호처리를 포함하는 처리를 진행하는 전지 진단 방법.
  14. 제13항에 있어서,
    상기 신호처리는 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency), 보드 선도(Bode Plot), 나이퀴스트 선도 (Nyquist Plot) 분석 중 적어도 하나를 통해 특성치를 추출하는 것인 전지 진단 방법.
  15. 제1항에 있어서,
    상기 딥러닝은 CNN(Convolutional Neural Network), RNN(Recursive Neural Network), DBN(Deep Belief Network), LSTM(Long Short-term Memory), GRU(Gated Recurrent Neural Network), Softmax regression 중 적어도 하나인 전지 진단 방법.
  16. 제1항에 있어서,
    상기 딥러닝은 적어도 10개 이상의 히든레이어와 적어도 500개 이상의 전체 노드수를 갖는 전지 진단 방법.
  17. 제1항에 있어서,
    상기 처리된 결과는 전지의 불량여부 및 전지의 수명으로 구분되며, 불량 판정시 불량의 원인, 불량 전지의 위치를 포함하며, 양품 판정시 전지의 잔여 수명을 포함하는 전지 진단 방법.
KR1020180095178A 2018-08-14 2018-08-14 딥러닝을 이용한 전지 진단 방법 Active KR102106775B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180095178A KR102106775B1 (ko) 2018-08-14 2018-08-14 딥러닝을 이용한 전지 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180095178A KR102106775B1 (ko) 2018-08-14 2018-08-14 딥러닝을 이용한 전지 진단 방법

Publications (2)

Publication Number Publication Date
KR20200023672A KR20200023672A (ko) 2020-03-06
KR102106775B1 true KR102106775B1 (ko) 2020-05-06

Family

ID=69802457

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180095178A Active KR102106775B1 (ko) 2018-08-14 2018-08-14 딥러닝을 이용한 전지 진단 방법

Country Status (1)

Country Link
KR (1) KR102106775B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022157802A1 (en) * 2021-01-21 2022-07-28 Kpit Technologies Limited A system and method for estimating a state of charge (soc) of a battery
US11830991B2 (en) 2020-08-14 2023-11-28 Korea Power Cell Co., Ltd. Method and apparatus based on neural network for pre-diagnosing defect and fire in battery cell

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069738B (zh) * 2020-09-16 2024-04-26 山东大学 基于dbn和多层模糊lstm的电动舵机剩余寿命预测方法及系统
CN112345952B (zh) * 2020-09-23 2024-07-05 上海电享信息科技有限公司 动力电池老化程度判断方法
KR102547083B1 (ko) * 2020-12-18 2023-06-22 연세대학교 산학협력단 전기 화학 임피던스 분광법을 이용한 배터리 상태 판단 장치 및 방법
KR20220102026A (ko) * 2021-01-12 2022-07-19 주식회사 엘지에너지솔루션 전지셀의 외관 검사 시스템
KR102628845B1 (ko) * 2021-01-28 2024-01-25 충남대학교산학협력단 배터리노화분석장치 및 방법, 그를 포함하는 배터리관리장치, 그리고, 배터리분석모델 생성방법
CN116324042A (zh) * 2021-02-17 2023-06-23 美国亚德诺半导体公司 电解器eis监测系统
KR20230023395A (ko) * 2021-08-10 2023-02-17 주식회사 엘지에너지솔루션 불량 유형 분류 시스템 및 불량 유형 분류 방법
KR20230025130A (ko) * 2021-08-13 2023-02-21 주식회사 엘지에너지솔루션 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
KR102635229B1 (ko) * 2021-10-25 2024-02-08 연세대학교 산학협력단 전극 특성 검출 장치 및 방법
KR20230058932A (ko) 2021-10-25 2023-05-03 주식회사 엘지에너지솔루션 전지셀의 전극 탭 단선 검사장치
KR102738232B1 (ko) * 2021-11-12 2024-12-04 주식회사 볼트윈 배터리 진단 시스템 및 방법
CN114492662B (zh) * 2022-02-15 2025-03-28 重庆大学 基于Transformer-GRU的智能变电站二次系统故障定位方法
CN116577677B (zh) * 2023-07-14 2023-09-29 赣州吉锐新能源科技股份有限公司 退役动力电池的放电测试系统及其方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101865365B1 (ko) * 2017-02-28 2018-06-05 삼성전자서비스 주식회사 휴대통신 단말의 배터리 진단장치 및 진단방법

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3562634A (en) 1968-12-16 1971-02-09 Atomic Energy Commission Method for determining the state of charge of nickel cadmium batteries by measuring the farad capacitance thereof
US3984762A (en) 1975-03-07 1976-10-05 The United States Of America As Represented By The Secretary Of The Army Method for determining battery state of charge by measuring A.C. electrical phase angle change
FR2542873B1 (fr) 1983-03-16 1985-06-14 Asulab Sa Procede de mesure de l'etat de decharge d'une pile et appareil mettant en oeuvre ce procede
FR2556475B1 (fr) 1983-12-12 1986-09-05 Asulab Sa Procede de mesure de l'etat de decharge d'une pile et appareil mettant en oeuvre ce procede
JPS61170678A (ja) 1985-01-25 1986-08-01 Nissan Motor Co Ltd バツテリ状態検知装置
US4952862A (en) 1989-09-29 1990-08-28 At&T Bell Laboratories Apparatus and method for adaptively predicting battery discharge reserve time
US5241275A (en) 1991-05-31 1993-08-31 At&T Bell Laboratories Method of measuring remaining capacity of a storage cell by comparing impedance plot characteristics
KR100462661B1 (ko) 2002-07-02 2004-12-20 금호석유화학 주식회사 임피던스 스펙트럼으로부터 모사된 등가회로 모델의 특정저항 인자 연산을 이용한 2차 전지의 용량 선별 방법
KR20150104669A (ko) * 2014-03-05 2015-09-16 삼성에스디아이 주식회사 배터리 검사 장치 및 배터리 검사 장치 제어방법
KR102481905B1 (ko) * 2015-09-22 2022-12-27 주식회사 피엠그로우 배터리 진단 장치 및 방법
KR101864860B1 (ko) * 2016-09-13 2018-06-05 오토시맨틱스 주식회사 딥러닝을 통한 자동차 상태 진단 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101865365B1 (ko) * 2017-02-28 2018-06-05 삼성전자서비스 주식회사 휴대통신 단말의 배터리 진단장치 및 진단방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11830991B2 (en) 2020-08-14 2023-11-28 Korea Power Cell Co., Ltd. Method and apparatus based on neural network for pre-diagnosing defect and fire in battery cell
WO2022157802A1 (en) * 2021-01-21 2022-07-28 Kpit Technologies Limited A system and method for estimating a state of charge (soc) of a battery

Also Published As

Publication number Publication date
KR20200023672A (ko) 2020-03-06

Similar Documents

Publication Publication Date Title
KR102106775B1 (ko) 딥러닝을 이용한 전지 진단 방법
Xiong et al. Towards a smarter battery management system: A critical review on battery state of health monitoring methods
US11422194B2 (en) Battery diagnosis apparatus and battery diagnosis method based on current pulse method
Yang et al. A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application
CN111707957B (zh) 电动汽车电池残值估算方法及装置
CN106526488B (zh) 串联式动力电池包内传感器故障诊断方法
US8849598B2 (en) In-situ battery diagnosis method using electrochemical impedance spectroscopy
US8984944B2 (en) Method and system for diagnosis of the internal state of a battery through acoustic emission
US8775106B2 (en) Method for determining a parameter of at least one accumulator of a battery
CN112485693B (zh) 一种基于温度概率密度函数的电池健康状态快速评估方法
KR100449365B1 (ko) 임피던스 스펙트럼의 패턴 매칭기법을 이용한 단위전지분류방법
CN115158076B (zh) 计量误差评估方法、装置及计算机可读存储介质
CN113884935A (zh) 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法
CN113687251A (zh) 一种基于双模型的锂离子电池组电压异常故障诊断方法
CN115015761B (zh) 电池荷电状态soc估计方法、装置、设备及存储介质
CN107037375B (zh) 电池直流内阻测量方法及装置
CN114002603B (zh) 识别电芯的方法、装置及计算机存储介质
US20250147111A1 (en) Screening method and device for echelon-use battery
Dai et al. State-of-health estimation of lithium-ion batteries using multiple correlation analysis-based feature screening and optimizing echo state networks with the weighted mean of vectors
CN118759370B (zh) 一种基于车联网大数据的事故电池损伤评估方法及系统
CN118981730A (zh) 一种电池安全利用的余能智慧检测方法
KR102595386B1 (ko) 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치
CN112505567A (zh) 电池健康状态评估系统
Tairov et al. The novel method for estimating VRLA battery state of charge
KR102738232B1 (ko) 배터리 진단 시스템 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20180814

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20190614

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20200130

PG1501 Laying open of application
GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20200427

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20200428

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20230427

Start annual number: 4

End annual number: 4