KR102440442B1

KR102440442B1 - 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법

Info

Publication number: KR102440442B1
Application number: KR1020200091415A
Authority: KR
Inventors: 김재국
Original assignee: 주식회사 휴네이트
Priority date: 2020-07-23
Filing date: 2020-07-23
Publication date: 2022-09-06
Also published as: KR20220012534A

Abstract

본 발명은 하이브리드 자동차, 전기 자동차 등과 같이 배터리를 사용하는 전기 차량의 배터리 수명 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 차량의 운행에 따른 차량 배터리의 초기부터 수명 종료 시까지의 전 사이클에 대한 시계열 데이터를 이용하여 학습을 수행한 인공지능 모델을 생성한 후 실시간 검출되는 신규 운전 데이터를 상기 인공지능 모델에 적용하여 전기 차량의 배터리의 수명을 정확하고 빠르게 예측하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법에 관한 것이다.

Description

차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법{Vehicle battery life prediction system using vehicle time series data and method thereof}

일반적으로, 화석연료를 사용하는 가솔린, 디젤 등의 엔진 차량은 배기가스로 인한 환경오염, 이산화탄소로 인한 지구온난화, 오존 생성 등으로 인한 호흡기 질환 유발, 연료 고갈 등의 여러 문제점을 일으키고 있다.

이러한 문제점을 해결하기 위해 배터리를 동력원으로 사용하고 구동모터를 구동원으로 사용하여 주행하는 순수 전기자동차(Electric Vehicle, EV), 엔진과 구동모터를 구동원으로 사용하여 주행하는 하이브리드 자동차(Hybrid Electric Vehicle. HEV) 등의 친환경 전기 자동차가 개발되어 상용화되고 있으며, 세계적인 전기자동차 확산정책으로 상기 전기 자동차의 시장규모는 더욱 커질 것으로 예상된다.

이러한 전기 자동차에서는 고에너지/고전력밀도 및 장수명의 장점이 있는 리튬이온 배터리 등의 배터리가 사용된다.

그렇지만 급속충전 및 다양한 전류 크기로 충전과 방전이 빈번하게 반복되는 전류 프로파일의 특성상 리튬이온 배터리의 열화는 불가피하며, 이로 인한 배터리의 전기화학적 특성의 변화, 즉 방전용량의 감소 및 내부저항의 증가가 야기된다. 열화로 인한 전기화학적 특성변화는 전반적인 전기자동차의 성능을 저하(출력저하 및 열폭주로 인한 안전성의 문제 등)시키는 만큼 리튬이온 배터리의 열화 상태를 효율적으로 모니터링하기 위해 배터리 관리 시스템(Battery Management System: BMS)을 적용하며, 특히 열화상태의 지표로 사용되는 수명상태(State-of-health: SOH)의 정확한 추정 및 예측이 요구된다.

하지만 전기자동차에 사용되는 배터리의 열화는 외부환경 및 사용조건 등과 같은 다양한 영향의 상호작용으로 발생하며, 열화에 따른 리튬이온 배터리의 내부 전기화학적 변화의 직접 측정의 어려움과 비선형성으로 예측이 쉽지 않은 문제점이 있다.

이러한 문제점을 해결하기 위해 대한민국 등록특허 제10-1944313호(2019.02.01.공고) [배터리의 수명예측장치](이하 "특허문헌 1"이라 함)은 수명모델에 입력되는 인자를 적용하여 수명을 예측하여 제1예측값을 출력하는 수명모델 예측부, 전류전식 기반의 수식을 이용하여 수명을 예측하여 제2예측값을 출력하는 실시간 수명 계산부 및 상기 제1예측값과 제2예측값을 비교하여 그 차이에 의해 배터리의 수명을 예측하는 비교 예측부를 포함하는 배터리의 수명예측장치를 개시한다.

그러나 상술한 특허문헌 1은 수명 모델 및 수식을 기반으로 이중으로 예측값을 계산하여 정확성을 높일 수 있기는 하나, 수명 모델에 의한 제1예측값 및 수학식 기반의 제2예측값을 계산한 후 상호 비교하여야 하므로 많은 시간이 소요되는 문제점이 있다.

또한, 상기 특허문헌 1은 적용되는 수명 모델에 대한 갱신 없이 고정적으로 적용되므로 수명 모델이 잘못 적용되었을 경우 지속적으로 잘못된 예측값을 출력할 수 있는 문제점이 있었다.

또한, 특허문헌 1은 상기 수명 모델이 어떤 데이터에 근거한 모델인지 알 수 없으며, 이로부터 외부환경 및 사용조건 등과 같은 다양한 상호영향이 반영되어 있지 않아 그 수명예측값의 신뢰도가 떨어질 수 있는 문제점이 있었다.

따라서 외부환경 및 사용조건 등과 같은 다양한 상호영향이 반영된 차량 시계열 데이터를 적용하여 차량 배터리의 수명을 예측할 수 있는 시스템의 개발이 요구되고 있다.

대한민국 등록특허 제10-1944313호(2019.02.01.공고)

따라서 본 발명의 목적은 차량의 운행에 따른 차량 배터리의 초기부터 수명 종료 시까지의 전 사이클에 대한 시계열 데이터를 이용하여 학습을 수행한 인공지능 모델을 생성한 후 실시간 검출되는 신규 운전 데이터를 상기 인공지능 모델에 적용하여 전기 차량의 배터리의 수명을 정확하고 빠르게 예측하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법을 제공함에 있다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템은: 차량의 주행에 따른 사이클별 시계열 데이터 세트를 저장하는 시계열 데이터 DB; 학습된 수명예측 인공지능 모델을 저장하는 수명예측 모델 DB; 상기 시계열 데이터 DB로부터 상기 시계열 데이터 세트를 로드한 후, 전처리 및 클러스터링하며, 클러스터링에 의해 생성된 다수의 군집 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며, 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집을 상기 수명예측 인공지능 모델에 적용하여 학습시킨 후, 학습된 수명예측 인공지능 모델을 상기 수명예측 모델 DB에 저장하는 학습부; 차량으로부터 실시간 시계열 데이터인 운전 데이터를 획득하여 출력하는 운전 데이터 획득부; 및 상기 운전 데이터 획득부로부터 운전 데이터를 입력받아 전처리, 상기 학습부에서 선택된 군집에 대응하는 운전 데이터만을 필터링한 후 상기 학습된 수명 예측 인공지능 모델에 적용하여 상기 차량의 배터리 수명을 예측하는 수명 예측부를 포함하는 것을 특징으로 한다.

상기 학습부는, 상기 시계열 데이터를 입력받아 일정 시간 간격 단위의 크기로 잘라 분할된 분할 시계열 데이터를 출력하는 데이터 분할부; 상기 분할 시계열 데이터를 상기 전처리로서 웨이블릿 변환을 수행하여 주파수 영역 및 시간 영역 정보를 가지는 분할 웨이블릿 데이터로 변환하여 출력하는 군집 가공부; 상기 군집 가공부에서 출력되는 분할 웨이블릿 데이터를 클러스터링하여 군집화된 다수의 군집들을 생성하는 군집화부; 상기 군집화부에서 생성된 다수의 군집들 중 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며, 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집을 출력하는 최적 군집 선택부; 상기 선택된 군집 데이터 분할 웨이블릿 데이터와 상기 분할 웨이블릿 데이터로부터 추출된 통계 데이터를 포함하는 학습 데이터를 출력하는 학습 가공부; 및 상기 학습 데이터를 앙상블 방식의 상기 수명 예측 인공지능 모델에 적용하여 학습시키고, 학습된 수명 예측 인공지능 모델을 상기 수명 예측 모델 DB에 저장하는 앙상블 학습부를 포함하는 것을 특징으로 한다.

상기 최적 군집 선택부는, 선택된 군집을 일정 비유로 나누어 제1부분과 제2부분으로 나누고, 상기 제1 부분을 학습 가공부로 출력하고, 상기 학습부는, 상기 최적 군집 선택부에서 나누어진 상기 제2 부분의 분할 웨이블릿 데이터를 입력받아 상기 앙상블 방식으로 학습된 수명 예측 인공지능 모델에 적용하여 수명 예측값을 계산하고, 계산된 수명 예측값과 상기 제2부분의 웨이블릿 데이터에 대해 미리 알고 있는 수명 예측값을 비교하여 일치여부를 판단하고, 상기 일치여부 판단에 따른 상기 제2부분 전체의 웨이블릿 데이터에 대한 일치율이 미리 설정된 기준 일치율 이상인지를 판단한 후, 상기 일치율이 미리 설정된 기준 일치율 이하이면 인증 실패 신호를 상기 최적 군집 선택부로 출력하는 예측 검증부를 더 포함하되, 상기 최적 군집 선택부는, 상기 인증 실패 신호의 입력 시 선택된 군집 중 일부 이상을 변경하는 것을 특징으로 한다.

상기 수명 예측부는, 상기 운전 데이터를 입력받아 상기 일정 시간 단위의 크기를 가지는 윈도우 단위로 자른 분할 운전 데이터를 출력하는 운전 데이터 분할부; 상기 분할 운전 데이터를 웨이블릿 변환을 수행한 분할 운전 웨이블릿 데이터를 생성한 후 상기 최적 군집 선택부에서 선택되어 학습에 적용된 군집에 대응하는 분할 운전 웨이블릿 데이터만을 필터링하여 출력하는 필터링부; 및 필터링된 상기 분할 운전 웨이블릿 데이터를 상기 학습된 수명 예측 인공지능 모델에 적용하여 차량 배터리의 수명에 대한 예측 결과를 출력하는 예측부를 포함하는 것을 특징으로 한다.

상기 군집 가공부는, 웨이블릿 직교(Wavelet bior1.5)를 적용하여 웨이블릿 변환을 수행하는 것을 특징으로 한다.

상기 군집화부는 DBSCAN(Density-Based Spacial Clustering of Application with Noise)를 적용하여 밀도 기반의 클러스터링을 수행하여 상기 군집을 추출하는 것을 특징으로 한다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법은: 학습부가 시계열 데이터 DB로부터 미리 저장되어 있는 시계열 데이터를 로드한 후, 전처리 및 클러스터링하며, 클러스터링에 의해 생성된 다수의 군집들 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며, 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집을 수명예측 인공지능 모델에 적용하여 학습시킨 후, 학습된 수명예측 인공지능 모델을 수명예측 모델 DB에 저장하는 학습 과정; 운전 데이터 획득부가 차량으로부터 실시간 사이클에 따른 시계열 데이터인 운전 데이터를 획득하여 출력하는 운전 데이터 획득 과정; 및 수명 예측부가 상기 운전 데이터 획득부로부터 운전 데이터를 입력받아 전처리를 수행하고, 상기 학습부에서 선택된 군집에 대응하는 전처리된 운전 데이터만을 필터링한 후 상기 학습된 수명 예측 인공지능 모델에 적용하여 상기 차량의 배터리 수명을 예측하는 수명 예측 과정을 포함하는 것을 특징으로 한다.

상기 학습 과정은, 상기 학습부가 데이터 분할부를 통해 상기 전처리로서 상기 시계열 데이터를 입력받아 일정 시간 간격 단위의 크기를 가지는 윈도우로 잘라 분할된 분할 시계열 데이터를 출력하는 데이터 분할 단계; 상기 학습부가 군집 가공부를 통해 상기 분할 시계열 데이터를 상기 전처리로서 웨이블릿 변환을 수행하여 주파수 영역 및 시간 영역 정보를 포함하는 분할 웨이블릿 데이터를 출력하는 군집 가공 단계; 상기 학습부가 군집화부를 통해 상기 군집 가공부에서 출력되는 분할 웨이블릿 데이터를 클러스터링하여 군집화된 다수의 군집을 생성하는 군집화 단계; 상기 학습부가 최적 군집 선택부를 통해 상기 군집화부에서 생성된 다수의 군집 중 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며, 각 사이클에 대한 데이터를 포함하는 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집의 변환 웨이블릿 데이터를 출력하는 최적 군집 선택 단계; 상기 학습부가 학습 가공부를 통해 상기 선택된 군집의 분할 웨이블릿 데이터에 대한 통계 데이터를 생성하고, 상기 통계 데이터와 상기 분할 웨이블릿 데이터를 포함하는 학습 데이터를 출력하는 학습 가공 단계; 및 상기 학습부가 앙상블 학습부를 통해 상기 학습 데이터를 앙상블 방식의 상기 수명 예측 인공지능 모델에 적용하여 학습시키고, 학습된 수명 예측 인공지능 모델을 상기 수명 예측 모델 DB에 저장하는 앙상블 학습 단계를 포함하는 것을 특징으로 한다.

상기 최적 군집 선택 단계는, 학습부가 최적 군집 선택부를 통해 최적의 군집을 선택하는 선택 단계; 선택된 군집을 일정 비유로 나누어 제1부분 및 제2 부분으로 나누는 분리 단계; 상기 제1 부분의 분할 웨이블릿 데이터는 학습 가공부로 출력하고, 제2 부분의 분할 웨이블릿 데이터는 예측 검증부로 출력하는 출력 단계; 및 상기 학습부가 상기 최적 군집 선택부를 통해 상기 예측 검증부로부터 인증 실패 신호의 입력 시 선택된 군집 중 일부 이상을 변경하는 선택 군집 변경 단계를 포함하되, 상기 학습 과정은, 상기 학습부가 예측 검출부를 통해 상기 최적 군집 선택부에서 나누어진 상기 제2 부분의 분할 웨이블릿 데이터를 입력받아 상기 앙상블 방식으로 학습된 수명 예측 인공지능 모델에 적용하여 수명 예측값을 계산하고, 계산된 수명 예측값과 상기 제2부분의 웨이블릿 데이터에 대해 미리 알고 있는 수명 예측값을 비교하여 일치 여부를 판단하고, 상기 일치여부 판단에 따른 제2부분 전체의 웨이블릿 데이터에 대한 일치율이 미리 설정된 기준 일치율 이상인지를 판단한 후, 일치율이 미리 설정된 기준 일치율 이하이면 인증 실패 신호를 상기 최적 군집 선택부로 출력하는 예측 검증 단계를 더 포함하는 것을 특징으로 한다.

상기 수명 예측 과정은, 상기 수명 예측부가 운전 데이터 분할부를 통해 상기 운전 데이터를 입력받아 상기 일정 시간 단위 크기를 가지는 윈도우로 자른 분할 운전 데이터를 출력하는 운전 데이터 분할 단계; 상기 수명 예측부가 필터링부를 통해 상기 분할 운전 데이터를 웨이블릿 변환을 수행한 후 상기 최적 군집 선택부에서 선택되어 학습에 적용된 군집에 대응하는 분할 운전 웨이블릿 데이터만을 필터링하여 출력하는 필터링 단계; 및 상기 수명 예측부가 상기 필터링부를 통해 필터링된 상기 분할 웨이블릿 운전 데이터를 예측부를 통해 상기 학습된 수명 예측 인공지능 모델에 적용하여 차량 배터리의 수명에 대한 예측 결과를 출력하는 예측 단계를 포함하는 것을 특징으로 한다.

본 발명은 차량의 실제 운행에 따라 차량 배터리의 초기 적용 시부터 배터리 수명이 다할 때까지의 전 사이클에 대해 획득되는 시계열 데이터 세트에 의해 학습시킨 인공지능 모델에 실시간 획득되는 운전 데이터를 적용하여 차량 배터리의 수명을 예측하므로 다양한 도로 주행 상황에 대해 보다 빠르고 정확하게 차량 배터리의 수명을 예측할 수 있는 효과가 있다.

또한, 본 발명은 상기 시계열 데이터 세트를 전처리하여 획득된 다수의 군집 중 최적의 군집을 선택 적용하여 인공지능 모델을 생성하므로 차량의 배터리 수명을 더 정확하게 예측할 수 있는 효과가 있다.

또한, 본 발명은 선택된 군집의 일부 데이터를 이용하여 상기 인공지능 모델에서 예측된 예측값을 검증한 후 검증에 실패하면 상기 선택된 군집 중 일부 이상을 변경하여 학습된 인공지능 모델을 재생성하므로 보다 정확한 인공지능 모델을 적용하여 차량의 배터리 수명을 보다 정확하게 예측할 수 있는 효과가 있다.

도 1은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 학습부의 구성을 나타낸 도면이다.
도 3은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 수명 예측부의 구성을 나타낸 도면이다.
도 4는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법을 나타낸 흐름도이다.
도 5는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법 중 인공지능 모델 생성 방법을 나타낸 흐름도이다.
도 6은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법 중 인공지능 모델을 이용한 수명 예측 방법을 나타낸 흐름도이다.

이하 첨부된 도면을 참조하여 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 구성 및 동작을 상세히 설명하고, 상기 시스템에서의 차량 배터리 수명 예측 방법을 설명한다.

도 1은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 구성을 나타낸 도면이다.

본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템은 시계열 데이터 DB(10), 학습부(20), 수명 예측 모델 DB(30), 운전 데이터 획득부(40) 및 수명 예측부(50)를 포함한다.

상기 시계열 데이터 DB(10)는 차량의 주행에 따른 사이클별 시계열 데이터 세트를 저장한다. 상기 차량의 주행에 따른 차량 배터리의 초기 시부터 수명이 다할 때까지의 전 사이클에 대한 사이클별 시계열 데이터 세트는 도시 동력계 사이클(Urban Dynamometer Driving Schedule: UDDS), 고속도로 동력계 사이클(The Highway Fuel Economy Driving Schedule: HWFET) 등의 프로파일의 배터리 셀 전압, 셀 전류, 실시간 주행거리, 배터리 전력 소비량, 최고 속도, 에너지 소비효율, 연비 데이터 중 어느 하나 이상일 수 있으며, 배터리 셀 전압 및 셀 전류 중 어느 하나 이상인 것이 바람직할 것이다. 상기 시계열 데이터 세트는 차량의 주행에 따른 사이클별 데이터마다 배터리 잔여수명 데이터, 즉 사이클 정보를 가지고 있을 것이다. 상기 사이클 정보에 의해 배터리 잔여 수명을 예측할 수 있을 것이다.

상기 학습부(20)는 상기 시계열 데이터 DB(10)로부터 상기 시계열 데이터를 로드한 후, 전처리를 수행, 즉 가공하여 클러스터링하며, 클러스터링된 다수의 군집들 중 데이터가 많고 사이클별 데이터가 고르게 분포된 군집을 적어도 하나 이상을 선택하고, 선택된 군집을 상기 수명예측 인공지능 모델에 적용하여 학습시킨 후 상기 수명예측 모델 DB(30)에 저장한다.

상기 수명예측 인공지능 모델은 인공지능 학습 방법 중 하나인 앙상블(Ensenble) 방법이 적용되며, 앙상블 방법을 수행하는 알고리즘 중 XGBoost 알고리즘이 적용되는 것이 바람직할 것이다. 상기 학습부(20)의 상세 구성 및 동작은 다음의 도 2를 참조하여 상세히 설명한다.

운전 데이터 획득부(40)는 운전 데이터 획득 이벤트의 발생 시 차량의 차체제어모듈(Body Control Module: BCM), 배터리 관리 시스템(Battery Management System: BMS) 등과 같은 차량 시스템으로부터 상기 시계열 데이터 DB(10)에 저장된 시계열 데이터 세트의 데이터에 대응하는 데이터를 포함하는 운전 데이터를 획득하여 출력한다. 상기 운전 데이터 획득 이벤트는 차량의 시동 시 일정 시간 주기로 발생될 수도 있고, 운전자 등의 차량 내 구비된 수명 예측 버튼의 클릭 시 발생될 수도 있을 것이다.

상기 운전 데이터는 차량 배터리로부터 실시간 획득되는 셀 전압, 셀 전류, 실시간 주행거리, 배터리 전력 소비량, 최고 속도, 에너지 소비 효율, 연비 중 어느 하나 이상일 수 있으며, 배터리 전압 및 셀 전류 중 어느 하나 이상인 것이 바람직할 것이다.

수명 예측부(50)는 상기 운전 데이터 획득부(40)로부터 입력되는 운전 데이터 중 상기 선택된 군집에 대응하는 운전 데이터를 추출하여 상기 수명 예측 인공지능 모델에 적용하여 상기 운전 데이터에 대한 차량 배터리의 수명 예측 결과를 출력한다. 상기 수명 예측 결과는 상기 운전 데이터에 대한 사이클 정보일 수도 있고, 배터리 수명의 전체 사이클에 대한 상기 사이클 정보의 사이클에 대응하는 잔여 수명일 수도 있을 것이다.

도 2는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 학습부의 구성을 나타낸 도면이다.

학습부(20)는 데이터 분할부(21), 군집 가공부(22), 군집화부(23), 최적 군집 선택부(24), 학습 가공부(25) 및 앙상블 학습부(26)를 포함하고, 실시예에 따라 예측 검증부(27)를 더 포함할 수 있을 것이다.

데이터 분할부(21)는 로드되는 시계열 데이터를 일정 시간 단위의 크기를 가지는 윈도우를 일정 시간 단위로 이동시키면서 잘라 분할된 분할 시계열 데이터를 출력한다. 상기 윈도우의 크기는 일 예로 128비트일 수 있으며, 1비트 단위로 이동하면서 상기 시계열 데이터를 분할하도록 구성될 수 있을 것이다.

군집 가공부(22)는 상기 분할 시계열 데이터를 웨이블릿 변환하여 시계열 정보 및 주파수 정보 둘 모두를 포함하는 분할 웨이블릿 데이터를 생성한다. 생성된 분할 웨이블릿 데이터는 군집화부(23)로 입력한다. 상기 웨이블릿 변환 방식으로는 Wavelet bior1.3, wavelet coiflet 15 등 중 어느 하나가 적용될 수 있을 것이다.

군집화부(23)는 상기 분할 웨이블릿 데이터들을 클러스터링하여 다수의 군집을 생성한다. 상기 클러스터링 방법으로는 데이터가 밀집한 정도, 즉 밀도에 의해 데이터를 군집화는 디비스캔(Density-Based Spatial Clustering of Application with Noise: DBSCAN) 알고리즘 방식이 적용될 수 있으며, 비트 단위로 군집화될 수 있을 것이다.

최적 군집 선택부(24)는 상기 군집화부(23)에서 생성된 다수의 군집 중에서 미리 설정된 조건을 만족하는 최적의 군집을 선택하여 출력한다. 상기 조건은 군집 내 데이터가 충분히 많아야 하고, 각 사이클별 데이터가 일정 범위 내에서 고르게 존재하는 조건일 수 있을 것이다. 즉, 최적 군집 선택부(24)는 (군집내 데이터수)/(전체 데이터수)의 값이 크고, 사이클별로 미리 설정된 데이터 수 이상의 데이터 수를 포함하고 있는 적어도 하나 이상의 군집을 선택하여 출력할 수 있을 것이다. 상기 선택되는 군집은 하나인 것이 바람직할 것이다.

상기 최적 군집 선택부(24)는 선택된 군집 중 일정 비율(예: 8:2)로 훈련 세트와 검증 세트로 나누어 훈련 세트의 군집을 학습 가공부(25)로 출력하도록 구성될 수도 있을 것이다. 또, 상기 훈련 세트는 일정 비율로 훈련 세트 및 테스트 세트로 나뉘고 상기 훈련 세트만 학습 가공부(25)로 출력하도록 구성될 수도 있을 것이다.

또한, 선택된 군집이 하나인 경우 군집 내의 분할 웨이블릿 데이터를 일정 비율로 훈련 세트와 검증 세트로 나누고, 훈련 세트를 일정 비율로 훈련 세트 및 테스트 세트로 나누도록 구성될 수 있을 것이다.

또한 다른 실시예로 최적 군집 선택부(24)는 상기 (군집내 데이터수)/(전체 데이터수)의 값 및 사이클별로 미리 설정된 데이터 수가 높고, 서로 다른 사이클에 대한 데이터가 많은(즉 서로 다른 사이클 정보가 많은) 상위 일정 개수의 군집을 선택하도록 구성될 수도 있을 것이다.

학습 가공부(25)는 각 군집별 분할 웨이블릿 데이터에 대한 통계 데이터를 추출하고, 추출된 통계 데이터 및 상기 분할 웨이블릿 데이터를 포함하는 학습 데이터를 출력한다. 상기 통계 데이터는 분할 웨이블릿 데이터를 엔트로피(Entropy) 방식에 적용하여 획득할 수 있는 엔트로피 데이터, 중앙값(Median) 방식에 적용하여 획득될 수 있는 중앙값 데이터 등 중 어느 하나 일상일 수 있을 것이다.

앙상블 학습부(26)는 수명 예측 인공지능모델이 구동되고 있으며, 학습 가공부(25)로부터 입력되는 학습 데이터를 입력받아 수명 예측 인공지능 모델에 적용하여 학습을 수행하고, 학습된 수명 예측 인공지능 모델을 수명예측 모델 DB(30)에 저장한다. 상기 수명 예측 인공지능 모델은 앙상블 인공지능 모델로, XGBoost 알고리즘 등이 될 수 있을 것이다.

예측 검증부(27)는 상기 검증 세트를 앙상블 학습부(26)에서 학습된 수명예측 모델에 적용하여 수명 예측결과를 생성하고, 생성된 수명 예측결과와 시계열 데이터에 미리 포함되어 있는 상기 검증 세트의 사이클별 수명, 즉 사이클 정보와 비교하여 일치 여부를 판단하고, 상기 검증 세트에 대한 일치 여부에 따른 일치율이 미리 설정된 기준 일치율 이상이면 검증에 성공한 것으로 판단하고, 이하면 검증 실패로 판단한다.

검증 실패 시 예측 검증부(27)는 검증 실패 신호를 최적 군집 선택부(24)로 출력한다.

최적 군집 선택부(24)는 예측 검증부(27)로부터 검증 실패 신호가 입력되면 상기 선택된 군집들의 일부를 순차적으로 변경하거나 전체를 변경한다. 이하 일부 또는 전체를 변경하는 것을 일부 이상 변경이라는 용어를 사용한다.

이후 학습 가공부(25)를 거친 학습데이터를 앙상불 학습부(26)에서 재학습을 수행하여 상기 수명 예측 인공지능 모델을 갱신할 것이다.

도 3은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템의 수명 예측부의 구성을 나타낸 도면이다.

수명 예측부(50)는 운전 데이터 분할부(51), 필터링부(52) 및 예측부(53)를 포함한다.

운전 데이터 분할부(51)는 운전 데이터 획득부(40)로부터 운전 데이터를 입력받고, 입력되는 운전 데이터를 일정 시간 단위, 상기 일정 시간 단위의 길이를 가지는 윈도우로 잘라 분할 운전 데이터를 상기 필터링부(52)로 출력한다.

상기 필터링부(52)는 상기 운전 데이터 분할부(51)로부터 분할 운전 데이터를 입력받아 웨이블릿 변환을 수행하여 상기 분할 운전 데이터를 분할 웨이블릿 운전 데이터로 변환하고, 변환된 분할 운전 데이터 중 상기 학습부(20)에서 선택된 군집에 대응하는 분할 운전 데이터만을 필터링하여 예측부(53)로 출력한다.

예측부(53)는 상기 필터링부(52)로부터 출력되는 분할 운전 데이터를 수명예측 모델 DB(30)에 저장된 수명 예측 인공지능 모델에 적용하여 예측 결과를 출력한다. 상기 예측 결과는 상술한 바와 같이 사이클 정보일 수도 있고, 차량의 배터리의 잔여 용량 정보가 될 수도 있을 것이다. 상기와 같이 학습 시 선택된 군집에 대응하는 분할 운전 웨이블릿 데이터만을 빠르게 필터링하여 바로 수명 예측 인공지능 모델에 적용하므로 더욱 빠르게 수명을 예측할 수 있다.

도 4는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법을 나타낸 흐름도이다.

학습부(20)는 학습 이벤트가 발생되느지를 검사한다(S111). 상기 학습 이벤트는 일정 시간 주기로 발생할 수도 있고, 시계열 데이터 DB(10)에 시계열 데이터가 추가되는 경우에 발생될 수도 있으며, 외부 관리자에 의한 학습 명령의 입력 시 발생될 수도 있을 것이다.

학습 이벤트가 발생되면 학습부(20)는 시계열 데이터 DB(10)로부터 시계열 데이터를 로드하여 획득한다(S113).

상기 학습부(20)는 상기 로드된 시계열 데이터를 앙상블 인공지능 모델에 적용하여 학습시켜, 학습된 앙상블 인공지능 모델을 생성하여 수명 예측 모델 DB(30)에 저장한다(S115).

수명 예측부(50)는 수명 예측 이벤트가 발생되는지를 검사한다(S117). 상기 수명 예측 이벤트는 운전 데이터 획득부(40)로부터 운전 데이터의 입력 시 발생될 수도 있을 것이다.

수명 예측부(50)는 수명 예측 이벤트가 발생되면 운전 데이터 획득부(40)로부터 운전 데이터를 입력받아 획득하고(S119), 상기 운전 데이터를 앙상블 인공지능 모델인 수명 예측 인공지능 모델에 적용하여 수명을 예측하여 예측 결과를 출력한다(S121).

도 5는 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법 중 인공지능 모델 생성 방법을 나타낸 흐름도이다. 도 5를 참조하여 상기 도 4의 S115의 앙상블 인공지능 모델 생성 방법을 구체적으로 설명한다.

학습부(20)는 획득된 시계열 데이터를 일정 시간 단위(일정 비트 단위, 예; 128비트)의 크기를 가지는 윈도우를 일정 시간 단위(예: 1비트 단위)로 이동하면서 분할하여 분할 시계열 데이터를 출력한다(S211). 일 예로, 상기 분할 시계열 데이터는 128비트로 구성될 수 있으며, 1비트씩 이동하는 경우, 인접 분할 시계열 데이터와 127비트가 동일할 것이다.

학습부(20)는 분할된 상기 분할 시계열 데이터를 웨이블릿 변환하여 분할 웨이블릿 데이터를 출력하는 분할 시계열 데이터 전처리 과정을 수행한다(S213).

학습부(20)는 분할 시계열 데이터가 생성되면 밀도 기반, 즉 디비스캔을 적용하여 클러스터링을 수행하여 일정 거리 인접하게 구성되고 미리 설정된 밀도를 가지는 시계열 데이터들을 포함하는 군집을 생성한다(S215).

다수의 군집이 생성되면 학습부(20)는 군집들 중 데이터 수가 많고, 군집 내에 각 사이블별 데이터가 고르게 분포하고 있는 조건을 만족하는 적어도 하나 이상의 최적 군집을 선택한다(S217).

최적의 군집이 선택되면 학습부(20)는 선택된 군집의 데이터를 훈련 세트, 검증 세트 및 테스트 세트로 나누는 전처리를 수행하고(S219), 상기 훈련 세트에 대한 통계 데이터를 생성하여 상기 훈련 세트에 부가한 학습 세트를 생성하는 학습 데이터 전처리 과정을 수행한다(S221).

학습부(20)는 상기 학습 데이터가 생성되면 수명 예측 인공지능 모델에 상기 학습 데이터를 적용하여 학습을 수행하며, 학습된 수명 예측 인공지능 모델을 수명 예측 모델 DB(30)에 저장한다(S225).

학습된 수명 예측 인공지능 모델이 저장되면, 학습부(20)는 상기 검증 세트의 검증 데이터를 상기 학습된 수명 예측 인공지능 모델에 적용하여 예측 결과를 획득하고, 획득된 예측 결과와 상기 검증 데이터에 대해 미리 저장된 예측 수명, 즉 사이클 정보를 비교하여 일치도를 판단하고, 상기 검증 데이터 전체에 대한 일치율을 계산한 후, 계산된 일치율이 미리 설정된 기준 일치율을 초과하는지 미만인지를 검사하는 예측 검증을 수행하고(S227), 예측 검증의 성공 여부를 판단한다(S229). 예를 들어, 기준 일치율은 80%일 수 있으며, 학습부(20)는 상기 검증 데이터 전체에 대한 일치율이 80%를 초과하는 경우 검증에 성공한 것으로 판단할 수 있을 것이다.

학습부(20)는 검증 결과가 성공이면 종료하고, 실패이면 최적 군집을 변경한(S231) 후, 상술한 S219 이후의 과정을 반복 수행한다.

상기 학습부(20)는 예측 검증이 성공일 때까지 최적 군집을 변경하여 최적의 수명 예측 인공지능 모델을 생성할 것이다.

도 6은 본 발명에 따른 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법 중 인공지능 모델을 이용한 수명 예측 방법을 나타낸 흐름도이다.

도 6을 참조하면, 수명 예측부(50)는 운전 데이터가 획득되면 획득되는 운전 데이터를 윈도우 단위로 분할하여 분할 운전 데이터를 생성한다(S311).

분할 운전 데이터가 생성되면 수명 예측부(50)는 상기 분할 운전 데이터를 웨이블릿 변환하여 분할 운전 웨이블릿 데이터를 생성한(S313) 후, 상기 학습부(20)에서 선택된 그룹에 대응하는 분할 운전 웨이블릿 데이터만을 선택하여 출력하는 필터링 과정을 수행한다(S315).

상기 수명 예측부(50)는 상기 필터링된 분할 운전 웨이블릿 데이터를 상기 학습부(20)에서 학습되고 수명 예측 모델 DB(30)로부터 로드된 수명 예측 인공지능 알고리즘에 적용하여(S317), 예측 결과를 출력한다(S319).

한편, 본 발명은 전술한 전형적인 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 특허청구범위의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 보아야 한다.

10: 시계열 데이터 DB 20: 학습부
21: 데이터 분할부 22: 군집 가공부
23: 군집화부 24: 최적 군집 선택부
25: 학습 가공부 26: 앙상블 학습부
27: 예측 검증부 30: 수명 예측 모델 DB
40: 운전 데이터 획득부 50: 수명 예측부
51: 운전 데이터 분할부 52: 필터링부
53: 예측부

Claims

차량의 주행에 따른 차량 배터리의 사이클별 잔여 수명에 대한 정보를 가지는 상기 차량 배터리의 초기 시부터 수명이 다할 때까지의 전 사이클에 대한 사이클별 시계열 데이터 세트를 저장하는 시계열 데이터 DB;
학습된 수명예측 인공지능 모델을 저장하는 수명예측 모델 DB;
상기 시계열 데이터 DB로부터 상기 시계열 데이터 세트를 로드한 후, 전처리 및 클러스터링하며, 클러스터링에 의해 생성된 다수의 군집 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집을 상기 수명예측 인공지능 모델에 적용하여 학습시킨 후, 학습된 수명예측 인공지능 모델을 상기 수명예측 모델 DB에 저장하는 학습부;
차량으로부터 실시간 시계열 데이터인 운전 데이터를 획득하여 출력하는 운전 데이터 획득부; 및
상기 운전 데이터 획득부로부터 운전 데이터를 입력받아 전처리, 상기 학습부에서 선택된 군집에 대응하는 운전 데이터만을 필터링한 후 상기 학습된 수명 예측 인공지능 모델에 적용하여 상기 차량의 배터리 수명을 예측하는 수명 예측부를 포함하되,
상기 학습부는,
상기 시계열 데이터를 입력받아 일정 시간 간격 단위의 크기로 잘라 분할된 분할 시계열 데이터를 출력하는 데이터 분할부;
상기 분할 시계열 데이터를 상기 전처리로서 웨이블릿 변환을 수행하여 주파수 영역 및 시간 영역 정보를 가지는 분할 웨이블릿 데이터로 변환하여 출력하는 군집 가공부;
상기 군집 가공부에서 출력되는 분할 웨이블릿 데이터를 클러스터링하여 군집화된 다수의 군집들을 생성하는 군집화부;
상기 군집화부에서 생성된 다수의 군집 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하여 출력하는 최적 군집 선택부;
상기 선택된 군집 데이터 분할 웨이블릿 데이터와 상기 분할 웨이블릿 데이터로부터 추출된 통계 데이터를 포함하는 학습 데이터를 출력하는 학습 가공부; 및
상기 학습 데이터를 앙상블 방식의 상기 수명 예측 인공지능 모델에 적용하여 학습시키고, 학습된 수명 예측 인공지능 모델을 상기 수명 예측 모델 DB에 저장하는 앙상블 학습부를 포함하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템.
삭제
제1항에 있어서,
상기 최적 군집 선택부는,
선택된 군집을 일정 비유로 나누어 제1부분과 제2부분으로 나누고, 상기 제1 부분을 학습 가공부로 출력하고,
상기 학습부는,
상기 최적 군집 선택부에서 나누어진 상기 제2 부분의 분할 웨이블릿 데이터를 입력받아 상기 앙상블 방식으로 학습된 수명 예측 인공지능 모델에 적용하여 수명 예측값을 계산하고, 계산된 수명 예측값과 상기 제2부분의 웨이블릿 데이터에 대해 미리 알고 있는 수명 예측값을 비교하여 일치여부를 판단하고, 상기 일치여부 판단에 따른 상기 제2부분 전체의 웨이블릿 데이터에 대한 일치율이 미리 설정된 기준 일치율 이상인지를 판단한 후, 상기 일치율이 미리 설정된 기준 일치율 이하이면 인증 실패 신호를 상기 최적 군집 선택부로 출력하는 예측 검증부를 더 포함하되,
상기 최적 군집 선택부는,
상기 인증 실패 신호의 입력 시 선택된 군집 중 일부 이상을 변경하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템.
제1항에 있어서,
상기 수명 예측부는,
상기 운전 데이터를 입력받아 상기 일정 시간 단위의 크기를 가지는 윈도우 단위로 자른 분할 운전 데이터를 출력하는 운전 데이터 분할부;
상기 분할 운전 데이터를 웨이블릿 변환을 수행한 분할 운전 웨이블릿 데이터를 생성한 후 상기 최적 군집 선택부에서 선택되어 학습에 적용된 군집에 대응하는 분할 운전 웨이블릿 데이터만을 필터링하여 출력하는 필터링부; 및
필터링된 상기 분할 운전 웨이블릿 데이터를 상기 학습된 수명 예측 인공지능 모델에 적용하여 차량 배터리의 수명에 대한 예측 결과를 출력하는 예측부를 포함하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템.
제1항에 있어서,
상기 군집 가공부는,
웨이블릿 직교(Wavelet bior1.5)를 적용하여 웨이블릿 변환을 수행하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템.
제1항에 있어서,
상기 군집화부는 DBSCAN(Density-Based Spacial Clustering of Application with Noise)를 적용하여 밀도 기반의 클러스터링을 수행하여 상기 군집을 추출하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템.
학습부가 차량의 주행에 따른 차량 배터리의 사이클별 잔여 수명에 대한 정보를 가지는 차량 배터리의 초기 시부터 수명이 다할 때까지의 전 사이클에 대한 사이클별 시계열 데이터 세트를 저장하는 시계열 데이터 DB로부터 미리 저장되어 있는 시계열 데이터를 로드한 후, 전처리 및 클러스터링하며, 클러스터링에 의해 생성된 다수의 군집 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집을 수명예측 인공지능 모델에 적용하여 학습시킨 후, 학습된 수명예측 인공지능 모델을 수명예측 모델 DB에 저장하는 학습 과정;
운전 데이터 획득부가 차량으로부터 실시간 사이클에 따른 시계열 데이터인 운전 데이터를 획득하여 출력하는 운전 데이터 획득 과정; 및
수명 예측부가 상기 운전 데이터 획득부로부터 운전 데이터를 입력받아 전처리를 수행하고, 상기 학습부에서 선택된 군집에 대응하는 전처리된 운전 데이터만을 필터링한 후 상기 학습된 수명 예측 인공지능 모델에 적용하여 상기 차량의 배터리 수명을 예측하는 수명 예측 과정을 포함하되,
상기 학습 과정은,
상기 학습부가 데이터 분할부를 통해 상기 전처리로서 상기 시계열 데이터를 입력받아 일정 시간 간격 단위의 크기를 가지는 윈도우로 잘라 분할된 분할 시계열 데이터를 출력하는 데이터 분할 단계;
상기 학습부가 군집 가공부를 통해 상기 분할 시계열 데이터를 상기 전처리로서 웨이블릿 변환을 수행하여 주파수 영역 및 시간 영역 정보를 포함하는 분할 웨이블릿 데이터를 출력하는 군집 가공 단계;
상기 학습부가 군집화부를 통해 상기 군집 가공부에서 출력되는 분할 웨이블릿 데이터를 클러스터링하여 군집화된 다수의 군집을 생성하는 군집화 단계;
상기 학습부가 최적 군집 선택부를 통해 상기 군집화부에서 생성된 다수의 군집 중 사이클별 데이터량이 많고 전체 데이터수 대비 군집내 데이터수가 크며 각 사이클에 대한 데이터를 포함하는 적어도 하나 이상의 군집을 선택하고, 선택된 군집의 변환 웨이블릿 데이터를 출력하는 최적 군집 선택 단계;
상기 학습부가 학습 가공부를 통해 상기 선택된 군집의 분할 웨이블릿 데이터에 대한 통계 데이터를 생성하고, 상기 통계 데이터와 상기 분할 웨이블릿 데이터를 포함하는 학습 데이터를 출력하는 학습 가공 단계; 및
상기 학습부가 앙상블 학습부를 통해 상기 학습 데이터를 앙상블 방식의 상기 수명 예측 인공지능 모델에 적용하여 학습시키고, 학습된 수명 예측 인공지능 모델을 상기 수명 예측 모델 DB에 저장하는 앙상블 학습 단계를 포함하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법.
삭제
제7항에 있어서,
상기 최적 군집 선택 단계는,
학습부가 최적 군집 선택부를 통해 최적의 군집을 선택하는 선택 단계;
선택된 군집을 일정 비유로 나누어 제1부분 및 제2 부분으로 나누는 분리 단계;
상기 제1 부분의 분할 웨이블릿 데이터는 학습 가공부로 출력하고, 제2 부분의 분할 웨이블릿 데이터는 예측 검증부로 출력하는 출력 단계; 및
상기 학습부가 상기 최적 군집 선택부를 통해 상기 예측 검증부로부터 인증 실패 신호의 입력 시 선택된 군집 중 일부 이상을 변경하는 선택 군집 변경 단계를 포함하되,
상기 학습 과정은,
상기 학습부가 예측 검출부를 통해 상기 최적 군집 선택부에서 나누어진 상기 제2 부분의 분할 웨이블릿 데이터를 입력받아 상기 앙상블 방식으로 학습된 수명 예측 인공지능 모델에 적용하여 수명 예측값을 계산하고, 계산된 수명 예측값과 상기 제2부분의 웨이블릿 데이터에 대해 미리 알고 있는 수명 예측값을 비교하여 일치 여부를 판단하고, 상기 일치여부 판단에 따른 제2부분 전체의 웨이블릿 데이터에 대한 일치율이 미리 설정된 기준 일치율 이상인지를 판단한 후, 일치율이 미리 설정된 기준 일치율 이하이면 인증 실패 신호를 상기 최적 군집 선택부로 출력하는 예측 검증 단계를 더 포함하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법.
제7항에 있어서,
상기 수명 예측 과정은,
상기 수명 예측부가 운전 데이터 분할부를 통해 상기 운전 데이터를 입력받아 상기 일정 시간 단위 크기를 가지는 윈도우로 자른 분할 운전 데이터를 출력하는 운전 데이터 분할 단계;
상기 수명 예측부가 필터링부를 통해 상기 분할 운전 데이터를 웨이블릿 변환을 수행한 후 상기 최적 군집 선택부에서 선택되어 학습에 적용된 군집에 대응하는 분할 운전 웨이블릿 데이터만을 필터링하여 출력하는 필터링 단계; 및
상기 수명 예측부가 상기 필터링부를 통해 필터링된 상기 분할 웨이블릿 운전 데이터를 예측부를 통해 상기 학습된 수명 예측 인공지능 모델에 적용하여 차량 배터리의 수명에 대한 예측 결과를 출력하는 예측 단계를 포함하는 것을 특징으로 하는 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 방법.