KR102550929B1

KR102550929B1 - 배터리의 잔여 수명을 자동으로 실시간 추정하는 장치 및 방법

Info

Publication number: KR102550929B1
Application number: KR1020160015486A
Authority: KR
Inventors: 아다고우다 파틸 메루; 세에탈락쉬미 하리하란 크리쉬난
Original assignee: 삼성전자주식회사
Priority date: 2015-03-03
Filing date: 2016-02-11
Publication date: 2023-07-04
Also published as: KR20160107095A

Abstract

일실시예에 따라 실시간으로 배터리의 잔여 수명을 결정하는 시스템 및 방법이 제시된다. 시스템은 잔여 수명 추정을 위해 두 단계의 분류 회귀 프로세스를 이용한다. 시스템은 사용자가 잔여 수명의 상위 및 하위 임계 값을 구성하는 옵션을 모니터링한다. 시스템은 배터리를 모니터링하고 잔여 수명 추정에 요구되는 배터리 파라미터를 수집한다. 먼저, 수집된 입력을 프로세싱함으로써, 시스템은 배터리가 포함하는 클래스를 확인한다. 이 단계에서의 출력은 잔여 수명의 범위이다. 다음으로, 미리 구성된 설정에 따라, 시스템은 회귀 모델링을 수행함으로써, 미세 잔여 수명을 추정한다. 또한, 미세 잔여 수명의 값이 설정된 임계 값을 벗어나는 경우, 시스템은 배터리 컨디션을 사용자에게 통지하는 알림을 유발할 수 있고, 배터리 교체에 관한 시기를 지시할 수도 있다.

Description

배터리의 잔여 수명을 자동으로 실시간 추정하는 장치 및 방법{APPARATUS AND METHOD FOR AUTOMATED REAL-TIME ESTIMATION OF REMAINING USEFUL LIFE OF BATTERY}

배터리 상태 모니터링 분야, 특히 배터리 잔여 수명의 실시간 측정에 관한 것이다.

전기 배터리는 에너지 저장에 널리 이용되는 효율적인 수단이고, 전력 장치에 전기 에너지를 공급한다. 여러 어플리케이션에 대해 여러 사이즈 및 용량의 배터리가 이용 가능하다. 예를 들어, AA 배터리는 휴대용 전기 전자 장치에 일반적으로 이용된다. 리튬 이온 배터리는 개선된 배터리 백업을 제공하는 다른 타입의 배터리이다. 유사하게, 확장된 용량과 높은 출력을 지닌 대용량 배터리는 내구성과 높은 전력 공급을 필요로 하는 어플리케이션에 이용된다.

배터리는 일반적으로 일회용 배터리 및 충전식 배터리로 분류된다. 일회용은 사용 후 버려지는 타입이고, 충전식은 외부 전력에 연결하여 재충전될 수 있다.

모든 충전식 배터리는 충전 및 방전 횟수에 대해 고정된 수명 주기로 설계된다. 예를 들어, 어떤 충전식 배터리는 300번의 재충전 횟수를 지원할 수 있고, 다른 것은 500번의 재충전 횟수를 지원할 수 있다. 연속적인 전력 공급을 요구하는 중요한 어플리케이션에서, 방전된 배터리를 교체하기 위해 소모되는 시간은 치명적일 수 있다. 배터리 관리 시스템은 배터리의 잔여 수명을 추정하는 옵션을 제공할 수 있고, 이를 통해 사용자는 배터리의 잔여 충전 횟수에 대한 타당한 예상치를 가질 수 있다. 그러나 잔여 수명을 추정하는 현재의 시스템 및 방법은 잔여 수명 추정을 위해 많은 양의 데이터를 요구하고, 이로 인해 온-보드 실시간 어플리케이션의 구현이 어렵다.

일측에 따르면, 배터리의 잔여 수명(Remaining Useful Life; RUL)을 추정하는 방법은 실시간으로 상기 배터리의 데이터의 클래스를 확인하는 단계; 상기 클래스에 대하여 제2 레벨의 잔여 수명 추정이 설정되어 있는지 여부를 체크하는 단계; 상기 클래스에 대하여 상기 제2 레벨의 잔여 수명 추정이 설정되어 있지 않은 경우, 제1 레벨의 잔여 수명 추정을 수행함으로써 총(gross) 잔여 수명을 추정하는 단계; 및 상기 클래스에 대하여 상기 제2 레벨의 잔여 수명 추정이 설정되어 있는 경우, 상기 배터리의 미세(finer) 잔여 수명을 추정하는 단계를 포함한다.

일실시예에서, 상기 클래스는 상기 배터리의 충전, 방전, 및 임피던스 주기 중 적어도 하나의 횟수에 기반하여 미리 정의된다.

일실시예에서, 상기 배터리의 데이터의 상기 클래스를 확인하는 단계는, 적어도 하나의 일차 파라미터를 수집하는 단계; 상기 적어도 하나의 일차 파라미터로부터 적어도 하나의 이차 파라미터를 생성하는 단계; 상기 일차 및 이차 파라미터에 기반하여 파라미터의 최적화 세트를 생성하는 단계; 파라미터의 상기 최적화 세트에 기반하여, 상기 배터리의 데이터에 특이적인 실시간 인공 지능 모델을 생성하는 단계; 상기 실시간 인공 지능 모델을 기준 인공 지능 모델과 비교하는 단계; 및 상기 실시간 인공 지능 모델의 데이터와 매칭하는 데이터를 가지는 상기 기준 인공 지능 모델에서 클래스를 확인하는 단계를 포함한다.

일실시예에서, 상기 총 잔여 수명을 추정하는 단계는 상기 배터리 잔여 수명의 개산 추정치(rough estimate)를 측정하는 단계를 더 포함한다.

일실시예에서, 상기 제2 레벨의 잔여 수명 추정에 기반하여 상기 미세 잔여 수명을 추정하는 단계는, 상기 클래스에 포함된 것으로 확인되는 배터리 특이 데이터를 수집하는 단계; 상기 수집되는 배터리 특이 데이터에 기반하여 회귀 모델을 생성하는 단계; 상기 회귀 모델을 기준 회귀 모델과 비교하는 단계 - 상기 기준 회귀 모델은 상기 클래스를 나타내는 데이터의 최적화 세트를 나타냄 -; 상기 회귀 모델의 데이터와 매칭하는 상기 기준 회귀 모델의 데이터를 확인하는 단계; 및 상기 기준 회귀 모델의 상기 확인되는 데이터를 나타내는 잔여 수명의 값을 상기 미세 잔여 수명으로서 확인하는 단계를 포함한다.

일실시예에서, 상기 배터리의 잔여 수명 추정 방법은 상기 미세 잔여 수명의 값과 상기 배터리의 수명 종료(End of Life; EOL)를 나타내는 값의 차이가 임계치 이하인 경우, 상기 미세 잔여 수명의 값을 디스플레이하는 단계를 더 포함한다.

다른 일측에 따르면, 배터리의 잔여 수명을 추정하는 시스템은 잔여 수명 추정 모듈; 및 명령어가 수록된 비휘발성 메모리를 포함하고, 상기 명령어는 상기 잔여 수명 추정 모듈이, 실시간으로 상기 배터리에 특이적인 데이터 클래스를 확인하고; 상기 클래스에 대하여 제2 레벨 잔여 수명 추정이 설정되어 있는지 여부를 체크하고; 상기 클래스에 대하여 상기 제2 레벨 잔여 수명 추정이 설정되어 있지 않은 경우, 제1 레벨의 잔여 수명 추정을 수행함으로써 총 잔여 수명을 추정하고; 상기 클래스에 대하여 상기 제2 레벨의 잔여 수명 추정이 설정되어 있는 경우, 미세 잔여 수명을 추정하는 것을 지시하도록 구성된다.

일실시예에서, 상기 잔여 수명 추정 모듈은, 상기 배터리의 충전, 방전, 및 임피던스 주기 중 적어도 하나의 횟수에 기반하여, 상기 클래스를 미리 정의하기 위하여 적어도 하나의 옵션을 제공하도록 구성된다.

일실시예에서, 입/출력 인터페이스를 이용하여, 적어도 하나의 일차 파라미터를 수집하고; 상기 적어도 하나의 일차 파라미터로부터 적어도 하나의 이차 파라미터를 생성하고; 상기 일차 및 이차 파라미터에 기반하여 파라미터의 최적화 세트를 생성하고; 파라미터의 상기 최적화 세트에 기반하여, 상기 배터리의 데이터에 특이적인 실시간 인공 지능 모델을 생성하고; 상기 실시간 인공 지능 모델을 기준 인공 지능 모델과 비교하고; 상기 실시간 인공 지능 모델에 매칭하는 데이터를 포함하는 상기 기준 인공 지능 모델의 클래스를 확인하도록 구성된 분류 모듈을 더 포함하고, 상기 잔여 수명 추정 모듈은 상기 분류 모듈을 이용하여 상기 배터리의 데이터의 상기 클래스를 확인하도록 구성된다.

일실시예에서, 상기 배터리의 잔여 수명 추정 시스템은 상기 잔여 수명의 개산 추정을 측정하도록 구성된 회귀 모듈을 더 포함하고, 상기 잔여 수명 추정 모듈은 상기 회귀 모듈을 이용하여 상기 총 잔여 수명을 추정하도록 구성된다.

일실시예에서, 상기 잔여 수명 추정 모듈은, 상기 클래스에 포함된 것으로 확인되는 배터리 특이 데이터를 수집하고; 상기 수집되는 배터리 특이 데이터에 기반하여 회귀 모듈을 생성하고; 상기 회귀 모델을 기준 회귀 모델과 비교하고 - 상기 기준 회귀 모델은 상기 클래스를 나타내는 데이터의 최적화 세트를 나타냄 -; 상기 회귀 모델의 데이터와 매칭하는 상기 기준 회귀 모델의 데이터를 확인하고; 및 상기 기준 회귀 모델의 상기 확인되는 데이터를 나타내는 잔여 수명의 값을 상기 미세 잔여 수명으로 추정함으로써, 상기 제2 레벨의 잔여 수명 추정에 기반하여 상기 미세 잔여 수명을 추정하도록 구성된다.

일실시예에서, 상기 배터리의 잔여 수명 추정 시스템은 상기 미세 잔여 수명의 값과 상기 배터리의 수명 종료를 나타내는 값의 차이가 임계치 이하인 경우, 상기 미세 잔여 수명의 값을 디스플레이하는 디스플레이부를 더 포함한다.

도 1은 일실시예에 따른 실시간 배터리 관리 시스템의 블록도이다.
도 2는 일실시예에 따른 잔여 수명 추정 모듈의 구성을 도시하는 블록도이다.
도 3은 일실시예에 따라, 실시간 배터리 관리 시스템을 이용하는 잔여 수명의 실시간 측정 프로세스의 단계를 도시하는 흐름도이다.
도 4는 일실시예에 따라, 잔여 수명을 추정하기 위해 배터리를 분류하는 프로세스의 단계를 도시하는 흐름도이다.
도 5는 일실시예에 따라, 잔여 수명을 추정하는 프로세스의 단계를 도시하는 흐름도이다.
도 6a 및 도 6b는 일실시예에 따라, 잔여 수명을 추정하는 프로세스의 시나리오를 도시한다.
도 7a, 도 7b, 도 7c, 도 7d, 및 도 7e는 일실시예에 따라, 잔여 수명을 추정하는 프로세스와 연관된 실험적 데이터를 도시한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

도 1은 일실시예에 따른 실시간 배터리 관리 시스템의 블록도이다. 실시간 배터리 관리 시스템(100)은 적어도 하나의 배터리(101), 및 잔여 수명(Remaining Useful Life; RUL) 추정 모듈(102)을 포함한다.

잔여 수명 추정 모듈(102)은 안정된 채널을 이용하여 배터리(101)와의 통신을 구축하고, 배터리(101)의 상태를 모니터링하도록 구성될 수 있다. 일실시예에서, 배터리(101)의 상태를 모니터링하는 단계는 배터리(101)의 잔여 수명을 실시간으로 추정하는 단계를 포함할 수 있다. 일실시예에서, 잔여 수명 추정 모듈(102)은, 적어도 하나의 배터리 특이적 파라미터를 입력으로 수집함으로써, 배터리(101)에 특이적인 인공 지능 기반의 분류 모델을 생성하도록 구성될 수 있다. 또한, 잔여 수명 추정 모듈(102)은 배터리(101)의 데이터를 미리 정의된 복수의 클래스 중 하나에 속하게 분류하도록 구성될 수 있고, 이는 생성되는 인공 지능 기반의 분류 모델에 기초하여 수행될 수 있다. 일실시예에서, 배터리에 특이적인 데이터의 클래스는 배터리의 클래스를 지칭할 수 있다. 따라서 "배터리의 클래스", "배터리 데이터의 클래스", 및 "배터리에 특이적인 데이터의 클래스"는 일실시예에 따라 교환하여 사용될 수 있다.

잔여 수명 추정 모듈(102)은 배터리 특이 분류 모델 및 기준 분류 모델에 따라 미리 구성된 설정에 기초하여 배터리의 잔여 수명이 추정될 필요가 있는지 여부를 확인하도록 구성될 수 있다. 이 때, 배터리 특이 분류 모델은 배터리 데이터의 확인된 클래스일 수 있다. 미리 구성된 설정에 의해, 제2 레벨의 잔여 수명 추정이 배터리(101)의 확인된 클래스에 대해 설정되어 있는 것이 알려진 경우, 잔여 수명 추정 모듈(102)은 배터리(101)의 미세 잔여 수명 값을 추정하기 위해 제2 레벨의 잔여 수명 추정을 실행하도록 구성될 수 있다. 잔여 수명 추정 모듈(102)은 또한 추정된 미세 잔여 수명이 임계 잔여 수명의 상한값보다 높거나 하한값보다 낮은 경우 미리 구성된 유형의 적어도 하나의 경보를 트리거하도록 구성될 수 있다. 제2 레벨의 잔여 수명 추정이 배터리(101)의 확인된 클래스에 대해 설정되어 있지 않은 경우, 잔여 수명 추정 모듈(102)은 제1 레벨의 잔여 수명 추정을 실행하고 배터리의 총 잔여 수명을 추정하도록 구성될 수 있다. 잔여 수명 추정 모듈(102)은 미세 잔여 수명의 값을 배터리(101)의 수명 종료(End of Life; EOL)를 나타내는 값과 비교하도록 구성될 수 있다. 미세 잔여 수명의 값과 배터리의 수명 종료를 나타내는 값의 차이가 임계치 이하인 경우, 잔여 수명 추정 모듈(102)은 온-보드 디스플레이를 이용하여 미세 잔여 수명의 값을 사용자에게 디스플레이하도록 구성될 수 있다. 이는 사용자에게 배터리(101) 교체에 대한 필요성을 알리기 위함이다. 잔여 수명 추정 모듈(102)은 사용자에게 통지하기 위해, 미세 잔여 수명의 값과 배터리의 수명 종료를 나타내는 값의 차이가 임계치 이하인 경우, 적어도 하나의 미리 설정된 타입의 경보를 유발하도록 구성될 수 있다.

도 2는 일실시예에 따른 잔여 수명 추정 모듈의 구성을 도시하는 블록도이다. 잔여 수명 추정 모듈(102)은 입/출력 인터페이스(201), 배터리 상태 모니터(202), 메모리 모듈(203), 분류 모듈(204), 회귀 모듈(205) 및 통지 모듈(206)을 포함한다.

입/출력 인터페이스(201)는 적어도 하나의 적합한 통신 채널을 이용하여 배터리(101)와 통신하고, 실시간 배터리 관리를 수행하기 위해 요구되는 적어도 하나의 입력을 수집할 수 있다. 입/출력 인터페이스(201)는 또한 추정된 잔여 수명에 관한 정보를 경보 또는 통지와 같은 미리 구성된 형식으로 사용자에게 통신할 수 있다.

배터리 상태 모니터(202)는 배터리(101)를 모니터링하고, 입출력 인터페이스(201)를 이용하여 적어도 하나의 배터리 특이적 파라미터를 수집하도록 구성될 수 있다. 배터리 상태 모니터(202)는 배터리의 확인된 클래스 및 미리 구성된 설정에 따라, 제2 레벨의 잔여 수명 추정의 유발 여부를 결정하도록 구성될 수 있다. 제2 레벨의 잔여 수명 추정이 배터리(101)의 확인된 클래스에 대하여 설정되지 않은 경우, 배터리 상태 모니터(202)는 총 잔여 수명을 추정하기 위해 제1 레벨의 잔여 수명을 유발하도록 구성될 수 있다. 배터리 상태 모니터(202)는 추정되는 잔여 수명과 관련된 배터리의 상태를 사용자에게 알려주는 경보를 유발하도록 통지 모듈에게 지시할 수 있다. 일실시예에 따라, "제1 레벨의 잔여 수명 추정"과 "총 잔여 수명 추정"은 교환하여 이용될 수 있다. 마찬가지로, "제2 레벨의 잔여 수명 추정"과 "미세 수명 추정"도 교환하여 이용될 수 있다.

메모리 모듈(203)은 적어도 하나의 데이터 베이스를 저장하도록 구성될 수 있다. 예를 들어, 데이터 베이스는 배터리(101)의 클래스를 확인할 수 있는 적어도 하나의 상태를 명시하는 분류 모델, 미리 정의된 클래스 각각을 나타내고 분류하는 데이터, 경보/통지를 사용자에게 유발하기 위해 이용될 수 있는 잔여 수명의 상한값 및 하한값, 및 배터리(101)의 잔여 수명값을 추정하기 위해 이용될 수 있는 회귀 모델일 수 있다. 메모리 모듈(203)은 배터리 데이터 저장소를 유지하기 위해 구성될 수 있고, 예를 들어 배터리(101)의 충전/방전/임피던스 주기 동안 수집되는 선택된 배터리 파라미터의 값과 같은 데이터를 저장할 수 있다. 또한 배터리 데이터 저장소는 SOH(State of Health) 및 SOC(State of Charge)와 같은 파라미터를 결정하기 위해, 이전에 수집된 입력과 같은 데이터를 참조할 수 있다.

분류 모듈(204)은 입출력 인터페이스(201)와 통신하도록 구성되고, 배터리(101)를 미리 정의된 복수의 클래스 중 하나에 포함시켜 분류하기 위해 필요한 배터리 특이적 데이터를 수집하도록 구성될 수 있다. 이때, 분류 모듈은 메모리 모듈(203)에 저장되는 분류 모델에 따라 기초하여 구성될 수 있다. 분류 모듈(204)은 배터리(101)가 속한 클래스와 연관된 정보를 배터리 상태 모니터(202)와 통신하도록 구성되고, 이를 통해 배터리(101) 잔여 수명의 추정 여부를 결정한다.

회귀 모듈(205)은 배터리 상태 모니터(202)와 통신하도록 구성될 수 있고, 제1 레벨의 잔여 수명 추정 또는 제2 레벨의 잔여 수명 추정 중 적어도 하나를 초기화하는 트리거를 수집하도록 구성될 수 있고, 이는 배터리(101)의 잔여 수명을 추정하기 위한 것일 수 있다. 회귀 모듈(205)은 배터리의 확인된 클래스를 잔여 수명의 추정에 대한 입력으로 수집하도록 구성될 수 있다. 회귀 모듈(205)은 제1 레벨 또는 제2 레벨의 잔여 수명 추정 중 적어도 하나를 수행하도록 구성될 수 있고, 회귀 모델링을 수행함으로써 총 잔여 수명 및 미세 잔여 수명 각각을 추정하도록 구성될 수 있다. 회귀 모듈(205)은 추정된 잔여 수명과 연관된 정보를 배터리 상태 모니터(202)와 통신하도록 구성될 수 있다.

통지 모듈(206)은 입/출력 인터페이스(201)에 의해 제공되는 적합한 통신 채널을 통해 사용자에게 적합한 포맷의 통지 메시지를 발송하고 경보를 유발하기 위해, 배터리 상태 모니터(202)로부터 명령을 수신하도록 구성될 수 있다.

도 3은 일실시예에 따라, 실시간 배터리 관리 시스템을 이용하는 잔여 수명의 실시간 측정 프로세스의 단계를 도시하는 흐름도이다. 잔여 수명 추정 모듈은 배터리를 모니터링하고, 예를 들어 전압, 전류, 온도 등의 배터리 파라미터를 배터리로부터 수집할 수 있다(단계 302). 또한, 수집된 배터리 파라미터를 분류 모델을 참조하여 프로세싱함으로써, 잔여 수명 추정 모듈이 배터리의 클래스를 확인할 수 있다(단계 304). 일실시예에서, 배터리의 클래스는 배터리 충전/방전/임피던스 주기의 비율을 지시할 수 있다. 일실시예에서, 충전/방전/임피던스의 완료 주기 횟수에 대한 클래스 각각의 정의 및 클래스의 수는 사용자의 요구에 따라 달라질 수 있다. 예를 들어, 클래스는 아래와 같을 수 있다.

클래스 A: 전체 주기 횟수의 0% 내지 25%

클래스 B: 전체 주기 횟수의 25% 내지 50%

클래스 C: 전체 주기 횟수의 50% 내지 75%

클래스 D: 전체 주기 횟수의 75% 내지 100%

예를 들어, 데이터는 배터리의 충전/방전/임피던스 주기 횟수에 대해 4개의 다른 클래스로 분리될 수 있다. 일실시예에서, 요구에 따라 구별되는 주기 횟수의 경계값은 변할 수 있고, 이에 따라 데이터가 배열될 수 있다.

잔여 수명 추정 모듈은 제1 레벨의 잔여 수명 추정 또는 제2 레벨의 잔여 수명 추정 중 적어도 하나를 선택할 수 있고(단계 306), 이는 배터리의 확인된 클래스 및 미리 구성된 설정에 기초할 수 있다. 제2 레벨의 잔여 수명 추정이 확인된 클래스에 대해 설정되는 경우, 잔여 수명 추정 모듈은 미세 잔여 수명 추정을 위해 회귀 모델링을 수행할 수 있다. 사용자는 어플리케이션에 따라, 제2 레벨의 잔여 수명 추정을 수행하는 클래스를 선택할 수 있다.

전술한 예시에서 전체 횟수의 75% 이상이 완료된 배터리는 클래스 D에 속한다. 클래스 D에 속한 배터리가 수명의 끝에 다가가는 점을 고려하면, 사용자는 잔여 수명 모듈이 클래스 D 데이터의 회귀 모델링을 수행하도록 설정할 수 있다. 또한 회귀 모델링을 수행함으로써, 잔여 수명 추정 모듈은 배터리의 미세 잔여 수명을 추정할 수 있다(단계 312). 예를 들어, 배터리가 회귀 모델링 수행을 요구하지 않는 클래스 A, B, 또는 C 중 하나에 속하는 경우, 잔여 수명 추정 모듈은 배터리의 총 잔여 수명을 계산할 수 있고(단계 308), 상기 총 잔여 수명은 잔여 수명의 개산 추정을 지시한다.

잔여 수명 추정 모듈은 사용자에게 임계 잔여 수명의 상한값 및 하한값 중 적어도 하나를 구성하고 경고할 수 있는 옵션을 제공할 수 있고, 잔여 수명 추정 모듈은 추정된 잔여 수명 값이 상한값보다 높거나 하한값보다 낮은 경우, 경보를 유발한다. 일실시예에서, 도 3에 기술된 프로세스는 일부 단계가 생략되어 수행될 수 있다.

도 4는 일실시예에 따라, 잔여 수명을 추정하기 위해 배터리를 분류하는 프로세스의 단계를 도시하는 흐름도이다. 잔여 수명 추정 모듈은 각각의 배터리 주기로부터 적어도 하나의 일차 파라미터를 수집할 수 있다. 예시적인 일차 파라미터는 아래와 같다.

minV: 최소 기록 전압

maxV: 최대 기록 전압

minT: 최소 기록 온도

maxT: 최대 기록 온도

TminV: 최소 기록 전압에 대응하는 시각

TmaxV: 최대 기록 전압에 대응하는 시각

TminT: 최소 기록 온도에 대응하는 시각

TmaxT: 최대 기록 온도에 대응하는 시각

Cap: 마지막 횟수에서의 배터리 용량

또한 일차 파라미터를 프로세싱함으로써, 잔여 수명 추정 모듈은 배터리 클래스 확인을 위해 요구되는 적어도 하나의 이차 파라미터를 생성할 수 있다(단계 404). 전압 및 온도 곡선의 각각의 방전 주기로부터 잔여 수명 추정 모듈에 의해 아래의 예시적인 이차 파라미터가 계산될 수 있다.

1) 신호 에너지(E)

신호 에너지는 시간에 대한 신호 강도의 측정이며 수학식 1에 의해 구해진다.

2) 변동 지수

변동 지수는 신호 값의 평균에 대한 변화를 측정하고 수학식 2에 의해 구해진다.

여기서 μ는 신호 값의 평균이고 Freq는 주파수 샘플링이다.

3) 곡률 지수

곡률 지수는 단위 탄젠트 벡터가 신호에 따른 파라미터의 함수로 회전하는 방향에 대한 측정이고, 수학식 3에 의해 구해진다.

여기서

이고, y는 신호이고, ω는 신호의 길이다.

4) 컨케이브 컨벡스 지수(Concave Convex Index; CCI)

CCI는 신호의 볼록함을 측정한다. 컨벡스 신호는 0.5를 초과하는 지수를 가지고, 컨케이브 신호는 0.5 미만의 지수를 가진다. 지수는 기울기 및 교차점 추정을 이용하여 계산된다.

5) 비틀림 지수(Skewness Index; SI)

비틀림 지수는 신호의 확률 분포가 신호의 평균을 향해 치우친 정도를 측정하고, 수학식 4에 의해 구해진다.

여기서 μ는 신호의 평균이고 σ는 신호의 표준 편차이다.

6) 첨도 지수(Kurtosis Index; KI)

첨도 지수는 신호 확률 분포 그래프 모양의 "뾰족한 정도"를 측정하고, 수학식 5에 의해 구해진다.

여기서 μ는 신호의 평균이고 σ는 신호의 표준 편차이다.

또한 잔여 수명 추정 모듈은 최적화 파라미터 세트를 생성하기 위해 일차 파라미터 및 이차 파라미터를 최적화한다(단계 406). 일실시예에서, 잔여 수명 추정 모듈은 파라미터의 최적화를 위해 적어도 하나의 적합한 테크닉을 이용할 수 있다. 잔여 수명 추정 모듈에 의해 이용되는 예시적인 테크닉은 아래와 같다.

▶ 주성분 분석(Principal Component Analysis; PCA),

▶ 데이터 확산 및 가시화 개별 파라미터와 그 순열 및 조합에 기초한 매뉴얼 최적화

▶ SVM (Support Vector Machine) 속성의 평가기

또한 최적화 데이터를 이용하여 잔여 수명 측정 모듈은 배터리에 대한 실시간 인공 지능 모델을 생성한다(단계 408). 일실시예에서, 실시간 인공 지능 모델은 예시적 타임에서의 배터리 상태를 지시하고, 배터리에 대응하는 충전/방전/임피던스 주기의 횟수를 지시하는 데이터를 포함할 수 있다.

잔여 수명 측정 모듈은 기준 인공 지능 모델과 실시간 인공 지능 모델을 비교할 수 있고(단계 410), 기준 인공 지능 모델은 다른 클래스를 나타내는 데이터 정보를 포함한다. 일실시예에서, 기준 인공 지능 모델은 오프라인으로 생성될 수 있다. 실시간 인공 지능 모델의 데이터를 기준 인공 지능 모델과 비교함으로써, 잔여 시간 추정 모듈은 실시간 인공 지능 모델에 존재하는 데이터와 매칭하는 클래스를 확인할 수 있다. 예를 들어, 실시간 인공 지능 모델의 데이터가 클래스 D를 나타내는 데이터와 매칭하는 경우, 배터리는 클래스 D에 속하는 것으로 확인된다.

방법(400)의 다양한 단계는 도시된 순서로 수행될 수 있고, 다른 순서로 수행되거나 동시에 수행될 수도 있다. 또한 일실시예에서, 도 4에 도시된 일부 단계가 생략될 수 있다.

도 5는 일실시예에 따라, 잔여 수명을 추정하는 프로세스의 단계를 도시하는 흐름도이다. 미세 잔여 수명 추정을 위해, 확인된 클래스에 대한 회귀 모델링 프로세스를 수행하도록 잔여 수명 추정 모듈이 설정되는 경우, 잔여 수명 추정 모듈은 클래스 특이 데이터를 수집하고(단계 502), 클래스 특이 데이터는 배터리가 포함되는 클래스를 나타낸다. 또한, 잔여 수명 추정 모듈은 배터리가 포함되는 클래스를 나타내는 데이터를 수집할 수 있다.

잔여 수명 추정 모듈은 배터리의 클래스를 나타내는 최적화 데이터 세트를 수집할 수 있다(단계 504). 일실시예에서, 최적화 데이터 세트는 배터리 클래스를 확인하는 동안 이용된 최적화 데이터 세트와 같다. 일실시예에서, 최적화 데이터 세트는 모니터링되는 배터리에 특이적인 서명(signature) 값을 포함할 수 있고, 이는 배터리에 특이적인 잔여 수명 추정에 이용될 수 있다. 잔여 수명 추정 모듈은 클래스를 나타내는 최적화 데이터를 이용하여 SVR(support vector regression)과 같은 테크닉을 이용하는 회귀 모델을 생성할 수 있다(단계 506).

회귀 모델을 생성하는 동안, 잔여 수명 추정 모듈은 배터리 주기를 "100 - 잔여 수명"값의 퍼센트로 비율 조정한다. 이러한 프로세스에서, 확인된 클래스에 속하는 각각의 배터리 주기는 "100 - 잔여 수명"값의 퍼센트로 맵핑된다. 일실시예에서, 회귀 모델을 생성하는 배터리 주기의 맵핑 프로세스는 오프라인 프로세스일 수 있다.

잔여 수명의 미세 값을 확인하기 위해, 잔여 수명 추정 모듈은 배터리가 포함되는 사이클을 나타내는 데이터를 수집한다. 또한, 수집되는 데이터를 이용하여, 잔여 수명 추정 모듈은 기준 회귀 모델을 생성할 수 있다. 그리고, 회귀 모델을 기준 회귀 모델과 비교함으로써 잔여 수명 추정 모델은 배터리 수명의 몇 퍼센트가 완료됐는지 확인할 수 있다. 또한, 잔여 수명 추정 모델은 완료된 배터리 수명을 100%로부터 차감할 수 있고, 여기서 100%의 값은 완전한 최대 배터리 주기를 나타낸다. 미세 잔여 수명의 값은 다음의 수학식 6과 같다.

여기서, X 값은 완료된 배터리 수명이다.

방법(500)의 다양한 단계는 도시된 순서로 수행될 수 있고, 동시에 다른 순서로 수행될 수도 있다. 또한 일실시예에서, 도 5에 도시된 일부 단계가 생략될 수 있다.

일실시예에서, 배터리 관리 시스템은 적어도 세 개의 다른 모델에서 이용될 수 있고, 세 개의 모델은 단일 배터리 모델, 온도 특이 모델, 및 일반적인 모델이다. 잔여 수명 추정이 다른 모드에서 수행되는 방식을 보여주는 사용 시나리오 및 실험 데이터에 대해 제안된 알고리즘의 유효성이 후술된다. 실험 데이터는 NASA의 PCoE(prognostics center of excellence)의 배터리 데이터 세트 저장소의 데이터가 이용된다. 또한 이용되는 데이터는 실시예의 정확성을 설명하기 위한 목적으로만 이용된다. 알고리즘은 잔여 수명 추정에 대해 배터리 데이터의 다른 자료를 이용하는 다른 경우에도 이용될 수 있다.

세 가지 모드에서, 아래의 SVM 분류기의 주요 입력 파라미터가 분류에 이용된다.

▶ 커널: 레이디얼 기초 함수

▶ SVM 타입: C-SVC

▶ 자유도: 3

▶ 입실론(Epsilon): 0.001

▶ 코스트: 1.0

▶ 감마(Gamma): 0.0

▶ 손실: 0.1

또한 배터리 주기 데이터는 클래스 A, B, C, 및 D의 네 클래스로 분류된다고 가정한다.

1) 단일 배터리 모델

생산 분류 모델

● 트레이닝 및 테스트에 이용된 배터리 수: 1

● 트레이닝에 이용된 데이터 포인트의 수: 137

▶ 클래스 A: 34

▶ 클래스 B: 35

▶ 클래스 C: 34

▶ 클래스 D: 34

● 분류에 이용된 파라미터: VCE, Cap, VC_FI

● 테스트에 이용된 데이터 포인트 수: 60(각각의 클래스당 15 데이터 포인트)

● 결과 요약:

정확하게 분류: 56 (93.33%)

부정확하게 분류: 4 (6.66%)

카파 통계치: 0.9111

평균 절대 오차: 0.0333

평균 제곱근 오차(Root mean squared error; RMSE): 0.1826

● 클래스 기반 정확도 레벨

Class	True Positive Rate	False Positive Rate	Precision	Recall	F-Measure	ROC Area
A	0.867	0	1	0.867	0.929	0.933
B	1	0	1	1	1	1
C	0.933	0.067	0.824	0.933	0.875	0.933
D	0.933	0.022	0.933	0.933	0.933	0.956
Wt. Avg	0.933	0.022	0.939	0.933	0.934	0.956

● 혼동행렬(Confusion Matrix)

Classified As Classes	A	B	C	D
A	13	0	2	0
B	0	15	0	0
C	0	0	14	1
D	0	0	1	14

여기서 혼동행렬은 데이터가 특정 클래스에 속한 것으로 확인될 때의 정확성을 나타낸다.

회귀 모델

● 모델 구축 및 확인을 위한 하나의 배터리로부터의 데이터

● 배터리 주기의 수: 49

● 트레이닝 세트에 대한 주기의 수: 34

● 테스트(30%)에 대한 주기의 수: 15

● 잔여 수명 하위 추정 에러: 1270% (최대) 0.1270% (최소) 0.1270% (평균)

● 잔여 수명 상위 추정 에러: 0.9890% (최대) 0.1540%(최소) 0.4380% (평균)

● 평균 제곱근 오차: 0.4932%

● 평균 정확도: 99.50%

2) 온도 특이 모델(상온/고온 모델)

생산 분류 모델

● 트레이닝 및 테스트에 이용된 배터리 수: 9

● 트레이닝에 이용된 데이터 포인트의 수: 867

▶ 클래스 A: 217

▶ 클래스 B: 219

▶ 클래스 C: 214

▶ 클래스 D: 217

● 분류에 이용된 파라미터: VCE, minT, maxT, Cap, VC_FI

● 테스트에 이용된 데이터 포인트 수: 369(각각의 클래스당 ~92 데이터 포인트)

● 결과 요약:

정확하게 분류: 332 (89.97%)

부정확하게 분류: 37 (10.03%)

카파 통계치: 0.8663

평균 절대 오차: 0.0795

평균 제곱근 오차: 0.2239

● 클래스 기반 정확도 레벨

Class	True Positive Rate	False Positive Rate	Precision	Recall	F-Measure	ROC Area
A	0.935	0.029	0.915	0.935	0.925	0.953
B	0.903	0.033	0.903	0.903	0.903	0.935
C	0.837	0.032	0.895	0.837	0.865	0.902
D	0.924	0.04	0.885	0.924	0.904	0.942
Wt. Avg	0.9	0.033	0.9	0.9	0.899	0.933

● 혼동행렬(Confusion Matrix)

Classified As Classes	A	B	C	D
A	86	6	0	0
B	5	84	3	1
C	2	3	77	10
D	1	0	6	85

회귀 모델

상온/고온 (24℃- 44℃) 모델의 경우

● 복수의 배터리로부터 선택된 데이터

● 배터리 주기의 전체 횟수: 309

● 트레이닝 세트에 대한 주기의 수: 216

● 테스트(30%)에 대한 주기의 수: 93

● 잔여 수명 하위 추정 에러: 13.3620% (최대) 0% (최소) 5.761% (평균)

● 잔여 수명 상위 추정 에러: 11.598% (최대) 0.159% (최소) 4.813% (평균)

● 평균 제곱근 오차: 6.2619%

● 평균 정확도: 93.73%

저온 (4℃) 모델의 경우

● 저온에서 복수의 배터리로부터 선택된 데이터

● 배터리 주기의 전체 횟수: 231

● 트레이닝 세트에 대한 주기의 수: 162

● 테스트(30%)에 대한 주기의 수: 69

● 잔여 수명 하위 추정 에러: 15.527% (최대) 0.375% (최소) 4.446% (평균)

● 잔여 수명 상위 추정 에러: 14.452% (최대) 0.012% (최소) 6.242% (평균)

● 평균 제곱근 오차: 6.9083%

● 평균 정확도: 93.1%

3) 일반적인 모델

분류 모델:

● 트레이닝 및 테스트에 이용된 배터리 수: 18

● 트레이닝에 이용된 데이터 포인트의 수: 1519

▶ 클래스 A: 381

▶ 클래스 B: 382

▶ 클래스 C: 377

▶ 클래스 D: 379

● 분류에 이용된 파라미터: VCE, minT, maxT, Cap, VC_FI

● 테스트에 이용된 데이터 포인트 수: 648 (각각의 클래스당 데이터 포인트)

● 결과 요약:

정확하게 분류: 526 (81.17%)

부정확하게 분류: 122 (18.83%)

카파 통계치: 0.749

평균 절대 오차: 0.0925

평균 제곱근 오차(Root mean squared error): 0.3068

● 클래스 기반 정확도 레벨

Class	True Positive Rate	False Positive Rate	Precision	Recall	F-Measure	ROC Area
A	0.901	0.043	0.874	0.901	0.888	0.929
B	0.759	0.06	0.809	0.759	0.783	0.85
C	0.753	0.097	0.722	0.753	0.737	0.828
D	0.833	0.051	0.844	0.833	0.839	0.891
Wt. Avg	0.812	0.063	0.812	0.812	0.812	0.874

● 혼동행렬(Confusion Matrix)

Classified As Classes	A	B	C	D
A	146	12	0	4
B	13	123	25	1
C	4	16	122	20
D	4	1	22	135

회귀 모델

● 특정 클래스로 선택된 복수의 배터리로부터의 데이터

● 배터리 주기의 전체 횟수: 541

● 트레이닝 세트에 대한 주기의 수: 379

● 테스트(30%)에 대한 주기의 수: 162

● 잔여 수명 하위 추정 에러: 16.905% (최대) 0% (최소) 6.649% (평균)

● 잔여 수명 상위 추정 에러: 14.173% (최대) 0.09% (최소) 5.657% (평균)

● 평균 제곱근 오차: 7.296%

● 평균 정확도: 92.7%

도 6a 및 도 6b는 일실시예에 따라, 잔여 수명을 추정하는 프로세스의 시나리오를 도시한다. 일실시예에서, 블록(601) 내의 프로세스는 실시간 프로세스이고, 블록(601) 바깥의 프로세스는 오프라인 프로세스일 수 있다. 이 시나리오에서, 배터리 주기 데이터는 도 6b에 도시된 바와 같이 4개의 클래스 A, B, C 및 D로 분류될 수 있다.

▶ 클래스 A: 사용초기부터 25%가 완료된 시기까지를 포함

▶ 클래스 B: 25%부터 50%가 완료된 시기까지를 포함

▶ 클래스 C: 50%부터 75%가 완료된 시기까지를 포함

▶ 클래스 D: 75%부터 수명의 끝까지 완료된 시기까지를 포함

수집된 데이터에 의해 배터리가 클래스 D에 포함되는 것으로 나타나는 경우, 시스템은 미세 잔여 수명 추정을 시작하도록 구성될 수 있다. 배터리가 클래스 A, B 또는 C에 포함되는 것으로 나타나는 경우, 시스템은 총 잔여 수명만을 계산하도록 구성될 수 있다.

먼저, 인공 지능 기반의 분류 모델은 배터리 데이터 저장소(602)로부터 수집된 클래스 특이 데이터에 기초하여 생성될 수 있다(단계 603 내지 단계 606). 동시에 잔여 수명 추정 모듈은 모니터링되는 배터리로부터 실시간 입력을 수집한다(단계 608). 또한 실시간으로 수집된 데이터를 프로세싱함으로써, 잔여 수명 추정 모듈은 최적화를 구성하기 위한 특정 특징을 추출할 수 있다(단계 609). 다음으로, 최적화된 특징 세트를 분류 모델(607)과 비교함으로써, 잔여 수명 추정 모듈은 배터리 클래스를 확인할 수 있다. 배터리 클래스가 A, B, 또는 C 중 하나(610)로 확인되는 경우, 잔여 수명 추정 모듈은 총 잔여 수명 값을 계산한다(단계 611).

배터리의 클래스가 D(612)로 확인되는 경우, 잔여수명 추정 모듈은 단계 613 내지 단계 615를 통해 회귀 모델(616)을 생성한다. 또한, 회귀 모델(616)에 최적화된 특징 세트가 제공될 수 있으며(단계 617), 회귀 모델(616)을 프로세싱함으로써 잔여 수명 추정 모듈에 의해 잔여 수명의 정확한 퍼센트가 측정된다(단계 618). 그리고, 적합한 통신 방법을 이용함으로써, 사용자는 측정된 총 잔여 수명 또는 미세 잔여 수명에 대해 통지 받는다(단계 619).

도 7a, 도 7b, 도 7c, 도 7d, 및 도 7e는 일실시예에 따라, 잔여 수명을 추정하는 프로세스와 연관된 실험적 데이터를 도시한다. 도 7a는 방전 주기에서 배터리의 전압 곡선을 나타낸다. 도 7b는 단일 배터리로부터 회귀 모델링 및 추정이 수행되는 경우의 잔여 수명 추정을 도시한다.

도 7c는 상온/고온에서 회귀 모델을 이용하여 계산된 잔여 수명 추정 결과를 나타낸다. 여기서, 두 개의 회귀 모델이 배터리의 구동 온도에 기초하여 생성되는데, 하나는 상온/고온 구동 배터리에 대한 것이고, 다른 하나는 저온 구동 배터리에 대한 것이다. 추정된 값의 그래프는 실제 값 위에 오차 막대가 합쳐져 나타나 있다. 이러한 경우에, 테스트를 위한 샘플 데이터는 아래의 9개 배터리 세트로부터 임의로(randomly) 선택될 수 있다. 테스트에 이용되는 각각의 값은 다른 값에 독립적이다.

Cell No	Current	End Voltage	EOL Condition	Op Temp	No of Cycles
1	2A Constant Current	2.7V	30% fade in rated capacity (2Ahr to 1.4Ahr)	24 C	168
2		2.5V			168
3		2.2V			168
4		2.5V			132
5	4A	2.0V	Capacity reduced to 20% fade (1.6Ahr)	24 C	197
6	4A	2.2V			197
7	2A	2.7V			197
8	Multiple -1A, 2A and 4A	2.2V	Capacity reduced to 20% fade (1.6Ahr)	24 & 44 C	47
9		2.5V			47
10		2.7V			47
11	Multiple -1A, 4A	2V	Capacity reduced to 30% fade (1.4Ahr)	4 C	67
12		2.2V			112
13		2.5V			112
14		2.7V			112
15	Fixed load -1A	2V	Capacity reduced to 30% fade (1.4Ahr)	4 C	72
16		2.2V			72
17		2.5V			72
18		2.7V			72
19	Fixed load -2A	2V	Capacity reduced to 30% fade (1.4Ahr)	4 C	56
20		2.2V			103
21		2.5V			102
22		2.7V			102

도 7d에 도시되는 그래프는 저온에서 회귀 모델을 이용하여 계산되는 잔여 수명 추정 결과를 나타내며, 제2 회귀 모델이다. 이 때, 70개의 샘플 데이터에서 테스트되었고 정확도는 93.10%이다. 추정된 값의 그래프는 실제 값과 오차 막대가 함께 도시되었다. 여기서 테스트를 위한 샘플 데이터는 표 7의 9개의 배터리 세트로부터 임의로 선택될 수 있다.

도 7e에 도시되는 그래프는 실험에 대해 조사된 완전한 데이터 세트에 대해 회귀 모델을 이용하여 계산된 잔여 수명 추정 결과를 나타낸다. 이때, 데이터는 상온/고온 및 저온 데이터 세트를 포함할 수 있다. 또한, 이용되는 회귀모델은 [표 1]에 나열된 배터리들과 같이 유사하게 동작하는 임의의 배터리에 적용될 수 있는 일반적인 모델이다. 또한 모델에는 162개의 샘플 데이터가 테스트되었다. 추정되는 값은 92.70%의 정확도를 가진다.

전술된 실시예는 적어도 하나의 하드웨어에서 구동하고, 구성 요소를 제어하기 위해 네트워크 관리 기능을 수행하는 적어도 하나의 소프트웨어 프로그램에서 구현될 수 있다. 도 2에 도시된 구성요소들은 하드웨어 장치, 또는 하드웨어 장치 및 소프트웨어 모듈의 조합 중 적어도 하나일 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

배터리의 잔여 수명(Remaining Useful Life; RUL)을 추정하는 방법에 있어서,
실시간으로 상기 배터리의 데이터의 클래스를 확인하는 단계;
상기 클래스에 대하여 제2 레벨의 잔여 수명 추정이 설정되어 있는지 여부를 체크하는 단계;
상기 클래스에 대하여 상기 제2 레벨의 잔여 수명 추정이 설정되어 있지 않은 경우, 제1 레벨의 잔여 수명 추정을 수행함으로써 총(gross) 잔여 수명을 추정하는 단계; 및
상기 클래스에 대하여 상기 제2 레벨의 잔여 수명 추정이 설정되어 있는 경우, 상기 배터리의 미세(finer) 잔여 수명을 추정하는 단계
를 포함하는, 배터리의 잔여 수명 추정 방법.
제1항에 있어서,
상기 클래스는 상기 배터리의 충전, 방전, 및 임피던스 주기 중 적어도 하나의 횟수에 기반하여 미리 정의되는, 배터리의 잔여 수명 추정 방법.
제1항에 있어서,
상기 배터리의 데이터의 상기 클래스를 확인하는 단계는,
적어도 하나의 일차 파라미터를 수집하는 단계;
상기 적어도 하나의 일차 파라미터로부터 적어도 하나의 이차 파라미터를 생성하는 단계;
상기 일차 및 이차 파라미터에 기반하여 파라미터의 최적화 세트를 생성하는 단계;
파라미터의 상기 최적화 세트에 기반하여, 상기 배터리의 데이터에 특이적인 실시간 인공 지능 모델을 생성하는 단계;
상기 실시간 인공 지능 모델을 기준 인공 지능 모델과 비교하는 단계; 및
상기 실시간 인공 지능 모델의 데이터와 매칭하는 데이터를 가지는 상기 기준 인공 지능 모델에서 클래스를 확인하는 단계
를 포함하는, 배터리의 잔여 수명 추정 방법.
제1항에 있어서,
상기 총 잔여 수명을 추정하는 단계는 상기 배터리 잔여 수명의 개산 추정치(rough estimate)를 측정하는 단계를 더 포함하는, 배터리의 잔여 수명 추정 방법.
제1항에 있어서,
상기 제2 레벨의 잔여 수명 추정에 기반하여 상기 미세 잔여 수명을 추정하는 단계는,
상기 클래스에 포함된 것으로 확인되는 배터리 특이 데이터를 수집하는 단계;
상기 수집되는 배터리 특이 데이터에 기반하여 회귀 모델을 생성하는 단계;
상기 회귀 모델을 기준 회귀 모델과 비교하는 단계 - 상기 기준 회귀 모델은 상기 클래스를 나타내는 데이터의 최적화 세트를 나타냄 -;
상기 회귀 모델의 데이터와 매칭하는 상기 기준 회귀 모델의 데이터를 확인하는 단계; 및
상기 기준 회귀 모델의 상기 확인되는 데이터를 나타내는 잔여 수명의 값을 상기 미세 잔여 수명으로서 확인하는 단계
를 포함하는, 배터리의 잔여 수명 추정 방법.
제1항에 있어서,
상기 미세 잔여 수명의 값과 상기 배터리의 수명 종료(End of Life; EOL)를 나타내는 값의 차이가 임계치 이하인 경우, 상기 미세 잔여 수명의 값을 디스플레이하는 단계
를 더 포함하는, 배터리의 잔여 수명 추정 방법.
배터리의 잔여 수명을 추정하는 시스템에 있어서,
잔여 수명 추정 모듈; 및
명령어가 수록된 비휘발성 메모리
를 포함하고,
상기 명령어는 상기 잔여 수명 추정 모듈이,
실시간으로 상기 배터리에 특이적인 데이터 클래스를 확인하고;
상기 클래스에 대하여 제2 레벨 잔여 수명 추정이 설정되어 있는지 여부를 체크하고;
상기 클래스에 대하여 상기 제2 레벨 잔여 수명 추정이 설정되어 있지 않은 경우, 제1 레벨의 잔여 수명 추정을 수행함으로써 총 잔여 수명을 추정하고;
상기 클래스에 대하여 상기 제2 레벨의 잔여 수명 추정이 설정되어 있는 경우, 미세 잔여 수명을 추정
하는 것을 지시하도록 구성된, 배터리의 잔여 수명 추정 시스템.
제7항에 있어서,
상기 잔여 수명 추정 모듈은, 상기 배터리의 충전, 방전, 및 임피던스 주기 중 적어도 하나의 횟수에 기반하여, 상기 클래스를 미리 정의하기 위하여 적어도 하나의 옵션을 제공하도록 구성되는, 배터리의 잔여 수명 추정 시스템.
제7항에 있어서,
입/출력 인터페이스를 이용하여, 적어도 하나의 일차 파라미터를 수집하고;
상기 적어도 하나의 일차 파라미터로부터 적어도 하나의 이차 파라미터를 생성하고;
상기 일차 및 이차 파라미터에 기반하여 파라미터의 최적화 세트를 생성하고;
파라미터의 상기 최적화 세트에 기반하여, 상기 배터리의 데이터에 특이적인 실시간 인공 지능 모델을 생성하고;
상기 실시간 인공 지능 모델을 기준 인공 지능 모델과 비교하고;
상기 실시간 인공 지능 모델에 매칭하는 데이터를 포함하는 상기 기준 인공 지능 모델의 클래스를 확인
하도록 구성된 분류 모듈을 더 포함하고,
상기 잔여 수명 추정 모듈은 상기 분류 모듈을 이용하여 상기 배터리의 데이터의 상기 클래스를 확인하도록 구성되는, 배터리의 잔여 수명 추정 시스템
제7항에 있어서,
상기 잔여 수명의 개산 추정을 측정하도록 구성된 회귀 모듈을 더 포함하고,
상기 잔여 수명 추정 모듈은 상기 회귀 모듈을 이용하여 상기 총 잔여 수명을 추정하도록 구성되는, 배터리의 잔여 수명 추정 시스템.
제7항에 있어서,
상기 잔여 수명 추정 모듈은,
상기 클래스에 포함된 것으로 확인되는 배터리 특이 데이터를 수집하고;
상기 수집되는 배터리 특이 데이터에 기반하여 회귀 모델을 생성하고;
상기 회귀 모델을 기준 회귀 모델과 비교하고 - 상기 기준 회귀 모델은 상기 클래스를 나타내는 데이터의 최적화 세트를 나타냄 -;
상기 회귀 모델의 데이터와 매칭하는 상기 기준 회귀 모델의 데이터를 확인하고; 및
상기 기준 회귀 모델의 상기 확인되는 데이터를 나타내는 잔여 수명의 값을 상기 미세 잔여 수명으로 추정함으로써,
상기 제2 레벨의 잔여 수명 추정에 기반하여 상기 미세 잔여 수명을 추정하도록 구성되는, 배터리의 잔여 수명 추정 시스템.
제7항에 있어서,
상기 미세 잔여 수명의 값과 상기 배터리의 수명 종료를 나타내는 값의 차이가 임계치 이하인 경우, 상기 미세 잔여 수명의 값을 디스플레이하는 디스플레이부
를 더 포함하는, 배터리의 잔여 수명 추정 시스템.