KR20170078387A

KR20170078387A - 센서 관리 장치 및 방법

Info

Publication number: KR20170078387A
Application number: KR1020150188854A
Authority: KR
Inventors: 유개원; 박상도
Original assignee: 삼성전자주식회사
Priority date: 2015-12-29
Filing date: 2015-12-29
Publication date: 2017-07-07
Also published as: US20170184680A1

Abstract

배터리 관리 시스템에 관한 기술로, 일 양상에 따른 센서 관리 장치는 다수의 센서로부터 다양한 종류의 데이터를 수집하는 데이터 수집부, 수집한 데이터 중 적어도 두 종류 이상의 데이터에 기반하여 두 종류를 제외한 다른 종류의 데이터를 추정하는 추정부를 포함할 수 있다.

Description

센서 관리 장치 및 방법{Method and apparatus for managing sensors}

배터리 관리 시스템에 관한 기술이다.

배터리 관리 시스템(BMS, Battery Management System)은 배터리 내 센서를 부착하여 배터리 내부 상태를 파악한다. 이때, 단일 센서의 결함으로 인한 오(誤) 동작을 회피하기 위해 복수 개의 센서를 중복(duplicate)으로 부착하여 하나의 센서에 결함이 발생하더라도 정상 동작하는 다른 센서를 통해 결함을 보완하는 구조로 설계된다.

배터리의 정밀 진단을 위해서는 센서의 안정적인 동작이 중요하고, 센서의 중복 설계로 각 센서의 결함으로 인한 오(誤) 동작을 회피할 수 있으나, 이로 인해 필수적으로 하드웨어적인 비용의 증가가 발생하며, 센서의 중복 설계로 인한 추가 센서와 와이어 등 하드웨어 부피 또한 증가할 수 있다.

다른 종류의 센싱 데이터를 이용하여 센서의 결함을 검출하는 기술을 제안한다.

일 양상에 따른 센서 관리 장치는 다수의 센서로부터 다양한 종류의 데이터를 수집하는 데이터 수집부, 수집된 데이터 중 적어도 두 종류 이상의 데이터에 기반하여 두 종류를 제외한 다른 종류의 데이터를 추정하는 추정부를 포함할 수 있다.

데이터 수집부는 배터리 내 다수의 센서로부터 센싱된 전압, 전류, 온도 중 적어도 하나 이상의 데이터를 포함하는, 다양한 종류의 데이터를 수집할 수 있다.

추정부는 제1 종 데이터 및 제1 종 데이터와 다른 종류의 제2 종 데이터로부터, 제1 종 데이터 및 제2 종 데이터와 데이터 연관성을 가지는 제3 종 데이터를 추정할 수 있다.

제1 종 데이터와 제3 종 데이터 사이 및 제2 종 데이터와 제3 종 데이터 사이에 데이터 패턴의 상호 의존성이 있고, 추정부는 기 저장된 데이터 추정 모델을 이용하여 제1 종 데이터 및 제2 종 데이터로부터 제3종 데이터를 추정할 수 있다.

또한, 다수의 센서 중 각 센서 별 데이터 추정 모델을 학습하는 전처리부를 더 포함할 수 있다.

전처리부는 다양한 배터리 운용 패턴에 기초하여 수집된 다양한 종류의 데이터의 센싱 값과 데이터 패턴을 분석하고, 분석 결과 적어도 두 종류 이상의 데이터와 데이터 연관성을 가지는 각 센서 별 데이터 추정 모델을 학습할 수 있다.

데이터 추정 모델은 NN(Neural Network), DNN (Deep Neural Network), SVM(Support Vector Machine), GPR(Gaussian Process Regression) 중 적어도 하나에 기반하는 추정 모델일 수 있다.

데이터 추정 모델은 적어도 두 종류 이상의 데이터를 입력으로 하고, 적어도 두 종류 이상의 데이터와 데이터 연관성이 파라미터로 설정될 수 있다.

또한, 각 센서 별 데이터 추정 모델을 저장하는 메모리, 및 수집된 다양한 종류의 데이터 센싱 값 및 데이터 패턴을 저장하는 버퍼를 더 포함할 수 있다.

특정 센서에서 센싱한 실측 데이터 및 추정부에서 적어도 두 종류 이상의 데이터에 기반하여 추정한 데이터를 비교하여, 특정 센서의 결함을 판단하는 센서 관리부를 더 포함할 수 있다.

다른 양상에 따른 센서 관리 방법은 다수의 센서로부터 다양한 종류의 데이터를 수집하는 단계, 수집된 데이터 중 적어도 두 종류 이상의 데이터에 기반하여 두 종류를 제외한 다른 종류의 데이터를 추정하는 단계를 포함할 수 있다.

데이터를 수집하는 단계는 배터리 내 다수의 센서로부터 센싱된 전압, 전류, 온도 중 적어도 하나 이상의 데이터를 포함하는, 다양한 종류의 데이터를 수집할 수 있다.

다른 종류의 데이터를 추정하는 단계는 제1 종 데이터 및 제1 종 데이터와 다른 종류의 제2 종 데이터로부터, 제1 종 데이터 및 제2 종 데이터와 데이터 연관성을 가지는 제3 종 데이터를 추정할 수 있다.

제1 종 데이터와 제3 종 데이터 사이 및 제2 종 데이터와 제3 종 데이터 사이에 데이터 패턴의 상호 의존성이 있고, 다른 종류의 데이터를 추정하는 단계는 기 저장된 데이터 추정 모델을 이용하여 제1 종 데이터 및 제2 종 데이터로부터 제3종 데이터를 추정할 수 있다.

다수의 센서 중 각 센서별 데이터 추정 모델을 학습하는 전처리 단계를 더 포함할 수 있다.

전처리 단계는 다양한 배터리 운용 패턴에 기초하여 수집한 다양한 종류의 데이터의 센싱 값과 데이터 패턴을 분석하는 단계, 및 분석 결과 적어도 두 종류 이상의 데이터와 데이터 연관성을 가지는 각 센서별 데이터 추정 모델을 학습하는 단계를 포함할 수 있다.

데이터 추정 모델은 특정 센서의 데이터를 추정하는 추정 대상 데이터와 종류가 다른 적어도 두 종류 이상의 데이터를 입력으로 하고, 적어도 두 종류 이상의 데이터와 추정 대상 데이터 사이의 데이터 연관성이 파라미터로 설정된 데이터 추정 모델일 수 있다.

특정 센서에서 센싱한 실측 데이터 및 적어도 두 종류 이상의 데이터에 기반하여 추정한 데이터를 비교하여, 특정 센서의 결함을 판단하는 단계를 더 포함할 수 있다.

동일한 센서의 중복 설계 없이, 다른 종류의 센서로부터 수집한 데이터를 이용하여 센서의 결함을 확인함으로써, 센서의 중복 설계로 인한 하드웨어적 비용을 감소시키고 배터리 내 부피를 줄일 수 있다.

도 1은 일 실시 예에 따른 센서 관리 장치(100)의 블록도이다.
도 2는 일 실시 예에 따른 센서 관리 장치(100)의 상세 블록도이다.
도 3a 및 도 3b는 각 데이터 패턴 사이의 상호 의존성을 나타내는 그래프의 일 예이다.
도 4a 및 도 4b는 센싱한 데이터를 DNN 기반의 데이터 추정 모델(150)에 입력하는 일 예이다.
도 5a 내지 도 5c는 일 실시 예에 따른 센서 관리부(140)에서 실측한 데이터와 적어도 두 종류의 데이터에 기반하여 추정한 데이터를 비교하는 일 예이다.
도 6은 일 실시 예에 따른 센서 관리 방법의 흐름도이다.
도 7은 일 실시 예에 따른 데이터 추정 모델(150)을 학습하는 방법의 흐름도이다.
도 8은 일 실시 예에 따른 데이터 추정 모델(150)을 이용하여 센서를 관리하는 방법의 흐름도이다.

기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다. 기재된 기술의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

도 1은 일 실시 예에 따른 센서 관리 장치(100)의 블록도이다. 일 실시 예에 따르면, 센서 관리 장치(100)는 데이터 수집부(110), 추정부(120)를 포함할 수 있다.

데이터 수집부(110)는 다수의 센서로부터 다양한 종류의 데이터를 수집할 수 있다. 예를 들어, 데이터 수집부(110)는 배터리 내 다수의 센서로부터 센싱된 전류 데이터, 전압 데이터, 온도 중 적어도 하나 이상의 데이터를 포함하는, 다양한 종류의 데이터 등을 수집할 수 있다. 제시된 실시 예 이외에도 배터리 내부 상태를 측정할 수 있는 다양한 센서가 있을 수 있고, 데이터 수집부(110)는 센서를 통하여 주기적으로 센싱 데이터를 수집할 수 있다.

추정부(120)는 수집한 데이터 중 적어도 두 종류 이상의 데이터에 기반하여, 두 종류를 제외한 다른 종류의 데이터를 추정할 수 있다. 예를 들어, 추정부(120)는 이종(異種)의 센서로부터 수집된 데이터로부터, 특정 센서에 관한 데이터를 추정할 수 있다.

예를 들어, 추정부(120)는 제1 종 데이터 및 제1 종 데이터와 다른 종류의 제2 종 데이터로부터, 데이터 연관성을 가지는 제3 종 데이터를 추정할 수 있다. 일 예로, 추정부(120)는 전류 데이터 및 전압 데이터와 데이터 연관성을 가지는 온도 데이터를, 전류 데이터와 전압 데이터로부터 추정할 수 있다. 다른 예로, 추정부(120)는 전압 데이터 및 온도 데이터와 데이터 연관성을 가지는 전류 데이터를, 전압 데이터와 온도 데이터로부터 추정할 수 있다. 여기서, 추정부(120)에서 추정할 수 있는 데이터의 종류에 관하여는 제한되는 바가 없다.

서로 다른 종류의 데이터에 기반하여 특정 센서에 관한 데이터를 추정하게 되면, 센서의 결함을 회피하기 위하여 동일한 센서를 중복 설계할 필요가 없고 하드웨어적으로 비용을 절감할 수 있다.

도 2는 일 실시 예에 따른 센서 관리 장치(100)의 상세 블록도이다. 일 실시 예에 따른 센서 관리 장치(100)는 데이터 수집부(110), 추정부(120), 전처리부(130), 센서 관리부(140) 및 데이터 추정 모델(150)을 포함할 수 있고, 배터리 내 다수의 센서, 버퍼(buffer), 메모리(Memory)와 연결될 수 있다.

배터리는 배터리 셀(cell), 여러 개의 배터리 셀이 모인 배터리 모듈(module), 여러 개의 배터리 모듈이 모인 배터리 팩(pack) 등의 형태를 포함할 수 있다. 이하 간략히 배터리로 호칭한다.

도 2를 참고하면, 데이터 수집부(110)는 배터리 내 다수의 센서, 예를 들어 센서 1 내지 센서 6으로부터 센싱된 데이터를 수집할 수 있다. 이때, 버퍼는 수집한 다양한 종류의 데이터 센싱 값 및 데이터 패턴, 추정 값을 임시로 저장할 수 있고, 데이터 수집부(110)는 버퍼에 임시 저장된 데이터를 수집할 수 있다.

추정부(120)는 수집한 데이터 중 적어도 두 종류 이상의 데이터에 기반하여 두 종류를 제외한 다른 종류의 데이터를 추정할 수 있다. 예를 들어, 추정부(120)는 상호 데이터 연관성을 가지는 적어도 두 종류 이상의 데이터로부터, 특정 센서에 관한 데이터를 추정할 수 있다.

일 예로, 추정부(120)는 종류가 서로 상이한 전류 데이터(제1 종 데이터), 전압 데이터(제2 종 데이터)로부터, 전류 데이터 및 전압 데이터와 다른 종류의 데이터인 온도 데이터(제3 종 데이터)를 추정할 수 있다. 전류 데이터와 온도 데이터 사이 및 전압 데이터와 온도 데이터 사이에는 데이터 연관성이 있을 수 있다.

예를 들어, 배터리 운용 형태에 따라 센싱한 전류 데이터, 전압 데이터, 온도 데이터 사이에는 각각 데이터 패턴 상의 상호 의존성이 있을 수 있다. 추정부(120)는 적어도 두 종류 이상의 데이터와 종류는 상이하나, 데이터 연관성을 가지는 다른 종류의 데이터를, 적어도 두 종류 이상의 데이터에 기반하여 추정할 수 있다.

일 실시 예에 따르면, 추정부(120)는 기 저장된 데이터 추정 모델(150)을 이용하여 제1 종 데이터 및 제2 종 데이터로부터 제3 종 데이터를 추정할 수 있다. 여기서, 데이터 추정 모델(150)은 센서별로 각각 존재할 수 있다. 추정부(120)는 사전에 학습된 데이터 추정 모델(150)에 제1 종 데이터 및 제2 종 데이터를 입력함으로써 제3 종 데이터를 추정할 수 있다. 각 센서별 데이터 추정 모델(150)은 전처리 단계에서 학습되거나, 외부로부터 획득될 수 있다.

도 2를 참고하면, 전처리부(130)는 센서 1에 대해 데이터 추정 모델(150) f1을 생성하고, 센서 2에 대해 데이터 추정 모델(150) f2를 생성할 수 있다. 또한, 도면에 도시되지는 않았으나 전처리부(130)는 다수의 센서에 대해 각각 데이터 추정 모델을 생성할 수 있으며, 일 예로, 센서 n에 대해 데이터 추정 모델(150) fn을 생성할 수 있다.

일 예로, 전처리부(130)는 프로세서의 계산 모듈(module)일 수 있고, 전처리부(130)는 다수의 센서 중 각 센서별 데이터 추정 모델(150)을 학습할 수 있다. 전처리부(130)는 다양한 배터리 운용 패턴에 기초하여 수집한 다양한 종류의 데이터 센싱 값과 데이터 패턴을 분석하고, 분석 결과를 기초로 적어도 두 종류 이상의 데이터와 데이터 연관성을 가지는 각 센서별 데이터 추정 모델(150)을 학습할 수 있다.

전처리부(130)는 배터리 운용 형태에 따라, 다양한 종류의 데이터들의 데이터 패턴 사이의 상호 의존성을 분석할 수 있는데 구체적인 실시 예는 도 3a 내지 도 4b를 통하여 후술한다.

데이터 추정 모델(150)은 NN(Neural Network), DNN (Deep Neural Network), SVM(Support Vector Machine), GPR(Gaussian Process Regression) 중 적어도 하나에 기반하는 추정 모델일 수 있다. 예를 들어, 전처리부(130)는 데이터 수집부(110)에서 수집한 다양한 종류의 데이터를 DNN(Deep Neural Network) 기반의 데이터 추정 모델(150)에 입력하여, 각 센서별로 데이터 추정 모델을 학습할 수 있다. 일 예로, 전처리부는 DNN(Deep Neural Network)에 기반한 데이터 추정 모델에 상기 적어도 두 종류 이상의 데이터를 입력하고, 데이터 연관성을 기초로 특정 센서에 관한 데이터를 추정하는 파라미터 셋을 학습할 수 있다.

한편, 센서 관리 장치(100)는 데이터 추정 모델(150) 및 데이터 추정 모델의 파라미터를 내부 또는 외부의 메모리(Memory)에 저장할 수 있다. 여기서 메모리는 비휘발성 저장 장치일 수 있다.

센서 관리부(140)는 특정 센서에서 센싱한 실측 데이터와 추정부(120)에서 적어도 두 종류 이상의 데이터에 기반하여 추정한 데이터를 비교하여 특정 센서의 결함을 판단할 수 있다.

예를 들어, 센서 관리부(140)는 실측 데이터와 추정 데이터 사이에 소정의 임계치 이상의 오차가 발생하는 경우 특정 센서에 결함이 있다고 판단할 수 있고, 센서의 결함을 확인하기 위한 다른 동작들을 수행할 수 있다. 일 예로, 센서 관리부(140)는 만일 특정 센서가 결함이 있거나 오작동하는 것으로 판단되면, 해당 센서의 결함을 사용자에게 알릴 수 있다.

일 실시 예에 따르면, 센서의 결함을 확인하는데 동일한 종류의 센서를 중복하여 설계하지 않아도 되므로, 하드웨어적 비용을 절감하고, 부피 또한 줄일 수 있다.

도 3a 및 도 3b는 각 데이터 패턴 사이의 상호 의존성을 나타내는 그래프의 일 예이다. 도 3a를 참고하면, 시간(x축)에 따른 전류 데이터, 전압 데이터, 온도 데이터(y축)에 관한 일 예가 도시된다.

전처리부(130)는 도 3a와 같은 데이터 패턴으로부터, 전류 데이터와 전압 데이터, 전압 데이터와 온도 데이터, 전류 데이터와 온도 데이터 사이의 데이터 연관성을 분석할 수 있다.

예를 들어, 배터리 내부의 전류 데이터, 전압 데이터, 온도 데이터는 배터리의 사용 형태(충전기, 방전기) 또는 배터리의 동작에 따라 일정한 데이터 패턴이 나타날 수 있다. 도 3a를 참고하면, 전류 데이터는 배터리의 충전기에 양수를 나타내고, 배터리 방전기에 음의 피크 형태를 반복할 수 있다. 또한, 전압 데이터는 배터리 충전기에 상승하다가, 배터리 방전기에 전압 강하하는 형태를 보일 수 있다. 또한, 온도 데이터는 배터리 충전기에 소정의 값(챔버의 관리 온도 25℃) 정도의 범위를 유지하다가 배터리 방전기에 상승할 수 있다. 또한, 배터리의 동작에 따라 전류 데이터, 전압 데이터, 온도 데이터는 상호 의존성을 가지고 변화할 수 있다.

도 3b는, 도 3a에서 소정의 시간 범위(T)에 대해 전류 데이터, 전압 데이터, 온도 데이터를 확대(Zoom in)한 그래프의 일 예이다. 여기서, 소정의 시간 범위 1.4*10⁴s 내지 1.45*10⁴s 동안 전류는 음의 피크를 보이고, 전압은 하강하며, 온도는 상승하는 배터리 방전기의 그래프 개형이 나타날 수 있다. 전류 데이터, 전압 데이터, 온도 데이터 각각은 다른 데이터와 데이터 연관성을 가지고, 전처리부(130)는 두 종류 이상의 데이터로부터, 데이터 패턴 상의 상호 의존성을 가지는 다른 종류의 데이터를 추정하는 데이터 추정 모델을 학습할 수 있다. 한편, 도 3a 및 도 3b는 어디까지나 일 실시 예로써 해석되어야 할 것이고, 배터리의 운용에 따른 데이터 패턴은 이외에도 다양하게 존재할 수 있다.

도 4a 및 도 4b는 센싱한 데이터를 DNN 기반의 데이터 추정 모델(150)에 입력하는 일 예이다. 도 2를 참고하면, 전처리부(130)는 도 4a와 같은 센싱 데이터를, 도 4b와 같은 DNN(Deep neural network) 기반의 데이터 추정 모델에 입력하여, 특정 센서에 관한 데이터를 추정하는 데이터 추정 모델을 학습할 수 있다.

도 4a의 그래프를 참고하면, 데이터 수집부(110)를 통하여 수집한 전류(current) 데이터, 전압(voltage) 데이터, 온도(temperature) 데이터의 데이터 패턴의 일 예가 도시된다. 도 4b의 그래프를 보면, DNN(Deep Neural Network) 기반의 데이터 추정 모델이 도시된다. 여기서, 전처리부(130)는 사각형의 박스 내 소정의 기간 동안의 전류 데이터(Current, [A]), 전압 데이터(Voltage, [V])를 DNN(Deep neural network) 기반의 데이터 추정 모델에 입력하고, 특정 시점의 온도 데이터를 추정하는 데이터 추정 모델을 학습할 수 있다. 전처리부(130)는 각각의 센서별로 데이터 추정 모델을 학습하고, 데이터 추정 모델에 대한 파라미터 셋을 저장할 수 있다.

도 5a 내지 도 5c는 일 실시 예에 따른 센서 관리부(140)에서 실측한 데이터와 적어도 두 종류의 데이터에 기반하여 추정한 데이터를 비교하는 일 예이다.

도 5a 내지 도 5c의 그래프는 각각 저온(10℃), 상온(25℃), 고온(60℃)의 챔버(chamber)에서 수집된 전류 데이터 및 전압 데이터의 데이터 패턴과, 센서 관리 장치(100)가 각 온도의 챔버(chamber)에서 센서를 통해 실측(Actual Temp.)한 온도 데이터와, 전류 데이터 및 전압 데이터에 기반하여 추정한 온도 데이터(Estimated temp.)의 그래프를 도시한 것이다.

도 5a 내지 도 5c를 참고하면, 센서 관리 장치(100)에서 전류 데이터 및 전압 데이터에 기반하여 추정한 온도 데이터와 센서를 통해 실측한 온도 데이터의 그래프 개형이 거의 유사함을 볼 수 있다. 이 경우, 센서 관리 장치(100)는 온도 센서가 정상적으로 작동되고 있음을 확인할 수 있다. 센서 관리 장치(100)는 추정된 온도 데이터와의 비교를 통해 온도 센서의 결함, 오작동 여부를 판단할 수 있다.

제시된 실시 예 이외에도 센서 관리 장치(100)는 배터리 내부의 다양한 센서들 각각에 대해, 각 센서 별로 적합한 데이터 추정 모델(150)을 생성하고, 이종(異種) 데이터와의 데이터 연관성에 기초하여 각 센서의 결함 여부를 판단할 수 있다.

도 6은 일 실시 예에 따른 센서 관리 방법의 흐름도이다. 이하, 도 1 및 도 6을 참고하여, 센서 관리 장치(100)를 이용한 센서 관리 방법을 설명한다.

먼저, 데이터 수집부(110)는 다수의 센서로부터 다양한 종류의 데이터를 수집할 수 있다(610). 예를 들어, 데이터 수집부(110)는 배터리 내 다수의 센서로부터 센싱된 전류 데이터, 전압 데이터, 온도 중 적어도 하나 이상의 데이터를 포함하는, 다양한 종류의 데이터 등을 수집할 수 있다. 제시된 실시 예 이외에도 배터리 내부 상태를 측정할 수 있는 다양한 센서가 있을 수 있고, 데이터 수집부(110)는 센서를 통하여 주기적으로 센싱 데이터를 수집할 수 있다.

그 다음, 추정부(120)는 수집한 데이터 중 적어도 두 종류 이상의 데이터에 기반하여, 두 종류를 제외한 다른 종류의 데이터를 추정할 수 있다(620). 추정부(120)는 이종(異種)의 센서로부터 수집된 데이터로부터, 특정 센서에 관한 데이터를 추정할 수 있다.

예를 들어, 추정부(120)는 제1 종 데이터 및 제1 종 데이터와 다른 종류의 제2 종 데이터로부터, 제1 종 데이터 및 제2 종 데이터와 데이터 연관성을 가지는 제3 종 데이터를 추정할 수 있다. 일 예로, 추정부(120)는 전류 데이터와 전압 데이터로부터, 전류 데이터 및 전압 데이터와 데이터 연관성을 가지는 온도 데이터를 추정할 수 있다. 다른 예로, 추정부(120)는 전압 데이터와 온도 데이터로부터, 전압 데이터 및 온도 데이터와 데이터 연관성을 가지는 전류 데이터를 추정할 수 있다. 여기서, 추정부(120)에서 추정할 수 있는 데이터의 종류에 관하여는 제한되는 바가 없다.

도 7은 일 실시 예에 따른 데이터 추정 모델(150)을 학습하는 방법의 흐름도이다. 전처리부(130)는 각 센서별 데이터 추정 모델을 학습할 수 있다. 이하 도 2를 참고하여, 전처리부(130)를 이용하여 각 센서별 데이터 추정 모델을 학습하는 방법을 설명한다.

먼저, 데이터 수집부(110)는 다수의 센서로부터 다양한 종류의 데이터를 수집할 수 있다(710).

그 다음, 전처리부(130)는 다양한 배터리 운용 패턴에 기초하여 수집한 다양한 종류의 데이터 센싱 값과 데이터 패턴을 분석할 수 있다(720).

그 다음, 전처리부(130)는 분석 결과 적어도 두 종류 이상의 데이터와 데이터 연관성을 가지는 각 센서 별 데이터 추정 모델(150)을 학습할 수 있다(730). 예를 들어, 전처리부(130)는 배터리 운용 형태와 배터리 동작에 따라, 다양한 종류의 데이터들의 데이터 패턴 사이의 상호 의존성을 기초로 데이터 추정 모델(150)을 학습할 수 있다. 이때, 데이터 추정 모델(150)은 NN(Neural Network), DNN (Deep Neural Network), SVM(Support Vector Machine), GPR(Gaussian Process Regression) 중 적어도 하나에 기반하는 추정 모델일 수 있다.

예를 들어, 전처리부(130)는 데이터 수집부(110)에서 수집한 다양한 종류의 데이터를 DNN(Deep Neural Network) 기반의 데이터 추정 모델(150)에 입력하여, 각 센서 별로 데이터 추정 모델을 학습할 수 있다.

도 8은 일 실시 예에 따른 데이터 추정 모델(150)을 이용하여 센서를 관리하는 방법의 흐름도이다. 이하, 도 2 및 도 8을 참고하여, 센서 관리 장치(200)를 이용하여 각 센서를 관리하는 방법을 설명한다.

각 센서 별 데이터 추정 모델을 학습하는 단계는 데이터 추정 모델을 이용하여 특정 센서와 관련된 데이터를 추정하는 단계와 별개로 있을 수 있고, 이하 이를 각각 설명한다.

먼저, 데이터 수집부(110)는 다수의 센서로부터 센싱된 데이터를 수집할 수 있다(810). 그 다음, 전처리부(130)는 다양한 배터리 운용 패턴에 기초하여 수집한 다양한 종류의 데이터 센싱 값과 데이터 패턴을 분석할 수 있다(820). 예를 들어, 전처리부(130)는 다양한 배터리 운용 패턴에 기초하여 수집한 다양한 종류의 데이터 센싱 값과 데이터 패턴을 분석할 수 있다. 그 다음, 전처리부(130)는 분석 결과 적어도 두 종류 이상의 데이터와 데이터 연관성을 가지는 각 센서 별 데이터 추정 모델을 학습할 수 있다(830). 여기서, 센서 별 데이터 추정 모델을 학습하는 단계는 특정 센서에 관련된 데이터를 추정하는 단계 이전에 별도의 프로세스를 통해 수행될 수 있다. 또한, 각 센서 별 데이터 추정 모델(150) 및 데이터 추정 모델에 관한 파라미터 셋은 외부로부터 획득될 수 있다.

센서 관리 장치(100)에서 특정 센서에 관련된 데이터를 추정하는 일 예는 다음과 같다. 먼저, 데이터 수집부(110)는 다수의 센서로부터 센싱된 데이터를 수집할 수 있다(810). 그 다음, 추정부(120) 데이터 추정 모델을 이용하여, 제1 종 데이터 및 제2 종 데이터와 다른 종류의 제2 종 데이터로부터, 제1 종 데이터 및 제2 종 데이터와 연관성을 가지는 제3 종 데이터를 추정할 수 있다(860).

그 다음, 센서 관리부(140)는 특정 센서에서 센싱한 실측 데이터 및 추정부에서 적어도 두 종류 이상의 데이터에 기반하여 추정한 데이터를 비교하여 특정 센서의 결함을 판단할 수 있다(870). 예를 들어, 센서 관리부(140)는 실측 데이터와 추정 데이터 사이에 소정의 임계치 이상의 오차가 발생하는 경우 특정 센서에 결함이 있다고 판단할 수 있고, 센서의 결함을 확인하기 위한 다른 동작들을 수행할 수 있다. 일 예로, 센서 관리부(140)는 만일 특정 센서가 결함이 있거나 오작동하는 것으로 판단되면, 해당 센서의 결함을 사용자에게 알릴 수 있다.

100: 센서 관리 장치
110: 데이터 수집부
120: 추정부
130: 전처리부
140: 센서 관리부
150: 데이터 추정 모델

Claims

다수의 센서로부터 다양한 종류의 데이터를 수집하는 데이터 수집부; 및
상기 수집된 데이터 중 적어도 두 종류 이상의 데이터에 기반하여 상기 두 종류를 제외한 다른 종류의 데이터를 추정하는 추정부;를 포함하는 센서 관리 장치.
제1항에 있어서,
상기 데이터 수집부는 배터리 내 다수의 센서로부터 센싱된 전압, 전류, 온도 중 적어도 하나 이상의 데이터를 포함하는, 상기 다양한 종류의 데이터를 수집하는 센서 관리 장치.
제1항에 있어서,
상기 추정부는 제1 종 데이터 및 상기 제1 종 데이터와 다른 종류의 제2 종 데이터로부터, 데이터 연관성을 가지는 제3 종 데이터를 추정하는 센서 관리 장치.
제3항에 있어서,
상기 제1 종 데이터와 상기 제3 종 데이터 사이 및 상기 제2 종 데이터와 상기 제3 종 데이터 사이에 데이터 패턴의 상호 의존성이 있고,
상기 추정부는 기 저장된 데이터 추정 모델을 이용하여 상기 제1 종 데이터 및 상기 제2 종 데이터로부터 상기 제3 종 데이터를 추정하는 센서 관리 장치.
제1항에 있어서,
상기 다수의 센서 중 각 센서별 데이터 추정 모델을 학습하는 전처리부를 더 포함하는 센서 관리 장치.
제5항에 있어서,
상기 전처리부는
다양한 배터리 운용 패턴에 기초하여 상기 수집된 다양한 종류의 데이터의 센싱 값과 데이터 패턴을 분석하고,
상기 분석 결과를 기초로, 상기 적어도 두 종류 이상의 데이터와 데이터 연관성을 가지는 상기 각 센서별 데이터 추정 모델을 학습하는 센서 관리 장치.
제5항에 있어서,
상기 데이터 추정 모델은 NN(Neural Network), DNN (Deep Neural Network), SVM(Support Vector Machine), GPR(Gaussian Process Regression) 중 적어도 하나에 기반하는 추정 모델인 센서 관리 장치.
제7항에 있어서,
상기 전처리부는 DNN에 기반한 데이터 추정 모델에 상기 적어도 두 종류 이상의 데이터를 입력하고, 데이터 연관성을 기초로 특정 센서에 관한 데이터를 추정하는 파라미터를 학습하는 센서 관리 장치.
제6항에 있어서,
상기 각 센서별 데이터 추정 모델을 저장하는 메모리; 및
상기 수집된 다양한 종류의 데이터 센싱 값 및 상기 데이터 패턴을 저장하는 버퍼;를 더 포함하는 센서 관리 장치.
제1항에 있어서,
특정 센서에서 센싱한 실측 데이터 및 상기 추정부에서 상기 적어도 두 종류 이상의 데이터에 기반하여 추정한 데이터를 비교하여, 상기 특정 센서의 결함을 판단하는 센서 관리부를 더 포함하는 센서 관리 장치.
다수의 센서로부터 다양한 종류의 데이터를 수집하는 단계; 및
상기 수집된 데이터 중 적어도 두 종류 이상의 데이터에 기반하여 상기 두 종류를 제외한 다른 종류의 데이터를 추정하는 단계;를 포함하는 센서 관리 방법.
제11항에 있어서,
상기 데이터를 수집하는 단계는 배터리 내 다수의 센서로부터 센싱된 전압, 전류, 온도 중 적어도 하나 이상의 데이터를 포함하는, 상기 다양한 종류의 데이터를 수집하는 센서 관리 방법.
제11항에 있어서,
상기 다른 종류의 데이터를 추정하는 단계는
제1 종 데이터 및 상기 제1 종 데이터와 다른 종류의 제2 종 데이터로부터, 데이터 연관성을 가지는 제3 종 데이터를 추정하는 센서 관리 방법.
제13항에 있어서,
상기 제1 종 데이터와 상기 제3 종 데이터 사이 및 상기 제2 종 데이터와 상기 제3 종 데이터 사이에 데이터 패턴의 상호 의존성이 있고,
상기 다른 종류의 데이터를 추정하는 단계는 기 저장된 데이터 추정 모델을 이용하여 상기 제1 종 데이터 및 상기 제2 종 데이터로부터 상기 제3 종 데이터를 추정하는 센서 관리 방법.
제11항에 있어서,
상기 다수의 센서 중 각 센서별 데이터 추정 모델을 학습하는 전처리 단계를 더 포함하는 센서 관리 방법.
제15항에 있어서,
상기 전처리 단계는
다양한 배터리 운용 패턴에 기초하여 상기 수집한 다양한 종류의 데이터의 센싱 값과 데이터 패턴을 분석하는 단계; 및
상기 분석 결과를 기초로 상기 적어도 두 종류 이상의 데이터와 데이터 연관성을 가지는 상기 각 센서별 데이터 추정 모델을 학습하는 단계를 포함하는 센서 관리 방법.
제15항에 있어서,
상기 데이터 추정 모델은 NN(Neural Network), DNN (Deep Neural Network), SVM(Support Vector Machine), GPR(Gaussian Process Regression) 중 적어도 하나에 기반하는 추정 모델인 센서 관리 방법.
제17항에 있어서,
상기 전처리 단계는
DNN에 기반한 데이터 추정 모델에 상기 적어도 두 종류 이상의 데이터를 입력하는 단계; 및
데이터 연관성을 기초로 특정 센서에 관한 데이터를 추정하는 파라미터를 학습하는 단계;를 포함하는 센서 관리 방법.
제11항에 있어서,
특정 센서에서 센싱한 실측 데이터 및 상기 적어도 두 종류 이상의 데이터에 기반하여 추정한 데이터를 비교하는 단계; 및
상기 특정 센서의 결함을 판단하는 단계;를 더 포함하는 센서 관리 방법.