KR20220021973A - 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 - Google Patents

신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 Download PDF

Info

Publication number
KR20220021973A
KR20220021973A KR1020200102195A KR20200102195A KR20220021973A KR 20220021973 A KR20220021973 A KR 20220021973A KR 1020200102195 A KR1020200102195 A KR 1020200102195A KR 20200102195 A KR20200102195 A KR 20200102195A KR 20220021973 A KR20220021973 A KR 20220021973A
Authority
KR
South Korea
Prior art keywords
battery cell
cell failure
neural network
data
failure diagnosis
Prior art date
Application number
KR1020200102195A
Other languages
English (en)
Other versions
KR102439041B1 (ko
Inventor
권진근
홍준기
이동헌
Original Assignee
주식회사 한국파워셀
주식회사 로보볼트
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 주식회사 한국파워셀, 주식회사 로보볼트 filed Critical 주식회사 한국파워셀
Priority to KR1020200102195A priority Critical patent/KR102439041B1/ko
Priority to PCT/KR2020/017218 priority patent/WO2022034983A1/ko
Priority to EP20949612.4A priority patent/EP4198531A1/en
Priority to US17/120,094 priority patent/US11830991B2/en
Publication of KR20220021973A publication Critical patent/KR20220021973A/ko
Application granted granted Critical
Publication of KR102439041B1 publication Critical patent/KR102439041B1/ko

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Power Engineering (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Secondary Cells (AREA)

Abstract

본 발명은 신경망 기반의 배터리 셀 불량 진단 방법 및 장치에 관한 것으로서, 배터리 셀 불량 예측을 위한 배터리 셀 불량 진단 장치에서 신경망(Neural Network) 기반의 자기지도 학습을 통한 배터리 셀 불량 진단 방법에 있어서, 상기 배터리 셀 불량 진단 장치가, 복수 개의 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간 간격별로 측정되는 화학조성, 전류, 전압, 및 온도 데이터 중 적어도 하나를 포함하는 데이터를 수집하는 단계; 상기 배터리 셀 불량 진단 장치가, 상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습시키는 단계; 및 상기 배터리 셀 불량 진단 장치가, 상기 신경망의 주 클러스터에서 벗어난 배터리를 불량으로 예측하는 단계를 포함한다.

Description

신경망 기반의 배터리 셀 불량 진단 방법 및 장치{METHOD AND APPARATUS FOR DIAGNOSING DEFECT OF BATTERY CELL BASED ON NEURAL NETWORK}
본 발명은 배터리 셀 불량 진단 방법에 관한 것으로, 더욱 상세하게는 신경망 기반의 배터리 셀 불량 진단 방법 및 장치에 관한 것이다.
다양한 종류의 친환경 차량을 개발 중이며, 주목받는 친환경 차량으로는 전기 차량을 들 수 있다.
전기 차량은 배터리 팩의 충방전 에너지를 이용하여 차량을 구동시키기 때문에, 엔진만을 이용하는 자동차에 비해 연비가 뛰어나고 공해 물질을 감소시킬 수 있다는 점에서 소비자들에게 좋은 반응을 얻고 있다. 이에 따라 전기 차량의 핵심 부품인 배터리에 보다 많은 관심과 연구가 집중되고 있다.
이와 같이 배터리를 이용한 제품들이 증가함에 따라 배터리의 안전성에 대한 문제가 중요해지고 있다. 더욱이, 전기 차량의 경우, 이차 전지인 다수의 배터리 셀이 하나의 팩을 구성하고, 또한 다수의 팩이 하나의 대용량 배터리를 구성한다는 점에서 일반 휴대용 전기 제품보다 배터리를 안전하게 유지하는 것이 중요하다.
특히, 배터리를 구성하는 배터리 셀의 노화나 배터리 셀 간의 연결을 위한 버스바(Bus bar)의 풀림 현상 등으로 인해 저항이 발생하게 된다. 이러한 저항이 증가하면 배터리에 열이 발생하여 배터리 내부 회로나 배터리 자체를 손상시키는 원인이 될 수 있다. 나아가 배터리의 폭발로 이어져 화재를 일으키는 원인이 될 수 있다.
따라서, 배터리의 고장을 진단하는 기술이 요구되는데, 종래에 배터리를 충방전하여 전류, 전압, 및 온도 데이터를 수집하고, 수집된 전류, 전압, 및 온도를 분석하여 배터리의 고장을 진단하는 방법이 있으나, 2000 회를 충방전할 수 있는 대용량 배터리의 경우, 전체 충방전 1 사이클을 완성하는 데 시간이 오래 걸리므로, 대용량 배터리를 실질적으로 2000 회를 충방전하여 전류, 전압, 및 온도 데이터를 모으는 것은 사실상 불가능하다.
한편, BYD사의 경우 생산된 리튬 배터리를 한두달에 걸쳐 에이징시켜놓는 방법을 택하는데, 이를 위해 엄청난 면적의 창고를 이용하고 있다.
결국, 배터리 셀 생산 단계뿐만 아니라 현재 운용 중인 리튬 배터리 셀을 검사할 때도 이를 빠르게 검사할 수 있는 방법이 현재는 전무한 실정이다.
국내등록특허 제10-1551062호 국내등록특허 제10-1745167호
본 명세서는 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로서, 추가적인 장치없이 데이터에 기반하여 대용량 배터리의 안정성을 보장해줄 수 있는 신경망 기반의 배터리 셀 불량 진단 방법 및 장치를 제공하는 데 그 목적이 있다.
본 발명의 다른 목적은 대용량 배터리 셀을 빠르게 검사할 수 있는 신경망 기반의 배터리 셀 불량 진단 방법 및 장치를 제공한다.
이와 같은 목적을 달성하기 위한, 본 명세서의 제1 실시예에 따르면, 본 명세서에 따른 신경망 기반의 배터리 셀 불량 진단 방법은, 배터리 셀 불량 예측을 위한 배터리 셀 불량 진단 장치에서 신경망(Neural Network) 기반의 자기지도 학습을 통한 배터리 셀 불량 진단 방법에 있어서, 상기 배터리 셀 불량 진단 장치가, 복수 개의 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간 간격별로 측정되는 화학조성, 전류, 전압, 및 온도 데이터 중 적어도 하나를 포함하는 데이터를 수집하는 단계; 상기 배터리 셀 불량 진단 장치가, 상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습시키는 단계; 및 상기 배터리 셀 불량 진단 장치가, 상기 신경망의 주 클러스터에서 벗어난 배터리를 불량으로 예측하는 단계를 포함한다.
바람직하게는, 상기 배터리 셀 불량 진단 장치가, 불량으로 판정된 배터리의 전류 데이터를 상기 신경망에 입력하여 전압 및 온도 데이터를 예측하는 단계; 상기 배터리 셀 불량 진단 장치가, 예측된 전압 및 온도 데이터를 실제 전압 및 온도 데이터와 각각 비교하는 단계; 상기 배터리 셀 불량 진단 장치가, 예측된 전압 및 온도 데이터와 실제 전압 및 온도 데이터 각각의 차이가 소정의 범위 내에 있는 경우, 상기 불량으로 판정된 배터리를 정상으로 판정하는 단계; 및 상기 배터리 셀 불량 진단 장치가, 예측된 전압 및 온도 데이터와 실제 전압 및 온도 데이터 각각의 차이가 상기 소정의 범위를 벗어난 경우, 상기 불량으로 판정된 배터리를 불량으로 판정하는 단계를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 배터리 셀 불량 진단 장치가, 새로운 배터리의 3번의 충방전 사이클에 대한 화학조성, 전압, 전류, 및 온도 데이터를 상기 신경망에 입력하는 단계; 및 상기 배터리 셀 불량 진단 장치가, 상기 신경망을 통해 상기 새로운 배터리의 불량 여부를 판정하는 단계를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 배터리 셀 불량 진단 장치가, 앞 부분의 시계열적인 전압 및 온도 데이터에 기초하여 뒷 부분의 전압 및 온도 데이터를 유추하는 단계를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 배터리 셀 불량 진단 장치가, 앞 부분의 시계열적인 전류 데이터에 기초하여 뒷 부분의 전압 및 온도 데이터를 유추하는 단계를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 배터리 셀 불량 진단 장치가, 상기 자기지도 학습을 통해 학습된 신경망에 배터리에 대한 정상 또는 불량을 나타내는 라벨(Label)을 포함하는 데이터를 통해 학습된 신경망을 합하여 이루어진 신경망을 통해 배터리 셀의 불량을 진단하는 단계를 더 포함하는 것을 특징으로 한다.
본 명세서의 제2 실시예에 따르면, 본 명세서에 따른 신경망 기반의 배터리 셀 불량 진단 방법은, 배터리 셀 불량 진단 장치가, 복수 개의 제1 배터리를 제1 복수 회 충방전시 시계열적으로 측정한 전류, 전압 또는 온도 데이터 및 상기 전류, 전압, 및 온도 데이터에 부가된 제1 라벨 데이터를 활용하여 배터리 셀 불량 진단 방법을 위한 인공지능 신경망을 학습시키는 단계; 상기 배터리 셀 불량 진단 장치가, 상기 학습된 인공지능 신경망을 이용하여 복수 개의 제2 배터리를 상기 제1 복수 회보다 적은 제2 복수 회 충방전시 시계열적으로 측정한 전류, 전압 및 온도 데이터에 라벨을 부가하여 라벨링된 제2 라벨 데이터를 생성하는 단계; 상기 배터리 셀 불량 진단 장치가, 상기 제2 라벨 데이터 중 소정의 조건을 만족하는 데이터를 상기 제1 라벨 데이터에 추가하여 상기 제1 라벨 데이터를 업데이트하는 단계; 및 상기 배터리 셀 불량 진단 장치가, 업데이트된 제1 라벨 데이터를 활용하여 배터리 셀 불량 진단 방법을 위한 상기 인공지능 신경망을 학습시키는 단계를 포함한다.
본 명세서의 제3 실시예에 따르면, 본 명세서에 따른 배터리 셀 불량 진단 장치는, 하나 이상의 인스트럭션들(Instructions)을 저장하는 메모리; 및 상기 저장된 하나 이상의 인스터럭션들을 실행함으로써, 복수 개의 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간 간격별로 측정되는 화학조성, 전류, 전압, 및 온도 데이터 중 적어도 하나를 포함하는 데이터를 입력받아 상기 복수 개의 배터리의 불량을 예측하는 신경망을 구성하는 하나 이상의 프로세서를 포함한다.
바람직하게는, 상기 복수 개의 배터리를 충전하는 충전기; 및 상기 복수 개의 배터리를 방전하는 방전기를 더 포함하고, 상기 하나 이상의 프로세서는 상기 입력받은 화학조성에 맞게 상기 충전기의 충전 스케쥴을 자동 설정하고, 상기 입력받은 화학조성에 맞게 상기 방전기의 방전 스케쥴을 자동 설정하는 것을 특징으로 한다.
바람직하게는, 상기 하나 이상의 프로세서는 상기 복수 개의 배터리 중에 불량으로 판정된 배터리의 데이터에 라벨을 부여하고, 상기 라벨이 부여된 데이터를 상기 신경망에 입력하여 상기 신경망을 학습시키는 것을 특징으로 한다.
이상에서 설명한 바와 같이 본 명세서에 의하면, 복수 개의 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간 간격별로 측정되는 화학조성, 전류, 전압, 및 온도 데이터 중 적어도 하나를 포함하는 데이터를 수집하고, 수집된 데이터르 신경망에 입력하여 배터리 셀에 대한 불량을 진단하는 신경망 기반의 배터리 셀 불량 진단 방법 및 장치를 제공함으로써, 추가적인 장치없이 데이터에 기반하여 대용량 배터리의 안정성을 보장해줄 수 있고, 대용량 배터리 셀을 빠르게 검사할 수 있다.
도 1은 본 발명의 실시예에 따른 자기지도학습 관련 신경망 기반의 배터리 셀 불량 진단 방법을 나타낸 흐름도,
도 2는 도 1의 단계 S140의 구체적인 방법을 나타낸 흐름도,
도 3은 도 1에서 학습완료된 신경망에 새로운 배터리의 데이터를 입력하여 새로운 배터리의 불량을 판정하는 방법을 나타낸 흐름도,
도 4는 본 발명의 실시예에 따른 준지도학습 관련 신경망 기반의 배터리 셀 불량 진단 방법을 나타낸 흐름도,
도 5는, 본 발명의 실시 형태에 관한 배터리 셀 불량 진단 장치의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도,
도 6은, 본 발명의 실시 형태에 관한 배터리 셀 불량 진단 장치가 갖는 기능의 일례를 도시한 블록도, 및
도 7은 본 발명의 실시예에 따른 인공지능 모델 구조를 나타낸 도면이다.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 명세서에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는 데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
100개의 대형 배터리를 1,000여번 충방전시켜 실제 데이터(즉, 배터리의 정상 또는 불량 여부를 나타내는 라벨링 데이터)를 확보하는 것이 불가능하기 때문에, 본 발명에 따른 신경망 기반의 배터리 셀 불량 진단 방법은, 예를 들어, 50,000개의 배터리를 3번 충방전하고, 이때의 데이터를 모아서 배터리 셀의 불량을 진단하는 것이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니됨을 유의해야 한다.
도 1은 본 발명의 실시예에 따른 자기지도학습 관련 신경망 기반의 배터리 셀 불량 진단 방법을 나타낸 흐름도이다.
도 1을 참조하면, 배터리 셀 불량 진단 장치는 복수 개의 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간 간격별로 측정되는 화학조성, 전류, 전압, 및 온도 데이터 중 적어도 하나를 포함하는 데이터를 수집한다(S110).
배터리 셀 불량 진단 장치는 수집된 데이터를 신경망에 입력한다(S120).
배터리 셀 불량 진단 장치는 신경망을 통해 수집된 데이터를 클러스터링한다(S130).
배터리 셀 불량 진단 장치는 주 클러스터에서 벗어난 배터리를 불량으로 예측한다(S140). 구체적으로는, 본 발명에 따른 배터리 셀 불량 진단 장치는 앞 부분의 시계열적인 전압 및 온도 데이터에 기초하여 뒷 부분의 전압 및 온도 데이터를 유추하거나, 앞 부분의 시계열적인 전류 데이터에 기초하여 뒷 부분의 전압 및 온도 데이터를 유추한 후, 정상적인 배터리와는 다른 데이터 경향성을 보이는 불량 배터리의 데이터에 대해서는 잘 예측하지 못하는 원리를 이용하여, 뒷 부분의 데이터를 잘 예측하지 못하는 정도를 기준으로 불량 배터리를 검출한다.
본 발명에 따른 배터리 셀 불량 진단 장치는, 긴 시계열 데이터 간의 연관성을 분석하기 위해 dilated CNN을 기본 구조로 사용하고, dilated CNN과 배치 정규화 기술을 반복적으로 쌓아 전체 인공신경망을 구성할 수 있다. 또한, 배터리 셀 불량 진단 장치는 신경망의 후반부에는 긴 시계열 데이터의 차원을 줄이기 위해 1D-CNN을 사용할 수 있다.
도 2는 도 1의 단계 S140의 구체적인 방법을 나타낸 흐름도이다.
도 2를 참조하면, 배터리 셀 불량 진단 장치는 불량으로 판정된 배터리의 전류 데이터를 신경망에 입력한다(S210).
배터리 셀 불량 진단 장치는 신경망을 통해 전압 및 온도 데이터를 예측한다(S220).
배터리 셀 불량 진단 장치는 예측된 전압 및 온도 데이터를 실제 전압 및 온도 데이터와 각각 비교하여, 예측된 전압 및 온도 데이터와 실제 전압 및 온도 데이터 각각의 차이가 소정의 범위 내에 있는지 여부를 판단한다(S230).
배터리 셀 불량 진단 장치는 예측된 전압 및 온도 데이터와 실제 전압 및 온도 데이터 각각의 차이가 소정의 범위 내에 있는 경우, 불량으로 판정된 배터리를 정상으로 다시 판정한다(S240).
배터리 셀 불량 진단 장치는 예측된 전압 및 온도 데이터와 실제 전압 및 온도 데이터 각각의 차이가 소정의 범위를 벗어난 경우, 불량으로 판정된 배터리를 최종으로 불량으로 판정한다(S232).
도 3은 도 1에서 학습완료된 신경망에 새로운 배터리의 데이터를 입력하여 새로운 배터리의 불량을 판정하는 방법을 나타낸 흐름도이다.
도 3을 참조하면, 배터리 셀 불량 진단 장치는 새로운 배터리의 3번의 충방전 사이클에 대한 화학조성, 전압, 전류, 및 온도 데이터를 앞서 도 1에서 학습완료된 신경망에 입력한다(S310).
배터리 셀 불량 진단 장치는 학습완료된 신경망을 통해 새로운 배터리의 불량 여부를 판정한다(S320).
도 4는 본 발명의 실시예에 따른 준지도학습 관련 신경망 기반의 배터리 셀 불량 진단 방법을 나타낸 흐름도이다. 준 지도 학습(Semi-Supervised Learning)이란 기계　학습(Machine Learning)의 한 범주로 목표값이 표시된 데이터와 표시되지 않은
도 4를 참조하면, 배터리 셀 불량 진단 장치는 복수 개의 제1 배터리를 제1 복수 회 충방전시 시계열적으로 측정한 전류, 전압 또는 온도 데이터 및 전류, 전압, 및 온도 데이터에 부가된 제1 라벨 데이터를 수집한다(S410).
배터리 셀 불량 진단 장치는 수집된 복수 개의 제1 배터리의 데이터를 인공지능 신경망에 입력하여 인공지능 신경망을 학습시킨다(S420).
배터리 셀 불량 진단 장치는 복수 개의 제2 배터리를 제1 복수 회보다 적은 제2 복수 회 충방전시 시계열적으로 측정한 전류, 전압 또는 온도 데이터를 수집한다(S430).
배터리 셀 불량 진단 장치는 수집된 복수 개의 제2 배터리의 데이터를 학습된 인공지능 신경망에 입력하여 복수 개의 제2 배터리의 데이터에 라벨을 부가함으로써 라벨링된 제2 라벨 데이터를 생성한다(S440).
배터리 셀 불량 진단 장치는 제2 라벨 데이터 중 소정의 조건을 만족하는 데이터를 제1 라벨 데이터에 추가하여 제1 라벨 데이터를 업데이트한다(S450). 즉, 배터리 셀 불량 진단 장치는 제2 라벨 데이터 중 신뢰도가 낮은 결과값을 버리고, 신뢰도가 높은 결과값을 제1 라벨 데이터에 추가한다.
배터리 셀 불량 진단 장치는 단계 S410 내지 단계 S450을 반복함으로써, 업데이트된 제1 라벨 데이터를 활용하여 배터리 셀 불량 진단 방법을 위한 인공지능 신경망을 학습시킨다.
전술한 방법은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(Firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로컨트롤러 및 마이크로프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
이하에서는, 본 발명의 실시예에 관한 배터리 셀 불량 진단 장치(500)에 대해서 자세히 설명하기로 한다.
도 5를 참조하면, 배터리 셀 불량 진단 장치(500)의 기능을 실현 가능한 하드웨어에 대해서 설명한다. 도 5는, 본 발명의 실시 형태에 관한 배터리 셀 불량 진단 장치의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도이다.
배터리 셀 불량 진단 장치(500)가 갖는 기능은, 예컨대, 도 5에 도시하는 하드웨어 자원을 이용하여 실현하는 것이 가능하다. 즉, 배터리 셀 불량 진단 장치(500)가 갖는 기능은, 컴퓨터 프로그램을 이용하여 도 5에 도시하는 하드웨어를 제어함으로써 실현된다.
도 5에 도시한 바와 같이, 이 하드웨어는, 주로, CPU(502), ROM(Read Only Memory)(504), RAM(506), 호스트 버스(508), 및 브리지(510)를 갖는다. 또한, 이 하드웨어는, 외부 버스(512), 인터페이스(514), 입력부(516), 출력부(518), 기억부(520), 드라이브(522), 접속 포트(524), 통신부(526), 충전기(528), 및 방전기(530)를 갖는다.
CPU(502)는, 예컨대, 연산 처리 장치 또는 제어 장치로서 기능하여, ROM(504), RAM(506), 기억부(520), 또는 리무버블 기록 매체(532)에 기록된 각종 프로그램에 기초하여 각 구성 요소의 동작 전반 또는 그 일부를 제어한다. ROM(504)은, CPU(502)에 판독되는 프로그램이나 연산에 이용하는 데이터 등을 저장하는 기억 장치의 일례이다. RAM(506)에는, 예컨대, CPU(502)에 판독되는 프로그램이나, 그 프로그램을 실행할 때 변화하는 각종 파라미터 등이 일시적 또는 영속적으로 저장된다.
이들 요소는, 예컨대, 고속의 데이터 전송이 가능한 호스트 버스(508)를 통해서 서로 접속된다. 한편, 호스트 버스(508)는, 예컨대, 브리지(510)를 통해서 비교적 데이터 전송 속도가 저속인 외부 버스(512)에 접속된다. 또한, 입력부(516)로서는, 예컨대, 마우스, 키보드, 터치 패널, 터치 패드, 버튼, 스위치, 및 레버 등이 이용된다. 또한, 입력부(516)로서는, 적외선이나 그 밖의 전파를 이용하여 제어 신호를 송신하는 것이 가능한 리모트 컨트롤러가 이용될 수 있다.
출력부(518)로서는, 예컨대, CRT(Cathode Ray Tube), LCD(Liquid Crystal Display), PDP(Plasma Display Panel), 또는 ELD(Electro-Luminescence Display) 등의 디스플레이 장치가 이용될 수 있다. 또한, 출력부(518)로서, 스피커나 헤드폰 등의 오디오 출력 장치, 또는 프린터 등이 이용될 수 있다.
기억부(520)는, 각종 데이터를 저장하기 위한 장치이다. 기억부(520)로서는, 예컨대, HDD 등의 자기 기억 디바이스가 이용된다. 또한, 기억부(520)로서, SSD(Solid State Drive)나 RAM 디스크 등의 반도체 기억 디바이스, 광기억 디바이스, 또는 광자기 기억 디바이스 등이 이용되어도 된다.
드라이브(522)는, 착탈 가능한 기록매체인 리무버블 기록 매체(532)에 기록된 정보를 판독하거나, 또는 리무버블 기록 매체(532)에 정보를 기록하는 장치이다. 리무버블 기록 매체(532)로서는, 예컨대, 자기 디스크, 광디스크, 광자기 디스크, 또는 반도체 메모리 등이 이용된다. 또한, 리무버블 기록 매체(532)에는, 배터리 셀 불량 진단 장치(500)의 동작을 규정하는 프로그램이 저장될 수 있다.
접속 포트(524)는, 예컨대, USB(Universal Serial Bus) 포트, IEEE 1394 포트, SCSI(Small Computer System Interface), RS-232C 포트, 또는 광오디오 단자 등, 외부 접속 기기(534)를 접속하기 위한 포트이다. 외부 접속 기기(534)로서는, 예컨대, 프린터 등이 이용된다.
통신부(526)는, 네트워크(536)에 접속하기 위한 통신 디바이스이다. 통신부(526)로서는, 예컨대, 유선 또는 무선 LAN용 통신 회로, WUSB(Wireless USB)용 통신 회로, 휴대 전화 네트워크용 통신 회로 등이 이용될 수 있다. 네트워크(536)는, 예컨대, 유선 또는 무선에 의해 접속된 네트워크이다.
충전기(528)는 입력되는 교류전원을 직류전원으로 변환하고, 변환된 직류전원을 직렬 연결된 복수 개의 배터리에 공급하여 충전한다. 충전기(528)는 CPU(502)의 제어에 의해 입력받은 화학조성에 맞게 충전 스케쥴이 자동 설정될 수 있다.
방전기(530)는 충전된 복수 개의 배터리의 충전전압을 부하로 공급하여 방전한다. 방전기(530)는 CPU(502)의 제어에 의해 입력받은 화학조성에 맞게 방전 스케쥴이 자동 설정될 수 있다.
이상, 배터리 셀 불량 진단 장치(500)의 하드웨어에 대해서 설명하였다. 또한, 상술한 하드웨어는 일례이며, 일부의 요소를 생략하는 변형이나, 새로운 요소를 추가하는 변형 등이 가능하다. 예를 들어, 배터리 셀 불량 진단 장치(500)는 배터리 생산 공장에서 사용할 수 있는 장치 리튬배터리 셀 불량 검진 장비로 활용될 수 있다.
이어서, 도 6을 참조하면서, 배터리 셀 불량 진단 장치(500)의 기능에 대해서 설명한다. 도 6은, 본 발명의 실시 형태에 관한 배터리 셀 불량 진단 장치가 갖는 기능의 일례를 도시한 블록도이다.
도 6에 도시한 바와 같이, 배터리 셀 불량 진단 장치(500)는, 기억부(610), 배터리 데이터 수집부(620), 및 배터리 불량 예측부(630)를 포함할 수 있다.
또한, 기억부(610)의 기능은, 상술한 RAM(506)이나 기억부(520) 등을 이용하여 실현된다. 배터리 데이터 수집부(620)의 기능은, 상술한 통신부(526) 등을 이용하여 실현할 수 있다. 배터리 불량 예측부(630)의 기능은, 상술한 CPU(502) 등을 이용하여 실현할 수 있다.
기억부(610)는 화학조성, 전압, 전류, 및 온도 데이터 등을 포함하는 데이터를 저장한다.
배터리 데이터 수집부(620)는 소정의 사이클 수만큼 배터리를 충방전하면서, 각 사이클 별, 나아가 각 사이클의 소정의 시간 간격으로 나누어져 출력되는 데이터를 수집하여 기억부(610)에 저장한다. 여기서, 본 발명의 실시예에서 소정의 사이클 수는 3으로 한정되나, 이에 한정되는 것은 아니며, 3 이상의 수로 설정될 수도 있다.
배터리 불량 예측부(630)는 기억부(610)에 저장된 데이터들을 신경망에 입력하고, 신경망을 통해 수집된 데이터들을 클러스터링하며, 주 클러스터에서 벗어난 배터리를 불량으로 예측한다. 구체적으로는, 배터리 불량 예측부(630)는 앞 부분의 시계열적인 전압 및 온도 데이터에 기초하여 뒷 부분의 전압 및 온도 데이터를 유추하거나, 앞 부분의 시계열적인 전류 데이터에 기초하여 뒷 부분의 전압 및 온도 데이터를 유추한 후, 정상적인 배터리와는 다른 데이터 경향성을 보이는 불량 배터리의 데이터에 대해서는 잘 예측하지 못하는 원리를 이용하여, 뒷 부분의 데이터를 잘 예측하지 못하는 정도를 기준으로 불량 배터리를 검출한다.
또한, 배터리 불량 예측부(630)는 불량으로 판정된 배터리의 전류 데이터를 신경망에 입력하고, 신경망을 통해 전압 및 온도 데이터를 예측하며, 예측된 전압 및 온도 데이터를 실제 전압 및 온도 데이터와 각각 비교하여, 예측된 전압 및 온도 데이터와 실제 전압 및 온도 데이터 각각의 차이가 소정의 범위를 벗어난 경우, 불량으로 판정된 배터리를 최종으로 불량으로 판정할 수 있다.
또한, 배터리 불량 예측부(630)는 새로운 배터리의 3번의 충방전 사이클에 대한 화학조성, 전압, 전류, 및 온도 데이터를 앞서 학습완료된 신경망에 입력하고, 학습완료된 신경망을 통해 새로운 배터리의 불량 여부를 판정할 수 있다.
또한, 배터리 불량 예측부(630)는 복수 개의 제1 배터리를 제1 복수 회 충방전시 시계열적으로 측정한 전류, 전압 또는 온도 데이터 및 전류, 전압, 및 온도 데이터에 부가된 제1 라벨 데이터를 수집하고, 수집된 복수 개의 제1 배터리의 데이터를 인공지능 신경망에 입력하여 인공지능 신경망을 학습시킨다. 그리고, 배터리 불량 예측부(630)는 복수 개의 제2 배터리를 제1 복수 회보다 적은 제2 복수 회 충방전시 시계열적으로 측정한 전류, 전압 또는 온도 데이터를 수집하고, 수집된 복수 개의 제2 배터리의 데이터를 학습된 인공지능 신경망에 입력하여 복수 개의 제2 배터리의 데이터에 라벨을 부가함으로써 라벨링된 제2 라벨 데이터를 생성하며, 제2 라벨 데이터 중 소정의 조건을 만족하는 데이터를 제1 라벨 데이터에 추가하여 제1 라벨 데이터를 업데이트한다. 즉, 배터리 불량 예측부(630)는 제2 라벨 데이터 중 신뢰도가 낮은 결과값을 버리고, 신뢰도가 높은 결과값을 제1 라벨 데이터에 추가한다. 이처럼, 배터리 불량 예측부(630)는 제1 라벨 데이터를 수집하는 단계 내지 제1 라벨 데이터를 업데이트하는 단계를 반복함으로써, 업데이트된 제1 라벨 데이터를 활용하여 배터리 셀 불량 진단 방법을 위한 인공지능 신경망을 학습시킨다.
여기서, 배터리 불량 예측부(630)는 긴 시계열 데이터 간의 연관성을 분석하기 위해 확장된 합성곱 신경망(dilated Convolution Neural Network; 이하, 'dilated CNN')을 기본 구조로 사용하고, dilated CNN과 배치 정규화(Batch Normalization) 기술을 반복적으로 쌓아 전체 인공신경망을 구성할 수 있다. 또한, 배터리 불량 예측부(630)는 신경망의 후반부에는 긴 시계열 데이터의 차원을 줄이기 위해 1D-CNN(Convolution Neural Network)을 사용할 수 있다.
확장 콘볼루션(dilated convolution, a` trous convolution)은 원래 파형 요소(wavelet) 분해를 위해 발전된 콘볼루션의 유형이다. 예를 들어, [Holschneider, M.; Kronland-Martinet, R.; Morlet, J.; and Tchamitchian, Ph., A Real-Time Algorithm for Signal Analysis with the Help of the Wavelet Transform in Wavelets: Time-Frequency Methods and Phase Space, J.M. Combes et al., eds., pp. 286-297 (1987)]를 참조한다. 그러나 특히 복잡한 특징들을 얻기 위해 의미론적 분할(semantic segmentation)에 적용되었다. 예를 들어, [Yu, Fisher and Koltun, Vladlen, Multi-scale context aggregation by dilated convolutions, 2016 Int'l Conference on Learning Representations (ICLR) (hereinafter, "Yu et al. 2016")]를 참조한다.
풀링(pooling) 없이 콘볼루션 레이어들로 구성된 순수한 CNN에서, 특징 맵들은 입력에서 인접한 데이터들을 픽셀들을 콘볼루션하여 생성될 수 있기 때문에, 유닛의 수신 필드(receptive field)는 레이어별로 선형적으로만 성장할 수 있다. 수신 필드를 증가시키기 위한 실현 가능한 방법들은 더 큰 영역에서 입력 데이터들을 콘볼루션하는 것이다. 이는 종래의 콘볼루션을 위해 기존의 밀집 커널(dense kernel)을 사용하는 것 대신, 확장 콘볼루션에서 '확장 커널(dilation kernel)을 사용하는 것과 유사할 수 있다.
F는 이산 함수, K는 콘볼루션 커널, 및 확장 콘볼루션 *d는 아래의 수학식 1에 의해 정의된 바와 같이, 전형적인 콘볼루션의 일반화된 버전이라고 가정하면, 종래의 콘볼루션은 단순한 1-확장 콘볼루션일 수 있다(즉, d=1일 때). 여기서, d는 확장 계수(dilation factor)이다.
Figure pat00001
CNN에서 확장 콘볼루션을 적용하는 것의 한가지 이점은, 확장 버전은 더 큰 수신 필드를 갖는다는 점이다. 확장 콘볼루션 필터(dilated convolutional filter)는 오리지널 필터(original filter)를 업샘플링(upsampling)함으로써 얻을 수 있다. 즉, 오리지널 필터의 구성 요소(element) 사이에 0을 삽입함으로써 얻을 수 있다. 그러므로 설계에 의해 확장된 필터는 0 구성요소의 구조화된 패턴을 가질 수 있다. 0 요소가 무작위 패턴 및 위치를 갖는 가중치 프루닝(pruning)과 비교하면, 확장 필터는 0 가중치에 대한 구조화된 패턴을 가질 수 있고, 하드웨어(hardware)와 소프트웨어(software)에서의 계산 복잡도를 감소시키는 데 훨씬 더 유용할 수 있다. 특히, 본 발명과 같이 순차적으로 많은 값이 신경망에 입력되는 경우, 이런 확장 콘볼루션을 활용하여 계산 복잡도를 낮추지만 결과값의 정확도는 낮아지지 않는 효과를 발휘할 수 있다.
배치 정규화는 활성화함수의 활성화값 또는 출력값을 정규화(정규분포로 만든다)하는 작업을 말한다. 구체적으로는, 배치 정규화는 미니 배치의 데이터에서 각 특징별로 평균과 표준편차를 계산해서 정규화한다. 이러한 배치 정규화는 미니 배치 단위로 정규화하여 학습하기 때문에 인공 신경망 학습 중에 발생할 수 있는 내부 공변량 이동(Internal Covariate Shift)을 감소시킬 수 있다.
한편, 본 발명은 dilated CNN과 배치 정규화(Batch Normalization) 기술을 반복적으로 쌓아 전체 인공신경망을 구성하는 것에 한정되지 않고 다른 방법을 통해 인공신경망을 구성할 수 있다.
여러 개의 퍼셉트론 뉴런을 여러 층으로 쌓은 다층 퍼셉트론 (Multi-Layer-Perceptron) 혹은 1D 또는 2D CNN 혹은 유닛 간의 연결이　순환적 구조를 갖는 순환 신경망 (Recurrent neural network) 혹은 어텐션(Attention)만을 사용하여 인코더-디코더 구조를 만들어 학습 속도가 트랜스포머(Transformer architecture) 혹은 전반부는 CNN로 학습하고 후반부는 RNN로 학습하여 인공신경망을 구성하여도 무방하다. 다만, 본 발명과 같이 전반부 및 중반부에는 dilated CNN(Convolution Neural Network)을 사용하고, 후반부에는 1D-CNN(Convolution Neural Network)를 사용하여 신경망을 구성하는 것이 본 발명이 적용되는 배터리 불량 예측 분야에서 시간 효율 등 여러 측면에서 효율적일 수 있다.
도 7은 본 발명의 실시예에 따른 인공지능 모델 구조를 나타낸 도면이다.
인공지능 모델은 2500초 동안의 전류(I1), 전압(V1), 온도(T1)로 이루어진 3×2500 매트릭스를 입력받는다. 여기서, 인공지능 모델은 일반적으로 긴 샘플 길이에 대해서 샘플 포인트 간의 관계를 신속히 배울 수 있는 dilated CNN으로 구현될 수 있다. 이를 통해, 시계열적으로 입력되는 수많은 데이터를 신속하게 배울 수 있어 컴퓨터 계산량을 크게 줄일 수 있다.
인공지능 모델은 2500초(약 3 사이클)의 입력(전류(I1), 전압(V1), 온도(T1))을 수십만 개의 파라미터에 통과시켜서 배터리의 불량 여부를 출력한다.
도 7을 참조하면, 도면부호 700은 전류(I1), 전압(V1), 온도(T1)로 이루어진 벡터를 나타내며, 2500개가 존재한다. 이 벡터에 전류(I1), 전압(V1), 및 온도(T1)를 입력하여 배터리의 불량 여부가 출력된다.
이상에서 본 명세서에 개시된 실시예들을 첨부된 도면들을 참조로 설명하였다. 이와 같이 각 도면에 도시된 실시예들은 한정적으로 해석되면 아니되며, 본 명세서의 내용을 숙지한 당업자에 의해 서로 조합될 수 있고, 조합될 경우 일부 구성 요소들은 생략될 수도 있는 것으로 해석될 수 있다.
여기서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 본 명세서에 개시된 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 명세서에 개시된 실시예에 불과할 뿐이고, 본 명세서에 개시된 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
610: 기억부 620: 배터리 데이터 수집부
630: 배터리 불량 예측부

Claims (10)

  1. 배터리 셀 불량 예측을 위한 배터리 셀 불량 진단 장치에서 신경망(Neural Network) 기반의 자기지도 학습을 통한 배터리 셀 불량 진단 방법에 있어서,
    상기 배터리 셀 불량 진단 장치가, 복수 개의 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간 간격별로 측정되는 화학조성, 전류, 전압, 및 온도 데이터 중 적어도 하나를 포함하는 데이터를 수집하는 단계;
    상기 배터리 셀 불량 진단 장치가, 상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습시키는 단계; 및
    상기 배터리 셀 불량 진단 장치가, 상기 신경망의 주 클러스터에서 벗어난 배터리를 불량으로 예측하는 단계;
    를 포함하는 신경망 기반의 배터리 셀 불량 진단 방법.
  2. 제1항에 있어서,
    상기 배터리 셀 불량 진단 장치가, 불량으로 판정된 배터리의 전류 데이터를 상기 신경망에 입력하여 전압 및 온도 데이터를 예측하는 단계;
    상기 배터리 셀 불량 진단 장치가, 예측된 전압 및 온도 데이터를 실제 전압 및 온도 데이터와 각각 비교하는 단계;
    상기 배터리 셀 불량 진단 장치가, 예측된 전압 및 온도 데이터와 실제 전압 및 온도 데이터 각각의 차이가 소정의 범위 내에 있는 경우, 상기 불량으로 판정된 배터리를 정상으로 판정하는 단계; 및
    상기 배터리 셀 불량 진단 장치가, 예측된 전압 및 온도 데이터와 실제 전압 및 온도 데이터 각각의 차이가 상기 소정의 범위를 벗어난 경우, 상기 불량으로 판정된 배터리를 불량으로 판정하는 단계;
    를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 셀 불량 진단 방법.
  3. 제1항에 있어서,
    상기 배터리 셀 불량 진단 장치가, 새로운 배터리의 3번의 충방전 사이클에 대한 화학조성, 전압, 전류, 및 온도 데이터를 상기 신경망에 입력하는 단계; 및
    상기 배터리 셀 불량 진단 장치가, 상기 신경망을 통해 상기 새로운 배터리의 불량 여부를 판정하는 단계;
    를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 셀 불량 진단 방법.
  4. 제1항에 있어서,
    상기 배터리 셀 불량 진단 장치가, 앞 부분의 시계열적인 전압 및 온도 데이터에 기초하여 뒷 부분의 전압 및 온도 데이터를 유추하는 단계;
    를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 셀 불량 진단 방법.
  5. 제1항에 있어서,
    상기 배터리 셀 불량 진단 장치가, 앞 부분의 시계열적인 전류 데이터에 기초하여 뒷 부분의 전압 및 온도 데이터를 유추하는 단계;
    를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 셀 불량 진단 방법.
  6. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 배터리 셀 불량 진단 장치가, 상기 자기지도 학습을 통해 학습된 신경망에 배터리에 대한 정상 또는 불량을 나타내는 라벨(Label)을 포함하는 데이터를 통해 학습된 신경망을 합하여 이루어진 신경망을 통해 배터리 셀의 불량을 진단하는 단계;
    를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 셀 불량 진단 방법.
  7. 배터리 셀 불량 진단 장치가, 복수 개의 제1 배터리를 제1 복수 회 충방전시 시계열적으로 측정한 전류, 전압 또는 온도 데이터 및 상기 전류, 전압, 및 온도 데이터에 부가된 제1 라벨 데이터를 활용하여 배터리 셀 불량 진단 방법을 위한 인공지능 신경망을 학습시키는 단계;
    상기 배터리 셀 불량 진단 장치가, 상기 학습된 인공지능 신경망을 이용하여 복수 개의 제2 배터리를 상기 제1 복수 회보다 적은 제2 복수 회 충방전시 시계열적으로 측정한 전류, 전압 및 온도 데이터에 라벨을 부가하여 라벨링된 제2 라벨 데이터를 생성하는 단계;
    상기 배터리 셀 불량 진단 장치가, 상기 제2 라벨 데이터 중 소정의 조건을 만족하는 데이터를 상기 제1 라벨 데이터에 추가하여 상기 제1 라벨 데이터를 업데이트하는 단계; 및
    상기 배터리 셀 불량 진단 장치가, 업데이트된 제1 라벨 데이터를 활용하여 배터리 셀 불량 진단 방법을 위한 상기 인공지능 신경망을 학습시키는 단계;
    를 포함하는 신경망 기반의 배터리 셀 불량 진단 방법.
  8. 하나 이상의 인스트럭션들(Instructions)을 저장하는 메모리; 및
    상기 저장된 하나 이상의 인스터럭션들을 실행함으로써,
    복수 개의 배터리를 충방전하면서, 각 충방전 사이클 내 소정의 시간 간격별로 측정되는 화학조성, 전류, 전압, 및 온도 데이터 중 적어도 하나를 포함하는 데이터를 입력받아 상기 복수 개의 배터리의 불량을 예측하는 신경망을 구성하는 하나 이상의 프로세서;
    를 포함하는 배터리 셀 불량 진단 장치.
  9. 제8항에 있어서,
    상기 복수 개의 배터리를 충전하는 충전기; 및
    상기 복수 개의 배터리를 방전하는 방전기;
    를 더 포함하고,
    상기 하나 이상의 프로세서는 상기 입력받은 화학조성에 맞게 상기 충전기의 충전 스케쥴을 자동 설정하고, 상기 입력받은 화학조성에 맞게 상기 방전기의 방전 스케쥴을 자동 설정하는 것을 특징으로 하는 배터리 셀 불량 진단 장치.
  10. 제8항에 있어서,
    상기 하나 이상의 프로세서는 상기 복수 개의 배터리 중에 불량으로 판정된 배터리의 데이터에 라벨을 부여하고, 상기 라벨이 부여된 데이터를 상기 신경망에 입력하여 상기 신경망을 학습시키는 것을 특징으로 하는 배터리 셀 불량 진단 장치.
KR1020200102195A 2020-08-14 2020-08-14 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 KR102439041B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020200102195A KR102439041B1 (ko) 2020-08-14 2020-08-14 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
PCT/KR2020/017218 WO2022034983A1 (ko) 2020-08-14 2020-11-30 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
EP20949612.4A EP4198531A1 (en) 2020-08-14 2020-11-30 Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network
US17/120,094 US11830991B2 (en) 2020-08-14 2020-12-11 Method and apparatus based on neural network for pre-diagnosing defect and fire in battery cell

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200102195A KR102439041B1 (ko) 2020-08-14 2020-08-14 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220021973A true KR20220021973A (ko) 2022-02-23
KR102439041B1 KR102439041B1 (ko) 2022-09-02

Family

ID=80223288

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200102195A KR102439041B1 (ko) 2020-08-14 2020-08-14 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치

Country Status (4)

Country Link
US (1) US11830991B2 (ko)
EP (1) EP4198531A1 (ko)
KR (1) KR102439041B1 (ko)
WO (1) WO2022034983A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102583439B1 (ko) * 2023-07-13 2023-09-27 주식회사 에스비알테크놀로지 배터리팩 구동을 위한 회로
WO2023191283A1 (ko) * 2022-03-30 2023-10-05 주식회사 엘지에너지솔루션 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2019235645A1 (ja) * 2018-06-08 2021-06-17 パナソニックＩｐマネジメント株式会社 バッテリ管理システム及びバッテリ管理方法
CN114663335A (zh) * 2020-12-22 2022-06-24 富泰华工业（深圳）有限公司 图像瑕疵检测方法、装置、电子设备及介质
CN114639881B (zh) * 2022-02-22 2024-04-12 重庆工商大学 一种深度学习的锂离子电池热失控预警方法
CN114689122B (zh) * 2022-03-31 2023-11-10 国网北京市电力公司 一种设备故障监测方法、装置、设备及介质
WO2023194833A1 (en) * 2022-04-08 2023-10-12 Ses Holdings Pte. Ltd. Methods of operating electrochemical storage devices based on anomaly clustering, and software and systems including same
SE2250802A1 (en) * 2022-06-29 2023-12-30 Northvolt Systems Ab Method for identifying battery groups having one or more defective cells or cell connections
BE1030866B1 (de) * 2022-09-09 2024-04-09 volytica diagnostics GmbH Computerprogramm und Verfahren zur Analyse von Inhomogenitäten sowie Anomaliedetektion und -vorhersage von elektrischen Energiespeichern
CN116383737B (zh) * 2023-06-05 2023-08-11 四川大学 基于聚类对比学习的旋转机械故障诊断方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090020362A (ko) * 2007-08-23 2009-02-26 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
KR101551062B1 (ko) 2014-02-18 2015-09-07 현대자동차주식회사 배터리 셀 불량 진단 장치 및 방법
KR101745167B1 (ko) 2015-11-03 2017-06-09 현대오트론 주식회사 불량 배터리 셀 검출 방법 및 이를 실행하는 시스템
JP2017123245A (ja) * 2016-01-06 2017-07-13 トヨタ自動車株式会社 電動車両の電池システム
KR20170085365A (ko) * 2016-01-14 2017-07-24 삼성전자주식회사 배터리의 상태 추정 장치 및 방법
US20190187212A1 (en) * 2016-11-21 2019-06-20 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
KR20190100114A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 배터리 장치 및 그 제어 방법

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3670522B2 (ja) * 1999-07-30 2005-07-13 富士通株式会社 バッテリパック
DE60331195D1 (de) 2002-06-12 2010-03-25 Sony Corp Batteriepack und verfahren zur berechnung der verbleibenden batteriekapazität
CA2550072C (en) 2003-12-18 2011-04-19 Lg Chem, Ltd. Apparatus and method for estimating state of charge of battery using neural network
KR100793616B1 (ko) * 2005-06-13 2008-01-10 주식회사 엘지화학 배터리 잔존량 추정 장치 및 방법
EP2474833B1 (en) * 2009-09-03 2015-09-02 Toyota Jidosha Kabushiki Kaisha Assembled battery state-of-charge detecting device and state-of-charge detecting method
KR101863036B1 (ko) 2011-11-30 2018-06-01 주식회사 실리콘웍스 배터리 잔존전하량 추정방법 및 배터리 관리시스템
KR101423961B1 (ko) 2012-05-23 2014-07-31 주식회사 피엠그로우 배터리팩의 배터리 유닛 교체 시스템 및 방법
KR101413957B1 (ko) 2012-09-07 2014-07-01 안창덕 배터리 관리 장치
US20140278169A1 (en) * 2013-03-12 2014-09-18 Samsung Sdi Co., Ltd. Apparatus for predicting state of health of battery pack by using discrete wavelet transform
KR101588573B1 (ko) 2014-05-19 2016-01-26 주식회사 유비넷시스 단위 배터리셀 및 이를 포함하는 배터리셀 조립구조체
KR102358209B1 (ko) 2014-11-13 2022-02-03 현대모비스 주식회사 탈부착이 가능한 셀탭 커넥터
KR102381778B1 (ko) 2015-02-16 2022-04-01 삼성에스디아이 주식회사 배터리 팩
KR101805514B1 (ko) 2015-11-20 2017-12-07 한국과학기술원 배터리의 동적 엔트로피 추정 방법
KR101839976B1 (ko) 2016-07-14 2018-04-27 주식회사 피플웍스 전동용 골프카트의 회생 제동 전류의 제어 장치
US10950902B2 (en) 2018-01-19 2021-03-16 Myeong-Eun Hwang Battery management system and battery cell array
US11131713B2 (en) * 2018-02-21 2021-09-28 Nec Corporation Deep learning approach for battery aging model
KR102106775B1 (ko) * 2018-08-14 2020-05-06 오토시맨틱스 주식회사 딥러닝을 이용한 전지 진단 방법
KR20200061704A (ko) * 2018-11-26 2020-06-03 현대자동차주식회사 차량의 배터리 불량 개선 시스템 및 그 방법
KR20210007245A (ko) * 2019-07-10 2021-01-20 주식회사 엘지화학 배터리 팩의 결함 검출 장치 및 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090020362A (ko) * 2007-08-23 2009-02-26 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
KR101551062B1 (ko) 2014-02-18 2015-09-07 현대자동차주식회사 배터리 셀 불량 진단 장치 및 방법
KR101745167B1 (ko) 2015-11-03 2017-06-09 현대오트론 주식회사 불량 배터리 셀 검출 방법 및 이를 실행하는 시스템
JP2017123245A (ja) * 2016-01-06 2017-07-13 トヨタ自動車株式会社 電動車両の電池システム
KR20170085365A (ko) * 2016-01-14 2017-07-24 삼성전자주식회사 배터리의 상태 추정 장치 및 방법
US20190187212A1 (en) * 2016-11-21 2019-06-20 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
KR20190100114A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 배터리 장치 및 그 제어 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023191283A1 (ko) * 2022-03-30 2023-10-05 주식회사 엘지에너지솔루션 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템
KR102583439B1 (ko) * 2023-07-13 2023-09-27 주식회사 에스비알테크놀로지 배터리팩 구동을 위한 회로

Also Published As

Publication number Publication date
EP4198531A1 (en) 2023-06-21
US11830991B2 (en) 2023-11-28
KR102439041B1 (ko) 2022-09-02
US20220052389A1 (en) 2022-02-17
WO2022034983A1 (ko) 2022-02-17

Similar Documents

Publication Publication Date Title
KR102439041B1 (ko) 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
KR102362532B1 (ko) 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치
Sui et al. A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery
Li et al. Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology
Ji et al. An RUL prediction approach for lithium-ion battery based on SADE-MESN
CN111680848A (zh) 基于预测模型融合的电池寿命预测方法及存储介质
Ma et al. A two-stage integrated method for early prediction of remaining useful life of lithium-ion batteries
Zheng et al. State of health estimation for lithium battery random charging process based on CNN-GRU method
CN112380773A (zh) 一种基于迁移学习的燃料电池退化预测方法、装置、设备
WO2023226355A1 (zh) 基于多源感知的双向锂离子电池故障检测方法及系统
CN113392749A (zh) 一种基于gaf-vgg的滚动轴承故障诊断方法及装置
Sun et al. A novel fault prediction method based on convolutional neural network and long short-term memory with correlation coefficient for lithium-ion battery
CN117031310A (zh) 一种电动汽车动力电池剩余使用寿命预测方法
Dong et al. Data-driven predictive prognostic model for power batteries based on machine learning
Shen et al. Transfer learning-based state of charge and state of health estimation for Li-ion batteries: A review
Ansari et al. Jellyfish optimized recurrent neural network for state of health estimation of lithium-ion batteries
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
KR20230142121A (ko) 신경망 기반의 배터리 사용량 예측 방법 및 장치
Mehta et al. A Comprehensive study of Machine Learning Techniques used for estimating State of Charge for Li-ion Battery
KR20230166196A (ko) 배터리 상태 진단을 위한 배터리 데이터 전처리 방법 및 시스템, 그리고 배터리 상태 예측 시스템
Mehta et al. Optimized ANN for LiFePO4 Battery Charge Estimation using Principal Components based Feature Generation
Basia et al. Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries
Guan et al. Research on the method of remaining useful life prediction of lithium-ion battery based on LSTM
Zequera et al. Data Science-based Techniques for Modelling and Diagnostics of Battery Cells Based on End-of-Life criteria
Cai et al. DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL for Lithium-Ion Batteries

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant