KR20230006855A - 배터리 감지 방법 및 장치 - Google Patents

Abstract

배터리 감지 방법 및 장치가 제공된다. 방법은, 배터리의 제1 배터리 상태 파라미터를 획득하는 단계(S510)와, 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하는 단계(S520)와, 제1 고장 정도를 포함하는 제1 메시지를 송신하는 단계(S530)를 포함한다. 트레이닝을 통해 획득한 고장 모델을 포함하는 서비스 시스템에 배터리의 상태 파라미터를 입력하여 고장 정도를 획득하고, 고장 정도를 차량 탑재 디바이스 및/또는 단말 디바이스로 송신하여 배터리의 고장 위험을 정확하게 평가할 수 있으며 배터리 고장으로 인한 손실을 줄일 수 있다.

Description

배터리 감지 방법 및 장치

본 출원은 배터리 기술 분야에 관한 것으로, 보다 상세하게는 배터리 감지 방법 및 장치, 그리고 칩 시스템에 관한 것이다.

전기 자동차의 광범위한 응용에 따라 리튬이온 전력 배터리의 안전 사고가 빈번하게 발생하고 있다. 리튬이온 전력 배터리의 안전 사고는 대체로 열폭주를 핵심으로 하여, 일반적으로 급격한 온도 상승, 연기, 화재 및 심지어 폭발까지를 특징으로 한다. 전기 자동차의 리튬이온 전력 배터리의 안전 사고는 인명과 재산의 안전을 위협하고, 전기 자동차의 대규모 산업화 응용을 심각하게 저해한다.

전력 배터리의 열폭주는 순간적인 과정이 아니라 점진적인 과정이다. 만약 배터리 고장을 조기에 감지할 수 있고 사전 예방 조치를 취할 수 있거나 차량 소유자에게 가능한 한 빨리 차량을 수리하도록 경고하면, 열폭주로 인한 인명 피해와 재산 손실을 피할 수 있다. 따라서 어떻게 배터리 고장 정도를 정확하게 평가하고 대책을 마련할 것인지는 시급한 과제이다.

본 출원은 배터리 감지 방법 및 장치를 제공한다. 트레이닝을 통해 획득한 고장 모델을 포함하는 서비스 시스템에 배터리의 상태 파라미터를 입력하여 고장 정도를 획득하고, 고장 정도를 차량 탑재 디바이스 및/또는 단말 디바이스로 송신하여 배터리의 고장 위험을 정확하게 평가할 수 있으며, 배터리 고장으로 인한 손실을 줄일 수 있다.

제1 양태에 따르면, 배터리 감지 방법이 제공된다. 방법은, 배터리의 제1 배터리 상태 파라미터를 획득하는 단계와, 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하는 단계 - 제1 고장 정도는 배터리의 고장 정도이자 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함함 - 와, 제1 고장 정도를 포함하는 제1 메시지를 송신하는 단계를 포함한다.

배터리 상태 파라미터는 트레이닝을 통해 획득한 고장 모델을 포함하는 서비스 시스템에 입력되어 고장 정도를 획득하고, 고장 정도를 차량 탑재 디바이스 및/또는 단말 디바이스로 송신하여 배터리의 고장 위험을 정확하게 평가할 수 있도록 하며, 배터리 고장으로 인한 손실을 줄일 수 있다.

제1 양태를 참조하면, 제1 양태의 일부 구현에서, 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하는 단계는 구체적으로, 제1 배터리 상태 파라미터에 포함된 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터에 기초하여 배터리 내부 저항을 결정하는 단계 - 배터리 내부 저항은 제1 고장 정도를 결정하는 데 사용됨 - 를 포함한다.

고장 모델에 배터리 내부 저항을 포함하는 다차원 배터리 상태 파라미터를 입력하고 고장 정도를 획득함으로써 배터리 고장 감지의 정확도를 높일 수 있다.

제1 양태를 참조하면, 제1 양태의 일부 구현에서, 제1 고장 정도가 미리 설정된 제1 임계치 이상일 때 제2 메시지가 송신되고, 여기서 제2 메시지는 배터리에 고장 위험이 있음을 나타내기 위해 사용된다.

배터리 고장 정도가 미리 설정된 임계치보다 크면, 예를 들어 사용자에게 경고하거나 차량에 강제(coerceive) 조치를 취하도록 지시하기 위해 배터리가 고장 위험이 있음을 사용자에게 상기시키기 위한 메시지가 송신됨으로써, 배터리 고장으로 인한 인명 피해 및 재산 손실을 줄일 수 있다.

제1 양태를 참조하면, 제1 양태의 일부 구현에서, 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하기 전에, 방법은 또한 제3 메시지를 수신하는 단계를 포함하며, 여기서 제3 메시지는 배터리를 감지하도록 요청하기 위해 사용된다.

요청 메시지를 수신하고 배터리를 감지함으로써 사용자 경험을 향상시킬 수 있고, 언제든지 배터리를 감지하고자 하는 사용자의 요구를 만족시킬 수 있다.

제1 양태를 참조하면, 제1 양태의 일부 구현에서, 제1 메시지를 송신하는 단계는 구체적으로 제1 배터리 상태 파라미터가 획득된 후 제1 미리 설정된 시간 내에 제1 메시지를 송신하는 단계를 포함한다.

미리 설정된 시간, 예를 들어 특정 시간 간격에 기초하여 배터리를 감지하고 감지 결과를 송신함으로써 주기적으로 배터리를 감지하는 효과를 얻을 수 있다. 이는 사용자 경험을 더욱 향상시킨다.

제1 양태를 참조하면, 제1 양태의 일부 구현에서, 방법은 또한, 제2 배터리 상태 파라미터를 원본 모델(original model)에 입력하여 제3 고장 정도를 획득하는 단계와, 제3 고장 정도와 제2 고장 정도 사이의 편차가 미리 설정된 범위 내에 있도록 원본 모델의 파라미터를 조정하는 단계와, 조정을 거친 원본 모델을 고장 모델로 사용하는 단계를 포함한다.

원본 모델을 사용하여 고장 모델을 조정하는 것은 고장 모델의 정확도를 효과적으로 향상시킬 수 있으며 배터리 감지의 정확도를 더욱 향상시킬 수 있다.

제2 양태에 따르면, 배터리 감지 방법이 제공되며, 여기서 방법은, 제1 메시지를 송신하는 단계 - 제1 메시지는 배터리를 감지하도록 요청하는 데 사용됨 - 와, 제2 메시지를 수신하는 단계 - 제2 메시지는 제1 고장 정도를 포함하고, 제1 고장 정도는 배터리의 고장 정도이자 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함함 - 를 포함한다.

서비스 시스템에 배터리를 감지하도록 요청하는 데 사용되는 요청 메시지를 송신하여 고장 모델에 기초하여 고장 정도를 획득함으로써, 배터리 고장 위험을 정확히 파악할 수 있고 배터리 열폭주로 인한 손실을 줄일 수 있다. 선택적으로, 제1 메시지는 차량 탑재 디바이스, 단말 디바이스, 단말 디바이스 내의 애플리케이션(APP) 등에 의해 송신될 수 있다.

제2 양태를 참조하면, 제2 양태의 일부 구현에서, 제3 메시지가 수신되고, 여기서 제3 메시지는 배터리가 고장 위험이 있음을 나타내는 데 사용되며, 제3 메시지는 제1 고장 정도가 제1 임계치 이상일 때 서비스 시스템 또는 단말 디바이스에 의해 송신된다.

배터리의 고장 정도가 임계치를 초과할 경우 송신된 경고 메시지 또는 알림 메시지가 수신되어, 예컨대 수리 또는 교체 등의 조치가 사전에 배터리에 대해 취해질 수 있도록 할 수 있고, 배터리 고장으로 인한 인명 피해 및 재산 손실을 줄일 수 있다.

제2 양태를 참조하면, 제2 양태의 일부 구현에서, 방법은 제3 메시지에 기초하여 강제 조치를 취하는 단계를 더 포함한다.

서비스 시스템에 의해 송신된 메시지에 기초하여 감속 및 주차와 같은 강제 조치를 취하는 것은 배터리 고장으로 인한 인명 피해 및 재산 손실을 효과적으로 줄일 수 있다.

제2 양태를 참조하면, 제2 양태의 일부 구현에서, 방법은 디스플레이 장치를 사용하여 제2 메시지 및/또는 제3 메시지를 디스플레이하는 단계를 더 포함한다.

서비스 시스템에 의해 송신된 메시지를 디스플레이함으로써 사용자 경험이 향상될 수 있다.

제2 양태를 참조하면, 제2 양태의 일부 구현에서, 방법은 제1 배터리 상태 파라미터를 서비스 시스템으로 송신하는 단계를 더 포함하고, 여기서 제1 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함한다.

제3 양태에 따르면, 배터리 감지 장치가 제공되며, 여기서 장치는, 배터리의 제1 배터리 상태 파라미터를 획득하도록 구성된 제1 획득 모듈과, 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하도록 구성된 제1 처리 모듈 - 제1 고장 정도는 배터리의 고장 정도이자 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함함 - 과, 제1 고장 정도를 포함하는 제1 메시지를 송신하도록 구성된 제1 송신 모듈을 포함한다.

제3 양태를 참조하면, 제3 양태의 일부 구현에서, 처리 모듈은 구체적으로 제1 배터리 상태 파라미터에 포함된 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터에 기초하여 배터리 내부 저항을 결정하도록 구성되고, 여기서 배터리 내부 저항은 제1 고장 정도를 결정하는 데 사용된다.

제3 양태를 참조하면, 제3 양태의 일부 구현에서, 제1 송신 모듈은 제1 고장 정도가 미리 설정된 제1 임계치 이상일 때 제2 메시지를 송신하도록 더 구성되며, 여기서 제2 메시지는 배터리에 고장 위험이 있음을 나타내는 데 사용된다.

제3 양태를 참조하면, 제3 양태의 일부 구현에서, 장치는 제3 메시지를 수신하도록 구성된 제1 수신 모듈을 더 포함하고, 여기서 제3 메시지는 배터리를 감지하도록 요청하는 데 사용된다.

제3 양태를 참조하면, 제3 양태의 일부 구현에서, 제1 송신 모듈은 구체적으로 제1 배터리 상태 파라미터가 획득된 후 제1 미리 설정된 시간 내에 제1 메시지를 송신하도록 구성된다.

제3 양태를 참조하면, 제3 양태의 일부 구현에서, 제1 처리 모듈은 또한, 제2 배터리 상태 파라미터를 원본 모델에 입력하여 제3 고장 정도를 획득하고, 제3 고장 정도와 제2 고장 정도 사이의 편차가 미리 설정된 범위 내에 있도록 원본 모델의 파라미터를 조정하고, 조정을 거친 원본 모델을 고장 모델로 사용하도록 구성된다.

제4 양태에 따르면, 배터리 감지 장치가 제공된다. 장치는, 제1 메시지를 송신하도록 구성된 제2 송신 모듈 - 제1 메시지는 배터리를 감지하도록 요청하는 데 사용됨 - 과, 제2 메시지를 수신하도록 구성된 제2 수신 모듈 - 제2 메시지는 제1 고장 정도를 포함하고, 제1 고장 정도는 배터리의 고장 정도이자 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함함 - 을 포함한다.

제4 양태를 참조하면, 제4 양태의 일부 구현에서, 제2 수신 모듈은 또한 제3 메시지를 수신하도록 구성되며, 여기서 제3 메시지는 배터리가 고장 위험이 있음을 나타내는 데 사용되며, 제3 메시지는 제1 고장 정도가 제1 임계치 이상일 때 서비스 시스템 또는 단말 디바이스에 의해 송신된다.

제4 양태를 참조하면, 제4 양태의 일부 구현에서, 장치는 또한 제3 메시지에 기초하여 강제 액션을 취하도록 구성된 제2 처리 모듈을 포함한다.

제4 양태를 참조하면, 제4 양태의 일부 구현에서, 장치는 디스플레이 장치를 사용하여 제2 메시지 및/또는 제3 메시지를 디스플레이하도록 구성된 디스플레이 모듈을 더 포함한다.

제4 양태를 참조하면, 제4 양태의 일부 구현에서, 제2 송신 모듈은 제1 배터리 상태 파라미터를 송신하도록 더 구성되며, 여기서 제1 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함한다.

제5 양태에 따르면, 컴퓨터 프로그램을 포함하는 컴퓨터 판독가능 저장 매체가 제공된다. 컴퓨터 프로그램이 컴퓨터 디바이스 상에서 실행될 때, 컴퓨터 디바이스 내의 처리 유닛은 제1 양태 또는 제1 양태의 가능한 구현 중 어느 하나의 방법을 수행하도록 인에이블링된다.

제6 양태에 따르면, 컴퓨터 프로그램을 포함하는 컴퓨터 판독가능 저장 매체가 제공된다. 컴퓨터 프로그램이 컴퓨터 디바이스 상에서 실행될 때, 컴퓨터 디바이스 내의 처리 유닛은 제2 양태 또는 제2 양태의 가능한 구현 중 어느 하나의 방법을 수행하도록 인에이블링된다.

제7 양태에 따르면, 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품이 제공된다. 컴퓨터 프로그램이 컴퓨터 디바이스 상에서 실행될 때, 컴퓨터 디바이스 내의 처리 유닛은 제1 양태 또는 제1 양태의 가능한 구현 중 어느 하나에 따른 방법을 수행하도록 인에이블링된다.

제8 양태에 따르면, 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품이 제공된다. 컴퓨터 프로그램이 컴퓨터 디바이스 상에서 실행될 때, 컴퓨터 디바이스 내의 처리 유닛은 제2 양태 또는 제2 양태의 가능한 구현 중 어느 하나에 따른 방법을 수행하도록 인에이블링된다.

제9 양태에 따르면, 프로세서와 메모리를 포함하는 칩이 제공되고, 메모리는 컴퓨터 프로그램을 저장하도록 구성되며, 프로세서는 메모리에 저장된 컴퓨터 프로그램을 호출하고 실행하도록 구성되어, 제1 양태 또는 제1 양태의 가능한 구현 중 어느 하나의 방법을 수행한다.

제10 양태에 따르면, 프로세서와 메모리를 포함하는 칩이 제공되고, 메모리는 컴퓨터 프로그램을 저장하도록 구성되며, 프로세서는 메모리에 저장된 컴퓨터 프로그램을 호출하고 실행하도록 구성되어, 제2 양태 또는 제2 양태의 가능한 구현 중 어느 하나의 방법을 수행한다.

제11 양태에 따르면, 칩 시스템이 제공된다. 칩 시스템은 적어도 하나의 프로세서를 포함하고, 프로그램 명령어가 적어도 하나의 프로세서에서 실행될 때 적어도 하나의 프로세서는 전술한 배터리 감지 방법을 수행하도록 인에이블링된다.

도 1은 종래 기술의 배터리 감지 방법의 개략도이다.
도 2는 본 출원의 실시예에 따른 시스템 아키텍처 구조의 개략도이다.
도 3은 본 출원의 실시예에 따른 컨볼루션 신경망(convolutional neural network) 모델에 기초한 배터리 감지를 수행하는 개략도이다.
도 4는 본 출원의 실시예에 따른 칩의 하드웨어 구조의 개략도이다.
도 5는 본 출원의 실시예에 따른 배터리 감지 방법의 개략도이다.
도 6은 본 출원의 실시예에 따른 다른 배터리 감지 방법의 개략도이다.
도 7은 본 출원의 실시예에 따른 배터리 고장 감지 원리의 개략도이다.
도 8은 본 출원의 실시예에 따른 시스템 아키텍처의 개략도이다.
도 9는 본 출원의 실시예에 따른 모듈들 간의 상호 작용의 개략도이다.
도 10은 본 출원의 실시예에 따른 배터리 감지 장치의 개략도이다.
도 11은 본 출원의 실시예에 따른 다른 배터리 감지 장치의 개략도이다.

아래에서는 첨부된 도면을 참조하여 본 출원의 기술적 해결책을 설명한다.

본 출원의 실시예는 전기 자동차의 배터리 고장 감지에 사용될 수 있거나, 전기 자전거와 같은 전력 배터리에 의해 구동되는 다양한 물체의 배터리 고장 감지에 사용될 수 있다.

배터리의 내부 단락의 정도를 판단하고 배터리의 열폭주로 인한 손실을 줄이기 위해, 종래 기술은 전압에 기초하여 배터리의 내부 단락을 감지하는 방법을 제공한다. 도 1에 도시된 바와 같이, 그러한 방법에서, 배터리 관리 시스템(battery management system, BMS)은 배터리 팩 내의 각 배터리의 단자 전압을 수집하고 단자 전압을 평균 전압과 비교한다. 단자 전압과 평균 전압 사이의 편차가 안전 임계치보다 클 때, 배터리는 안전 위험을 갖는다고 판정된다. 종래 기술에서의 전압을 사용하여 배터리를 감지하기 위한 방법에서, 최소자승법(least square method)은 필요하지 않으며, 이는 하드웨어 디바이스에 대한 배터리 감지 방법의 요구사항을 감소시킨다.

그러나 이 방법에서 배터리의 단자 전압은 배터리 내부 저항과 관련될 뿐만 아니라 그 외 다양한 요인에 의해 쉽게 영향을 받는다. 결과적으로, 이 방법의 정확도는 상대적으로 낮고 오판이 쉽게 발생한다.

본 출원은 배터리 감지 방법을 제공한다. 이 방법에서, 배터리의 상태 파라미터는 트레이닝을 통해 획득된 고장 모델을 포함하는 서비스 시스템에 입력되어 고장 정도를 획득하고, 고장 정도는 차량 탑재 디바이스 및/또는 단말 디바이스로 송신되어 배터리의 고장 위험을 정확하게 평가할 수 있고 배터리 고장으로 인한 손실을 줄일 수 있다.

본 출원의 실시예는 신경망의 대규모 응용에 관한 것이므로, 이해의 편의를 위해 이하에서는 본 출원의 실시예에서 사용될 수 있는 신경망과 관련된 용어 및 개념을 먼저 설명한다.

(1) 신경망

신경망(neural network)은 뉴런을 포함할 수 있다. 뉴런은 x_s와 절편(intercept) 1을 입력으로 하는 연산 단위일 수 있다. 연산 단위의 출력은 다음과 같다.

(1-1)

여기서 s = 1, 2, ..., n이고, n은 1보다 큰 자연수이며, W_s는 x_s의 가중치를 나타내고, W와 x는 모두 벡터이며, b는 뉴런의 편향을 나타내고, f는 뉴런의 활성화 함수(activation function)를 나타내며, 여기서 활성화 함수는 신경망에 비선형 특성을 도입하는 데 사용되어 뉴런에서의 입력 신호를 출력 신호로 변환한다. 활성화 함수의 출력 신호는 다음 컨볼루션 레이어의 입력으로 사용될 수 있으며, 활성화 함수는 시그모이드 함수(sigmoid function)일 수 있다. 신경망은 복수의 단일 뉴런을 함께 연결함으로써 구성된 네트워크이다. 구체적으로, 뉴런의 출력은 다른 뉴런에 대한 입력일 수 있다. 각 뉴런에 대한 입력은 이전 레이어의 로컬 수용 필드에 연결되어 로컬 수용 필드의 특징을 추출할 수 있다. 로컬 수용 필드는 몇몇 뉴런을 포함하는 영역일 수 있다.

(2) 심층 신경망

심층 신경망(deep neural network, DNN)은 다층(multi-layer) 신경망이라고도 하며, 복수의 히든(hidden) 레이어를 갖는 신경망으로 이해될 수 있다. 상이한 레이어의 위치에 기초하여, DNN 내부의 신경망 레이어는 입력 레이어, 히든 레이어 및 출력 레이어의 세 가지 유형으로 분류될 수 있다. 일반적으로 첫 번째 레이어는 입력 레이어이고 마지막 레이어는 출력 레이어이며 그 사이의 임의의 레이어는 히든 레이어이다. 레이어들은 완전히 연결된다. 구체적으로, i번째 레이어의 임의의 뉴런은 반드시 (i+1)번째 레이어의 임의의 뉴런과 반드시 연결되어야 한다.

비록 DNN이 복잡해 보임에도 불구하고, DNN의 각 레이어에서의 작업은 실제로 복잡하지 않으며 선형 관계 표현

으로 간단히 나타낼 수 있으며, 여기서

는 입력 벡터,

는 출력 벡터,

는 오프셋 벡터, W는 가중치 행렬(계수라고도 함),

는 활성화 함수이다. 각 레이어에서 출력 벡터

는 입력 벡터

에 대해 이러한 간단한 연산을 수행하여 획득된다. 많은 양의 DNN 레이어가 있기 때문에 많은 양의 계수 W와 오프셋 벡터

도 있다. DNN에서 이러한 파라미터의 정의는 다음과 같다. 계수 W는 예로서 사용된다. 세 개의 레이어를 갖는 DNN에서 두 번째 레이어의 네 번째 뉴런으로부터 세 번째 레이어의 두 번째 뉴런까지의 선형 계수는

로 정의된다고 가정한다. 위 첨자 3은 계수가 위치한 레이어를 나타내며, 아래 첨자는 출력에 해당하는 세 번째 레이어 인덱스 2와 입력에 해당하는 두 번째 레이어 인덱스 4에 대응한다.

결론적으로, (L-1)번째 레이어의 k번째 뉴런으로부터 L번째 레이어의 j번째 뉴런까지의 계수는

로 정의된다.

입력 레이어에는 파라미터 W가 없다는 점에 유의해야 한다. 심층 신경망에서 히든 레이어가 많을수록 신경망은 실제 세계의 복잡한 사례를 더 잘 설명할 수 있다. 이론적으로 파라미터가 더 많은 모델은 더 복잡하고 더 큰 "역량(capacity)"을 갖는다. 이는 모델이 더 복잡한 학습 태스크를 완료할 수 있음을 의미한다. 심층 신경망의 트레이닝은 가중치 행렬을 학습하는 과정이며, 트레이닝의 최종 목표는 트레이닝된 심층 신경망의 모든 레이어의 가중치 행렬(많은 레이어의 벡터에 의해 구성된 가중치 행렬)을 획득하는 것이다.

(3) 컨볼루션 신경망

컨볼루션 신경망(convolutional neural network, CNN)은 컨볼루션 구조를 갖는 심층 신경망이다. 컨볼루션 신경망은 컨볼루션 레이어와 서브 샘플링 레이어를 포함하는 특징 추출기를 포함하며, 특징 추출기는 필터로 간주될 수 있다. 컨볼루션 레이어는 컨볼루션 신경망에서 입력 신호를 컨볼루션화(convolve)하는 뉴런 레이어이다. 컨볼루션 신경망의 컨볼루션 레이어에서는 하나의 뉴런이 이웃 레이어의 일부 뉴런에만 연결될 수 있다. 컨볼루션 레이어는 일반적으로 몇몇 개의 특징 평면을 포함하며 각각의 특징 평면은 사각형으로 배열된 일부 뉴런을 포함할 수 있다. 동일한 특징 평면의 뉴런은 가중치를 공유하며, 여기서 공유된 가중치는 컨볼루션 커널(convolution kernel)이다. 가중치를 공유하는 것은 이미지 정보가 위치에 의해 추출되지 않는다는 의미로 이해할 수 있다. 컨볼루션 커널은 랜덤한 크기의 행렬 형태로 초기화될 수 있다. 컨볼루션 신경망의 트레이닝 과정에서 학습을 통해 컨볼루션 커널에 대한 적절한 가중치를 획득할 수 있다. 또한 가중치를 공유하는 것은 컨볼루션 신경망의 레이어들 사이의 연결을 감소시키고 과적합(overfitting)의 위험을 감소시키는 장점이 있다.

(4) 순환 신경망

순환 신경망(recurrent neural network, RNN)은 시퀀스 데이터를 처리하는 데 사용된다. 종래의 신경망 모델에서는 입력 레이어로부터 히든 레이어, 그리고 출력 레이어로 레이어가 완전히 연결되어 있지만, 각각의 레이어의 노드들은 연결되지 않는다. 이러한 공통 신경망은 많은 문제를 해결하기도 하지만 다른 많은 문제에 여전히 무능하다. 예를 들어 문장에서의 후속 단어를 예측하려면 문장의 인접한 단어가 독립적이지 않기 때문에 일반적으로 이전 단어를 사용해야 한다. 순환 신경망의 줄임말인 RNN이 그렇게 명명된 이유는 시퀀스의 현재 출력이 시퀀스의 이전 출력과도 관련되어 있기 때문이다. 구체적인 표현 형태는 네트워크가 이전 정보를 기억하고 이전 정보를 현재 출력의 계산에 적용하는 것이다. 구체적으로 히든 레이어의 노드는 연결되어 있으며, 히든 레이어로의 입력은 입력 레이어의 출력뿐만 아니라 히든 레이어의 이전 순간의 출력도 포함한다. 이론적으로 RNN은 임의의 길이의 시퀀스 데이터를 처리할 수 있다. RNN의 트레이닝은 종래의 CNN 또는 DNN의 트레이닝과 동일하다.

컨볼루션 신경망이 있을 때 순환 신경망이 필요한 이유는 간단하다. 컨볼루션 신경망에서는 요소들이 서로 독립적이고 입력과 출력도 고양이와 개처럼 독립적이라는 전제가 있다. 그러나 현실 세계에서는 많은 요소가 서로 연결되어 있다. 예를 들어 주식(stocks)은 시간이 지남에 따라 변한다. 또 다른 예를 들면, 만약 어떤 사람이 "나는 여행을 좋아하고 가장 좋아하는 곳은 윈난(Yunnan)이며 앞으로 기회가 있으면 ...에 갈 것이다."라고 말하면, 여기서 사람들은 줄임표가 "윈난"을 나타낸다는 점을 알게 된다. 이는 인간이 맥락으로부터 추론을 할 수 있기 때문이지만, 기계는 어떻게 이것을 할 수 있을 것인가? RNN이 등장하였다. RNN은 기계가 인간처럼 기억할 수 있도록 하기 위한 것이다. 따라서 RNN의 출력은 현재의 입력 정보와 과거에 기억된 정보에 의존해야 한다.

(5) 손실 함수

심층 신경망을 트레이닝시키는 과정에서, 심층 신경망의 출력이 예측하고자 하는 것과 최대한 근접하도록 하기 위해, 현재의 신경망의 예측값과 예상한 목표값이 비교되고, 그 후 신경망의 각각의 레이어의 가중치 벡터가 예측값과 목표값의 차이를 기반으로 업데이트된다(확실히, 일반적으로 첫 번째 업데이트 전에 초기화 프로세스가 있으며, 구체적으로 말하면 파라미터들이 심층 신경망의 모든 레이어에 대해 미리 구성된다). 예를 들어, 만약 신경망의 예측값이 크면, 가중치 벡터를 조정하여 예측값을 낮추고, 심층 신경망이 예상 목표값을 예측할 수 있을 때까지 또는 예상 목표값에 매우 근접한 값을 예측할 수 있을 때까지 조정을 계속한다. 따라서 "예측값과 목표값 사이의 차이를 비교를 통해 어떻게 구할 것인지"는 미리 정의되어 있어야 한다. 이것은 손실 함수(loss function) 또는 목적 함수(objective function)이다. 손실 함수와 목적 함수는 예측값과 목표값 사이의 차이를 측정하는 데 사용되는 중요한 수식이다. 손실 함수는 예시로서 사용된다. 손실 함수의 출력값(손실)이 클수록 차이가 크다는 것을 나타낸다. 따라서 심층 신경망의 트레이닝은 가능한 한 손실을 최소화하는 과정이다.

(6) 역전파 알고리즘

트레이닝 과정에서, 신경망은 오류(error) 역전파(back propagation, BP) 알고리즘을 사용하여 초기 신경망 모델의 파라미터 값을 보정하여 신경망 모델의 재구성 오류 손실이 점점 작아지도록 할 수 있다. 구체적으로, 입력 신호로부터 출력으로 순방향 패스를 수행하면 신경망 모델의 파라미터가 오류 손실에 대한 정보의 역전파를 통해 업데이트되는 동안 오류 손실이 발생하여 오류 손실이 수렴한다. 역전파 알고리즘은 오류 손실에 주로 의존하는 역전파 모션이고, 최적의 신경망 모델의 파라미터, 예컨대 가중치 행렬을 얻기 위해 사용된다.

도 2를 참조하라. 본 출원의 실시예는 시스템 아키텍처(200)를 제공한다. 도 2에서, 데이터 수집 디바이스(260)는 트레이닝 데이터를 수집하도록 구성된다. 본 출원의 실시예에 따른 배터리 감지 방법의 경우, 트레이닝 데이터는 배터리 상태 파라미터 및 배터리 상태 파라미터에 대응하는 고장 정도를 포함할 수 있다.

트레이닝 데이터를 수집한 후, 데이터 수집 디바이스(260)는 트레이닝 데이터를 데이터베이스(230)에 저장한다. 트레이닝 디바이스(220)는 데이터베이스(230)에 유지되는 트레이닝 데이터의 트레이닝을 통해 목표 모델/규칙(201)을 획득한다.

다음은 트레이닝 데이터에 기초하여 트레이닝 디바이스(220)에 의해 획득된 목표 모델/규칙(201)을 설명한다. 트레이닝 디바이스(220)는 입력 배터리 상태 파라미터와 원래의 고장 정도를 처리하고, 트레이닝 디바이스(220)에 의해 출력되는 고장 정도와 원래의 고장 정도 사이의 차이가 특정 임계치보다 작아질 때까지 출력 고장 정도와 원래의 고장 정도를 비교한다. 이렇게 하여 목표 모델/규칙(201)의 트레이닝이 완료된다.

목표 모델/규칙(201)은 본 출원의 실시예에서 배터리 감지 방법을 구현하는 데 사용될 수 있다. 다시 말해, 관련 전처리 후, 배터리 상태 파라미터를 목표 모델/규칙(201)에 입력하여 고장 정도의 결과를 획득한다. 본 출원의 실시예에서 목표 모델/규칙(201)은 구체적으로 신경망일 수 있다. 실제 응용 시, 데이터베이스(230)에 유지되는 트레이닝 데이터는 반드시 데이터 수집 디바이스(260)에 의해 모두 수집되는 것은 아니며, 다른 디바이스로부터 수신될 수 있음을 유의해야 한다. 트레이닝 디바이스(220)는 반드시 데이터베이스(230)에 유지된 트레이닝 데이터에 기초하여 목표 모델/규칙(201)을 완전히 트레이닝시킬 필요는 없으며, 모델 트레이닝을 수행하기 위해 클라우드 또는 다른 장소로부터 트레이닝 데이터를 얻을 수 있음을 또한 유의해야 한다. 전술한 설명은 본 출원의 실시예에 대한 제한으로 해석되어서는 안 된다.

트레이닝 디바이스(220)에 의한 트레이닝을 통해 얻은 목표 모델/규칙(201)은 다른 시스템 또는 장치, 예를 들어 도 2에 도시된 실행 디바이스(210)에서 사용될 수 있다. 실행 디바이스(210)는 단말기일 수 있으며, 예를 들어 이동 전화 단말기, 태블릿 컴퓨터, 노트북 컴퓨터, 증강 현실(augmented reality, AR) AR/가상 현실(virtual reality, VR) 단말기, 또는 차량 탑재 단말기이거나 서버, 클라우드 등일 수 있다. 도 2에서, 실행 디바이스(210)는 외부 디바이스와 데이터를 교환하기 위한 입출력(input/output, I/O) 인터페이스(212)로 구성된다. 사용자는 클라이언트 디바이스(240)를 사용하여 I/O 인터페이스(212)에 데이터를 입력할 수 있다. 본 출원의 실시예에서, 입력 데이터는 배터리 상태 파라미터 및 배터리 상태 파라미터에 대응하는 고장 정도를 포함할 수 있다.

전처리 모듈(213) 및 전처리 모듈(214)은 I/O 인터페이스(212)에 의해 수신된 입력 데이터(예를 들어, 배터리 상태 파라미터)에 기초하여 전처리를 수행하도록 구성된다. 본 출원의 실시예에서, 전처리 모듈(213) 또는 전처리 모듈(214)이 없을 수 있으며(또는 오직 하나의 전처리 모듈만 있을 수 있음), 입력 데이터를 처리하는 데 계산 모듈(211)이 직접 사용된다.

실행 디바이스(210)가 입력 데이터에 대해 전처리를 수행하거나 실행 디바이스(210)의 계산 모듈(211)이 계산과 같은 관련 처리를 수행하는 과정에서, 실행 디바이스(210)는 대응하는 처리를 위해 데이터 저장 시스템(250)에서 데이터, 코드 등을 호출할 수 있으며, 대응하는 처리를 통해 획득한 데이터, 명령어 등을 또한 데이터 저장 시스템(250)에 저장할 수 있다.

마지막으로, I/O 인터페이스(212)는 사용자에게 처리 결과를 제공하기 위해 클라이언트 디바이스(240)에 처리 결과, 예를 들어 상술한 획득된 고장 정도를 반환한다.

트레이닝 디바이스(220)는 상이한 트레이닝 데이터에 기초하여 상이한 목표 또는 상이한 태스크에 대한 대응하는 목표 모델/규칙(201)을 생성할 수 있다는 점에 유의해야 한다. 대응하는 목표 모델/규칙(201)은 사용자에게 필요한 결과를 제공하기 위해 목표를 구현하거나 태스크를 완료하는 데 사용될 수 있다.

도 2에 도시된 경우에서, 사용자는 수동으로 입력 데이터를 제공할 수도 있고 사용자는 입력 데이터를 I/O 인터페이스(212) 상으로 제공할 수도 있다. 다른 경우에, 클라이언트 디바이스(240)는 입력 데이터를 I/O 인터페이스(212)에 자동으로 송신할 수 있다. 만약 클라이언트 디바이스(240)가 입력 데이터를 자동으로 송신하기 위해 사용자로부터 승인을 얻어야 하는 경우, 사용자는 클라이언트 디바이스(240)에 해당 허가(permission)를 설정할 수 있다. 사용자는 클라이언트 디바이스(240) 상에서 실행 디바이스(210)에 의해 출력된 결과를 볼 수 있다. 구체적으로, 결과는 디스플레이, 사운드, 액션 등에 의해 제시될 수 있다. 또한, 클라이언트 디바이스(240)는 도면에 도시된 I/O 인터페이스(212)로의 입력 데이터 및 I/O 인터페이스(212)로부터의 출력 결과를 새로운 샘플 데이터로서 수집하는 수집단의 역할을 할 수 있고, 새로운 샘플 데이터를 데이터베이스(230)에 저장할 수 있다. 확실히, 클라이언트 디바이스(240)는 대안적으로 수집을 수행하지 않을 수 있지만, I/O 인터페이스(212)는 도면에 도시된 I/O 인터페이스(212)로부터의 출력 결과와 I/O 인터페이스(212)로의 입력 데이터를 데이터베이스(230)로의 새로운 샘플 데이터로서 직접 저장한다.

도 2는 단지 본 출원의 실시예에 따른 시스템 아키텍처의 개략도라는 점에 유의해야 한다. 도면에 도시된 디바이스, 컴포넌트, 모듈 등의 위치 관계는 어떠한 제한도 구성하지 않는다. 예를 들어, 도 2에서 데이터 저장 시스템(250)은 실행 디바이스(210)에 대한 외부 메모리이며, 다른 경우 데이터 저장 시스템(250)은 대안적으로 실행 디바이스(210) 내에 배치될 수 있다.

도 2에 도시된 바와 같이, 목표 모델/규칙(201)은 트레이닝 디바이스(220)에 의한 트레이닝을 통해 획득된다. 목표 모델/규칙(201)은 본 출원의 실시예에서 신경망일 수 있다. 구체적으로, 본 출원의 실시예에서 제공되는 신경망은 CNN, 심층 컨볼루션 신경망(deep convolutional neural network, DCNN), 순환 신경망(recurrent neural network, RNN) 등일 수 있다.

CNN은 매우 일반적인 신경망이기 때문에, CNN의 구조를 도 3을 참조하여 이하에서 상세히 설명한다. 앞서 기본 개념에 대한 설명에서 설명한 바와 같이, 컨볼루션 신경망은 컨볼루션 구조를 갖는 심층 신경망이며, 딥 러닝(deep learning) 아키텍처이다. 딥 러닝 아키텍처는 기계 학습 알고리즘을 사용하여 상이한 추상화 레벨에서 다단계 학습을 수행하는 것이다. 딥 러닝 아키텍처로서, CNN은 피드포워드(feed-forward) 인공 신경망이며, 피드포워드 인공 신경망의 각각의 뉴런은 피드포워드 인공 신경망에 입력된 이미지에 반응할 수 있다.

도 3에 도시된 바와 같이, 컨볼루션 신경망(CNN)(300)은 입력 레이어(310), 컨볼루션 레이어/풀링 레이어(320)(풀링 레이어는 선택 사항임) 및 신경망 레이어(330)를 포함할 수 있다. 다음은 레이어들에 대해 구체적으로 설명한다.

컨볼루션 레이어/풀링 레이어(320):

도 3에 도시된 바와 같이, 예를 들어 컨볼루션 레이어/풀링 레이어(320)는 레이어들(321 내지 326)을 포함할 수 있다. 예를 들어, 구현에서 레이어(321)는 컨볼루션 레이어이고, 레이어(322)는 풀링 레이어이고, 레이어(323)는 컨볼루션 레이어이고, 레이어(324)는 풀링 레이어이고, 레이어(325)는 컨볼루션 레이어이고, 레이어(326)는 풀링 레이어이다. 다른 구현에서, 레이어(321)와 레이어(322)는 컨볼루션 레이어이고, 레이어(323)는 풀링 레이어이고, 레이어(324)와 레이어(325)는 컨볼루션 레이어이고, 레이어(326)는 풀링 레이어이다. 구체적으로, 컨볼루션 레이어의 출력은 후속 풀링 레이어에 대한 입력으로 사용되거나, 컨볼루션 연산을 계속하기 위해 다른 컨볼루션 레이어의 입력으로 사용될 수 있다.

이하에서는 컨볼루션 레이어(321)를 예로서 사용하여 하나의 컨볼루션 레이어의 내부 작업 원리를 설명한다.

컨볼루션 레이어(321)는 복수의 컨볼루션 연산자를 포함할 수 있다. 컨볼루션 연산자는 커널이라고도 한다. 배터리 감지에서, 컨볼루션 연산자는 입력된 배터리 상태 파라미터와 같은 정보로부터 특정 정보를 추출하는 필터로서 기능한다. 컨볼루션 연산자는 본질적으로 가중치 행렬일 수 있으며, 가중치 행렬은 일반적으로 미리 정의된다. 배터리 상태 파라미터에 컨볼루션 연산을 수행하는 과정에서, 가중치 행렬은 일반적으로 입력된 배터리 상태 파라미터에서 데이터를 하나씩 처리하여 배터리 상태 파라미터로부터 특정 특징을 추출한다. 가중치 행렬의 크기는 배터리 상태 파라미터의 값과 관련되어야 한다. 가중치 행렬의 깊이 차원(depth dimension)은 입력 배터리 상태 파라미터의 깊이 차원과 동일함을 유의해야 한다. 컨볼루션 연산을 하는 동안, 가중치 행렬은 입력 배터리 상태 파라미터의 전체 깊이까지 확장된다. 따라서 단일 가중치 행렬과의 컨볼루션을 통해 단일 깊이 차원의 컨볼루션 출력이 생성된다. 그러나 대부분의 경우, 단일 가중치 행렬은 사용되지 않지만, 동일한 크기(행×열)의 복수의 가중치 행렬, 즉 동일한 차원의 복수의 행렬이 적용된다. 가중치 행렬의 출력은 누적되어 컨볼루션 배터리 상태 파라미터의 깊이 차원을 형성한다. 여기서의 차원은 전술한 "복수"에 기초하여 결정되는 것으로 이해될 수 있다. 배터리 상태 파라미터로부터 상이한 특징을 추출하기 위해 상이한 가중치 행렬이 사용될 수 있다. 예를 들어, 방전 전압 데이터를 추출하기 위해 하나의 가중치 행렬을 사용하고, 방전 전류 데이터를 추출하기 위해 다른 가중치 행렬을 사용하고, 충전 온도 데이터를 추출하기 위해 또 다른 가중치 행렬을 사용한다.

이러한 가중치 행렬의 가중치 값은 실제의 응용 동안 많은 트레이닝을 통해 획득되어야 한다. 트레이닝을 통해 획득된 가중치 값을 이용하여 형성된 각각의 가중치 행렬은 컨볼루션 신경망(300)으로 하여금 정확한 예측을 수행할 수 있도록 인에이블링하기 위해, 입력 배터리 상태 파라미터로부터 정보를 추출하는 데 사용될 수 있다.

컨볼루션 신경망(300)이 복수의 컨볼루션 레이어를 갖는 경우, 일반적으로 초기 컨볼루션 레이어(예를 들어, 321)에서 비교적 많은 양의 일반 특징이 추출된다. 일반 특징은 저레벨 특징(low-level feature)이라고도 한다. 컨볼루션 신경망(300)의 깊이가 깊어질수록 후속 컨볼루션 레이어(예를 들어, 326)에서 추출되는 특징은 더욱 복잡해지며, 예를 들어 고레벨 시맨틱 특징(high-level semantic feature)이 된다. 더 높은 시맨틱을 가진 특징일수록 해결해야 할 문제에 더 적합하다.

풀링 레이어:

트레이닝 파라미터의 양이 일반적으로 줄어들 필요가 있기 때문에, 풀링 레이어는 일반적으로 컨볼루션 레이어 이후에 주기적으로 도입되어야 한다. 구체적으로, 도 3에 도시된 레이어(320)에서의 레이어들(321 내지 326)에 대해, 하나의 컨볼루션 레이어 이후에 하나의 풀링 레이어가 후속할 수도 있고, 복수의 컨볼루션 레이어 이후에 하나 이상의 풀링 레이어가 후속할 수도 있다. 배터리 감지 프로세스에서, 풀링 레이어의 고유한 목적은 배터리 상태 파라미터의 공간 크기를 줄이는 것이다.

신경망 레이어(330):

컨볼루션 레이어/풀링 레이어(320)에서 처리가 수행된 후, 컨볼루션 신경망(300)은 필요한 출력 정보를 출력할 준비가 되어 있지 않다. 상술한 바와 같이 컨볼루션 레이어/풀링 레이어(320)에서는 특징만이 추출되고, 입력된 상태 파라미터로부터 초래되는 파라미터는 줄어든다. 그러나 최종 출력 정보(필수 클래스 정보 또는 기타 관련 정보)를 생성하기 위해서는 컨볼루션 신경망(300)이 신경망 레이어(330)를 사용하여 하나의 필수 클래스의 출력 또는 필수 클래스들의 그룹의 출력을 생성해야 한다. 따라서, 신경망 레이어(330)는 복수의 히든 레이어(도 3에 도시된 331 및 332 내지 33n) 및 출력 레이어(340)를 포함할 수 있다. 복수의 히든 레이어에 포함된 파라미터는 특정 태스크 유형의 관련 트레이닝 데이터의 사전 트레이닝을 통해 획득될 수 있다.

신경망 레이어(330)에서 복수의 히든 레이어 이후에는 전체 컨볼루션 신경망(300)의 마지막 레이어인 출력 레이어(340)가 이어진다. 출력 레이어(340)는 카테고리형 교차 엔트로피와 유사한 손실 함수를 가지고, 손실 함수는 구체적으로 예측 오류를 계산하는 데 사용된다. 전체 컨볼루션 신경망(300)의 순전파(forward propagation)(예를 들어, 도 3에서 310으로부터 340으로의 방향의 전파)가 완료되면, 역전파(예를 들어, 도 3에서 340으로부터 310으로의 방향의 전파)가 시작되어 컨볼루션 신경망(300)의 손실과 출력 레이어를 통해 컨볼루션 신경망(300)이 출력한 결과와 이상적인 결과 사이의 오류를 줄이기 위해 위에서 언급한 각 레이어의 가중치와 바이어스를 업데이트한다.

도 3에 도시된 컨볼루션 신경망(300)은 컨볼루션 신경망의 예로서만 사용된다는 점에 유의해야 한다. 특정 응용에서, 컨볼루션 신경망은 다른 네트워크 모델의 형태로 대안적으로 존재할 수 있다.

도 4는 본 출원의 실시예에 따른 칩의 하드웨어 구조를 도시하고, 칩은 신경망 처리 유닛(40)을 포함한다. 칩은 도 2에 도시된 실행 디바이스(210)에 배치될 수 있고, 계산 모듈(211)의 계산 작업을 완료하도록 구성된다. 칩은 대안적으로 도 2에 도시된 트레이닝 디바이스(220) 내에 배치될 수 있고, 트레이닝 디바이스(220)의 트레이닝 작업을 완료하고 목표 모델/규칙(201)을 출력하도록 구성된다. 도 3에 도시된 컨볼루션 신경망 내의 레이어의 모든 알고리즘은 도 4에 도시된 칩 내에서 구현될 수 있다.

신경망 처리 유닛(NPU)(40)은 코프로세서(coprocessor)의 역할을 하며, 호스트 중앙 처리 유닛(central processing unit, CPU)(호스트 CPU) 상에 배치될 수 있다. 호스트 CPU는 태스크를 할당한다. NPU의 핵심 부분은 연산 회로(403)이며, 컨트롤러(404)는 연산 회로(403)를 제어하여 메모리(가중 메모리 또는 입력 메모리)에서 데이터를 추출하여 연산을 수행한다.

일부 구현에서, 연산 회로(403)는 복수의 프로세스 엔진(process engine, PE)을 포함한다. 일부 구현에서, 연산 회로(403)는 2차원 시스톨릭 어레이(systolic array)이다. 연산 회로(403)는 대안적으로 곱셈 및 합산과 같은 수학적 연산을 수행할 수 있는 1차원 시스톨릭 어레이 또는 다른 전자 회로일 수 있다. 일부 구현에서, 연산 회로(403)는 범용 행렬 프로세서이다.

예를 들어, 입력 행렬 A, 가중치 행렬 B 및 출력 행렬 C가 있다고 가정한다. 본 출원의 이 실시예에서 입력 행렬 A는 배터리 상태 파라미터의 행렬일 수 있고, 본 출원의 이 실시예에서의 출력 행렬은 고장 정도의 행렬일 수 있다. 연산 회로는 가중치 메모리(402)로부터 행렬 B의 해당 데이터를 가져오고 연산 회로의 각각의 PE에 데이터를 버퍼링한다. 연산 회로는 입력 메모리(401)로부터 행렬 A의 데이터를 가져오고 행렬 B와 행렬 연산을 수행하고, 행렬의 획득된 부분 결과 또는 획득된 최종 결과를 누산기(accumulator)(408)에 저장한다.

일부 구현에서, 벡터 계산 유닛(407)은 예를 들어 벡터 곱셈, 벡터 합산, 지수 연산, 대수 연산 및 값 비교와 같은 연산 회로의 출력에 대한 추가적 처리를 수행할 수 있다. 예를 들어, 벡터 계산 유닛(407)은 신경망 내의 비-컨볼루션/비-FC 레이어에서 풀링(pooling), 배치 정규화(batch normalization) 또는 로컬 응답 정규화(local response normalization)와 같은 네트워크 계산을 수행하도록 구성될 수 있다.

일부 구현에서, 벡터 계산 유닛(407)은 처리된 출력 벡터를 통합 메모리(406)에 저장할 수 있다. 예를 들어, 벡터 계산 유닛(407)은 예컨대 누적된 값의 벡터와 같은 연산 회로(403)의 출력에 비선형 함수를 적용하여 활성화 값을 생성할 수 있다. 일부 구현에서, 벡터 계산 유닛(407)은 정규화된 값, 결합된 값, 또는 둘 모두를 생성한다. 일부 구현에서, 처리된 출력 벡터는 예를 들어 신경망의 후속 레이어에서 사용하기 위해 연산 회로(403)에 대한 활성화 입력으로 사용될 수 있다.

통합 메모리(406)는 입력 데이터 및 출력 데이터를 저장하도록 구성된다.

가중치 데이터의 경우, 외부 메모리에서의 입력 데이터를 입력 메모리(401) 및/또는 통합 메모리(406)로 전달하고, 외부 메모리에서의 가중치 데이터를 가중치 메모리(402) 내로 저장하며, 통합 메모리(406) 내의 데이터를 외부 메모리 내로 저장하기 위해 직접 메모리 액세스 컨트롤러(direct memory access controller, DMAC)(405)가 사용된다.

버스 인터페이스 유닛(bus interface unit, BIU)(410)은 버스를 사용하여 호스트 CPU, DMAC 및 명령어 페치 버퍼(409) 사이의 상호작용을 구현하도록 구성된다.

컨트롤러(404)에 연결된 명령어 페치 버퍼(instruction fetch buffer)(409)는 컨트롤러(404)에 의해 사용되는 명령어를 저장하도록 구성된다.

컨트롤러(404)는 명령어 페치 버퍼(409)에 버퍼링된 명령어를 호출하여 연산 가속기의 작업 프로세스를 제어하도록 구성된다.

엔트리(Entry): 여기에서 데이터는 실제 발명에 따른 설명 데이터, 예를 들어 감지된 차량 속도, 장애물까지의 거리 등으로 설명될 수 있다.

일반적으로, 통합 메모리(406), 입력 메모리(401), 가중치 메모리(402) 및 명령어 페치 버퍼(409)는 각각 온칩(On-Chip) 메모리이다. 외부 메모리는 NPU 외부의 메모리이다. 외부 메모리는 더블 데이터 속도 동기식 동적 랜덤 액세스 메모리(double data rate synchronous dynamic random access memory, DDR SDRAM), 고대역폭 메모리(high bandwidth memory, HBM) 또는 다른 판독가능형 및 기록가능형 메모리일 수 있다.

도 3에 도시된 컨볼루션 신경망 내의 다양한 레이어에서의 연산은 연산 회로(403) 또는 벡터 계산 유닛(407)에 의해 수행될 수 있다.

도 5는 본 출원의 실시예에 따른 배터리 감지 방법의 개략도이다. 도 5에 도시된 바와 같이, 방법은 단계 S510 내지 S530을 포함한다. 세 단계는 아래에서 자세히 설명된다.

S510: 서비스 시스템은 배터리의 제1 배터리 상태 파라미터를 획득한다.

선택적으로, 서비스 시스템은 메시지를 차량 탑재 시스템에 송신함으로써 차량 탑재 시스템으로 하여금 배터리의 제1 배터리 상태 파라미터를 송신하도록 요청할 수 있거나, 또는 서비스 시스템은 이전에 저장된 배터리 상태 데이터를 저장 모듈로부터 호출할 수 있다.

본 출원의 이 실시예에서 차량 탑재 시스템은 차량 배터리의 상태 파라미터를 획득할 수 있음을 이해해야 한다. 배터리 상태 파라미터는 주행거리, 현재의 배터리 SOC, 충전형 배터리 온도, 시간, 방전 전압, 방전 전류, 배터리 모델 등을 포함할 수 있다.

S520: 서비스 시스템은 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정한다.

제1 고장 정도를 획득한 후 서비스 시스템은 디바이스 상에 감지 결과를 디스플레이할 수 있으며, 여기서 디스플레이 형식은 음성, 텍스트 등일 수 있음을 이해해야 한다.

일 실시예에서, 제1 고장 정도는 현재의 배터리 상태의 고장 정도를 나타내고, 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함한다.

배터리 고장은 점진적인 과정이라는 것을 이해해야 한다. 예를 들어, 배터리 고장은 초기 내부 단락, 중간 내부 단락 및 후기 내부 단락(열폭주)의 세 단계로 나눌 수 있다. 각각의 단계에서 배터리의 전기적 특징(예컨대 전압, 전류 등)과 열적 특징(온도)은 상이하다. 예를 들어, 후기 내부 단락에서는 전압이 손실되고 열이 급격히 발생한다. 리튬이온 배터리의 경우 명백한 자체 발열이 있는지 여부와 분리막 고장 온도에 도달했는지 여부에 따라 세 단계로 나눌 수 있다. 세 단계는 상이한 고장 정도(예컨대 30% 및 80%)에 대응한다. 본 출원에서 배터리 고장 단계의 구분은 한정되지 않는다.

선택적으로, 제2 배터리 상태 파라미터는 동일한 사양의 실제 배터리의 획득된 테스트 데이터일 수 있다. 이 경우, 상이한 단계에 대응하는 배터리 고장 정도에 기초하여, 제2 고장 정도는 제2 배터리 상태 파라미터에 대응하는 고장 정도이자 배터리가 정상 동작할 때 실제로 기록된 고장 정도이거나, 배터리가 고장 났을 때 실제로 기록된 고장 정도일 수 있다. 대안적으로, 테스트 데이터는 실험실 환경에서 차량 배터리 상에서 작업 조건 시뮬레이션 테스트를 수행한 후 획득된 테스트 데이터일 수 있다. 예를 들어, 방전 온도와 배터리의 부하를 설정함으로써 방전 테스트가 수행되고, 방전 전압, 온도, 배터리의 내부 저항 등의 테스트 값이 기록된다. 이 경우, 제2 고장 정도는 시뮬레이션 테스트에서 배터리가 정상 동작했을 때 기록된 고장 정도일 수도 있고, 또는 시뮬레이션 테스트에서 배터리가 고장났을 때 기록된 고장 정도 데이터일 수도 있다.

고장 모델에 배터리 상태 파라미터를 입력하여 배터리의 고장 정도가 획득되어, 배터리 고장 위험을 정확하게 평가할 수 있어서, 배터리의 열폭주로 인한 인명 피해 및 재산 손실을 줄일 수 있다.

실시예에서, 고장 모델은 알고리즘 트레이닝을 통해 획득되며, 프로세스는 제2 배터리 상태 파라미터를 원본 모델에 입력하여 제3 고장 정도를 획득하는 단계와, 제3 고장 정도와 제2 고장 정도 사이의 편차가 미리 설정된 범위 내에 있도록 원본 모델의 파라미터를 조정하는 단계와, 조정을 거친 원본 모델을 고장 모델로 사용하는 단계를 포함한다. 선택적으로, 전술한 고장 모델은 도 2에 도시된 시스템으로부터 획득될 수 있다.

원본 모델을 사용하여 획득된 제3 고장 정도는 실제 테스트를 통해 획득된 배터리의 제2 고장 정도와 비교되며, 제3 고장 정도와 제2 고장 정도 사이의 편차를 미리 설정된 범위 내에서 제어함으로써 실제 상황과 더 일치하는 고장 모델을 얻을 수 있어 배터리 고장 감지의 정확도를 향상시킬 수 있다.

선택적으로, 본 출원의 이 실시예에서의 고장 모델은 트레이닝을 통해 원격 서비스에 의해 획득될 수 있거나, 다른 디바이스로부터 획득될 수 있다.

선택적으로, 제1 배터리 상태 파라미터에 포함된 파라미터들에 더하여, 서비스 시스템은 배터리 내부 저항에 기초하여 배터리의 고장 정도를 더 감지할 수 있다. 구체적으로, 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하는 단계는 구체적으로, 제1 배터리 상태 파라미터에 포함된 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터에 기초하여 배터리 내부 저항을 결정하는 단계를 포함하고, 여기서 배터리 내부 저항은 제1 고장 정도를 결정하는 데 사용된다.

배터리 내부 저항은 필터링 방법을 사용하여 획득될 수 있음을 이해해야 한다. 방법은 종래 기술에 의해 달성될 수 있으며, 본 출원의 이 실시예에서 상세한 설명은 생략된다.

선택적으로, 본 출원의 이 실시예에서 서비스 시스템은 차량 탑재 디바이스 및/또는 단말 디바이스에 의해 송신된 요청 메시지를 수신한 후 배터리를 감지할 수 있다. 구체적으로, 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하기 전에, 방법은 또한 제3 메시지를 수신하는 단계를 포함하고, 여기서 제3 메시지는 배터리 감지를 요청하는 데 사용된다. 선택적으로, 서비스 시스템은 제1 배터리 상태 파라미터를 획득하기 전에 제3 메시지를 획득할 수 있거나, 또는 서비스 시스템이 상태 파라미터 및 고장 모델에 기초하여 고장 정도를 결정하기 전에 제3 메시지를 획득할 수 있다.

차량 탑재 디바이스 및/또는 단말 디바이스가 송신한 요청 메시지를 수신한 후에 배터리를 감지함으로써, 언제든지 배터리를 감지하기 위한 사용자의 요구사항을 충족할 수 있고, 사용자 경험은 향상될 수 있다.

본 출원의 이 실시예에서의 서비스 시스템은 차량 내부에 배치될 수 있음을 이해해야 한다. 대안적으로, 전력 배터리를 사용하는 차량 또는 다른 물체가 하드웨어 요구사항을 충족할 수 없는 경우, 선택적으로 본 출원의 이 실시예에서의 서비스 시스템은 차량 또는 다른 물체와 독립적인 원격 서비스 시스템일 수 있다.

S530: 서비스 시스템은 제1 메시지를 송신하고, 여기서 제1 메시지는 제1 고장 정도를 포함한다.

실시예에서, 제1 고장 정도를 획득한 후, 서비스 시스템은 제1 고장 정도를 송신할 수 있다. 선택적으로, 서비스 시스템은 서비스 시스템이 속한 차량의 차량 탑재 디바이스에 제1 고장 정도를 송신할 수 있거나, 제1 고장 정도를 단말 디바이스(예를 들어, 이동 전화 또는 단말 디바이스 상의 애플리케이션(APP))에 송신할 수 있거나, 또는 제조업체 서비스 센터로 메시지를 보내고 원격 서버 상의 다른 애플리케이션 모듈과 메시지를 공유할 수 있다.

실시예에서, 서비스 시스템은 또한 리마인더 메시지를 보낼 수 있다. 구체적으로, 제1 고장 정도가 미리 설정된 제1 임계치 이상인 경우, 서비스 시스템은 배터리에 고장 위험이 있음을 나타내는 데 사용되는 제2 메시지를 송신할 수 있다. 선택적으로, 제2 메시지는 예를 들어 사용자에게 배터리를 수리 또는 교체하도록 상기시키는 경고 메시지를 포함하거나, 또는 차량으로 하여금 예를 들어 차량을 강제로 감속하거나 정지시키는 것과 같은 강제 조치를 취하도록 나타내는 데 사용되는 메시지를 포함할 수 있다.

감지 결과는 차량 탑재 디바이스, 단말 디바이스, 모바일 앱 등으로 송신되어 사용자가 현재 배터리 고장 상태를 판단할 수 있게 한다. 사용자는 사용자의 요구사항에 기초하여 대응하는 처리, 예를 들어 차량 배터리에 대한 수리를 수행할 수 있다. 또한, 고장 정도가 임계치를 초과할 경우 알람이 송신되어 사용자의 인명 피해 및 재산적 안전을 더욱 확보할 수 있다.

선택적으로, 서비스 시스템은 미리 설정된 시간에 기초하여 배터리의 내부 단락 감지를 수행할 수도 있다. 구체적으로, 제1 메시지를 송신하는 단계는 구체적으로 제1 배터리 상태 파라미터를 획득한 후 제1 미리 설정된 시간 내에 제1 메시지를 송신하는 단계를 포함한다.

미리 설정된 시간이 서비스 시스템을 위해 설정되어, 서비스 시스템이 주기적인 배터리 감지 정보를 차량 탑재 디바이스 또는 단말 디바이스로 송신할 수 있도록 하여, 사용자 경험을 향상시키고 배터리 고장으로 인한 손실을 줄일 수 있다.

도 6은 본 출원의 실시예에 따른 다른 배터리 감지 방법의 개략도이다. 도 6에 도시된 바와 같이, 방법은 단계 S610 및 S620을 포함한다. 두 단계는 아래에서 자세히 설명된다.

S610: 제1 메시지를 송신하며, 여기서 제1 메시지는 배터리를 감지하도록 요청하는 데 사용된다.

S620: 제2 메시지를 수신하며, 여기서 제2 메시지는 제1 고장 정도를 포함한다.

실시예에서, 제1 고장 정도는 배터리의 고장 정도이자 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함한다.

선택적으로, 제1 메시지는 차량 탑재 디바이스, 단말 디바이스, 단말 디바이스 내의 모바일 APP 등에 의해 송신될 수 있다. 이것은 본 출원의 이 실시예에서 제한되지 않는다.

일 실시예에서, 차량 탑재 디바이스 또는 단말 디바이스 또는 애플리케이션(APP)은 리마인더 메시지를 수신할 수 있다. 구체적으로, 차량 탑재 디바이스 또는 단말 디바이스 또는 애플리케이션(APP)은 제3 메시지를 수신하고, 여기서 제3 메시지는 배터리에 고장 위험이 있음을 나타내는 데 사용되며, 제3 메시지는 제1 고장 정도가 제1 임계치 이상일 때 서비스 시스템 또는 단말 디바이스에 의해 송신된다.

선택적으로, 제1 메시지가 차량 탑재 디바이스에 의해 송신될 때, 제3 메시지는 차량 탑재 디바이스가 강제적 감속 또는 강제적 주차와 같은 강제 조치를 취하도록 나타내기 위해 사용될 수 있거나, 제3 메시지는 또한 가능한 한 빨리 배터리를 수리하거나 교체하도록 사용자에게 상기시키는 데 사용될 수 있다.

선택적으로, 차량 탑재 디바이스 또는 단말 디바이스 또는 애플리케이션(APP)은 제2 메시지 또는 제3 메시지를 디스플레이할 수 있고, 예를 들어 디스플레이 스크린 상에 또는 음성으로 제2 메시지 또는 제3 메시지를 디스플레이할 수 있다. 구체적으로, 제2 메시지 및/또는 제3 메시지는 디스플레이 장치를 사용하여 디스플레이된다.

선택적으로, 서비스 시스템에 배터리 감지를 수행하도록 요청하기 전에, 차량 탑재 디바이스는 서비스 시스템에 배터리 상태 파라미터를 송신할 수 있다. 구체적으로, 차량 탑재 디바이스는 제1 배터리 상태 파라미터를 송신하고, 여기서 제1 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함한다.

다른 단계들은 도 5에서의 단계들과 동일하고, 상세한 설명은 본 출원의 이 실시예에서 다시 설명하지 않는다.

도 7은 본 출원의 실시예에 따른 배터리 고장 감지 원리의 개략도이다. 도 7에 도시된 바와 같이, 개략도는 주로 배터리 상태 파라미터 획득부, 고장 모델부 및 결과 출력부를 포함한다.

배터리 상태 파라미터 획득부는 배터리 상태 파라미터 및 내부 저항 추정을 포함할 수 있다. 배터리 상태 파라미터는 방전 전압, 방전 전류, 현재 충전 온도 및 다른 상태 파라미터를 포함할 수 있다. 배터리 상태 파라미터는 차량 탑재 시스템에 의해 서비스 시스템으로 송신된다. 서비스 시스템은 차량 탑재 시스템에 요청을 송신함으로써 상태 파라미터를 획득할 수 있거나, 선택적으로 서비스 시스템은 저장 모듈로부터 저장된 배터리 상태 파라미터를 호출할 수 있다. 서비스 시스템은 이러한 상태 파라미터를 배터리 감지를 위한 고장 모델에 입력할 수 있다. 선택적으로, 고장 모델에 입력되는 배터리 상태 파라미터는 배터리 내부 저항을 더 포함할 수 있다. 구체적으로, 서비스 시스템은 전술한 배터리 상태 파라미터 중 적어도 하나에 기초한 상태 추정 알고리즘에 따라 현재 배터리 내부 저항을 획득할 수 있다. 상태 추정 알고리즘은 칼만 필터링, 베이지안 필터링, 히든 마르코프 모델(hidden Markov model, HMM) 또는 배터리 내부 저항을 추정하는 다른 알고리즘일 수 있다. 상태 추정 알고리즘에 따른 배터리 내부 저항값을 구하는 방법은 종래 기술에 의해 달성될 수 있으며, 이에 대한 상세한 설명은 본 출원에서 생략한다.

고장 모델부는 테스트 배터리 데이터를 획득하는 것을 포함할 수 있다. 여기에서 테스트 배터리 데이터는 대안적으로 본 출원의 전술한 실시예에서 제2 배터리 상태 파라미터일 수 있다. 테스트 배터리 데이터는 실제 배터리의 획득된 테스트 데이터일 수도 있고, 테스트 데이터는 실험실 환경에서 자동차 배터리에 대한 작동 조건 시뮬레이션 테스트를 수행한 후 얻은 테스트 데이터일 수도 있다. 예를 들어, 방전 온도와 배터리의 부하를 설정함으로써 방전 테스트를 수행하고, 방전 전압, 온도 및 배터리 내부 저항 등과 같은 테스트 값이 기록된다. 고장 모델부는 고장 모델 추정을 더 포함할 수 있다. 구체적으로, 서비스 시스템의 알고리즘 모듈은 전술한 테스트 데이터에 기초하여 신경망, 장단기 메모리(long short-term memory, LSTM), 랜덤 포레스트 및 HMM과 같은 알고리즘에 따라 배터리 방전 상태 파라미터에 대한 고장 모델을 전술한 테스트 데이터를 기반으로 구축할 수 있다. 예를 들어, 고장 모델은 도 2 또는 도 3에 도시된 신경망을 사용하여 획득될 수 있고, 배터리 고정 정도 임계치가 획득된다.

그러면, 서비스 시스템은 배터리 상태 파라미터 및 고장 모델에 기초하여 배터리 감지 결과를 출력할 수 있다. 또한, 알람 메시지가 고장 정도 임계치에 기초하여 송신될 수 있다.

배터리 내부 저항값을 포함한 복수의 실시간 배터리 상태 파라미터를 사용하여 그리고 트레이닝을 통해 얻은 고장 모델에 기초하여 배터리 고장 정도를 획득함으로써, 배터리 고장 위험을 정확하게 평가할 수 있으며, 배터리 고장으로 인한 손실을 줄일 수 있다.

도 8은 본 출원의 실시예에 따른 시스템 아키텍처의 개략도이다. 도 8에 도시된 바와 같이, 본 출원의 이 실시예에서의 시스템 아키텍처는 서비스 시스템(810) 및 차량 탑재 시스템(820)을 포함할 수 있다.

차량 탑재 시스템(820)은 배터리 관련 데이터(주행 거리, 현재 배터리 SOC, 배터리 온도, 시간, 방전 전압, 방전 전류, 배터리 모델 등을 포함하지만 이에 한정되지 않음)를 수집할 수 있고, 지정된 프로토콜을 통해 서비스 시스템으로 데이터를 송신할 수 있다. 차량 탑재 시스템(820)은 데이터 수집 모듈, 데이터 보고 모듈, 서비스 요청 모듈 및 데이터 디스플레이 모듈을 포함할 수 있다.

서비스 시스템(810)은 3개의 레이어를 포함할 수 있다. 제1 레이어는 데이터 수집 모듈, 데이터 처리 모듈 및 데이터 저장 모듈을 포함할 수 있다. 제2 레이어는 데이터 분석 모듈, 알고리즘 모듈 및 고장 모델 모듈을 포함할 수 있다. 제3 레이어는 배터리 고장 감지 애플리케이션 모듈을 포함할 수 있다.

서비스 시스템(810)은 다음과 같은 기능을 가질 수 있다. 서비스 시스템은 배터리 데이터를 수신한 후 데이터 패킷을 파싱한 다음 차량 식별 번호 또는 다른 식별자에 기초하여 분류 저장(classified storage)을 수행한다. 테스트 배터리 데이터에 기초하여, 서비스 시스템은 알고리즘 모듈을 사용하고 알고리즘에 기초하여 관련된 고장 모델을 생성할 수 있고, 그 모델을 고장 모델 모듈에 저장할 수 있다. 서비스 시스템은 차량 탑재 시스템, 단말 디바이스 또는 다른 애플리케이션, 예를 들어 이동 전화 애플리케이션(APP)에 의해 송신된 감지 요청을 수신할 수 있고, 지정된 배터리에 대한 내부 단락 감지를 수행할 수 있다. 서비스 시스템은 감지 결과를 관련 차량 탑재 시스템, 단말 디바이스(예컨대 이동 전화 또는 모바일 APP) 또는 데이터 디스플레이를 위한 다른 애플리케이션으로 송신한다. 선택적으로 데이터는 음성, 텍스트 등으로 디스플레이될 수 있다. 선택적으로, 서비스 시스템(810)은 차량 내에 배치될 수 있거나, 차량과 독립적인 원격 서비스 시스템일 수 있다. 서비스 시스템을 차량과 독립된 원격 서비스 시스템에 배치하면 서비스 시스템에 대한 하드웨어 요구사항이 상대적으로 높은 경우의 문제를 극복할 수 있다.

배터리 고장 감지 애플리케이션 모듈은 정보 교환 모듈 및 내부 단락 감지 모듈을 더 포함할 수 있다.

도 9는 본 출원의 실시예에 따른 모듈들 사이의 상호작용의 개략도이다. 도 9에 도시된 바와 같이, S910: 정보 교환 모듈은 차량 또는 단말 디바이스에 의해 송신된 배터리 감지 서비스 요청을 수신한다. S920: 내부 단락 감지 모듈은 서비스 요청을 수신한다.

S930: 내부 단락 감지 모듈은 정보 교환 모듈로부터 감지 표시를 수신하고, 데이터 분석 모듈을 호출하여 배터리 데이터를 획득한다. 내부 단락 감지 모듈은 방전 전압 데이터, 방전 전류 데이터 또는 충전 온도 데이터와 같이 감지할 필요가 있는 배터리 방전 특징 유형을 구성할 수 있다. 데이터 분석 모듈은 현재 배터리 상태 파라미터를 획득한다. 선택적으로, 서비스 시스템은 최신 배터리 데이터를 얻기 위해 메시지를 보낼 수 있고, 또는 서비스 시스템은 저장 모듈로부터 저장된 배터리 상태 데이터를 얻을 수 있다. 저장 모듈에 저장된 차량 배터리 데이터는 복수의 유형의 데이터를 포함할 수 있지만, 내부 단락 감지를 위해 몇몇 종류의 특정 데이터만 필요할 수 있음을 이해해야 한다. 이 경우, 데이터 분석 모듈은 내부 단락 감지 모듈에 의해 구성된 배터리 상태 파라미터 유형에 기초하여 상태 파라미터를 추출할 수 있고, 배터리 감지에 필요한 상태 파라미터만 추출할 수 있다. 선택적으로, 서비스 시스템이 차량 탑재 시스템과 독립적인 경우, 서비스 시스템은 복수의 객체의 서비스 요청을 수신할 수 있다. 이 경우, 데이터 분석 모듈은 감지가 필요한 차량을 먼저 식별한 후, 그 차량의 배터리의 배터리 상태 파라미터를 획득할 수 있다. 선택적으로, 감지된 배터리 데이터가 배터리 내부 저항을 포함하는 경우, 데이터 저장 모듈은 획득된 배터리 데이터, 예를 들어 방전 전압 데이터, 방전 전류 데이터 및 방전 온도 데이터 중 적어도 하나에 기초하여 상태 추정 알고리즘을 사용함으로써 배터리 내부 저항을 더 획득할 수 있다.

S940: 고장 모듈은 처리를 통해 데이터 분석 모듈에 의해 획득된 상태 파라미터를 수신한다. S950: 고장 모듈은 배터리 상태 파라미터에 기초하여 감지를 수행하고, 현재 상태에서 배터리 고장 정도를 획득하고, 배터리 고장 정도를 정보 교환 모듈로 반환한다. S960: 정보 교환 모듈은 감지 결과를 차량, 단말 디바이스 또는 이동 전화 APP에 반환한다. 선택적으로, 감지 결과 내의 고장 정도가 정도 임계치를 초과할 때, 정보 교환 모듈은 또한 알람 메시지를 송신할 수 있으며, 여기서 알람 메시지는 수리 프롬프트, 감속 프롬프트, 주차 프롬프트 등을 포함할 수 있다. 선택적으로, 정보 교환 모듈은 사용을 위한 다른 관련 서비스, 예컨대 제조업체 서비스 센터에 고장 결과를 추가로 송신할 수 있다.

도 10은 본 출원의 실시예에 따른 배터리 감지 장치의 개략도이다. 도 10에 도시된 바와 같이, 장치(1000)는 제1 획득 모듈(1001), 제1 처리 모듈(1002) 및 제1 송신 모듈(1003)을 포함한다. 장치(1000)는 전술한 방법 실시예 중 임의의 하나에서의 배터리 감지 기능을 구현하도록 구성될 수 있다. 예를 들어, 장치(1000)는 서비스 시스템일 수 있다. 네트워크 요소 또는 네트워크 기능은 하드웨어 디바이스에서의 네트워크 요소일 수 있고, 전용 하드웨어에서 실행되는 소프트웨어 기능일 수 있으며, 또는 플랫폼(예컨대, 클라우드 플랫폼)에서 인스턴스화된 가상화된 기능일 수 있다.

장치(1000)는 배터리를 감지하기 위한 서비스 시스템으로서 사용될 수 있고, 전술한 방법 실시예에서 서비스 시스템에 의해 수행되는 단계들을 수행할 수 있다. 제1 수신 모듈(1001) 및 제1 송신 모듈(1003)은 장치(1000)가 통신을 수행하는 것, 예컨대 서비스 시스템에 의해 수행되는 도 5 및 도 6에서의 송신/수신 액션을 수행하는 것을 지원하도록 구성될 수 있다. 제1 처리 모듈(1002)은 장치(1000)가 전술된 방법에서의 처리 액션을 수행하는 것, 예컨대 서비스 시스템에 의해 수행되는 도 5 또는 도 6에서의 처리 액션을 수행하는 것을 지원하도록 구성될 수 있다. 구체적으로 아래의 설명을 참조하라.

제1 획득 모듈(1001)은 배터리의 제1 배터리 상태 파라미터를 획득하도록 구성된다. 제1 처리 모듈(1002)은 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하도록 구성되며, 여기서 제1 고장 정도는 배터리의 고장 정도이자 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함한다. 제1 송신 모듈(1003)은 제1 메시지를 송신하도록 구성되고, 여기서 제1 메시지는 제1 고장 정도를 포함한다.

선택적으로, 처리 모듈은 구체적으로 제1 배터리 상태 파라미터에 포함된 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터에 기초하여 배터리 내부 저항을 결정하도록 구성되며, 여기서 배터리 내부 저항은 제1 고장 정도를 결정하는 데 사용된다.

선택적으로, 제1 송신 모듈은 제1 고장 정도가 미리 설정된 제1 임계치 이상일 때 제2 메시지를 송신하도록 더 구성되며, 여기서 제2 메시지는 배터리에 고장 위험이 있음을 나타내는 데 사용된다.

선택적으로, 장치는 제3 메시지를 수신하도록 구성된 제1 수신 모듈을 더 포함하고, 여기서 제3 메시지는 배터리를 감지하도록 요청하는 데 사용된다.

선택적으로, 제1 송신 모듈은 구체적으로 제1 배터리 상태 파라미터가 획득된 후 제1 미리 설정된 시간 내에 제1 메시지를 송신하도록 구성된다.

선택적으로, 제1 처리 모듈은 또한 제2 배터리 상태 파라미터를 원본 모델에 입력하여 제3 고장 정도를 획득하고, 제3 고장 정도와 제2 고장 정도 사이의 편차가 미리 설정된 범위 내에 있도록 원본 모델의 파라미터를 조정하고, 조정을 거친 원본 모델을 고장 모델로서 사용하도록 구성된다.

도 11은 본 출원의 실시예에 따른 배터리 감지 장치의 개략도이다. 도 11에 도시된 바와 같이, 장치(1100)는 제2 송신 모듈(1101) 및 제2 수신 모듈(1102)을 포함한다. 장치(1100)는 전술한 방법 실시예 중 임의의 하나에서의 배터리 감지 기능을 구현하도록 구성될 수 있다.

장치(1100)는 배터리를 감지하기 위한 서비스 시스템으로서 사용될 수 있고, 전술한 방법 실시예에서의 차량 탑재 디바이스에 의해 수행되는 단계를 수행할 수 있다. 제2 송신 모듈(1101) 및 제2 수신 모듈(1102)은 장치(1100)가 통신을 수행하는 것, 예를 들어 차량 탑재 디바이스에 의해 수행되는 도 5 및 도 6의 송신/수신 액션을 수행하는 것을 지원하도록 구성될 수 있다. 선택적으로, 장치(1100)는 제2 처리 모듈(1103)을 더 포함할 수 있다. 처리 모듈(1103)은 장치(1100)가 전술한 방법에서의 처리 액션을 수행하는 것, 예를 들어 차량 탑재 디바이스에 의해 수행되는 도 2 및 도 6에서의 처리 액션을 수행하는 것을 지원하도록 구성될 수 있다. 구체적으로 아래의 설명을 참조하라.

제2 송신 모듈(1101)은 제1 메시지를 송신하도록 구성되며, 여기서 제1 메시지는 서비스 시스템이 배터리를 감지하도록 요청하는 데 사용된다. 제2 수신 모듈(1102)은 제2 메시지를 수신하도록 구성되며, 여기서 제2 메시지는 제1 고장 정도를 포함하고, 제1 고장 정도는 배터리의 고장 정도이자 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함한다.

선택적으로, 제2 수신 모듈은 제3 메시지를 수신하도록 더 구성되며, 여기서 제3 메시지는 배터리에 고장 위험이 있음을 나타내는 데 사용되며, 제3 메시지는 제1 고장 정도가 제1 임계치 이상일 때 서비스 시스템 또는 단말 디바이스에 의해 전송된다.

선택적으로, 장치는 제3 메시지에 기초하여 강제 액션을 취하도록 구성된 제2 처리 모듈을 더 포함한다.

선택적으로, 장치는 디스플레이 장치를 사용하여 제2 메시지 및/또는 제3 메시지를 디스플레이하도록 구성된 디스플레이 모듈을 더 포함한다.

선택적으로, 제2 송신 모듈은 제1 배터리 상태 파라미터를 송신하도록 더 구성되며, 여기서 제1 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함한다.

통상의 기술자는 본 명세서에 개시된 실시예를 참조하여 설명된 예시의 유닛 및 알고리즘 단계가 전자 하드웨어 또는 컴퓨터 소프트웨어와 전자 하드웨어의 조합에 의해 구현될 수 있음을 알 수 있다. 기능이 하드웨어로 수행되는지 소프트웨어로 수행되는지 여부는 기술적 솔루션의 특정 응용 및 설계 제약 조건에 의존한다. 통상의 기술자는 각각의 특정 응용에 대해 기술된 기능을 구현하기 위해 상이한 방법을 사용할 수 있으며, 이러한 구현이 본 출원의 범위를 벗어나는 것으로 간주되어서는 안 된다.

전술한 시스템, 장치 및 유닛의 상세한 작업 프로세스에 대하여, 편의상 간략한 설명을 위해 전술한 방법 실시예에서의 대응하는 프로세스를 참조하는 것이 통상의 기술자에 의해 명확하게 이해될 수 있으며, 상세한 설명은 본 명세서에서 반복해서 설명되지 않는다.

본 출원에서 제공된 몇몇 실시예에서, 개시된 시스템, 장치 및 방법이 다른 방식으로 구현될 수 있음을 이해해야 한다. 예를 들어, 전술한 장치 실시예는 단지 예일 뿐이다. 예를 들어, 유닛의 구분은 논리적인 기능 구분일 뿐 실제 구현 시 다른 구분이 될 수 있다. 예를 들어, 복수의 유닛 또는 컴포넌트가 다른 시스템에 결합 또는 통합될 수 있거나, 일부 기능이 생략되거나 수행되지 않을 수 있다. 또한, 표시되거나 논의된 상호 결합 또는 직접 결합 또는 통신 연결은 일부 인터페이스를 사용하여 구현될 수 있다. 장치 또는 유닛 간의 간접 결합 또는 통신 연결은 전자적, 기계적 또는 기타 형태로 구현될 수 있다.

별도의 부분으로 설명된 유닛은 물리적으로 분리될 수도 있고 그렇지 않을 수도 있으며, 유닛으로 표시된 부분은 물리적 유닛일 수도 있고 그렇지 않을 수도 있으며, 한 위치에 위치할 수도 있고, 복수의 네트워크 유닛에 분산될 수도 있다. 일부 또는 모든 유닛은 실시예의 해결책의 목표를 달성하기 위해 실제 요구사항에 기초하여 선택될 수 있다.

또한, 본 출원의 실시예에서의 기능적 유닛은 하나의 처리 유닛으로 통합될 수 있고, 각각의 유닛은 물리적으로 단독으로 존재할 수 있거나, 둘 이상의 유닛이 하나의 유닛으로 통합될 수 있다.

기능이 소프트웨어 기능 단위의 형태로 구현되고 독립된 제품으로 판매 또는 사용되는 경우, 이러한 기능은 컴퓨터 판독가능 저장 매체에 저장될 수 있다. 이러한 이해를 바탕으로, 본 출원의 본질적인 기술적 해결책 또는 기존 기술에 기여하는 부분 또는 일부 기술적 해결책은 소프트웨어 제품의 형태로 구현될 수 있다. 컴퓨터 소프트웨어 제품은 저장 매체에 저장되며, 컴퓨터 디바이스(퍼스널 컴퓨터, 서버, 네트워크 디바이스 등일 수 있음)에 본 출원의 실시예에 설명된 방법의 단계 전부 또는 일부를 수행하도록 지시하는 몇몇 명령어를 포함한다. 전술한 저장 매체는 USB 플래시 드라이브, 이동식 하드 디스크, 판독 전용 메모리(read-only memory, ROM), 랜덤 액세스 메모리(random access memory, RAM), 자기 디스크 또는 컴팩트 디스크와 같이 프로그램 코드를 저장할 수 있는 임의의 매체를 포함한다.

전술한 설명은 본 출원의 특정 구현일 뿐이며, 본 출원의 보호 범위를 제한하려는 의도가 아니다. 본 출원에 개시된 기술적 범위 내에서 통상의 기술자에 의해 쉽게 파악되는 변형 또는 교체는 본 출원의 보호 범위에 속한다. 따라서 본 출원의 보호범위는 청구범위의 보호범위에 따라야 한다.

Claims (23)

1. 배터리 감지 방법으로서,
   배터리의 제1 배터리 상태 파라미터를 획득하는 단계와,
   상기 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하는 단계 - 상기 제1 고장 정도는 상기 배터리의 고장 정도이자 상기 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 상기 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 상기 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 상기 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함함 - 와,
   상기 제1 고장 정도를 포함하는 제1 메시지를 송신하는 단계
   를 포함하는 배터리 감지 방법.
   
2. 제1항에 있어서,
   상기 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하는 단계는 또한,
   상기 제1 배터리 상태 파라미터에 포함된 상기 방전 전압, 상기 방전 전류 및 상기 충전 온도 중 적어도 하나의 파라미터에 기초하여 배터리 내부 저항을 결정하는 단계 - 상기 배터리 내부 저항은 상기 제1 고장 정도를 결정하는 데 사용됨 - 를 포함하는
   배터리 감지 방법.
   
3. 제1항 또는 제2항에 있어서,
   상기 방법은 상기 제1 고장 정도가 미리 설정된 제1 임계치 이상일 때 제2 메시지를 송신하는 단계 - 상기 제2 메시지는 상기 배터리에 고장 위험이 있음을 나타내는 데 사용됨 - 를 더 포함하는
   배터리 감지 방법.
   
4. 제1항 내지 제3항 중 어느 한 항에 있어서,
   상기 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하는 단계 이전에, 상기 방법은
   제3 메시지를 수신하는 단계 - 상기 제3 메시지는 상기 배터리를 감지하도록 요청하는 데 사용됨 - 를 더 포함하는
   배터리 감지 방법.
   
5. 제1항 내지 제4항 중 어느 한 항에 있어서,
   제1 메시지를 송신하는 단계는 또한 상기 제1 배터리 상태 파라미터가 획득된 후 제1 미리 설정된 시간 내에 상기 제1 메시지를 송신하는 단계를 포함하는
   배터리 감지 방법.
   
6. 제1항 내지 제5항 중 어느 한 항에 있어서,
   상기 방법은,
   상기 제2 배터리 상태 파라미터를 원본 모델(original model)에 입력하여 제3 고장 정도를 획득하는 단계와,
   상기 제3 고장 정도와 상기 제2 고장 정도 사이의 편차가 미리 설정된 범위 내에 있도록 상기 원본 모델의 파라미터를 조정하는 단계와,
   상기 조정을 거친 상기 원본 모델을 상기 고장 모델로 사용하는 단계를 더 포함하는
   배터리 감지 방법.
   
7. 배터리 감지 방법으로서,
   제1 메시지를 송신하는 단계 - 상기 제1 메시지는 배터리를 감지하도록 요청하는 데 사용됨 - 와,
   제2 메시지를 수신하는 단계 - 상기 제2 메시지는 제1 고장 정도를 포함하고, 상기 제1 고장 정도는 상기 배터리의 고장 정도이자 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 상기 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 상기 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함함 -
   를 포함하는 배터리 감지 방법.
   
8. 제7항에 있어서,
   상기 방법은,
   제3 메시지를 수신하는 단계 - 상기 제3 메시지는 상기 배터리에 고장 위험이 있음을 나타내기 위해 사용되고, 상기 제3 메시지는 상기 제1 고장 정도가 제1 임계치 이상일 때 서비스 시스템 또는 단말 디바이스에 의해 송신됨 - 를 더 포함하는
   배터리 감지 방법.
   
9. 제8항에 있어서,
   상기 방법은 상기 제3 메시지에 기초하여 강제(coercive) 액션을 취하는 단계를 더 포함하는
   배터리 감지 방법.
   
10. 제9항에 있어서,
    상기 방법은 디스플레이 장치를 사용하여 상기 제2 메시지 및/또는 상기 제3 메시지를 디스플레이하는 단계를 더 포함하는
    배터리 감지 방법.
    
11. 제7항 내지 제10항 중 어느 한 항에 있어서,
    상기 방법은,
    상기 제1 배터리 상태 파라미터를 송신하는 단계 - 상기 제1 배터리 상태 파라미터는 상기 방전 전압, 상기 방전 전류 및 상기 충전 온도 중 적어도 하나의 파라미터를 포함함 - 를 더 포함하는
    배터리 감지 방법.
    
12. 배터리 감지 장치로서,
    배터리의 제1 배터리 상태 파라미터를 획득하도록 구성된 제1 획득 모듈과,
    상기 제1 배터리 상태 파라미터 및 고장 모델에 기초하여 제1 고장 정도를 결정하도록 구성된 제1 처리 모듈 - 상기 제1 고장 정도는 상기 배터리의 고장 정도이자 상기 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 상기 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 상기 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 상기 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함함 - 과,
    상기 제1 고장 정도를 포함하는 제1 메시지를 송신하도록 구성된 제1 송신 모듈
    을 포함하는 배터리 감지 장치.
    
13. 제12항에 있어서,
    상기 처리 모듈은 또한,
    상기 제1 배터리 상태 파라미터에 포함된 상기 방전 전압, 상기 방전 전류 및 상기 충전 온도 중 적어도 하나의 파라미터에 기초하여 배터리 내부 저항을 결정하도록 구성되고, 상기 배터리 내부 저항은 상기 제1 고장 정도를 결정하는 데 사용되는
    배터리 감지 장치.
    
14. 제12항 또는 제13항에 있어서,
    상기 제1 송신 모듈은 또한,
    상기 제1 고장 정도가 미리 설정된 제1 임계치 이상일 때 제2 메시지를 송신하도록 구성되고, 상기 제2 메시지는 상기 배터리에 고장 위험이 있음을 나타내는 데 사용되는
    배터리 감지 장치.
    
15. 제12항 내지 제14항 중 어느 한 항에 있어서,
    상기 장치는 제3 메시지를 수신하도록 구성된 제1 수신 모듈을 더 포함하고,
    상기 제3 메시지는 상기 배터리를 감지하도록 요청하는 데 사용되는
    배터리 감지 장치.
    
16. 제12항 내지 제15항 중 어느 한 항에 있어서,
    상기 제1 송신 모듈은 또한 상기 제1 배터리 상태 파라미터가 획득된 후 제1 미리 설정된 시간 내에 상기 제1 메시지를 송신하도록 구성되는
    배터리 감지 장치.
    
17. 제12항 내지 제16항 중 어느 한 항에 있어서,
    상기 제1 처리 모듈은 또한,
    상기 제2 배터리 상태 파라미터를 원본 모델에 입력하여 제3 고장 정도를 획득하고,
    상기 제3 고장 정도와 상기 제2 고장 정도 사이의 편차가 미리 설정된 범위 내에 있도록 상기 원본 모델의 파라미터를 조정하고,
    상기 조정을 거친 상기 원본 모델을 상기 고장 모델로 사용하도록 구성되는
    배터리 감지 장치.
    
18. 배터리 감지 장치로서,
    제1 메시지를 송신하도록 구성된 제2 송신 모듈 - 상기 제1 메시지는 배터리를 감지하도록 요청하는 데 사용됨 - 과,
    제2 메시지를 수신하도록 구성된 제2 수신 모듈 - 상기 제2 메시지는 제1 고장 정도를 포함하고, 상기 제1 고장 정도는 상기 배터리의 고장 정도이자 제1 배터리 상태 파라미터에 대응하는 고장 정도를 나타내는 데 사용되고, 고장 모델은 제2 배터리 상태 파라미터 및 제2 고장 정도에 기초하여 트레이닝을 통해 획득되고, 상기 제2 고장 정도는 동일한 사양을 갖는 배터리의 감지된 고장 정도이자 상기 제2 배터리 상태 파라미터에 대응하는 감지된 고장 정도이고, 배터리 상태 파라미터는 방전 전압, 방전 전류 및 충전 온도 중 적어도 하나의 파라미터를 포함함 -
    을 포함하는 배터리 감지 장치.
    
19. 제18항에 있어서,
    상기 제2 수신 모듈은 또한 제3 메시지를 수신하도록 구성되고,
    상기 제3 메시지는 상기 배터리에 고장 위험이 있음을 나타내는 데 사용되고, 상기 제3 메시지는 상기 제1 고장 정도가 제1 임계치 이상일 때 서비스 시스템 또는 단말 디바이스에 의해 송신되는
    배터리 감지 장치.
    
20. 제19항에 있어서,
    상기 장치는 상기 제3 메시지에 기초하여 강제 액션을 취하도록 구성된 제2 처리 모듈을 더 포함하는
    배터리 감지 장치.
    
21. 제20항에 있어서,
    상기 장치는 디스플레이 장치를 사용하여 상기 제2 메시지 및/또는 상기 제3 메시지를 디스플레이하도록 구성되는 디스플레이 모듈을 더 포함하는
    배터리 감지 장치.
    
22. 제18항 내지 제21항 중 어느 한 항에 있어서,
    상기 제2 송신 모듈은 또한 상기 제1 배터리 상태 파라미터를 송신하도록 구성되고,
    상기 제1 배터리 상태 파라미터는 상기 방전 전압, 상기 방전 전류 및 상기 충전 온도 중 적어도 하나의 파라미터를 포함하는
    배터리 감지 장치.
    
23. 적어도 하나의 프로세서를 포함하는 칩 시스템으로서,
    프로그램 명령어가 상기 적어도 하나의 프로세서에서 실행될 때, 상기 적어도 하나의 프로세서가 제1항 내지 제11항 중 어느 한 항에 따른 배터리 감지 방법을 수행하도록 인에이블링되는
    칩 시스템.

Images