KR20240000407A - 인공지능을 활용한 배터리 진단 정보 제공 방법, 컴퓨팅장치 및 컴퓨터 프로그램 - Google Patents
인공지능을 활용한 배터리 진단 정보 제공 방법, 컴퓨팅장치 및 컴퓨터 프로그램 Download PDFInfo
- Publication number
- KR20240000407A KR20240000407A KR1020230103986A KR20230103986A KR20240000407A KR 20240000407 A KR20240000407 A KR 20240000407A KR 1020230103986 A KR1020230103986 A KR 1020230103986A KR 20230103986 A KR20230103986 A KR 20230103986A KR 20240000407 A KR20240000407 A KR 20240000407A
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- information
- data
- model
- sub
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000004590 computer program Methods 0.000 title claims description 10
- 238000003745 diagnosis Methods 0.000 claims abstract description 173
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 35
- 230000009467 reduction Effects 0.000 claims description 29
- 238000001035 drying Methods 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 22
- 239000003792 electrolyte Substances 0.000 claims description 22
- 238000012546 transfer Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 238000001739 density measurement Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 135
- 210000004027 cell Anatomy 0.000 description 42
- 230000004044 response Effects 0.000 description 26
- 238000003062 neural network model Methods 0.000 description 23
- 238000012549 training Methods 0.000 description 23
- 239000000446 fuel Substances 0.000 description 19
- 230000015556 catabolic process Effects 0.000 description 13
- 238000006731 degradation reaction Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 230000003862 health status Effects 0.000 description 12
- 238000005259 measurement Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000007423 decrease Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000006866 deterioration Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000005274 electronic transitions Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000005518 polymer electrolyte Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related 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
- 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
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
- H01M8/04664—Failure or abnormal function
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Transportation (AREA)
- Power Engineering (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Stand-By Power Supply Arrangements (AREA)
- Secondary Cells (AREA)
Abstract
전술한 과제를 해결하기 위한 본 발명의 일 실시예에서, 인공지능을 활용한 배터리 진단 정보 제공 방법이 개시된다. 상기 방법은, 배터리 데이터를 획득하는 단계, 상기 배터리 데이터를 배터리 진단 모델의 입력으로 처리하여 배터리 진단 정보를 생성하는 단계 및 상기 배터리 진단 정보를 사용자 단말로 전송하는 단계를 포함할 수 있다.
Description
본 발명은 배터리에 관련한 진단 정보를 제공하는 기술에 관한 것으로, 구체적으로, 인공 신경망을 활용하여 배터리 셀로부터 시계열으로 획득되는 데이터들에 기반하여 해당 배터리의 성능 열화와 관련된 진단 정보를 제공하기 위함이다.
세계적으로 화석연료 차량으로 인한 대기오염이 심각한 수준을 넘어 기후변화까지 영향을 미치고, 국민생활 밀접지역에서 발생하는 자동차 배출가스의 인체 위해도가 국제 암연구소의 1군 발암물질로 지정되는 등 환경보호에 대한 인식의 변화에 따라 최근 전기차에 대한 수요가 크게 증가하고 있다. 전기차는 고전압 배터리에서 전기에너지를 전기모터로 공급하여 구동력을 발생시키는 차량으로, 화석 연료를 전혀 사용하지 않은 무공해 차량이다.
이에 따라, 세계 자동차 시장은 4차산업혁명 및 환경규제강화 등으로 촉발된 친환경화, 지능화, 서비스화 등의 혁신적인 변화가 가속화되고 있다. 뿐만 아니라, 전동화는 차량에만 국한되지 않고, 드론 분야 등의 신기술과 접목되어 다양한 분야로 활용되고 있다.
전기차에서 배터리 시스템은 차량의 품질을 결정하는 주요한 부품 중 하나이다. 전기차의 배터리 시스템은 주행 중 엔진의 출력을 어시스트하거나 발생한 에너지를 축적하는 자동차의 에너지 원으로서, 그 제어기술이 매우 중요하다. 배터리 시스템의 제어기술로는 파워제어, 냉각, 진단, 잔존용량 추정 등이 있으며, 이중 배터리 잔존용량 추정은 차량의 주행 전략을 위한 중요 요소로 인식되고 있다.
배터리의 잔존용량은 사용 환경이나 사용기간에 따라서 저항 및 용량이 열화되어, 가용 용량이 감소하거나 저항이 증가하게 되어 그 성능인 건강상태(이하, SOH(State Of Health))가 배터리 생산 초기에 비해서 저하된다. 즉, 배터리를 구성하는 배터리 셀의 SOH 저하로 인해, 배터리의 잔존 용량의 추정이 생산 초기 상태와 상이해질 수 있다. 이에 따라, 배터리의 잔존용량을 통해 차량의 운용효율을 높이기 위해서는 배터리의 SOH의 정확한 추정 또는 진단이 필요하다.
전기화학 시스템에서 내구성 평가 및 예측은 매우 힘든 부분으로, 기존의 내연 기반의 기계적인 내구성 평가 기법으로 한계를 가질 수 있다. 구체적으로, 종래의 배터리 SOH 추정 기술은 배터리의 메커니즘에 기반한 성능 열화 분석 및 이를 개별적으로 진단하기 위한 것에 초점이 맞춰져 있다. 또한, 임피던스 분석기법(EIS)을 이용하여 전하 전이, 물질 전달, 옴 손실 정보에 대해서 정성적인 변화율을 분석하여 배터리의 SOH를 추정할 수 있다. 그러나, 배터리 같은 전기화학 기반의 에너지 저장 디바이스는, 전하 전이의 영향, 물질 전달 영향, 옴 저항 손실 등의 영향이 복합적으로 나타나며, 각 영향을 가중시킬 수 있는 구성 요소 별 성능 열화 원인이 매우 다양함에 따라, 종래의 방식을 통한 SOH 추정은 다소 정확도가 결여될 우려가 있다.
한편, 최근 AI기술이 확보됨에 따라 인간이 정확히 분석하지 못하나 결과적 데이터들만을 확보하여 인간이 이해하지 못하는 분야에 대한 분석 가능성이 가시화되고 있다.
따라서, 당 업계에는, 배터리의 충/방전 시 시계열적으로 획득되는 전류, 전압, 셀 내부의 저항 등의 데이터에 기반하여 인공지능을 활용함으로써, 각 셀에서 고장을 미리 예측하고 배터리의 실질적인 사용량(즉, SOH) 또는 성능 열화를 예측할 수 있는 컴퓨팅 장치의 수요가 존재할 수 있다.
본 발명이 해결하고자 하는 과제는 상술한 문제점을 해결하기 위한 것으로서, 인공 신경망을 활용하여 배터리 셀로부터 시계열적으로 획득되는 데이터들에 기반하여 해당 배터리의 성능 열화와 관련된 진단 정보를 제공하기 위함이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 다양한 실시예에 따른 인공지능을 활용한 배터리 진단 정보 제공 방법이 개시된다. 상기 방법은, 배터리 데이터를 획득하는 단계, 상기 배터리 데이터를 배터리 진단 모델의 입력으로 처리하여 배터리 진단 정보를 생성하는 단계 및 상기 배터리 진단 정보를 사용자 단말로 전송하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 배터리 데이터는, 제1배터리 데이터 및 제2배터리 데이터를 포함하며, 상기 제1배터리 데이터는, 진단 대상 배터리의 충/방전 사이클에 대응하는 전류, 전압, 전해질 임피던스 및 전극 임피던스 변화량에 대한 정보를 포함하며, 상기 제2배터리 데이터는, 상기 진단 대상 배터리의 온도, 습도, 압력, 전류 밀도 및 유량의 시점 별 변화에 관한 정보를 포함할 수 있다.
대안적인 실시예에서, 상기 배터리 데이터를 획득하는 단계는, 배터리 데이터 획득 장치를 통해 상기 진단 대상 배터리로부터 상기 배터리 데이터를 획득하는 단계를 포함하며, 상기 배터리 데이터 획득 장치는, 온도 센서 모듈, 습도 센서 모듈, 압력 센서 모듈, 전류 밀도 측정 모듈, 유량 센서 모듈 및 적어도 둘 이상의 전극을 포함하며, 상기 적어도 둘 이상의 전극은, 배터리에 접촉되어 상기 배터리의 전류, 전압, 임피던스 및 측정 시간에 대한 정보를 획득하며, 상기 임피던스에 대응하는 보드 선도(Bode Plot) 또는, 나이퀴스트 선도(Nyquist Plot) 중 적어도 하나에 기반하여 전해질 임피던스(ohmic resistance) 및 전극 임피던스(charge transfer resistance)를 획득하는 것을 특징으로 할 수 있다.
대안적인 실시예에서, 상기 배터리 진단 정보는, 상기 진단 대상 배터리의 상태 정보, 상태 예측 정보 및 건강 상태 정보(SOH, State Of Health) 중 적어도 하나에 관한 제1배터리 진단 서브 정보 및 상기 진단 대상 배터리의 플러딩 및 드라잉 발생 여부에 관련한 예측 정보에 관한 제2배터리 진단 서브 정보를 포함하며, 상기 배터리 진단 모델은, 상기 제1배터리 데이터에 기초하여 상기 제1배터리 진단 서브 정보를 출력하는 제1배터리 진단 서브 모델 및 상기 제2배터리 데이터에 기초하여 상기 제2배터리 진단 서브 정보를 출력하는 제2배터리 진단 서브 모델을 포함할 수 있다.
대안적인 실시예에서, 상기 제1배터리 진단 서브 모델은, 차원 감소 서브 모델, 차원 복원 서브 모델을 포함하며, 상기 제1배터리 데이터를 상기 차원 감소 서브 모델의 입력으로 하여 상기 차원 복원 서브 모델이 상기 제1배터리 데이터에 대응하는 제1배터리 진단 서브 정보를 출력하도록 학습되는 것을 특징으로 할 수 있다.
대안적인 실시예에서, 상기 차원 감소 서브 모델은, 상기 제1배터리 데이터를 입력으로 하여 상기 제1배터리 데이터에 대응하는 변화 요인 피처를 출력하며, 상기 차원 복원 서브 모델은, 상기 변화 요인 피처를 입력으로 하여 상기 변화 요인 피처에 대응하는 상기 제1배터리 진단 서브 정보를 출력하는 것을 특징으로 하며, 상기 차원 복원 서브 모델은, 하나 이상의 어텐션 계층(attention layer)을 포함하며, 상기 하나 이상의 어텐션 계층은, 입력 데이터의 시간에 대한 정보 및 상기 차원 복원 서브 모델을 구성하는 하나 이상의 네트워크 함수의 타임 스텝 간의 연관 정보를 생성할 수 있다.
대안적인 실시예에서, 상기 배터리 데이터를 배터리 진단 모델의 입력으로 처리하여 배터리 진단 정보를 생성하는 단계는, 상기 배터리 데이터의 종류 정보를 획득하는 단계, 상기 종류 정보에 기초하여 상기 제1배터리 진단 서브 모델 및 상기 제2배터리 진단 서브 모델 중 상기 배터리 데이터를 처리할 적어도 하나의 모델을 결정하는 단계 및 상기 결정된 적어도 하나의 모델을 활용하여 상기 배터리 데이터에 대한 상기 배터리 진단 정보를 생성하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 배터리 데이터의 종류 정보를 획득하는 단계는, 상기 제1배터리 진단 서브 모델에 포함된 차원 감소 서브 모델을 활용하여 상기 배터리 데이터에 대응하는 제1피처를 추출하는 단계, 상기 제1배터리 진단 서브 모델의 학습에 활용된 제1학습 데이터 세트에 기반하여 복수의 제2피처를 추출하는 단계, 상기 제2배터리 진단 서브 모델의 학습에 활용된 제2학습 데이터 세트에 기반하여 복수의 제3피처를 추출하는 단계 및 상기 제1피처와 복수의 제2피처들 간의 제1유사도 및 상기 제1피처와 복수의 제3피처들 간의 제2유사도에 기초하여 상기 배터리 데이터의 종류 정보를 획득하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 종류 정보에 기초하여 상기 제1배터리 진단 서브 모델 및 상기 제2배터리 진단 서브 모델 중 상기 배터리 데이터를 처리할 적어도 하나의 모델을 결정하는 단계는, 상기 배터리 데이터에 대응하는 상기 종류 정보가 제1배터리 진단에 관련한다는 종류 정보를 포함하는 경우, 상기 제1배터리 진단 서브 모델을 상기 배터리 데이터를 처리할 모델로 결정하는 단계 및 상기 배터리 데이터에 대응하는 상기 종류 정보가 제2배터리 진단에 관련한다는 종류 정보를 포함하는 경우, 상기 제2배터리 진단 서브 모델을 상기 배터리 데이터를 처리할 모델로 결정하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 방법은, 모니터링 정보를 적어도 둘 이상의 관리자 단말에 전송할 것을 결정하는 단계 및 상기 적어도 둘 이상의 관리자 단말 중 적어도 하나로부터 상기 모니터링 정보에 대응하는 피드백 제어 신호를 수신하는 경우, 상기 피드백 제어 신호를 배터리 데이터 획득 장치로 전달하는 단계를 더 포함하며, 상기 모니터링 정보는, 실시간 배터리 진단 정보 및 이상 여부 감지 정보 중 적어도 하나를 포함할 수 있다.
본 발명의 다른 실시예에 따르면, 인공지능을 활용한 배터리 진단 정보 제공 방법을 수행하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 전술한 인공지능을 활용한 배터리 진단 정보 제공 방법을 수행할 수 있다.
본 발명의 또 다른 실시예에 따른 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어 인공지능을 활용한 배터리 진단 정보 제공 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장될 수 있다.
본 발명의 다양한 실시예에 따라, 인공 신경망을 활용하여 배터리 셀로부터 시계열적으로 획득되는 데이터들에 기반하여 해당 배터리의 성능 열화와 관련된 진단 정보를 제공할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 발명의 일 실시예와 관련된 인공지능을 활용한 배터리 진단 정보 제공 방법을 수행하는 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 발명의 일 실시예와 관련한 인공지능을 활용한 배터리 진단 정보 제공 방법을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3는 본 발명의 일 실시예와 관련된 제1배터리 진단 서브 모델을 구성하는 신경망에 대한 예시도를 도시한다.
도 4는 본 발명의 일 실시예와 관련된 제1배터리 진단 서브 모델의 데이터 처리 과정을 예시적으로 나타낸 예시도이다.
도 5는 본 발명의 일 실시예와 관련된 제1배터리 진단 서브 모델의 학습 과정을 예시적으로 나타낸 순서도이다.
도 6은 본 발명의 일 실시예와 관련된 제2배터리 진단 서브 모델의 학습 과정을 예시적으로 나타낸 순서도이다.
도 7은 본 발명의 일 실시예와 관련된 인공지능을 활용한 배터리 진단 정보 제공 방법의 예시적인 순서도를 도시한다.
도 1은 본 발명의 일 실시예와 관련된 인공지능을 활용한 배터리 진단 정보 제공 방법을 수행하는 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 발명의 일 실시예와 관련한 인공지능을 활용한 배터리 진단 정보 제공 방법을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3는 본 발명의 일 실시예와 관련된 제1배터리 진단 서브 모델을 구성하는 신경망에 대한 예시도를 도시한다.
도 4는 본 발명의 일 실시예와 관련된 제1배터리 진단 서브 모델의 데이터 처리 과정을 예시적으로 나타낸 예시도이다.
도 5는 본 발명의 일 실시예와 관련된 제1배터리 진단 서브 모델의 학습 과정을 예시적으로 나타낸 순서도이다.
도 6은 본 발명의 일 실시예와 관련된 제2배터리 진단 서브 모델의 학습 과정을 예시적으로 나타낸 순서도이다.
도 7은 본 발명의 일 실시예와 관련된 인공지능을 활용한 배터리 진단 정보 제공 방법의 예시적인 순서도를 도시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 발명의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 발명내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.
제시된 실시예들에 대한 설명은 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 발명의 일 실시예와 관련된 인공지능을 활용한 배터리 진단 정보 제공 방법을 수행하는 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
본 발명의 실시예들에 따른 시스템 컴퓨팅 장치(100), 사용자 단말(10), 관리자 단말(11), 배터리 데이터 획득 장치(200), 외부 서버(20) 및 네트워크를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수 있다. 본 발명의 실시예들에 따른 컴퓨팅 장치(100), 사용자 단말(10), 관리자 단말(11), 배터리 데이터 획득 장치(200) 및 외부 서버(20)는 네트워크를 통해, 본 발명의 일 실시예들에 따른 시스템을 위한 데이터를 상호 송수신할 수 있다.
본 발명의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 발명의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 발명의 일 실시예에 따르면, 사용자 단말(10)은 컴퓨팅 장치(100)에 엑세스하여 자신의 소유한 전자 기기의 배터리에 관련한 진단 정보를 획득하고자 하는 사용자와 관련된 단말일 수 있다. 예컨대, 배터리는, 콘덴서, 화학전지, 연료전지, 물리전지 등 전자 기기에 전원을 공급하기 위해 에너지를 전기로 변환하여 저장하는 임의의 저장 디바이스를 포함할 수 있다. 또한, 전자 기기는, 휴대단말기기, 전기 모빌리티, 드론 등을 포함할 수 있으며, 배터리에 관련한 진단 정보는, 배터리가 생산 초기에 상태에 비해 얼마나 성능이 열화되었지 여부에 관련한 정보를 포함할 수 있다. 이러한 사용자 단말(10)은 디스플레이를 구비하고 있어서, 사용자의 입력을 수신하고, 사용자에게 임의의 형태의 출력을 제공할 수 있다.
본 발명의 일 실시예에 따르면, 관리자 단말(11)은 배터리 데이터 획득 장치(200)를 활용하여 배터리에 대한 배터리 데이터를 획득하는 과정에서, 배터리에 관련한 기기의 측정 상태에 대한 정보를 획득하고자 하는 사용자에 관련한 단말일 수 있다. 이러한 관리자 단말(11)은 측정 상태를 관리 또는 제어하고자 하는 복수의 사용자 각각에 대응하여 복수 개로 구비될 수 있으며, 컴퓨팅 장치(100) 및 배터리 데이터 획득 장치(200)로부터 배터리 측정 상태에 관련한 모니터링 정보를 수신하여 디스플레이 하거나, 해당 모니터링 정보에 대응하는 피드백 제어 신호를 컴퓨팅 장치(100) 또는 배터리 데이터 획득 장치(200)로 전송하여 배터리 데이터 획득 장치(200)로 하여금 배터리 데이터 획득에 관련한 제어를 수행하도록 할 수 있다. 일 실시예에서, 복수 개의 관리자 단말은 적어도 하나의 사용자 단말(10)을 포함할 수 있다.
사용자 단말(10) 및 관리자 단말(11) 각각은 컴퓨팅 장치(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 엔티티(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(10) 및 관리자 단말(11)은, PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 사용자 단말(10) 및 관리자 단말(11)은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(10) 및 관리자 단말(11)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 외부 서버(20)는 복수의 배터리 각각에 관련한 복수의 배터리 데이터를 저장하는 서버일 수 있다. 이러한 배터리 데이터들은, 복수의 배터리 데이터 획득 장치(200)로부터 네트워크를 통해 수신된 것일 수 있다. 본 발명의 외부 서버(20)는 배터리 데이터 획득 장치(200)가 복수의 배터리 각각에 대응하여 획득한 복수의 배터리 데이터를 수집하여 저장하는 서버를 의미할 수 있다. 이 경우, 복수의 배터리 데이터는 본 발명에서의 신경망에 대한 학습을 수행하기 위한 데이터로 활용될 수 있다. 외부 서버(20)에 저장된 정보들은 본 발명에서는 신경망을 학습시키기 위한 학습 데이터, 검증 데이터 및 테스트 데이터로 활용될 수 있다. 즉, 외부 서버(20)는 본 발명에 따른 신경망을 학습시키기 위한 데이터 세트를 저장하고 있는 서버일 수 있다.
외부 서버(20)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(20)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.
본 발명의 일 실시예에 따르면, 배터리 데이터 획득 장치(200)는 본 발명의 신경망을 학습시키기 위한 학습 데이터 세트 구축에 기반이 되는 복수의 배터리 데이터를 획득할 수 있다. 배터리 데이터 획득 장치(200)는 적어도 둘 이상의 전극을 포함하며, 적어도 둘 이상의 전극을 배터리를 구성하는 배터리 셀의 양 단에 접촉시킴으로써, 해당 배터리 셀의 전류, 전압, 임피던스 및 측정 시간에 대한 정보를 획득할 수 있다. 또한, 배터리 데이터 획득 장치(200)는 측정된 임피던스에 대응하는 보드 선도 또는, 나이퀴스트 선도 중 적어도 하나에 기반하여 전해질 임피던스 및 전극 임피던스를 획득할 수 있다. 배터리 데이터 획득 장치(200)는 복수의 배터리 각각으로부터 상술한 바와 같은 정보들을 포함하는 배터리 데이터(예컨대, 제1배터리 데이터)를 획득할 수 있으며, 획득된 배터리 데이터를 네트워크를 통해 컴퓨팅 장치(100), 외부 서버(20), 사용자 단말(10) 및 관리자 단말(11) 중 적어도 하나로 전송할 수 있다. 컴퓨팅 장치(100)는 배터리 데이터 획득 장치(200)로부터 수신된 배터리 데이터에 기반하여 본 발명에서의 신경망을 학습시키기 위한 학습 데이터 세트(예컨대, 제1학습 데이터 세트)를 구축할 수 있다.
추가적인 실시예에서, 배터리 데이터 획득 장치(200)는 온도 센서 모듈, 습도 센서 모듈, 압력 센서 모듈, 유량 센서 모듈 등을 포함하여 구비될 수 있으며, 각 센서 모듈을 통해, 온도, 습도, 압력, 유량 등의 시점 별 변화에 따른 플러딩 및 드라잉 발생 여부에 관련한 배터리 데이터(예컨대, 제2배터리 데이터)를 획득할 수 있다. 배터리 데이터 획득 장치(200)는 배터리 데이터를 네트워크를 통해 컴퓨팅 장치(100), 외부 서버(20), 사용자 단말(10) 및 관리자 단말(11) 중 적어도 하나로 전송할 수 있다. 컴퓨팅 장치(100)는 배터리 데이터 획득 장치(200)로부터 수신된 배터리 데이터에 기반하여 본 발명에서의 신경망에 대한 학습을 수행하기 위한 학습 데이터 세트(예컨대, 제2학습 데이터 세트)를 구축할 수 있다.
도 1에서 배터리 데이터 획득 장치(200) 및 컴퓨팅 장치(100)가 별도의 엔티티로서 분리되어 표현되었지만, 본 발명내용의 다양한 구현 양태에 따라서 배터리 데이터 획득 장치(200)가 컴퓨팅 장치(100) 내에 포함되어 배터리에 대응하는 배터리 데이터 정보 획득 기능 및 해당 배터리에 대응하는 진단 정보 제공 기능이 통합되어 수행될 수도 있다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 진단 대상 배터리에 대응하는 배터리 진단 정보를 제공할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 배터리 데이터 획득 장치(200) 및 외부 서버(20) 중 적어도 하나로부터 배터리 데이터를 수신할 수 있으며, 배터리 진단 모델을 활용하여 배터리 데이터에 대응하는 배터리 진단 정보를 생성할 수 있다.
배터리 진단 모델은, 학습 데이터 세트를 통해 학습된 신경망 모델로, 배터리에 관련하여 실시간으로 획득되는 시계열 데이터를 기반으로 배터리 진단에 관련한 배터리 진단 정보를 출력할 수 있다. 실시예에서, 배터리 진단 모델은, 제1학습 데이터 세트를 통해 학습되는 제1배터리 진단 서브 모델 및 제2학습 데이터 세트를 통해 학습되는 제2배터리 진단 서브 모델을 포함할 수 있다.
실시예에서, 제1학습 데이터 세트는, 배터리 셀의 전류, 전압, 임피던스의 변화량에 관련한 정보를 포함하는 제1학습 입력 데이터 세트와 배터리 건강 상태의 변화 정보에 관한 진단 정보를 포함하는 제1학습 출력 데이터 세트를 포함할 수 있다.
또한, 실시예에서, 제2학습 데이터 세트는, 배터리의 온도, 습도, 압력, 전류밀도 및 유량의 시점 별 변화에 관한 정보를 포함하는 제2학습 입력 데이터 세트와 플러딩 및 드라잉 발생 여부에 관한 정보를 포함하는 제2학습 출력 데이터 세트를 포함할 수 있다.
컴퓨팅 장치(100)는 학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행함으로써, 배터리 진단 모델을 생성할 수 있다. 컴퓨팅 장치(100)는 배터리 셀의 전류, 전압, 임피던스의 변화량에 관련한 정보를 입력으로 하여 배터리의 건강 상태의 변화 정보에 관련한 진단 정보를 출력하도록, 하나 이상의 네트워크 함수에 대한 학습을 수행하여 배터리 진단 모델을 생성할 수 있다. 배터리 진단 모델은, 시계열적인 입력 데이터의 연관 관계에 대한 분석 정보를 제공하는 어텐션 기반 RNN(Recurrent neural network)을 포함할 수 있다. 이러한 배터리 진단 모델은, 차원 감소 서브 모델(예컨대, 인코더) 및 차원 복원 서브 모델(예컨대, 디코더)을 포함할 수 있으며, 차원 복원 서브 모델은, 차원 감소 서브 모델의 입력과 차원 복원 서브 모델의 출력 간의 연관 정보를 생성하는 어텐션 계층을 포함할 수 있다. 즉, 어텐션 계층은, 차원 복원 서브 모델에서 각 시점에 대응하여 예측해야할 인자와 연관이 있는 입력 인자 부분을 집중하도록 할 수 있다. 다시 말해, 각 시점 별 데이터 전체를 아우를 수 있도록 함으로써, 시계열 데이터 처리의 정확도 및 효율을 향상시킬 수 있다.
본 발명에서 신경망의 입력으로 활용되는 데이터는 배터리 셀의 전류, 전압 및 임피던스의 변화량의 관련한 정보일 수 있다. 다시 말해, 신경망의 입력으로 활용되는 정보는, 시점에 따라 변동되는 전류, 전압 및 임피던스에 관련한 정보이므로, 해당 입력 데이터의 분석 과정에서 입력 데이터의 시계열적인 요소들의 상관 관계를 도출하는 것이 용이하지 않을 수 있다. 예컨대, 신경망의 학습 과정에서 제 1 시점 및 제 2 시점에 대응하는 발생하는 전류의 변동에 관련한 학습이 정확하게 이루어지지 않을 우려가 있다. 컴퓨팅 장치(100)에 의해 생성되는 배터리 진단 모델은 시계열 데이터 처리에 특화된 신경망 모델로, 배터리 셀로부터 측정되는 다양한 인자들의 시점 간 연관 관계에 대한 연산을 수행할 수 있다. 즉, 배터리 진단 모델은 진단 대상 배터리를 구성하는 배터리 셀의 전류, 전압 및 임피던스의 변화량에 관련한 정보에 대응하여 해당 배터리의 건강 상태의 변화 정도(즉, 성능 열화 정도)에 관한 분석 정보를 제공할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 단말 또는 서버일 수 있으며, 임의의 형태의 장치는 모두 포함할 수 있다. 컴퓨팅 장치(100)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 컴퓨팅 장치(100)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 인터넷 기반 컴퓨팅의 일종으로 정보를 사용자의 컴퓨터가 아닌 인터넷에 연결된 다른 컴퓨터로 처리하는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 상기 클라우드 컴퓨팅 서비스는 인터넷 상에 자료를 저장해 두고, 사용자가 필요한 자료나 프로그램을 자신의 컴퓨터에 설치하지 않고도 인터넷 접속을 통해 언제 어디서나 이용할 수 있는 서비스일 수 있으며, 인터넷 상에 저장된 자료들을 간단한 조작 및 클릭으로 쉽게 공유하고 전달할 수 있다. 또한, 클라우드 컴퓨팅 서비스는 인터넷 상의 서버에 단순히 자료를 저장하는 것뿐만 아니라, 별도로 프로그램을 설치하지 않아도 웹에서 제공하는 응용프로그램의 기능을 이용하여 원하는 작업을 수행할 수 있으며, 여러 사람이 동시에 문서를 공유하면서 작업을 진행할 수 있는 서비스일 수 있다. 또한, 클라우드 컴퓨팅 서비스는 IaaS(Infrastructure as a Service), PaaS(Platform as a Service), SaaS(Software as a Service), 가상 머신 기반 클라우드 서버 및 컨테이너 기반 클라우드 서버 중 적어도 하나의 형태로 구현될 수 있다. 즉, 본 발명의 컴퓨팅 장치(100)는 상술한 클라우드 컴퓨팅 서비스 중 적어도 하나의 형태로 구현될 수 있다. 전술한 클라우드 컴퓨팅 서비스의 구체적인 기재는 예시일 뿐, 본 발명의 클라우드 컴퓨팅 환경을 구축하는 임의의 플랫폼을 포함할 수도 있다.
이하에서는, 도 2를 참조하여 컴퓨팅 장치(100)가 학습 데이터 세트를 구축하는 구성, 학습 데이터 세트에 기반하여 배터리 진단 모델을 생성하는 구성 및 배터리 진단 모델을 활용하여 진단 대상 배터리의 배터리 진단 정보를 제공하는 구성 및 각 구성들에 대응하는 효과들에 대하여 보다 구체적으로 후술하도록 한다.
도 2는 본 발명의 일 실시예와 관련한 인공지능을 활용한 배터리 진단 정보 제공 방법을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한다.
도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 네트워크부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 전술한 컴퓨팅 장치(100)에 포함된 컴포넌트들은 예시적인 것으로 본 발명의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 발명내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 또는 전술한 컴포넌트들 중 일부가 생략될 수 있다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 단말(10), 관리자 단말(11), 외부 서버(20) 및 배터리 데이터 획득 장치(200)와 데이터를 송수신하는 네트워크부(110)를 포함할 수 있다. 네트워크부(110)는 본 발명의 일 실시예에 따른 인공지능을 활용한 진단 정보 제공 방법을 수행하기 위한 데이터 및 신경망 모델을 학습시키기 위한 학습 데이터 세트 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 즉, 네트워크부(110)는 컴퓨팅 장치(100)와 사용자 단말(10), 관리자 단말(11), 외부 서버(20) 및 배터리 데이터 획득 장치(200) 간의 통신 기능을 제공할 수 있다. 예를 들어, 네트워크부(110)는 배터리 데이터 획득 장치(200)를 통해 획득된 진단 대상 배터리의 배터리 데이터를 수신할 수 있다. 다른 예를 들어, 네트워크부(110)는 외부 서버(20)로부터 신경망 모델의 학습을 위한 학습 데이터 세트를 수신할 수 있다. 추가적으로, 네트워크부(110)는 컴퓨팅 장치(100)로 프로시저를 호출하는 방식으로 컴퓨팅 장치(100)와 사용자 단말(10), 외부 서버(20) 및 배터리 데이터 획득 장치(200) 간의 정보 전달을 허용할 수 있다.
본 발명의 일 실시예에 따른 네트워크부(110)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 명세서에서 제시되는 네트워크부(110)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 발명에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 발명의 일 실시예에 따르면, 메모리(120)는 인공지능을 활용한 배터리 진단 정보 제공 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(130)에 의하여 판독되어 구동될 수 있다. 또한, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다. 또한, 메모리(120)는 진단 대상 배터리에 관련한 배터리 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 입/출력되는 데이터들(예를 들어, 진단 대상 배터리에 관련한 배터리 데이터, 신경망 학습을 위한 학습 데이터, 배터리 데이터에 대응하는 배터리 진단 정보 등)을 임시 또는 영구 저장할 수도 있다.
본 발명의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
본 발명의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.
프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 발명의 일 실시예에 따라 프로세서(130)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(130)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
또한, 프로세서(130)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에 따른 서버에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.
프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 신경망 모델을 제공할 수 있다. 본 발명의 일 실시예에 따라, 프로세서(130)는 진단 대상 배터리에 관련한 배터리 데이터에 대응하는 배터리 진단 정보를 생성하기 위한 계산을 수행할 수 있다. 본 발명의 일 실시예에 따라 프로세서(130)는 신경망 모델을 학습시키기 위한 계산을 수행할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(130)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(130)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램들을 구동함으로써, 사용자 단말(10) 및 관리자 단말(11)에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(130)는 배터리 데이터를 획득할 수 있다. 본 발명의 일 실시예에 따른 복수의 배터리 데이터 획득은, 메모리(120)에 저장된 배터리 데이터를 수신하거나, 또는 로딩(loading)하는 것일 수 있다. 또한, 복수의 배터리 데이터 획득은, 유/무선 통신 수단에 기초하여 다른 저장 매체, 다른 컴퓨팅 장치, 동일한 컴퓨팅 장치 내의 별도 처리 모듈로부터 데이터를 수신하거나 또는 로딩하는 것일 수 있다.
일 실시예에 따르면, 배터리 데이터 획득 장치(200)는 진단 대상 배터리로부터 배터리 데이터를 획득하고, 이를 프로세서(130)로 전송할 수 있다. 배터리 데이터 획득 장치(200)는 컴퓨팅 장치(100)와 분리된 별 개의 모듈로 설명되나, 본 발명의 다양한 구현 양태에 따라 배터리 데이터 획득 장치(200)가 컴퓨팅 장치(100) 내에 포함되어 구성될 수도 있다. 이 경우, 컴퓨팅 장치(100)는 후술되는 배터리 데이터 획득 장치(200)의 배터리 데이터 획득 기능을 수행할 수 있다.
일 실시예에 따르면, 배터리 데이터 획득 장치(200)는 제1배터리 데이터를 획득할 수 있다. 여기서 제1배터리 데이터는 진단 대상 배터리의 충/방전 사이클에 대응하는 전류, 전압, 전해질 임피던스 및 전극 임피던스 변화량에 대한 정보를 포함할 수 있다.
배터리 데이터 획득 장치(200)는 적어도 둘 이상의 전극을 포함하며, 적어도 둘 이상의 전극은 배터리를 구성하는 배터리 셀의 양 단에 접촉되어 전류, 전압, 임피던스 및 측정 시간에 대한 정보를 획득할 수 있다. 보다 구체적으로, 배터리 데이터 획득 장치(200)는 복수의 배터리 각각의 충전 또는 방전 시점 중 적어도 하나에 대응하여 복수의 배터리 각각을 구성하는 배터리 셀의 전류, 전압, 임피던스 및 측정 시간에 대한 정보를 획득할 수 있다. 예를 들어, 배터리 데이터 획득 장치(200)는 충전이 수행되는 제 1 시점에 대응하여 제1배터리를 구성하는 배터리 셀의 전류에 대한 정보를 획득할 수 있다. 다른 예를 들어, 배터리 데이터 획득 장치(200)는 제 1 시점 이후 시점인 제 2 시점에 대응하여 제1배터리를 구성하는 배터리 셀의 전압에 대한 정보를 획득할 수 있다. 또 다른 예를 들어, 배터리 데이터 획득 장치(200)는 2회차 충전 사이클에 관련한 제 3 시점에 대응하여 제1배터리를 구성하는 배터리 셀의 임피던스에 대한 정보를 획득할 수 있다. 전술한 시점 및 해당 시점에 대응하여 획득되는 정보들에 대한 구체적인 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
또한, 배터리 데이터 획득 장치(200)는 임피던스에 대응하는 보드 선도(bode plot) 또는, 나이퀴스트 선도(nyquist plot) 중 적어도 하나에 기반하여 전해질 임피던스(ohmic resistance) 및 전극 임피던스(charge transfer resistance)를 획득할 수 있다. 보드 선도 또는, 나이퀴스트 선도는 주파수 응답 특성을 나타낸 선도(또는 그래프)를 의미할 수 있으며, 임피던스 측정을 위한 교류 발생 시 주파수가 다른 미소한 교류신호를 셀에 부여하여 계측하는 방법을 통해 획득될 수 있다. 전해질 임피던스는 전해질 내의 이온들의 확산 속도에 관련된 임피던스 일 수 있다. 이러한 전해질 임피던스는, 주파수가 높은 경우, 이온들의 질량운반이 교류변화에 비하여 매우 느리므로 저항을 나타내지 않아 영향이 매우 적을 수 있으며, 주파수가 낮은 경우, 전류의 변화에 의한 전극 표면에서의 농도 변화가 느리기 때문에 질량운반이 전자전이를 방해함에 따라, 영향이 있을 수 있다. 또한, 전극 임피던스는 촉매의 반응성, 전기화학적 반응면적 등을 나타냄에 따라 배터리의 상태를 추정하거나 정량적인 분석을 가능하게 할 수 있다. 이러한 전해질 임피던스 및 전극 임피던스는 배터리의 성능을 예측 및 분석하는 과정에서 전류, 전압 등의 다른 인자들과 유미의한 상관관계를 가질 수 있다. 예를 들어, 동일 전압에서 전류가 감소할 시, 전해질 임피던스 및 전극 임피던스가 처음 상태 대비 증가하는 경우, 배터리의 수명이 감소된 것으로 판단될 수 있다. 다른 예를 들어, 동일 전류에서 전압이 감소할 시, 전해질 임피던스 및 전극 임피던스가 처음 상태 대비 증가하는 경우, 배터리의 수명이 감소된 것으로 판단될 수 있다. 전술한 배터리 수명에 관련한 구체적인 설명은 예시일 뿐, 본 발명은 이에 제한되지 않는다.
즉, 보드 선도 또는 나이퀴스트 선도를 통해 등가회로를 파악함에 따라 파라미터 분석을 수행하여 배터리에 성능 진단에 기반이 되는 전해질 임피던스 및 전극 임피던스에 관련한 전기화학 특성을 획득할 수 있다. 다시 말해, 배터리 데이터 획득 장치(200)는 복수의 배터리 각각의 충/방전 사이클에 기반하여 복수의 배터리 각각의 전류, 전압, 전해질 임피던스 및 전극 임피던스 각각의 변화량에 대한 정보를 획득할 수 있다.
또한, 실시예에서, 배터리 데이터 획득 장치(200)는 제2배터리 데이터를 획득할 수 있다. 여기서 제2배터리 데이터는, 진단 대상 배터리의 온도, 습도, 압력, 전류 밀도 및 유량의 시점 별 변화에 관한 정보를 포함할 수 있다. 실시예에서, 제2배터리 데이터는, 배터리의 결함 상태를 진단에 기반이 되는 정보일 수 있다. 배터리는, 연료로 사용되는 수소 및 수소를 포함하고 있는 물질이 전기화학적으로 산화되면서 발생하는 전자를 이용해 전류를 생산해 내는 전기화학적 에너지 변환/생성 기기에 관련한 것으로, 예를 들어, 고분자 산화물 연료전지(Polymer Electrolyte Membrane Fuel Cell, PEMFC), 용융 탄산염 연료전지(MCFC), 고체 산화물 연료전지(SOFC), 직접 메탄올 연료전지(DMFC) 등 다양한 종류의 연료 전지(Fuel Cell)를 포함할 수 있다. 플러딩과 드라잉은 연료전지 시스템의 급격한 성능저하를 유발하므로 플러딩 및 드라잉에 대한 진단 또는 예측은 연료전지 상용화에 있어 매우 중요할 수 있다. 즉, 제2배터리 데이터는, 플러딩 및 드라잉에 대한 진단 또는 예측에 기반이 되는 정보들을 의미할 수 있다.
배터리 데이터 획득 장치(200)는 온도 센서 모듈, 습도 센서 모듈, 압력 센서 모듈, 전류 밀도 측정 모듈, 유량 센서 모듈, 진단 모듈 및 제어 모듈을 포함하여 구비될 수 있다. 온도 모듈은, 온도에 대한 측정 및 제어를 수행하는 모듈일 수 있다. 습도 모듈은 습도에 대한 측정 및 제어를 수행하는 모듈일 수 있다. 압력 모듈은 압력에 대한 측정 및 제어를 수행하는 모듈일 수 있다. 유량 모듈은 유량에 대한 측정 및 제어를 수행하는 모듈일 수 있다. 진단 모듈은, 각 모듈을 통해 측정된 정보에 기반하여 해당 배터리의 결함 상태를 진단하기 위한 모듈일 수 있다. 제어 모듈은 사전 결정된 사이클에 기반하여 각 모듈에 대한 제어를 수행하거나 또는, 컴퓨팅 장치(100), 사용자 단말(10) 및 관리자 단말(11) 중 적어도 하나로부터 수신한 제어 신호에 기반하여 각 모듈의 동작을 제어하기 위한 모듈일 수 있다. 사전 결정된 사이클은, 예컨대, 배터리의 충전 또는 방전 시점에 기반한 것일 수 있다.
추가적인 실시예에서, 배터리 데이터 획득 장치(200)는 복수의 배터리 각각에 관련한 환경 조정을 수행할 수 있다. 환경 조정은, 배터리의 결함 상태에 관련한 환경을 조성하기 위한 것일 수 있다. 구체적으로, 환경 조정은, 해당 배터리(즉, 연료전지)에 플러딩 및 드라잉 현상이 발생하도록 온도 모듈, 습도 모듈, 압력 모듈, 전류 모듈 및 유량 모듈을 제어하여 배터리에 관련한 환경을 조정하는 것일 수 있다. 자세히 설명하면, 배터리 데이터 획득 장치(200)는 플러딩 및 드라잉에 대한 주요 인자인 온도, 습도, 압력, 전류밀도, 유량 중 적어도 하나를 조정하여 연료 전지에 플러딩 및 드라잉 현상을 유도할 수 있다.
예컨대, 배터리 데이터 획득 장치(200)는 배터리의 충/방전 사이클에 기반하여 온도, 습도, 압력, 전류밀도 및 유량을 조정할 수 있다. 또한, 배터리 데이터 획득 장치(200)는 온도, 습도, 압력, 전류 밀도 및 유량에 대한 조정(또는, 변화)에 대응하여 유로 가시화를 통해 플러딩 및 드라잉에 대한 확정을 수행할 수 있다. 예를 들어, 각 인자들의 조정에 대응하여 유료 가시화를 통해 high frequency 임피던스 변화가 관측되는 경우, 배터리 데이터 획득 장치(200)는 해당 인자들의 조정에 대응하는 환경을 드라잉에 관련한 결함으로 확정할 수 있다. 다른 예를 들어, 각 인자들의 조정에 대응하여 유로 가시화를 통해 low frequency 임피던스 변화가 관측되는 경우, 해당 인자들의 조정에 대응하는 환경을 플러딩으로 확정할 수 있다.
즉, 배터리 데이터 획득 장치(200)는, 온도, 습도, 압력, 전류 밀도, 유량의 변화에 따른 플러딩 발생 여부 및 드라잉 발생 여부 중 적어도 하나에 대한 정보를 포함하는 배터리 데이터를 획득할 수 있다.
다시 말해, 배터리 데이터 획득 장치(200)는 배터리의 충/방전 사이클에 관련하여 시계열적으로 획득되는 제1배터리 데이터 및 제2배터리 데이터를 획득할 수 있다.
본 발명의 일 실시예에 따르면 프로세서(130)는 배터리 데이터를 배터리 진단 모델의 입력으로 처리하여 배터리 진단 정보를 생성할 수 있다.
실시예에서, 배터리 데이터는 제1배터리 데이터 및 제2배터리 데이터를 포함할 수 있다. 제1배터리 데이터는, 충/방전 사이클에 대응하는 전류, 전압, 전해질 임피던스 및 전극 임피던스 변화량에 대한 정보를 포함하며, 상기 제2배터리 데이터는, 진단 대상 배터리의 온도, 습도, 압력, 전류 밀도 및 유량의 시점 별 변화에 관한 정보를 포함할 수 있다. 즉, 프로세서(130)는 배터리 데이터 획득 장치(200)를 통해 실시간으로 획득되는 배터리 데이터를 수신할 수 있다.
실시예에 따르면, 배터리 진단 정보는, 진단 대상 배터리의 상태 정보, 상태 예측 정보 및 건강 상태 정보(SOH, State Of Health) 중 적어도 하나에 관한 제1배터리 진단 서브 정보 및 진단 대상 배터리의 플러딩 및 드라잉 발생 여부에 관련한 예측 정보에 관한 제2배터리 진단 서브 정보를 포함할 수 있다.
또한, 실시예에서, 배터리 진단 모델은, 제1배터리 데이터에 기초하여 제1배터리 진단 서브 정보를 출력하는 제1배터리 진단 서브 모델을 포함할 수 있다.
제1배터리 진단 서브 모델은, 차원 감소 서브 모델, 차원 복원 서브 모델을 포함하며, 제1배터리 데이터를 상기 차원 감소 서브 모델의 입력으로 하여 차원 복원 서브 모델이 제1배터리 데이터에 대응하는 제1배터리 진단 서브 정보를 출력하도록 학습되는 것을 특징으로 할 수 있다.
구체적인 실시예에서, 프로세서(130)는 복수의 배터리 데이터에 기반하여 학습 데이터 세트를 구축할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 배터리 데이터 획득 장치(200) 및 외부 서버(20) 중 적어도 하나로부터 복수의 배터리 각각에 관련한 복수의 배터리 데이터를 수신할 수 있으며, 복수의 배터리 데이터에 기반하여 학습 입력 데이터 세트 및 학습 출력 데이터 세트를 포함하는 학습 데이터 세트를 구축할 수 있다.
자세히 설명하면, 프로세서(130)는 복수의 배터리 각각에 대응하는 전류, 전압, 전해질 임피던스 및 전극 임피던스 각각의 변화량에 대한 정보에 기반하여 제1학습 입력 데이터 세트를 구축할 수 있다. 하나의 제1학습 입력 데이터는 하나의 배터리에 대응하는 전류, 전압, 전해질 임피던스 및 전극 임피던스 각각의 변화량에 대한 정보일 수 있다. 즉, 제1학습 입력 데이터 세트는, 복수의 배터리 각각에 대응하는 복수의 제1학습 입력 데이터의 조합일 수 있다.
또한, 프로세서(130)는 제1학습 입력 데이터 세트에 포함된 복수의 제1학습 입력 데이터 각각에 대응하는 배터리의 상태 정보, 건강 상태 정보 및 이상 발생 여부에 대한 정보에 기반하여 복수의 제1학습 출력 데이터를 포함하는 제1학습 출력 데이터 세트를 구축할 수 있다. 하나의 제1출력 데이터는 하나의 배터리에 대응하는 배터리의 상태 정보, 건강 상태 정보 및 이상 발생 여부에 대한 정보 중 적어도 하나를 포함할 수 있다. 여기서, 배터리의 상태 정보는, 시점 별 배터리의 상태에 관련한 정보로, 예를 들어, 특정 시점에 관련하여 측정된 전류가 10mA 라는 정보를 포함할 수 있다. 다른 예를 들어, 배터리 상태 정보는, 제 1 시점에서 제 2 시점으로 전환되는 경우, 전류가 15mA 감소하였다는 정보를 포함할 수 있다. 또 다른 예를 들어, 1회차 충전 사이클에 대응하는 시점 보다 20회차 충전 사이클에 대응하는 시점에 관련하여 측정된 전류가 2mA 감소하였다는 정보를 포함할 수 있다. 또한, 건강 상태 정보는, 시점 별 배터리의 성능 열화와 관련된 정보로, 예컨대, 특정 시점에 관련하여 배터리의 실질적인 사용량(즉, SOH)이 3%로 감소하였다는 정보를 포함할 수 있다. 또한, 이상 발생 여부에 대한 정보는, 배터리 데이터 획득 장치(200)를 통해 특정 배터리에서 배터리 데이터를 획득 과정에서 발생하는 이상 감지를 인지시키는 알림 정보와 관련된 것일 수 있다. 예컨대, 이상 발생 여부에 대한 정보는, 배터리의 상태 정보의 변화량이 사전 결정된 임계 변화량을 초과하는지 여부에 기반하여 생성될 수 있다. 사전 결정된 임계 변화량은 배터리에 발생하는 이상을 감지하기 위한 기준이 되는 정보일 수 있다. 예를 들어, 전류에 관련하여 사전 결정된 임계 변화량이 30mA이며, 제 1 시점에서 제 2 시점으로 전환되는 것에 대응하여 측정된 전류의 변화량이 40mA인 경우, 프로세서(130)는 전류의 변화량(즉, 40mA)이 사전 결정된 임계 변화량(즉, 30mA)을 초과한 것으로 판단하여 이상 발생 여부에 대한 정보를 생성할 수 있다. 전술한 배터리의 상태 정보, 건강 상태 정보 및 이상 발생 여부에 대한 정보의 구체적인 수치적 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
또한, 프로세서(130)는 제1학습 입력 데이터 세트에 포함된 복수의 제1학습 입력 데이터 각각에 대응하는 제1학습 출력 데이터 각각을 매칭하여 라벨링함으로써, 제1학습 데이터 세트를 구축할 수 있다. 예를 들어, A 배터리의 제1배터리 데이터에 기반하여 생성된 제1학습 입력 데이터와 해당 제1배터리 데이터에 기반하여 생성된 제1학습 출력 데이터를 매칭하여 라벨링함으로써, 제1학습 데이터를 구축할 수 있다. 즉, 프로세서(130)는 서로 대응하는 복수의 제1학습 입력 데이터 각각과 복수의 제1학습 출력 데이터 각각을 매칭하여 라벨링함으로써, 복수의 제1학습 데이터를 포함하는 제1학습 데이터 세트를 구축할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(130)는 제1학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행하여 제1배터리 진단 서브 모델을 생성할 수 있다. 제1배터리 진단 서브 모델은 도 3에 도시된 바와 같이, 차원 감소 서브 모델(310) 및 차원 복원 서브 모델(320)을 포함할 수 있다. 차원 감소 서브 모델(310)은 제1학습 입력 데이터를 입력으로 하여 제1학습 입력 데이터에 대응하는 변화 요인 피처를 출력할 수 있으며, 차원 복원 서브 모델(320)은 변화 요인 피처를 입력으로 하여 변화 요인 피처에 대응하는 학습 입력 데이터의 라벨과 관련한 제1학습 출력 데이터를 출력할 수 있다. 또한, 차원 복원 서브 모델(320)은 차원 감소 서브 모델(310)의 입력과 차원 복원 서브 모델(320)의 출력 간의 연관 정보를 생성하는 하나 이상의 어텐션 계층을 포함할 수 있다. 즉, 어텐션 계층은, 차원 복원 서브 모델에서 각 시점에 대응하여 예측해야할 인자와 연관이 있는 입력 인자 부분을 집중하도록 할 수 있다. 다시 말해, 각 시점 별 데이터 전체를 아우를 수 있도록 함으로써, 시계열 데이터 처리의 정확도 및 효율을 향상시킬 수 있다.
도 4를 참조하여 보다 자세히 설명하면, 프로세서(130)는 제1학습 입력 데이터(410)를 차원 감소 서브 모델(310)의 입력으로 하여 차원 복원 서브 모델(320)이 해당 제1학습 입력 데이터(410)의 라벨과 연관된 제1학습 출력 데이터(420)를 출력하도록 학습시킬 수 있다.
차원 감소 서브 모델(310)은 배터리의 성능 변화 요인에 관련한 제1학습 입력 데이터(410)를 입력으로 하여 변화 요인 피처(즉, 임베딩)를 추출하는 모델일 수 있다. 즉, 차원 감소 서브 모델(310)은 프로세서(130)로부터 학습 입력 데이터를 수신하여 학습 입력 데이터의 특징 벡터 열을 출력으로 지정하여 입력 데이터가 피처로 변환되는 중간 과정을 학습할 수 있다.
또한, 프로세서(130)는 차원 감소 서브 모델(310)로부터 변화 요인에 관련한 임베딩(즉, 변화 요인 피처)을 차원 복원 서브 모델(320)로 전달할 수 있다. 차원 복원 서브 모델(320)에 포함된 어텐션 계층(321)은 변화 요인 및 차원 복원 서브 모델(320)의 타임 스텝 간의 연관 정보를 생성할 수 있다. 다시 말해, 프로세서(130)는 제1학습 입력 데이터(410)와 학습 출력 데이터(420)를 통해 어텐션 계층으로 하여금 입력(즉, 제1학습 입력 데이터)과 출력(즉, 제1학습 출력 데이터) 사이의 매칭 관계를 학습하도록 할 수 있다. 또한, 차원 복원 서브 모델(320)은 하나 이상의 RNN을 포함하며, 하나 이상의 RNN을 통해 제 1 타임 스탬프의 예측 정보를 입력으로 하여 제 2 타임 스탬프의 예측 정보를 출력하는 모델일 수 있다. 이 경우, 제 1 타임 스탬프는 제 2 타임 스탬프보다 앞선 시점일 수 있다. 구체적으로, 차원 복원 서브 모델의 제 1 RNN을 통해 예측된 예측 정보는 다음 타임 스탬프의 제 2 RNN으로 전달되고, 제 2 RNN을 통해 예측된 예측 정보는 다음 타임 스탬프의 제 3 RNN으로 전달될 수 있다. 이 과정에서 차원 복원 서브 모델은 어텐션 계층(321)을 통해 타임 스텝 간의 연관 정보를 통해 집중해야 할 변화 요인의 시점을 결정할 수 있다. 즉, 차원 복원 서브 모델(320)은 하나 이상의 RNN을 통해 예측 정보를 반복하여 예측하는 과정에서 어텐션 계층(321)을 통해 집중할 변화 요인의 시점을 결정함으로써, 다양한 인자들의 시점 간 연관 관계에 대한 예측 정보를 출력하도록 학습될 수 있다. 이에 따라, 충/방전 사이클에 대응하는 배터리의 성능 열화 정도 예측이 가능해질 수 있다.
일 실시예에 따르면, 프로세서(130)는 복수의 배터리 각각에 대응하는 메타 데이터를 제1학습 입력 데이터 각각에 맵핑시킬 수 있다. 메타 데이터는, 복수의 배터리 각각의 성능에 대한 정보를 포함할 수 있다. 예를 들어, 복수의 배터리 각각은 제조사 또는 모델 별로 서로 상이한 성능을 통해 구비될 수 있다. 구체적인 예를 들어, 복수의 배터리 중 A 배터리 및 B 배터리는 서로 상이한 모델임에 따라, 각각 상이한 성능 정보(예컨대, 충/방전 사이클이 상이함)를 통해 구비될 수 있다. 다른 예를 들어, 복수의 배터리 중 C 배터리 및 D 배터리는 서로 상이한 제조사로부터 제조됨에 따라 성능 열화 정도가 상이할 수 있다. 예컨대, C 배터리는 D 배터리에 비해 비교적 성능 열화 속도가 빠를 수 있다. 상술한 바와 같이, 본 발명에서의 복수의 배터리 각각은 서로 상이한 성능을 통해 구비됨에 따라, 프로세서(130)는 제1학습 입력 데이터를 구축하는 과정에서 복수의 배터리 각각에 대응하는 메타 데이터를 맵핑시킬 수 있다. 이에 따라, 메타 데이터가 맵핑된 제1학습 입력 데이터들을 포함하는 제1학습 데이터 세트를 통해 학습된 제1배터리 진단 서브 모델은 각 메타 데이터에 대응하여 보다 적절한 출력 데이터를 산출할 수 있다. 다시 말해, 프로세서(130)는 복수의 배터리 각각에 관련한 복수의 제1배터리 데이터 각각에 대응하여 성능 정보에 관련한 메타 데이터를 맵핑하여 제1학습 데이터 세트를 구축함에 따라, 배터리의 성능 별 진단 정보 생성이 가능하도록 신경망(또는 하나 이상의 네트워크 함수)에 대한 학습을 수행할 수 있다.
추가적인 실시예에 따르면, 프로세서(130)는 복수의 배터리 각각의 제조사 또는 모델 별로 상이한 복수의 제1학습 데이터 세트를 구축할 수 있다. 구체적으로, 프로세서(130)는 복수의 배터리 중 동일한 제조사 또는 동일한 모델을 기준으로 복수의 제1학습 데이터 세트를 구축할 수 있다. 예를 들어, 복수의 배터리가 3개의 제조사로 구분되는 경우, 프로세서(130)는 각 제조사 별 3개의 제1학습 데이터 세트를 구축할 수 있다. 다른 예를 들어, 복수의 배터리가 5개의 모델로 구분되는 경우, 프로세서(130)는 각 모델 별 5개의 제1학습 데이터 세트를 구축할 수 있다. 즉, 프로세서(130)는 복수의 배터리를 종류 별로 구분하여 복수의 제1학습 데이터 세트를 생성할 수 있다. 이 경우, 프로세서(130)에 의해 생성된 복수의 제1학습 데이터 세트 각각은 서로 상이한 신경망 모델 학습에 활용될 수 있다. 예를 들어, 복수의 배터리 데이터가 3개의 제조사 별로 구분됨에 따라 프로세서(130)는 A 제1학습 데이터 세트, B 제1학습 데이터 세트 및 C 제1학습 데이터 세트를 구축할 수 있으며, 프로세서(130)는 A 제1학습 데이터 세트를 통해 제1신경망 모델을 학습시켜 A 제1배터리 진단 서브 모델을 생성할 수 있으며, B 제1학습 데이터 세트를 통해 제2신경망 모델을 학습시켜 B 제1배터리 진단 서브 모델을 생성할 수 있고, 그리고 C 제1학습 데이터 세트를 통해 제3신경망 모델을 학습시켜 C 제1배터리 진단 서브 모델을 생성할 수 있다. 전술한 학습 데이터 세트 및 신경망 모델에 대한 구체적인 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
즉, 프로세서(130)는 배터리 종류 별로 대응하는 제1배터리 진단 서브 모델을 생성할 수 있다. 이에 따라, 특정 배터리에 관련한 진단을 수행하고자 하는 경우, 프로세서(130)는 해당 배터리의 제1배터리 데이터를 획득하고, 해당 제1배터리 데이터를 그에 대응하는 제1배터리 진단 서브 모델을 활용하여 배터리 진단 정보를 제공할 수 있다. 다시 말해, 각 배터리의 종류에 대응하여 개별적인 신경망 모델을 생성하고, 입력과 대응하는 신경망 모델 각각을 통해 진단 정보를 제공함에 따라, 신경망의 학습 효율 및 처리의 정확도가 향상될 수 있다.
상술한 바와 같은 학습 과정을 통해 생성된 제1배터리 진단 서브 모델은 시계열 데이터 처리에 특화된 신경망 모델로, 배터리 셀로부터 측정되는 다양한 인자들의 시점 간 연관 관계에 대한 연산을 수행할 수 있다. 즉, 프로세서(130)는 제1학습 데이터 세트를 통한 신경망 학습을 통해 전류, 전압, 전해질 임피던스 및 전극 임피던스의 변화량에 관련한 변화 요인에 대응하여 배터리의 성능 열화 정도에 관련한 분석 정보를 제공하기 위한 제1배터리 진단 서브 모델을 생성할 수 있다.
프로세서(130)는 사전 학습을 통해 생성된 제1배터리 진단 서브 모델을 활용하여 제1배터리 데이터에 대한 제1배터리 진단 서브 정보를 생성할 수 있다. 즉, 프로세서(130)는 진단 대상 배터리로부터 실시간으로 획득되는 시계열 데이터에 관련한 제1배터리 데이터(즉, 전류, 전압, 전해질 임피던스 및 전극 임피던스의 변화량에 대한 정보)를 기반으로 진단 대상 배터리의 상태 정보, 상태 예측 정보 및 건강 상태 정보 중 적어도 하나에 대한 정보에 관련한 제1배터리 진단 서브 정보를 생성할 수 있다.
배터리의 상태 정보는, 현재 배터리 상태에 관한 정보로, 해당 배터리가 정상 상태인지 여부를 판별하기 위한 기준이 될 수 있다. 즉, 관리자 또는 사용자는 배터리 진단 정보를 통해 배터리 데이터 획득 장치(200)를 통한 측정 상태가 정상인지 또는 비정상인지 여부를 인지할 수 있다.
배터리의 상태 예측 정보는, 향후 배터리 상태의 동향에 관련한 예측 정보로, 사용자로 하여금 이상 상태(또는 비정상 상태)를 사전에 인지하도록 하는 정보일 수 있다. 예컨대, 배터리 진단 예측 정보는, 해당 배터리의 성능 열화가 급격히 발생할 것으로 예측되는 미래 시점에 관한 정보 또는, 배터리 데이터 획득 장치(200)에서 발생하는 전류 또는 전압에 의해 해당 배터리를 포함하는 기기에 이상이 발생할 것으로 예상되는 미래 시점에 관한 예측 정보를 포함할 수 있다.
배터리의 건강 상태 정보는, 사용 환경이나 사용기간에 따라서 저항 및 용량이 열화되어, 가용 용량이 감소하거나 저항이 증가하게 되어 그 성능인 건강상태(이하, SOH(State Of Health))가 배터리 생산 초기에 비해서 얼마나 저하되었는지 여부에 대한 정보를 포함할 수 있다. 예를 들어, 배터리에 관련한 건강 상태 정보는, 현재 배터리의 성능이 89%라는 수치화 정보를 포함할 수 있다. 이 경우, 해당 수치화 정보는 배터리의 성능이 생산 초기에 비해서 11%가 감소됨을 의미할 수 있다. 전술한 배터리 진단 정보, 배터리 진단 예측 정보 및 건강 상태 정보에 대한 구체적인 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
즉, 프로세서(130)는 제1배터리 진단 서브 모델을 활용하여 진단 대상 배터리로부터 실시간 획득되는 배터리 셀의 전류, 전압, 전해질 임피던스 및 전극 임피던스의 변화량에 관련한 제1배터리 데이터에 대응하여 해당 배터리의 건강 상태의 변화 정도(즉, 성능 열화 정도)에 관련한 배터리 진단 정보를 제공할 수 있다. 이에 따라, 충/방전 사이클에 대응하여 배터리의 성능 열화 정도에 관한 예측이 가능해질 수 있으므로, 배터리를 구성하는 배터리 셀의 잔존 용량의 추정이 가능해질 수 있다. 이는 해당 배터리를 활용하는 기기의 운용효율 향상을 도모할 수 있다. 추가적으로, 제1배터리 진단 서브 모델은 제1배터리 데이터의 각 인자들의 변화량에 대응하는 분석 정보를 출력하도록 학습된 신경망 모델임에 따라, 단순히 각 측정값에 기반한 분석 정보를 제공하는 것이 아닌, 각 인자들의 시점 별 변화량에 대응하는 배터리 성능에 관련한 유의미한 분석 정보를 제공할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(130)는 제1배터리 데이터에 대응하는 제1배터리 진단 서브 정보를 생성하는 경우, 해당 제1배터리 데이터에 제1배터리 진단 서브 정보를 매칭하여 라벨링함으로써 추가 제1학습 데이터를 생성할 수 있다. 또한, 프로세서(130)는 추가 제1학습 데이터를 활용하여 제1배터리 진단 서브 모델에 대한 추가 학습을 수행할 수 있다.
즉, 제1배터리 진단 서브 모델을 학습시키기 위한 추가 제1학습 데이터를 구축함으로써, 제1배터리 진단 서브 모델을 더욱 고도화시킬 수 있다. 이는 학습 데이터의 구축이 어려운 환경에서 학습 데이터 구축 또는 증강을 용이하게 수행하도록 하는 구성으로, 학습 데이터의 증가에 따른 신경망의 고도화를 야기한다는 장점이 있다.
또한, 실시예에서, 배터리 진단 모델은, 제2배터리 데이터에 기초하여 제2배터리 진단 서브 정보를 출력하는 제2배터리 진단 서브 모델을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(130)는 복수의 배터리 데이터를 기반으로 제2학습 데이터 세트를 구축하고, 이에 기반한 학습을 통해 제2배터리 진단 서브 모델을 생성할 수 있다. 구체적으로, 프로세서(130)는 배터리 데이터 획득 장치(200) 및 외부 서버(20) 중 적어도 하나로부터 복수의 배터리 각각에 관련한 복수의 제2배터리 데이터를 수신할 수 있으며, 복수의 제2배터리 데이터에 기반하여 제2학습 입력 서브 데이터 세트 및 제2학습 출력 서브 데이터 세트를 포함하는 제2학습 데이터 서브 세트를 구축할 수 있다.
자세히 설명하면, 프로세서(130)는 복수의 배터리 각각에 대응하는 온도, 습도, 압력, 전류 밀도, 유량의 시점 별 변화에 대한 정보(즉, 제2배터리 데이터)에 기반하여 제2학습 입력 데이터 세트를 구축할 수 있다. 하나의 제2학습 입력 데이터는 하나의 배터리에 대응하는 온도, 습도, 압력, 전류 밀도, 유량의 시점 별 변화에 대한 정보일 수 있다. 즉, 제2학습 입력 데이터 세트는, 복수의 배터리 각각에 대응하는 복수의 제2학습 입력 데이터의 조합일 수 있다.
또한, 프로세서(130)는 제2학습 입력 데이터 세트에 포함된 복수의 제2학습 입력 데이터 각각에 대응하는 플러딩 발생 여부, 드라잉 발생 여부 및 이상 발생 여부에 관한 정보에 기반하여 복수의 제2학습 출력 데이터를 포함하는 제2학습 출력 데이터 세트를 구축할 수 있다. 하나의 제2학습 출력 데이터는 하나의 배터리에 대응하는 플러딩 발생 여부, 드라잉 발생 여부 및 이상 발생 여부에 대한 정보 중 적어도 하나를 포함할 수 있다. 여기서, 플러딩 발생 여부에 관한 정보는, 온도, 습도, 압력, 전류 밀도 및 유량 중 적어도 하나에 대한 변화 시점에 대응하여 플러딩이 발생하였다는 정보를 포함할 수 있다. 예를 들어, 플러딩 발생 여부에 대한 정보는, 온도가 15도에서 40도로 변화되는 시점에 대응하여 배터리에서 플러딩이 발생하였다는 정보를 포함할 수 있다. 드라잉 발생 여부에 관한 정보는, 온도, 습도, 압력, 전류 밀도 및 유량 중 적어도 하나에 대한 변화 시점에 대응하여 드라잉이 발생하였다는 정보를 포함할 수 있다. 또한, 이상 발생 여부에 관한 정보는, 온도, 습도, 압력, 전류 밀도 및 유량 중 적어도 하나에 대한 변화 시점에 대응하여 측정 대상 배터리에 발생하는 이상에 관련한 정보를 포함하는 것으로, 제2배터리 데이터 획득 과정에서 측정 기기의 위험 상태를 사용자에게 인지시키기 위한 정보일 수 있다. 예를 들어, 이상 발생 여부에 관한 정보는, 온도가 40도에서 60도으로 변화되고, 습도가 50%에서 100%으로 변화되고, 그리고 압력이 1.5bar에서 2.0bar로 변화되는 시점에 대응하여 배터리에서 발화에 관련한 이상 증후가 발생되었다는 정보를 포함할 수 있다. 전술한, 드라잉 발생 여부에 관한 정보및 이상 발생 여부에 관한 정보에 대한 구체적인 수치적 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
또한, 프로세서(130)는 제2학습 입력 데이터 세트에 포함된 복수의 제2학습 입력 데이터 각각에 대응하는 제2학습 출력 데이터를 매칭하여 라벨링함으로써, 제2학습 데이터 세트를 구축할 수 있다. 프로세서(130)는 서로 대응하는 복수의 제2학습 입력 데이터 각각과 복수의 제2학습 출력 데이터 각각을 매칭하여 라벨링함으로써, 복수의 제2학습 데이터를 포함하는 제2학습 데이터 서브 세트를 구축할 수 있다.
또한, 프로세서(130)는 제2학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행하여 제2배터리 진단 서브 모델을 생성할 수 있다. 제2배터리 진단 서브 모델은 하나 이상의 네트워크 함수를 포함할 수 있으며, 하나 이상의 네트워크 함수는 제2학습 데이터 세트를 통해 학습될 수 있다. 예컨대, 제2배터리 진단 서브 모델은, 제1배터리 진단 서브 모델과 동일한 구조의 신경망 모델일 수 있다. 즉, 제2배터리 진단 서브 모델은 차원 감소 서브 모델 및 차원 복원 서브 모델을 포함할 수 있으며, 차원 복원 서브 모델은 적어도 하나의 어텐션 계층을 포함할 수 있다. 이에 따라, 시계열적인 데이터를 입력으로 처리하는 경우, 각 시점에 데이터 전체를 아우를 수 있어, 시계열 데이터 처리의 정확도 및 효율이 향상될 수 있다.
또한, 프로세서(130)는 제2배터리 진단 서브 모델을 활용하여 진단 대상 배터리에 관련한 제2배터리 진단 서브 정보를 생성할 수 있다. 구체적으로, 프로세서(130)는 사용자 단말(10) 및 배터리 데이터 획득 장치(200) 중 적어도 하나로부터 진단 대상 배터리에 관련한 제2배터리 데이터를 획득할 수 있다. 제2배터리 데이터는, 진단 대상 배터리의 온도, 습도, 압력, 전류 밀도, 유량의 시점 별 변화량에 대한 정보를 포함할 수 있다. 이 경우, 제2배터리 진단 서브 정보는 진단 대상 배터리에서의 플러딩 또는 드라잉 발생 여부에 관련한 예측 정보를 포함할 수 있다. 즉, 제2배터리 진단 서브 모델은, 온도, 습도, 압력, 전류 밀도, 유량의 시점 별 변화량에 대한 정보를 입력으로 하여 해당 배터리에서의 플러딩 또는 드라잉 발생 여부에 관련한 예측 정보인 제2배터리 진단 서브 정보를 출력할 수 있다. 실시예에서, 플러딩 또는 드라잉 발생 여부에 관련한 예측 정보는 이상 여부 발생에 관한 정보를 더 포함할 수 있다. 즉, 프로세서(130)는 제2배터리 진단 서브 모델을 활용하여 플러딩 또는 드라잉 발생 여부에 관련한 예측 정보를 제공할 수 있다. 플러딩 또는 드라잉의 발생 여부는 연료전지의 성능 열화와 밀접한 관계를 가질 수 있다. 예컨대, 연료전지에 공급되는 가스의 습도가 높으면 막의 이온전도도가 높아져 연료정지의 성능이 향상되지만, 캐소드(chthode)에서 생성된 물이 합해져 유료에 물이 넘치는 플러딩이 현상이 발생함에 따라, 전극까지 수소와 산소 공급이 원활히 이뤄지지 않아 성능이 열화될 수 있다.
다시 말해, 연료 전지의 플러딩 및 드라잉에 대한 진단이 가능해짐에 따라 배터리의 성능 열화 정도에 대한 진단이 가능해질 수 있다. 이는, 연료전지 시스템의 급격한 성능 저하를 유발하는 플러딩 및 드라잉의 진단 및 예측을 가능하게 함에 따라, 연료전지의 상용화를 도모할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(130)는 획득되는 배터리 데이터의 종류에 따라 적어도 하나의 서브 모델을 결정할 수 있으며, 결정된 서브 모델을 활용하여 배터리 진단 정보를 생성할 수 있다.
본 발명에서 활용되는 신경망 모델은, 전류, 전압, 전해질 임피던스 및 전극 임피던스의 변화량에 관련한 제1배터리 데이터를 입력으로 하여 배터리의 건강 상태에 관련한 진단 정보(즉, 제1배터리 진단 서브 정보)를 출력하는 제1배터리 진단 서브 모델 및 온도, 습도, 압력, 전류 밀도, 유량의 변화량에 관련한 제2배터리 데이터를 입력으로 하여 플러딩 또는 드라잉의 발생 여부에 관련한 진단 정보(즉, 제2배터리 진단 서브 정보)를 출력하는 배터리 진단 서브 모델을 포함할 수 있다. 이에 따라, 프로세서(130)는 신경망의 입력에 관련된 데이터(즉, 사용자 단말 또는 배터리 데이터 획득 장치로부터 수신한 진단 대상 배터리에 관련한 데이터)가 제1배터리 데이터인지 또는, 제2배터리 데이터인지 여부를 식별하고, 해당 식별 결과에 기반하여 보다 적절한 진단 정보를 제공하기 위한 신경망 모델을 결정할 수 있다.
구체적인 실시예에서, 프로세서(130)는 배터리 데이터의 종류 정보를 획득할 수 있다. 구체적으로, 프로세서(130)는 차원 감소 서브 모델을 활용하여 배터리 데이터에 대응하는 제1피처를 추출할 수 있다. 여기서 차원 감소 서브 모델은, 제1배터리 진단 서브 모델에 포함된 모델로, 입력에 대응하는 피처를 출력하도록 학습된 신경망 모델일 수 있다. 차원 감소 서브 모델은 입력에 관련한 피처를 추출하는 모델일 수 있다. 즉, 차원 감소 서브 모델을 통해 출력되는 피처는 벡터 공간 상의 임베딩에 관련한 것일 수 있다.
차원 감소 서브 모델의 경우, 유사한 입력일수록 유사한 백터 공간 상에 피처를 추출하며, 서로 상이한 입력에 관련해서는 벡터 공간 상에 비교적 먼 위치로 피처를 추출할 수 있다. 즉, 차원 감소 서브 모델의 출력에 관련한 피처 간의 거리가 가까울수록 입력 데이터가 유사한 것이며, 출력에 관련한 피처 간의 거리가 멀수록 입력 데이터가 서로 유사하지 않은 것일 수 있다.
또한, 프로세서(130)는 제1배터리 진단 서브 모델의 학습에 활용된 제1학습 데이터 세트에 기반하여 복수의 제2피처를 추출할 수 있다. 프로세서(130)는 제1배터리 진단 서브 모델의 학습 과정에서 활용된 제1학습 입력 데이터들 각각을 차원 감소 서브 모델의 입력으로 처리하여 복수의 제2피처를 추출할 수 있다.
또한, 프로세서(130)는 제2배터리 진단 서브 모델의 학습에 활용된 제2학습 데이터 세트에 기반하여 복수의 제2피처를 추출할 수 있다. 프로세서(130)는 제2배터리 진단 서브 모델의 학습 과정에서 활용된 제2학습 입력 데이터들 각각을 차원 감소 서브 모델의 입력으로 처리하여 복수의 제3피처를 추출할 수 있다.
실시예에서, 프로세서(130)는 제1피처와 복수의 제2피처들 간의 제1유사도 및 제1피처와 복수의 제3피처들 간의 제2유사도에 기초하여 배터리 데이터의 종류 정보를 획득할 수 있다. 프로세서(130)는 각 피처 간의 유사도 비교를 통해 배터리 데이터의 종류 정보를 획득할 수 있다. 유사도 비교는, 예컨대, 벡터 공간 상의 거리에 기반한 유사도 비교일 수 있다.
예컨대, 제1피처와 복수의 제2피처들 간의 제1유사도가 제1피처와 복수의 제3피처들 간의 제2유사도 보다 큰 경우, 프로세서(130)는 배터리 데이터가 제1배터리 데이터에 관련한다는 종류 정보를 생성할 수 있다. 또한, 제1피처와 복수의 제3피처들 간의 제2유사도가 제1피처와 복수의 제2피처들 간의 제1유사도 보다 큰 경우, 프로세서(130)는 배터리 데이터가 제2배터리 데이터에 관련한다는 종류 정보를 생성할 수 있다.
구체적인 예를 들어, 입력에 관련한 제1피처와 제2피처의 제1유사도가 95%이며, 입력에 관련한 제1피처와 제3피처의 제2유사도가 15%인 경우, 프로세서(130)는 제1피처와 제2피처 간의 제1유사도가 비교적 높은 것으로 판별하여, 신경망의 입력으로 처리하고자 하는 배터리 데이터가 제1학습 입력 데이터와 연관성을 가지는 데이터인것으로 판단할 수 있다. 이에 따라, 해당 배터리 데이터를 제1배터리 진단 서브 모델로 처리하여 제1배터리 진단 서브 정보를 제공하도록 할 수 있다. 전술한 피처들 간에 유사도에 대한 구체적인 수치적 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
즉, 프로세서(130)는 입력으로 처리하고자 하는 배터리 데이터를 차원 감소 서브 모델에 입력시킴으로써, 제1피처를 추출할 수 있으며, 해당 제1피처와 제1학습 입력 데이터에 대응하여 생성된 제2피처 및 제2학습 입력 데이터에 대응하여 생성된 제3변화 요인 피처 각각에 대한 유사도 비교를 수행할 수 있다. 또한, 프로세서(130)는 유사도 비교 결과에 기반하여 입력으로 처리하고자 하는 데이터가 제1학습 입력 데이터 또는 제2학습 입력 데이터 중 어떠한 데이터와 연관성을 가지는지 여부를 식별할 수 있다.
실시예에서, 프로세서(130)는 배터리 데이터의 종류 정보에 기초하여 제1배터리 진단 서브 모델 및 제2배터리 진산 서브 모델 중 배터리 데이터를 처리할 적어도 하나의 모델을 결정할 수 있다.
구체적으로, 프로세서(130)는 배터리 데이터에 대응하는 종류 정보가 제1배터리 진단에 관련한다는 종류 정보를 포함하는 경우, 제1배터리 진단 서브 모델을 배터리 데이터를 처리할 모델로 결정할 수 있다.
또한, 프로세서(130)는 배터리 데이터에 대응하는 종류 정보가 제2배터리 진단에 관련한다는 종류 정보를 포함하는 경우, 제2배터리 진단 서브 모델을 배터리 데이터를 처리할 모델로 결정할 수 있다.
즉, 프로세서(130)는 진단 대상 배터리에 관련하여 진단 정보를 제공하는 과정에서 입력에 관련한 정보를 식별하고, 식별 결과에 대응하여 복수의 신경망 모델(즉, 제1배터리 진단 서브 모델 및 제2배터리 진단 서브 모델) 중 진단 정보를 제공하기에 적합한 신경망 모델을 결정할 수 있다. 이에 따라, 배터리에 관련하여 보다 다양한 진단 정보(즉, 제1배터리 진단 서브 정보 및 제2배터리 진단 서브 정보)의 제공이 가능해질 수 있다. 또한, 신경망을 활용하여 진단 정보를 제공하는 과정에서, 입력에 관련된 데이터의 종류를 식별하고, 해당 식별 결과에 기반하여 입력 정보를 처리하기 위한 특정 신경망 모델을 자동적으로 결정함으로써, 데이터 처리 과정에서 편의성을 제공할 수 있다. 다시 말해, 입력에 관련한 데이터에 다양성에 따라 특정 신경망 모델을 활용하기 위한 사용자의 별도의 입력이 요구되지 않을 수 있다.
실시예에서, 진단 정보를 도출하기 위하여 프로세서(130)가 수신하는 정보는 제1배터리 데이터 및 제2배터리 데이터를 모두 포함할 수 있다. 프로세서(130)는 제1배터리 데이터 및 제2배터리 데이터 각각을 제1배터리 진단 서브 모델 및 제2배터리 진단 서브 모델 각각의 입력으로 처리하고, 각 모델의 출력의 앙상불을 통해 배터리 진단 통합 정보(즉, 배터리 진단 정보)를 생성할 수 있다. 즉, 본 발명에서 제공하는 배터리 진단 통합 정보는, 배터리의 건강 상태의 변화 정보(즉, 성능 열화 정도)에 관련한 배터리 진단 정보 및 플러딩과 드라잉 발생 여부에 관한 정보인 배터리 진단 서브 정보를 포함할 수 있다.
따라서, 배터리에 관련한 진단 또는 예측 정보를 제공함에 있어, 다양성을 확보할 수 있으며, 다양한 요인을 통해 분석되는 정보들(즉, 배터리 진단 정보 및 배터리 진단 서브 정보)의 앙상블을 통해 출력의 정확도가 향상될 수 있다. 즉, 배터리의 상태에 대한 보다 정확한 예측 또는 진단이 가능해질 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(130)는 배터리 데이터 획득 장치(200)에 대한 제어를 수행할 수 있다. 구체적으로, 프로세서(130)는 모니터링 정보를 적어도 둘 이상의 관리자 단말로 전송할 것을 결정할 수 있다. 모니터링 정보는 실시간 배터리 진단 정보 및 이상 여부 감지 정보 중 적어도 하나를 포함할 수 있다. 배터리 진단 정보는 실시간으로 획득되는 배터리의 상태에 관련한 정보를 포함할 수 있으며, 예를 들어, 현재 시점에 관련하여 측정된 전류가 10mA라는 정보를 포함할 수 있다. 이상 여부 감지 정보는, 측정 기기의 위험 상태를 사용자에게 인지시키기 위한 정보를 포함할 수 있으며, 예를 들어, 특정 시점에 관련하여 배터리에서 발화에 관련한 이상 증후가 발생되었다는 정보를 포함할 수 있다. 이러한 모니터링 정보는 사용자로 하여금 배터리 데이터 획득 장치(200)를 활용하여 배터리에 대한 배터리 데이터를 획득하는 과정에서, 배터리에 관련한 기기의 측정 상태를 인지시키기 위한 정보일 수 있다. 즉, 프로세서(130)는 본 발명에서의 신경망을 학습시키기 위한 학습 데이터 구축 과정이나 또는, 진단 대상 배터리에 대한 배터리 데이터를 획득하는 과정에서 모니터링 정보를 생성하여 적어도 둘 이상의 관리자 단말로 전송할 것을 결정할 수 있다.
또한, 프로세서(130)는 적어도 둘 이상의 관리자 단말 중 적어도 하나로부터 모니터링 정보에 대응하는 피드백 제어 신호를 수신하는 경우, 피드백 제어 신호를 배터리 데이터 획득 장치(200)로 전달할 수 있다. 피드백 제어 신호는, 배터리 데이터 획득 장치(200)를 제어하긴 위한 신호로, 예를 들어, 배터리 데이터 획득 장치(200)의 전류, 전압, 온도, 습도, 압력, 전류밀도, 유량 등을 제어하거나 또는 해당 기기에 전원을 차단하기 위한 신호일 수 있다. 즉, 프로세서(130)는 적어도 둘 이상의 관리자 단말로 하여금 배터리 데이터 획득 장치(200)의 원격 제어를 허용할 수 있다.
일 실시예에서, 적어도 둘 이상의 관리자 단말은 적어도 하나의 권한 단말을 포함할 수 있다. 권한 단말은, 복수의 관리자 단말 중 배터리 데이터 획득 장치(200)에 대한 제어 권한을 가진 사용자에 관련한 단말을 의미할 수 있다. 즉, 권한 단말은 모니터링 정보에 대응하는 피드백 제어 신호를 생성할 수 있는 단말일 수 있다. 예를 들어, 프로세서(130)는 배터리의 상태 정보의 변화량이 사전 결정된 임계 변화량을 초과함에 따라 이상 여부 감지에 관련한 모니터링 정보를 둘 이상의 관리자 단말로 전송할 수 있으며, 권한 단말은 해당 모니터링 정보를 통해 이상 상황을 감지하여 배터리 데이터 획득 장치(200)의 전원을 차단하기 위한 피드백 제어 신호를 생성할 수 있다. 또한, 권한 단말은 생성된 피드백 제어 신호를 프로세서(130)로 전송하여 프로세서(130)로 하여금 해당 피드백 제어 신호를 배터리 데이터 획득 장치(200)로 전달하도록 할 수 있다. 즉, 프로세서(130)는 실시간 측정 상태에 관련한 모니터링 정보를 통해, 측정 상황에서 발생할 수 있는 위험을 관리자에게 인지시켜 위험 상황을 예방할 수 있다. 전술한 설명에서는 권한 단말이 생성한 피드백 제어 신호가 프로세서(130)를 거쳐 배터리 데이터 획득 장치(200)로 전달됨을 기재하나, 해당 피드백 제어 신호는 권한 단말로부터 직접적으로 배터리 데이터 획득 장치(200)로 전송될 수도 있음이 당 업계의 통상의 기술자에게 명백할 것이다.
추가적인 실시예에서, 프로세서(130)는 권한 단말의 상태 정보에 기반하여 권리자 단말 중 적어도 하나의 단말에 배터리 데이터 획득 장치(200)의 제어를 위한 권한을 부여할 것을 결정할 수 있다. 권한 단말의 상태 정보는, 해당 권한 단말의 사용자가 배터리 데이터 획득 장치(200)에 대한 제어를 수행할 수 있는지 여부에 관련한 정보일 수 있다. 예컨대, 권한 단말의 상태 정보는, 권한 단말의 전원이 꺼져(즉, off)있다는 정보, 또는 권한 단말이 사전 결정된 시간 동안 모니터링 정보를 확인하지 않았다는 정보 등을 포함할 수 있다. 즉, 프로세서(130)는 권한 단말을 상태 정보를 통해 해당 권한 단말이 배터리 데이터 획득 장치(200)에 적절한 제어를 수행할 수 없음을 식별하는 경우, 권리자 단말 중 적어도 하나의 단말에 배터리 데이터 획득 장치(200)의 제어를 위한 권한을 부여할 것을 결정할 수 있다. 이에 따라, 제어 권한을 가진 권한 단말의 부재 시에도, 비상 상황(또한, 위험 상황)에 대한 제어가 가능해질 수 있다.
일 실시예에 따르면, 복수의 권리자 단말 중 적어도 하나의 단말에 제어 권한을 부여하는 것은, 복수의 권리자 단말 각각의 투표에 기반하여 결정될 수 있다. 예컨대, 4개의 권리자 단말이 존재하며, 권한 단말이 사전 결정된 시간 동안 모니터링 정보에 대응하는 응답이 없는 경우, 3개의 권리자 단말 각각으로부터 권한을 부여하기 위한 권한 추천 정보를 수신할 수 있으며, 프로세서(130)는 권한 추천 정보에 기반하여 3개의 권리자 단말 중 제 1 권리자 단말을 권한을 부여할 단말로 결정할 수 있다. 이에 따라, 제 1 권리자 단말은 배터리 데이터 획득 장치(200)를 제어하기 위한 피드백 제어 신호의 생성이 가능해질 수 있다.
일 실시예에 따르면, 제어 권한은 모니터링 정보에 대응하는 응답 속도가 가장 빠른 권리자 단말에게 자동적으로 부여될 수도 있다. 이 경우, 모니터링 상황에 대응하여 보다 빠른 제어 응답이 가능해질 수 있다.
추가적인 실시예에서, 권한 단말의 부재 여부를 식별하기 위한 사전 결정된 시간은 모니터링 정보에 기반하여 설정될 수 있다. 예컨대, 모니터링 정보가 1시간 후 비상 상황이 예측된다는 정보를 포함하는 경우, 프로세서(130)는 사전 결정된 시간은 10분으로 설정될 수 있으며, 모니터링 정보가 10분 후 비상 상황이 예측된다는 정보를 포함하는 경우, 프로세서(130)는 사전 결정된 시간은 3분으로 설정될 수 있다. 즉, 프로세서(130)는 해당 장치에 대한 긴급한 제어가 요구되는 경우, 비교적 짧은 시간 주기를 설정하여 권한을 즉각 부여함으로써, 빠른 제어가 수행되도록 할 수 있다. 따라서, 긴급 상황에 대응하여 긴급 제어가 가능해질 수 있다.
도 5는 본 발명의 일 실시예와 관련된 제1배터리 진단 서브 모델의 학습 과정을 예시적으로 나타낸 순서도이다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 배터리 각각에 관련한 복수의 제1배터리 데이터를 획득할 수 있다(S110).
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 제1배터리 데이터에 기반하여 제1학습 입력 데이터 세트 및 제1학습 출력 데이터 세트를 포함하는 제1학습 데이터 세트를 구축할 수 있다(S120).
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 제1학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행하여 제1배터리 진단 서브 모델을 생성할 수 있다(S130).
전술한 도 5에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 발명의 일 실시예에 불과할 뿐, 본 발명의 권리 범위는 이에 제한되지 않는다.
도 6은 본 발명의 일 실시예와 관련된 제2배터리 진단 서브 모델의 학습 과정을 예시적으로 나타낸 순서도이다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 배터리 각각에 관련한 복수의 제2배터리 데이터를 획득할 수 있다(S210).
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 제2배터리 데이터에 기반하여 제2학습 입력 데이터 세트 및 제2학습 출력 데이터 세트를 포함하는 제2학습 데이터 세트를 구축할 수 있다(S220).
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 제2학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행하여 제2배터리 진단 서브 모델을 생성할 수 있다(S230).
전술한 도 6에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 발명의 일 실시예에 불과할 뿐, 본 발명의 권리 범위는 이에 제한되지 않는다.
도 7은 본 발명의 일 실시예와 관련된 인공지능을 활용한 배터리 진단 정보 제공 방법의 예시적인 순서도를 도시한다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 배터리 데이터를 획득할 수 있다(S310).
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 배터리 데이터를 배터리 진단 모델의 입력으로 처리하여 배터리 진단 정보를 생성할 수 있다(S320).
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 배터리 진단 정보를 사용자 단말로 전송할 수 있다(S330).
전술한 도 7에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 발명의 일 실시예에 불과할 뿐, 본 발명의 권리 범위는 이에 제한되지 않는다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 발명의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 발명의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 발명의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 발명의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning) 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 제시하여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 발명은 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (12)
- 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서,
배터리 데이터를 획득하는 단계;
상기 배터리 데이터를 배터리 진단 모델의 입력으로 처리하여 배터리 진단 정보를 생성하는 단계; 및
상기 배터리 진단 정보를 사용자 단말로 전송하는 단계;
를 포함하는,
인공지능을 활용한 배터리 진단 정보 제공 방법.
- 제1항에 있어서,
상기 배터리 데이터는,
제1배터리 데이터 및 제2배터리 데이터를 포함하며,
상기 제1배터리 데이터는,
진단 대상 배터리의 충/방전 사이클에 대응하는 전류, 전압, 전해질 임피던스 및 전극 임피던스 변화량에 대한 정보를 포함하며,
상기 제2배터리 데이터는,
상기 진단 대상 배터리의 온도, 습도, 압력, 전류 밀도 및 유량의 시점 별 변화에 관한 정보를 포함하는,
인공지능을 활용한 배터리 진단 정보 제공 방법.
- 제2항에 있어서,
상기 배터리 데이터를 획득하는 단계는,
배터리 데이터 획득 장치를 통해 상기 진단 대상 배터리로부터 상기 배터리 데이터를 획득하는 단계; 를 포함하며,
상기 배터리 데이터 획득 장치는,
온도 센서 모듈, 습도 센서 모듈, 압력 센서 모듈, 전류 밀도 측정 모듈, 유량 센서 모듈 및 적어도 둘 이상의 전극을 포함하며, 상기 적어도 둘 이상의 전극은, 배터리에 접촉되어 상기 배터리의 전류, 전압, 임피던스 및 측정 시간에 대한 정보를 획득하며, 상기 임피던스에 대응하는 보드 선도(Bode Plot) 또는, 나이퀴스트 선도(Nyquist Plot) 중 적어도 하나에 기반하여 전해질 임피던스(ohmic resistance) 및 전극 임피던스(charge transfer resistance)를 획득하는 것을 특징으로 하는,
인공지능을 활용한 배터리 진단 정보 제공 방법.
- 제3항에 있어서,
상기 배터리 진단 정보는,
상기 진단 대상 배터리의 상태 정보, 상태 예측 정보 및 건강 상태 정보(SOH, State Of Health) 중 적어도 하나에 관한 제1배터리 진단 서브 정보 및 상기 진단 대상 배터리의 플러딩 및 드라잉 발생 여부에 관련한 예측 정보에 관한 제2배터리 진단 서브 정보를 포함하며,
상기 배터리 진단 모델은,
상기 제1배터리 데이터에 기초하여 상기 제1배터리 진단 서브 정보를 출력하는 제1배터리 진단 서브 모델; 및
상기 제2배터리 데이터에 기초하여 상기 제2배터리 진단 서브 정보를 출력하는 제2배터리 진단 서브 모델; 을 포함하는,
인공지능을 활용한 배터리 진단 정보 제공 방법.
- 제4항에 있어서,
상기 제1배터리 진단 서브 모델은,
차원 감소 서브 모델, 차원 복원 서브 모델을 포함하며, 상기 제1배터리 데이터를 상기 차원 감소 서브 모델의 입력으로 하여 상기 차원 복원 서브 모델이 상기 제1배터리 데이터에 대응하는 제1배터리 진단 서브 정보를 출력하도록 학습되는 것을 특징으로 하는,
인공지능을 활용한 배터리 진단 정보 제공 방법.
- 제5항에 있어서,
상기 차원 감소 서브 모델은,
상기 제1배터리 데이터를 입력으로 하여 상기 제1배터리 데이터에 대응하는 변화 요인 피처를 출력하며,
상기 차원 복원 서브 모델은,
상기 변화 요인 피처를 입력으로 하여 상기 변화 요인 피처에 대응하는 상기 제1배터리 진단 서브 정보를 출력하는 것을 특징으로 하며,
상기 차원 복원 서브 모델은,
하나 이상의 어텐션 계층(attention layer)을 포함하며,
상기 하나 이상의 어텐션 계층은,
입력 데이터의 시간에 대한 정보 및 상기 차원 복원 서브 모델을 구성하는 하나 이상의 네트워크 함수의 타임 스텝 간의 연관 정보를 생성하는,
인공지능을 활용한 배터리 진단 정보 제공 방법.
- 제4항에 있어서,
상기 배터리 데이터를 배터리 진단 모델의 입력으로 처리하여 배터리 진단 정보를 생성하는 단계는,
상기 배터리 데이터의 종류 정보를 획득하는 단계;
상기 종류 정보에 기초하여 상기 제1배터리 진단 서브 모델 및 상기 제2배터리 진단 서브 모델 중 상기 배터리 데이터를 처리할 적어도 하나의 모델을 결정하는 단계; 및
상기 결정된 적어도 하나의 모델을 활용하여 상기 배터리 데이터에 대한 상기 배터리 진단 정보를 생성하는 단계;
를 포함하는,
인공지능을 활용한 배터리 진단 정보 제공 방법.
- 제7항에 있어서,
상기 배터리 데이터의 종류 정보를 획득하는 단계는,
상기 제1배터리 진단 서브 모델에 포함된 차원 감소 서브 모델을 활용하여 상기 배터리 데이터에 대응하는 제1피처를 추출하는 단계;
상기 제1배터리 진단 서브 모델의 학습에 활용된 제1학습 데이터 세트에 기반하여 복수의 제2피처를 추출하는 단계;
상기 제2배터리 진단 서브 모델의 학습에 활용된 제2학습 데이터 세트에 기반하여 복수의 제3피처를 추출하는 단계; 및
상기 제1피처와 복수의 제2피처들 간의 제1유사도 및 상기 제1피처와 복수의 제3피처들 간의 제2유사도에 기초하여 상기 배터리 데이터의 종류 정보를 획득하는 단계;
를 포함하는,
인공지능을 활용한 배터리 진단 정보 제공 방법.
- 제8항에 있어서,
상기 종류 정보에 기초하여 상기 제1배터리 진단 서브 모델 및 상기 제2배터리 진단 서브 모델 중 상기 배터리 데이터를 처리할 적어도 하나의 모델을 결정하는 단계는,
상기 배터리 데이터에 대응하는 상기 종류 정보가 제1배터리 진단에 관련한다는 종류 정보를 포함하는 경우, 상기 제1배터리 진단 서브 모델을 상기 배터리 데이터를 처리할 모델로 결정하는 단계; 및
상기 배터리 데이터에 대응하는 상기 종류 정보가 제2배터리 진단에 관련한다는 종류 정보를 포함하는 경우, 상기 제2배터리 진단 서브 모델을 상기 배터리 데이터를 처리할 모델로 결정하는 단계;
를 포함하는,
인공지능을 활용한 배터리 진단 정보 제공 방법.
- 제1항에 있어서,
상기 방법은,
모니터링 정보를 적어도 둘 이상의 관리자 단말에 전송할 것을 결정하는 단계; 및
상기 적어도 둘 이상의 관리자 단말 중 적어도 하나로부터 상기 모니터링 정보에 대응하는 피드백 제어 신호를 수신하는 경우, 상기 피드백 제어 신호를 배터리 데이터 획득 장치로 전달하는 단계;
를 더 포함하며,
상기 모니터링 정보는,
실시간 배터리 진단 정보 및 이상 여부 감지 정보 중 적어도 하나를 포함하는,
인공지능을 활용한 배터리 진단 정보 제공 방법.
- 하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
제1항의 방법을 수행하는, 컴퓨팅 장치.
- 하드웨어인 컴퓨터와 결합되어, 제1항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230103986A KR102625071B1 (ko) | 2023-08-09 | 2023-08-09 | 인공지능을 활용한 배터리 진단 정보 제공 방법, 컴퓨팅장치 및 컴퓨터 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230103986A KR102625071B1 (ko) | 2023-08-09 | 2023-08-09 | 인공지능을 활용한 배터리 진단 정보 제공 방법, 컴퓨팅장치 및 컴퓨터 프로그램 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20240000407A true KR20240000407A (ko) | 2024-01-02 |
| KR102625071B1 KR102625071B1 (ko) | 2024-01-16 |
Family
ID=89512344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230103986A KR102625071B1 (ko) | 2023-08-09 | 2023-08-09 | 인공지능을 활용한 배터리 진단 정보 제공 방법, 컴퓨팅장치 및 컴퓨터 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102625071B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101172183B1 (ko) | 2010-09-27 | 2012-08-07 | 현대자동차주식회사 | 차량의 배터리 ｓｏｈ 추정 장치 및 방법 |
| KR102169040B1 (ko) * | 2020-07-14 | 2020-10-22 | 지엘홀딩스 주식회사 | 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 |
| KR20210116801A (ko) * | 2020-03-16 | 2021-09-28 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
-
2023
- 2023-08-09 KR KR1020230103986A patent/KR102625071B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101172183B1 (ko) | 2010-09-27 | 2012-08-07 | 현대자동차주식회사 | 차량의 배터리 ｓｏｈ 추정 장치 및 방법 |
| KR20210116801A (ko) * | 2020-03-16 | 2021-09-28 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
| KR102169040B1 (ko) * | 2020-07-14 | 2020-10-22 | 지엘홀딩스 주식회사 | 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 |
Non-Patent Citations (3)
| Title |
|---|
| 2010 IEEE Vehicle Power and Propulsion Conference, Lille, France, 2010, pp. 1-8, doi: 10.1109/VPPC.2010.5729160.* * |
| Energies 2023, 16, 3393. https://doi.org/10.3390/en16083393* * |
| 비특허문헌1, The Transactions of the Korean Institute of Power Electronics (전력전자학회논문지) Volume 25 Issue 4* * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102625071B1 (ko) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Data-fusion prognostics of proton exchange membrane fuel cell degradation | |
| Xie et al. | Prognostic for fuel cell based on particle filter and recurrent neural network fusion structure | |
| Meraghni et al. | A data-driven digital-twin prognostics method for proton exchange membrane fuel cell remaining useful life prediction | |
| Ma et al. | A hybrid transfer learning scheme for remaining useful life prediction and cycle life test optimization of different formulation Li-ion power batteries | |
| Malhotra et al. | Long Short Term Memory Networks for Anomaly Detection in Time Series. | |
| Ming et al. | A systematic review of machine learning methods applied to fuel cells in performance evaluation, durability prediction, and application monitoring | |
| Che et al. | Data efficient health prognostic for batteries based on sequential information-driven probabilistic neural network | |
| Wu et al. | Fault diagnosis and prognostic of solid oxide fuel cells | |
| KR20200119383A (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
| Caceres et al. | A probabilistic Bayesian recurrent neural network for remaining useful life prognostics considering epistemic and aleatory uncertainties | |
| Ma et al. | Cycle life test optimization for different Li-ion power battery formulations using a hybrid remaining-useful-life prediction method | |
| Mao et al. | Effectiveness of a novel sensor selection algorithm in PEM fuel cell on-line diagnosis | |
| Ma et al. | Degradation prognosis for proton exchange membrane fuel cell based on hybrid transfer learning and intercell differences | |
| Wu et al. | A hybrid prognostic model applied to SOFC prognostics | |
| Zheng et al. | Brain-inspired computational paradigm dedicated to fault diagnosis of PEM fuel cell stack | |
| Zheng et al. | Performance prediction of fuel cells using long short‐term memory recurrent neural network | |
| Ma et al. | Data-driven prognostics for pem fuel cell degradation by long short-term memory network | |
| Zhang et al. | Bi-directional gated recurrent unit recurrent neural networks for failure prognosis of proton exchange membrane fuel cells | |
| Nagulapati et al. | Machine learning based fault detection and state of health estimation of proton exchange membrane fuel cells | |
| CN116259797A (zh) | 固体氧化物燃料电池系统的健康评估与预测方法及其系统 | |
| Li et al. | Degradation prediction of proton exchange membrane fuel cell based on the multi-inputs Bi-directional long short-term memory | |
| Zhao et al. | Battery fault diagnosis and failure prognosis for electric vehicles using spatio-temporal transformer networks | |
| Li et al. | Performance degradation decomposition-ensemble prediction of PEMFC using CEEMDAN and dual data-driven model | |
| CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
| Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| G15R | Request for early publication | ||
| GRNT | Written decision to grant |