KR20240048108A - 인공 지능 알고리즘을 이용하여 대상물의 이상을 판단하는 장치 및 방법 - Google Patents

인공 지능 알고리즘을 이용하여 대상물의 이상을 판단하는 장치 및 방법 Download PDF

Info

Publication number
KR20240048108A
KR20240048108A KR1020220127503A KR20220127503A KR20240048108A KR 20240048108 A KR20240048108 A KR 20240048108A KR 1020220127503 A KR1020220127503 A KR 1020220127503A KR 20220127503 A KR20220127503 A KR 20220127503A KR 20240048108 A KR20240048108 A KR 20240048108A
Authority
KR
South Korea
Prior art keywords
data
model
battery
paragraph
threshold
Prior art date
Application number
KR1020220127503A
Other languages
English (en)
Inventor
심예슬
조혜승
윤수희
임우형
Original Assignee
주식회사 Lg 경영개발원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 Lg 경영개발원 filed Critical 주식회사 Lg 경영개발원
Priority to KR1020220127503A priority Critical patent/KR20240048108A/ko
Publication of KR20240048108A publication Critical patent/KR20240048108A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

AI 모델을 이용하여 대상물의 이상(anomaly)을 감지하는 장치 및 방법이 개시된다. 상기 장치는, 상기 대상물의 이상 스코어를 출력하도록 학습된 AI 모델이 저장된 적어도 하나의 메모리; 및 상기 적어도 하나의 메모리와 통신을 수행하며, 상기 AI 모델을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 대상물로부터 측정된 제1 데이터에 대해 전처리를 수행함으로써 제2 데이터를 획득하고, 상기 제1 데이터 및 상기 제2 데이터로부터 상기 대상물의 이상 스코어를 획득할 수 있도록 상기 AI 모델의 학습을 수행하며, 상기 학습된 AI 모델을 통해 획득된 상기 이상 스코어 및 기 설정된 임계값에 기초하여 상기 대상물의 이상 여부를 출력할 수 있다.

Description

인공 지능 알고리즘을 이용하여 대상물의 이상을 판단하는 장치 및 방법{DEVICE AND METHOD FOR DETERMINING ANOMALIES OF AN OBJECT USING ARTIFICIAL INTELLIGENCE MODEL}
본 개시는 대상물의 이상을 판단하는 장치 및 방법에 관한 것이다. 보다 상세하게는 본 개시는 인공 지능 모델을 이용하여 대상물의 이상을 판단하는 장치 및 방법에 관한 것이다.
이상 감지(Anomaly detection) 기술은 데이터 내에서 정의된 정상 적인 패턴을 따르지 않는 이상(또는, 비정상) 케이스를 자동으로 판별하는 기술을 지칭한다. 이상 감지를 위해 단순한 이진 분류 방식이 적용될 경우, 클래스 불균형(class imbalance) 등의 제약으로 정확한 결과 값이 도출되지 않을 수 있다.
이에 따라, 기존에는 통계 기법에 기반한 이상 감지 기술이 적용되었다. 예로, 단변수와 관련된 이상 감지 케이스에는 룰 기반 이상 감지 기술이 적용되었으며, 다변량 변수와 관련된 이상 감지 케이스에는 PCA(principal component analysis) 또는 결정(decision)-트리(tree) 등의 선형 통계 기법 기반의 이상 감지 기술이 적용되었다.
다만, 기존의 통계 기법에 기반한 이상 감지 기술을 이용할 경우, 배터리 등과 같이 정밀한 장치의 이상을 감지하기 어려울 수 있다. 따라서, 보다 정확하고 효율적인 이상 감지 기술의 개발의 필요성이 대두되고 있다.
미국 공개특허공보 US 2022-0131392, 2022.04.28.
본 개시에 개시된 실시예는 인공 지능 모델을 이용하여 대상물(예로, 배터리)의 이상을 판단하는 장치 및 방법을 제공하는데 그 목적이 있다.
또한, 본 개시에 개시된 실시예는 이상 감지 판단에 최적화된 인공지능 모델 및 적응적(adaptive) 임계값의 제어에 기초하여 대상물의 이상을 판단하는 장치 및 방법을 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 실시예로, 인공 지능(artificial intelligence, AI) 모델을 이용하여 대상물의 이상(anomaly)을 감지하는 장치는, 상기 대상물의 이상 스코어(anomaly score)를 출력하도록 학습된 AI 모델이 저장된 적어도 하나의 메모리; 및 상기 적어도 하나의 메모리와 통신을 수행하며, 상기 AI 모델을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 대상물로부터 측정된 제1 데이터에 대해 전처리(preprocessing)를 수행함으로써 제2 데이터를 획득하고, 상기 제1 데이터 및 상기 제2 데이터로부터 상기 대상물의 이상 스코어를 획득할 수 있도록 상기 AI 모델의 학습을 수행하며, 상기 학습된 AI 모델을 통해 획득된 상기 이상 스코어 및 기 설정된 임계값에 기초하여 상기 대상물의 이상 여부를 출력할 수 있다.
그리고, 상기 대상물은, 적어도 하나 이상의 개별 모듈(module)의 패키지로 구성되며, 상기 적어도 하나 이상의 개별 모듈은, 적어도 하나 이상의 N개의 구성 부품을 포함하고, 상기 제1 데이터는 상기 대상물로부터 t초(second)간 측정된 데이터이며, 상기 제1 데이터는 t*N 매트릭스(matrix)로 구성될 수 있다.
그리고, 상기 대상물이 배터리인 경우, 상기 개별 모듈은 배터리 모듈이고, 상기 구성 부품은 상기 배터리 모듈 내에 적어도 하나 이상 포함되는 셀(cell)일 수 있다.
그리고, 상기 제1 데이터는 상기 적어도 하나 이상의 배터리 모듈의 전압 데이터를 포함하고, 상기 장치는 상기 제1 데이터에 대해 전처리(preprocessing)를 수행할 수 있다.
그리고, 상기 제1 데이터에 수행되는 상기 전처리는, 열-기준 제로 중간값 정규화(column-wise zero median normalization) 과정을 포함할 수 있다.
그리고, 상기 제1 데이터에 수행되는 상기 전처리는, 퇴화 스케일링(degradation scaling) 과정을 더 포함하고, 상기 적어도 하나의 프로세서는, 상기 열-기준 제로 중간값 정규화가 수행된 상기 제1 데이터에 대해 퇴화 스케일링을 적용하여 상기 제2 데이터를 획득할 수 있다.
그리고, 상기 AI 모델은, 상기 제2 데이터 및 상기 제2 데이터의 복원(reconstruction) 데이터 간의 평균 제곱근 편차(root mean square error, RMSE)를 상기 이상 스코어로서 출력하도록 학습될 수 있다.
그리고, 상기 AI 모델은, AE(Auto-Encoder), AAE(Adversarial Auto-Encoder), VAE(Variational Auto-Encoder) 및 GAN(Generative Adversarial Network) 중의 적어도 하나의 구조에 기반하여 구성되며, LSTM(long short-term memory) 레이어, GRU(Gated Recurrent Unit), Fully-Connected 레이어, Convolutional 레이어 및 Dilated Convolutional 레이어 중 적어도 하나를 추가로 포함할 수 있다.
그리고, 상기 적어도 하나의 프로세서는, 상기 이상 스코어가 임계값을 초과하는지 여부에 기초하여 상기 대상물의 이상 여부를 판단할 수 있다.
그리고, 상기 임계값은 미리 설정된 제1 시구간 내에서의 상기 이상 스코어에 기초하여 설정될 수 있다.
그리고, 상기 임계값은, 미리 설정된 상기 제1 시구간 내에서의 상기 이상 스코어의 이동 평균(moving average) 값에 기초하여 적응적으로(adaptively) 설정될 수 있다.
그리고, 상기 대상물이 배터리인 경우, 적어도 상기 대상물은 적어도 하나 이상의 배터리 모듈을 포함하고, 상기 임계값은 미리 설정된 상기 제1 시구간 내에서의 상기 이상 스코어의 이동 평균(moving average) 값에 기초하여 적응적으로(adaptively) 설정될 수 있다.
그리고, 상기 AI 모델은, 잠재 차원(latent dimension)을 이용하여 상기 제1 데이터 또는 상기 제2 데이터를 압축 및 복원하고, 구분자(discriminator)를 통해 상기 잠재 차원이 미리 정의된 분포를 따르는지 검증하도록 학습될 수 있다.
그리고, 상기 AI 모델의 학습은 비지도 학습(Unsupervised learning)이며, 상기 제1 데이터 및 상기 제2 데이터에 기초하여 수행될 수 있다.
본 개시의 또 다른 실시예로, 장치에 의해 수행되는, 대상물의 이상 스코어를 출력하도록 학습된 인공 지능(artificial intelligence, AI) 모델을 이용하여 상기 대상물의 이상(anomaly)을 감지하는 방법은, 상기 대상물로부터 측정된 제1 데이터에 대해 전처리(preprocessing)를 수행함으로써 제2 데이터를 획득하는 단계; 상기 제1 데이터 및 상기 제2 데이터로부터 상기 대상물의 이상 스코어를 획득할 수 있도록 상기 AI 모델의 학습을 수행하는 단계; 및 상기 학습된 AI 모델을 통해 획득된 상기 이상 스코어 및 기 설정된 임계값에 기초하여 상기 대상물의 이상 여부를 출력하는 단계를 포함할 수 있다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시에의 전술된 실시예에 따르면, 인공 지능 모델을 이용하여 대상물의 이상을 판단하는 장치 및 방법이 제공될 수 있다.
또한, 본 개시에 개시된 실시예에 따르면, 이상 감지 판단에 최적화된 인공지능 모델 및 적응적 임계값의 제어에 기초하여 대상물의 이상을 판단하는 장치 및 방법이 제공될 수 있다.
또한, 본 개시에 실시된 실시예에 따르면, 대상물의 이상을 판단할 때 발생될 수 있는 오차 및 노이즈(noise)를 최소화시킬 수 있다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른, 인공 지능 모델을 이용하여 대상물의 이상을 판단하는 방법을 구현하기 위한 시스템의 개략도이다.
도 2는 본 개시의 일 실시예에 따른, 인공 지능 모델을 이용하여 대상물의 이상을 판단하는 장치의 구성을 설명하기 위한 블록도이다.
도 3은 본 개시의 일 실시예에 따른, 인공 지능 모델을 이용하여 대상물의 이상을 판단하는 방법을 설명하기 위한 블록도이다.
도 4는 본 개시의 일 실시예에 따른, 배터리의 전압 데이터를 획득하는 방법을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시예에 따른, 인공 지능 모델을 이용하여 대상물의 이상을 판단하는 구조를 설명하기 위한 도면이다.
도 6a 내지 도 6d는 본 개시의 일 실시예에 따른, 배터리의 전압 데이터를 전처리하는 과정을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시예에 따른, 배터리에 대응되는 이상 스코어를 산출하는 AI 모델을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시예에 따른, 배터리의 전압 데이터에 퇴화 스케일링을 적용하는 과정을 설명하기 위한 도면이다.
도 9a 내지 도 9c는 본 개시의 일 실시예에 따른, 배터리에 대응되는 이상 스코어(anomaly score)와 비교할 임계값을 설명하기 위한 도면이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우 뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하, 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '인공 지능 알고리즘을 이용하여 대상물의 이상을 판단하는 장치 및 방법'은 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 인공 지능 알고리즘을 이용하여 대상물의 이상을 판단하는 장치는 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
도 1은 본 개시의 일 실시예에 따른, 인공 지능 모델을 이용하여 대상물의 이상을 판단하는 방법을 구현하기 위한 시스템(1000)의 개략도이다. 이하에서는 대상물이 배터리인 경우를 가정하나, 이에 한정되는 것은 아니다.
도 1에 도시된 바와 같이, 인공 지능 모델을 이용하여 배터리 이상을 판단하는 방법을 구현하기 위한 시스템(1000)은, 장치(100), 데이터 베이스(200), 및 AI 모델(300)을 포함할 수 있다.
시스템(1000)에 포함된 장치(100), 데이터 베이스(200), 및 AI 모델(300)은 네트워크(W)를 통해 통신을 수행할 수 있다. 여기서, 네트워크(W)는 유선 네트워크와 무선 네트워크를 포함할 수 있다. 예를 들어, 네트워크는 근거리 네트워크(LAN: Local Area Network), 도시권 네트워크(MAN: Metropolitan Area Network), 광역 네트워크(WAN: Wide Area Network) 등의 다양한 네트워크를 포함할 수 있다.
또한, 네트워크(W)는 공지의 월드 와이드 웹(WWW: World Wide Web)을 포함할 수도 있다. 그러나, 본 개시의 실시예에 따른 네트워크(W)는 상기 열거된 네트워크에 국한되지 않고, 공지의 무선 데이터 네트워크나 공지의 전화 네트워크, 공지의 유무선 텔레비전 네트워크를 적어도 일부로 포함할 수도 있다.
장치(100)는 AI 모델(300)에 기초하여 배터리에 대응되는 이상 스코어(anomaly score)를 획득할 수 있다.
여기서, 이상 스코어는 입력 데이터 및 AI 모델에 의해 출력된 입력 데이터의 복원(reconstruction) 데이터 간의 차이 값(예로, RMSE(root mean square error))을 의미할 수 있다. 즉, 입력 데이터와 입력 데이터의 복원 데이터 간의 차이가 클수록 해당 입력 데이터는 이상 데이터(또는, 비정상 데이터)일 확률이 높을 수 있다.
이에 따라, 배터리에 대응되는 이상 스코어는 배터리의 이상 여부를 판단할 수 있는 데이터를 의미할 수 있다. 일 예로, 배터리에 대응되는 이상 스코어는 배터리의 전압 데이터에 기초하여 획득될 수 있다. 배터리의 전압 데이터와 관련된 이상 스코어가 임계값을 초과할 경우, 장치는 배터리의 전압과 관련된 상태가 이상(또는, 비정상) 상태인 것으로 판단할 수 있다. 즉, 배터리의 전압 데이터와 관련된 이상 스코어가 임계값을 초과할 경우, 장치는 배터리에 이상이 발생한 것으로 판단할 수 있다.
한편, AI 모델로는 이상 스코어를 출력하도록 학습된 AE(Auto-Encoder)모델의 구조가 적용된 경우를 가정한다. 미리 학습된 AE모델에 정상 입력값을 인가할 경우, AE모델은 정상 출력 값을 출력할 수 있다. 다만, 미리 학습된 AE모델에 이상 입력값을 인가하더라도, AE모델은 정상 출력 값을 출력할 수 있다.
장치는 AI 모델에 입력할 배터리의 전압 데이터를 전처리할 수 있다. 일 예로, 전처리는 정규화 동작(예로, 열-기준 제로 중간값 정규화(column-wise zero median normalization))을 포함할 수 있다. 그리고, 장치의 전처리 과정은 정규화된 전압 데이터에 대해 추가로 퇴화 스케일링(degradation scaling)을 적용하는 과정을 포함할 수 있다.
장치는 학습 단계 또는 추론(또는, 동작) 단계에서 AI 모델에 입력할 데이터(예로, 전압 데이터) 모두에 대해 상술된 전처리를 수행할 수 있다.
장치는 배터리에 대응되는 이상 스코어와 비교하는 임계값을 적응적으로 업데이트하고, 업데이트된 임계값을 이용하여 배터리의 이상을 판단하는 동작(즉, 후처리(postprocessing))을 수행할 수 있다. 즉, 배터리에 대응되는 이상 스코어와 비교하는 임계값은 지속적으로 업데이트되는 적응적인(adaptive) 임계값일 수 있다.
데이터 베이스(200)는 AI 모델(300)을 학습시키기 위한 각종 학습 데이터를 저장할 수 있다. 또한, 데이터 베이스(200)는 일정 시간 동안 측정한 배터리의 전압, 전류, 온도 데이터를 저장할 수 있다. 또한, 데이터 베이스(200)는 배터리를 구성하는 뱅크(bank), 랙(rack), 배터리 모듈(module), 및 셀(cell) 단위로 측정된 전압, 전류, 온도 데이터를 저장할 수 있다.
도 1에서는 데이터 베이스(200)가 장치(100) 외부에 구현된 경우를 도시하고 있다. 이 때, 데이터 베이스(200)는 장치(100)와 유/무선으로 연결될 수 있다. 다만, 이는 일 실시예에 불과하며, 데이터 베이스(200)는 장치(100)의 일 구성 요소로 구현될 수도 있다.
AI 모델(300)은 배터리에 대응되는 이상 스코어를 출력하도록 학습될 수 있다. 구체적으로, AI 모델(300)은 배터리에 입력되는 전압 데이터와 상기 전압 데이터의 복원 데이터 간의 차이를 이상 스코어로서 출력하도록 학습될 수 있다.
일 예로, AI 모델(300)은 제1 레이어 및 제2 레이어에 기초하여 구성될 수 있다. 예로, 제1 레이어는, AAE(adversarial autoencoder) 레이어, AE(autoencoder) 레이어, VAE(Variational　AutoEncoder) 레이어, GAN(Generative Adversarial Network) 레이어 중의 적어도 하나를 포함할 수 있다. 그리고, 제2 레이어는, LSTM(long short-term memory) 레이어 또는 CNN(convolutional neural network) 레이어 중의 적어도 하나를 포함할 수 있다.
또한, AI 모델은, 잠재 차원(latent dimension)을 이용하여 제1 데이터 또는 제2 데이터를 압축 및 복원하도록 학습될 수 있다. 그리고, AI 모델은 잠재 차원이 미리 정의된 분포를 따르는지 검증하도록 학습된 구분자(discriminator)를 포함할 수 있다.
그리고, AI 모델(300)은 비지도 학습(supervised learning) 방식으로 학습될 수 있다. 일 예로, AI 모델(300)은 배터리의 전압/전류/온도 측정 데이터를 사용하여 배터리의 이상 여부를 (예로, 이상 스코어에 기초하여) 판단하도록 학습될 수 있다.
도 1은 AI 모델(300)이 장치(100) 외부에 구현(예로, 클라우드 기반(cloud-based)으로 구현)된 경우를 도시하고 있으나, 이에 한정되는 것은 아니며, 장치(100)에 일 구성 요소로 구현될 수 있다.
도 2는 본 개시의 일 실시예에 따른, AI 모델을 이용하여 대상물의 이상을 판단하는 장치의 구성을 설명하기 위한 블록도이다.
도 2에 도시된 바와 같이, 장치(100)는 메모리(110), 통신 모듈(120), 디스플레이(130), 입력 모듈(140) 및 프로세서(150)를 포함할 수 있다. 다만, 이에 국한되는 것은 아니며, 장치(100)는 필요한 동작에 따라 당업자 관점에서 자명한 범위 내에서 소프트웨어 및 하드웨어 구성이 수정/추가/생략될 수 있다.
메모리(110)는 본 장치(100)의 다양한 기능을 지원하는 데이터와, 프로세서(150)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 배터리의 전압/전류/온도 데이터 등)을 저장할 있고, 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(110)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive 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 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
또한, 메모리(110)는 본 장치와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스를 포함할 수 있다. 즉, 도 1에 도시된 데이터 베이스(200)는 메모리(110)의 일 구성 요소로 구현될 수 있다.
통신 모듈(120)는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 방송 수신 모듈, 유선통신 모듈, 무선통신 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.
유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
디스플레이(130)는 본 장치(100)에서 처리되는 정보(예로, AI 모델을 통해 출력된 특징 데이터(예로, 배터리에 대응되는 이상 스코어 등)를 표시(출력)한다.
예를 들어, 디스플레이는 본 장치(100)에서 구동되는 응용 프로그램(일 예로, 어플리케이션)의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다. 디스플레이(130)에서 출력되는 UI에 대한 종류는 후술하도록 한다.
입력 모듈(140)은 사용자로부터 정보를 입력받기 위한 것으로서, 사용자 입력부를 통해 정보가 입력되면, 프로세서(150)는 입력된 정보에 대응되도록 본 장치(100)의 동작을 제어할 수 있다.
이러한, 입력 모듈(140)은 하드웨어식 물리 키(예를 들어, 본 장치의 전면, 후면 및 측면 중 적어도 하나에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 소프트웨어식 터치 키를 포함할 수 있다. 일 예로서, 터치 키는, 소프트웨어적인 처리를 통해 터치스크린 타입의 디스플레이(130) 상에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다. 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.
프로세서(150)는 본 장치(100) 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리, 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.
또한, 프로세서(150)는 이하의 도 3 내지 도 9에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 장치(100) 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
도 3은 본 개시의 일 실시예에 따른, 장치가 인공 지능 모델을 이용하여 대상물의 이상을 판단하는 방법을 설명하기 위한 블록도이다.
장치는 대상물로부터 측정된 제1 데이터에 대해 전처리를 수행함으로써 제2 데이터를 획득할 수 있다(S310).
구체적으로, 장치는 배터리에 포함된 적어도 하나의 셀 단위로 측정된 제1 데이터(예로, 제1 전압 데이터)에 대해 정규화를 수행함으로써 제2 데이터(예로, 제2 전압 데이터)를 획득할 수 있다.
일 예로, 도 4를 참조하면, 배터리의 전압, 전류, 온도 등은 일정 시간(예로, 1초) 단위로 측정될 수 있다. 하나의 배터리 모듈(module)은 적어도 하나 이상인 N개의 전지 셀(Cell)을 포함할 수 있다. 또한, 적어도 하나 이상인 M개의 배터리 모듈은 하나의 랙(rack)을 구성할 수 있다. 그리고, 적어도 하나 이상인 L개의 랙은 하나의 뱅크(bank)을 구성할 수 있다. 즉, 본 발명에서 N, M, L은 각각 1 이상의 정수를 의미할 수 있다. 다만, 이는 일 실시예에 불과하며, 배터리를 구성하는 셀, 배터리 모듈, 랙, 뱅크와 관련된 수치는 변경될 수 있다. 일례로, 14개의 전지 셀이 하나의 배터리 모듈을 구성할 수 있고, 17개의 배터리 모듈이 하나의 랙을 구성할 수 있으며, 10개의 랙이 하나의 뱅크를 구성할 수 있으나, 이는 예시로서, 본 발명이 이에 제한되는 것은 아니다.
장치는 셀 단위로 제1 데이터(예로, 제1 전압 데이터)를 일정 시간 동안 획득할 수 있다. 그리고, 장치는 제1 데이터를 취합하여(즉, 적어도 하나 이상인 N개의 셀 별 제1 전압 데이터를 취합하여) 하나의 배터리 모듈의 제1 데이터(또는, 도 4의 로우(raw) 전압 데이터)를 획득할 수 있다.
장치는 일정 시간 동안 측정한 배터리의 제1 데이터(예로, 제1 전압 데이터)를 데이터베이스 상에 저장/보관할 수 있다. 도 5에 도시된 바와 같이, 장치는 일정 시간 동안 측정한 배터리의 제1 전압 데이터를 ESS(enerage storage system) 배터리 데이터베이스(510)에 저장할 수 있다. 그리고, 장치는 배터리에 대응되는 이상 스코어를 획득하기 위하여 데이터베이스(510) 상에서 전압 측정 데이터를 업로드할 수 있다.
그리고, 장치는 제1 데이터(또는, 셀 별 제1 데이터를 취합한 배터리 모듈 데이터)에 대해 전처리를 수행할 수 있다. 일 예로, 도 5에 도시된 바와 같이, 전처리(520)는 정규화(예로, 열 기준 중간 제로 중간값 정규화(Column-wise zero median normalization))(523) 및 퇴화 스케일링(degradation scaling) 과정(526)을 포함할 수 있다. 즉, 제1 데이터에 수행되는 전처리는 열-기준 제로 중간값 정규화 과정 및 상기 열-기준 제로 중간값 정규화 과정 이후에 수행되는 퇴화 스케일링 과정을 더 포함할 수 있고, 이를 상기 전처리 과정을 통해 상기 제1 데이터로부터 제2 데이터를 획득할 수 있다.
여기서, 열 기준 제로 중간값 정규화는 시간 축이 아닌, 한 단위 시간에 측정되는 (적어도 하나 이상인 N개의) 배터리 셀의 평균 전압을 기준으로 정규화하는 동작을 의미한다.
예로, 대상물이 복수의 개별 모듈의 패키지로 구성되고, 상기 개별 모듈은각각 적어도 하나 이상의 N개의 구성 부품으로 구성될 경우, 상기 제1 데이터는 각 개별 모듈 별로 N개의 구성 부품을 t초 동안 측정한 데이터일 수 있다. 이 때 상기 제1 데이터는 t*N 매트릭스로 구성될 수 있다. 또한, 장치는 t by 1이 아닌 N by 1 사이즈를 기준으로 해당 데이터를 정규화할 수 있다. 즉, 장치는 N개의 대상물로부터 측정된 데이터의 평균 값을 해당 단위 시간에서의 측정 데이터로 간주할 수 있다. 이 때 데이터 측정 시간인 t는 128일 수 있으나, 이에 한정되지는 않는다.
일례로, 상기 대상물이 배터리일 경우, 상기 배터리는 적어도 하나의 배터리 모듈을 포함할 수 있고, 상기 배터리 모듈은 적어도 하나 이상의 N개의 셀(cell)을 포함할 수 있다. 상기 N개의 셀(cell)을 t초 동안 전압을 측정한 전압 데이터가 존재하는 경우, 해당 데이터는 t*N 매트릭스로 구성될 수 있다. 즉, 이 경우에는 상기 제1 데이터가 전압데이터일 수 있다. 이 때, 장치는 t by 1이 아닌 N by 1 사이즈를 기준으로 상기 제1 데이터(=전압 데이터)를 정규화할 수 있다. 즉, 장치는 N개 배터리 셀의 평균 값을 해당 단위 시간에서의 배터리 모듈 전압으로 간주할 수 있다. 이 때 전압 측정 시간인 t는 128일 수 있으나, 이에 한정되지는 않는다.
먼저, 장치는 제1 전압 데이터에 대해 열 기준 중간 제로 중간값 정규화를 수행할 수 있다. 도 4 및 도 6a의 로우 전압 데이터를 참조하면, 배터리의 전압 데이터는 일정한 충방전 패턴을 가지나 특정 구간에서의 전압 데이터는 상이한 데이터 분포를 가질 수 있다. 구간 별 분포 차이를 줄이기 위하여, 장치는 전압 데이터에 대해 열 기준 중간 제로 중간값 정규화를 수행할 수 있다.
즉, 장치는 전압 데이터에 대해 열 기준 중간 제로 중간값 정규화를 수행함으로써, 이상 셀의 거동(예로, 전압 데이터의 이상 충방전 패턴 등)이 두드러지도록 할 수 있다. 도 6b에 도시된 바와 같이, 장치는 제1 전압 데이터에 대해 정규화를 수행하여 정규화된 전압 데이터를 획득할 수 있다.
그리고, 장치는 정규화된 전압 데이터에 대해 퇴화 스케일링을 적용할 수 있다. 구체적으로, 장치는 셀의 퇴화 정도에 따라 발생하는 데이터의 편차를 줄이기 위하여 퇴화 스케일링을 적용할 수 있다. 그리고, 도 6c에 도시된 바와 같이, 장치는 특정 규격에 따라 퇴화 스케일링이 적용된 데이터를 모델링하여 제2 전압 데이터를 획득할 수 있다.
구체적으로, 도 8에 도시된 바와 같이, 장치는 하기 수학식 1 및 수학식 2를 이용하여 정규화된 전압 데이터에 대해 퇴화 스케일링을 적용할 수 있다. 수학식 1에서 n은 하이퍼 파라미터로서, 데이터 특성 또는 모델 특성에 따라 변경될 수 있다.
Figure pat00001
Figure pat00002
일 예로, 수학식 1에서 n은 128일 수 있다. 즉, AI 모델에 입력되는 데이터는 128초 단위로 구성될 수 있다. 이에 따라, 장치는 길이 128초의 이동 평균을 사용하여 제1 데이터에 대해 정규화를 수행할 수 있다.
그리고, 수학식 1에 따라, 장치는 현 시점의 전압 값과 현 시점 이전 128초에 해당하는 전압 값의 평균 간의 차이를 입력 Xt로 설정할 수 있다. 현 시점이 128초를 경과하지 않은 경우(else), 장치는 현 시점의 전압 값과 (현 시점-1초)까지의 전압 값의 평균과의 차이를 입력 Xt로 설정할 수 있다.
장치는 제1 데이터 및 제2 데이터로부터 대상물의 이상 스코어를 획득하고, 제1 데이터, 제2 데이터, 및 이상 스코어에 기초하여 AI 모델의 학습을 수행할 수 있다(S320).
여기서, 대상물이 배터리인 경우를 가정할 ‹š, 배터리에 대응되는 이상 스코어가 높다는 것은, 배터리에 이상이 존재할 가능성이 높다는 것을 의미할 수 있다.
예로, AI 모델은 학습 과정에서 입력된 상기 제1 및 제2 데이터에 기초하여 학습될 수 있고, 상기 제1 및 제2 데이터로부터 대상물의 이상스코어를 획득할 수 있도록 학습이 수행될 수 있다. 구체적으로, AI 모델은 해당 제2 데이터에 대응되는 평균 제곱근 편차(root mean square error, RMSE)를 이상 스코어로서 출력하도록 학습될 수 있다.
제2 데이터에 대응되는 평균 제곱근 편차는, 제2 데이터 및 제2 데이터의 복원 데이터(reconstruction data) 간의 평균 제곱근 편차를 의미할 수 있다. 도 6d는 AI 모델이 출력한 이상 스코어의 일 예시를 나타낸다.
일 예로, 도 5에 도시된 바와 같이, 장치는 전처리를 수행한 제2 데이터(또는, 임시데이터(temporalize data))(533)를 학습된 AI 모델(540)에 입력하여 추론 결과(즉, 배터리에 대응되는 이상 스코어)(536)를 획득할 수 있다.
일 예로, AI 모델은, AE(Auto-Encoder), AAE(Adversarial Auto-Encoder), VAE(Variational　Auto-Encoder), GAN(Generative Adversarial Network) 등의 Reconstruction 기반의 모델 구조에 기초하여 구성될 수 있고, 각 AI 모델은 LSTM(long short-term memory), GRU(Gated Recurrent Unit) 등과 같은 RNN((Recurrent Neural Network) 계열 레이어, Fully-Connected 레이어, Convolutional 레이어와 및 Convolutional 레이어로부터 기초한 Dilated Convolutional 레이어 중 적어도 하나를 포함할 수 있다. 다만, 이는 일 실시예에 불과하며, AI 모델은 별도의 RNN, CNN 레이어 없이 Reconstruction 기반의 모델 구조로만 구성될 수도 있다.
또한, 도 7에 도시된 바와 같이, AI 모델은 잠재 차원(latent dimension)을 이용하여 제1 데이터 또는 제2 데이터를 압축 및 복원할 수 있다. 이 때, AI 모델 구분자(discriminator)를 통해 잠재 차원이 미리 정의된 분포를 따르는지 검증하도록 학습될 수 있다. 구분자가 AI 모델에 포함됨에 따라, 해당 AI 모델에 대한 적대적 오토 인코더 학습이 진행되어 성능이 향상될 수 있다.
장치는 학습된 AI 모델을 통해 획득된 이상 스코어 및 기 설정된 임계값에 기초하여 대상물의 이상 여부를 출력할 수 있다(S330).
장치는 기 학습된 AI 모델에 새롭게 전처리된 입력 데이터(예로, 전처리가 수행된 전압 데이터)를 입력함으로써 대상물(예로, 배터리)에 대응되는 이상 스코어를 획득할 수 있다. 그리고, 장치는 획득된 대상물(예로, 배터리)에 대응되는 이상 스코어가 임계값을 초과하는지 여부에 기초하여 대상물의 이상 여부를 판단할 수 있다.
일 예로, 대상물로부터 측정된 이상 스코어가 임계값을 초과함에 기반하여, 장치는 대상물에 이상이 감지된 것으로 간주/판단할 수 있다. 그리고, 대상물로부터 측정된 이상 스코어가 임계값 이하임에 기반하여, 장치는 대상물이 정상적으로 동작하고 있는 것으로 간주/판단할 수 있다.
여기서, 임계값은 미리 설정된 제1 시구간 내에서 대상물로부터 측정된 데이터에 기초하여 설정될 수 있다. 예로, 임계값은, 미리 설정된 제1 시구간 내의 대상물로부터 측정된 이상 스코어의 이동 평균(moving average) 값에 기초하여 적응적으로(adaptively) 설정될 수 있다. 일 예로, 대상물이 배터리일 경우, 임계값은 미리 설정된 제1 시구간 내의 배터리에 대한 이상 스코어의 이동 평균(moving average) 값에 기초하여 적응적으로(adaptively) 설정될 수 있다.
도 5에 도시된 바와 같이, 장치는 AI 모델(540)을 통해 획득된 배터리에 대응되는 이상 데이터를 적응적으로 설정된 임계값(553)과 비교할 수 있다. 장치는 적응적으로 설정된 임계값을 저장(556)하여 별도의 데이터베이스(560)를 구축할 수 있다.
장치가 적응적으로 임계값을 설정함으로써 상태 전이 구간에서 주기적으로 발생하는 피크(peak) 값을 최소화하고, 센서 노이즈로 발생하는 스케일 시프트(scale shift)를 해결할 수 있다.
일 예로, 도 9a에 도시된 바와 같이, 로우 전압 데이터가 존재한 경우를 가정한다. 도 9b에 도시된 바와 같이, 장치는 고정된 임계값(static threshold)으로서 1로 설정할 수 있다. 이 경우, 상태 전이 구간에서 주기적으로 발생하는 피크 값에 의해 부정확한 결과가 출력될 수 있다.
도 9c에 도시된 바와 같이, 장치는 수학식 3과 같이 적응적으로 임계값을 설정/업데이트할 수 있다. 여기서, n 및 α는 하이퍼 파라미터이며, 단위 배터리 모듈 또는 설비 특성에 따라 변경될 수 있다.
Figure pat00003
예를 들어, 보다 민감하게 배터리의 이상을 감지해야 하는 경우, 장치는 수학식 3의 α값을 감소시킴으로써 AI 모델이 보다 민감하게 배터리의 이상을 감지하도록 제어할 수 있다. 또 다른 예로, 반대의 경우 장치는 수학식 3의 α값을 키움으로써 AI 모델이 보다 보수적인 배터리의 이상을 감지하도록 제어할 수 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
100: 장치
110: 메모리
120: 통신 모듈
130: 디스플레이
140: 입력 모듈
150: 프로세서

Claims (16)

  1. 인공 지능(artificial intelligence, AI) 모델을 이용하여 대상물의 이상(anomaly)을 감지하는 장치에 있어서,
    상기 대상물의 이상 스코어(anomaly score)를 출력하도록 학습된 AI 모델이 저장된 적어도 하나의 메모리; 및
    상기 적어도 하나의 메모리와 통신을 수행하며, 상기 AI 모델을 실행하는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 대상물로부터 측정된 제1 데이터에 대해 전처리(preprocessing)를 수행함으로써 제2 데이터를 획득하고,
    상기 제1 데이터 및 상기 제2 데이터로부터 상기 대상물의 이상 스코어를 획득할 수 있도록 상기 AI 모델의 학습을 수행하며,
    상기 학습된 AI 모델을 통해 획득된 상기 이상 스코어 및 기 설정된 임계값에 기초하여 상기 대상물의 이상 여부를 출력하는, 장치.
  2. 제1항에 있어서,
    상기 대상물은, 적어도 하나 이상의 개별 모듈(module)의 패키지로 구성되며,
    상기 적어도 하나 이상의 개별 모듈은, N개의 구성 부품을 포함하고,
    상기 제1 데이터는, 상기 대상물로부터 t초(second)간 측정된 데이터이며,
    상기 제1 데이터는, t*N 매트릭스(matrix)로 구성되는, 장치.
  3. 제2항에 있어서,
    상기 대상물이 배터리인 경우, 상기 개별 모듈은 배터리 모듈이고,
    상기 구성 부품은, 상기 배터리 모듈 내에 적어도 하나 이상 포함되는 셀(cell)인, 장치.
  4. 제3항에 있어서,
    상기 제1 데이터는,
    상기 적어도 하나 이상의 배터리 모듈의 전압 데이터를 포함하며, 상기 제1 데이터에 대해 전처리(preprocessing)를 수행하는, 장치.
  5. 제4항에 있어서,
    상기 제1 데이터에 수행되는 상기 전처리는,
    열-기준 제로 중간값 정규화(column-wise zero median normalization) 과정을 포함하는, 장치.
  6. 제5항에 있어서,
    상기 제1 데이터에 수행되는 상기 전처리는, 퇴화 스케일링(degradation scaling) 과정을 더 포함하고,
    상기 적어도 하나의 프로세서는, 상기 열-기준 제로 중간값 정규화가 수행된 상기 제1 데이터에 대해 퇴화 스케일링을 적용하여 상기 제2 데이터를 획득하는, 장치.
  7. 제1항에 있어서,
    상기 AI 모델은,
    상기 제2 데이터 및 상기 제2 데이터의 복원(reconstruction) 데이터 간의 평균 제곱근 편차(root mean square error, RMSE)를 상기 이상 스코어로서 출력하도록 학습된, 장치.
  8. 제1항에 있어서,
    상기 AI 모델은, AE(Auto-Encoder), AAE(Adversarial Auto-Encoder), VAE(Variational　Auto-Encoder) 및 GAN(Generative Adversarial Network) 중의 적어도 하나의 구조에 기반하여 구성되며,
    상기 AI 모델은, LSTM(long short-term memory) 레이어, GRU(Gated Recurrent Unit), Fully-Connected 레이어, Convolutional 레이어 및 Dilated Convolutional 레이어 중 적어도 하나를 추가로 포함하는, 장치.
  9. 제1항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 이상 스코어가 임계값을 초과하는지 여부에 기초하여 상기 대상물의 이상 여부를 판단하는, 장치.
  10. 제9항에 있어서,
    상기 임계값은, 미리 설정된 제1 시구간 내에서의 상기 이상 스코어에 기초하여 설정되는, 장치.
  11. 제10항에 있어서,
    상기 임계값은, 미리 설정된 상기 제1 시구간 내에서의 상기 이상 스코어의 이동 평균(moving average) 값에 기초하여 적응적으로(adaptively) 설정되는, 장치.
  12. 제11항에 있어서,
    상기 대상물이 배터리인 경우, 상기 대상물은 적어도 하나 이상의 배터리 모듈을 포함하고,
    상기 임계값은, 미리 설정된 상기 제1 시구간 내에서의 상기 이상 스코어의 이동 평균(moving average) 값에 기초하여 적응적으로(adaptively) 설정되는, 장치.
  13. 제1항에 있어서,
    상기 AI 모델은,
    잠재 차원(latent dimension)을 이용하여 상기 제1 데이터 또는 상기 제2 데이터를 압축 및 복원하고,
    구분자(discriminator)를 통해 상기 잠재 차원이 미리 정의된 분포를 따르는지 검증하도록 학습된, 장치.
  14. 제1항에 있어서,
    상기 AI 모델의 학습은, 비지도 학습(Unsupervised learning)이며, 상기 제1 데이터 및 상기 제2 데이터에 기초하여 수행되는, 장치.
  15. 장치에 의해 수행되는, 대상물의 이상 스코어를 출력하도록 학습된 인공 지능(artificial intelligence, AI) 모델을 이용하여 상기 대상물의 이상(anomaly)을 감지하는 방법에 있어서, 상기 방법은:
    상기 대상물로부터 측정된 제1 데이터에 대해 전처리(preprocessing)를 수행함으로써 제2 데이터를 획득하는 단계;
    상기 제1 데이터 및 상기 제2 데이터로부터 상기 대상물의 이상 스코어를 획득할 수 있도록, 상기 제1 데이터 및 상기 제2 데이터에 기초하여 상기 AI 모델의 학습을 수행하는 단계; 및
    상기 학습된 AI 모델을 통해 획득된 상기 이상 스코어 및 기 설정된 임계값에 기초하여 상기 대상물의 이상 여부를 출력하는 단계를 포함하는, 방법.
  16. 하드웨어인 장치와 결합되어, 제15항의 인공 지능 모델을 이용하여 대상물의 이상을 감지하는 방법을 실행시키기 위하여 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020220127503A 2022-10-06 2022-10-06 인공 지능 알고리즘을 이용하여 대상물의 이상을 판단하는 장치 및 방법 KR20240048108A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220127503A KR20240048108A (ko) 2022-10-06 2022-10-06 인공 지능 알고리즘을 이용하여 대상물의 이상을 판단하는 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220127503A KR20240048108A (ko) 2022-10-06 2022-10-06 인공 지능 알고리즘을 이용하여 대상물의 이상을 판단하는 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20240048108A true KR20240048108A (ko) 2024-04-15

Family

ID=90715678

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220127503A KR20240048108A (ko) 2022-10-06 2022-10-06 인공 지능 알고리즘을 이용하여 대상물의 이상을 판단하는 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20240048108A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220131392A1 (en) 2019-02-25 2022-04-28 Semiconductor Energy Laboratory Co., Ltd. Protection circuit for secondary battery and abnormality detection system of secondary battery

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220131392A1 (en) 2019-02-25 2022-04-28 Semiconductor Energy Laboratory Co., Ltd. Protection circuit for secondary battery and abnormality detection system of secondary battery

Similar Documents

Publication Publication Date Title
US20190124045A1 (en) Density estimation network for unsupervised anomaly detection
US20180075347A1 (en) Efficient training of neural networks
EP3882820A1 (en) Node classification method, model training method, device, apparatus, and storage medium
CN114265979B (zh) 确定融合参数的方法、信息推荐方法和模型训练方法
CN113692594A (zh) 通过强化学习的公平性改进
Chen et al. Evolutionary multi-objective optimization based ensemble autoencoders for image outlier detection
Jeong et al. Ladder capsule network
CN111314121A (zh) 链路异常检测方法以及装置
KR20210017342A (ko) 과거 데이터에 기초한 시계열 예측 방법 및 장치
CN114065653A (zh) 电力负荷预测模型的构建方法与电力负荷预测方法
CN112508126B (zh) 深度学习模型训练方法、装置、电子设备及可读存储介质
US20230152777A1 (en) Method for detecting abnormality
Kara Multi-scale deep neural network approach with attention mechanism for remaining useful life estimation
CN111191739B (zh) 一种基于注意力机制的墙面缺陷检测方法
Ngo et al. Adaptive anomaly detection for internet of things in hierarchical edge computing: A contextual-bandit approach
CN111931707A (zh) 基于对抗补丁的人脸图像预测方法、装置、设备和介质
Wang et al. Progressive structure network-based multiscale feature fusion for object detection in real-time application
KR20240048108A (ko) 인공 지능 알고리즘을 이용하여 대상물의 이상을 판단하는 장치 및 방법
Tarar et al. Accurate prediction of remaining useful life for lithium-ion battery using deep neural networks with memory features
Jiang et al. Unsupervised deep learning for data-driven reliability and risk analysis of engineered systems
US20210125068A1 (en) Method for training neural network
CN111325350B (zh) 可疑组织发现系统和方法
KR102614798B1 (ko) 시계열 기반 전력 데이터의 이상 탐지 방법 및 이를 위한 장치
Rathod et al. Interpreting a black-box model used for scada attack detection in gas pipelines control system
US20240013523A1 (en) Model training method and model training system