WO2020050599A1 - 배터리를 포함하는 장치 - Google Patents

배터리를 포함하는 장치 Download PDF

Info

Publication number
WO2020050599A1
WO2020050599A1 PCT/KR2019/011350 KR2019011350W WO2020050599A1 WO 2020050599 A1 WO2020050599 A1 WO 2020050599A1 KR 2019011350 W KR2019011350 W KR 2019011350W WO 2020050599 A1 WO2020050599 A1 WO 2020050599A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
control
input
parameter value
characteristic parameter
Prior art date
Application number
PCT/KR2019/011350
Other languages
English (en)
French (fr)
Inventor
이가민
김수연
김민정
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Publication of WO2020050599A1 publication Critical patent/WO2020050599A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • H02J7/00714—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters in response to battery charging or discharging current
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M10/4257—Smart batteries, e.g. electronic circuits inside the housing of the cells or batteries
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0069—Charging or discharging for charge maintenance, battery initiation or rejuvenation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/0071—Regulation of charging or discharging current or voltage with a programmable schedule
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/007188—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters
    • H02J7/007192—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • 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

Abstract

배터리의 제어 방법이 개시된다. 본 발명의 실시 예에 따른 배터리의 제어 방법은, 훈련 데이터를 이용하여, 감지된 입출력 파라미터 값에 대응하는 배터리 내부의 특성 파라미터값을 산출하도록 인공 신경망을 학습하는 단계, 상기 배터리의 입출력 파라미터 값을 감지하는 단계, 상기 학습된 인공 신경망 이용하여 상기 감지된 입출력 파라미터 값에 대응하는 상기 특성 파라미터 값을 획득하는 단계, 및, 상기 획득한 특성 파라미터 값을 기반으로 상기 배터리의 충전 또는 방전을 제어하는 단계를 포함한다.

Description

배터리를 포함하는 장치
본 발명은, 기 학습된 인공 신경망을 이용하여 배터리의 내부의 특성 파라미터를 예측하고, 예측을 기반으로 배터리의 입출력을 제어할 수 있는 배터리를 포함하는 장치에 관한 것이다.
인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
한편 배터리는 전기 자동차, 이동 단말기 등 광범위한 분야에서 사용되고 있다.
2차 전지의 경우 내부에 각종 물질들이 존재하고, 배터리 내부에서의 전기 화학적 반응에 따라 충전 또는 방전을 수행한다.
한편 배터리의 입출력을 최적으로 조절하는 것에 있어서, 배터리의 내부 물질의 상태를 나타내는 특성 파라미터는 매우 유용한 데이터로 사용될 수 있다.
예를 들어 특성 파라미터를 먼저 파악할 수 있다면, 배터리의 용량, 배터리 충전 상태, 배터리 수명 등의 배터리의 내부 상태가 정확하게 파악될 수 있다. 그리고 배터리의 내부 상태에 따라, 배터리의 수명에 최소한의 영향을 미치면서 충전 속도를 최대화할 수 있는 충전 전류값을 산출하는 등의 최적의 충/방전 제어가 수행될 수 있다.
한편, 배터리가 최초로 탑재된 경우의 특성 파라미터와 배터리의 내부 상태는 배터리 제작자가 설계한 배터리의 사양을 기초로 파악될 수 있다.
다만 특성 파라미터는 배터리가 사용되면서 변화하게 되며, 이에 따라 배터리의 내부 상태도 변경되게 된다. 또한 배터리가 일단 제품에 탑재되어 출시된 이상, 배터리를 파괴하지 않는 한은 배터리의 특성 파라미터와 내부 상태를 파악하는 것은 불가능하다.
따라서 기존에는 배터리의 내부 상태를, 배터리 제작자가 설계한 배터리의 사양 및 배터리의 충전 횟수 등을 이용하여 간접적으로 추론하는 방식이 사용되었다.
다만 이러한 방식은 오차가 큰 방식이기 때문에, 배터리의 내부 상태를 정확하게 반영한 최적의 배터리 제어를 수행할 수 없는 문제가 있었다.
또한 배터리의 안정성을 위하여 최대한의 오차를 고려한 제어를 수행하였기 때문에, 배터리의 성능을 극대화 할 수 없다는 문제가 있었다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은 기 학습된 인공 신경망을 이용하여 배터리 내부의 특성 파라미터를 예측하고, 예측을 기반으로 배터리의 입출력을 제어할 수 있는 배터리를 포함하는 장치에 관한 것이다
본 발명의 실시 예에 따른 배터리 제어 방법은, 훈련 데이터를 이용하여, 감지된 입출력 파라미터 값에 대응하는 배터리 내부의 특성 파라미터값을 산출하도록 인공 신경망을 학습하는 단계, 상기 배터리의 입출력 파라미터 값을 감지하는 단계, 상기 학습된 인공 신경망 이용하여 상기 감지된 입출력 파라미터 값에 대응하는 상기 특성 파라미터 값을 획득하는 단계, 및, 상기 획득한 특성 파라미터 값을 기반으로 상기 배터리의 충전 또는 방전을 제어하는 단계를 포함한다.
본 발명의 실시 예에 따른 배터리를 포함하는 장치는, 배터리, 상기 배터리의 입출력 파라미터 값을 감지하는 센싱부, 및, 학습된 인공 신경망 이용하여 상기 감지된 입출력 파라미터 값에 대응하는 배터리 내부의 특성 파라미터 값을 획득하고, 상기 획득한 특성 파라미터 값을 기반으로 상기 배터리의 충전 또는 방전을 제어하는 제어부를 포함하고, 상기 학습된 인공 신경망은, 훈련 데이터를 이용하여, 상기 감지된 입출력 파라미터 값에 대응하는 상기 특성 파라미터값을 산출하도록 학습된 인공 신경망이다.
본 발명은 배터리의 입출력 파라미터와 배터리 내부의 특성 파라미터 사이의 관계를 사전에 학습시킴으로써, 배터리가 제품에 탑재된 후에도 배터리 내부의 특성 파라미터를 정확하게 산출할 수 있는 장점이 있다.
도 1은 본 발명의 실시 예에 따른, 배터리를 포함하는 장치를 설명하기 위한 블록도이다.
도 2는 본 발명과 관련된 이동 단말기를 설명하기 위한 블록도이다.
도 3은 전기자동차의 내부 구성을 개략적으로 나타낸 블록도이다.
도 4 및 도5는 본 발명의 실시 예에 따른, 입출력 파라미터 값에 대응하는 특성 파라미터 값을 산출하도록 인공신경망을 학습하는 방법을 설명하기 위한 도면이다.
도 6은 인공 신경망이 학습된 이후, 배터리의 충전 또는 방전의 베어 방법을 설명하기 위한 흐름도이다.
도 7 및 도 8은 본 발명의 실시 예에 따른, 입출력 파라미터 값을 이용하여 배터리 내부의 특성 파라미터 값을 예측하는 방법을 설명하기 위한 도면이다.
도 9는 제어 옵션 제공 모드에서의 동작을 설명하기 위한 도면이다.
도 10은 일반 모드에서의 동작을 설명하기 위한 도면이다.
도 11은 본 발명의 실시 예에 따른, 강화 학습으로 특성 파라미터에 대응하는 최적의 제어 규칙을 획득하는 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 실시 예에 따른 서버와의 연동을 통한 강화 학습 방법을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 실시 예에 따른, 배터리를 포함하는 장치를 설명하기 위한 블록도이다.
본 발명의 실시 예에 따른 배터리를 포함하는 장치(10)는 배터리(20), 센싱부(30) 및 제어부(40)를 포함할 수 있다.
배터리(20)는 양과 음의 전해액으로 구성되어, 화학작용에 의해 전류 기전력을 발생함으로써 전원으로 사용될 수 있는 장치일 수 있다.
그리고 배터리(20)는 화학 에너지와 전기 에너지 사이의 전환을 복수 회 반복할 수 있는 2차 전지일 수 있다.
한편 배터리(20)는 방전될 수 있다. 구체적으로 배터리(20)는, 제어부(40)의 제어 하에, 배터리를 포함하는 장치(10)에 포함된 각 구성요소에 전원을 공급할 수 있다.
한편 배터리(20)는 충전될 수 있다. 구체적으로 배터리를 포함하는 장치(10)는 충전 포트(미도시)를 포함할 수 있으며, 배터리(20)는 충전 포트(미도시)와 연결될 수 있다. 그리고 배터리(20)는, 제어부(40)의 제어 하에, 외부로부터 충전 포트(미도시)를 통하여 전기 에너지를 공급받아 충전을 수행할 수 있다.
한편 배터리를 포함하는 장치(10)는, 제어부(40)의 제어 하에, 배터리(20)의 충전 또는 방전을 제어하는 충/방전 제어 회로(미도시)를 포함할 수 있다.
이 경우 충/방전 제어 회로(미도시)는, 제어부(40)의 제어 하에, 배터리(20)의 충전시 충전 전압 또는 충전 전류를 제어하거나, 배터리(20)의 방전시 방전 전압 또는 방전 전류를 제어할 수 있다.
센싱부(30)는 배터리의 입출력 파라미터 값을 감지할 수 있다.
여기서 배터리의 입출력 파라미터는 배터리의 외부에서 측정이 가능한 파라미터로서, 전압, 전류 및 온도 중 적어도 하나를 포함할 수 있다. 또한 배터리의 입출력 파라미터 값은, 각 파라미터들을 수치로 나타낸 값으로써, 전압값, 전류값, 온도 값 중 적어도 하나를 포함할 수 있다.
한편 제어부(40)는 배터리의 입출력 파라미터 값에 기초하여 배터리의 충전 상태(State Of Charge, SOC)를 획득할 수 있다.
여기서 충전 상태(State Of Charge, SOC)는 배터리의 사용 가능한 용량을 백분율로 나타내는 것으로, 제어부(40)는 배터리의 전압, 전류 및 온도 중 적어도 하나에 기초하여 배터리의 충전 상태(State Of Charge, SOC)를 산출할 수 있다.
한편 제어부(40)는 배터리를 포함하는 장치의 전반적인 동작을 제어할 수 있다.
구체적으로 제어부(40)는 배터리의 충전을 제어할 수 있다. 여기서 배터리의 충전을 제어한다는 의미는, 배터리(20)의 충전시 충전 전압 또는 충전 전류를 조절하도록 충/방전 제어 회로(미도시)를 제어하는 것일 수 있다.
또한 제어부(40)는 배터리의 방전을 제어할 수 있다. 여기서 배터리의 방전을 제어한다는 의미는, 배터리(20)의 방전시 방전 전압 또는 방전 전류를 조절하도록 충/방전 제어 회로(미도시)를 제어하는 것일 수 있다.
또한 제어부(40)는 방전된 전류를 이용하여 배터리를 포함하는 장치(10) 내 구성 요소를 동작할 수 있다.
또한 제어부(40)는 학습된 인공 신경망을 이용하여, 입출력 파라미터에 대응하는 배터리 내부의 특성 파라미터 값을 획득하고, 획득한 특성 파라미터 값을 기반으로 배터리의 충전 또는 방전을 제어할 수 있다.
한편 배터리를 포함하는 장치(10)는 복수의 제어 규칙을 저장하는 저장부(미도시)를 포함할 수 있다. 그리고 제어부(40)는 복수의 제어 규칙 중 획득한 특성 파라미터 값에 대응하는 제어 규칙에 따라 배터리의 충전 또는 방전을 제어할 수 있다.
또한 제어부(40)는 학습된 제2 인공 신경망을 이용하여, 입출력 파라미터 값 및 획득한 특성 파라미터 값에 대응하는 제어 규칙을 획득할 수 있다.
한편 도2 및 도 3에서는 배터리를 포함하는 장치(10)의 예시로써, 이동 단말기(100)와 전기 자동차(200)를 설명한다. 다만 이에 한정되지 아니하며, 본 발명은 배터리를 포함하고 충/방전을 수행하는 모든 장치에 적용될 수 있다.
도 2는 본 발명과 관련된 이동 단말기를 설명하기 위한 블록도이다.
이동 단말기(100)는 무선 통신부(110), 입력부(120), 인공 지능부(130), 감지부(140), 출력부(150), 인터페이스부(160), 메모리(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다.
도 2에 도시된 구성요소들은 이동 단말기를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 이동 단말기는 위에서 열거된 구성요소들보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
보다 구체적으로, 상기 구성요소들 중 무선 통신부(110)는, 이동 단말기(100)와 무선 통신 시스템 사이, 이동 단말기(100)와 다른 이동 단말기(100) 사이, 또는 이동 단말기(100)와 외부서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 무선 통신부(110)는, 이동 단말기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
이러한 무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.
입력부(120)는, 영상 신호 입력을 위한 카메라(121) 또는 영상 입력부, 오디오 신호 입력을 위한 마이크로폰(microphone, 122), 또는 오디오 입력부, 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123, 예를 들어, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다. 입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
인공지능부(130)는, 인공 지능 기술에 기반하여 정보들을 처리하는 역할을 수행하는 것으로, 정보의 학습, 정보의 추론, 정보의 지각, 자연 언어의 처리 중 적어도 하나를 수행하는 하나 이상의 모듈을 포함할 수 있다.
인공지능부(130)는 머신 러닝(machine learning) 기술을 이용하여, 이동 단말기 내에 저장된 정보, 이동 단말기 주변의 환경 정보, 통신 가능한 외부 저장소에 저장된 정보 등 방대한 양의 정보(빅데이터, big data)를 학습, 추론, 처리 중 적어도 하나를 수행할 수 있다. 그리고, 인공지능부(130)는 상기 머신 러닝 기술을 이용하여 학습된 정보들을 이용하여, 실행 가능한 적어도 하나의 이동 단말기의 동작을 예측(또는 추론)하고, 상기 적어도 하나의 예측된 동작들 중 가장 실현성이 높은 동작이 실행되도록 이동 단말기를 제어할 수 있다.
머신 러닝 기술은 적어도 하나의 알고리즘에 근거하여, 대규모의 정보들을 수집 및 학습하고, 학습된 정보를 바탕으로 정보를 판단 및 예측하는 기술이다. 정보의 학습이란 정보들의 특징, 규칙, 판단 기준 등을 파악하여, 정보와 정보 사이의 관계를 정량화하고, 정량화된 패턴을 이용하여 새로운 데이터들을 예측하는 동작이다.
이러한 머신 러닝 기술이 사용하는 알고리즘은 통계학에 기반한 알고리즘이 될 수 있으며, 예를 들어, 트리 구조 형태를 예측 모델로 사용하는 의사 결정 나무(decision tree), 생물의 신경 네트워크 구조와 기능을 모방하는 인공 신경망(neural network), 생물의 진화 알고리즘에 기반한 유전자 프로그래밍(genetic programming), 관측된 예를 군집이라는 부분집합으로 분배하는 군집화(Clustering), 무작위로 추출된 난수를 통해 함수값을 확률로 계산하는 몬테카를로 방법(Monter carlo method) 등이 될 수 있다.
머신 러닝 기술의 한 분야로써, 딥러닝(deep learning) 기술은 인공 신경망 알고리즘을 이용하여, 정보들을 학습, 판단, 처리 중 적어도 하나를 수행하는 기술이다. 인공 신경망은 레이어와 레이어 사이를 연결하고, 레이어와 레이어 사이의 데이터를 전달하는 구조를 가질 수 있다. 이러한 딥러닝 기술은 병렬 연산에 최적화된 GPU(graphic processing unit)를 이용하여 인공 신경망을 통하여 방대한 양의 정보를 학습할 수 있다.
한편, 인공지능부(130)는 머신 러닝 기술을 적용하기 위한 방대한 양의 정보들을 수집하기 위하여, 이동 단말기의 구성 요소들에서 입력 또는 출력되는 신호, 데이터, 정보 등을 수집(감지, 모니터링, 추출, 검출, 수신)할 수 있다. 또한, 인공지능부(130)는 통신을 통하여 연결되는 외부 저장소(예를 들어, 클라우드 서버, cloud server)에 저장된 데이터, 정보 등을 수집(감지, 모니터링, 추출, 검출, 수신)할 수 있다. 보다 구체적으로, 정보의 수집이란, 센서를 통하여 정보를 감지하거나, 메모리(170)에 저장된 정보를 추출하거나, 통신을 통하여, 외부 저장소로부터 정보들을 수신하는 동작을 포함하는 용어로 이해될 수 있다.
인공지능부(130)는 센싱부(140)를 통하여, 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보를 감지할 수 있다. 또한, 인공지능부(130)는 무선 통신부(110)를 통하여, 방송 신호 및/또는 방송 관련된 정보, 무선 신호, 무선 데이터 등을 수신할 수 있다. 또한, 인공지능부(130)는 입력부로부터 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터 또는 사용자로부터 입력되는 정보를 입력받을 수 있다.
이러한 인공지능부(130)는 백그라운드 상에서 실시간으로 방대한 양의 정보들을 수집하고, 이를 학습하여, 적절한 형태로 가공한 정보(예를 들어, 지식 그래프, 명령어 정책, 개인화 데이터베이스, 대화 엔진 등)를 메모리(170)에 저장할 수 있다.
그리고, 인공지능부(130)는 머신 러닝 기술을 이용하여 학습된 정보들을 바탕으로, 이동 단말기의 동작이 예측되면, 이러한 예측된 동작을 실행하기 위하여, 이동 단말기의 구성 요소들을 제어하거나, 예측된 동작을 실행하기 위한 제어 명령을 제어부(180)로 전달할 수 있다. 제어부(180)는 제어 명령에 근거하여, 이동 단말기를 제어함으로써, 예측된 동작을 실행할 수 있다.
한편, 인공지능부(130)는 특정 동작이 수행되면, 머신 러닝 기술을 통하여, 특정 동작의 수행을 나타내는 이력 정보를 분석하고, 이러한 분석 정보를 바탕으로 기존의 학습된 정보에 대한 업데이트를 수행할 수 있다. 이에, 인공지능부(130)는 정보 예측의 정확도를 향상시킬 수 있다.
한편, 본 명세서에서, 인공지능부(130)와 제어부(180)는 동일한 구성요소로 이해될 수 있다. 이 경우, 본 명세서에서 설명되는 제어부(180)에서 수행되는 기능은, 인공지능부(130)에서 수행된다고 표현할 수 있으며, 제어부(180)는 인공지능부(130)로 명명되거나, 이와 반대로, 인공지능부(130)는 제어부(180)로 명명되어도 무방하다.
또한, 이와 다르게, 본 명세서에서, 인공지능부(130)와 제어부(180)는 별도의 구성요소로 이해될 수 있다. 이 경우, 인공지능부(130)와 제어부(180)는 서로 데이터 교환을 통하여, 이동 단말기 상에서 다양한 제어를 수행할 수 있다. 제어부(180)는 인공지능부(130)에서 도출된 결과를 기반으로, 이동 단말기 상에서 적어도 하나의 기능을 수행하거나, 이동 단말기의 구성요소 중 적어도 하나를 제어할 수 있다. 나아가, 인공지능부(130) 또한, 제어부(180)의 제어 하에 동작될 수 있다.
센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다.
예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 이동 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다. 디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 이동 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 이동 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
인터페이스부(160)는 이동 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 이동 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.
또한, 메모리(170)는 이동 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(170)는 이동 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 이동 단말기(100)의 동작을 위한 데이터들, 명령어들을, 인공 지능부(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 이동 단말기(100)의 기본적인 기능(예를 들어, 전화 착신, 발신 기능, 메시지 수신, 발신 기능)을 위하여 출고 당시부터 이동 단말기(100)상에 존재할 수 있다. 한편, 응용 프로그램은, 메모리(170)에 저장되고, 이동 단말기(100) 상에 설치되어, 제어부(180)에 의하여 상기 이동 단말기의 동작(또는 기능)을 수행하도록 구동될 수 있다.
제어부(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 이동 단말기(100)의 전반적인 동작을 제어한다. 제어부(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 제어부(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(180)는 상기 응용프로그램의 구동을 위하여, 이동 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
전원공급부(190)는 제어부(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 이동 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.
이하에서는, 위에서 살펴본 이동 단말기(100)를 통하여 구현되는 다양한 실시 예들을 살펴보기에 앞서, 위에서 열거된 구성요소들에 대하여 도 1a를 참조하여 보다 구체적으로 살펴본다.
먼저, 무선 통신부(110)에 대하여 살펴보면, 무선 통신부(110)의 방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 상기 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 적어도 두 개의 방송 채널들에 대한 동시 방송 수신 또는 방송 채널 스위칭을 위해 둘 이상의 상기 방송 수신 모듈이 상기 이동단말기(100)에 제공될 수 있다.
상기 방송 관리 서버는, 방송 신호 및/또는 방송 관련 정보를 생성하여 송신하는 서버 또는 기 생성된 방송 신호 및/또는 방송 관련 정보를 제공받아 단말기에 송신하는 서버를 의미할 수 있다. 상기 방송 신호는, TV 방송 신호, 라디오 방송 신호, 데이터 방송 신호를 포함할 뿐만 아니라, TV 방송 신호 또는 라디오 방송 신호에 데이터 방송 신호가 결합한 형태의 방송 신호도 포함할 수 있다.
상기 방송 신호는 디지털 방송 신호의 송수신을 위한 기술표준들(또는방송방식, 예를들어, ISO, IEC, DVB, ATSC 등) 중 적어도 하나에 따라 부호화될 수 있으며, 방송 수신 모듈(111)은 상기 기술 표준들에서 정한 기술규격에 적합한 방식을 이용하여 상기 디지털 방송 신호를 수신할 수 있다.
상기 방송 관련 정보는, 방송 채널, 방송 프로그램 또는 방송 서비스 제공자에 관련된 정보를 의미할 수 있다. 상기 방송 관련 정보는, 이동통신망을 통하여도 제공될 수 있다. 이러한 경우에는 상기 이동통신 모듈(112)에 의해 수신될 수 있다.
상기 방송 관련 정보는 예를 들어, DMB(Digital Multimedia Broadcasting)의 EPG(Electronic Program Guide) 또는 DVB-H(Digital Video Broadcast-Handheld)의 ESG(Electronic Service Guide) 등의 다양한 형태로 존재할 수 있다. 방송 수신 모듈(111)을 통해 수신된 방송 신호 및/또는 방송 관련 정보는 메모리(160)에 저장될 수 있다.
이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.
상기 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 이동 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있으며, 상기 무선 인터넷 모듈(113)은 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다.
WiBro, HSDPA, HSUPA, GSM, CDMA, WCDMA, LTE, LTE-A 등에 의한 무선인터넷 접속은 이동통신망을 통해 이루어진다는 관점에서 본다면, 상기 이동통신망을 통해 무선인터넷 접속을 수행하는 상기 무선 인터넷 모듈(113)은 상기 이동통신 모듈(112)의 일종으로 이해될 수도 있다.
근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다. 이러한, 근거리 통신 모듈(114)은, 근거리 무선 통신망(Wireless Area Networks)을 통해 이동 단말기(100)와 무선 통신 시스템 사이, 이동 단말기(100)와 다른 이동 단말기(100) 사이, 또는 이동 단말기(100)와 다른 이동 단말기(100, 또는 외부서버)가 위치한 네트워크 사이의 무선 통신을 지원할 수 있다. 상기 근거리 무선 통신망은 근거리 무선 개인 통신망(Wireless Personal Area Networks)일 수 있다.
여기에서, 다른 이동 단말기(100)는 본 발명에 따른 이동 단말기(100)와 데이터를 상호 교환하는 것이 가능한(또는 연동 가능한) 웨어러블 디바이스(wearable device, 예를 들어, 스마트워치(smartwatch), 스마트 글래스(smart glass), HMD(head mounted display))가 될 수 있다. 근거리 통신 모듈(114)은, 이동 단말기(100) 주변에, 상기 이동 단말기(100)와 통신 가능한 웨어러블 디바이스를 감지(또는 인식)할 수 있다. 나아가, 제어부(180)는 상기 감지된 웨어러블 디바이스가 본 발명에 따른 이동 단말기(100)와 통신하도록 인증된 디바이스인 경우, 이동 단말기(100)에서 처리되는 데이터의 적어도 일부를, 상기 근거리 통신 모듈(114)을 통해 웨어러블 디바이스로 전송할 수 있다. 따라서, 웨어러블 디바이스의 사용자는, 이동 단말기(100)에서 처리되는 데이터를, 웨어러블 디바이스를 통해 이용할 수 있다. 예를 들어, 이에 따르면 사용자는, 이동 단말기(100)에 전화가 수신된 경우, 웨어러블 디바이스를 통해 전화 통화를 수행하거나, 이동 단말기(100)에 메시지가 수신된 경우, 웨어러블 디바이스를 통해 상기 수신된 메시지를 확인하는 것이 가능하다.
위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 이동 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다.
다른 예로서, 이동 단말기는 Wi-Fi모듈을 활용하면, Wi-Fi모듈과 무선신호를 송신 또는 수신하는 무선 AP(Wireless Access Point)의 정보에 기반하여, 이동 단말기의 위치를 획득할 수 있다. 필요에 따라서, 위치정보모듈(115)은 치환 또는 부가적으로 이동 단말기의 위치에 관한 데이터를 얻기 위해 무선 통신부(110)의 다른 모듈 중 어느 기능을 수행할 수 있다. 위치정보모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위해 이용되는 모듈로, 이동 단말기의 위치를 직접적으로 계산하거나 획득하는 모듈로 한정되지는 않는다.
다음으로, 입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 이동 단말기(100) 는 하나 또는 복수의 카메라(121)를 구비할 수 있다. 카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다. 한편, 이동 단말기(100)에 구비되는 복수의 카메라(121)는 매트릭스 구조를 이루도록 배치될 수 있으며, 이와 같이 매트릭스 구조를 이루는 카메라(121)를 통하여, 이동 단말기(100)에는 다양한 각도 또는 초점을 갖는 복수의 영상정보가 입력될 수 있다. 또한, 복수의 카메라(121)는 입체영상을 구현하기 위한 좌 영상 및 우 영상을 획득하도록, 스트레오 구조로 배치될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 이동 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 제어부(180)는 입력된 정보에 대응되도록 이동 단말기(100)의 동작을 제어할 수 있다. 이러한, 사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 이동 단말기(100)의 전?후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 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 있 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.
한편, 센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하고, 이에 대응하는 센싱 신호를 발생시킨다. 제어부(180)는 이러한 센싱 신호에 기초하여, 이동 단말기(100)의 구동 또는 동작을 제어하거나, 이동 단말기(100)에 설치된 응용 프로그램과 관련된 데이터 처리, 기능 또는 동작을 수행 할 수 있다. 센싱부(140)에 포함될 수 있는 다양한 센서 중 대표적인 센서들의 대하여, 보다 구체적으로 살펴본다.
먼저, 근접 센서(141)는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선 등을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 이러한 근접 센서(141)는 위에서 살펴본 터치 스크린에 의해 감싸지는 이동 단말기의 내부 영역 또는 상기 터치 스크린의 근처에 근접 센서(141)가 배치될 수 있다.
근접 센서(141)의 예로는 투과형 광전 센서, 직접 반사형 광전 센서, 미러 반사형 광전 센서, 고주파 발진형 근접 센서, 정전 용량형 근접 센서, 자기형 근접 센서, 적외선 근접 센서 등이 있다. 터치 스크린이 정전식인 경우에, 근접 센서(141)는 전도성을 갖는 물체의 근접에 따른 전계의 변화로 상기 물체의 근접을 검출하도록 구성될 수 있다. 이 경우 터치 스크린(또는 터치 센서) 자체가 근접 센서로 분류될 수 있다.
한편, 설명의 편의를 위해, 터치 스크린 상에 물체가 접촉되지 않으면서 근접되어 상기 물체가 상기 터치 스크린 상에 위치함이 인식되도록 하는 행위를 "근접 터치(proximity touch)"라고 명명하고, 상기 터치 스크린 상에 물체가 실제로 접촉되는 행위를 "접촉 터치(contact touch)"라고 명명한다. 상기 터치 스크린 상에서 물체가 근접 터치 되는 위치라 함은, 상기 물체가 근접 터치될 때 상기 물체가 상기 터치 스크린에 대해 수직으로 대응되는 위치를 의미한다. 상기 근접 센서(141)는, 근접 터치와, 근접 터치 패턴(예를 들어, 근접 터치 거리, 근접 터치 방향, 근접 터치 속도, 근접 터치 시간, 근접 터치 위치, 근접 터치 이동 상태 등)을 감지할 수 있다.
한편, 제어부(180)는 위와 같이, 근접 센서(141)를 통해 감지된 근접 터치 동작 및 근접 터치 패턴에 상응하는 데이터(또는 정보)를 처리하며, 나아가, 처리된 데이터에 대응하는 시각적인 정보를 터치 스크린상에 출력시킬 수 있다. 나아가, 제어부(180)는, 터치 스크린 상의 동일한 지점에 대한 터치가, 근접 터치인지 또는 접촉 터치인지에 따라, 서로 다른 동작 또는 데이터(또는 정보)가 처리되도록 이동 단말기(100)를 제어할 수 있다.
터치 센서는 저항막 방식, 정전용량 방식, 적외선 방식, 초음파 방식, 자기장 방식 등 여러 가지 터치방식 중 적어도 하나를 이용하여 터치 스크린(또는 디스플레이부(151))에 가해지는 터치(또는 터치입력)을 감지한다.
일 예로서, 터치 센서는, 터치 스크린의 특정 부위에 가해진 압력 또는 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는, 터치 스크린 상에 터치를 가하는 터치 대상체가 터치 센서 상에 터치 되는 위치, 면적, 터치 시의 압력, 터치 시의 정전 용량 등을 검출할 수 있도록 구성될 수 있다. 여기에서, 터치 대상체는 상기 터치 센서에 터치를 인가하는 물체로서, 예를 들어, 손가락, 터치펜 또는 스타일러스 펜(Stylus pen), 포인터 등이 될 수 있다.
이와 같이, 터치 센서에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 제어부(180)로 전송한다. 이로써, 제어부(180)는 디스플레이부(151)의 어느 영역이 터치 되었는지 여부 등을 알 수 있게 된다. 여기에서, 터치 제어기는, 제어부(180)와 별도의 구성요소일 수 있고, 제어부(180) 자체일 수 있다.
한편, 제어부(180)는, 터치 스크린(또는 터치 스크린 이외에 구비된 터치키)을 터치하는, 터치 대상체의 종류에 따라 서로 다른 제어를 수행하거나, 동일한 제어를 수행할 수 있다. 터치 대상체의 종류에 따라 서로 다른 제어를 수행할지 또는 동일한 제어를 수행할 지는, 현재 이동 단말기(100)의 동작상태 또는 실행 중인 응용 프로그램에 따라 결정될 수 있다.
한편, 위에서 살펴본 터치 센서 및 근접 센서는 독립적으로 또는 조합되어, 터치 스크린에 대한 숏(또는 탭) 터치(short touch), 롱 터치(long touch), 멀티 터치(multi touch), 드래그 터치(drag touch), 플리크 터치(flick touch), 핀치-인 터치(pinch-in touch), 핀치-아웃 터치(pinch-out 터치), 스와이프(swype) 터치, 호버링(hovering) 터치 등과 같은, 다양한 방식의 터치를 센싱할 수 있다.
초음파 센서는 초음파를 이용하여, 감지대상의 위치정보를 인식할 수 있다. 한편 제어부(180)는 광 센서와 복수의 초음파 센서로부터 감지되는 정보를 통해, 파동 발생원의 위치를 산출하는 것이 가능하다. 파동 발생원의 위치는, 광이 초음파보다 매우 빠른 성질, 즉, 광이 광 센서에 도달하는 시간이 초음파가 초음파 센서에 도달하는 시간보다 매우 빠름을 이용하여, 산출될 수 있다. 보다 구체적으로 광을 기준 신호로 초음파가 도달하는 시간과의 시간차를 이용하여 파동 발생원의 위치가 산출될 수 있다.
한편, 입력부(120)의 구성으로 살펴본, 카메라(121)는 카메라 센서(예를 들어, CCD, CMOS 등), 포토 센서(또는 이미지 센서) 및 레이저 센서 중 적어도 하나를 포함한다.
카메라(121)와 레이저 센서는 서로 조합되어, 3차원 입체영상에 대한 감지대상의 터치를 감지할 수 있다. 포토 센서는 디스플레이 소자에 적층될 수 있는데, 이러한 포토 센서는 터치 스크린에 근접한 감지대상의 움직임을 스캐닝하도록 이루어진다. 보다 구체적으로, 포토 센서는 행/열에 Photo Diode와 TR(Transistor)를 실장하여 Photo Diode에 인가되는 빛의 양에 따라 변화되는 전기적 신호를 이용하여 포토 센서 위에 올려지는 내용물을 스캔한다. 즉, 포토 센서는 빛의 변화량에 따른 감지대상의 좌표 계산을 수행하며, 이를 통하여 감지대상의 위치정보가 획득될 수 있다.
디스플레이부(151)는 이동 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 이동 단말기(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
또한, 상기 디스플레이부(151)는 입체영상을 표시하는 입체 디스플레이부로서 구성될 수 있다. 상기 입체 디스플레이부에는 스테레오스코픽 방식(안경 방식), 오토 스테레오스코픽 방식(무안경 방식), 프로젝션 방식(홀로그래픽 방식) 등의 3차원 디스플레이 방식이 적용될 수 있다.
일반적으로 3차원 입체 영상은 좌 영상(좌안용 영상)과 우 영상(우안용 영상)으로 구성된다. 좌 영상과 우 영상이 3차원 입체 영상으로 합쳐지는 방식에 따라, 좌 영상과 우 영상을 한 프레임 내 상하로 배치하는 탑-다운(top-down) 방식, 좌 영상과 우 영상을 한 프레임 내 좌우로 배치하는 L-to-R(left-to-right, side by side) 방식, 좌 영상과 우 영상의 조각들을 타일 형태로 배치하는 체커 보드(checker board) 방식, 좌 영상과 우 영상을 열 단위 또는 행 단위로 번갈아 배치하는 인터레이스드(interlaced) 방식, 그리고 좌 영상과 우 영상을 시간 별로 번갈아 표시하는 시분할(time sequential, frame by frame) 방식 등으로 나뉜다.
또한, 3차원 썸네일 영상은 원본 영상 프레임의 좌 영상 및 우 영상으로부터 각각 좌 영상 썸네일 및 우 영상 썸네일을 생성하고, 이들이 합쳐짐에 따라 하나의 영상으로 생성될 수 있다. 일반적으로 썸네일(thumbnail)은 축소된 화상 또는 축소된 정지영상을 의미한다. 이렇게 생성된 좌 영상 썸네일과 우 영상 썸네일은 좌 영상과 우 영상의 시차에 대응하는 깊이감(depth)만큼 화면 상에서 좌우 거리차를 두고 표시됨으로써 입체적인 공간감을 나타낼 수 있다.
3차원 입체영상의 구현에 필요한 좌 영상과 우 영상은 입체 처리부에 의하여 입체 디스플레이부에 표시될 수 있다. 입체 처리부는 3D 영상(기준시점의 영상과 확장시점의 영상)을 입력 받아 이로부터 좌 영상과 우 영상을 설정하거나, 2D 영상을 입력 받아 이를 좌 영상과 우 영상으로 전환하도록 이루어진다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다. 음향출력부(152)는 이동 단말기(100)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음 등)과 관련된 음향 신호를 출력하기도 한다. 이러한 음향 출력부(152)에는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다. 햅틱 모듈(153)에서 발생하는 진동의 세기와 패턴 등은 사용자의 선택 또는 제어부의 설정에 의해 제어될 수 있다. 예를 들어, 상기햅틱 모듈(153)은 서로 다른 진동을 합성하여 출력하거나 순차적으로 출력할 수도 있다.
햅틱 모듈(153)은, 진동 외에도, 접촉 피부면에 대해 수직 운동하는 핀 배열, 분사구나 흡입구를 통한 공기의 분사력이나 흡입력, 피부 표면에 대한 스침, 전극(electrode)의 접촉, 정전기력 등의 자극에 의한 효과와, 흡열이나 발열 가능한 소자를 이용한 냉온감 재현에 의한 효과 등 다양한 촉각 효과를 발생시킬 수 있다.
햅틱 모듈(153)은 직접적인 접촉을 통해 촉각 효과를 전달할 수 있을 뿐만 아니라, 사용자가 손가락이나 팔 등의 근 감각을 통해 촉각 효과를 느낄 수 있도록 구현할 수도 있다. 햅틱 모듈(153)은 이동 단말기(100)의 구성 태양에 따라 2개 이상이 구비될 수 있다.
광출력부(154)는 이동 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 이동 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
광출력부(154)가 출력하는 신호는 이동 단말기가 전면이나 후면으로 단색이나 복수색의 빛을 발광함에 따라 구현된다. 상기 신호 출력은 이동 단말기가 사용자의 이벤트확인을 감지함에 의하여 종료될 수 있다.
인터페이스부(160)는 이동 단말기(100)에 연결되는 모든 외부 기기와의 통로 역할을 한다. 인터페이스부(160)는 외부 기기로부터 데이터를 전송 받거나, 전원을 공급받아 이동 단말기(100) 내부의 각 구성요소에 전달하거나, 이동 단말기(100) 내부의 데이터가 외부 기기로 전송되도록 한다. 예를 들어, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트(port), 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 등이 인터페이스부(160)에 포함될 수 있다.
한편, 식별 모듈은 이동 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.
또한, 상기 인터페이스부(160)는 이동 단말기(100)가 외부 크래들(cradle)과 연결될 때 상기 크래들로부터의 전원이 상기 이동 단말기(100)에 공급되는 통로가 되거나, 사용자에 의해 상기 크래들에서 입력되는 각종 명령 신호가 상기 이동 단말기(100)로 전달되는 통로가 될 수 있다. 상기 크래들로부터 입력되는 각종 명령 신호 또는 상기 전원은 상기 이동 단말기(100)가 상기 크래들에 정확히 장착되었음을 인지하기 위한 신호로 동작될 수 있다.
메모리(170)는 제어부(180)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 폰북, 메시지, 정지영상, 동영상 등)을 임시 저장할 수도 있다. 상기 메모리(170)는 상기 터치 스크린 상의 터치 입력시 출력되는 다양한 패턴의 진동 및 음향에 관한 데이터를 저장할 수 있다.
메모리(170)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. 이동 단말기(100)는 인터넷(internet)상에서 상기 메모리(170)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작될 수도 있다.
한편, 앞서 살펴본 것과 같이, 제어부(180)는 응용 프로그램과 관련된 동작과, 통상적으로 이동 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 제어부(180)는 상기 이동 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.
또한, 제어부(180)는 음성 통화, 데이터 통신, 화상 통화 등과 관련된 제어 및 처리를 수행하거나, 터치 스크린 상에서 행해지는 필기 입력 또는 그림 그리기 입력을 각각 문자 및 이미지로 인식할 수 있는 패턴 인식 처리를 행할 수 있다. 나아가 제어부(180)는 이하에서 설명되는 다양한 실시 예들을 본 발명에 따른 이동 단말기(100) 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
전원 공급부(190)는 제어부(180)의 제어에 의해 외부의 전원, 내부의 전원을 인가 받아 각 구성요소들의 동작에 필요한 전원을 공급한다. 전원공급부(190)는 배터리를 포함하며, 배터리는 충전 가능하도록 이루어지는 내장형 배터리가 될 수 있으며, 충전 등을 위하여 단말기 바디에 착탈 가능하게 결합될 수 있다.
또한, 전원공급부(190)는 연결포트를 구비할 수 있으며, 연결포트는 배터리의 충전을 위하여 전원을 공급하는 외부 충전기가 전기적으로 연결되는 인터페이스(160)의 일 예로서 구성될 수 있다.
다른 예로서, 전원공급부(190)는 상기 연결포트를 이용하지 않고 무선방식으로 배터리를 충전하도록 이루어질 수 있다. 이 경우에, 전원공급부(190)는외부의 무선 전력 전송장치로부터 자기 유도 현상에 기초한 유도 결합(Inductive Coupling) 방식이나 전자기적 공진 현상에 기초한 공진 결합(Magnetic Resonance Coupling) 방식 중 하나 이상을 이용하여 전력을 전달받을 수 있다.
한편, 이하에서 다양한 실시 예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
한편 배터리를 포함하는 장치(10)는 도 2에서 설명한 이동 단말기(100)의 구성 요소를 포함할 수 있으며, 이동 단말기(100)의 구성 요소가 수행하는 기능을 수행할 수 있다.
도 3은 전기자동차의 내부 구성을 개략적으로 나타낸 블록도이다.
도 3을 참조하면, 본 발명에 따른 전기자동차(200)는, 제어부(210), 센서부(230), 인터페이스부(240), 모터 제어부(Motor Control Unit, MCU)(250), 전원부(260), PRA(270), 배터리 관리 시스템(280) 및, 배터리 팩(290)을 포함할 수 있다.
전기자동차(200)는 적어도 하나의 배터리를 포함하는 배터리 팩(290)을 구비하여 동작하며, 소정의 충전소 또는 차량 충전설비 또는 가정에서 외부로부터 전원을 공급받아 상기 배터리 팩(290)을 충전한다.
BMS(280)는 배터리 팩(290)의 잔여용량, 충전 필요성을 판단하고, 배터리에 저장된 충전전류를 전기자동차의 각부로 공급하는데 따른 관리를 수행한다.
이때, BMS(280)는 배터리를 충전하고 사용할 때, 배터리 내의 셀 간의 전압 차를 고르게 유지하여, 배터리가 과충전되거나 과방전되지 않도록 제어함으로써 배터리의 수명을 연장한다.
또한, BMS(280)는 전류사용에 대한 관리를 통해 차량이 장시간 주행할 수 있도록 하고, 공급되는 전류에 대한 보호 회로를 포함한다.
배터리 팩(290)은 복수의 배터리로 구성되며, 고 전압의 전기에너지를 저장한다.
전원부(260)는 충전소와의 연결을 위한 연결단자 또는 연결회로를 포함하고, 외부 전원 연결 시 BMS(280)의 관리하에 충전전류를 배터리 팩(290)에 인가하여 배터리가 충전되도록 한다. 또한, 전원부(260)는 배터리 팩(290)에 충전된 동작 전원을 차량의 각 부에서 사용할 수 있는 전원으로 변경하여 공급할 수 있다.
센서부(230)는 차량 주행, 또는 소정 동작 중에 발생하는 신호를 감지하여 입력하고 이를 제어부(210)로 입력한다.
센서부(230)는 차량 내부 및 외부에 복수의 센서를 포함하여 다양한 감지신호를 입력한다. 이때 설치되는 위치에 따라 센서의 종류 또한 상이할 수 있다.
인터페이스부(240)는 운전자의 조작에 의해 소정의 신호를 입력하는 입력수단과, 전기 자동차의 현 상태 동작 중 정보를 출력하는 출력수단, 그리고 운전자에 의해 조작되어 차량을 제어하는 조작수단을 포함한다. 이때, 출력수단은 정보를 표시하는 디스플레이부, 음악, 효과음 및 경고음을 출력하는 스피커 그리고 각종 상태 등을 포함한다. 그리고, 입력수단은 차량 주행에 따름 방향 지시등, 테일 램프, 헤드램프, 브러시 등의 동작을 위한 복수의 스위치, 버튼 등을 포함한다.
또한, 인터페이스부(240)는 스티어링 휠, 엑셀레이터, 브레이크와 같은 운전을 위한 조작수단을 포함한다.
MCU(250)는 연결된 적어도 하나의 모터를 구동하기 위한 제어신호를 생성하는데 모터제어를 위한 소정의 신호를 생성하여 인가한다. 또한 고 전압의 전원이 모터 특성에 맞게 변경되어 공급되도록 한다.
PRA(Power Relay Assembly)(270)는 고 전압을 스위칭하기 위한 복수의 릴레이와 센서를 포함하여, 배터리 팩(290)으로부터 인가되는 고 전압의 동작 전원을 특정 위치로 인가하거나 차단한다. 특히 PRA(270)는 차량 시동 시, 고 전압의 동작 전원이 갑자기 공급되지 않도록 순차적으로 릴레이를 제어하여 차량에 안정적으로 전원이 공급되도록 한다.
제어부(210)는 인터페이스부(240) 및 센서부(230)의 입력에 대응하여 설정된 동작이 수행되도록 소정의 명령을 생성하여 인가하여 제어하고, 데이터의 입출력을 제어하여 전기자동차의 동작상태가 표시되도록 한다.
또한, 제어부(210)는 BMS(280)를 통해 배터리 팩(290)을 관리하고, PRA(270)로 스위칭 신호를 인가하여 차량의 시동제어를 수행하고, 특정 위치(부품)로의 전원 공급을 제어한다.
한편 배터리를 포함하는 장치(10)는, 도 3에서 설명한 전기 자동차(200)의 구성 요소를 포함할 수 있으며, 전기 자동차(200)의 구성 요소가 수행하는 기능을 수행할 수 있다.
도 4 및 도5는 본 발명의 실시 예에 따른, 입출력 파라미터 값에 대응하는 특성 파라미터 값을 산출하도록 인공신경망을 학습하는 방법을 설명하기 위한 도면이다.
인공신경망(Artificial Neural Network, ANN)는 기계 학습과 인지과학에서 생물학의 신경망에서 영감을 얻은 통계학적 학습 알고리즘으로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜 문제 해결 능력을 가지는 모델 전반을 가리킨다.
인공 신경망(Artificial Neural Network, ANN)은, 훈련 데이터를 이용하여 감지된 입출력 파라미터 값에 대응하는 특성 파라미터 값을 산출하도록 학습될 수 있다.
여기서 특성 파라미터는, 배터리의 내부 물질의 상태를 나타내는 파라미터일 수 있다.
구체적으로 특성 파라미터는, 유효 전도율(effective conductivity, σeff), 전자 전도도(electronic conductivity(σ+)), 고체 확산률(solid diffusivity, (Ds+), (Ds-)), 교환 전류의 반응속도 상수(rate constant of exchange current, (K+), (K-)), 비틀림도(tortuosity, (τ-)), 공극률(porosity(ε-)), 전해액 농도(electrolyte concentration(Ce)), 전해질 전도 (electrolyte conductivity(Ke_scale)), 전해질 확산계수(electrolyte diffusivity(De_scale)), 양이온과 음이온의 전도도 중 양이온의 비율(transference number(t0+)), 양/음극의 용량이 퇴화하면서 어긋난 정도(Qshift) 및 양/음극의 용량이 줄어든 정도(Qscale+, Qscale-) 중 적어도 하나를 포함할 수 있다.
또한 배터리의 특성 파라미터 값은, 각 파라미터들을 수치로 나타낸 값 또는 각 파라미터들을 정규화 하여 수치로 나타낸 값일 수 있다.
그리고 제어부(40)는 훈련 데이터를 이용하여, 감지된 입출력 파라미터 값에 대응하는 특성 파라미터 값을 산출하도록 인공 신경망을 학습시킬 수 있다. 여기서 훈련 데이터는, 배터리(20)의 입출력 파라미터 값 및 입출력 파라미터 값에 대응하는 특성 파라미터 값을 포함할 수 있다.
즉 인공 신경망을 학습시키기 위한 입력 데이터로써, 배터리(20)의 입출력 파라미터 값 및 배터리(20)가 특정 입출력 파라미터 값을 나타낼 때의 특성 파라미터 값이 이용될 수 있다. 그리고 방대한 양의 입력 데이터를 이용하여 뉴럴 네트워크를 학습시킴으로써, 학습된 뉴럴 네트워크는 입출력 파라미터 값과 특성 파라미터 값 사이의 관계를 산출할 수 있다. 이 경우 배터리의 입출력 파라미터 값을 감지하고 학습된 뉴럴 네트워크에 감지된 입출력 파라미터 값이 입력되면, 감지된 입출력 파라미터 값에 대응하는 특성 파라미터 값이 출력될 수 있다.
한편 훈련 데이터는 시간의 경과에 따라 연속적으로 관측되는 시계열(time series)적 데이터일 수 있다. 예를 들어 훈련 데이터는 시간의 흐름에 따라 지속적으로 측정되는 입출력 파라미터 값 및 입출력 파라미터 값에 대응하는 특성 파라미터 값일 수 있다.
따라서 인공 신경망(Artificial Neural Network, ANN)으로 시계열(time series)적 데이터의 특징 추출에 유리한 심층 신경망 (Deep Neural Network, DNN)이 사용될 수 있다. 이 경우 제어부(40)는 심층 학습(deep learning)을 기반으로 입출력 파라미터 값 및 입출력 파라미터 값에 대응하는 특성 파라미터 값을 이용하여 심층 신경망(Deep Neural Network, DNN)을 학습시킬 수 있다.
이 밖에도 다층 신경망(Multi Layer Perceptron, MLP), 시간 지연 신경망(Time Delay Neural Network, TDNN), 순환 신경망(Recurrent Neural Network, RNN) 등의 다중 계층 네트워크가 인공 신경망(Artificial Neural Network, ANN)으로서 사용될 수 있다.
도 5에서는 인공 신경망의 학습 방법의 일례로 다중 선형 회귀 분석(Multiple Linear Regression Analysis)과 관련한 그래프를 도시하였다.
여기서 X축은 입출력 파라미터 값을 의미하고, Y축은 배터리 내부의 특성 파라미터 값을 의미할 수 있다.
그리고 다수의 점선은 배터리의 입출력 파라미터 값 및 입출력 파라미터 값에 대응하는 특성 파라미터 값을 포함하는 훈련 데이터(training data)를 의미할 수 있다.
이 경우 인공 신경망(Artificial Neural Network, ANN)은 다수의 훈련 데이터를 학습함으로써, 회귀(regression), 즉 입출력 파라미터와 특성 파라미터 사이의 관계를 산출할 수 있다.
한편 상술한 설명에서는 인공 신경망의 학습이 제어부(40)에 의해 수행되는 것으로 설명하였으나 이에 한정되지 않는다.
구체적으로 인공 신경망의 학습은 다른 컴퓨팅 장치에서 수행되며, 학습된 인공 신경망은 배터리를 포함하는 장치(10)에서의 배터리(20) 내부의 특성 파라미터를 추론하기 위한 추론 모델로써 배터리를 포함하는 장치(10)에 탑재될 수 있다.
이 경우 학습된 인공 신경망에 대응하는 프로그램은 배터리를 포함하는 장치(10)의 저장부(미도시)에 저장될 수 있다.
한편, 훈련 데이터는 배터리(20)에 대응하는 하나 이상의 배터리의 입출력 파라미터 값 및 하나 이상의 배터리의 입출력 파라미터 값에 대응하는 특성 파라미터 값을 포함할 수 있다.
여기서 배터리(20)에 대응하는 하나 이상의 배터리의 의미는, 배터리(20)와 동일하지는 않으나, 배터리(20)에서의 입출력 파라미터 값과 특성 파라미터 값 사이의 관계와 동일한 관계를 나타내는 배터리로써, 그 개수 및 실존 여부는 불문한다.
예를 들어 배터리(20)에 대응하는 하나 이상의 배터리는, 장치(10)에 탑재되는 배터리(20)와 동일한 성능 또는 동일한 사양의 다른 배터리일 수 있다. 이 경우 컴퓨팅 장치는 동일한 성능 또는 동일한 사양의 하나 이상의 배터리들에서 입출력 파라미터 값 및 입출력 파라미터 값에 대응하는 특성 파라미터 값을 측정하고, 측정된 값들을 이용하여 인공 신경망을 학습시킬 수 있다.
또 다른 예를 들어 배터리(20)에 대응하는 하나 이상의 배터리는, 장치(10)에 탑재되는 배터리(20)와 동일한 성능 또는 동일한 사양의 가상의 배터리일 수 있다. 이 경우 컴퓨팅 장치는 가상의 배터리의 사양에 기초하여 입출력 파라미터 및 특성 파라미터를 포함하는 훈련 데이터를 생성할 수 있으며, 훈련 데이터를 이용하여 인공 신경망을 학습시킬 수 있다.
도 6은 인공 신경망이 학습된 이후, 배터리의 충전 또는 방전의 베어 방법을 설명하기 위한 흐름도이다.
본 발명의 실시 예에 따른 배터리의 충전 또는 방전의 제어 방법은, 배터리의 입출력 파라미터를 감지하는 단계(S610), 학습된 인공 신경망을 이용하여 감지된 입출력 파라미터에 대응하는 배터리 내부의 특성 파라미터를 획득하는 단계(S620), 특성 파라미터를 기반으로 제어 규칙을 획득하는 단계(S630), 제어 옵션의 제공 모드인지 결정하는 단계(S640), 제어 옵션의 제공 모드이면 특성 파라미터에 기초하여 제어 옵션을 제공하는 단계(S650), 선택된 제어 옵션에 따라 배터리의 충전 또는 방전을 제어하는 단계(S660), 제어 옵션의 제공 모드가 아니면 특성 파라미터에 기초하여 배터리의 충전 또는 방전을 제어하는 단계(S670)를 포함할 수 있다.
먼저 배터리의 입출력 파라미터를 감지하는 단계(S610), 학습된 인공 신경망을 이용하여 감지된 입출력 파라미터에 대응하는 배터리 내부의 특성 파라미터를 획득하는 단계(S620)와 관련해서, 도 7 및 도 8을 참조하여 설명한다.
도 7 및 도 8은 본 발명의 실시 예에 따른, 입출력 파라미터 값을 이용하여 배터리 내부의 특성 파라미터 값을 예측하는 방법을 설명하기 위한 도면이다.
도 7에 따르면, 제어부(40)는 학습된 인공 신경망(420)을 이용하여, 감지된 입출력 파라미터 값에 대응하는 배터리 내부의 특성 파라미터 값을 획득할 수 있다.
구체적으로 제어부(40)는 센싱부(30)에서 감지된 배터리(20)의 입출력 파라미터 값을 학습된 인공 신경망(420)에 입력할 수 있다.
이 경우 학습된 인공 신경망(420)은 감지된 배터리(20)의 입출력 파라미터 값 및 학습 결과에 기초하여 배터리(20)의 내부의 특성 파라미터 값을 예측하여 출력할 수 있다.
예를 들어 도 8에서와 같이 다중 선형 회귀 분석(Multiple Linear Regression Analysis) 방식이 사용된 경우, 인공 신경망(Artificial Neural Network, ANN)은 다수의 훈련 데이터를 학습함으로써, 회귀(regression), 즉 입출력 파라미터와 특성 파라미터 사이의 관계를 산출한 상태이다.
그리고 전압값, 전류값, 온도값, 충전 상태 값 중 적어도 하나를 포함하는 입출력 파라미터 값이 입력 데이터(X1)로써 입력되면, 학습된 인공 신경망(420)은 입력된 입출력 파라미터 값에 대응하는 특성 파라미터 값을 출력 데이터(Y1)로써 출력할 수 있다.
한편 제어부(40)는 일정 시간 동안 입출력 파라미터 값을 감지하고, 학습된 인공 신경망을 이용하여 일정 시간 동안 감지된 입출력 파라미터 값에 대응하는 특성 파라미터 값을 획득할 수 있다.
구체적으로 입출력 파라미터 값과 특성 파라미터 값은, 현재의 값이 다음의 값에 영향을 미치는 시계열적 데이터이며, 학습된 인공 신경망은 시계열적 데이터를 이용하여 학습되었다.
따라서 제어부(40)는 일정 시간 동안 입출력 파라미터의 시계열적인 값을 감지하고, 학습된 인공 신경망을 이용하여 입출력 파라미터의 시계열적인 값에 대응하는 특성 파라미터 값을 획득할 수 있다.
다시 도 6으로 돌아가서, 본 발명의 실시 예에 따른 배터리의 충전 또는 방전의 제어 방법은, 특성 파라미터를 기반으로 제어 규칙을 획득하는 단계(S630)를 포함할 수 있다.
구체적으로 제어부(40)는 획득한 특성 파라미터 값에 기초하여 배터리(20)의 내부 상태 정보를 획득할 수 있다.
여기서 배터리(20)의 내부 상태 정보는, 배터리의 노후화, 배터리의 이상 정도(과충전, 과방전), 충전 한계치 및 방전 한계치 중 적어도 하나를 포함할 수 있다.
이 경우 제어부(40)는 배터리(20)의 내부 상태 정보를 디스플레이 하도록 디스플레이부를 제어할 수 있다.
또한 제어부(40)는 내부 상태 정보에 기초하여 제어 규칙을 설정할 수 있다. 여기서 제어 규칙은, 배터리의 충전 여부, 배터리의 충전 전류 값, 배터리의 충전 전압 값, 배터리의 방전 여부, 배터리의 방전 전압 값, 배터리의 방전 전류 값, 배터리의 충전 속도, 배터리의 충전 량, 배터리의 방전 속도, 배터리의 방전 량 중 적어도 하나를 포함할 수 있다. 이 경우 배터리의 내부 상태 정보 및 내부 상태 정보에 대응하는 제어 규칙은 테이블로써 저장부에 저장될 수 있다.
예를 들어 배터리(20)의 특성 파라미터들 중 유효 전도율(effective conductivity)이 최초 탑재 당시에 비하여 20% 감소된 경우, 제어부(40)는 배터리의 노후화가 20% 진행된 것으로 판단할 수 있다. 이 경우 제어부(40)는 배터리의 충전 전류 값을 낮춤으로써 노후화를 줄이는 제어 규칙을 설정할 수 있다. 그리고 제어부(40)는 설정된 제어 규칙에 따라 충전 전류값을 조절하여 충전을 수행할 수 있다.
다른 예를 들어 배터리(20)의 특성 파라미터들 중 유효 전도율(effective conductivity)이 최초 탑재 당시에 비하여 오차 범위에 있는 경우, 제어부(40)는 허용 가능한 최대 전류값으로 충전하여 충전 속도를 높이는 제어 규칙을 설정할 수 있다. 그리고 제어부(40)는 설정된 제어 규칙에 따라 충전 전류값을 조절하여 충전을 수행할 수 있다.
다른 예를 들어, 특성 파라미터 값에 기초하여 과충전, 과방전 등의 이상 정보가 획득된 경우, 제어부(40)는 충전을 중단하거나 방전을 중단할 수 있다.
또 다른 예를 들어, 제어부(40)는 특성 파라미터 값에 기초하여 배터리의 성능에 영향을 미치지 않으면서 가장 빠른 충전 속도를 낼 수 있는 충전 전류값을 산출하고, 산출된 충전 전류값에 따라 충전을 수행할 수 있다.
한편 특성 파라미터로부터 배터리 내부 상태 정보를 획득하는 것 없이, 제어부(40)는 획득한 특성 파라미터에 대응하는 제어 규칙으로 배터리의 충전 또는 방전을 제어할 수 있다.
구체적으로 저장부는 복수의 제어 규칙을 저장하고, 제어부는 복수의 제어 규칙 중 획득한 특성 파라미터 값에 대응하는 제어 규칙에 따라 배터리의 충전 또는 방전을 제어할 수 있다.
예를 들어 특성 파라미터가 제1 파라미터, 제2 파라미터, 제3 파라미터, 제4 파라미터를 포함한다고 가정한다.
그리고 저장부(미도시)에는 특성 파라미터에 포함되는 복수의 파라미터의 값 중 적어도 하나의 파라미터의 값에 대응하는 제어 규칙이 저장될 수 있다.
예를 들어 제1 파라미터의 제1 값 및 제2 파라미터의 제2 값에 대응하는 제1 제어 규칙, 제1 파라미터의 제3 값, 제2 파라미터의 제4 값 및 제3 파라미터의 제5 값에 대응하는 제2 제어 규칙, 그리고 제3 파라미터의 제6 값에 대응하는 제3 제어 규칙이 저장될 수 있다.
그리고 제어부(40)는 획득한 특성 파라미터 값에 대응하는 규칙에 따라 배터리의 충전 또는 방전을 제어할 수 있다.
한편 본 발명의 실시 예에 따른 배터리의 충전 또는 방전의 제어 방법은, 제어 옵션의 제공 모드인지 결정하는 단계(S640)를 포함할 수 있다.
구체적으로 배터리를 포함하는 장치(10)는 일반 모드 또는 제어 옵션 제공 모드에서 동작할 수 있다. 여기서 제어 옵션 제공 모드는 복수의 제어 옵션을 사용자에게 제공하고 사용자에 의해 선택된 제어 옵션에 따라 동작하는 모드일 수 있으며, 일반 모드는 복수의 제어 옵션의 제공 없이 제어부(40)에서 설정한 제어 규칙에 따라 동작하는 모드일 수 있다.
한편 배터리를 포함하는 장치(10)의 동작 모드가 제어 옵션 제공 모드인 경우, 제어부(40)는 획득한 특성 파라미터 값에 기초하여 복수의 제어 규칙을 획득하고, 복수의 제어 규칙에 각각 대응하는 복수의 제어 옵션을 디스플레이 하도록 디스플레이부를 제어할 수 있다(S650).
예를 들어 제어부(40)는 획득한 특성 파라미터에 기초하여, 제1 충전 전류값으로 충전을 수행하는 제1 제어 규칙 및 제1 충전 전류값보다 작은 제2 충전 전류값으로 충전을 수행하는 제2 제어 규칙을 획득할 수 있다.
그리고 제어부(40)는 제1 제어 규칙에 대응하는 제1 제어 옵션 및 제2 제어 규칙에 대응하는 제2 제어 옵션을 디스플레이 할 수 있다.
예를 들어, 도 9에서 도시된 바와 같이, 제1 제어 옵션은 급속 충전 모드일 수 있으며, 제2 제어 옵션은 완속 충전 모드일 수 있다.
그리고 제어부(40)는 획득한 특성 파라미터에 기초하여 제1 제어 옵션의 상세 설명 및 제2 제어 옵션의 상세 설명을 함께 디스플레이 할 수 있다.
예를 들어 제어부(40)는, 제1 제어 규칙에 따를 때의 충전 시간 및 배터리 성능 감소량을 제1 제어 옵션의 상세 설명으로써 디스플레이 할 수 있으며, 제2 제어 규칙을 따를 때의 충전 시간 및 배터리 성능 감소량을 제2 제어 옵션의 상세 설명으로써 디스플레이 할 수 있다.
한편 복수의 제어 옵션 중 특정 제어 옵션을 선택하는 입력이 입력부를 통하여 수신되면, 제어부(40)는 선택된 특정 제어 옵션에 대응하는 제어 규칙에 따라 배터리의 충전 또는 방전을 제어할 수 있다(S660).
예를 들어 제1 제어 옵션이 선택된 경우, 제어부(40)는 제1 제어 규칙에 따라 제1 충전 전류값으로 충전을 수행할 수 있다.
한편 배터리를 포함하는 장치(10)의 동작 모드가 일반 모드인 경우, 제어부(40)는 획득한 특성 파라미터 값에 기초하여 제어 규칙을 획득하고, 획득한 제어 규칙에 따라 배터리의 충전 또는 방전을 제어할 수 있다(S670).
예를 들어, 제어부(40)는 획득한 특성 파라미터 값에 대응하는 제어 규칙을 획득할 수 있다. 그리고 제어부(40)는 획득한 제어 규칙에 따른 제어를 수행할 수 있다. 또한 제어부(40)는 획득한 특성 파라미터 값에 기초하여 획득한 제어 규칙에 따를 때의 충전 시간, 방전 시간, 배터리 성능 저하 량 등의 정보를 획득하고, 획득한 정보를 출력할 수 있다.
한편 본 발명에서는 기 저장된 테이블에 따라 배터리 내부 상태 정보에 대응하는 제어 규칙을 획득하거나, 기 저장된 테이블에 따라 특성 파라미터 값에 대응하는 제어 규칙을 획득하는 것으로 설명하였으나 이에 한정되지 않는다.
구체적으로 제어부는 강화 학습을 기반으로 학습된 제2 인공 신경망을 이용하여, 감지된 입출력 파라미터 값 및 획득한 특성 파라미터에 대응하는 제어 규칙을 획득할 수 있다.
이와 관련해서는 도 11을 참고하여 설명한다.
도 11은 본 발명의 실시 예에 따른, 강화 학습으로 특성 파라미터에 대응하는 최적의 제어 규칙을 획득하는 방법을 설명하기 위한 도면이다.
강화 학습(Reinforcement Learning)은 에이전트(Agent)가 매순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습(Reinforcement Learning)은 마르코프 결정 프로세스(Markov Decision Process, MDP)에 의하여 수행될 수 있다.
마르코프 결정 프로세스(Markov Decision Process, MDP)를 간단히 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세번째로 에이전트가 무엇을 잘하면 점수를 주고 무엇을 못하면 벌점을 줄지 정의하며, 네번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 행동 정책을 도출하게 된다.
이러한 마르코프 결정 과정은 본 발명의 실시 예에 따른 제2 인공 신경망(910)에도 적용될 수 있다.
구체적으로 첫번째로 제2 인공 신경망(910)에게는 감지된 입출력 파라미터 및 감지된 입출력 파라미터에 대응하는 특성 파라미터가 주어지며, 두번째로 목표 달성을 위하여 제어 규칙을 설정할 것을 정의하고, 세번째로 인공지능부가 목표를 달성하면 보상(reward)을 부여하며, 네번째로 인공지능부(120)는 보상(reward)의 총합이 최대가 되는 제어 규칙을 도출하게 된다.
즉 학습된 제2 인공 신경망은, 특정 목표를 달성하기 위한 강화 학습을 기반으로, 감지된 입출력 파라미터 값 및 획득한 특성 파라미터 값에 대응하는 제어 규칙을 획득하도록 학습될 수 있다.
여기서 특정 목표는 다양하게 설정될 수 있다. 예를 들어 특정 목표는, 충전 속도, 충전 시 안정성, 배터리 수명 관리, 배터리 성능 관리 등, 하나 이상의 목표를 조합하여 설정될 수 있다.
한편 제2 인공 신경망은 시행착오(try and error) 방식으로 제어 규칙을 다양하게 변경할 수 있다. 또한 변경된 제어 규칙에 따른 입출력 파라미터 및 특성 파라미터가 획득되는 경우, 제2 인공 신경망은 획득한 입출력 파라미터 및 특성 파라미터에 기초하여 보상을 부여함으로써, 최적의 제어 규칙을 산출하도록 학습될 수 있다.
이 경우 제어부는 학습된 제2 인공 신경망을 이용하여 감지된 입출력 파라미터 값 및 특성 파라미터 값에 대응하는 제어 규칙을 획득할 수 있다.
예를 들어 제2 인공 신경망은, 시행착오(try and error) 방식으로 충전 전류값을 다양하게 변경할 수 있으며, 변경된 충전 전류값을 사용한 후 측정되는 입출력 파라미터 및 특성 파라미터에 따라 배터리 수명 단축의 목표와 충전 속도를 높이는 목표를 함께 달성할 수 있는 최적의 충전 전류값을 산출하도록 학습될 수 있다. 이 경우 제어부는 학습된 제2 인공 신경망을 이용하여 현재의 입출력 파라미터 및 특성 파라미터에 대응하는 최적의 제어를 수행할 수 있다.
도 12는 본 발명의 실시 예에 따른 서버와의 연동을 통한 강화 학습 방법을 설명하기 위한 도면이다.
도 11에서는 제2 인공 신경망이 배터리를 포함하는 장치(10)에 탑재되고, 제어부(40)가 제2 인공 신경망을 학습시키기 위한 학습 데이터를 제공하는 것으로 설명하였다.
다만 이에 한정되지 않으며, 제2 인공 신경망은 서버(1200)에 탑재되고, 서버(1200)에 탑재된 제2 인공 신경망이 강화 학습을 수행하며, 서버가 학습된 제2 인공 신경망을 배터리를 포함하는 장치(10)에 업데이트 하는 방식으로 구현될 수 있다.
이 경우 배터리를 포함하는 장치(10)는 감지된 입출력 파라미터 값 및 입출력 파라미터 값에 대응하는 특성 파라미터 값을 서버(1200)로 전송할 수 있다. 또한 입출력 파라미터 값에 대응하는 특성 파라미터 값을 학습함으로써 제2 인공 신경망이 업데이트 되면, 서버(1200)는 업데이트 된 제2 인공 신경 망을 배터리를 포함하는 장치(10)에 전송할 수 있다.
이와 같이 본 발명은 배터리의 입출력 파라미터와 배터리 내부의 특성 파라미터 사이의 관계를 사전에 학습시킴으로써, 배터리가 제품에 탑재된 후에도 배터리 내부의 특성 파라미터를 정확하게 산출할 수 있는 장점이 있다.
또한 배터리 내부의 특성 파라미터는 매우 다양하고 시계열인 데이터기 때문에, 특성 파라미터와 입출력 파라미터와의 관계를 찾는 것은 매우 어렵다. 다만 본 발명은 인공 신경망과 딥 러닝을 이용한 학습으로 특성 파라미터와 입출력 파라미터와의 관계를 산출해낼 수 있는 장점이 있다.
또한 종래에는 배터리의 내부 상태가 대략적으로만 파악되었기 때문에, 배터리의 안정성을 위하여 최대한의 오차를 고려한 제어를 수행하였다. 예를 들어 종래에는 배터리 충전 횟수를 파악한 후, 현재의 충전 횟수에서 배터리가 최악의 상태인 것으로 가정한 후, 최악의 상태에 맞는 전류 값으로의 충전을 수행하였다. 다만 본 발명은 배터리의 내부 상태를 정확하게 판단할 수 있기 때문에 배터리의 성능을 극대화 할 수 있는 장점이 있다.
한편, 제어부는 중앙처리장치, 마이크로 프로세서, 프로세서 등의 용어와 혼용될 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (15)

  1. 훈련 데이터를 이용하여, 감지된 입출력 파라미터 값에 대응하는 배터리 내부의 특성 파라미터값을 산출하도록 인공 신경망을 학습하는 단계;
    상기 배터리의 입출력 파라미터 값을 감지하는 단계;
    상기 학습된 인공 신경망 이용하여 상기 감지된 입출력 파라미터 값에 대응하는 상기 특성 파라미터 값을 획득하는 단계; 및
    상기 획득한 특성 파라미터 값을 기반으로 상기 배터리의 충전 또는 방전을 제어하는 단계를 포함하는
    배터리의 제어 방법.
  2. 제 1항에 있어서,
    상기 훈련 데이터는,
    상기 배터리에 대응하는 하나 이상의 배터리의 입출력 파라미터 값 및 상기 하나 이상의 배터리의 입출력 파라미터 값에 대응하는 특성 파라미터 값을 포함하는
    배터리의 제어 방법.
  3. 제 1항에 있어서,
    상기 배터리의 충전 또는 방전을 제어하는 단계는,
    상기 특성 파라미터 값을 기반으로 상기 배터리의 내부 상태 정보를 획득하고, 상기 내부 상태 정보에 기초하여 상기 배터리의 충전 또는 방전을 제어하는 단계를 포함하고,
    상기 내부 상태정보는,
    상기 배터리의 노후화, 이상 정도, 충전 한계치 및 방전 한계치 중 적어도 하나인
    배터리의 제어 방법.
  4. 제 1항에 있어서,
    상기 입출력 파라미터는,
    상기 배터리의 외부에서 측정이 가능한 파라미터로서, 전압, 전류 및 온도 중 적어도 하나를 포함하는
    배터리의 제어 방법.
  5. 제 1항에 있어서,
    상기 특성 파라미터는,
    상기 배터리의 내부 물질의 상태를 나타내는 파라미터로서, 전자 전도도, 고체 확산률, 교환 전류의 반응속도 상수, 비틀림도, 공극률, 전해액 농도, 전해질 전도도, 전해질 확산계수, 양이온과 음이온의 전도도 중 양이온의 비율, 양/음극의 용량이 퇴화하면서 어긋난 정도 및 양/음극의 용량이 줄어든 정도 중 적어도 하나를 포함하는
    배터리의 제어 방법.
  6. 제 1항에 있어서,
    상기 배터리의 충전 또는 방전을 제어하는 단계는,
    저장부에 저장된 복수의 제어 규칙 중 상기 획득한 특성 파라미터 값에 대응하는 제어 규칙에 따라 상기 배터리의 충전 또는 방전을 제어하는 단계를 포함하는
    배터리의 제어 방법.
  7. 제 1항에 있어서,
    상기 배터리의 충전 또는 방전을 제어하는 단계는,
    상기 획득한 특성 파라미터 값에 기초하여, 복수의 제어 규칙에 각각 대응하는 복수의 제어 옵션을 디스플레이 하는 단계; 및
    상기 복수의 제어 옵션 중 특정 제어 옵션을 선택하는 입력이 수신되면, 상기 특정 제어 옵션에 대응하는 제어 규칙에 따라 상기 배터리의 충전 또는 방전을 제어하는 단계를 포함하는
    배터리의 제어 방법.
  8. 제 1항에 있어서,
    특정 목표를 달성하기 위한 강화 학습을 기반으로, 상기 감지된 입출력 파라미터 값 및 상기 획득한 특성 파라미터 값에 대응하는 제어 규칙을 획득하도록 제2 인공 신경망을 학습하는 단계; 및
    상기 학습된 제2 인공 신경망을 이용하여, 상기 감지된 입출력 파라미터 값 및 상기 획득한 특성 파라미터 값에 대응하는 제어 규칙을 획득하는 단계를 포함하는,
    배터리의 제어 방법.
  9. 배터리;
    상기 배터리의 입출력 파라미터 값을 감지하는 센싱부; 및
    학습된 인공 신경망 이용하여 상기 감지된 입출력 파라미터 값에 대응하는 배터리 내부의 특성 파라미터 값을 획득하고, 상기 획득한 특성 파라미터 값을 기반으로 상기 배터리의 충전 또는 방전을 제어하는 제어부를 포함하고,
    상기 학습된 인공 신경망은,
    훈련 데이터를 이용하여, 상기 감지된 입출력 파라미터 값에 대응하는 상기 특성 파라미터값을 산출하도록 학습된 인공 신경망인
    배터리를 포함하는 장치.
  10. 제 9항에 있어서,
    상기 훈련 데이터는,
    상기 배터리에 대응하는 하나 이상의 배터리의 입출력 파라미터 값 및 상기 하나 이상의 배터리의 입출력 파라미터 값에 대응하는 특성 파라미터 값을 포함하는
    배터리를 포함하는 장치.
  11. 제 9항에 있어서,
    상기 제어부는,
    상기 특성 파라미터 값을 기반으로 상기 배터리의 내부 상태 정보를 획득하고, 상기 내부 상태 정보에 기초하여 상기 배터리의 충전 또는 방전을 제어하고,
    상기 내부 상태정보는,
    상기 배터리의 노후화, 이상 정도, 충전 한계치 및 방전 한계치 중 적어도 하나인
    배터리를 포함하는 장치.
  12. 제 9항에 있어서,
    상기 입출력 파라미터는,
    상기 배터리의 외부에서 측정이 가능한 파라미터로서, 전압, 전류 및 온도 중 적어도 하나를 포함하는
    배터리를 포함하는 장치.
  13. 제 9항에 있어서,
    상기 특성 파라미터는,
    상기 배터리의 내부 물질의 상태를 나타내는 파라미터로서, 전자 전도도, 고체 확산률, 교환 전류의 반응속도 상수, 비틀림도, 공극률, 전해액 농도, 전해질 전도도, 전해질 확산계수, 양이온과 음이온의 전도도 중 양이온의 비율, 양/음극의 용량이 퇴화하면서 어긋난 정도 및 양/음극의 용량이 줄어든 정도 중 적어도 하나를 포함하는
    배터리를 포함하는 장치.
  14. 제 9항에 있어서,
    복수의 제어 규칙을 저장하는 저장부를 더 포함하고,
    상기 제어부는,
    상기 복수의 제어 규칙 중 상기 획득한 특성 파라미터 값에 대응하는 제어 규칙에 따라 상기 배터리의 충전 또는 방전을 제어하는
    배터리를 포함하는 장치.
  15. 제 9항에 있어서,
    디스플레이부; 및
    입력부를 더 포함하고,
    상기 제어부는,
    상기 획득한 특성 파라미터 값에 기초하여, 복수의 제어 규칙에 각각 대응하는 복수의 제어 옵션을 디스플레이 하도록 상기 디스플레이부를 제어하고,
    상기 복수의 제어 옵션 중 특정 제어 옵션을 선택하는 입력이 상기 입력부를 통하여 수신되면, 상기 특정 제어 옵션에 대응하는 제어 규칙에 따라 상기 배터리의 충전 또는 방전을 제어하는
    배터리를 포함하는 장치.
PCT/KR2019/011350 2018-09-03 2019-09-03 배터리를 포함하는 장치 WO2020050599A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180104773A KR20200026607A (ko) 2018-09-03 2018-09-03 배터리를 포함하는 장치
KR10-2018-0104773 2018-09-03

Publications (1)

Publication Number Publication Date
WO2020050599A1 true WO2020050599A1 (ko) 2020-03-12

Family

ID=69641277

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/011350 WO2020050599A1 (ko) 2018-09-03 2019-09-03 배터리를 포함하는 장치

Country Status (3)

Country Link
US (1) US10803385B2 (ko)
KR (1) KR20200026607A (ko)
WO (1) WO2020050599A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112582699A (zh) * 2021-01-14 2021-03-30 广州鸣琴科技有限公司 一种防止过充放电的蓄电池安装设备

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11065978B2 (en) * 2019-02-25 2021-07-20 Toyota Research Institute, Inc. Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack
US11586943B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network inputs in automotive predictive maintenance
US11775816B2 (en) 2019-08-12 2023-10-03 Micron Technology, Inc. Storage and access of neural network outputs in automotive predictive maintenance
US11635893B2 (en) 2019-08-12 2023-04-25 Micron Technology, Inc. Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks
US11748626B2 (en) 2019-08-12 2023-09-05 Micron Technology, Inc. Storage devices with neural network accelerators for automotive predictive maintenance
US11586194B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network models of automotive predictive maintenance
US11853863B2 (en) 2019-08-12 2023-12-26 Micron Technology, Inc. Predictive maintenance of automotive tires
US11498388B2 (en) 2019-08-21 2022-11-15 Micron Technology, Inc. Intelligent climate control in vehicles
US11702086B2 (en) 2019-08-21 2023-07-18 Micron Technology, Inc. Intelligent recording of errant vehicle behaviors
US11650746B2 (en) 2019-09-05 2023-05-16 Micron Technology, Inc. Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles
US11436076B2 (en) 2019-09-05 2022-09-06 Micron Technology, Inc. Predictive management of failing portions in a data storage device
US11409654B2 (en) 2019-09-05 2022-08-09 Micron Technology, Inc. Intelligent optimization of caching operations in a data storage device
US11693562B2 (en) 2019-09-05 2023-07-04 Micron Technology, Inc. Bandwidth optimization for different types of operations scheduled in a data storage device
US20210116888A1 (en) * 2019-10-21 2021-04-22 Semiconductor Components Industries, Llc Systems and methods for system optimization and/or failure detection
JP7151689B2 (ja) * 2019-11-05 2022-10-12 トヨタ自動車株式会社 電池管理システム、電池管理方法、及び組電池の製造方法
US11250648B2 (en) 2019-12-18 2022-02-15 Micron Technology, Inc. Predictive maintenance of automotive transmission
US11531339B2 (en) 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
US11709625B2 (en) 2020-02-14 2023-07-25 Micron Technology, Inc. Optimization of power usage of data storage devices
DE102020115370A1 (de) 2020-06-10 2021-12-16 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Ermitteln eines Ladestroms sowie Steuergerät
CN111751731B (zh) * 2020-07-19 2022-09-27 东北石油大学 电池活性的确定方法及装置、电子设备和存储介质
KR20220094464A (ko) * 2020-12-29 2022-07-06 주식회사 엘지에너지솔루션 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 전기 차량
KR102508382B1 (ko) * 2021-01-06 2023-03-08 연세대학교 산학협력단 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법
CN112861268B (zh) * 2021-03-10 2022-05-10 上海交通大学 一种固态电解质电子电导率获取方法、介质及电子设备
CN113495215B (zh) * 2021-06-28 2024-01-12 清华大学深圳国际研究生院 一种虚拟电芯系统及其运行方法和一种孪生电池
DE102021207048A1 (de) 2021-07-05 2023-01-19 Volkswagen Aktiengesellschaft Batteriemanagementsystem und Verfahren zum Betreiben eines Batteriemanagementsystems
CN113258154B (zh) * 2021-07-16 2021-10-15 苏州浪潮智能科技有限公司 一种电池充电方法、装置、设备及介质
WO2023066497A1 (en) * 2021-10-22 2023-04-27 Telefonaktiebolaget Lm Ericsson (Publ) Managing energy in a network
WO2024029501A1 (ja) * 2022-08-01 2024-02-08 マクセル株式会社 二次電池の診断方法、二次電池の診断プログラム及び二次電池の診断装置
CN115117981B (zh) * 2022-08-26 2022-11-18 深圳市高健实业股份有限公司 一种可编程控制新能源汽车电池充电的芯片
KR102633306B1 (ko) * 2023-09-26 2024-02-05 주식회사 에이치쓰리알 인공 신경망을 이용한 배터리 관리 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060110832A (ko) * 2005-04-20 2006-10-25 가부시키가이샤 덴소 뉴럴 네트워크 연산에 기초하여 2차 전지의 충전 상태를검출하기 위한 방법 및 장치
JP2014027867A (ja) * 2012-07-26 2014-02-06 Samsung Sdi Co Ltd バッテリーの充電パラメータの制御方法およびバッテリー充電システム
JP2014193081A (ja) * 2013-03-28 2014-10-06 Panasonic Corp 蓄電池パック、充電方法、電気機器
JP2015215272A (ja) * 2014-05-12 2015-12-03 古河電気工業株式会社 二次電池状態検出装置および二次電池状態検出方法
KR20180058493A (ko) * 2016-11-24 2018-06-01 주식회사 엘지화학 배터리 충전제어 알고리즘

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2740555A1 (fr) * 1995-10-31 1997-04-30 Philips Electronique Lab Systeme de controle des cycles de charge-decharge d'une batterie rechargeable, et dispositif hote muni d'une batterie intelligente
US6331762B1 (en) * 1997-11-03 2001-12-18 Midtronics, Inc. Energy management system for automotive vehicle
JP3968715B2 (ja) 2003-08-06 2007-08-29 松下電工株式会社 自律移動ロボット用のエレベータ乗降システム
GB2444511B (en) * 2006-12-06 2008-10-22 Iti Scotland Ltd Battery Management System
KR101034643B1 (ko) 2009-08-12 2011-05-16 도대욱 고객 관리시스템
US10209314B2 (en) * 2016-11-21 2019-02-19 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
JP6619760B2 (ja) 2017-03-06 2019-12-11 株式会社日立ビルシステム エレベーター装置、エレベーターシステム、および、自律ロボットの制御方法
JP6786459B2 (ja) 2017-09-15 2020-11-18 株式会社日立製作所 ビル管理システム装置
US20190172284A1 (en) 2017-12-05 2019-06-06 Savioke Inc. Apparatus, System, and Method for Secure Robot Access

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060110832A (ko) * 2005-04-20 2006-10-25 가부시키가이샤 덴소 뉴럴 네트워크 연산에 기초하여 2차 전지의 충전 상태를검출하기 위한 방법 및 장치
JP2014027867A (ja) * 2012-07-26 2014-02-06 Samsung Sdi Co Ltd バッテリーの充電パラメータの制御方法およびバッテリー充電システム
JP2014193081A (ja) * 2013-03-28 2014-10-06 Panasonic Corp 蓄電池パック、充電方法、電気機器
JP2015215272A (ja) * 2014-05-12 2015-12-03 古河電気工業株式会社 二次電池状態検出装置および二次電池状態検出方法
KR20180058493A (ko) * 2016-11-24 2018-06-01 주식회사 엘지화학 배터리 충전제어 알고리즘

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112582699A (zh) * 2021-01-14 2021-03-30 广州鸣琴科技有限公司 一种防止过充放电的蓄电池安装设备

Also Published As

Publication number Publication date
US20200074297A1 (en) 2020-03-05
US10803385B2 (en) 2020-10-13
KR20200026607A (ko) 2020-03-11

Similar Documents

Publication Publication Date Title
WO2020050599A1 (ko) 배터리를 포함하는 장치
WO2020050595A1 (ko) 음성 인식 서비스를 제공하는 서버
WO2018199374A1 (ko) 오디오 장치 및 그 제어 방법
WO2019107885A1 (en) Electronic device operating in associated state with external audio device based on biometric information and method therefor
WO2017195946A1 (ko) 전자 장치 및 그 제어 방법
WO2016076474A1 (ko) 이동단말기 및 그 제어방법
WO2017026555A1 (ko) 이동 단말기
WO2015178561A1 (ko) 이동 단말기 및 그의 동적 프레임 조절 방법
WO2016129781A1 (ko) 이동 단말기 및 그 제어 방법
WO2019182378A1 (en) Artificial intelligence server
WO2016039509A1 (ko) 단말기 및 그 동작 방법
WO2018101508A1 (ko) 이동 단말기
WO2017191874A1 (ko) 전자 장치 및 그 제어 방법
WO2016035955A1 (ko) 이동 단말기 및 그 제어방법
WO2019182185A1 (ko) 헤드 마운티드 디스플레이
WO2020017686A1 (ko) 인공지능 서버 및 인공지능 디바이스
WO2015152443A1 (ko) 스타일러스 및 이를 구비하는 이동 단말기
WO2017039061A1 (ko) 웨어러블 디바이스 및 그 제어 방법
WO2021118120A1 (en) Electronic device with structure for harvesting energy
WO2018155763A1 (ko) 디스플레이 디바이스 및 그 제어 방법
WO2020022545A1 (ko) 음성 인식 시스템
WO2020171295A1 (ko) 이동단말기 및 그 제어 방법
WO2018066735A1 (ko) 이동 단말기
WO2017188515A1 (ko) 이동 단말기
WO2020196944A1 (ko) 전자 장치 및 그것의 제어 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19857311

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19857311

Country of ref document: EP

Kind code of ref document: A1