WO2023234538A1 - 배터리 셀 수명 진단 장치 및 그것의 동작 방법 - Google Patents

배터리 셀 수명 진단 장치 및 그것의 동작 방법 Download PDF

Info

Publication number
WO2023234538A1
WO2023234538A1 PCT/KR2023/004477 KR2023004477W WO2023234538A1 WO 2023234538 A1 WO2023234538 A1 WO 2023234538A1 KR 2023004477 W KR2023004477 W KR 2023004477W WO 2023234538 A1 WO2023234538 A1 WO 2023234538A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery cell
neural network
time series
series data
image
Prior art date
Application number
PCT/KR2023/004477
Other languages
English (en)
French (fr)
Inventor
박규태
최지순
임인혁
박형옥
Original Assignee
주식회사 엘지에너지솔루션
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 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Publication of WO2023234538A1 publication Critical patent/WO2023234538A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
    • 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]
    • 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]
    • G01R31/367—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]
    • G01R31/392—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • Embodiments disclosed in this document relate to a battery cell life diagnosis device and a method of operating the same.
  • Secondary batteries are batteries that can be charged and discharged, and may include both conventional Ni/Cd batteries, Ni/MH batteries, and recent lithium-ion batteries.
  • Lithium-ion batteries have the advantage of having a much higher energy density than conventional Ni/Cd batteries, Ni/MH batteries, etc.
  • lithium-ion batteries can be made small and lightweight, so they are used as a power source for mobile devices, and recently, they have been used as electric power sources. Its range of use as a power source for automobiles has expanded, and it is attracting attention as a next-generation energy storage medium.
  • Batteries show a tendency to deteriorate as they are repeatedly charged and discharged. For example, as a battery is repeatedly charged and discharged, its capacity and resistance may deteriorate and its remaining life may decrease. Additionally, the degree of deterioration and remaining lifespan of batteries may vary depending on usage conditions.
  • One purpose of the embodiments disclosed in this document is to provide a device and an operating method for converting the operating characteristic data of a battery cell collected in time series in response to operating conditions into an image so that the lifespan of the battery cell can be effectively calculated.
  • One purpose of the embodiments disclosed in this document is to provide an apparatus and a method of operating the same for diagnosing the life of a battery cell based on an image converted from time series data.
  • a battery cell diagnosis device includes a collection unit that collects time series data of battery cells according to operating conditions, a conversion unit that converts the time series data into an image corresponding to a spatial trajectory of a predetermined dimension, It may include an extraction unit that extracts feature values from the image and a calculation unit that calculates the lifespan of the battery cell based on the feature values.
  • the image may be an image corresponding to a two-dimensional spatial trajectory.
  • the time series data may be data corresponding to changes in operating characteristics of the battery cell over time.
  • the extraction unit may extract the feature value through a first neural network.
  • the first neural network may be a convolutional neural network including a convolutional layer and a pooling layer.
  • the calculation unit may calculate the lifespan through a second neural network.
  • the second neural network may be a deep neural network including multiple hidden layers.
  • the operating condition corresponds to the feature value
  • the calculation unit may generate a prediction function for the operating condition through a third neural network.
  • the third neural network may be a deep neural network including multiple hidden layers.
  • the calculation unit may calculate the lifespan based on the prediction function and the feature value.
  • the conversion unit may convert the time series data into the spatial trajectory and convert the time series data into the image using the spatial trajectory.
  • the converter may represent the distance between points located on the spatial trajectory as a distance matrix, and convert an area corresponding to the distance matrix into the image based on the distance value of the distance matrix.
  • a method of operating a battery cell diagnosis device includes collecting time series data of battery cells according to operating conditions, and converting the time series data into an image corresponding to a spatial trajectory of a predetermined dimension. , extracting feature values from the image, and calculating the lifespan of the battery cell based on the feature values.
  • the step of converting the time series data into an image corresponding to a spatial trajectory of a predetermined dimension includes converting the time series data into a spatial trajectory, and converting the time series data into the image using the spatial trajectory. May include steps.
  • the step of converting the time series data into the image using the spatial trajectory includes representing the distance between points located on the spatial trajectory as a distance matrix and dividing the area corresponding to the distance matrix into the distance matrix. It may include a step of visualizing based on the distance value.
  • the step of extracting feature values from the image may include extracting the feature values through a first neural network.
  • the step of calculating the lifespan calculates the lifespan through a second neural network
  • the second neural network may be a deep neural network including multiple hidden layers.
  • the operating condition corresponds to the feature value
  • calculating the lifespan includes generating a prediction function for the operating condition through a third neural network, connecting the prediction function and the feature value. It may include the step of predicting the lifespan based on the prediction function and the feature value.
  • the battery cell life diagnosis device and its operating method according to an embodiment disclosed in this document can calculate the state of a battery cell.
  • the battery cell diagnosis device and its operating method can calculate the state of the battery cell by converting time series data about the operating characteristics of the battery cell into an image with a preset dimension.
  • the battery cell diagnosis device and its operating method according to an embodiment disclosed in this document can calculate the remaining lifespan of a battery cell by analyzing image data through a neural network.
  • the battery cell diagnosis device and its operating method according to an embodiment disclosed in this document can improve the accuracy of calculating the lifespan of a battery cell based on the image corresponding to the operating characteristics of the battery cell and the operating conditions of the battery cell.
  • FIG. 1 is a block diagram showing a battery cell diagnosis device according to an embodiment disclosed in this document.
  • Figure 2 illustrates a time series data processing method of a battery cell diagnosis device according to an embodiment disclosed in this document.
  • 3A and 3B are for explaining an image conversion method of a battery cell diagnosis device according to an embodiment disclosed in this document.
  • Figure 4 illustrates a method for extracting feature values of a battery cell diagnosis device according to an embodiment disclosed in this document.
  • Figure 5 illustrates an SOH calculation method of a battery cell diagnosis device according to an embodiment disclosed in this document.
  • Figure 6 illustrates an SOH calculation method of a battery cell diagnosis device according to another embodiment disclosed in this document.
  • Figure 7 is a flowchart showing a method of operating a battery cell diagnosis device according to an embodiment disclosed in this document.
  • Figure 8 is a flowchart showing a method of operating a battery cell diagnosis device according to another embodiment disclosed in this document.
  • Figure 9 is a graph comparing the accuracy of life prediction according to the operation method of the diagnostic device according to an embodiment disclosed in this document.
  • Figure 10 is a block diagram showing the hardware configuration of a computing system for performing a method of operating a battery cell diagnosis device according to an embodiment disclosed in this document.
  • FIG. 1 is a block diagram showing a battery cell diagnosis device according to an embodiment disclosed in this document.
  • the battery cell diagnosis device 10 may include a collection unit 100, a conversion unit 200, an extraction unit 300, and an operation unit 400. .
  • the collection unit 100 may acquire the operating conditions of the battery cell and time series data of the battery cell corresponding to the operating conditions.
  • SOH state of health
  • SOH state of health
  • SOH is an indicator of the decrease in performance of a battery cell and can be expressed as a percentage of the capacity or resistance of the battery cell reduced compared to the initial capacity due to aging. Changes in SOH may occur due to an increase in resistance due to polarization of the chemicals contained in the battery cell.
  • the performance of a battery cell decreases below a predefined threshold, replacement of the battery cell may be required.
  • the lifespan of a battery cell can be judged to be at the end of 80% of the initial capacity.
  • the operating conditions may be conditions that are kept constant to obtain operating characteristics during a charge/discharge experiment to measure the performance index of a battery cell. Additionally, the operating characteristics of a battery cell may be a result obtained during a charge/discharge experiment according to the above operating conditions and may be a value that changes over time.
  • Time series data may be data that measures the operating characteristics of a battery cell over a predetermined time period. Therefore, time series data can indicate changes in the operating characteristics of a battery cell over time.
  • the performance index of a battery cell may illustratively mean the SOH or SOC (state of charge, remaining capacity) described above.
  • a charge/discharge experiment may refer to an experiment that maintains operating conditions and detects the operating characteristics of a battery cell.
  • Operating conditions may refer to an experimental environment that affects the output of a battery cell.
  • the operating characteristic of the battery cell may be the charging/discharging voltage.
  • time series data may be data representing changes in the charge/discharge voltage of the battery cell over time.
  • the characteristics of battery cells may deteriorate as the number of repeated charging and discharging increases.
  • the collection unit 100 may acquire time series data of battery cells for each number of charging and discharging repetitions.
  • the number of charging and discharging repetitions may be an operating condition of the battery cell.
  • Operating conditions may change depending on the time series data to be acquired, and according to another embodiment, the operating characteristics may be the impedance, internal resistance, or capacity of the battery cell.
  • the collection unit 100 may include a measuring device that monitors the temperature, charge/discharge current, and charge/discharge voltage of the battery cell to obtain time series data according to operating conditions. Additionally, the measuring device can monitor the impedance, internal resistance, and capacity of the battery cell.
  • the collection unit 100 may match the operating conditions of the battery cells and the time series data of the battery cells corresponding to the operating conditions and receive them from the outside.
  • Time series data may be data sampled or normalized at predetermined time intervals by the collection unit 100. For example, when the operating temperature and charge/discharge current of the battery cell are kept constant, if the collection unit 100 collects raw data about the charge/discharge voltage of the battery cell over time, the raw data is Multiple time series data can be obtained by dividing into preset time intervals.
  • the conversion unit 200 may convert time series data of battery cells into an image corresponding to a spatial trajectory of a predetermined dimension. Transformation of time series data can be performed by the RP (recurrence plot) technique.
  • the RP technique may be a conversion technique used to convert time series data into an image.
  • the RP technique may be a technique that converts time series data into a spatial trajectory of a predetermined dimension, and represents the distance between points located on the spatial trajectory as a distance matrix to convert time series data into an image.
  • the spatial trajectory may mean a movement trajectory between data included in time series data.
  • the conversion unit 200 may visualize time series data as an image corresponding to a spatial trajectory of a predetermined dimension based on the distance value of the distance matrix.
  • the converter 200 may visualize the time series data as an image by expressing the area corresponding to the distance matrix in two dimensions.
  • the color of the area corresponding to the distance matrix can be expressed two-dimensionally so that it changes according to the distance value of the distance matrix, so that it can be visualized as an image including a red channel, a green channel, and a blue channel.
  • the conversion unit 200 can clearly reveal features that are difficult to identify in the time series data by converting the time series data into an image through the RP technique.
  • the extraction unit 300 may extract feature values of the image through the first neural network. According to an embodiment, the extraction unit 300 may generate a plurality of feature maps from an image. The extraction unit 300 may process the generated feature maps to extract feature values, and transmit the extracted feature values to the calculation unit 400.
  • the first neural network may be a convolution neural network algorithm.
  • a convolutional neural network is a deep learning algorithm that includes a convolution layer and a pooling layer.
  • the convolution layer is a filter (convolution kernel) that extracts image features and calculates the filtered input data into non-linear values. It may include an activation function. Images that have passed through the convolution layer can be output as multiple feature maps.
  • the pooling layer can remove noise unrelated to features from the feature map.
  • a convolutional neural network may have different architectures depending on how the convolutional layer and pooling layer are connected.
  • Examples of convolutional neural networks for extracting feature values from images include AlexNet, which uses overlapping convolutional layers, GoogLeNet, which includes an Inception module, and ResNet, which includes a residual block.
  • the first neural network used in the extraction unit 300 may utilize an existing learned model.
  • the extraction unit 300 may use a GoogLeNet or ResNet model learned by a visual database (eg, imageNet project) to extract feature values through transfer learning.
  • a visual database eg, imageNet project
  • the extractor 300 may optimize the first neural network by adjusting the weight of the convolution kernel used for calculation in the convolution layer of the first neural network or adjusting the structure of the learned convolutional neural network. there is.
  • the first neural network used in the extraction unit 300 may vary depending on the amount of images converted from time series data.
  • the neural network can use a previously learned model to extract feature values through transfer learning, and when the amount of images converted from time series data is large, the existing learned model can be used to extract features. It can be used by changing the structure and weights of the model.
  • the extractor 300 may flatten and concatenate a plurality of generated feature maps to generate feature values.
  • the number of feature maps may vary depending on the number of filters included in the first neural network.
  • the feature map may be referred to as a layer.
  • the calculation unit 400 can predict or calculate the SOH of the battery cell through the second neural network.
  • the second neural network may be a deep neural network algorithm.
  • the calculation unit 400 may predict or calculate the SOH of the battery cell based on feature values and operating conditions extracted from the image.
  • a deep neural network is a deep learning algorithm that includes multiple hidden layers. By using multiple hidden layers, it can precisely process multiple data of high complexity.
  • the second neural network included in the calculation unit 400 learns based on feature values extracted by converting time series data into images, thereby improving accuracy compared to the case of calculating the SOH of a battery cell by learning time series data directly.
  • the characteristics of the data may not be properly reflected, the predicted value may be biased, or the tendency of the local area may be excessively reflected, reducing the calculation accuracy of the calculation unit 400.
  • noise may occur in the time series data due to capacity regeneration, in which capacity increases irregularly as residual reaction products are removed, and the noise may occur in the time series data. This may affect SOH predictions.
  • the image When converting time series data into an image and predicting SOH based on feature values extracted from the image, the image recursively reflects changes in the time series data and facilitates feature extraction, thereby predicting the SOH of the calculation unit 400. Accuracy can be increased.
  • Deep neural networks can have different structures depending on how the hidden layers are connected. Examples of deep neural networks include RNN (Recurrent Neural Network), where hidden layers have a circular structure, and LSTM (Long Short-Term Memory), which adds a layer that remembers the previous state to improve gradient vanishing and long-term dependency. etc. can be used.
  • RNN Recurrent Neural Network
  • LSTM Long Short-Term Memory
  • the feature values input to the calculation unit 400 are images that are the basis for extracting feature values converted from time series data, and can be analyzed like sequential data by a second neural network. Continuous data may refer to data that changes in time series.
  • the calculation unit 400 may generate a prediction function using operating conditions corresponding to feature values.
  • the calculation unit 400 may concatenate a feature value and an operating condition corresponding to the feature value.
  • the prediction function is a function that allows the second neural network to reflect the SOH change according to the operating conditions.
  • the second neural network learns by connecting the prediction function and the feature value, so that the tendency of the SOH change due to the operating condition can be reflected in the second neural network. there is. Therefore, when the second neural network learns by connecting the prediction function and the feature value, the SOH prediction accuracy of the calculation unit 400 can be improved.
  • the extraction unit 300 extracts feature values from images converted from time series data, and arbitrary operating conditions may correspond to feature values.
  • the collection unit 100 may transmit operating conditions corresponding to feature values to the calculation unit 400.
  • the calculation unit 400 may generate a prediction function through a third neural network.
  • the third neural network may be a deep neural network like the second neural network.
  • Learning using the second neural network and the third neural network is learning using information (feature values and operating conditions) of different dimensions and can be called multimodal learning.
  • Figure 2 illustrates a time series data processing method of a battery cell diagnosis device according to an embodiment disclosed in this document.
  • time series data according to an arbitrary operating condition (X) is shown as a first graph (G1).
  • the collection unit 100 uses a preset temperature (t s ), a preset charge/discharge current (i s ), and a preset charge/discharge number (C s ) as operating conditions (X), the time (T) of the battery cell
  • the charging/discharging voltage (V) can be collected according to .
  • the first graph G1 may represent the charge/discharge voltage (V) of the battery cell according to time (T).
  • the collection unit 100 may collect a plurality of time series data by dividing the charge/discharge voltage (V) according to the time (T) of the battery cell into preset time intervals. 2 , a case in which the collection unit 100 collects divided time series data D from a first time T 1 to a second time T 2 is shown as an example.
  • the collection unit 100 may collect time-series data by dividing it into arbitrary time intervals, and according to another embodiment, may include a plurality of time-series data overlapping time regions.
  • 3A and 3B are for explaining an image conversion method of a battery cell diagnosis device according to an embodiment disclosed in this document.
  • the conversion unit 200 can convert time series data (D) into an image (I) through the RP technique.
  • an example graph is shown with a time axis (T) and a voltage axis (V).
  • T time axis
  • V voltage axis
  • the example graph (GX) can be converted into an example spatial trajectory (PX), which is a two-dimensional space trajectory.
  • Points S1, S2, and S3 on the example spatial trajectory may represent changes in the value of the voltage axis (V) according to changes in the value of the time axis (T) of the example graph (GX).
  • S1 may be (0,1), which represents the change in the value of the voltage axis (V) from 0 to 1 as a coordinate while the value of the time axis (T) changes from 1 to 2.
  • S2 may be (1, 2), which represents the change in the value of the voltage axis (V) from 1 to 2 as a coordinate while the value of the time axis (T) changes from 2 to 3.
  • the spatial trajectory may represent the movement trajectory of data included in time series data. Therefore, points located on a spatial trajectory can recursively represent the relationship between adjacent data included in time series data.
  • the distance matrix may be a matrix composed of points located on a spatial trajectory.
  • the distance matrix may have a form such as (S1, S2) or (S1, S3).
  • the distance value of the distance matrix may mean the distance between points on the spatial trajectory.
  • time series data can be visualized as an image by expressing the color of the area corresponding to the distance matrix changing according to the distance value of the distance matrix.
  • the distance value of the distance matrix (S1, S2) is the distance between S1 and S2. It can be.
  • the distance value of the distance matrix (S1, S3) can be 2, which is the distance between S1 and S3.
  • the brightness and darkness of the corresponding area may change depending on the distance value of the distance matrix.
  • the RP technique represents the distance between points located on a spatial trajectory as a distance matrix, and an image represented by the RP technique can have a symmetrical shape.
  • FIG. 3B the process of converting time series data (D) of FIG. 2 into image data (I) by the RP technique is exemplarily shown.
  • the features of the image (I) converted by the RP technique can be clearly revealed compared to the first graph (G1) showing time series data.
  • Figure 4 illustrates a method for extracting feature values of a battery cell diagnosis device according to an embodiment disclosed in this document.
  • the extraction unit 300 may receive the image (I) and extract feature values from the image (I) received through the first neural network (NN1).
  • the first neural network (NN1) may include a convolutional layer (CL) and a pooling layer (PL).
  • CL convolutional layer
  • PL pooling layer
  • the convolutional layer (CL) is a layer that includes a filter and an active function and can generate a feature map from the image (I).
  • the pooling layer (PL) can remove noise from the extracted feature map and adjust the size of the feature map.
  • the first neural network (NN1) is shown as including one convolution layer (CL) and one pooling layer (PL), but the first neural network (NN1) includes a plurality of convolution layers (CL) and a pooling layer. (PL), and the convolution layers (CL) and pooling layers (PL) may have various structures depending on the purpose of the first neural network (NN1).
  • the number of feature maps generated from the image (I) may vary depending on the number of filters included in the convolutional layer (CL). In other words, there may be multiple feature maps for one image output through the convolution layer (CL) and pooling layer (PL), and the feature maps are called layers (L1, L2, L3, L4, L5 to Ln). can do.
  • the extraction unit 300 may extract the feature value (F) by flattening and concatenating the feature maps generated from the image (I).
  • the generated feature value may correspond to time series data (D).
  • Figure 5 illustrates an SOH calculation method of a battery cell diagnosis device according to an embodiment disclosed in this document.
  • the calculation unit 400 receives the feature value (F), and the second neural network (NN2) can learn based on the received feature value (F). Additionally, the learned second neural network (NN2) can calculate or predict the SOH based on the feature value (F).
  • the second neural network NN2 may include a hidden layer HL. Although the hidden layer HL is shown as having a cyclic structure, a neural network with a different structure may be selected depending on the embodiment. The hidden layer (HL) can learn through a recurrence algorithm and predict or calculate SOH.
  • Figure 6 illustrates an SOH calculation method of a battery cell diagnosis device according to another embodiment disclosed in this document.
  • the calculation unit 400 may receive the operating condition (X) from the collection unit 100 and calculate the prediction function (PF) through the third neural network (NN3).
  • the third neural network (NN3) may be an RNN, and the calculated prediction function (PF) may correspond to an arbitrary feature value.
  • the calculation unit 400 may connect the feature value (F) with the prediction function (PF).
  • the feature value (F) extracted in FIG. 2 is based on time series data ( D ) collected under operating conditions Can be connected to a function (PF).
  • the second neural network (NN2) included in the calculation unit 400 can learn based on the connected feature values and prediction functions (F, PF), and calculates SOH based on the connected feature values and prediction functions (F, PF). can do.
  • the second neural network (NN2) can reflect changes in SOH according to operating conditions by using the prediction function (PF) for learning.
  • Figure 7 is a flowchart showing a method of operating a battery cell diagnosis device according to an embodiment disclosed in this document.
  • the battery cell diagnosis device can collect time series data according to the operating conditions of the battery cell (S100).
  • the operating conditions of a battery cell may refer to conditions that are maintained constant during charging and discharging operations of the battery cell.
  • the collected time series data may be data that represents the operating characteristics over time, which are the result values obtained during charging and discharging experiments according to the operating conditions of the battery cell.
  • the operating conditions may be the charging/discharging current of the battery cell, the temperature during charging/discharging of the battery cell, the charging/discharging voltage of the battery cell, the number of charging/discharging times of the battery cell, etc.
  • Time series data may be data in which operating characteristics are sampled at predetermined time intervals.
  • the battery cell diagnosis device can convert time series data into an image corresponding to a spatial trajectory of a predetermined dimension (S200).
  • the battery cell diagnostic device can convert time series data into images using the RP technique.
  • the RP technique can be a method of imaging time series data by converting time series data into a spatial trajectory of a predetermined dimension and representing the distance between points located on the converted spatial trajectory as a distance matrix.
  • the predetermined dimension may be two-dimensional.
  • the battery cell diagnosis device can extract feature values from the image (S300).
  • the battery cell diagnosis device may use a first neural network to extract feature values.
  • the first neural network may be a convolutional neural network including a convolutional layer and a pooling layer. More specifically, the battery cell diagnostic device may use AlexNet, GoogLeNet, or ResNet to extract feature values from images.
  • the battery cell diagnosis device may calculate the lifespan of the battery cell based on the extracted feature values (S400).
  • the battery cell diagnosis device can learn a second neural network based on the feature values, and can predict the SOH of the battery cell using the learned second neural network.
  • the second neural network may be a deep neural network including a hidden layer, and more specifically, the battery cell diagnostic device may use RNN or LSTM, etc. to predict SOH.
  • Figure 8 is a flowchart showing a method of operating a battery cell diagnosis device according to another embodiment disclosed in this document.
  • FIG. 8 a method by which a battery cell diagnosis device predicts the SOH of a battery cell by reflecting the prediction function can be explained.
  • the battery cell diagnosis device may extract feature values from the image (S300) and then predict the SOH using a method different from the method described in FIG. 7 (S400').
  • the battery cell diagnosis device can generate a prediction function for operating conditions based on a third neural network (S410).
  • the prediction function is a value generated by calculating the operating conditions with a third neural network
  • the battery cell diagnosis device connects the prediction function with the corresponding feature value (S420) and predicts the lifespan of the battery cell based on the prediction function and feature values. (S430).
  • the battery cell diagnosis device can improve the accuracy of SOH prediction of the second neural network by learning the second neural network by connecting the prediction function and feature values.
  • Figure 9 is a graph comparing the accuracy of life prediction according to the operation method of the diagnostic device according to an embodiment disclosed in this document.
  • the True graph in FIG. 9 plots the SOH value calculated from a plurality of operating conditions and time series data with the maximum value of 1, and the Predict graph plots the SOH value predicted by the battery cell diagnosis device based on the operating conditions and time series data with the maximum value. It was plotted with a value of 1.
  • the horizontal axis of the graph may indicate the number of samples used for prediction.
  • Figures 9A and 9B are graphs predicting SOH based on a model learned from time series data without image conversion.
  • B is a graph of a model learned by reflecting a prediction function based on operating conditions. Compared to A, model B may have higher prediction accuracy.
  • Figures 9C and 9D are graphs predicting SOH based on a model learned by converting time series data into images.
  • D is a graph predicting SOH by reflecting a prediction function based on operating conditions. It can be seen that the prediction accuracy of the models (C, D) learned through image conversion is improved compared to the models (A, B) learned without image conversion. Additionally, when learning by reflecting the prediction function, prediction accuracy can be further improved.
  • FIG. 10 is a block diagram showing the hardware configuration of a computing system for performing a method of operating a battery cell diagnosis device according to an embodiment disclosed in this document.
  • the computing system 1000 may include an MCU 1010, a memory 1020, an input/output I/F 1030, and a communication I/F 1040. there is.
  • the MCU 1010 operates various programs stored in the memory 1020 (e.g., a battery pack voltage or current collection program, a relay control program included in the battery pack, a battery cell remaining life calculation program, and a battery cell capacity deterioration diagnosis program. , a battery cell resistance degradation determination program, etc.) are executed, and various information including the remaining lifespan information of the battery cell, battery cell capacity degradation information, and battery cell resistance degradation information are processed through these programs, and the above-mentioned FIG. 1 It may be a processor that performs the operation of the battery cell diagnosis device shown in .
  • the memory 1020 can store various programs related to battery log information collection and diagnosis.
  • the memory 1020 includes battery current, voltage, charge/discharge condition information, battery cell voltage information in a charge/discharge cycle section within a set number of times, dQ/dV information of a battery cell in a charge/discharge cycle section within a set number of times, etc.
  • Various information can be stored.
  • Memory 1020 may be volatile memory or non-volatile memory.
  • the memory 1020 as a volatile memory may use RAM, DRAM, SRAM, etc.
  • the memory 1020 as a non-volatile memory may be ROM, PROM, EAROM, EPROM, EEPROM, flash memory, etc.
  • the examples of memories 1020 listed above are merely examples and are not limited to these examples.
  • the input/output I/F (1030) is an interface that connects the MCU (1010) with input devices (not shown) such as a keyboard, mouse, and touch panel, and output devices such as a display (not shown) to transmit and receive data. can be provided.
  • the communication I/F 1040 is a component that can transmit and receive various data with a server, and may be various devices that can support wired or wireless communication.
  • the battery cell diagnosis device receives relay control programs included in the battery pack or current, current, dQ/dV values, charge/discharge condition information, and charge/discharge condition information of various battery packs from a separately provided external server through the communication I/F (1040). Remaining life, capacity degradation, or resistance degradation information can be transmitted and received.
  • the computer program according to an embodiment disclosed in this document may be recorded in the memory 1020 and processed by the MCU 1010, so that it may be implemented as a module that performs each function shown in FIG. 1, for example. there is.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

본 발명의 일실시예에 따른 배터리 셀 진단 장치는 동작 조건에 따른 배터리 셀의 시계열 데이터를 수집하는 수집부, 상기 시계열 데이터를 미리 정해진 차원의 공간 궤적에 대응하는 이미지로 변환하는 변환부, 상기 이미지로부터 특징값을 추출하는 추출부 및 상기 특징값에 기초하여 상기 배터리 셀의 수명을 연산하는 연산부를 포함할 수 있다.

Description

배터리 셀 수명 진단 장치 및 그것의 동작 방법
관련출원과의 상호인용
본 발명은 2022.06.02.에 출원된 한국 특허 출원 제10-2022-0067847호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시예들은 배터리 셀 수명 진단 장치 및 그것의 동작 방법에 관한 것이다.
최근 이차 전지에 대한 연구 개발이 활발히 이루어지고 있다. 이차 전지는 충전 및 방전이 가능한 전지로서, 종래의 Ni/Cd 배터리, Ni/MH 배터리 등과 최근의 리튬 이온 배터리를 모두 포함할 수 있다. 리튬 이온 배터리는 종래의 Ni/Cd 배터리, Ni/MH 배터리 등에 비하여 에너지 밀도가 훨씬 높다는 장점이 있다, 또한, 리튬 이온 배터리는 소형, 경량으로 제작할 수 있어 이동 기기의 전원으로 사용되며, 최근에는 전기 자동차의 전원으로 사용 범위가 확장되어 차세대 에너지 저장 매체로 주목을 받고 있다.
배터리는 충방전을 거듭할수록 퇴화되는 양상을 나타낸다. 예를 들어, 배터리는 충방전을 거듭할수록 용량 및 저항이 퇴화하고 잔존 수명이 줄어들 수 있다. 또한, 배터리는 사용 조건에 따라서 퇴화도 및 잔존 수명이 변화할 수 있다.
배터리 잔존 수명이 급격히 낮아지는 경우, 배터리 사용에 안전 문제가 발생할 수 있다. 따라서, 배터리의 수명을 사전에 진단하여 배터리의 성능 급락에 의한 위험을 예방하는 방법이 요구된다.
본 문서에 개시된 실시예들의 일 목적은 배터리 셀의 수명을 효과적으로 연산할 수 있도록 동작 조건에 대응하여 시계열적으로 수집되는 배터리 셀의 동작 특성 데이터를 이미지로 변환하는 장치 및 그 동작 방법을 제공하는데 있다.
본 문서에 개시된 실시예들의 일 목적은 시계열 데이터로부터 변환된 이미지에 기초하여 배터리 셀의 수명을 진단하는 장치 및 그 동작 방법을 제공하는데 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시 예에 따른 배터리 셀 진단 장치는 동작 조건에 따른 배터리 셀의 시계열 데이터를 수집하는 수집부, 상기 시계열 데이터를 미리 정해진 차원의 공간 궤적에 대응하는 이미지로 변환하는 변환부, 상기 이미지로부터 특징값을 추출하는 추출부 및 상기 특징값에 기초하여 상기 배터리 셀의 수명을 연산하는 연산부를 포함할 수 있다.
일 실시예에서, 상기 이미지는 2차원 공간 궤적에 대응하는 이미지일 수 있다.
일 실시예에서, 상기 시계열 데이터는 시간에 따른 상기 배터리 셀의 동작 특성 변화에 대응하는 데이터일 수 있다.
일 실시예에서, 상기 추출부는 제1 신경망을 통해 상기 특징값을 추출할 수 있다.
일 실시예에서, 상기 제1 신경망은 컨벌루션 층과 풀링층을 포함하는 컨벌루션 신경망일 수 있다.
일 실시예에서, 상기 연산부는 제2 신경망을 통해 상기 수명을 연산할 수 있다.
일 실시예에서, 상기 제2 신경망은 다중의 은닉층을 포함하는 심층 신경망일 수 있다.
일 실시예에서, 상기 동작 조건은 상기 특징값과 대응하고, 상기 연산부는 제3 신경망을 통해 상기 동작 조건에 대한 예측함수를 생성할 수 있다.
일 실시예에서, 상기 제3 신경망은 다중의 은닉층을 포함하는 심층 신경망일 수 있다.
일 실시예에서, 상기 연산부는 상기 예측함수 및 상기 특징값에 기초하여 상기 수명을 연산할 수 있다.
일 실시예에서, 상기 변환부는 상기 시계열 데이터를 상기 공간 궤적으로 변환하고, 상기 공간 궤적을 이용해 상기 시계열 데이터를 상기 이미지로 변환할 수 있다.
일 실시예에서, 상기 변환부는 상기 공간 궤적 상에 위치한 점들 간의 거리를 거리 행렬로 나타내고, 상기 거리 행렬에 대응하는 영역을 상기 거리 행렬의 거리 값에 기초하여 상기 이미지로 변환할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 동작 방법은, 동작 조건에 따른 배터리 셀의 시계열 데이터를 수집하는 단계, 상기 시계열 데이터를 미리 정해진 차원의 공간 궤적에 대응하는 이미지로 변환하는 단계, 상기 이미지로부터 특징값을 추출하는 단계 및 상기 특징값에 기초하여 상기 배터리 셀의 수명을 연산하는 단계를 포함할 수 있다.
일 실시예에서, 상기 시계열 데이터를 미리 정해진 차원의 공간 궤적에 대응하는 이미지로 변환하는 단계는, 상기 시계열 데이터를 공간 궤적으로 변환하는 단계, 상기 공간 궤적을 이용해 상기 시계열 데이터를 상기 이미지로 변환하는 단계를 포함할 수 있다.
일 실시예에서, 상기 공간 궤적을 이용해 상기 시계열 데이터를 상기 이미지로 변환하는 단계는 상기 공간 궤적 상에 위치하는 점들 간의 거리를 거리 행렬로 나타내는 단계 및 상기 거리 행렬에 대응하는 영역을 상기 거리 행렬의 거리 값에 기초하여 시각화하는 단계를 포함할 수 있다.
일 실시예에서, 상기 이미지로부터 특징값을 추출하는 단계는, 제1 신경망을 통해 상기 특징값을 추출할 수 있다.
일 실시예에서, 상기 수명을 연산하는 단계는 제2 신경망을 통해 상기 수명을 연산하고, 상기 제2 신경망은 다중의 은닉층을 포함하는 심층 신경망일 수 있다.
일 실시예에서, 상기 동작 조건은 상기 특징값에 대응하고, 상기 수명을 연산하는 단계는, 제3 신경망을 통해 상기 동작 조건에 대한 예측함수를 생성하는 단계, 상기 예측함수와 상기 특징값을 연결하는 단계 및 상기 예측함수 및 상기 특징값에 기초하여 상기 수명을 예측하는 단계를 포함할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 셀 수명 진단 장치 및 그것의 동작 방법은, 배터리 셀의 상태를 연산할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치 및 그것의 동작 방법은, 배터리 셀의 동작 특성에 대한 시계열 데이터를 미리 설정된 차원의 이미지로 변환함으로써 배터리 셀의 상태를 연산할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치 및 그것의 동작 방법은, 신경망을 통해 이미지 데이터를 분석함으로써 배터리 셀의 잔존 수명을 연산할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치 및 그것의 동작 방법은, 배터리 셀의 동작 특성에 대응하는 이미지 및 배터리 셀의 동작 조건에 기초하여 배터리 셀의 수명 연산 정확도를 향상시킬 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치를 보여주는 블록도이다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 시계열 데이터 처리 방법을 도시한 것이다.
도 3a 및 3b는 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 이미지 변환 방법을 설명하기 위한 것이다.
도 4는 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 특징값 추출 방법을 도시한 것이다.
도 5는 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 SOH 연산 방법을 도시한 것이다.
도 6은 본 문서에 개시된 다른 실시예에 따른 배터리 셀 진단 장치의 SOH 연산 방법을 도시한 것이다.
도 7은 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 동작 방법을 보여주는 흐름도이다.
도 8은 본 문서에 개시된 다른 실시예에 따른 배터리 셀 진단 장치의 동작 방법을 보여주는 흐름도이다.
도 9는 본 문서에 개시된 일 실시예에 따른 진단 장치의 동작 방법에 따른 수명 예측 정확도를 비교한 그래프이다.
도 10은 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 동작 방법을 수행하기 위한 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
이하, 본 문서에 개시된 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면 상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에 개시된 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치를 보여주는 블록도이다.
도 1을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치(10)는 수집부(100), 변환부(200), 추출부(300) 및 연산부(400)를 포함할 수 있다.
수집부(100)는 배터리 셀의 동작 조건 및 상기 동작 조건에 대응하는 배터리 셀의 시계열 데이터를 획득할 수 있다.
SOH(state of health)는 배터리 셀의 성능 감소를 나타내는 지표로, 노화로 인하여 초기 용량 대비 감소된 배터리 셀의 용량 또는 저항의 백분율로 나타낼 수 있다. SOH의 변화는 배터리 셀이 포함하는 화학 물질의 분극 현상으로 인한 저항 증가 등으로 인해 발생할 수 있다. 배터리 셀의 성능이 미리 정의한 임계점 이하로 감소하면 배터리 셀의 교체가 요구될 수 있다. 일반적으로, 초기 용량의 80% 수준이면 배터리 셀의 수명 종료 시점으로 판단할 수 있다.
동작 조건은 배터리 셀의 성능 지수를 측정하기 위한 충방전 실험 중 동작 특성을 획득하기 위해 일정하게 유지되는 조건일 수 있다. 또한, 배터리 셀의 동작 특성은 상기 동작 조건에 따라 충방전 실험 중 얻어지는 결과값으로 시간에 따라 변화하는 값일 수 있다. 시계열 데이터는 배터리 셀의 동작 특성을 미리 정해진 시간 구간 동안 측정한 데이터일 수 있다. 따라서, 시계열 데이터는 시간에 따른 배터리 셀의 동작 특성 변화를 나타낼 수 있다.
배터리 셀의 성능 지수는 예시적으로 앞서 설명한 SOH 또는 SOC(state of charge, 잔존 용량)등을 의미할 수 있다.
충방전 실험은 동작 조건을 유지하고 배터리 셀의 동작 특성을 검출하는 실험을 의미할 수 있다. 동작 조건은 배터리 셀의 출력에 영향을 주는 실험 환경을 의미할 수 있다.
배터리 셀의 동작 온도 및 충방전 전류를 동작 조건으로 할 때, 배터리 셀의 동작 특성은 충방전 전압일 수 있다. 이때, 시계열 데이터는 상기 배터리 셀의 충방전 전압의 시간에 따른 변화를 나타내는 데이터일 수 있다.
배터리 셀은 충방전의 반복 횟수가 증가함에 따라 특성이 퇴화될 수 있다. 수집부(100)는 충방전 반복 횟수 별로 배터리 셀의 시계열 데이터를 획득할 수 있다. 실시예에 따르면, 충방전 반복 횟수는 배터리 셀의 동작 조건이 될 수 있다.
동작 조건은 취득하고자 하는 시계열 데이터에 따라 변경될 수 있으며, 다른 실시 예에 따르면, 동작 특성은 배터리 셀의 임피던스, 내부 저항 또는 용량 등이 될 수 있다.
일 실시 예에 따르면, 수집부(100)는 동작 조건에 따른 시계열 데이터를 얻을 수 있도록 배터리 셀의 온도, 충방전 전류 및 충방전 전압을 모니터링하는 측정 장치를 포함할 수 있다. 또한, 상기 측정 장치는 배터리 셀의 임피던스, 내부 저항 및 용량 등을 모니터링 할 수 있다.
또한, 다른 실시 예에 따르면, 수집부(100)는 배터리 셀의 동작 조건 및 상기 동작 조건에 대응하는 배터리 셀의 시계열 데이터를 매칭하여 외부로부터 수신할 수 있다.
시계열 데이터는 수집부(100)에 의해 미리 정해진 시간 간격으로 샘플링되거나 정규화된 데이터일 수 있다. 예를 들어, 배터리 셀의 동작 온도 및 충방전 전류가 일정하게 유지될 때, 수집부(100)가 시간에 따른 배터리 셀의 충방전 전압에 대한 로우(raw) 데이터를 수집하면, 상기 로우 데이터를 미리 설정된 시간 간격으로 분할함으로써 복수의 시계열 데이터를 얻을 수 있다.
변환부(200)는 배터리 셀의 시계열 데이터를 미리 정해진 차원의 공간 궤적에 대응하는 이미지로 변환할 수 있다. 시계열 데이터의 변환은 RP(recurrence plot) 기법에 의해 수행될 수 있다. RP 기법은 시계열 데이터를 이미지로 변환하기 위해 사용되는 변환 기법일 수 있다.
RP 기법은 시계열 데이터를 미리 정해진 차원의 공간 궤적으로 변환하고, 공간 궤적 상에 위치한 점들 간의 거리를 거리 행렬로 나타내어 시계열 데이터를 이미지로 변환하는 기법일 수 있다. 이때, 공간 궤적은 시계열 데이터에 포함되는 데이터 사이의 이동 궤적을 의미할 수 있다.
변환부(200)는 거리 행렬의 거리 값에 기초하여 시계열 데이터를 미리 정해진 차원의 공간 궤적에 대응하는 이미지로 시각화할 수 있다.
일 실시예에 따르면, 변환부(200)는 거리 행렬의 거리 값이 임계 값 이상인 경우, 상기 거리 행렬에 대응하는 영역을 2차원으로 표현함으로써 시계열 데이터를 이미지로 시각화 할 수 있다.
다른 실시 예에 따르면, 거리 행렬에 대응하는 영역의 색상을 상기 거리 행렬의 거리 값에 따라 변화하도록 2차원으로 표현함으로써 적색 채널, 녹색 채널 및 청색 채널을 포함하는 이미지로 시각화 할 수 있다.
변환부(200)는 RP 기법을 통해 시계열 데이터를 이미지로 변환함으로써 시계열 데이터에서 파악하기 어려운 특징들을 명확하게 드러날 수 있다.
추출부(300)는 제1 신경망을 통해 이미지의 특징값(feature value)을 추출할 수 있다. 실시예에 따르면 추출부(300)는 이미지로부터 복수의 특징맵(feature map)들을 생성할 수 있다. 추출부(300)는 생성된 특징맵들을 처리하여 특징값을 추출할 수 있고, 추출된 특징값을 연산부(400)에 전달할 수 있다.
제1 신경망은 컨벌루션 신경망(Convolution Neural Network) 알고리즘일 수 있다. 컨벌루션 신경망은 컨벌루션 층(Convolution Layer) 및 풀링층(Pooling Layer)을 포함하는 딥 러닝 알고리즘으로, 컨벌루션 층은 이미지의 특징을 추출하는 필터(컨벌루션 커널)와 필터를 거친 입력 데이터를 비선형적 값으로 연산하는 활성 함수(Activation function)을 포함할 수 있다. 컨벌루션 층을 거친 이미지는 복수의 특징맵으로 출력될 수 있다.
풀링층은 특징맵에서 특징과 관계없는 노이즈를 제거할 수 있다.
컨벌루션 신경망은 컨벌루션 층 및 풀링층의 연결 방법에 따라 서로 다른 구조(architecture)를 가질 수 있다. 이미지로부터 특징값을 추출하기 위한 컨벌루션 신경망은 예시적으로, 컨벌루션 층을 중첩하여 사용하는 AlexNet, 인셉션 모듈을 포함하는 GoogLeNet, residual block을 포함하는 ResNet 등이 이용될 수 있다.
추출부(300)에서 사용되는 제1 신경망은 기존에 학습된 모델을 활용할 수 있다. 실시 예에 따르면, 추출부(300)는 시각적 데이터 베이스(예를 들어, imageNet 프로젝트)에 의해 학습된 GoogLeNet 또는 ResNet 모델을 전이 학습(transfer learning)을 통해 특징값 추출에 이용할 수 있다.
다른 실시 예에 따르면, 추출부(300)는 제1 신경망의 컨벌루션 층에서 연산에 사용되는 컨벌루션 커널의 가중치(weight)를 조정하거나, 학습된 컨벌루션 신경망의 구조를 조정함으로써 제1 신경망을 최적화 할 수 있다.
추출부(300)에서 사용되는 제1 신경망은 시계열 데이터로부터 변환되는 이미지의 양에 따라 달라질 수 있다. 다시말해, 신경망은 시계열 데이터로부터 변환되는 이미지의 양이 적은 경우, 기존에 학습된 모델을 전이 학습을 통해 특징값 추출에 이용할 수 있고, 시계열 데이터로부터 변환되는 이미지의 양이 많은 경우, 기존에 학습된 모델의 구조 및 가중치 등을 변경하여 활용할 수 있다.
실시 예에 따르면, 추출부(300)는 생성된 복수의 특징맵들을 평탄화(flatten) 및 연결(concatenate)하여 특징값을 생성할 수 있다. 특징맵의 개수는 제1 신경망이 포함하는 필터의 개수에 따라 달라질 수 있다. 상기 특징맵을 레이어(layer)라고 할 수 있다.
연산부(400)는 제2 신경망을 통해 배터리 셀의 SOH를 예측 또는 연산할 수 있다. 실시예에 따르면, 상기 제2 신경망은 심층 신경망(Deep Neural Network) 알고리즘일 수 있다. 연산부(400)는 이미지로부터 추출된 특징값 및 동작 조건에 기초하여 배터리 셀의 SOH를 예측 또는 연산할 수 있다.
심층 신경망은 다중의 은닉층(hidden layer)을 포함하는 딥 러닝 알고리즘으로, 복수개의 은닉층을 이용함으로써 복잡도가 높은 복수의 데이터들을 정교하게 처리할 수 있다.
연산부(400)가 포함하는 제2 신경망은 시계열 데이터를 이미지로 변환하여 추출한 특징값에 기초하여 학습함으로써 시계열 데이터를 직접 학습하여 배터리 셀의 SOH를 연산하는 경우보다 정확도가 향상될 수 있다.
시계열 데이터를 이미지 변환 없이 학습하는 경우, 데이터의 특징이 제대로 반영되지 않을 수 있고, 예측되는 값이 편향되거나, 국소 영역의 경향성이 과도하게 반영되어 연산부(400)의 연산 정확도가 감소할 수 있다.
예시적으로, 시간에 따른 배터리 셀의 용량 변화를 반영하는 시계열 데이터의 경우, 잔류 반응 생성물이 제거됨으로써 불규칙적으로 용량이 증가하는 capacity regeneration 현상 등으로 인해 시계열 데이터에 노이즈가 발생할 수 있고, 상기 노이즈가 SOH 예측에 영향을 줄 수 있다.
시계열 데이터를 이미지로 변환하고, 상기 이미지로부터 추출한 특징값에 기초하여 SOH를 예측하는 경우, 상기 이미지가 시계열 데이터의 변화를 재귀적으로 반영하고, 특징 추출을 용이하게 함으로써 연산부(400)의 SOH 예측 정확도가 증가할 수 있다.
심층 신경망은 은닉층의 연결 방법에 따라 서로 다른 구조를 가질 수 있다. 심층 신경망은 예시적으로 은닉층들이 순환 구조를 갖는 RNN(Recurrent Neural Network), 기울기 소실(Gradient vanishing) 현상 및 장기 의존성을 개선하기 위해 이전 상태를 기억하는 층을 추가한 LSTM(Long Short-Term Memory) 등이 이용될 수 있다.
연산부(400)에 입력되는 특징값들은, 특징값 추출의 기초가 되는 이미지들이 시계열 데이터로부터 변환되는 것인 바, 제2 신경망에 의해 연속적 데이터(sequential data)와 같이 분석될 수 있다. 연속적 데이터는 시계열적으로 변화하는 데이터를 의미할 수 있다.
다른 실시예에 따르면, 연산부(400)는 특징값에 대응하는 동작 조건을 이용해 예측함수를 생성할 수 있다. 연산부(400)는 특징값 및 상기 특징값에 대응하는 동작 조건을 연결(concatenate)할 수 있다.
예측함수는 제2 신경망이 동작 조건에 따른 SOH 변화를 반영하도록 하는 함수로, 제2 신경망이 예측함수와 특징값을 연결하여 학습함으로써 동작 조건에 의한 SOH 변화의 경향성이 제2 신경망에 반영될 수 있다. 따라서, 제2 신경망이 예측함수와 특징값을 연결하여 학습하는 경우, 연산부(400)의 SOH 예측 정확도가 향상될 수 있다.
추출부(300)는 시계열 데이터를 변환한 이미지로부터 특징값을 추출하는 바, 임의의 동작 조건은 특징값에 각각 대응할 수 있다. 수집부(100)는 특징값에 대응되는 동작 조건을 연산부(400)에 전달할 수 있다. 연산부(400)는 제3 신경망을 통해 예측함수를 생성할 수 있다.
실시예에 따르면, 제3 신경망은 제2 신경망과 같은 심층 신경망일 수 있다.
제2 신경망 및 제3 신경망을 이용한 학습은 서로 다른 차원의 정보(특징값 및 동작 조건)들을 이용한 학습으로 멀티 모달(multimodal) 학습이라고 할 수 있다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 시계열 데이터 처리 방법을 도시한 것이다.
도 2를 통해 임의의 동작 조건(X)에 따른 시계열 데이터가 제1 그래프(G1)로 도시된다.
수집부(100)는 미리 설정된 온도(ts), 미리 설정된 충방전 전류(is) 및 미리 설정된 충방전 횟수(Cs)를 동작 조건(X)으로 할 때, 배터리 셀의 시간(T)에 따른 충방전 전압(V)을 수집할 수 있다. 다시말해, 제1 그래프(G1)는 시간(T)에 따른 배터리 셀의 충방전 전압(V)을 나타낼 수 있다.
수집부(100)는 배터리 셀의 시간(T)에 따른 충방전 전압(V)을 미리 설정된 시간 간격으로 분할함으로써 복수의 시계열 데이터를 수집할 수 있다. 도 2를 통해, 수집부(100)가 제1 시간(T1)부터 제2 시간(T2)까지 분할된 시계열 데이터(D)를 수집하는 경우가 예시적으로 도시된다.
수집부(100)는 시계열 데이터를 임의의 시간 간격으로 분할하여 수집할 수 있으며, 다른 실시예에 따르면, 복수의 시계열 데이터 서로 중첩되는 시간 영역을 포함할 수 있다.
도 3a 및 3b는 은 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 이미지 변환 방법을 설명하기 위한 것이다.
변환부(200)는 RP 기법을 통해 시계열 데이터(D)를 이미지(I)로 변환할 수 있다.
RP 기법을 설명하기 위해, 시간 축(T) 및 전압 축(V)을 갖는 예시 그래프(GX)가 도시된다. 이하, 도 3a를 통해 예시 그래프(GX)가 예시 이미지(IX)로 변환되는 과정이 자세하게 설명될 것이다.
예시 그래프(GX)는 2차원 공간 궤적인 예시 공간 궤적(PX)으로 변환될 수 있다. 예시 공간 궤적 상의 점들(S1, S2, S3)은 예시 그래프(GX)의 시간 축(T) 값의 변화에 따른 전압 축(V) 값의 변화를 나타낼 수 있다.
다시말해, S1은 시간 축(T)의 값이 1에서 2로 변화하는 동안 0에서 1로 변화하는 전압 축(V) 값의 변화를 좌표로 나타낸 것(0,1)일 수 있다. 마찬가지로, S2는 시간 축(T)의 값이 2에서 3으로 변하는 동안 1에서 2로 변화하는 전압 축(V) 값의 변화를 좌표로 나타낸 것(1,2)일 수 있다.
공간 궤적은 시계열 데이터에 포함되는 데이터들의 이동 궤적을 나타낼 수 있다. 따라서, 공간 궤적 상에 위치한 점들은 시계열 데이터가 포함하는 인접한 데이터의 관계를 재귀적으로 나타낼 수 있다.
거리 행렬은 예시적으로 공간 궤적 상에 위치한 점들로 구성되는 행렬일 수 있다. 예시적으로 거리 행렬은 (S1, S2) 또는 (S1, S3)와 같은 형태를 가질 수 있다.
거리 행렬의 거리 값은 공간 궤적 상의 점들 간의 거리를 의미할 수 있다. 실시 예에 따르면, 거리 행렬의 거리 값에 따라 거리 행렬에 대응하는 영역의 색상이 변화하도록 표현함으로써 시계열 데이터를 이미지로 시각화할 수 있다. 예를 들어, 거리 행렬(S1, S2)의 거리 값은 S1과 S2 사이 거리인
Figure PCTKR2023004477-appb-img-000001
가 될 수 있다. 마찬가지로, 거리 행렬(S1, S3)의 거리 값은 S1과 S3 사이의 거리인 2가 될 수 있다.
예시 이미지(IX)를 참고하면, 거리 행렬의 거리 값에 따라 대응하는 영역의 명암이 변화될 수 있다.
RP 기법은 공간 궤적 상에 위치한 점들 간의 거리를 거리 행렬로 나타내는 바, RP 기법으로 나타낸 이미지는 대칭적 형상을 가질 수 있다.
도 3b를 통해 도 2의 시계열 데이터(D)가 RP 기법에 의해 이미지 데이터(I)로 변환되는 과정이 예시적으로 도시된다. RP 기법에 의해 변환된 이미지(I)는 시계열 데이터를 나타낸 제1 그래프(G1)에 비해 특징들이 명확하게 드러날 수 있다.
도 4는 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 특징값 추출 방법을 도시한 것이다.
추출부(300)는 이미지(I)를 수신하고, 제1 신경망(NN1)을 통해 수신한 이미지(I)로부터 특징값을 추출할 수 있다.
제1 신경망(NN1)은 컨벌루션 층(CL) 및 풀링층(PL)을 포함할 수 있다.
컨벌루션 층(CL)은 필터(Filter)및 활성 함수(Active function)을 포함하는 층으로 이미지(I)로부터 특징맵을 생성할 수 있다. 풀링층(PL)은 추출된 특징맵으로부터 노이즈를 제거하고 특징맵의 크기(size)를 조절할 수 있다.
설명의 편의를 위해 제1 신경망(NN1)이 컨벌루션 층(CL)과 풀링층(PL)을 각각 하나씩 포함하는 것처럼 도시하였으나, 제1 신경망(NN1)은 복수의 컨벌루션 층(CL)들 및 풀링층(PL)을 포함할 수 있고, 상기 컨벌루션 층(CL)들 및 풀링층(PL)들은 제1 신경망(NN1)의 목적에 따라 다양한 구조를 가질 수 있다.
컨벌루션 층(CL)이 포함하는 필터(Filter)의 개수에 따라 이미지(I)로부터 생성되는 특징맵의 개수가 달라질 수 있다. 다시말해, 하나의 이미지가 컨벌루션 층(CL)및 풀링층(PL)을 거쳐 출력되는 특징맵들은 복수일 수 있으며, 상기 특징맵들을 레이어들(L1, L2, L3, L4, L5 내지 Ln)이라고 할 수 있다.
추출부(300)는 이미지(I)로부터 생성된 특징맵들을 평탄화(flatten) 및 연결(concatenate)함으로써 통해 특징값(F)을 추출할 수 있다. 생성된 특징값은 시계열 데이터(D)에 대응할 수 있다.
도 5는 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 SOH 연산 방법을 도시한 것이다.
연산부(400)는 특징값(F)을 수신하고, 제2 신경망(NN2)은 수신된 특징값(F)에 기초하여 학습할 수 있다. 또한, 학습된 제2 신경망(NN2)은 특징값(F)에 기초하여 SOH를 연산 또는 예측할 수 있다. 제2 신경망(NN2)은 은닉층(HL)을 포함할 수 있으며, 예시적으로 은닉층(HL)이 순환 구조를 갖는 것으로 도시하였으나, 실시예에 따라 다른 구조의 신경망이 선택될 수 있다. 은닉층(HL)은 재귀적(recurrence) 알고리즘을 통해 학습하고, SOH를 예측 또는 연산할 수 있다.
도 6은 본 문서에 개시된 다른 실시예에 따른 배터리 셀 진단 장치의 SOH 연산 방법을 도시한 것이다.
연산부(400)는 수집부(100)로부터 동작 조건(X)을 수신하고, 제3 신경망(NN3)을 통해 예측함수(PF)를 연산할 수 있다. 제3 신경망(NN3)은 예시적으로 RNN일 수 있으며, 연산된 예측함수(PF)는 임의의 특징값에 대응할 수 있다.
연산부(400)는 특징값(F)을 예측함수(PF)와 연결할 수 있다. 예시적으로, 도 2에서 추출된 특징값(F)은 동작 조건 X(ts, is, Cs)에서 수집된 시계열 데이터(D)에 기초한 것인 바, 동작 조건(X)으로부터 얻어지는 예측함수(PF)와 연결될 수 있다.
연산부(400)가 포함하는 제2 신경망(NN2)은 연결된 특징값 및 예측함수(F, PF)에 기초하여 학습할 수 있고, 연결된 특징값 및 예측함수(F, PF)에 기초하여 SOH를 연산할 수 있다. 제2 신경망(NN2)은 예측함수(PF)를 학습에 이용함으로써 동작 조건에 따른 SOH 변화를 반영할 수 있다.
도 7은 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 동작 방법을 보여주는 흐름도이다.
도 7에 따르면, 배터리 셀 진단 장치는 배터리 셀의 동작 조건에 따라 시계열 데이터를 수집할 수 있다(S100). 앞서 설명한 바와 같이, 배터리 셀의 동작 조건은 배터리 셀의 충방전 동작 중 일정하게 유지되는 조건을 의미할 수 있다. 또한, 수집되는 시계열 데이터는 배터리 셀의 동작 조건에 따라 충방전 실험 중 얻어지는 결과 값인 동작 특성을 시간에 따라 나타낸 데이터일 수 있다.
예시적으로, 동작 조건은 배터리 셀의 충방전 전류, 배터리 셀의 충방전 시 온도, 배터리 셀의 충방전 전압, 배터리 셀의 충방전 횟수 등일 수 있다.
시계열 데이터는 동작 특성을 미리 정해진 시간 간격으로 샘플링한 데이터일 수 있다.
배터리 셀 진단 장치는 시계열 데이터를 미리 정해진 차원의 공간 궤적에 대응하는 이미지로 변환할 수 있다(S200). 배터리 셀 진단 장치는 시계열 데이터를 RP 기법에 의해 이미지로 변환할 수 있다. RP 기법은 시계열 데이터를 미리 정해진 차원의 공간 궤적으로 변환하고, 변환한 공간 궤적 상에 위치한 점들 간의 거리를 거리 행렬로 나타냄으로써 시계열 데이터를 이미지화 하는 방법일 수 있다. 실시 예에 따라 상기 미리 정해진 차원은 2차원일 수 있다.
배터리 셀 진단 장치는 상기 이미지로부터 특징값을 추출할 수 있다(S300). 배터리 셀 진단 장치는 특징값을 추출하기 위해 제1 신경망을 사용할 수 있으며, 예시적으로 상기 제1 신경망은 컨벌루션 층 및 풀링층을 포함하는 컨벌루션 신경망일 수 있다. 보다 구체적으로, 배터리 셀 진단 장치는 이미지로부터 특징값을 추출하기 위해 AlexNet, GoogLeNet 또는 ResNet등을 사용할 수 있다.
배터리 셀 진단 장치는 추출된 특징값에 기초하여 배터리 셀의 수명을 연산할 수 있다(S400). 배터리 셀 진단 장치는 특징값에 기초하여 제2 신경망을 학습시킬 수 있고, 학습된 제2 신경망을 이용해 배터리 셀의 SOH를 예측할 수 있다. 제2 신경망은 은닉층을 포함하는 심층 신경망일 수 있으며, 보다 구체적으로, 배터리 셀 진단 장치는 SOH를 예측하기 위해 RNN 또는 LSTM등을 사용할 수 있다.
도 8은 본 문서에 개시된 다른 실시예에 따른 배터리 셀 진단 장치의 동작 방법을 보여주는 흐름도이다.
도 8을 통해 배터리 셀 진단 장치가 예측함수를 반영하여 배터리 셀의 SOH를 예측하는 방법이 설명될 수 있다.
배터리 셀 진단 장치는 이미지로부터 특징값을 추출한 후(S300), 도 7에서 설명한 방법과 다른 방법으로 SOH를 예측할 수 있다(S400').
배터리 셀 진단 장치는 제3 신경망에 기초해 동작 조건에 대한 예측함수를 생성할 수 있다(S410).
예측함수는 동작 조건을 제3 신경망으로 연산하여 생성되는 값으로, 배터리 셀 진단 장치는 예측함수를 대응하는 특징값과 연결하고(S420), 예측함수 및 특징값에 기초하여 배터리 셀의 수명을 예측할 수 있다(S430). 배터리 셀 진단 장치는, 예측함수와 특징값을 연결하여 제2 신경망을 학습함으로써 제2 신경망의 SOH 예측의 정확도를 향상시킬 수 있다.
도 9는 본 문서에 개시된 일 실시예에 따른 진단 장치의 동작 방법에 따른 수명 예측 정확도를 비교한 그래프이다.
도 9의 True 그래프는 복수의 동작 조건 및 시계열 데이터로부터 연산한 SOH 값을 최대값 1로 plot한 것이고, Predict 그래프는 상기 동작 조건 및 시계열 데이터에 기초하여 배터리 셀 진단 장치가 예측한 SOH 값을 최대값 1로 plot한 것이다. 그래프의 가로축은 예측에 사용된 샘플들의 수일 수 있다.
도 9의 A, B는 시계열 데이터를 이미지 변환 없이 학습한 모델에 기초하여 SOH를 예측한 그래프이다. 다만, B는 동작 조건에 기초한 예측함수를 반영하여 학습한 모델의그래프이다. A에 비해 B 모델이 높은 예측 정확도를 가질 수 있다.
도 9의 C, D는 시계열 데이터를 이미지 변환하여 학습한 모델에 기초하여 SOH를 예측한 그래프이다. 다만 D는 동작 조건에 기초한 예측함수를 반영하여 SOH를 예측한 그래프이다. 이미지 변환 없이 학습한 모델들(A, B)에 비해 이미지 변환을 거쳐 학습한 모델들(C, D)의 예측 정확도가 향상됨을 확인할 수 있다. 또한, 예측함수를 반영하여 학습하는 경우, 예측 정확도가 더욱 향상될 수 있다.
도 10은 본 문서에 개시된 일 실시예에 따른 배터리 셀 진단 장치의 동작 방법을 수행하기 위한 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
도 10을 참조하면, 본 문서에 개시된 일 실시예에 따른 컴퓨팅 시스템(1000)은 MCU(1010), 메모리(1020), 입출력 I/F(1030) 및 통신 I/F(1040)를 포함할 수 있다.
MCU(1010)는 메모리(1020)에 저장되어 있는 각종 프로그램(예를 들면, 배터리 팩 전압 또는 전류 수집 프로그램, 배터리 팩에 포함된 릴레이 제어 프로그램, 배터리 셀 잔존 수명 산출 프로그램, 배터리 셀 용량 퇴화 진단 프로그램, 배터리 셀의 저항 퇴화 판단 프로그램 등)을 실행시키고, 이러한 프로그램들을 통해 배터리 셀의 잔존 수명 정보, 배터리 셀의 용량 퇴화 정보 및 배터리 셀의 저항 퇴화 정보를 포함한 각종 정보를 처리하며, 전술한 도 1에 나타낸 배터리 셀 진단 장치의 동작을 수행하도록 하는 프로세서일 수 있다.
메모리(1020)는 배터리의 로그 정보 수집 및 진단에 관한 각종 프로그램을 저장할 수 있다. 또한, 메모리(1020)는 배터리의 전류, 전압, 충방전 조건 정보, 설정 회수 이내의 충방전 사이클 구간에서 배터리 셀의 전압 정보, 설정 회수 이내의 충방전 사이클 구간에서 배터리 셀의 dQ/dV 정보 등 각종 정보를 저장할 수 있다.
이러한 메모리(1020)는 필요에 따라서 복수 개 마련될 수도 있다. 메모리(1020)는 휘발성 메모리일 수도 있으며 비휘발성 메모리일 수 있다. 휘발성 메모리로서의 메모리(1020)는 RAM, DRAM, SRAM 등이 사용될 수 있다. 비휘발성 메모리로서의 메모리(1020)는 ROM, PROM, EAROM, EPROM, EEPROM, 플래시 메모리 등이 사용될 수 있다. 상기 열거한 메모리(1020)들의 예를 단지 예시일 뿐이며 이들 예로 한정되는 것은 아니다.
입출력 I/F(1030)는, 키보드, 마우스, 터치 패널 등의 입력 장치(미도시)와 디스플레이(미도시) 등의 출력 장치와 MCU(1010) 사이를 연결하여 데이터를 송수신할 수 있도록 하는 인터페이스를 제공할 수 있다.
통신 I/F(1040)는 서버와 각종 데이터를 송수신할 수 있는 구성으로서, 유선 또는 무선 통신을 지원할 수 있는 각종 장치일 수 있다. 예를 들면, 배터리 셀 진단 장치는 통신 I/F(1040)를 통해 별도로 마련된 외부 서버로부터 배터리 팩에 포함된 릴레이 제어 프로그램이나 각종 배터리 팩의 전류, 전류, dQ/dV 값, 충방전 조건 정보, 잔존 수명, 용량 퇴화 또는 저항 퇴화 정보를 송수신할 수 있다.
이와 같이, 본 문서에 개시된 일 실시예에 따른 컴퓨터 프로그램은 메모리(1020)에 기록되고, MCU(1010)에 의해 처리됨으로써, 예를 들면 도 1에서 도시한 각 기능들을 수행하는 모듈로서 구현될 수도 있다.
이상의 설명은 본 문서에 개시된 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 문서에 개시된 실시예들의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 문서에 개시된 실시예들은 본 문서에 개시된 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 문서에 개시된 기술 사상의 범위가 한정되는 것은 아니다. 본 문서에 개시된 기술 사상의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 문서의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (18)

  1. 동작 조건에 따른 배터리 셀의 시계열 데이터를 수집하는 수집부;
    상기 시계열 데이터를 미리 정해진 차원의 공간 궤적에 대응하는 이미지로 변환하는 변환부;
    상기 이미지로부터 특징값을 추출하는 추출부; 및
    상기 특징값에 기초하여 상기 배터리 셀의 수명을 연산하는 연산부를 포함하는 배터리 셀 진단 장치.
  2. 제 1 항에 있어서,
    상기 이미지는 2차원 공간 궤적에 대응하는 이미지인 배터리 셀 진단 장치.
  3. 제 1 항에 있어서,
    상기 시계열 데이터는 시간에 따른 상기 배터리 셀의 동작 특성 변화에 대응하는 데이터인 배터리 셀 진단 장치.
  4. 제 1 항에 있어서,
    상기 추출부는 제1 신경망을 통해 상기 특징값을 추출하는 배터리 셀 진단 장치.
  5. 제 4 항에 있어서,
    상기 제1 신경망은 컨벌루션 층과 풀링층을 포함하는 컨벌루션 신경망인 배터리 셀 진단 장치.
  6. 제 1 항에 있어서,
    상기 연산부는 제2 신경망을 통해 상기 수명을 연산하는 배터리 셀 진단 장치.
  7. 제 6 항에 있어서,
    상기 제2 신경망은 다중의 은닉층을 포함하는 심층 신경망인 배터리 셀 진단 장치.
  8. 제 1 항에 있어서,
    상기 동작 조건은 상기 특징값과 대응하고,
    상기 연산부는 제3 신경망을 통해 상기 동작 조건에 대한 예측함수를 생성하는 배터리 셀 진단 장치.
  9. 제 8 항에 있어서,
    상기 제3 신경망은 다중의 은닉층을 포함하는 심층 신경망인 배터리 셀 진단 장치.
  10. 제 8 항에 있어서,
    상기 연산부는 상기 예측함수 및 상기 특징값에 기초하여 상기 수명을 연산하는 배터리 셀 진단 장치.
  11. 제 1 항에 있어서,
    상기 변환부는 상기 시계열 데이터를 상기 공간 궤적으로 변환하고, 상기 공간 궤적을 이용해 상기 시계열 데이터를 상기 이미지로 변환하는 배터리 셀 진단 장치.
  12. 제 11 항에 있어서,
    상기 변환부는 상기 공간 궤적 상에 위치한 점들 간의 거리를 거리 행렬로 나타내고,
    상기 거리 행렬에 대응하는 영역을 상기 거리 행렬의 거리 값에 기초하여 상기 이미지로 변환하는 배터리 셀 진단 장치.
  13. 동작 조건에 따른 배터리 셀의 시계열 데이터를 수집하는 단계;
    상기 시계열 데이터를 미리 정해진 차원의 공간 궤적에 대응하는 이미지로 변환하는 단계;
    상기 이미지로부터 특징값을 추출하는 단계; 및
    상기 특징값에 기초하여 상기 배터리 셀의 수명을 연산하는 단계를 포함하는 배터리 셀 진단 방법.
  14. 제 13 항에 있어서,
    상기 시계열 데이터를 미리 정해진 차원의 공간 궤적에 대응하는 이미지로 변환하는 단계는
    상기 시계열 데이터를 공간 궤적으로 변환하는 단계;
    상기 공간 궤적을 이용해 상기 시계열 데이터를 상기 이미지로 변환하는 단계를 포함하는 배터리 셀 진단 방법.
  15. 제 14 항에 있어서,
    상기 공간 궤적을 이용해 상기 시계열 데이터를 상기 이미지로 변환하는 단계는
    상기 공간 궤적 상에 위치하는 점들 간의 거리를 거리 행렬로 나타내는 단계; 및
    상기 거리 행렬에 대응하는 영역을 상기 거리 행렬의 거리 값에 기초하여 시각화하는 단계를 포함하는 배터리 셀 진단 방법.
  16. 제 13 항에 있어서
    상기 이미지로부터 특징값을 추출하는 단계는,
    제1 신경망을 통해 상기 특징값을 추출하는 배터리 셀 진단 방법.
  17. 제 13 항에 있어서,
    상기 수명을 연산하는 단계는
    제2 신경망을 통해 상기 수명을 연산하고,
    상기 제2 신경망은 다중의 은닉층을 포함하는 심층 신경망인 배터리 셀 진단 방법.
  18. 제 13 항에 있어서,
    상기 동작 조건은 상기 특징값에 대응하고,
    상기 수명을 연산하는 단계는,
    제3 신경망을 통해 상기 동작 조건에 대한 예측함수를 생성하는 단계;
    상기 예측함수와 상기 특징값을 연결하는 단계; 및
    상기 예측함수 및 상기 특징값에 기초하여 상기 수명을 예측하는 단계를 포함하는 배터리 셀 진단 방법.
PCT/KR2023/004477 2022-06-02 2023-04-03 배터리 셀 수명 진단 장치 및 그것의 동작 방법 WO2023234538A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0067847 2022-06-02
KR1020220067847A KR20230167664A (ko) 2022-06-02 2022-06-02 배터리 셀 수명 진단 장치 및 그것의 동작 방법

Publications (1)

Publication Number Publication Date
WO2023234538A1 true WO2023234538A1 (ko) 2023-12-07

Family

ID=89025187

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/004477 WO2023234538A1 (ko) 2022-06-02 2023-04-03 배터리 셀 수명 진단 장치 및 그것의 동작 방법

Country Status (2)

Country Link
KR (1) KR20230167664A (ko)
WO (1) WO2023234538A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160101506A (ko) * 2015-02-17 2016-08-25 삼성전자주식회사 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
JP2020106470A (ja) * 2018-12-28 2020-07-09 横河電機株式会社 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
KR20200119383A (ko) * 2019-03-26 2020-10-20 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
WO2021089786A1 (en) * 2019-11-07 2021-05-14 Basf Se Battery performance prediction
KR20210128181A (ko) * 2020-04-16 2021-10-26 주식회사 엘지화학 전지의 용량 측정 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160101506A (ko) * 2015-02-17 2016-08-25 삼성전자주식회사 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
JP2020106470A (ja) * 2018-12-28 2020-07-09 横河電機株式会社 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
KR20200119383A (ko) * 2019-03-26 2020-10-20 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
WO2021089786A1 (en) * 2019-11-07 2021-05-14 Basf Se Battery performance prediction
KR20210128181A (ko) * 2020-04-16 2021-10-26 주식회사 엘지화학 전지의 용량 측정 장치 및 방법

Also Published As

Publication number Publication date
KR20230167664A (ko) 2023-12-11

Similar Documents

Publication Publication Date Title
WO2018190508A1 (ko) 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법
WO2013151355A1 (ko) 고장 자가 진단 기능을 구비한 절연 저항 측정 장치 및 이를 이용한 자가 진단 방법
WO2022034983A1 (ko) 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
WO2019098722A1 (ko) 배터리 저항 추정 장치 및 방법
WO2022103185A1 (ko) 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템
WO2021241826A1 (ko) Bms시스템에 적용되는 배터리의 충방전 특성을 사용한 배터리 수명 예측 시스템
WO2021125676A1 (ko) 배터리 진단 장치 및 방법
WO2020262787A1 (ko) 내부 단락 셀 검출 방법
WO2021256638A1 (ko) 배터리의 충방전 특성을 사용하여 배터리를 전기 에너지를 저장하기 위한 ess 시스템
WO2021006566A1 (ko) 배터리 셀 진단 장치 및 방법
WO2021201387A1 (ko) 신경망 기반의 배터리 용량 추정 방법 및 장치
WO2022075618A1 (ko) 배터리 장치 및 배터리 출력 예측 방법
WO2020262789A1 (ko) 이상 배터리 셀 검출 방법
WO2022149917A1 (ko) 배터리 관리 장치 및 방법
WO2023234538A1 (ko) 배터리 셀 수명 진단 장치 및 그것의 동작 방법
WO2021025295A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2020166840A1 (ko) 배터리 셀 이상 판단 장치 및 방법
WO2020153625A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2022149822A1 (ko) 배터리 관리 장치 및 방법
WO2022035151A1 (ko) 배터리 이상 진단 장치 및 방법
WO2021040306A1 (ko) 배터리 soh 예측 방법 및 이를 적용한 배터리 팩
WO2020045903A1 (ko) Cnn을 이용하여 크기 독립적으로 물체를 검출하는 방법 및 장치
WO2023096045A1 (en) Method and electronic device for managing battery
WO2023121006A1 (ko) 배터리 관리 장치 및 이의 동작 방법
WO2023132520A1 (ko) 배터리 용량 예측 장치 및 그것의 동작 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: 23816204

Country of ref document: EP

Kind code of ref document: A1