논문 전문 : https://www.mdpi.com/2313-0105/9/2/70
[출처] Bhaskar, K.; Kumar, A.; Bunce, J.; Pressman, J.; Burkell, N.; Rahn, C.D. Data-Driven Thermal Anomaly Detection in Large Battery Packs. Batteries 2023, 9, 70. https://doi.org/10.3390/batteries9020070
※ The picture and content of this article are from the original paper.
[논문 요약]
Data-Driven Thermal Anomaly Detection in Large Battery Packs
저는 Anomaly Detection에 아주 관심이 많습니다. 이 주제로 논문이랑 특허도 몇번쓰고 했었는데, 그만큼 배터리의 진단과 관련하여서 잘 맞는 아이템인것 같습니다.
배터리 진단기술에 관해서 얘기하자면 한 세월이지만, 간략하게 저는 큰 2개줄기로 보고있습니다. Model based이냐 아니냐입니다.
Model based 진단기술들의 대부분은 모델 Estimation값 대비 Residual을 구해서 보는건데 결국 Polarization 발생 정도를 모델 예측값과 비교하여, Outlier가있으면 진단하겠다는것입니다. 큰 기조에서는 대부분의 연구가 이 범위안에 있습니다.
Non-Model based 진단기술은 Signal Processing, Deep learning... 여러개 있지만 대부분 Signal Processing 안에 포함됩니다. Shannon의 Entropy를 통한 진단이라던지, FFT 혹은 EIS, NFRA같은 기술들입니다. Anomaly Detection은 물론 다른 고전기술들도 포함하는 개념이지만, 최근에는 딥러닝 혹은 머신러닝 모델들을 베이스로하는 것들을 많이 지칭합니다.
이 기술 또한 대부분 Reconstruction Error를 구해서 Outlier를 찾는 방법이 지배적입니다.
따라서, 본 논문은 배터리의 "온도 데이터"에 관해 Anomaly Detection을 해서 이상치를 찾는 논문입니다.
+ 올해 나온 따끈따끈한 논문입니다.
Contents
Anomaly Detection에 대해 간략하게 설명드리겠습니다.
실제로 딥러닝 연구분야에서 Anomaly Detection이라는 것이 있고, 한국에서도 고려대학교나 서울대학교, 카이스트에 이것을 잘하는 교수님들도 계십니다.
배터리가 아니더라도, 어떤 데이터들을 보고 정상의 Boundary를 정확하게 추정해서 비정상을 진단할때 사용합니다.
Data Imbalance에도 꽤나 Robust하고...
즉, 비정상/정상 데이터 모두를 가지고 학습시키고 Classification하는게 아니라, 제가 오로지 궁금한것은 이게 "정상이냐? 아니냐?" 라는 관점에서 시작하는 기술입니다. 물론 전문가 영역에서는 전자도 진행하지만 일반적으로요..
이것에 대해 본 논문은 하기 그림과 같이 접근합니다.
Offline Training을 통해 파라미터를 모두 뽑아 놓고 학습해놓는다고 보시면 됩니다. 본 논문은 딥러닝이 아닌 PCA, Z-score같은 통계적인 기법을 사용했습니다.
셀 전압과 셀 온도에 대해 평균대비 편차(Residual)을 구합니다. 즉, 그러면 각 셀의 전압과 온도가 평균치대비 얼마나 벌어져있냐를 알수있죠. 이게 이상 셀이라고 진단하는 겁니다.
이 Residual을 바로 딥러닝 학습해도 되는데, 저자는 몇가지 더 통계적인 과정을 거칩니다. 각 셀들의 Residual들에 대해 Z-score를 구하고, 이를 PCA하여 Filtering까지 거칩니다. 이후, 각 셀들의 최종 연산값들을 모두 보고 Threshold를 넘는것은 이상 배터리로 보겠다라는 컨셉입니다.
복잡하게 적혀있지만, Z-score/PCA/Filter를 하나의 박스로 놓고 보시면 간단해보입니다.
입력(Residual)을 줄때, 한개의 박스(Z-score/PCA/Filter)를 거쳐서 나온 결과물을 보고, 이게 Threshold 이상이면 진단하겠다라는것입니다.
저는 보통 여기에 Auto-Encoder같은 딥러닝 스킬을 쓰는데, 본 논문과 같은 고전적인 방법도 충분히 좋다고 생각됩니다.
시계열데이터에 대해서는 "Deep learning is not all you need"라는 논문도 있..
상기 로직에 대해, Anomaly Injection을 하여 이것을 실제로 잡아낼수있는지 검증합니다.
C+T 그림을 보시면, Anomaly Injection시점부터 값이 확 튀는것을 확인할 수 있는데, 이는 상기 로직을 통해 C+T라는 인자로 이상치를 발견해낼 수 있음을 반증합니다.
이렇게 보면, 셀의 전압과 온도의 이상 거동을 잡아내서 진단을 해낸다라는 논리적 스토리 텔링에 전혀 결함이 없고 Master Algorithm같지만 치명적인 단점이 있습니다.
배터리 셀의 온도를 어떻게 정확하게 알수있냐는 점입니다.
배터리가 동작할때 셀 내부에서도 온도가 모두 다릅니다. 특히, EV나 ESS에 사용되는 대용량 셀의 경우 전극 Stacking을 많이하는관계로 대표 온도를 선정하기가 쉽지 않고, 셀 내부에서도 온도 분포가 존재합니다.
일반적으로 연구실에서 연구할때는 셀 외부 폴리머쪽에, 그나마 발열이 많이난다고 볼수있는 에노드 탭부 가까이에 센서를 다는것이 전부고, 셀 내부의 정확한 온도는 알수가 없습니다.
이렇게 되면, 과연 셀 표면부 온도의 Residual을 통해 진단을 하는것이 적합한가? 라는 질문을 가질 수 있습니다.
모든 셀의 동일한 위치에 달기때문에 똑같을꺼다 라고 하면 논리적으로 문제가 없긴합니다만, 찜찜함은 지울수가 없습니다.
Results
재미있는 논문이였습니다.
제가 가지고 있는 배터리 진단기술 철학과도 어느정도 일맥상통하는 부분이 있었습니다.
또한, Data-driven이라고 하면 딥러닝을 쓰는 경우가 많은데, 고전적인 테크닉을 통해서도 충분히 진단성능을 뽑아낼수있다는것이 인상적입니다. 겉멋들지않은 논문이라고 생각합니다.
참조
[1] Bhaskar, K.; Kumar, A.; Bunce, J.; Pressman, J.; Burkell, N.; Rahn, C.D. Data-Driven Thermal Anomaly Detection in Large Battery Packs. Batteries 2023, 9, 70. https://doi.org/10.3390/batteries9020070
댓글