논문 전문 : https://www.nature.com/articles/s41467-023-38458-w
[출처] Lu, J., Xiong, R., Tian, J. et al. Deep learning to estimate lithium-ion battery state of health without additional degradation experiments. Nat Commun 14, 2760 (2023). https://doi.org/10.1038/s41467-023-38458-w
※ The picture and content of this article are from the original paper.
This article is more of an intuitive understanding than academic analysis.
[논문 요약]
Deep learning to estimate lithium-ion battery state of health without additional degradation experimentt
오랜만에 엄청나게 몰입해서 읽은 논문입니다.
배터리 - Domain Adaption쪽 논문들을 보면, 우수한 논문들의 경우 대부분 중국 논문이고, 이 중에서도 많은 경우가 베이징/칭화대 논문입니다.
한국인이 공저자로 포함된 경우는 간혹있으나, 배터리-AI 연계연구에서는 두각을 나타내지 못하고있는것 같아 아쉽습니다. 배터리의 화학적 물성 그자체로는 도요타의 논문이 많고, AI 및 최신기술 적용 쪽으로는 중국쪽 논문이 많은데 한국도 빨리 적어도 한쪽분야에서 두각을 나타내야하지않을까 조바심이 드는것도 사실입니다.
기존에 나온 논문들은, 대부분이 하기 논문에서 크게 벗어나지 못합니다.
Source Domain데이터로 학습시키고, Parameter sharing해서 Source Domain과 Target Domain에 대해 MMD나 DaNN을 통해 Domain Adaption 하는 방식입니다.
https://limitsinx.tistory.com/291
[IEEE-2021] Multisource Domain Adaption for Health Degradation Monitoring of Lithium-Ion Batteries
논문 전문 : https://ieeexplore.ieee.org/document/9445018 [출처] Z. Ye, J. Yu and L. Mao, "Multisource Domain Adaption for Health Degradation Monitoring of Lithium-Ion Batteries," in IEEE Transactions on Transportation Electrification, vol. 7, no. 4,
limitsinx.tistory.com
하지만 본 논문은 배터리-Domain Adaption 분야에서 꽤나 특이한 딥러닝 네트워크를 소개하는 연구입니다.
Contents
본 논문에서 가장 중요한 그림중 하나입니다.
일단, (b)가 핵심이며 (a)와 (c)는 (b)와 같은 DNN을 여러개사용하여 최종 추정을 한다는 의미입니다.
(b)를 보면, 기존 배터리-Domain Adaption 논문과 사뭇 다름을 인지하실 수 있습니다.
그 이유는, 일반적으로 Source Domain과 Target Domain의 Domain Adaption을 위한 Feature Generator부는 가지고있으나, 본 논문은 그 뒷부분에서 Target Domain 네트워크를 따로 분리하여, Auto Encoder를 설계하고 여기서 Domain Adaption을 하기 때문입니다.
즉, 위 그림을 보면 Source Domain으로 1D-CNN 네트워크를 학습하고 SOH를 Regression하는 학습을 진행합니다. 이것은 기존 연구들과 동일합니다.
이후, Source Domain과 Target Domain을 동시에 입력하여 학습할때, Source Domain의 Feature Generator 출력물은 Flatten하고 대기합니다. 그리고 Target Domain은 Feature Generator를 통과하고 Flatten한 이후 Reconstruction을 하는 AutoEncoder를 설계합니다.
그 다음, Source Domain의 Flatten 출력물과, Target Domain의 Reconstruction된 Flatten이 Domain Gap을 Minimize 하도록 학습합니다.
즉, 본 네트워크는 Feature Generator에 대부분의 Domain Adaption 성분이 담기는게 아니라, 오히려 Target Domain에 추가된 Auto Encoder 부분에 Domain Adaption 성분이 대부분 포함됩니다.
이것은 저에게 굉장히 큰 인사이트를 주었습니다.
일반적으로는 상기와 같이 SOH와 MMD를 통한 Back Propagation을 통해, 대부분의 Domain Adaption 성분이 Feature Generator나 Specific Feature Extractor에 포함됩니다. 이것은 Source Domain/Target Domain모두 공통으로 사용하는 부분들입니다.
하지만, 본 논문은 Feature Generator와 Extractor사이에 Target Domain만 통과하는 AutoEncoder를 추가하여, 그 부분에서 Domain Adaption을 하도록 만들었습니다.
이렇게 정리하고보면 아무것도 아닌것 같지만, 이것을 만드는 과정에서는 엄청나게 도전적이며 가슴뛰는 일이였을것 같습니다.
아쉽게도, 본 논문에서 Minimize domain gap을 하기위한 Loss를 공개하진 않았지만, MMD이거나 L2 Loss 일것으로 추정됩니다.
또한, 대부분의 논문은 Working Condition을 다르게하는것을 Domain Adaption이라고 하는것에 반해, 본 논문은 5개의 소재가 다른 셀들간의 Domain Adaption을 진행했습니다. 하지만, 여전히 한가지의 변인만 바꾸어가며 Domain Adaption을 한다는 한계점을 벗어나진 못했습니다.
저도 이쪽으로 연구를 하고있는데, 이종 배터리 소재면 전극간 전위 범위도 달라지게되고, C-rate도 달라 Data PreProcessing과정에서 Normalizing을 할때 큰 한계점이 있습니다. 본 논문 또한 그 부분을 인지하고, 모든 소재의 셀이 공통으로 통과하는 전압구간대에서의 인자를 입력으로 했는데요,
그럼에도 불구하고 역시나, 정확도가 좋진 못합니다. 일반적은 이쪽분야에서는 RMSE 2%? 많아야 5% 수준인데, 본 논문은 MAE 8.87%이며, 제약적인 조건(논문에 우호적인)에서 2%정도 오차라고합니다.
8.87%는 SOH추정에선 굉장히 큰 오차입니다. 그 이유는, SOH는 애초에 100%~80%(혹은 70%)까지를 한정하여 사용하기 때문입니다.
즉, 상대오차로 따지면 본 논문의 SOH 추정오차를 MAE 8.87/20(혹은 30)%로 30~40%에 달합니다.
Results
새로운 방식의 배터리-Domain Adaption 연구라 굉장히 인상 깊었습니다.
결과물(정확도)은 아쉽지만, 새로운 패러다임을 제시할수도 있다고 보기에 역시 좋은 저널 논문이지 않았나 생각됩니다.
참조
[1] Lu, J., Xiong, R., Tian, J. et al. Deep learning to estimate lithium-ion battery state of health without additional degradation experiments. Nat Commun 14, 2760 (2023). https://doi.org/10.1038/s41467-023-38458-w
댓글