논문 전문 : https://www.mdpi.com/1999-4893/13/3/62
[출처] Tran, Manh-Kien, and Michael Fowler. 2020. "A Review of Lithium-Ion Battery Fault Diagnostic Algorithms: Current Progress and Future Challenges" Algorithms 13, no. 3: 62. https://doi.org/10.3390/a13030062
※ 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]
A Review of Lithium--Ion Battery Fault Diagnostic Algorithms : Current Progress and Future Challenges
배터리 진단 기술의 과거부터 현재까지 모두 리뷰해놓은 논문입니다.
Waterloo대학교에서 배터리 진단과 관련된 논문들이 종종 나오는것 같습니다.
이미 다 알고계신분들께는 별로 재미없는 논문이지만, 배터리 진단기술쪽으로 갈피를 잡아보시려는 분들은 시작하는 논문으로 괜찮은것 같습니다.
Contents
필자는 External Battery Faults와 Internal Battery Faults를 구분하여 정리합니다.
External Fault 같은 경우에는 배터리 셀 자체문제라기보단, 시스템 HW 적인 문제가 많습니다. 예를들면, 냉각수 EWP에 문제가 발생했다던가, 칠러나 히터가 고장나서 온도관리가 안된다거나 혹은 시스템 버스바 및 와이어들의 물리적 단선, 센서가 고장나는 경우입니다.
Internal Fault는 배터리 내부적으로 문제가 있는 경우입니다. 과충전/과방전 혹은 그런게 아니더라도 셀 제조과정에서의 문제로 인한 Micro Short, De-gasing이 안되어 Swelling 되는 경우... 다양한 경우가 있습니다.
보통 배터리 진단이라고 하면 후자에 더 많은 의미를 둡니다.
그 이유는, 전자는 어떤 전기화학적 분석을 통한 진단이라기보단 말그대로 물리적 제품의 고장이기에 그 자체로 진단을 합니다. 이게 무슨말이냐면, Cooling System이 고장나면 시스템 자체적으로 진단합니다. EWP가 특정 RPM으로 돌도록 Request를 보냈는데 그만큼 돌지 않는다던가 하면 Fail을 띄우고 센서 fault 또한 마찬가지입니다. 센서 그 자체에서 이상을 판단해서 진단합니다.
전체적인 진단 개요입니다.
일반적으로 V/I/T가 측정할 수 있는 최대 데이터입니다. 이를 통해 State Estimation과 Fault Diagnosis를 수행하는데, 본 시퀀스에는 SOC/SOH값도 Fault에 쓴다고 되어있습니다만, 저는 개인적으로 1차가공된 데이터를 통해 진단을 하면 정확도가 높아질것같지 않다는 생각을 가지고 연구하고 있습니다.
그리고, 진단을 한다고 전부가 아닙니다. 예를들어 고속도로에서 주행중인 운전자에게 배터리 이상이 생겼다고하여 그자리에서 멈춰설수는 없습니다. 혹은, 데이터센터에서 클라우드 서버를 운영하고 있는데 ESS에 문제가 생겼다고해서 무작위로 전력을 끊어버릴수는 없습니다. 즉, 진단을 하고 Fault-tolernt control action을 통해 긴급하게 대응하기 전, 어떻게든 안전하게 사용하려는 것이 필요합니다. 이것을 일반적으로 fail-safe 전략이라고 부릅니다.
본 저자는 진단 분야를 크게 Model Based/Non Model Based로 정리했습니다.
Model based는 여러가지 적혀있으나 모두 동일합니다. ECM이나 특정 모델의 파라미터(저항) 값을 RLS필터나 EKF를 통해 추정하면서 여러 셀들간 비교를 하고 이상한 것을 잡아내거나 혹은, 모델의 추정값과 실제 측정값의 차이(Residual)를 비교하여 특정 Threshold를 넘으면 진단하는 방식입니다.
Non-Model-Based 방식은 아주 다양합니다. 다만, 본 논문에서는 이 분야 중에서도 아주 일부분만 정리해놓았습니다.
본 논문은 Signal Processing(Wavlet Transform,...)을 통한 데이터 분석 및 통계적처리를 통해 진단하는것을 주로 소개합니다. 혹은, Coefficient Correlation 비교를 통한 진단이 메인입니다.
Knowledge Based는 특정 룰에 의해 진단하는것을 의미하는데, 이 룰을 Black Box로 두고 딥러닝 학습을 시키거나, 혹은 Expert System으로 배터리 사전지식을 통해 진단하는것을 의미합니다. 이러한 방식은 Threshold를 두는데 아주 어려움이 많습니다.
결과적으로는, 상기와 같은 아주 다양한 배터리 진단 접근방식들이 있지만 완벽한 솔루션은 없다고합니다.
각 기술마다 뚜렷한 한계점이 있으며, 배터리라는것이 기계가 아닌 화학적 제품이기에 정량화할수없는 부분이 많기때문입니다. 이상 배터리를 진단하는것도 어려우며, 저자는 Future work로 진단을 하고 어떤 유형에 의한 이상인지까지 분류해내는것이 본 기술의 최종 지향점이라고 합니다.
Results
원래 연구를 하던 사람들 입장에서는 당연한 이야기만 쓰여져있는 논문입니다.
다만, 이 분야에 대해 처음 입문하시는분은 한번쯤 읽어보시면 좋을것 같습니다.
참조
[1] Tran, Manh-Kien, and Michael Fowler. 2020. "A Review of Lithium-Ion Battery Fault Diagnostic Algorithms: Current Progress and Future Challenges" Algorithms 13, no. 3: 62. https://doi.org/10.3390/a13030062
댓글