논문 전문 : https://www.nature.com/articles/s41467-023-41226-5
[출처] Zhang, J., Wang, Y., Jiang, B. et al. Realistic fault detection of li-ion battery via dynamical deep learning. Nat Commun 14, 5940 (2023). https://doi.org/10.1038/s41467-023-41226-5
※ The picture and content of this article are from the original paper.
[논문 요약]
Realistic fault detection of li-ion battery via dynamical deep learning
Minggao 교수님연구실에서 나온 논문입니다.
본 논문에서 유의미해보이는점은 347개의 전기차를 대상으로 성능 검증을 수행했으며, 690,000의 충전데이터를 활용하여 개발/검증 했다고합니다.
네이쳐나 좋은 저널에 올라가는 논문들은 저는 개인적으로 두부류로 나누고있습니다.
첫번째, 혁신적이고 획기적인 기술을 개발한 경우 두번째, 혁신적인 기술을 개발했다고 볼순 없으나 그 기술의 검증 과정에서 말도안되는 노력이 필요한 경우 입니다.
본 논문은 후자에 가깝습니다. DyAD라는 기술을 소개하긴 하나, 크게 새로운 기술은 아닌것으로 생각됩니다.
Contents
본 논문의 전체적인 개요입니다.
다양한 그림들이 그려져있으나, 하나씩 살펴보면 크게 어려운것은 없습니다.
(a)는 본 기술을 실제 필드에 적용할때의 예시입니다. 굳이 충전기에서 Encoder Network를 두고 클라우드에서 Decoder Network를 두는데 이건 크게 기술적으로 의미는 없습니다. 단지, 충전기에서 클라우드서버로 데이터가 넘어가는 과정에 있어 고객 보안자료나 이런것들이 넘어가면 안되기때문에 한번 인코딩해서 넘기는 정도입니다.
(b)는 System input, Physical System,... 어렵게 적혀있는게 크게 의미없습니다. 배터리의 (온도,전압), (전류,SOC)를 Pair로 AutoEncoder의 입력 출력으로 매칭하며, 기존에는 배터리 V/I/T데이터를 입출력으로 막 선정하여 Reconstruction Error로 추정하는 이런 Anomaly Detection 기술들의 가장 큰 문제점이였던 오진단에대해 조금 더 강건하게 하겠다는 것입니다.
그 세부적인 방식이 (c)입니다.
(c)는 본 논문에서 제안하는 기술 전체입니다.
저자는 DyAD라 부르는데 Dynmaical Autoencoder입니다. 모델의 온도,전압,전류,SOC를 Encoder의 입력으로 하고 출력은 전류,SOC만하는 Dynamical Neural Decoder를 학습합니다. 그런데 DyAD에서는 이것만 학습하는게 아니라, Encoder를 기반으로 VAE(Variational Autoencoder)형태로 학습함으로써 Latent Variable이 Normal Distribution형태로 나오게되는데 이것을 통해 이전에 언급했던 Dynamical Neural Decoder뿐만 아니라, Mileage(주행거리)를 Regression하는 MLP, 또한 Overfitting 되는것을 막기위한 Variational Regularization Loss까지 총3개로부터 Backpropagation하여 학습하게 됩니다.
이후 최종적으로 진단은, 학습이 전체가 완료된 DyAD를 활용해 온도,전압,전류,SOC를 입력으로할때 온도,전압을 얼마나 잘 Reconstruction하는지로 합니다.
다른 좋은 그림들도 많으나, 본 논문에서 가장 재미있었던 그림은 이것입니다.
(a)는 데이터 입력부, (b)는 Encoder를 통과한 Latent Variable, (c)는 Decoder까지 통과한 Reconstructed Value 입니다.
딥러닝 네트워크 흐름상으로 (a) -> (b) -> (c)순입니다.
여기서 별(★)과 세모(▲)를 눈여겨 봐주시면 됩니다. 둘다 Fault 가 있는 배터리 데이터입니다.
데이터가 입력될때(충전기 단)는 둘간의 거리가 상당히 멉니다. 즉, 어떠한 Cluster 특성은 잡아내지 못하고 있는 상황입니다.
(b)를 보면 (a)보다 두개의 거리가 가까워졌는데요, 하지만 여전히 Fault 배터리의 Cluster를 가졌다고 보긴 어렵습니다.
(c)는 두개가 아주 가깝고 하나의 군집으로 엮여있습니다.
즉, 본 논문의 저자는 이를 통해 학습이 제대로 이루어졌으며 Decoder를 지나 Reconstruction Error를 추정하는 과정에서는 Fault Battery들간의 군집이 이루어졌다고 말합니다.
(d)를 보면 알수있는게, Normal Cell들보다 확실히 Predicted-Observed(Reconstruction) Value가 큰것을 확인할 수 있습니다.
Results
회사도 아닌 학교에서 300대가 넘는 EV로 검증을 했다는게 상당히 놀랍습니다.
제가 알기론, 해당 랩의 Spin-off로 충전기 업체가 있긴한데 그래도 놀라운 데이터 베이스인것같습니다.
칭화대에는 친환경차연구소라고 따로 있다고하는데 그 규모가 실로 궁금해지는 논문이였습니다.
참조
[1] Zhang, J., Wang, Y., Jiang, B. et al. Realistic fault detection of li-ion battery via dynamical deep learning. Nat Commun 14, 5940 (2023). https://doi.org/10.1038/s41467-023-41226-5
댓글