초록 열기/닫기 버튼
배터리의 고장은 탑재된 응용 전체의 성능 저하를 일으킬 뿐만 아니라, 심각한 사고로도 이어질 수 있기 때문에 고장 배터리의 진단은 매우 중요한 문제이다. 하지만 진단을 위해 고장 배터리를 확보하는 것이 현실적으로 어렵기 때문에, 정상 배터리의 데이터만을 활용해서 배터리의 고장을 찾아낼 수 있어야 한다. 이 논문에서는 머신 러닝에 기반해, 정상적인 배터리만을 사용해 고장을 진단할 수 있는 기술을 최초로 제시한다. 제안 방법론은 배터리의 정상 데이터와 이를 구성하는 인자 사이의 관계를 정의하고, 그 관계를 정확하게 예측할 수 있는 모델을 만들어 임의의 방전 프로필이 모델에 얼마나 적합한지 확인하는 방식으로 이루어진다. 제안 방법론을 검증하기 위해, NCR18650B 배터리를 사용한 실험을 진행하였고, 과방전 및 과충전 고장 데이터를 만들어 이를 구분하는지 확인했다. 그 결과, 정상 배터리 데이터의 약96%를 정상으로 진단하는 모델을 이용해 약 97%의 정확도로 고장 배터리를 진단했다.
The diagnosis of the lithium-ion battery is an important problem because of the degradation of entire application performance, as well as also the serious accidents by faulty batteries. Considering the issues of battery diagnosis, only normal battery data should be used to detect the faulty batteries, because it is practically impossible to obtain a faulty battery and its data. In this paper, we propose the first diagnosis approach using only the normal battery data based on machine learning. The approach is as follows. We define the normal battery data and the relationship between the features that constitute it, then we derive a model that can accurately predict the normal batteries. We determine the faults of the given unknown batteries by verifying how poorly the given discharging data fits the model. We evaluated the proposed methodology by conducting a case study using the NCR18650B batteries and constructing the normal battery model. We made a sample of the abnormal battery data from the overdischarge(OD) and overcharge(OC) batteries to verify if it can be diagnosed through the normal battery model. The experimental results showed that the accuracy to diagnose normal data as normal battery was approximately 96%, and the accuracy to diagnose abnormal data as faulty battery was approximately 97%.
키워드열기/닫기 버튼
embedded systems, battery, fault diagnosis, machine learning
