Battery prognostics and health management from a machine learning perspective

안녕하세요.

다변량 배터리 충방전 시계열 데이터 분석을 진행하기 앞서 머신러닝 관점에서 배터리 PHM을 진행한 연구를 리뷰한 survey 논문을 정리해 보았습니다. survey 논문에서 프로젝트와 관련된 부분만 정리하였으니 이외의 내용은 논문을 참고하시기 바랍니다.

PHM이란 운용 유지 단계에서 센서를 이용하여 장비나 기계시스템의 상태를 모니터링하고, 고장 징후를 진단(diagnostic)과 잔여유효수명(RUL)을 예지(prognostic)하는 효과적인 건정성 기술을 의미합니다.

Abstract

전기 배터리는 여러 이점을 바탕으로 다양한 분야에서 활용되고 있다. 다양한 이점에도 불구하고, 배터리의 수명을 단축시키는 열화 문제는 여전히 도전 과제로 남아 있다. 열화 문제를 해결하기 위해 전통적인 물리, 분자적 접근법을 활용하여 연구하고 있지만 이러한 모델들은 높은 컴퓨팅 비용과 불확실성으로 인해 내재된 문제점들을 충분히 포착하고 있지 못한다.

최근 들어, 머신러닝 모델 기반의 접근이 주목 받고 있다. 이러한 접근법은 복잡한 데이터 구조로 부터 패턴과 시공간적 특징 포착한다. 특히, 물리적 과정과 딥러닝의 유연성을 결합한 하이브리드 모델링 전략이 큰 연구 성과를 거두었다. 따라서, 본 논문에서는 배터리 PHM을 DNN과 커널 기반 회귀 네트워크를 중점으로 설명한다.

Introduction

배터리 열화로 인한 성능 저하는 운전 거리 감소, 잔여 용량 예측의 부정확성 등과 같이 배터리 시스템 전반에 걸쳐 부정적인 영향을 미친다. 열와 원리는 두 가지 주요 카테고리로 나눌 수 있다. 첫째, 물리적 원리(열 및 기계적 스트레스). 둘째, 화학적 원리(전기화학적 부작용).

열화 문제를 해결하기 위해 data-driven 방법을 사용할 수 있다. data-driven 방법은 여러 장점을 제공한다. 화학적 특정에 구애 받지 않고, 모델링할 수 있는 능력, 시스템 고유의 복잡성을 해결하는 능력, 그리고 관측된 데이터를 설명할 뿐만 아니라 복잡한 조건에서도 주석이 달리지 않은 샘플에 대해 예측을 수행할 수 있는 능력을 포함한다. 최근 AI의 한 분야인 머신러닝은 배터리 분석 분야에서 지속적인 혁신을 위한 새로운 지평을 열고 있다.

최근 연구에서는 LSTM, RNN과 같은 시계열 모델들이 State of Charge 리튬 이온 배터리 라이프 사이틀 예측에서 유의미한 성과를 얻고 있다. 강화된 feedforward-lstm이나 anti-noise adpative lstm과 같은 방법론들이 배터리 안정성과 RUL 예측 분야에서 후속 연구에 활용되고 있다.

배터리 PHM

머신러닝 기반의 배터리 PHM 시스템 연구

data-driven 연구에서 머신러닝 기반의 PHM 연구는 다중 스케일과 다중 물리 배터리 시스템의 본질적인 복잡성을 해결하고, 학계와 산업계 간의 기술 이전을 가속화하는 대안적인 방법으로 부상하고 있다. 이러한 머신러닝 기반 배터리 PHM은 광범위한 기술과 역량에 걸친 지속적인 협력을 필요로 한다.

이러한 기술들은 물리 시스템이 확장된 시공간적 규모 속에서 탐지 또는 분류에 필요한 데이터 표현을 포착한다. 머신러닝 방법론들은 불확실성을 표현하고 관리하는 강력한 프레임워크를 제공한다.

PCA와 클러스터링

PCA의 목표는 중복 정보를 제공하고 계산 비용을 절감하여 배터리 시스템의 수명을 예측하는 것이다. 이러한 관점에서 grey relational analysis는 건강 특성과 용량의 연관성을 분석하는 도구를 제공한다. 실제 응용 분야에서는 수백 또는 수천 개의 셀이 직렬/병렬 구조로 연결된다. 이 때, PCA와 같은 비지도 학습이 일관성 평가 및 이상탐지를 위한 강력한 방법론으로 사용된다.

일반화 성능 증가를 위한 물리 정보 기반의 머신러닝

순수 데이터 기반 모델은 관측치에 잘 부합할 수 있지만, 낮은 일반화 성능을 초래할 수 있다. 따라서 사전 정보나 강력한 이론적 제약을 제공할 수 잇는 물리 규칙을 머신러닝 모델에 부여하여 근본적인 물리 법칙과 도메인 지식을 결합하는 것이 중요하다. 물리 정보 기반 머신러닝은 결측치 또는 노이즈가 있는 데이터 환경에서도 강건하며, 일반화 작업에서도 정확하고 물리적으로 일관된 예측을 제공할 수 있는 보다 해석 가능한 머신러닝 방법론을 만드는데 기여한다.

최근 NASA  ARC 연구원들은 무인 항공기 배터리 모델링 및 예지(prognosis)를 위해 신경망 내부에 네른스트 및 버틀러-볼머 방정식을 구현하여 하이브리드 모델링 접근 방식[1]을 확립했다. 또한 NASA PRoE에서 제공하는 공개 실험 데이터를 사용해서 배터리 SOH 예지를 위한 다중 충실도 모델을 갖춘 물리 정보 기반 머신러닝[2]이 개발되었다. 또한, 나사 공개 실험 데이터로 RUL을 예측하기 위해 물리 정보 기반 LSTM과 물리 기반 캘린더 및 사이클 노화 모델을 결합하는 것을 제안했다. 물리 정보 기반 머신러닝의 최근 발전이 RUL 예측에 사용되는 초기 예측 모델의 성능을 크게 향상시키고 있다.

장기 시계열 예측을 위한 attention 기반 transformer

트랜스포머 모델의 핵심 구성 요소는 셀프 어텐션 매커니즘, positional encoding, 그리고 한 개 이상의 encoder/decoder 구조가 있다. 최근 여러 연구들은 자기지도학습 프레임워크를 사용하는 트랜스포머 모델이 동적인 충방전 주기 하에서도 배터리 상태를 정확하게 예측할 수 있음을 보여줬다.

본 survey 논문의 저자도 다중 물리 배터리 시스템에 필수적인 symplectic 구조를 보전하도록 설계된 듀얼 인코더 기반 아키텍처를 설계했고, 후속 연구에서는 적응형 슬라이딩 윈도우를 갖춘 특수 트랜스포머 모델을 통합했다.

트랜스포머 모델은 데이터에 상당한 노이즈가 존재하더라도 배터리 RUL을 예측하도록 구축될 수 있다. denoising auto-encoder는 손실 함수 재구성을 통해 노이즈가 있는 입력으로부터 강건한 표현을 학습할 수 있다.

더욱 흥미로운 점은 CNN과 트랜스포머를 결합함으로써, 정확도를 향상시켜 다중물리 배터리 애플리케이션에서 실시간으로 정확한 예측을 달성하는 것이 가능하다는 것이다. 특히, CNN은 local information을 추출하는 도구를 제공하고, self-attetion transformer는 global representation을 포착할 수 있다.

추후 연구 방향

강건함과 일반화 성능

배터리 건강 예측 작업에서 순수 데이터 기반의 머신러닝 모델은 사전 지식과 물리 규칙 부재로 인해 낮은 일반화 성능을 보일 수 있다. 모델에서 관측되지 않은 데이터에 대한 예측을 할 때, 불확실성이 근본적인 문제로 작용할 수 있다. 반면에 수학, 물리, 공학 과학에서 얻은 사전 지식으로 예측 정확도를 높일 수 있다. 따라서 물리와 머신러닝 모델을 결합하면 강건성과 일반화 성능이 향상될 뿐만 아니라, 모델의 신뢰성과 일관성까지 고려할 수 있다. 더 나아가, 비지도 사전학습은 작은 데이터에 대한 과적합을 줄이는데 도움이 되고, 전이 상황에서 일반화 성능을 높이는데 도움이 된다.

해석 가능한 머신러닝

재료 과학 응용 분야에서 배터리 연구를 위한 표준 성능 지표, 정형화된 예측 모델 및 설명 가능한 프레임워크의 부족은 딥러닝과 같은 머신러닝 기술을 셀 동작의 근간이 되는 재료, 특성 및 메커니즘과 연결하는 잠재력을 제한한다. 물리 지식을 머신러닝에 통합하는 것이 불확실성(노이즈 데이터)을 보다 효과적으로 관리할 수 있다.

결론

강화학습을 통한 지능형 배터리 건정성 관리, 물리 정보 기반 머신러닝, 어텐션 기반 트랜스포머, 전이 학습, 공개 데이터가 배터리 PHM 분야 발전에 핵심적이다.

물리 정보 기반 머신러닝 모델은 더욱 신뢰할 수 있는 모델을 만드는데 도움이 된다. 또한, 어텐션 기반 트랜스포머 모델은 시계열 데이터에서 장기 의존성을 포착하는 데 탁월한 능력을 보여주기 때문에, 배터리 열화 과정을 정확하게 모델링하는데 매우 중요하다.

나의 생각

1. RUL 예측에서는 feature extraction이 핵심이다. 용량 열화 분석과 높은 상관관계를 가진 변수를 추출한 뒤에 고차원 입력 값으로 사용해야 좋은 결과를 얻을 수 있기 때문이다.

- 그렇다면 배터리 이상탐지에서도 도메인 지식으로 feature를 추출하는게 중요하지 않을까?

- grey relational analysis같은 통계적 feature extraction으로 AutoEncoder 혹은 Transformer 같은 이상탐지 모델을 고도화할 수 있지 않을까?

2. 물리 정보 기반 머신러닝이 강건함에서 강점을 보이니 통계적 방법으로 새로운 feature를 추가하는 것도 강건함 증가에 많은 도움이 될 것이다.

3. 강건함을 높일 수 있는 도메인 지식 + 성능과 해석 가능성을 높일 수 있는 Transformer

4. GNN을 사용하는 것도 해석 가능성을 높일 수 있는 차별점이 될 수 있다.

 

참고자료

 

[1] R.G. Nascimento, M. Corbetta, C.S. Kulkarni, F.A. Viana, Hybrid physics-informed neural networks for lithium-ion battery modeling and prognosis, J. Power Sources 513 (2021), 230526

[2] S. Kohtz, Y. Xu, Z. Zheng, P. Wang, Physics-informed machine learning model for battery state of health prognostics using partial charging segments, Mech. Syst. Signal Process. 172 (2022), 109002.