Li를 위한 프레임워크

Scientific Reports 13권, 기사 번호: 13856(2023) 이 기사 인용

1043 액세스

1 알트메트릭

측정항목 세부정보

리튬 이온 배터리는 전기 추진 응용 분야(예: 전기 자동차, 무인 항공기, 첨단 항공 이동 항공기)에 사용되는 주요 동력원입니다. 배터리별 사용량 데이터를 기반으로 충전 상태, 상태 등의 지표에 대한 분석 기반 모니터링 및 예측은 높은 신뢰성 수준을 보장하는 데 중요합니다. 그러나 배터리 작동을 좌우하는 복잡한 전기화학으로 인해 계산 비용이 많이 드는 물리 기반 모델이 탄생했습니다. 이는 예후 및 건강 관리 응용 프로그램에 적합하지 않게 됩니다. 우리는 순환 신경망을 통해 원리 기반 지배 방정식의 수치 적 통합을 직접 구현하여 동적 응답을 시뮬레이션하는 하이브리드 물리학 기반 기계 학습 접근 방식을 제안합니다. 차수 감소 모델은 일정하거나 가변적인 부하 조건에서 전압 방전의 일부를 설명하는 반면, 모델 형태의 불확실성은 다층 퍼셉트론을 통해 캡처되고 배터리 간 우연성 불확실성은 변형 다층 퍼셉트론을 통해 모델링됩니다. 또한 우리는 베이지안 접근 방식을 사용하여 배터리 용량이 완전히 사용 가능하거나 부분적으로만 사용 가능한 배터리별 방전 주기와 사전 형태로 차량 전체 데이터를 병합합니다. 우리는 통제된 환경에서 얻은 리튬 이온 배터리에 대한 실험적 방전 데이터가 포함된 NASA Prognostics Data Repository Battery 데이터 세트를 사용하여 제안된 프레임워크의 효율성을 설명합니다.

전기 및 하이브리드 추진 시스템은 소형 및 대형 항공기가 모든 전력 수요의 일부를 공급하기 위해 리튬 이온 배터리에 의존하는 고급 항공 모빌리티 전환을 가능하게 하는 핵심 요소입니다. 파워트레인의 핵심 구성 요소인 이러한 배터리의 안전한 작동을 위해서는 확실한 예측과 건강 관리 방법이 필요합니다1,2. 현재 문헌에서는 첫 번째 원리3,4, 기계 학습5,6,7 및 이 두 가지의 조합8,9,10을 기반으로 한 모델을 사용하여 배터리 모니터링을 위한 다양한 방법을 보여줍니다. 그러나 기존 모델링 접근 방식은 종종 다음과 같은 장애물을 발견합니다. (a) 지배 방정식이 복잡합니다. 가능한 경우 고충실도 시뮬레이션을 온보드에서 실행하려면 계산 비용이 많이 듭니다. (b) 순수 데이터 기반 모델은 반드시 지배적인 물리학을 따르지는 않으며, 훈련되지 않은 시나리오에 대해 잘 일반화되지도 않습니다. (c) 복잡한 시스템에 대한 데이터 기반 모델을 적절하게 훈련하기 위해 충분한 고품질 데이터를 수집하는 것은 종종 어려운 일입니다. 실제로 차수 감소 모델을 조정하거나 기계 학습 모델을 구축하는 데 사용할 수 있는 데이터가 열악할 수 있습니다(노이즈로 인해 어려움을 겪고 누락됨). 데이터, 입력과 출력의 불균형한 관찰 등). 이러한 과제는 일반적으로 많은 예측 응용 프로그램에서 공유됩니다. 계산적으로 효율적이면서 첫 번째 원칙에 기초하고 구조화되지 않은 데이터 세트를 설명할 수 있는 강력한 모델링 접근 방식이 필요합니다.

이러한 배경을 바탕으로 물리학 기반 신경망11,12,13은 예후 및 건강 관리에 혁명을 일으킬 수 있는 잠재력을 가지고 있습니다. 이러한 종류의 기계 학습 방법은 잠재적으로 데이터 부족은 물론 순수 데이터 기반 모델의 해석성 저하와 같은 기타 문제를 완화하는 동시에 적은 계산 비용으로 고충실도 시뮬레이션에 필적하는 정확도를 제공할 수 있습니다. 실제로 신경 연산자의 최근 개발은 편미분 방정식이 알려진 문제의 경우 훈련된 신경망을 재사용하여 훈련에 사용되는 경계/초기 조건 밖에서도 예측할 수 있음을 나타냅니다. 그러나 많은 복잡한 시스템은 편미분 방정식으로만 설명할 수 없으며, 사용 가능한 데이터가 부족하고 동시에 완전히 특성화되지 않을 수 있는 일련의 지배 방정식과 경험적 법칙으로 설명할 수 있습니다. 이는 전기 및 하이브리드 추진 시스템과 같은 복잡한 응용 분야를 위한 유망한 모델링 프레임워크로서 하이브리드 물리학 기반 기계 학습16,17에 대한 관심이 높아지고 있음을 설명합니다. 우리가 제안하는 하이브리드 프레임워크는 in11과 같은 물리 기반 손실 함수와 비교할 때 다른 패러다임을 사용합니다. 시스템의 기존 방정식을 활용하여 모델을 구축하고 모델 내에 작은 데이터 기반 커널을 전략적으로 도입합니다. 모델의 데이터 기반 부분은 누락된 물리학, 모델 형태의 불확실성 및 모델 매개변수의 무지를 보완합니다.