This paper presents the first full end-to-end deep learning framework for the swift prediction of Li-ion battery remaining useful life (RUL). While lithium-ion (Li-ion) batteries offer advantages of high efficiency and low cost, their instability and varying lifetimes remain challenges. To prevent the sudden failure of Li-ion batteries, researchers have worked to develop ways of predicting the RUL of Li-ion batteries, especially using data-driven approaches. In this study, we sought a higher resolution of inter-cycle aging for faster and more accurate predictions, by considering temporal patterns and cross-data correlations in the raw data, specifically, terminal voltage, current, and cell temperature. We took an in-depth analysis of the deep learning models using the uncertainty metric, t-SNE of features, and various battery related tasks. The proposed framework significantly boosted the RUL prediction (25X faster) and resulted in a 10.6% mean absolute error rate.
이 논문에서는 최초로 종단학습 딥러닝 프레임워크를 도입하여 리튬 이온 전지 잔존수명의 신속한 예측을 제시하였다. 리튬 이온 전지는 고효율, 저비용에도 불구하고, 전지의 불안정성과 변화하는 전지 수명이 가장 큰 문제로 남아있다. 전지의 갑작스런 고장을 막기 위해서, 연구자들은 최근들어 데이터에 기반한 전지의 잔존수명 예측을 제시하고 있다. 이 연구에서는 전지의 전압, 전류, 온도의 충방전 사이클 정보만을 사용하여 이들의 시간적 상관관계와 입력 특징 간의 상호 상관관계를 인공지능으로 학습하였고, 높은 해상도의 사이클 간 노화를 학습하여 정확한 잔존수명 예측을 보였다. 추가적으로, 딥러닝 모델의 심층 분석을 위해 진단의 불확정성 분석, 진단의 설명가능성, 배터리 관련된 다양한 태스크 해결을 통한 모델의 확장성을 보였다. 제시한 프레임워크는 잔존수명 예측을 기존에 비해 25배 이상 빠르고, 가장 낮은 10.6% 평균 오차율을 보였다.
