[論文レビュー] Data-driven Thermal Anomaly Detection for Batteries using Unsupervised Shape Clustering

Xiaojun Li, Jianwei Li+2 more|arXiv (Cornell University)|Mar 15, 2021

Advanced Battery Technologies Research参考文献 14被引用数 30

ひとこと要約

本論文は、温度信号の形状類似性を比較するためにK-shapeクラスタリングを用いる、教師なしでデータ駆動型のバッテリ熱異常検出手法を提案する。連続データやラベル付き例、パック構成に関する事前知識を必要とせず、センサ測定値間の形状パターンのずれを検出することにより、早期に熱的異常を検出可能であり、実世界のEVデータにおいて、従来のBMSよりも90分以上も早く過熱故障を同定する。

ABSTRACT

For electric vehicles (EV) and energy storage (ES) batteries, thermal runaway is a critical issue as it can lead to uncontrollable fires or even explosions. Thermal anomaly detection can identify problematic battery packs that may eventually undergo thermal runaway. However, there are common challenges like data unavailability, environment and configuration variations, and battery aging. We propose a data-driven method to detect battery thermal anomaly based on comparing shape-similarity between thermal measurements. Based on their shapes, the measurements are continuously being grouped into different clusters. Anomaly is detected by monitoring deviations within the clusters. Unlike model-based or other data-driven methods, the proposed method is robust to data loss and requires minimal reference data for different pack configurations. As the initial experimental results show, the method not only can be more accurate than the onboard BMS and but also can detect unforeseen anomalies at the early stage.

研究の動機と目的

• クラウドベースのバッテリ熱異常検出における課題、すなわちデータ損失、センサの非同期、バッテリの劣化、環境変動に対処すること。
• 最小限の基準データを必要とし、ラベル付きトレーニング例が一切不要なモデルフリーでデータ駆動型の手法を開発すること。
• 特にゆっくりと進行する異常を、しきい値ベースのシステムがアラームを発動する前までに早期に検出できること。
• センサ配置やパック設計の違いといった構成固有の変動に対して、より高いロバストネスを実現すること。
• 大規模なフレートおよびエネルギー貯蔵システムに適した、教師なし学習を用いたスケーラブルなソリューションを提供すること。

提案手法

• 形状類似性に基づいて温度測定値をグループ化するため、K-shapeクラスタリングアルゴリズムを採用。形状ベースの距離（SBD）を測定基準とする。
• SBDは、2つの時系列間の最大正規化相互相関から1を引いた値として定義され、スケーリングや時間シフトに対して不変である。
• クラスタは、SBDに基づく重心再推定と再割り当てを繰り返し行い、反復ごとに収束状態を監視する。
• 異常は、クラスタ内での形状類似性のずれをモニタリングすることで検出され、内クラスタおよび外クラスタの変化を組み合わせた総距離関数を用いる。
• 異常検出の信頼性レベルは、形状のずれとクラスタの整合性の指標を重み付きで組み合わせて算出される。
• 本手法は、短い時間セグメント（例：4.1分）の温度データに適用可能であり、リアルタイムまたはニアリアルタイムでの監視を可能にする。

実験結果

リサーチクエスチョン

• RQ1 実世界のEVデータにおいて、形状ベースのクラスタリングは、従来のしきい値ベースのBMSよりも早期に熱異常を検出できるか？
• RQ2 本手法は、一時的または長期のデータ損失およびセンサの非同期に対してどれほどロバストか？
• RQ3 本手法は、バッテリ構成に関する事前知識、センサ配置、ラベル付き故障データが一切ない状況でも異常を検出可能か？
• RQ4 バッテリの劣化および環境変動下でも本手法の性能は維持されるか？
• RQ5 本手法は、構成に起因する通常の熱的差異と、実際の熱的故障を区別できるか？

主な発見

• ケースIでは、本手法が、搭載型BMSがアラームを発動する90分も前、センサ#13の形状のずれの兆候から過熱故障を検出した。
• 温度差がまだ小さい段階でも、形状のずれの発生に伴い異常を早期に検知できることを示しており、早期警告の可能性を裏付けた。
• ケースIIでは、異なるバッテリパックに対応する2つの明確な熱的クラスタを正しく分類し、設計に起因する温度差によってBMSが誤ってアラームを発動するのを回避した。
• データ損失が一時的であれ長期的であれ、形状類似性が欠損データ点に対しても保持されるため、本手法はその影響に強く、ロバストである。
• ラベル付きデータやモデルトレーニング、センサ位置やパック構成に関する事前知識が一切不要な状況でも、異常を検出できた。
• 本手法は、実際の熱的故障の検出においてBMSを上回る高い正確性を達成するとともに、通常の運用変動における誤検出（ファルス・ポジティブ）を低減した。