[논문 리뷰] Data-driven Thermal Anomaly Detection for Batteries using Unsupervised Shape Clustering

Xiaojun Li, Jianwei Li외 2명|arXiv (Cornell University)|2021. 03. 15.

Advanced Battery Technologies Research참고 문헌 14인용 수 30

한 줄 요약

이 논문은 온도 신호의 형태 유사성 비교를 위해 K-형태 군집화를 사용하는 비지도, 데이터 기반의 배터리 열 이상 탐지 방법을 제안한다. 연속적인 데이터, 레이블된 예제, 또는 팩 구성에 대한 사전 지식이 필요 없이 센서 측정치 간의 형태 패턴에서의 이탈을 탐지함으로써, 기존 BMS보다 실세계 전기차 데이터에서 90분 이상 이르기까지 열 이상을 조기에 탐지할 수 있다.

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.

연구 동기 및 목표

• 클라우드 기반의 배터리 열 이상 탐지에서 발생하는 문제들, 즉 데이터 손실, 센서 비동기성, 배터리 노후화, 환경 변화 등을 해결하기 위해.
• 최소한의 기준 데이터와 레이블된 학습 예제가 필요 없는 모델 기반의 데이터 기반 방법을 개발하기 위해.
• 특히 서서히 발전하는 이상을 조기에 탐지하여 임계값 기반 시스템이 경고를 발동하기 전에 이상을 조기에 발견하기 위해.
• 센서 배치 및 팩 설계 차이와 같은 구성 특화 변화에 대한 강건성을 향상시키기 위해.
• 대규모 플릿 및 에너지 저장 시스템에 적합한 비지도 학습을 활용한 확장 가능한 솔루션을 제공하기 위해.

제안 방법

• 형태 기반 거리(SBD) 메트릭을 사용하여 시간 시리즈 간의 형태 유사성에 기반해 온도 측정치를 군집화하기 위해 K-형태 군집 알고리즘을 적용한다.
• SBD 메트릭은 두 시간 시리즈 간의 최대 정규화 상관관계에서 1을 뺀 값으로 정의되며, 스케일링 및 시간 이동에 대해 불변성을 가진다.
• 반복적으로 중심점 재추정 및 SBD 기반 할당을 통해 군집을 갱신하며, 수렴 여부를 반복 과정 동안 모니터링한다.
• 군집 내의 형태 유사성 변화를 모니터링하여 이상을 탐지하며, 군집 내 및 군집 간 변화를 통합하는 총 거리 함수를 사용한다.
• 형태 이탈 및 군집 일관성 메트릭의 가중 조합을 통해 이상 탐지의 신뢰도 수준을 계산한다.
• 실시간 또는 근접 실시간 모니터링이 가능하도록, 짧은 세그먼트(예: 4.1분)의 온도 데이터에 적용된다.

실험 결과

연구 질문

• RQ1 실세계 전기차 데이터에서 기존의 임계값 기반 BMS보다 형태 기반 군집화가 열 이상을 더 이르게 탐지할 수 있는가?
• RQ2 이상 탐지 방법이 간헐적 또는 장기적인 데이터 손실과 센서 비동기성에 얼마나 강건한가?
• RQ3 배터리 구성, 센서 레이아웃, 또는 레이블된 고장 데이터에 대한 사전 지식 없이도 이상을 탐지할 수 있는가?
• RQ4 배터리의 노후화 및 환경 변화 상황에서 이 방법의 성능은 어떠한가?
• RQ5 정상적인 구성에 기인한 열 차이와 실제 열 이상을 구분할 수 있는가?

주요 결과

• 사례 I에서 제안된 방법은 차량 내 BMS가 경고를 발동하기 90분 전에 과열 고장을 탐지했으며, 이는 센서 #13의 형태 이탈 초기 단계에서 기인했다.
• 온도 차이가 여전히 미미한 상태에서도 형태 이탈의 시작 단계에서 이상을 성공적으로 탐지하여 조기 경고 능력을 입증했다.
• 사례 II에서 이 방법은 서로 다른 배터리 팩에 해당하는 두 개의 고유한 열 군집을 정확히 식별하여, 설계에 기인한 온도 차이로 인해 BMS가 잘못된 경고를 발동하는 것을 방지했다.
• 간헐적 및 장기적인 데이터 손실 상황에서도 강건성을 유지했으며, 누락된 데이터 포인트가 있어도 형태 유사성이 유지되기 때문이다.
• 레이블된 데이터, 모델 학습, 센서 위치 또는 팩 구성 정보에 대한 사전 지식 없이도 이상을 탐지할 수 있었다.
• 실제 열 이상을 탐지하는 데서 BMS보다 높은 정확도를 달성하면서도, 정상 운전 조건에서의 변동성에 의한 오진 경고를 줄였다.