[논문 리뷰] Physics-Informed Neural Networks for Prognostics and Health Management of Lithium-Ion Batteries

Pengfei Wen, Zhi‐Sheng Ye외 4명|arXiv (Cornell University)|2023. 01. 02.

Advanced Battery Technologies Research인용 수 6

한 줄 요약

이 논문은 리튬이온 배터리 Prognostics and Health Management (PHM)를 위한 물리 기반 모델과 데이터 기반 딥 러닝을 융합하는 Physics-Informed Neural Network (PINN)-기반 프레임워크를 제안한다. PDE 유도된 열화 모델을 PINN에 통합하고, Deep Hidden Physics Models (DeepHPM)를 사용해 동역학을 탐색함으로써, State of Health (SoH) 추정과 Remaining Useful Life (RUL) 예측의 정확도를 향상시켰으며, 공개된 LFP/ graphite 배터리 데이터셋에서 SoH 추정의 RMSPE가 7.9%이고 RUL 예측의 RMSE가 8.40 사이클에 도달하였다.

ABSTRACT

For Prognostics and Health Management (PHM) of Lithium-ion (Li-ion) batteries, many models have been established to characterize their degradation process. The existing empirical or physical models can reveal important information regarding the degradation dynamics. However, there are no general and flexible methods to fuse the information represented by those models. Physics-Informed Neural Network (PINN) is an efficient tool to fuse empirical or physical dynamic models with data-driven models. To take full advantage of various information sources, we propose a model fusion scheme based on PINN. It is implemented by developing a semi-empirical semi-physical Partial Differential Equation (PDE) to model the degradation dynamics of Li-ion batteries. When there is little prior knowledge about the dynamics, we leverage the data-driven Deep Hidden Physics Model (DeepHPM) to discover the underlying governing dynamic models. The uncovered dynamics information is then fused with that mined by the surrogate neural network in the PINN framework. Moreover, an uncertainty-based adaptive weighting method is employed to balance the multiple learning tasks when training the PINN. The proposed methods are verified on a public dataset of Li-ion Phosphate (LFP)/graphite batteries.

연구 동기 및 목표

• 제한된 열화 동역학 일반화 성능을 보이는 경험적, 물리적, 데이터 기반 모델을 융합하는 데 있어 도전 과제를 해결하기 위해.
• 사전 영역 지식(예: Verhulst 모델)을 데이터 기반 탐색인 Deep Hidden Physics Models (DeepHPM)와 융합할 수 있는 유연한 정보 융합 프레임워크를 개발하기 위해.
• Physics-Informed Neural Networks (PINN)를 활용해 리튬이온 배터리의 State of Health (SoH) 추정 및 Remaining Useful Life (RUL) 예측의 정확성과 내구성을 향상시키기 위해.
• PINN 학습 중 다중 학습 과제(예: PDE 잔차, 데이터 손실)를 균형 잡기 위해 불확실성 기반 적응형 가중치 기법을 도입하기 위해.

제안 방법

• Verhulst 모델에서 유도된 반경험적·반물리적 편미분방정식(PDE)을 도출하여 충전/방전 프로파일과 초기 SEI 형성 수준을 포함한 배터리 열화 동역학을 기술한다.
• 사전 지식이 제한된 경우, 데이터에서 기초가 되는 통제 동역학을 탐색하기 위해 DeepHPM를 활용하여 PDE의 구조를 데이터 기반으로 탐색한다.
• DeepHPM에서 탐색된 동역학을 PINN 프레임워크 내에서 반물리적 PDE 모델과 융합하며, PDE 잔차 손실을 통해 물리적 일관성을 강제한다.
• 학습 중 데이터 피팅, PDE 잔차, 기타 제약 조건의 손실 항목 간의 균형을 동적으로 조정하기 위해 불확실성 기반 적응형 가중치 기법을 적용한다.
• 다중 과제 손실 함수를 포함한 엔드 투 엔드 학습을 통해 PINN를 학습하며, 이는 데이터 손실, PDE 잔차 손실, 경계/초기 조건 강제 조건을 포함한다.
• 모델 성능은 공개된 LFP/graphite 배터리 데이터셋에서 평가되었으며, 네트워크 아키텍처와 입력 조합에 대한 분석 실험을 통해 내구성과 일반화 능력을 검증하였다.

실험 결과

연구 질문

• RQ1 PINN 프레임워크는 반경험적 물리 모델과 데이터 기반 DeepHPM를 효과적으로 융합하여 배터리 SoH 추정 및 RUL 예측 성능을 향상시킬 수 있는가?
• RQ2 DeepHPM를 통해 탐색된 PDE 동역학의 통합은 순수 데이터 기반 또는 순수 물리 기반 모델 대비 정확성과 해석 가능성에서 어떻게 향상되는가?
• RQ3 다양한 입력 조합(예: 시간, 상태, 공간 기울기)이 PINN 프레임워크 내 DeepHPM의 성능에 미치는 영향은 어떠한가?
• RQ4 불확실성 기반 적응형 손실 가중치 기법은 다중 과제 PINN 학습에서 수렴성과 일반화 능력을 어떻게 향상시키는가?
• RQ5 제안된 방법은 SoH 및 RUL 예측 과제에서 기준 신경망과 기존 융합 전략에 비해 어느 정도 뛰어난 성능을 보이는가?

주요 결과

• 제안된 PINN-DeepHPM 프레임워크는 검증 세트에서 SoH 추정 시 7.9% RMSPE를 기록하여 기존의 순수 신경망 및 기준 PINN 설정보다 뛰어난 성능을 보였다.
• Case A 조건 하에서 RUL 예측 시 8.40 사이클 RMSE를 기록하여 다른 입력 조합 및 기준 모델 대비 뛰어난 정확도를 입증하였다.
• DeepHPM 입력에 공간 기울기(u_x)를 포함시키면 성능이著しく 악화되어, 노이즈가 많거나 불안정한 기울기 추정에 민감함을 시사하였다.
• 시간(t), 상태(x), 그리고 입력 전류(u)를 DeepHPM의 입력으로 조합한 경우가 가장 우수한 성능을 보였으며, 이는 7.9% RMSPE와 8.40 사이클 RMSE를 기록하여 시간적 및 상태 인식 특징의 중요성을 입증하였다.
• 불확실성 기반 적응형 가중치 기법은 특히 다중 과제 간 충돌하는 손실 항목의 균형 조절에 있어 학습 안정성과 일반화 능력을 향상시켰다.
• 분석 실험 결과, SoH 추정에 최적의 네트워크 아키텍처는 2개의 은닉층으로 구성되며 각 층에 128개의 뉴런을 사용한 것이었고, RUL 예측의 최적 아키텍처 역시 2층으로 128개 뉴런을 사용한 것으로 과적합을 최소화하는 데 성공하였다.