리튬이온 배터리 SOH 및 고장 진단을 위한 통계·신경망 기반 상태 추정 연구

Statistical and Neural-Network-Based SOH Estimation for Lithium-Ion Batteries

연구 내용

리튬이온 배터리 방전 시계열과 통계 정보를 기반으로 잔차 연결 DNN 학습을 수행해 SOH를 산출하고 안전 운용을 위한 상태 진단을 고도화하는 연구

리튬이온 배터리는 반복 충·방전 과정에서 내부 저항과 유효 용량이 변화하여 시스템 성능 저하와 안전 위험을 유발합니다. 본 분야에서는 방전 전압·전류와 같은 시간축 데이터에 기반하여 잔차 연결 구조를 포함한 딥러닝 모델을 학습하고, 통계 특징을 반영해 SOH를 추정합니다. 또한 다중 모델 구조를 통해 사용 가능 여부와 출력 가능 레벨을 단계적으로 진단하는 접근을 병행하며, 진단 결과를 무인이동체 고장대응·건전성 진단 체계와 연계하여 운영 신뢰도를 높이는 방향으로 차별성을 확보하고 있습니다.

관련 프로젝트

1건

연구 흐름

배터리 방전 데이터 기반 SOH 진단을 목표로 잔차 연결 딥러닝 구조를 채택해 학습 안정성과 특징 추출 능력을 높이는 연구를 수행합니다. 이후 통계 정보를 활용한 단일 및 다중 학습 모델 기반 진단 방법으로 확장하여, 분석 대상 배터리의 사용 가능 여부와 출력 가능 레벨을 분리해 판정하는 체계를 제안합니다. 동시에 무인이동체 건전성 진단 및 재구성 제어와 같은 고장대응 프로젝트를 통해 진단-제어 연동 관점을 강화하며, 2020년대 후반부터 실용적 진단 흐름을 구체화하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

배터리 관리 시스템(BMS) 고장 진단
SOH 기반 사용 가능 판정
출력 가능 레벨 추정
방전 데이터 기반 조기 경보
통계 특징 기반 배터리 분류
잔차 연결 신경망 기반 상태 추정
무인이동체 건전성 진단
배터리 운용 가이드라인 도출
배터리 성능 열화 모델링
진단-제어 연동 모니터링