실험적으로 수집된 배터리 데이터셋이든 시뮬레이션을 통해 수집된 데이터셋이든, 일반적으로 고차원이며 복잡하여 열화 행동이나 이상 탐지를 직접 해석하는 데 어려움이 있습니다. 이러한 한계를 극복하기 위해, 본 연구는 배터리 신호를 자동 인코더를 사용하여 저차원 표현으로 압축하는 프레임워크를 소개하여 상태 분석을 위한 유용한 특성 추출을 가능하게 합니다. 이 작업의 주요 구성 요소는 주파수 도메인 임피던스 데이터와 시간 도메인 전압-전류 데이터라는 두 가지 근본적으로 다른 데이터 소스에서 얻은 잠재 표현의 체계적인 비교입니다. 두 표현에서의 노화 경로의 밀접한 일치는 전통적으로 임피던스 분석에서 도출된 정보를 원시 시간 시계열 신호에서 직접 캡처할 수 있음을 시사합니다. 실제 작동 조건을 더 잘 근사하기 위해 합성 데이터셋은 확률적 간섭으로 증강되었습니다. 이러한 맥락에서 이상적인 주기적 입력에서 학습된 잠재 공간은 치환 및 노이즈에 오염된 신호에서 파생된 잠재 공간과 대조를 이룹니다. 결과적으로 도출된 저차원 특성은 선형 및 비선형 커널 함수를 가진 서포트 벡터 머신을 통해 평가되어 배터리 상태를 신선, 노화 및 손상 상태로 분류할 수 있게 합니다. 결과는 배터리 열화의 진행이 입력 도메인이나 신호 품질에 관계없이 잠재 공간에서 일관되게 반영됨을 보여줍니다. 이러한 강건성은 제안된 접근 방식이 비이상적인 조건에서도 필수적인 노화 특성을 효과적으로 캡처할 수 있음을 나타냅니다. 따라서 이 프레임워크는 향상된 배터리 상태 평가 및 최적화된 작동 제어를 위한 의사-무작위 자극 프로필 설계를 포함한 고급 진단 전략 개발의 기초를 제공합니다.
Jin et al. (화요일,) 이 질문을 연구했습니다.