숟가락 그만 얹어

크게 time-based representation과 voltage-based representation으로 나눌 수 있겠다. Time-based Representation 시간에 따른 전압, 전류, 온도, 용량의 특성을 이용하여 task를 수행한다. 충방전 raw data를 그대로 활용하기가 쉽지 않은 게 배터리마다 완전 충전 혹은 방전되는 시점이 다르다. 데이터의 length를 맞추기 위해 padding을 고려해볼 수 있겠지만 적절한 padding을 선택하기 어렵고 불필요한 연산만 증가시킨다. [1] 논문에서는 충전에서 CC duration, CV duration, slope을 feature로 활용하여 SOH를 추정하였다. 수명이 오래된 배터리일수록 내부 저항 등으로 인한 over-potential이..

# RDKit 설치 방법 (on Ubuntu 18.04) # CMake version >= 3.1 # GCC version >= 7.x # 1. Boost 설치 (version 1.65.1) wget https://dl.bintray.com/boostorg/release/1.65.1/source/boost_1_65_1.tar.gz tar -xzvf boost_1_65_1.tar.gz cd boost_1_65_1 ./bootstrap.sh --with-python=python3.6 --with-libraries=python,serialization,system,iostreams --prefix=. vi project-config.jam ### Python 관련 설정 수정 ### ... import pyth..

SOH와 RUL 예측에 사용한 feature로 각 cycle의 1) the time needed to reach the lowest discharge point, 2) when the battery temperature rises to the highest point, 3) the time decrement from 3.8V to 3.5V을 사용하였다. GP를 사용한 모든 논문들이 kernel parameter를 prior의 log-likelihood를 maximize하는 값으로 설정하였다. 그런데 예측 cycle의 전압이나 온도 정보를 사전에 알고 있어야 하므로 이 연구는 반칙. References [1] J. Jia et al., SOH and RUL Prediction of Lithium-Ion B..

새로 알게된 점은 배터리 충전 시 constant current를 어떤 step으로 가져가느냐에 따라 배터리의 수명이 달라진다는 것이다. 논문에서는 충전 구간을 4 steps (C1, C2, C3, C4)으로 나누고 각 step에 대한 current 값을 Bayesian optimization으로 탐색하였다. 적절한 parameter set을 찾는다고 하더라도 모든 배터리의 life cycle을 실험적으로 측정하기가 어렵기 때문에 논문 [2] 기반의 early predictor를 두어 life cycle을 추정한다. 기존 도메인 지식으로는 C1 > C2 > C3 > C4 일 때 최적의 배터리 life cycle을 찾을 수 있었으나, BO로 찾은 parameter set은 C1 = C2 = C3 = C4인..

배터리는 여러 셀을 하나의 모듈로 묶고, 여러 모듈을 배터리 팩으로 묶어 완성된다. 이 때 비슷한 유형의 셀을 묶어야 배터리 팩의 성능을 측정하기 쉽고 문제가 생겼을 때 원인을 파악하기 용이하다. 논문 [1]에서는 충전/방전에서의 전압 데이터를 unsupervised clustering으로 분류하였는데 여기서 사용한 affinity propagation [2]라는 알고리즘이 새롭다. 자세한 affinity propagation 알고리즘 설명은 https://towardsdatascience.com/unsupervised-machine-learning-affinity-propagation-algorithm-explained-d1fef85f22c8에서 읽어보면 된다. 이 알고리즘의 장점은 1) cluster..

배터리는 사용할수록 수명이 줄어든다. 제조 단계에서 배터리의 품질을 평가하기 위해서는 몇 개의 sample을 뽑아 충전/방전 과정을 많은 횟수로 반복하여 모집단의 수명을 추정하는 수 밖에 없다. 많은 실험을 수행하는 것은 현실적으로 어렵기 때문에 머신러닝을 이용해 100번의 충전/방전 실험으로 배터리의 수명을 예측하는 방법이 연구되었다. 내가 생각하는 배터리 데이터의 큰 특징으로는 매 충전/방전 실험마다 time-series 길이가 달라진다는 것이다. 많이 사용한 배터리일수록 충전 시간은 길어지고 방전 시간이 짧아진다. 여러 가지 방법으로 길이를 맞출 수는 있겠지만, 아무 값으로 채우거나 중요할지도 모르는 정보를 함부로 날릴 수는 없다. 그렇기 때문에 위 그림(a)처럼 x축을 전압, y축을 용량으로 두는..