본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

목차

기호 및 약어 8

제1장 서론 9

1.1. 연구배경 9

1.2. 연구 목적 11

1.3. 연구개요 12

제2장 RUL 추정을 위한 방법론 13

2.1. 배터리 상태 정의 13

2.1.1. State-of-charge(SOC) 13

2.1.2. State-of-health(SOH) 14

2.2. 신경망을 이용한 데이터 기반 추정 기법 16

2.2.1. Feedforward neural network(FFNN) 16

2.2.2. Convolutional neural network(CNN) 19

2.2.3. Long Short-term Memory(LSTM) 20

2.2.4. Long-term recurrent convolutional neural network(LRCN) 22

2.3. 데이터 전처리 기법 24

2.3.1. 오토인코더(Autoencoder) 24

2.3.2. 노이즈 제거 오토인코더(Denoising autoencoder) 25

2.3. 제안하는 RUL 예측 프레임워크 30

제3장 RUL 예측 프레임워크 구현 33

3.1. 학습 데이터 33

3.2. 데이터 전처리 36

3.3. 입력 노이즈 제거를 위한 전처리 37

3.4. 데이터 기반 예측 모델 39

3.4.1. 성능 평가 지표 39

3.4.2. 하이퍼 파라미터 최적화 39

제4장 결과 및 논의 43

4.1. 신경망 모델별 SOH 예측 43

4.2. 제안하는 RUL 예측 46

4.2.1. 점진적 RUL 예측 46

4.2.2. 오염된 데이터의 점진적 RUL 예측 50

제5장 결론 54

참고문헌 55

부록 58

ABSTRACT 60

표목차

표 3.1. 배터리 데이터 사양 33

표 3.2. 노이즈 데이터 셋 종류 37

표 3.3. 노이즈 제거 오토인코더(dA) 구조 37

표 3.4. 데이터 기반 예측 모델 구조 40

표 3.5. LRCN 모델의 구조 40

표 4.1. 배터리 데이터 셋에 따른 점진적 모델의 RUL 비교 53

그림목차

그림 1.1. 리튬 이온 배터리의 RUL 예측 방법론 10

그림 2.1. 퍼셉트론의 구조 16

그림 2.2. FFNN의 구조 17

그림 2.3. CNN의 구조 20

그림 2.4. LSTM의 구조 21

그림 2.5. LRCN의 구조 23

그림 2.6. 기본적인 오토인코더 구조 24

그림 2.7. 원본 데이터와 압축 데이터 25

그림 2.8. 노이즈 제거 오토인코더 구조 26

그림 2.9. 일반 레이어와 드롭 아웃 구조 비교 26

그림 2.10. 원본 데이터의 드롭 아웃 생성 27

그림 2.11. 원본 데이터의 가우시안 노이즈 생성 29

그림 2.12. 제안하는 RUL 예측 프레임 워크 31

그림 2.13. 오프라인/온라인 예측 모델 구조 32

그림 3.1. 충방전 사이클로 인한 용량 저하 34

그림 3.2. Battery #5 충방전 사이클로 인한 특징 변화 35

그림 3.3. 오염된 데이터 Ndropout가 입력일 때 dA의 출력[이미지참조] 38

그림 3.4. 오염된 데이터 Ng(3%) 입력일 때 dA의 출력[이미지참조] 38

그림 3.5. 오염된 데이터 Ng(5%)가 입력일 때 dA의 출력[이미지참조] 38

그림 3.6. 하이퍼 파라미터 최적화 과정 42

그림 4.1. Battery #5 예측 모델 별 SOH 예측 45

그림 4.2. Battery #5의 예측 모델 별 성능 비교 45

그림 4.3. Battery #5의 예측 모델에 따른 RUL 예측 결과 47

그림 4.4. Battery #5 예측 모델 별 RUL 성능 비교 49

그림 4.5. 배터리 데이터 셋에 따른 사이클 오차 비교 49

그림 4.6. Battery #5 점진적 모델의 RUL 예측 결과 51

그림 4.7. Battery #5 평가 기준 기반 케이스별 성능 비교 52

초록보기

Remaining useful life(RUL) prediction using data-driven method has been actively researched in Prognostic health management(PHM) of lithium-ion batteries. This paper proposes a framework based on data-driven for the RUL prediction using the pre-prediction model of SOH. First, the denoising autoencoder(dA) is presented to improve the robustness of measurement noise. The dA learns from contaminated data by Gaussian noise and dropout. Second, the lower evaluation error model is selected by comparing the SOH prediction performance between neural network models. SOH prediction models are trained with the measured data of the battery such as the voltage, current, temperature. The long short-term memory(LSTM)-based model showed high performance with RMSE of 0.025%. Third, the LSTM-based progressive model is presented for RUL prediction. The input to the incremental model is the historical SOH, and the output of every step becomes the input again. Finally, to validate the robustness of the model, the proposed dA-LSTM is compared the base LSTM with noise train LSTM using the contaminated data. As a result, the proposed approach is robust to input noise and can improve the RUL prediction accuracy.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차