라미네이션 공정 데이터 분석 적용방안
본 눈문은 다양한 AI툴을 활용하여 배터리 제조와 management의 최적화를 통해 long lifetime battery를 제작하는데 목적이 있음. 메인 주제는 다음과 같음
1) 배터리 제조에 있어 AI-Based framework와 most popular AI Tools로 스마트 제조를 달성하고, 배터리 초기 퍼포먼스를 향상시킴
2) 스마트 배터리를 위해 multi-dimensional sensing techniques를 통해 battery내의 data mining을 리뷰함
3) 배터리 수명 진단을 위해 배터리 SOH 예측과 에이징 커브 예측에 AI 기반의 방법과 이의 한계점 리뷰
4) 배터리 수명 증가를 위해 AI를 활용한 배터리 컨트롤 및 충전 솔루션 리뷰
5) 현재 research와 challenge의 gap을 보고 suggestions를 통해 미래의 AI 리서치를 부스트
이 중에서 1)을 활용하는 것이 에너지솔루션 설비 예지보전 및 스마트 모니터링, 수명 예측 주제에 활용 가능하다 판단하였음
그 중에서도 설비 센서 신호에 이상이 감지되었을 때, 원인을 찾아 분석할 수 있는 Interpretable AI 부분에 포커스 하여 논문을 정리함
Interpretable AI
Linear model and quadratic model:
리니어 모델은 심플하면서 compact하고 strong 한 interpretability를 가짐. y = k · in+ sp 식을 가지며, in은 제조 공정에서의 파라미터를 input으로 하고, y는 중간, 혹은 배터리 제조품의 output임. k는 weight vector로써 파라미터의 중요도를 나타냄. sp는 shifting parameter임.
하지만, 보통의 배터리 제조 공정은 매우 non-linear한 특성을 가지고 있기 때문에 관계를 capture하기 어려움.
따라서 non-linear한 특성을 위해 quadratic model을 적용할 수 있음. 배터리 전극 공정에서의 파라미터들의 효과를 quadratic model에 의해 quantified 되고 explained 될 수 있음. 또한 quadratic model은 파라미터수가 제한적이기 때문에 쉽게 implemented 될 수 있음. 그러나 아주 복잡한 케이스에서는 잘 맞지 않음
-> 에너지솔루션 프로젝트에 적용하려는 센서 데이터는 시계열 분석이기 때문에, 이러한 복잡한 케이스에는 적합하지 않다고 생각
Tree-based AI models
Decision tree (DT), random forest (RF), boosting-based tree는 strong interpretability 를 제공하여 배터리 제조공정의 상관관계를 explain 할 수 있음
Solo DT는 tree structer를 통해 complex prediction issues를 수많은 small ones로 나누어 인풋으로 들어간 제조공정 파라미터들이 쉽게 DT에 의해 해석가능해짐.
하지만, DT의 구조는 쉽게 바뀔 수 있고 unstable하며 highly non-linear한 배터리 제조 공정에는 inadequate함
따라서, 이러한 한계를 극복하기 위해 다양한 DTs를 ensemble learning을 진행
bagging way로 DT는 bootstrap subdataset을 통해 학습을 진행하며 이 결과값을 combine함으로써 RandomForest의 예측 퍼포먼스가 향상됨
RandomForest based AI모델을 배터리의 에너지 효율에 제조공정의 파라미터가 어떻게 영향을 미치는지 분석하였음
또한, 다른 ensemble 솔루션으로 DTs를 combine해 boosting하기도 함. RUBoost-based ensemble learning model이 있어 전극 품질의 imbalanced issue를 해결하기 위해 다양한 formulation 파라미터를 분석함
즉, Tree-based AI models 는 accuracy, robustness and interpretability를 잘 반영함. manufacturing correlations를 잘 반영하기 위한 적절한 Tree-based AI model을 선택하는 것이 중요
-> 에너지솔루션 프로젝트의 시계열 센서 데이터 특성인 variable간 correlation 및 이상치의 interpretability를 잘 반영하기 때문에 적합하다고 생각하나, 이것이 실제 시계열 센서 데이터에 적용된 case를 추가적으로 조사할 필요성이 있음
Others
multivariate KPI-based AI model이 공정 파라미터가 배터리의 저항, capacitance와 같은 특성을 어떻게 결정하는지 분석함
Gaussian process regression-based model을 통해 mixing parameters를 효과를 보이며, 전극 mass loading이 분석됨
building a sure independent-screening and sparsifying-operator model을 통해 calendaring의 pressure를 통해 전극 특성을 추출함
본 AI-based method는 배터리 공정 분석에서 unknown의 영역이며 application 예시도 적어 더 많은 연구가 필요함
-> 어떤 상황에서 유리한 특성을 가진 방법인지 본 논문에서 제시되지 않아 프로젝트에 적용하기 어려움
