[논문리뷰]: Explainability-driven model improvement for SOH estimation of lithium-ion battery

김태이·2025년 3월 9일

Li-ion PHM

목록 보기

1/1

큰 그림(Motivation 및 Contributions)

리튬이온 배터리는 다양한 분야에서 사용되면서, 그 배터리의 수명을 예측하고 모니터링 하는 것이 중요해짐. 특히 전기차와 같이 안전에 민감한 제품에 들어갈수록 SOH(State-Of-Health)모델의 설명력과 정확도 모두 중요함
그래서 논문에서 제안한 프레임워크는 XAI기법을 통해 설명가능성 확보 뿐만 아니라 성능향상 까지 도모할 수 있는 방법을 제안함

노테이션 정리

변수명	설명
$X$	입력 데이터. 배터리 충전 과정에서 시간, 전류, 전압 등의 데이터를 나타냅니다.
$y$	실제 SOH(State of Health, 건강 상태) 값. 배터리의 현재 상태를 나타내는 값입니다.
$\hat{y}$	모델을 통해 추정된 SOH 값. 실제 값과 비교해 오류를 줄이기 위해 사용됩니다.
$z$	모델의 인코더를 통해 추출된 잠재 특징(Latent Feature). 입력 데이터 $X$ 로부터 추출된 의미 있는 정보임.
$w$	LRP를 통해 계산된 특징 가중치. 각 특징의 중요도를 나타내며, 모델 훈련 과정에서 중요도를 반영하여 특징을 가중치와 함께 다시 전달함.
⊙	요소별 곱(Element-wise product). 벡터 또는 행렬의 각 요소를 대응되는 위치에서 곱하는 연산입니다.
$R$	LRP를 통해 계산된 관련성 점수. 모델의 예측에 기여하는 각 특징의 중요도를 나타냄.
$\hat{L}_{mse}(y,\hat{y})$	모델의 MSE 손실함수. 실제 SOH 값 $y$ 와 추정된 SOH값 $\hat{y}$ 사이의 차이를 최소화하는 데 사용됨
$\tilde{L}_{mse}(y,\tilde{y})$	설명 가능성 기반 예측 $\tilde{y}$ 와 실제 $y$ 사이의 손실 함수임. 설명 가능성 기반 모델 개선 과정에서 사용됨.
$SOH$	SOH = $\frac{C_i}{C_0}$
$C_{i}$	사이클 $i$ 에서 배터리의 용량을 나타냄
$C_{0}$	초기 배터리 용량
LRP	Layer-wise Relevance Propagation의 약자로 SHAP과 같은 Post-hoc XAI 기법

SOH 추정 연구에서 주로 3가지 카테고리로 나뉨.

직접 측정:

배터리 용량을 암페어-시간(Ah) 통해 계산
샘플링 노이즈와 누적 오차에 민감

모델 기반:

배터리 전압 모델을 사용해 전압과 Capacity 간의 관계를 설정
배터리 설계 매개변수와 전문지식 필요

데이터 기반:

Shallow Machine Learning Methods
- Feature extraction을 통해 의미있는 Feature 추출
- 의미있는 Feature 추출을 위해 전문지식 필요
Deep Learning Methods
- 대량의 데이터에서 자동으로 특징 추출(전문지식 필요X)

기존 연구들에서 딥러닝 기반으로 배터리 상태 예측, 머신러닝 기반으로 예측하는 연구들이 있었는데 그 연구들에서 모두 모델의 설명 가능성을 가장 큰 장애물로 봤음.

설명 방식에 두 가지 종류가 있음.

ad-hoc: physical-informed neural network
post-hoc: DeepSHAP, Grad-CAM, Layer-wise Relevance

사후 설명 방식은 시각화 목적을 제외하면 거의 사용하지 않음.

실제로 XAI 모델을 통해서 얻은 인사이트를 모델 성능 개선을 위한 피드백으로 활용되는 경우는 거의 없음.

Proposed Method

Experiment Results

MIT data

BIT data

CALCE data

실험 결과로 LRP를 사용했을 때와 사용하지 않았을 때를 비교해서 LRP를 사용했을 때 더 좋은 성능일 보인다는 것을 강조했습니다.
다만, 다른 논문을 좀만 찾아보면 절대 좋은 성능이 아니라는 것을 알 수 있습니다.
그렇기 때문에 다른 논문과 비교하지 않은 것은 명확한 한계점이라고 할 수 있을 것 같습니다.

Contributions and Limitations

Contributions

기법을 단순히 결과에 대한 Features의 중요도를 파악하는데 사용하는 것이 아닌, 성능 향상을 위해 사용할 수 있다는 새로운 관점 제시
가설을 세 가지 모델 (backbone)을 활용해 실험으로 증명

Limitations

다른 논문과 비교를 하지 않은 점, 그리고 다른 논문에 비해 성능이 낮음
명확히 공개되지 않은 데이터 전처리 과정

김태이