지도 대조학습 기반 도메인 불변 리튬이온배터리 충전 상태 예측
Supervised Contrastive Learning-Based Domain-Invariant State-of-Charge Prediction for Lithium-ion Batteries
- 주제(키워드) 리튬이온배터리 , 초음파 , State-of-Charge , 지도학습 기반 대조학습
- 주제(DDC) 658.5
- 발행기관 아주대학교 일반대학원
- 지도교수 정준하
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 산업공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000035394
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
리튬이온배터리(Lithium-ion Batteries, LiB)의 충·방전 과정에서 초음파 신호는 내부 상태를 반영할 수 있는 중요한 진단 지표로 활용되며, 이를 기반으로 한 State-of-Charge(SoC) 예측은 배터리 관리 및 재사용 시스템에서 핵심적인 과제이다. 그러나 센서 부착 위치, 충·방전 프로파일, 주변 온도 등 다양한 물리적·환경적 요인으로 인해 초음파 신호 분포가 크게 달라지며, 이는 동일한 SoC 조건에서도 예측 정확도의 저하를 초래하는 한계를 가진다. 이에 본 연구는 환경적 요인으로 인한 성능 저하를 줄이기 위해 신호 전처리와 지도학습기반 대조학습(Supervised Contrastive Learning)을 융합한 프레임워크를 제안한다. 본 논문에서는 제안된 프레임워크의 구축 과정을 세부적으로 설명한다. 먼저, 전처리 과정을 통해 환경 변화로 발생하는 노이즈를 제거하고 SoC 관련 핵심 정보를 보존할 수 있는 데이터 기반을 마련한다. 이후 사전학습된 인코더에서 추출된 잠재 벡터를 활용하여 회귀 모델을 학습하는 학습 전략을 소개한다. 마지막으로, 단일 환경 조건에서 학습한 후, 이전에 접하지 않은 환경 조건에서 성능을 검증하는 방식으로 일반화 능력을 평가한다. 실험 결과, 제안된 프레임워크는 기존 방법보다 안정적이고 일관된 예측 성능을 달성하였으며, 복잡한 적응 절차 없이도 다양한 환경에서 적용 가능함을 입증하였다. 본 연구는 환경적 요인으로 인한 성능 저하 문제를 극복한 SoC 예측을 통해 기존 접근 방식의 한계를 보완하고, 배터리 진단 및 재사용을 위한 중요한 기술적 기반을 제시한다. 주제어: 리튬이온배터리, 초음파, State-of-Charge, 지도학습 기반 대조학습
more목차
1. 서론 1
1.1. 연구 배경 및 필요성 1
1.2. 기존 SoC 추정 접근의 한계 3
2. 관련 연구 7
2.1. 비파괴진단 7
2.2. 인공신경망 9
2.3. 초음파 기반 배터리 상태진단 방법론 10
3. 실험 방법 15
4. 온도 보정형 초음파 기반 SoC 추정 연구 19
4.1. 초음파 신호의 전파 특성과 SoC 예측 원리 19
4.2. 배터리 SoC 예측엥서 초음파 테스트의 불확실성 20
4.3. 제안 방법론 22
4.3.1. 제안하는 방법론의 프레임워크 개요 22
4.3.2. 분산필터링을 이용한 초음파 신호 분할 24
4.3.3. 1D CNN 기반 온도 예측 27
4.3.3.1. 1D CNN 모델 구조 27
4.3.3.2. 손실 함수 설계 29
4.3.4. 온도 예측 기반 ToF 보정 및 LSTM 기반 SoC 예측 31
4.3.4.1. 온도 효과를 고려한 ToF 보정 31
4.3.4.2. SoC 추정 모듈 33
4.4. 실험 결과 34
4.4.1. 1D CNN 을 통한 온도 예측 결과 34
4.4.2. 예측 온도 기반 ToF 보정 결과 35
4.4.3. SoC 예측 결과 36
4.5. 한계점 및 실패 요인 분석 37
5. Supervised Contrastive Learning 기반 도메인 불변 SoC 예측 39
5.1. 새로운 접근의 필요성 39
5.2. 제안 방법론 40
5.2.1. 새로운 방법론의 프레임워크 개요 40
5.2.2. 교차상관 및 최대 진폭 정규화를 통한 전처리 42
5.2.3. 지도 대조학습 기반 도메인 불변 표현 추출 45
5.2.3.1. 가우시안 노이즈를 이용한 신호 증강 45
5.2.3.2. Encoder 와 Projection Head 를 이용한 표현 추출 47
5.2.3.2.1. Encoder 47
5.2.3.2.2. Projection Head 48
5.2.3.3. 정규화 및 Representation 행렬 구성 49
5.2.4. 지도 대조학습 50
5.2.5. SoC 추정 모듈 52
5.3. 실험 결과 53
5.3.1. 전처리 기법의 결과 53
5.3.2. 사전 학습된 인코더의 결과 55
5.3.3. SoC 예측 결과 57
6. 결론 61
7. 참고문헌 (Reference) 63
8. 영문요약 (Abstract) 67
