Applied Dynamics &

Intelligent Prognosis Laboratory

Health monitoring through SOH prediction under stochastic operating conditions

Overview

전기차의 불규칙적 주행 조건(도심·복합·고속도로)에서 실차 전류 프로파일 기반 전압 건강 지표(VHI)를 실시간 추적하는 SOH 모니터링 프레임워크를 개발함. 학습 범위를 넘어선 외삽(extrapolation) 예측에서 데이터 기반 모델은 포화·실패하는 반면, PINN은 물리 법칙 제약을 통해 약 5배 향상된 정확도를 달성함. 소량의 초기 사이클 데이터만으로 수백 사이클 이후의 열화 경향을 정확히 예측할 수 있음을 검증함.

A real-time SOH monitoring framework is developed using a Voltage Health Indicator (VHI) extracted from actual EV driving data across urban, combined, and highway conditions. While Data-driven models plateau and fail at extrapolation beyond the training range, PINN incorporates physical degradation laws to achieve approximately 5x improved accuracy (RMSE_P = 0.01495 vs. RMSE_D = 0.07458). This validates that physics-based constraints are essential for reliable long-term health prognostics from limited early-cycle data.

Key Contribution

PINN의 외삽 성능 향상 입증: Data-driven 모델은 학습 범위 외의 extrapolation에서 예측 불가→ PINN은 물리 법칙을 통해 extrapolation 성능을 대폭 향상
실차 주행 패턴 반영: 도심·복합·고속도로 등 다양한 주행 조건의 전류 프로파일을 학습 데이터로 활용하여 현실적 운전 환경을 반영
VHI 기반 건강 모니터링: 전압 기반 건강 지표를 통해 비침습적으로 배터리 상태를 실시간 추적
소량 학습 데이터로 장기 예측: 초기 사이클의 학습 데이터만으로 이후 수백 사이클의 열화 경향을 정확히 예측

Demonstrated PINN extrapolation improvement: The Data-driven model cannot predict beyond the training range, while PINN significantly enhances extrapolation performance through physics-based constraints
Real-world driving pattern integration: Utilization of current profiles from urban, combined, and highway driving conditions as training data, reflecting realistic operating environments
VHI-based health monitoring: Non-invasive real-time battery state tracking through voltage-based health indicators
Long-term prediction from limited training data: Accurate prediction of degradation trends over hundreds of cycles using only early-cycle training data

Impact

전기차 BMS에 탑재하여 실시간 SOH 모니터링 및 잔여수명 예측 가능
기존 Data-driven 방법의 근본적 한계(외삽 불가)를 PINN으로 해결하여 실용적 적용 가능성 확보
다양한 운전 패턴·온도 조건에서도 일관된 예측 성능을 보장하여 전기차 배터리 관리 신뢰성 향상

Deployment-ready for real-time SOH monitoring and RUL prediction in EV battery management systems (BMS)
Resolution of the fundamental limitation of Data-driven methods (inability to extrapolate) through PINN, achieving practical applicability
Consistent prediction performance across diverse driving patterns and temperature conditions, enhancing EV battery management reliability

Google Sites

Report abuse