Applied Dynamics &

Intelligent Prognosis Laboratory

Reducing evaluation time through SOH&RUL prediction under accelerated degradation experiment

개요

SOH/RUL 평가에 소요되는 장기 실험 시간을 단축하기 위해, 극한 조건의 열화 패턴을 정상 조건으로 전이하는 전이학습 기반 AI 프레임워크를 구축함. 경험적 모델, 데이터 기반 모델, PINN 세 가지 접근법을 비교한 결과, PINN이 초기 특성 식별 및 말기 열화 예측에서 다른 모델의 한계를 동시에 극복함을 입증함. 물리 법칙을 신경망에 내장하는 하이브리드 방법론으로 소량 데이터에서도 신뢰성 높은 수명 예측이 가능함.

주요 기여

PINN(물리 정보 기반 신경망)의 우위 입증: Empirical 모델은 초기 셀 특성 식별 불가, Data-driven 모델은 열화 마지막 단계에서 정확도 감소 → PINN이 두 모델의 한계를 동시에 극복
전이학습 기반 평가 시간 단축: 극한 조건에서 학습한 열화 패턴을 정상 조건으로 전이하여, 장시간 소요되는 정상 열화 실험의 평가 시간을 대폭 단축
AI + Physics 융합 접근: 순수 데이터 기반도, 순수 경험 모델도 아닌, 물리 법칙을 신경망에 내장한 하이브리드 방법론으로 소량 데이터에서도 신뢰성 있는 예측 달성
DeepONet / Surrogate model 활용: 다양한 운전 조건에 대한 범용 예측 능력 확보

기대 효과

배터리 개발 사이클에서 열화 평가에 소요되는 시간·비용을 획기적으로 절감
가속 시험 데이터만으로 실사용 조건의 수명을 정확히 예측하여 제품 출시 기간 단축
기존 Empirical/Data-driven 모델 대비 PINN의 정확도 우위를 실험적으로 검증하여 방법론적 기여

English version

Overview

A transfer learning-based AI framework is developed to reduce SOH/RUL evaluation time by transferring degradation patterns learned under extreme stress conditions to normal operating environments. Systematic comparison of empirical, data-driven, and PINN approaches demonstrates that PINNs uniquely overcome the limitations of both alternatives, where empirical models fail at early-life characterization and data-driven models lose accuracy in late-stage degradation. By embedding physical laws into the neural network, this hybrid methodology achieves reliable lifetime prediction even with limited data.

Key contribution

Demonstrated superiority of PINN: The Empirical model fails to identify early cell characteristics; the Data-driven model loses accuracy in late-stage degradation — PINN simultaneously overcomes both limitations
Transfer learning-based evaluation time reduction: Degradation patterns learned under extreme conditions are transferred to normal conditions, significantly reducing the time required for standard degradation evaluation
AI + Physics hybrid approach: A methodology embedding physical laws into neural networks achieves reliable predictions even with limited data, surpassing both purely data-driven and purely empirical approaches
DeepONet / Surrogate model utilization: Generalized prediction capability across diverse operating conditions

Impact

Dramatic reduction in time and cost for degradation evaluation in battery development cycles
Accurate lifetime prediction under real-world conditions using only accelerated test data, shortening time-to-market
Experimental validation of PINN accuracy superiority over Empirical/Data-driven models, contributing a methodological advancement

Google Sites

Report abuse