⚡ electrical engineering

A Graph Theoretic Approach in Combination With Dynamic Mode Decomposition With Control (DMDc) to Analyze Battery Degradation

본 논문은 노화가 진행됨에 따라 일관된 구조에서 분열된 구조로 전환되는 진화하는 네트워크로 운영 데이터를 모델링함으로써 리튬이온 배터리의 열화를 효과적으로 특성화하고 해석하기 위해 동적 모드 분해 제어 (DMDc) 와 그래프 이론 분석을 통합한 새로운 데이터 기반 프레임워크를 제안한다.

원저자: Khalid Mahmud Labib, Saad Waheed, Bakhtiar Nafis, Shabbir Ahmed

게시일 2026-05-05

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Khalid Mahmud Labib, Saad Waheed, Bakhtiar Nafis, Shabbir Ahmed

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

리튬이온 배터리를 단순한 화학 물질의 상자가 아니라, 수백만 명의 작은 '시민들'(전자와 이온) 이 끊임없이 상호작용하고 이동하며 서로 대화하는 활기찬 도시로 상상해 보십시오. 배터리가 새롭고 건강할 때, 이 도시는 잘 조직되어 있습니다: 시민들은 강력하고 명확한 소통 경로를 가지고 있으며, 모두 매끄럽고 조율된 리듬으로 협력합니다.

이 논문은 이 도시가 어떻게 노화되고 무너져 내리는지 관찰하는 새로운 방식을 제안합니다. 여기에는 두 가지 강력한 도구를 혼합하여 사용합니다: DMDc(도시의 움직임을 스냅샷으로 찍는 수학적 카메라)와 그래프 이론(연결 관계를 지도로 그리는 방법).

저자들이 이를 어떻게 분석했는지 살펴봅니다:

1. 문제: 배터리의 '블랙박스'

배터리는 시간이 지남에 따라 노화되고 전력을 잃습니다. 배터리가 열화한다는 사실은 알지만, 내부에서 어떻게 열화하는지 보는 것은 어렵습니다. 전통적인 방법들은 전압과 전류라는 '전기 요금 고지서'만 보고 도시를 이해하려는 것과 같습니다. 이는 숫자를 제공하지만, 교통 체증, 무너진 다리, 또는 서로 대화를 멈춘 지역 사회는 보여주지 못합니다.

2. 해결책: 배터리의 '무비' 촬영

연구진들은 **제어付き 동적 모드 분해 **(DMDc)라는 기법을 사용했습니다. 이를 특정 테스트 (예: 짧은 전력 펄스) 에 대한 배터리의 전압 응답을 기록하는 고속 카메라로 생각하십시오.

단순히 원시 영상을 보는 대신, DMDc 는 영상을 그 '근본적인 움직임' 또는 모드로 분해합니다.

유추: 춤 공연단을 상상해 보십시오. DMDc 는 전체 공연을 보는 것뿐만 아니라, 각 무용수가 수행하는 구체적인 동작과 다른 무용수들과 어떻게 움직이는지 식별합니다. 이는 이러한 춤 동작 목록인 '모드 행렬'을 생성합니다.

3. 움직임을 지도 (그래프) 로 변환

이 부분이 영리합니다. 저자들은 춤 동작 목록 (모드 행렬) 을 네트워크 지도(그래프)로 변환했습니다.

**노드 **(점) 지도의 각 점은 배터리 내부 상태의 특정 부분을 나타냅니다.
**에지 **(선) 점들을 연결하는 선은 해당 부분들이 서로 얼마나 강하게 영향을 미치는지 나타냅니다. 두껍고 어두운 선은 그들이 크고 명확하게 대화하고 있음을 의미합니다. 얇거나 없는 선은 거의 소통하지 않음을 의미합니다.

4. 도시의 쇠퇴 관찰

연구진들은 배터리가 '새것'에서 '닳아빠진 상태'(360 회 충전 사이클 후) 로 노화되는 동안 이 테스트를 수행했습니다. 그들은 지도에서 두 가지 주요 사항을 관찰했습니다:

A. 연결성 (선들이 얼마나 많은가?)

건강한 배터리: 지도는 빽빽한 거미줄처럼 보입니다. 거의 모든 점이 강한 선으로 다른 많은 점들과 연결되어 있습니다. 도시는 통합되어 있으며 정보가 어디든 쉽게 흐릅니다.
노화된 배터리: 배터리가 나이가 들면서 선들이 희미해지고 사라지기 시작합니다. 거미줄은 희박해집니다. '시민들'은 서로 대화를 멈춥니다. 저자들은 배터리의 열화가 진행됨에 따라 강한 연결의 수가 꾸준히 감소한다는 사실을 발견했습니다.
- 간단한 교훈: 건강한 배터리는 긴밀한 공동체이며, 노화된 배터리는 고립된 개인들의 집단입니다.

B. 모듈성 (그룹들이 혼란스러워지는가?)

건강한 배터리: 연결은 고르게 분포되어 있습니다. 단일 그룹이 지배하지 않으며, 도시의 어느 부분도 어둠에 방치되지 않습니다. 균형 잡히고 균일한 지역 사회입니다.
노화된 배터리: 지도는 혼란스러워지기 시작합니다. 일부 지역은 초연결 (클릭) 상태가 되는 반면, 다른 지역은 완전히 단절됩니다. 균형이 깨집니다. '이질성'(혼란) 이 증가합니다.
- 간단한 교훈: 건강한 배터리는 잘 계획된 도시이며, 노화된 배터리는 일부 지역이 혼란스럽고 다른 지역은 버려진 도시입니다.

5. 그들이 발견한 것

이 지도의 변화를 시간에 따라 관찰함으로써, 연구진들은 명확한 이야기를 보았습니다:

매끄러움이 '날카로움'으로 변함: 새로운 배터리에서는 내부 움직임이 매끄럽고 조율되어 있습니다. 노화된 배터리에서는 움직임이 불규칙해지며, 갑작스러운 급증과 불규칙한 패턴이 나타납니다.
네트워크의 분열: 배터리는 단순히 한 번에 '약해'지는 것이 아니라, 내부 구조를 잃습니다. 강력하고 통합된 네트워크는 더 작고 약하며 단절된 조각들로 분해됩니다.

결론

이 논문은 배터리가 어떻게 죽고 있는지뿐만 아니라 왜 죽고 있는지도 알려주지 않습니다. 복잡한 전기 데이터를 단순한 '연결성 지도'로 변환함으로써, 그들은 배터리 노화가 본질적으로 시스템 내에서의 연결의 파괴와 질서의 상실임을 보여주었습니다.

단순히 하나의 숫자에 기반하여 배터리의 건강 상태를 추측하는 대신, 이 방법은 배터리 내부 물리학의 '사회적 구조'를 살펴봄으로써 공동체가 여전히 협력하고 있는지 아니면 무너져 내리는지 확인합니다.

기술적 요약: 배터리 열화 분석을 위한 그래프 이론적 접근과 제어付き 동적 모드 분해 (DMDc) 의 결합

문제 제기
리튬이온 배터리 (LIB) 의 열화를 정확하게 모니터링하는 것은 안전성과 성능에 필수적이지만, 전기화학적 노화의 복잡성, 비선형성, 시간 가변성으로 인해 여전히 어렵습니다. 전통적인 물리 기반 모델은 높은 충실도를 제공하지만 계산 집약적이며 실시간 사용을 위한 보정이 어렵습니다. 반면, 등가 회로 모델 (ECM) 과 같은 데이터 기반 접근법은 효율적이지만 고정된 토폴로지에 의존하여 진화하는 내부 열화 메커니즘과 구조적 변화를 포착하지 못합니다. 머신러닝 방법이 상태 건강도 (SOH) 추정을 개선해 왔음에도 불구하고, 운영 데이터만으로 배터리 열화의 구조적 진화를 근본적으로 이해하기 위해 그래프 이론적 접근법을 활용하는 프레임워크는 부족합니다.

방법론
저자들은 배터리 열화를 특성화하기 위해 제어付き 동적 모드 분해 (DMDc) 와 그래프 이론을 통합한 데이터 기반 프레임워크를 제안합니다. 방법론은 다음과 같습니다:

데이터 수집: 30 Ah LIB 가 하이브리드 펄스 전력 특성화 (HPPC) 테스트에 노출됩니다. 셀은 360 회까지 연속적인 충전 - 방전 사이클링을 거치며, 제어된 전류 입력 하의 전압 응답을 포착하기 위해 20 회마다 HPPC 테스트가 반복됩니다.
DMDc 시스템 식별: DMDc 알고리즘을 운영 데이터에 적용하여 선형 상태 공간 표현 ( $x_{k+1} \approx A x_k + B u_k$ ) 을 식별합니다. 특이값 분해 (SVD) 와 고유값 분해를 통해 모드 행렬 ( $\Phi$ ) 을 추출합니다. 이 행렬은 동적 모드 간의 진폭 및 위상 관계를 인코딩하여 시스템의 시공간적 진화를 나타냅니다.
그래프 구성: 모드 행렬 $\Phi$ 를 그래프 $G(V, E)$ 의 가중 인접 행렬로 재해석합니다. 이 표현에서 노드는 전압 응답에서 추론된 지연 임베딩 상태 좌표에 해당하며, 간선 가중치는 상태 간의 동적 결합 강도와 방향성을 정량화합니다.
그래프 지표 분석: 구조적 변화를 정량화하기 위해 두 가지 주요 지표를 계산합니다:
- 연결성 (네트워크 밀도): 행렬 항목의 평균 크기에 기반한 적응형 임계값을 사용하여 가중 행렬을 이진 인접 행렬로 변환합니다. 연결성은 총 가능한 연결 대비 활성 간선의 비율로 정의됩니다.
- 모듈성 대리 지표 (네트워크 이질성): 명시적인 커뮤니티 탐지가 수행되지 않으므로, 노드 강도의 정규화된 분산 (표준 편차 나누기 평균) 을 모듈성 대리 지표로 정의합니다. 이 지표는 네트워크 구조의 이질성을 포착합니다.

주요 기여

혁신적인 프레임워크 통합: 이 연구는 데이터 기반 동적 시스템 이론 (특히 DMDc) 과 그래프 이론적 분석 간의 원칙적인 연결을 수립하여 배터리 열화를 모델링합니다.
토폴로지가 없는 표현: ECM 과 달리, 이 접근법은 사전 정의된 회로 토폴로지를 부과하지 않고 데이터에서 직접 네트워크를 구성하여 노화와 관련된 등장 결합 패턴을 포착할 수 있습니다.
해석 가능한 지표: 이 연구는 열화가 어떻게 전파되고 배터리의 내부 동역학을 재구성하는지에 대한 시스템 수준의 통찰력을 제공하는 연결성과 모듈성 대리 지표와 같은 특정 그래프 기반 측정치를 도입합니다.

결과
열화 중인 배터리로부터의 HPPC 데이터에 이 프레임워크를 적용한 결과 다음과 같은 관찰이 도출되었습니다:

시공간적 일관성: 건강한 상태에서는 DMD 모드가 매끄럽고 연속적인 진폭 변화와 조직화된 위상 거동을 보여주어 일관된 시스템 동역학을 나타냅니다. 열화가 진행됨에 따라 공간적 분포는 불규칙하고 산란되며, 에너지가 지배적 모드에서 이전에 비활성이었던 모드로 재분배되어 구조적 일관성의 상실을 반영합니다.
연결성 감소: 네트워크 연결성은 노화와 함께 점진적으로 감소합니다. 건강한 상태에서 0.68 의 높은 값으로 시작하여 40 번째 사이클에는 0.653 으로, 340 번째 사이클에는 0.623 으로 떨어집니다. 이는 고도로 연결되고 안정적인 네트워크에서 상호작용이 약화된 분열된 구조로의 전환을 나타냅니다.
증가된 이질성: 모듈성 대리 지표는 열화와 함께 증가합니다. 건강한 상태는 상호작용의 균일한 분포를 나타내는 낮은 값 (~0.3) 을 보입니다. 배터리가 열화됨에 따라 이 값은 상승하여 상호작용이 고르지 않게 분포되고 네트워크 구조가 더 이질적이고 분산됨을 의미합니다.

의의 및 주장
저자들은 이 연구가 배터리 열화의 진화하는 동역학을 포착하는 데 있어 그래프 이론적 표현의 효과성을 입증한다고 주장합니다. DMDc 모드 행렬을 진화하는 네트워크로 변환함으로써, 이 접근법은 전통적인 모델이 놓칠 수 있는 시스템 수준의 노화 거동에 대한 해석 가능한 통찰력을 제공합니다. 이 연구는 열화가 일관되고 고도로 연결된 네트워크에서 약하고 분열되며 이질적인 구조로의 체계적인 전환으로 나타난다고 가정합니다.

본 논문은 이 프레임워크가 LIB 및 잠재적으로 다른 에너지 저장 시스템의 열화 과정을 이해하는 새로운 길을 제시한다고 결론지었습니다. 그러나 저자들은 현재 한계에 대해 겸손하게 언급하며, 결과가 모델링 선택 (예: 랭크 절단, 임베딩 차원) 에 의존하며 인접 행렬이 직접적인 물리적 연결이 아닌 추상적인 모드 상호작용을 나타낸다고 지적합니다. 향후 연구는 이러한 행렬을 물리적 구조와 엄격하게 연결하고 노이즈에 대한 강건성을 개선하기 위해 고급 DMD 기법을 탐구하는 데 초점을 맞춰야 한다고 제안합니다.