철도차량용 배터리 팩의 노화 진단을 위한 인공지능 적용 방안 연구 = Research on the Application of Artificial Intelligence for Aging Diagnosis of Railway Vehicle Battery Packs

국문 초록 (Abstract)

본 논문은 철도차량용 배터리 팩의 노화 상태를 인공지능 기반으 로 추정하는 방법을 제안한다. 철도차량용 배터리 팩은 에너지 밀도 가 높은 리튬이온 배터리를 사용하는데, 노화에 따라 화재·고장 위 험이 상승하므로 정확한 노화 추정이 필요하다. 정확한 노화 추정을 위해 철도차량의 특성을 분석하여, 전이학습과 지속적 학습을 접목 한 하이브리드 학습 방법을 제안하였다. EV 배터리 데이터로 인공 지능 모델을 사전학습하여 초기 성능을 확보하고, 제한된 철도차량 데이터로 모델의 가중치를 조정한 뒤 정비주기마다 취득되는 데이터 를 사용하여 모델을 지속적으로 업데이트하였다. 배터리 열화는 비 가역적·누적적 특성을 가지고 있으므로, 지속적 학습의 단점 중 하 나인 초기 학습 데이터 망각 특성을 반영하여 최근 사이클 데이터를 우선 활용하는 시계열 기반 리허설 기법으로 방지하였다. 노화 지표 로는 무부하 초기 기동 시 ΔV/ΔI로 산출한 내부저항을 노화 데이 터로 선정하였다. 인공지능 모델로는 시계열 특성을 가진 모델 중 1D CNN을 통해 데이터의 특징을 추출 및 압축하여 GRU의 연산 부하를 줄이는 1D CNN-GRU 구조를 선정하였다. 실험 결과 제안하는 인공지능 방법은 RMSE 3.87%, MAE 3.33%를 기록해 기존 학습 방법（RMSE 9.06%, MAE 7.90%） 대 비 각각 약 57.3%, 57.8%의 오차 감소를 달성했으며, 장기 운영 환경에서 이 격차는 더 벌어질 것으로 기대된다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구의 배경 1
• 2. 논문의 구성 5
• Ⅱ. 기존 AI의 배터리 노화 진단 방법 6
• 1. 기존 AI의 배터리 노화 진단 방법 특징 6
• 2. 기존 AI의 철도차량 적용 시 한계점 7
• Ⅲ. 제안하는 철도차량 배터리 진단 방법 13
• 1. 제안하는 철도차량 배터리 진단용 AI 방법 특징 13
• 2. 제안하는 AI 방법의 설계 방안 18
• Ⅳ. 제안하는 AI 방법의 타당성 검토 23
• 1. 데이터셋 구성 방안 23
• 2. 인공지능 모델 선정 28
• 3. 지속적 학습 고려사항에 따른 파라미터 선정 33
• 4. 인공지능 방법에 따른 노화 진단 성능 비교 36
• Ⅴ. 결론 40
• 참고문헌 41
• Abstract 45