시간적 대비 학습을 이용한 배터리 시스템의 자율적인 SOH 예측 서비스

Autonomous End-to-End SOH Prediction Services for Battery Systems via Temporal-Contrastive Representation Learning

정확한 건강 상태(SOH) 추정은 리튬 이온 배터리 관리를 위한 중요한 진단 서비스입니다. 그러나 노동 집약적인 수동 특징 추출 및 불투명한 블랙박스 모델에 대한 의존성은 산업적 확장에 걸림돌이 됩니다. 이를 해결하기 위해, 우리는 자율적인 엔드 투 엔드 SOH 예측을 위한 모듈식이고 플러그 앤 플레이 서비스 아키텍처인 TC-SOH를 소개합니다. TC-SOH는 시간적 대비 메커니즘과 크로스 윈도우 예측 사전 학습 작업을 사용하여 원시 운영 데이터로부터 직접 성능 저하와 관련된 표현을 추출합니다. 모델의 효율성을 높이기 위해, 우리는 표현 진단과 모델 성능을 연결했습니다. 시각화, 민감도 분석, 중복성 분석, 양방향 프로빙, 미래 SOH 프로빙, 시간 순서 섞기 등을 통해 학습된 특징들이 선택된 전문가 설명자와 중첩되는 동시에 추가적인 SOH 관련 변동성을 유지하며, 정렬된 시간적 맥락이 후속 SOH 예측을 개선한다는 것을 보여줍니다. 네 개의 공개 데이터 세트에서 TC-SOH는 고려된 물리학 기반 및 데이터 중심 기준 모델보다 MAPE를 1.91배 줄이고 RMSE를 2.13배 줄이는 성능을 보였습니다.

Accurate state of health (SOH) estimation is a critical diagnostic service for lithium-ion battery management. However, reliance on labor-intensive manual feature engineering and opaque black-box models hinders scalable industrial deployment. To address this, we introduce TC-SOH: a modular, plug-and-play service architecture for autonomous, end-to-end SOH prediction. TC-SOH employs a temporal-contrastive mechanism and a cross-window prediction pretext task to extract degradation-relevant representations directly from raw operational data. To improve transparency, we connect model efficacy with representation diagnostics: visualization, sensitivity analysis, redundancy analysis, bidirectional probing, future-SOH probing, and temporal shuffling show that learned features overlap with selected expert descriptors while retaining additional SOH-relevant variation, and that ordered temporal context improves subsequent-SOH prediction. Across four public datasets, TC-SOH outperforms the considered physics-informed and data-driven baselines, reducing MAPE by 1.91 times and RMSE by 2.13 times.