Lee et al., Batteries 9(5), 264 (2023), Figure 2. CC BY 4.0.

연구에서 살펴볼 내용

모델을 시스템에 배치하기

일반화·개인화 DNN, 오프라인 학습, ECU·엣지·클라우드의 역할을 연결합니다.

출력의 타당성 살펴보기

이상 감지와 타당성 검사, 기존 BMS의 Luenberger 관측기 참조 경로를 통해 추정 출력의 경계를 다룹니다.

실험과 구현 범위 구분하기

NASA 셀 시험 데이터를 사용한 65개 DNN 구성 실험이 보고되었습니다. 임베디드 구현과 더 넓은 팩·차량 검증은 후속 과제로 제시되었습니다.

Lee et al., Batteries 9(5), 264 (2023), Figure 1. CC BY 4.0.

오늘의 AI 안전 실무에 던지는 질문

이 연구를 출발점으로 AI 기능의 경계, 안전 요구사항의 할당, 모니터링의 한계, 검증 근거를 토론할 수 있습니다. 이는 ISO/PAS 8800:2024와의 사후적 연결이며, 연구 자체의 표준 적합성을 주장하지 않습니다.

그림의 ASIL 및 안전 영역 표시는 논문이 제안한 설계의 일부이며, 심사를 완료한 구현을 뜻하지 않습니다.

PUBLICATION

State-of-Health Estimation and Anomaly Detection in Li-Ion Batteries Based on a Novel Architecture with Machine Learning

Junghwan Lee et al. · 2023

https://doi.org/10.3390/batteries9050264

CC BY 4.0