AI-Hub

○ 임무정의 : 배터리 시계열 센서데이터와 열화상 이미지데이터를 융합(Multi-modal)하여 배터리 열폭주 단계를 6단계로 분류하고 예측

○ 임무 선정 사유 : 시계열 데이터 처리의 대명사인 트렌스포머 구조 기반의 분류 인공지능 모델을 설계해 센서데이터와 이미지데이터를 쌍으로 활용하여 멀티모달 학습 모델 구축

○ 학습모델 개발 환경
    · 학습환경
       - OS: Ubuntu Linux
       - GPU: NVIDIA Tesla V100-32GB
       - CPU: Intel(R) Xeon(R) Gold 6242R @ 3.10GH 
       - Memory RAM: 881 GiB 
    · 모델리소스 및 자원 활용 : 고성능 V100 GPU 서버를 활용해 모델 학습
    · 성능지표 결과를 통해 가장 성능이 우수한 모델로 최종 선정

○ 최종선정 모델 : Transformer-Encoder based Classifier(Custom Multi-modal Transformer-ResNet Fusion Model)
       - 모델 개요: 시계열 센서 데이터 처리를 위한 Transformer Encoder와 열화상 이미지 분석을 위한 ResNet50을 결합(Early Fusion)하여 구축한 독자적인 배터리 열폭주 감지 모델
       - 선정 근거: 초기 검토 대상이었던 생성형 기반(RealDiffuFusionNet) 및 대형 멀티모달 모델 (RealDiffuFusionNet, LANISTR, MMTransormer, Time-VLM 등)과 비교 시, 배터리 열폭주 탐지 시스템에 필수적인 추론 속도와 데이터 처리 효율성 측면에서 Transformer Encoder 기반 구조가 가장 적합하다고 판단하여 최종 모델로 선정함.
       - 주요 특징: 복잡한 파라미터를 최소화하여 현장 데이터의 노이즈에 대한 과적합을 방지하고, 모델의 일반화 성능을 극대화하는 방향으로 설계해 사고 발생 전 골든타임(Golden Time) 확보에 특화됨

○ 학습 데이터 선정 : 3종의 배터리와 배터리 용량, SOC, 열폭주 유도방식 등으로 분류된, 총 108회의 열폭주 시험, 그리고 총 18종의 센서데이터와 열화상 이미지의 시계열 데이터 
    · 이미지데이터(Image Feature Extraction)
       - ResNet50 모델 활용 : 원천 열화상 이미지를 그대로 사용하지 않고, 사전 학습된(Pre-trained) ResNet50 모델을 Feature Extractor로 활용
       - 차원 축소: 고해상도 이미지를 4차원 특징 벡터(4-dimension feature vector)로 압축 추출하여, 연산 효율성을 높이고 핵심 발열 패턴 정보만 보존
    · 센서 데이터 (Sensor Data Normalization)
       - Min-Max Normalization 적용: 전압, 전류, 온도 등 서로 다른 단위를 가진 센서데이터의 스케일을 0~1 사이로 통일하여 모델 학습의 안정성 확보
       - 노이즈 제거 및 결측치 보완 등 기본 전처리 수행 완료- 

○ AI 모델 성능

○ 라벨링데이터 포맷

○ 메타데이터 포맷

○ json 예시(라벨링데이터)
 

{  "data_id": "00001",
  "test_day": "250911",
  "test_time": "105630000",
  "meas_v": 3.295,
  "meas_a": 0,
  "meas_t1": 24.7,
  "meas_t2": 24.9,
  "meas_p": 51.11,
  "meas_ch4": 0.0,
  "meas_co": 0.0,
  "meas_co2": 7.693,
  "meas_hcn": 0.007,
  "meas_hcl": 0.0,
  "meas_hf": 0.0,
  "meas_n2o": 1.585,
  "meas_no": 1.845,
  "meas_no2": 0.621,
  "meas_so2": 2.193,
  "indu_t": 24.7,
  "atmp_t": 25.4,
  "thermal_t": 26.91,
  "imgdata_id": "20250911_105630_1.png",
  "tr_stage": 1,
  "abn_temprise": "N",
  "abn_presrise": "N",
  "abn_vdrop": "N",
  "abn_v0": "N",
  "abn_vdddrop": "N",
  "abn_temprise2": "N",
  "abn_maxtemp": "N",
  "bat_class": 1,
  "bat_cc": 6.0,
  "soc_status": 1,
  "tr_method": 1,
  "meas_t1_plus_t2": 49.6
}

○ json 예시(메타데이터)
{  "data_id": "00001",
  "test_day": "250911",
  "test_time": "105630000",
  "bat_class": 1,
  "bat_maker": "A",
  "bat_cc": 6.0,
  "bat_cellv": 0.0,
  "bat_dim": "70.5ø32.3mm",
  "bat_posmat": "LFP",
  "bat_wei": "145g",
  "bat_venting_time": "00:14:51",
  "bat_abn_temprise": "00:24:10",
  "bat_charg_c_sta": "0.2C5A",
  "bat_charg_c_fas": "0.5C5A",
  "bat_charg_v_max": null,
  "bat_disch_v_max": null,
  "tr_method": 1,
  "soc_status": 1,
  "camera_class": "열화상 카메라",
  "camera_resol": "640 * 480",
  "camera_speed": "5 FPS",
  "camera_fnum": "75mm Lens, F/# 1.0",
  "camera_maker": "COX",
  "camera_model": "CG640",
  "camera_dist": 500,
  "ss_v_maker": "Hioki",
  "ss_v_model": "LR8450-01",
  "ss_v_unit": "V",
  "ss_a_maker": "Hioki",
  "ss_a_model": "CT7742",
  "ss_a_unit": "A",
  "ss_t_maker": "Hioki",
  "ss_t_model": "LR8450-01",
  "ss_t_unit": "℃",
  "ss_g1_maker": "MIDAC",
  "ss_g1_model": "I1801-E-10",
  "ss_g1_unit": "ppm",
  "ss_g1_class": "CO, CO2, SO2, NO2, NO, HCN, HCl, HF, CH4, N2O",
  "ss_g2_maker": "Festec",
  "ss_g2_model": "FT-LSC-608",
  "ss_g2_unit": "ppm",
  "ss_g2_class": "CO/CO2",
  "ss_p_maker": "KITRONYX",
  "ss_p_model": "Kn10-HT150"
}