인천대학교 인디고클랫폼 인천대학교 기술지원허브

비선형 배터리 셀 모델과 외란 관측기를 기반으로 한 새로운 방식의 전류 센서 고장 진단 방법을 제안하고 있음. 구체적으로, 1) 결합 전류를 외부 교란으로 간주하는 교란 관측기를 적용할 수 있도록 배터리 셀 모델의 비선형 상태 공간 표현을 도출하고, 2) 1)의 도출한 비선형 모델에 따라 결합 전류를 외란으로 간주하는 교란 관측기 기반의 충전 상태 추정기 및 전류 잔차 추정기를 통해 배터리 시스템의 충전 상태 및 전류를 추정 처리하고, 3) 추정된 값들을 이용하여 생성한 전류 잔차에 정규화 개념을 도입함으로써, 전류 잔차 및 정규화된 전류에 대한 진단 기준에 따라 전류 센서 고장 여부를 진단하는 기술임. 제안된 방법은 전류 측정이 가능한지 여부에 관계없이 결합 전류를 추정할 수 있기 때문에 추정 전류와 측정 전류 사이의 잔차가 전류 센서 고장을 포착할 수 있습니다. 또한 정규화 과정을 통해 결합 전류의 크기에 관계없이 전류 센서 고장 진단을 구현할 수 있습니다. 이로 인해, 전류 센서 고장 등으로 전류 측정이 불가능하더라도, 외란 관측을 기반으로 전류 추정이 가능하기 때문에 추정 전류 및 측정 전류 사이의 잔차를 이용한 전류 센서의 고장 진단이 가능하며, 진단 시 정규화된 전류를 사용하므로 결합 전류의 크기에 관계없이 전류 센서 고장 진단을 오류 없이 진행할 수 있음.

상호 다중 모델 기반 고장 분류는 정상과 고장 모델을 나타내는 관측기(Kalman Filter)들을 설계하고, 비행체의 센서 값과 각 관측기 예측의 잔차(residual)를 비교하여 정상과 고장을 분류하는 알고리즘 이다. 이에 대한 과정은 다음과 같다. Mixing probability calculation에서는 각 필터의 상관 관계를 나타내는 mixing probability 를 계산한다. 이는 1 step 이전의 확률()과 각 상태 변화될 확률정보(ex 정상에서 고장으로 바뀔 확률)를 가지고 있는 전이 확률()가 결합된 정보이다. Mixing 단계에서는 와 이전 step 필터들의 예측정보()를 결합하여 각 필터 모델에 입력한다. 이러한 과정은 이전 독립적인 필터 정보()와 필터간의 상관관계() 결합시켜 하나의 필터에 모든 필터의 정보를 전달하는 역할을 한다. Filtering 단계에서는 정상과 고장상태를 기반으로 하는 복수의 관측기()를 설계하여 각 모델의 예측()을 계산한다. Mode probability Calculation에서는 비행체의 센서 데이터()와의 차이()를 활용하여 i번째 필터와 비행체의 상태의 유사도를 계산한다. 이 값을 모든 필터에 대해 정규화 한 값이 mode probability()이고, 이 값에 임계 값()을 지정하여 비행체의 정상과 고장을 구분할 수 있다. 또한 발생될 수 있는 고장(ex. 프로펠러 파손, 센서 고장)에 대한 시스템 모델과 이를 활용하는 관측기를 설계하면 비행체에서 어떤 부품이 고장이 발생했는지 구분할 수 있다.