카모플라쥬 치료 시스템을 위한 Sliding Window-LSTM 모델 기반 배터리 잔존 수명 예측 (Prediction of Battery Remaining Life based on Sliding Window-LSTM for Camouflage Therapeutic System)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 21권 / 1호 / 29 ~ 38페이지
· 저자명 : 박종찬, 김종현, 김찬기, 박용택, 김건우

초록

최근 유방암 관련 유두, 유선 재건 시술 및 흉터 치료에 활용되는 카모플라쥬 치료 기기의 안정화된 시술 환경 제공이 많이 필요하다. 이러한 안정화된 시술 환경을 위해 치료 기기 내부에 내장형 배터리의 열화 현상, 수명 예측과 같은 소형 디바이스 전용 고신뢰성 리튬이온 배터리 생명주기 예측 기술 개발이 필요하다. 본 논문에서 제안하는 방법으로는 6개의 머신러닝 모델 중 성능 평가 지표로 설정한 RMSE가 최저인 모델인 LSTM 모델을 슬라이딩 윈도우 알고리즘 기반으로 학습 데이터 수를 조절하여 학습을 하는 방법을 제안한다. 실험을 통해 학습 데이터가 전체 데이터 중 약 80%인 1~302사이클 일 때 가장 낮은 RMSE가 0.007의 결과를 얻어 배터리 생명 주기 예측 성능 개선 효과를 검증하였다.

영어초록

Recently, it is necessary to provide a stabilized treatment environment for camouflage treatment devices used for breast cancer-related papilla, mammary gland reconstruction, and scar treatment. For this stable procedure environment, it is necessary to develop a technology for predicting the life cycle of a lithium-ion battery for small devices such as degradation of an embedded battery and life prediction inside a treatment device. As a method proposed in this paper, we propose a method for learning the LSTM model, which has the lowest RMSE set as a performance evaluation index among six machine learning models, by adjusting the number of learning data based on a sliding window algorithm. Through the experiment, when the learning data was 1 to 302 cycles, which is about 80% of the total data, the lowest RMSE was obtained with a result of 0.007 to verify the effect of improving the side performance in the battery life cycle.

참고자료

· 없음