테슬라 배터리 팩 고장, 90일 전에 이미 드러납니다

필드 충전 데이터를 이용한 배터리 팩 고장 조기 탐지 연구 논문(발표 준비 중)에 기반하며, Dr.EV 배터리 모델 파이프라인의 한 부분입니다.

고장으로 향하는 배터리 팩은 건강한 팩과 다르게 거동하고, 그 차이는 팩이 교체되기 석 달 전부터 평범한 충전 데이터에 드러납니다. 이것이 이번 연구의 결과이고, 이 글의 나머지는 거기에 어떻게 도달했는지와 그 결과를 어디까지 믿을 수 있는지에 대한 것입니다.

저희 팀이 약 2년에 걸쳐 해 온 작업입니다. 데이터상에서 고장은 테슬라 서비스 기록의 배터리 팩 교체로 나타나며, 이 글의 모든 수치는 그 날짜를 기준으로 측정했습니다.

배터리 팩 안에서 무슨 일이 일어나는가

테슬라 팩은 수많은 개별 셀을 직렬과 병렬로 연결한 것이고, 팩의 성능은 결국 가장 약한 셀에 좌우됩니다. 새 팩에서는 셀들이 서로 촘촘히 맞춰져 있습니다. 팩이 나이를 먹으면 셀들은 조금씩 벌어지는데, 이는 정상적이고 느린 과정이며 배터리 관리 시스템이 밸런싱으로 보정합니다.

결국 고장에 이르는 팩은 특정 셀이나 셀 그룹 하나가 나머지를 따라가지 못하게 된 경우입니다. 대부분은 두 가지 메커니즘으로 설명됩니다. 하나는 전극 계면의 임피던스가 커지면서 한 셀의 내부 저항이 올라가는 경우로, 팩에 전류가 흐를 때마다 그 셀의 전압이 이웃한 셀들보다 크게 움직입니다. 다른 하나는 미세 내부 단락으로, 한 셀에서 전하가 서서히 새어 나가면서 밸런싱이 따라잡는 속도보다 빠르게 다른 셀들에 뒤처지게 됩니다.

연구가 풀어야 했던 문제

고장으로 향하는 팩이 어떤 모습인지 저희가 미리 규정할 수는 없었습니다. 차량에서 나오는 어떤 값이든 팩 건강과 무관한 이유로 흔들립니다. 같은 차라도 충전 상태가 높은 추운 아침에 충전할 때와 따뜻한 날 배터리가 거의 빈 상태에서 충전할 때의 거동이 다르고, 그 폭은 저희가 찾던 효과보다 큽니다.

그래서 이 연구는 저희가 직접 고른 신호에 기준선을 긋는 대신 심층 신경망을 씁니다. 어떤 값이 중요한지, 한계를 어디에 둘지를 미리 정하는 대신, 모델이 대규모의 실제 충전 데이터로부터 이 차들이 실제로 마주하는 조건 전반에서 건강한 테슬라 배터리가 어떻게 거동하는지를 학습하고, 주어진 충전 과정이 거기에서 얼마나 떨어져 있는지를 측정합니다.

문제는 탐지라기보다 분리에 가까웠습니다. 정말로 이상한 팩이 일상적인 변동에 묻히지 않고 드러날 만큼 모델이 정밀해야 했습니다. 그 모델과 그 위에 세운 연구가 논문의 내용입니다.

그다음 저희는 실제 테슬라 충전 데이터를 다시 살펴봤습니다. 이후 팩이 고장 난 차량도 포함했고, 고장 이전에 기록된 데이터만 사용했습니다.

스스로를 속이지 않기 위해

답을 이미 아는 데이터 위에서 그럴듯해 보이는 것을 만들기는 쉽습니다. 그래서 그렇게 되기 어렵도록 연구를 구성했습니다.

모델은 건강한 차량만 학습했습니다. 고장 난 팩을 골라내라는 요구를 받기 전까지 그런 팩을 본 적이 없습니다. 성능을 측정한 차량은 모델이 한 번도 접한 적 없는 차량이었습니다. 경고 기준선은 건강한 차량만 보고 정했고, 고장을 몇 건이나 잡는지 확인해 가며 조정하지 않았습니다. 그리고 고장 시점 이후에 기록된 데이터는 어느 단계에서도 쓰지 않았습니다. 차가 평소대로 주행되던 동안 만들어낸 데이터만 사용했습니다.

분명히 말해 둘 것이 하나 있습니다. 저희는 여러 접근법의 성능을 확인한 뒤에 가장 좋은 것을 골랐습니다. 이 단계의 연구에서는 일반적인 방식이지만, 아직 아무도 들여다보지 않은 차량에 이 방법을 적용하면 수치가 더 낮게 나올 수 있다는 뜻이기도 합니다.

그래프 읽는 법

이 글의 모든 그래프는 같은 값을 그립니다. 저희 머신러닝 모델이 충전 과정 하나에 매기는 점수입니다. 모델은 그 팩이 실제로 보인 거동을, 같은 조건에서(같은 충전 상태, 같은 전류, 같은 외기 온도) 건강한 팩이라면 보였을 거동과 비교합니다. 결과는 0에서 100까지의 척도로 옮기며, 50 부근이 건강한 차량의 일반적인 값이고 값이 높을수록 건강한 팩과 덜 닮았다는 뜻입니다.

따라서 점수가 높다는 것은 그 충전 과정이 모델이 아는 정상에 들어맞지 않았다는 의미입니다. 한 번 높게 나온 것 자체는 큰 의미가 없습니다. 어떤 차든 이상한 충전 한 번은 만들어낼 수 있기 때문입니다. 중요한 것은 그 팩이 여러 충전에 걸쳐 계속 높은 점수를 내는지입니다.

1. 고장 나는 팩은 석 달 전부터 이미 다릅니다

파란 선은 건강한 차량군으로, 기간 내내 50에 머무릅니다. 주황 선은 고장 난 팩입니다. 60일에서 90일 구간에서 이미 84에 있고, 90대를 거쳐 고장 직전 마지막 주에는 98에 이릅니다. 90일은 저희가 거슬러 올라가 본 가장 이른 시점이고 그 지점에서 이미 격차가 자리 잡고 있으므로, 이 데이터로는 그것이 언제 시작되는지까지는 알 수 없습니다.

평평한 파란 선은 주황 선만큼의 무게를 갖습니다. 여기서 가장 뻔한 교란 요인은 차량 연식과 누적 주행거리입니다. 모델이 그저 오래되고 많이 달린 차를 알아보는 법을 배운 것이라면, 저희가 주장하는 것과 똑같은 격차가 만들어질 테니까요. 그런 일이 벌어지고 있다면 건강한 차량군에도 오래되고 많이 달린 차가 많으므로 파란 선 역시 따라 올라가야 합니다. 파란 선은 평평합니다.

2. 신호를 경고로 바꾸면 이른 시점을 잃습니다

경고란 점수가 기준선을 넘는 것이고, 그 기준선을 어디에 두느냐가 나머지 전부를 결정합니다. 미묘한 경우까지 잡을 만큼 낮게 두면 그럴 필요가 없는 건강한 오너들에게도 경고가 나가기 때문입니다.

건강한 차량 대부분을 건드리지 않도록 고른 기준선에서, 모델은 고장 팩의 절반을 조금 넘게 표시했고 첫 경고는 대체로 고장 약 38일 전에 나왔습니다. 이 수치는 맥락이 필요합니다. 절반이라는 말은 그 자체로는 대단찮게 들리기 때문입니다. 같은 기준선은 건강한 차량 100대 중 약 5대에 경고를 씁니다. 아무 정보도 담기지 않은 점수라면 운으로 고장 팩의 5% 정도에 걸릴 뿐입니다. 이 점수는 50%를 넘깁니다.

조건이 엄격해질수록 막대는 낮아집니다. 고장 팩의 약 3분의 1이 한 달 이상 앞서 표시되었고, 두 달 이상 앞선 경우는 여덟에 하나 정도입니다. 석 달 전에 보인다는 것과 석 달 전에 경고를 받는다는 것은 다르며, 그 사이의 간격이 오경보를 낮게 유지하는 대가입니다.

이 기준선에서 고장 팩의 절반가량은 아예 표시되지 않았고, 그중 일부는 마지막 며칠까지 이상한 점을 보이지 않았습니다.

3. 이 맞교환은 피할 수 없습니다

모든 경고 체계가 이 곡선을 마주하고, 모델링을 아무리 해도 곡선 자체가 사라지지는 않습니다. 각 점은 서로 다른 기준선입니다. 보수적인 쪽 끝에서는 건강한 차량 100대 중 약 1대만 경고를 받고 고장의 5분의 1 정도가 잡힙니다. 민감한 쪽 끝에서는 고장의 약 3분의 2가 잡히고 건강한 차량 10대 중 1대꼴로 경고가 나갑니다.

주황색 점이 이 글 전체에서 사용한 설정으로, 3개월 동안 건강한 차량 100대 중 약 5대가 경고를 받고 고장 팩의 절반을 조금 넘게 잡습니다. 오너가 오경보를 견디는 정도는 낮지만 0은 아니라는 판단, 그리고 이 수준의 경고는 팩이 고장 났다는 뜻이 아니라 한번 점검해 볼 만하다는 뜻이라는 판단에서 고른 값입니다.