ES3025708T3 - Method for selecting low-voltage defective batteries - Google Patents

Method for selecting low-voltage defective batteries Download PDF

Info

Publication number
ES3025708T3
ES3025708T3 ES22902494T ES22902494T ES3025708T3 ES 3025708 T3 ES3025708 T3 ES 3025708T3 ES 22902494 T ES22902494 T ES 22902494T ES 22902494 T ES22902494 T ES 22902494T ES 3025708 T3 ES3025708 T3 ES 3025708T3
Authority
ES
Spain
Prior art keywords
voltage
screening
batteries
defective
voltage drop
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES22902494T
Other languages
English (en)
Inventor
Sung Tae Kim
Nak Gi Sung
Joon Sup Kang
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LG Energy Solution Ltd
Original Assignee
LG Energy Solution Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by LG Energy Solution Ltd filed Critical LG Energy Solution Ltd
Application granted granted Critical
Publication of ES3025708T3 publication Critical patent/ES3025708T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/04—Construction or manufacture in general
    • H01M10/049—Processes for forming or storing electrodes in the battery container
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4285—Testing apparatus
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H01M10/446—Initial charging measures
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
    • G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
    • G01R19/16542—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies for batteries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

Un método para seleccionar baterías defectuosas de bajo voltaje según la presente invención comprende: (a) una etapa de prefiltrado que consiste en, durante un proceso de activación de una pluralidad de baterías secundarias, recopilar datos y eliminar las baterías secundarias que tienen datos atípicos en tiempo real; (b) una etapa de agrupamiento que consiste en agrupar la pluralidad de baterías secundarias prefiltradas sobre la base de características o historial similares; (c) una etapa de corrección que consiste en, para cada grupo, medir una cantidad de caída de voltaje y corregir una distribución de la cantidad de caída de voltaje según la temperatura o el período; y (d) una etapa de selección que consiste en seleccionar baterías defectuosas de bajo voltaje sobre la base de la distribución corregida. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Método de selección de baterías defectuosas de bajo voltaje
Campo técnico
La presente solicitud reivindica el beneficio de la prioridad basada en la solicitud de patente coreana n° 10-2021 0175819 presentada el 09 de diciembre de 2021.
La presente invención se refiere a un método para detectar una batería defectuosa de bajo voltaje con una fiabilidad de detección mejorada.
[Antecedentes tecnológicos de la invención]
En general, a diferencia de una batería primaria que no se puede cargar, una batería secundaria es una batería que se puede cargar y descargar, y se utiliza ampliamente en dispositivos electrónicos como teléfonos móviles, ordenadores portátiles, videocámaras, etc., o vehículos eléctricos, etc. En particular, dado que una batería secundaria de litio tiene una capacidad mayor que una batería de níquel-cadmio o una batería de níquel-cisterna y posee una alta densidad energética por unidad de ponderar, su grado de utilización está aumentando rápidamente.
Estas baterías secundarias de litio utilizan principalmente óxidos a base de litio y materiales de carbono como material activo del electrodo positivo y material activo del electrodo negativo, respectivamente. Las baterías secundarias de litio están provistas de un ensamble de electrodo en el que una placa de electrodo positivo y una placa de electrodo negativo recubiertas con un material activo de electrodo positivo y un material activo de electrodo negativo, respectivamente, están dispuestas con un separador interpuesto entre ellas, y un material exterior para junta y alojamiento del ensamble de electrodo junto con un electrolito.
Pueden producirse varios tipos de defectos en la batería secundaria de litio debido a diversas causas durante el proceso de fabricación o durante el uso. En particular, algunas de las baterías secundarias ya fabricadas presentan un fenómeno que muestra una caída de tensión superior a su tasa de autodescarga, y este fenómeno se denomina baja tensión.
Este fenómeno de bajo voltaje defectuoso de una batería secundaria suele estar causado por un material extraño metálico situado en su interior. En particular, cuando un material extraño metálico como el hierro o el cobre está presente en una placa de electrodo positivo de la batería secundaria, el material extraño metálico puede crecer hasta formar una dendrita en el electrodo negativo. Además, dichas dendritas provocan un cortocircuito interno de la batería secundaria, lo que puede causar un fallo o un daño de la misma y, en casos graves, puede ser causa de encendido.
Mientras tanto, el defecto de baja tensión mencionado aparece como un aumento relativo de la cantidad de caída de tensión, y el defecto de baja tensión se detecta a través de un proceso de envejecimiento durante un proceso de activación de la batería secundaria. Específicamente, durante el periodo de envejecimiento (del envío), la batería defectuosa de bajo voltaje puede examinarse comparando la caída de la tensión de circuito abierto medida con un valor de referencia mientras se controla la tensión de circuito abierto (VCA) de la batería.
Convencionalmente, al derivar dicho valor de referencia, se selecciona un umbral a partir de la dispersión de la cantidad de la caída de tensión (AOCV) de los datos acumulados durante el proceso de producción de la batería, y se realiza un escalado estándar a escala de bandeja a los datos restantes tras el cribado a través del umbral anterior, de modo que se tomó un sigma específico (por ejemplo, 3a o 4a) como valor de referencia. Y las baterías que superaban el sigma específico se detectaban como baterías defectuosas de bajo voltaje.
Sin embargo, en dicho método convencional, dado que un umbral específico no refleja una desviación de fabricación, existe el riesgo de no poder detectar un producto defectuoso o de sobredetectar un producto no defectuoso como defectuoso cuando se produce una desviación de fabricación, y cuando las desviaciones de fabricación se acumulan para cada proceso unitario, aumenta la dispersión de la tensión de circuito abierto o la cantidad de caída de tensión (AOCV) o se produce una dispersión anormal en el momento de la inspección de defectos de baja tensión, lo que puede difuminar el límite entre un producto bueno y un producto defectuoso.
Los documentos del arte previo KR20200117594, US10794960, US2021/135304, US10241155, CN106021738, y CN107219468 enseñan todos ellos a examinar las baterías en el momento de su fabricación, lo que implica medir la caída del OCV con el tiempo, es decir., para indicar las baterías con tasas de autodescarga anormalmente altas, pero ninguno enseña a filtrar previamente los valores atípicos, a agrupar las baterías restantes según características similares, a corregir las mediciones delta OCV (es decir, la autodescarga) en función de la temperatura o del período de tiempo de descarga, o a cribar las baterías basándose en los datos OCV corregidos,.
Por consiguiente, en el cribado de baterías defectuosas de bajo voltaje, es necesario desarrollar una tecnología para un método de cribado de baterías defectuosas de bajo voltaje que pueda distinguir de forma fiable entre un producto bueno y un producto defectuoso incluso cuando existe una desviación de fabricación.
[Descripción de la invención]
[Problema técnico]
La presente invención está dirigida a proporcionar un método para cribar una batería defectuosa de bajo voltaje con una mayor detectabilidad de baterías buenas y defectuosas mejorando la dispersión de la cantidad de caída de voltaje (AOCV) en el momento de cribar las baterías defectuosas de bajo voltaje.
Solución técnica
Según la reivindicación 1, la invención proporciona un método para examinar una batería defectuosa de bajo voltaje que incluye:
(a) un paso de prefiltrado de recogida de datos y eliminación de baterías secundarias que tengan un dato atípico en tiempo real durante un proceso de activación de múltiples baterías secundarias;
(b) un paso de agrupación basada en características o registros similares para múltiples baterías secundarias prefiltradas;
(c) un paso de corrección consistente en medir la cantidad de caída de tensión (AOCV) de cada agrupación, y corregir una dispersión de la cantidad de caída de tensión (AOCV) en función de una temperatura o un periodo; y (d) un paso de cribado de baterías defectuosas de bajo voltaje basada en una dispersión corregida de la cantidad de caída de voltaje.
En una realización ejemplar de la presente invención, el paso de prefiltrado (a) elimina los valores atípicos utilizando un algoritmo de detección de anomalías de series temporales. Aquí, el algoritmo de detección de anomalías en series temporales es uno seleccionado del grupo formado por Gráfico de control, Bosque de corte aleatorio, Deformación temporal dinámica, TAnoGAN(Detección de anomalías en series temporales con redes generativas adversariales), MAD-GAN (detección multivariante de anomalías en series temporales con redes generativas adversariales), USAD (detección no supervisada de anomalías en series temporales multivariantes), LSTM (memoria a largo plazo) AE y LSTM (memoria a largo plazo) CNN (red neuronal convolucional).
En una realización ejemplar de la presente invención, el paso de agrupación (b) agrupa las baterías secundarias que tienen un criterio idéntico seleccionado del grupo que consiste en una unidad<l>O<t>, una unidad de bandeja, una temperatura de envejecimiento, una temperatura de carga/descarga y un periodo de envejecimiento.
En una realización ejemplar de la presente invención, el paso de corrección (c) incluye un paso de corrección de la dispersión de la cantidad de caída de tensión mediante una regresión lineal o un método de aprendizaje automático.
En una realización ejemplar de la presente invención, el paso de prefiltrado (a), para cada proceso de unidad individual, incluye un proceso de recogida de una tensión de circuito abierto (OCV) o una cantidad de caída de tensión de la batería secundaria como dato.
En una realización ejemplar de la presente invención, el proceso de unidad individual incluye al menos uno de los siguientes procesos: un proceso de carga inicial, un proceso de envejecimiento a temperatura ambiente y un proceso de envejecimiento a alta temperatura.
En una realización ejemplar de la presente invención, el paso de cribado (d) criba las baterías defectuosas de bajo voltaje en la dispersión corregida utilizando un algoritmo de detección de anomalías. En este caso, el algoritmo de detección de anomalías es uno seleccionado del grupo formado por Factor de valores atípicos local (LOF), Bosque de aislamiento y Máquina de vectores de soporte OC (SVM).
En una realización ejemplar de la presente invención, el paso de cribado (d) se realiza después de completar el envejecimiento para el envío.
En una realización ejemplar de la presente invención, el paso de cribado (d) criba las baterías defectuosas de bajo voltaje de cada agrupación.
En una realización ejemplar de la presente invención, el paso de cribado (d) criba las baterías defectuosas de bajo voltaje después de recoger los datos de dispersión de la cantidad de caída de voltaje para cada agrupación corregida por el paso (c).
[Efectos ventajosos]
El método para detectar y clasificar las baterías de bajo voltaje según la presente invención tiene una excelente detectabilidad y puede reducir el tiempo necesario para cribar las baterías defectuosas de bajo voltaje.
[Breve descripción de los dibujos]
La FIG. 1 es un diagrama de flujo de un método de cribado de baterías de bajo voltaje defectuosas según una realización ejemplar de la presente invención.
La FIG. 2 y la FIG. 3 son diagramas de distribución de probabilidad acumulada de una cantidad de caída de tensión antes y después de una un paso de prefiltrado de la presente invención.
La FIG. 4 es un gráfico que muestra una dispersión de una cantidad de caída de tensión que no ha pasado por un escalón de corrección según la presente invención.
La FIG. 5 es un gráfico que muestra una dispersión de una cantidad de caída de tensión después de un paso de corrección según la presente invención.
[Mejor modo para llevar a cabo la invención]
La presente invención puede tener varias modificaciones y varios ejemplos, por lo que se ilustran ejemplos específicos en los dibujos y se describen detalladamente en la descripción. Sin embargo, debe entenderse que la presente invención no se limita a realizaciones específicas, e incluye todas las modificaciones, equivalentes o alternativas dentro del espíritu y alcance técnico de la presente invención.
Los términos empleados en la presente invención sólo se utilizan para describir realizaciones específicas y no pretenden limitar la presente invención. Las expresiones en singular incluyen las expresiones en plural a menos que el contexto dicte claramente lo contrario. Los términos "comprenden" o "tienen", etc. se utilizan en la presente para designar la presencia de características, números, escalones, acciones, componentes o miembros descritos en la especificación o una combinación de los mismos, y debe entenderse que no se excluye de antemano la posibilidad de la presencia o adición de una o más características, números, escalones, acciones, componentes, miembros o una combinación de los mismos.
En la presente especificación, por dispersión de la cantidad de caída de tensión se entiende un gráfico en el que se enumera o traza la cantidad de caída de tensión de cada una de la gran cantidad de baterías secundarias.
La FIG. 1 es un diagrama de flujo de un método de cribado de baterías defectuosas de bajo voltaje según una realización ejemplar de la presente invención. Un método de cribado de baterías defectuosas de bajo voltaje según la presente invención con referencia a la FIG. 1 incluye: (a) un paso de prefiltrado de recopliación de datos y eliminación de baterías secundarias que tengan un dato atípico en tiempo real durante un proceso de activación de múltiples baterías secundarias; (b) un paso de agrupación de agrupaciones basado en características o registros similares para múltiples baterías secundarias prefiltradas; (c) un paso de corrección de la medición de la cantidad de caída de tensión (AOCV) para cada agrupación, y la corrección de una dispersión de la cantidad de caída de tensión (AOCV) según una temperatura o un periodo; (d) un paso de cribado de las baterías defectuosas de bajo voltaje basado en una dispersión corregida de la cantidad de caída de tensión.
Dado que el método de cribado de baterías defectuosas de bajo voltaje según la presente invención elimina las baterías potencialmente defectuosas que presentan datos atípicos en los procesos unitarios individuales que constituyen un proceso de activación, agrupa las baterías eliminadas con dichas baterías potencialmente defectuosas y que tienen un factor común, mide la cantidad de caída de tensión de cada agrupación, y corrige la dispersión de la cantidad medida de caída de tensión, puede mejorar la detectabilidad de las baterías defectuosas de bajo voltaje y reducir el riesgo de sobredetección o no detección debido a la desviación de fabricación en el momento de la detección de las baterías defectuosas de bajo voltaje al tener una dispersión mejorada de la cantidad total de caída de tensión.
El paso de prefiltrado (a) es un proceso que consiste en eliminar de antemano las baterías potencialmente defectuosas, recopilar datos durante el proceso de activación de las baterías secundarias y eliminar las baterías secundarias que presenten valores atípicos de los datos recopilados en tiempo real. De este modo, es posible mejorar la dispersión de la cantidad de caída de tensión en el momento de filtrar las baterías defectuosas.
El proceso de activación de la batería secundaria consiste en activar la batería para que pueda utilizarse la batería secundaria de litio ensamblada. El proceso de ensamble de la batería secundaria consiste en alojar un ensamble de electrodos que incluye un electrodo positivo/un separador/un electrodo negativo dentro de la caja de batería y sellarlo después de inyectar un electrolito. La finalización de este proceso de ensamblaje no significa que la batería pueda utilizarse inmediatamente. Para que la batería sea utilizable, es necesario llevar a cabo procesos como provocar una reacción electroquímica entre el electrodo y el electrolito mediante la carga, descargar el gas generado en ese momento al exterior de la batería, estabilizar la batería, etc., y tal serie de procesos se denominan proceso de activación.
El proceso de activación de una batería secundaria de este tipo incluye procesos unitarios individuales como un proceso de preenvejecimiento de la batería para que un electrolito se impregne en un ensamble de electrodos inmediatamente después del ensamble de la batería secundaria, un proceso de carga inicial de la batería hasta que alcance un SOC establecido, un proceso de envejecimiento para envejecer una batería cargada inicialmente, un proceso de desgasificación para descargar el gas generado durante la carga inicial y el proceso de envejecimiento al exterior de la batería, etc. El proceso de envejecimiento puede incluir un proceso de envejecimiento a alta temperatura o un proceso de envejecimiento a temperatura ambiente, o puede incluir ambos.
En el paso de prefiltrado (a) de la presente invención, para eliminar de antemano las baterías potencialmente defectuosas mientras se realizan dichos procesos de unidades individuales, incluye procesos de recogida de una tensión de circuito abierto (OCV) de la batería secundaria o una cantidad de caída de tensión de la batería como datos y la eliminación de la batería secundaria que indique un dato atípico en tiempo real.
En un ejemplo concreto, el proceso de la unidad individual para recopilar datos y eliminar los datos atípicos puede incluir al menos uno de los procesos de carga inicial y de envejecimiento. Para explicarlo con un ejemplo concreto, cuando se realiza un proceso de carga inicial o un proceso de envejecimiento en una pluralidad de baterías secundarias, se mide la tensión de circuito abierto de las baterías secundarias y se recoge como datos, se eliminan en tiempo real las baterías secundarias que muestran un valor atípico en los datos recogidos y se realizan procesos posteriores en las baterías secundarias que quedan después de la eliminación.
En el paso de prefiltrado (a), un método para eliminar valores atípicos utiliza un algoritmo de detección de anomalías de series temporales. La detección de anomalías en series temporales es una técnica para encontrar patrones poco comunes u objetos objetivo que se desvían o muestran signos de desviarse de los patrones generales de otros datos en el pasado o en un punto similar de los datos de series temporales. Dichos algoritmos de detección de anomalías pueden utilizar algoritmos conocidos y, en la realización de la presente invención, pueden ser uno seleccionado del grupo que consiste en Diagrama de control, Bosque de corte aleatorio, Deformación temporal dinámica, TAnoGAN(Detección de anomalías en series temporales con redes generativas adversariales), MAD-GAN(Detección de Anomalías Multivariantes para Datos de Series Temporales con Redes Generativas Adversariales), USAD(Detección de Anomalías No Supervisada en Series Temporales Multivariantes), LSTM(Memoria Larga a Corto Plazo)+AE, y LSTM(Memoria Larga a Corto Plazo) CNN (Red Neuronal Convolucional).
FIG. 2 y la FIG. 3 muestran diagramas de distribución de probabilidad acumulada de una cantidad de caída de tensión (AOCV) en función del tiempo antes y después de eliminar las baterías secundarias que presentan datos atípicos mediante un escalón de prefiltrado según una realización ejemplar de la presente invención.
Con referencia a la FIGURA 2 y la FIG. 3, en el caso de pasar por un escalón de prefiltrado, se puede confirmar que la dispersión de la cantidad de la caída de tensión mejora, como muestra claramente el punto en el que cambia la pendiente de la distribución de probabilidad acumulativa.
Además, en el caso de pasar por el paso de prefiltrado, se mejoran las dispersiones tanto en la cantidad de caída de tensión en el momento en que han transcurrido 5 días (AOCV en 5 días) como en la cantidad de caída de tensión en el momento en que han transcurrido 3 días (AOCV en 3 días), por lo que el cribado de baja tensión es posible incluso después de que hayan transcurrido 3 días. Sin embargo, en el caso de que no se realice el prefiltrado, como se muestra en la FIG. 3, cuando han transcurrido 3 días, el punto en el que cambia la pendiente de la distribución de probabilidad acumulativa se muestra en dos puntos, por lo que el límite entre productos buenos y malos es ambiguo. En consecuencia, el método de detección y cribado de bajo voltaje según la presente invención no sólo tiene una excelente detectabilidad, sino que también reduce el tiempo necesario para cribado de baterías defectuosas de bajo voltaje.
El paso de agrupación (b) consiste en agrupar baterías secundarias con características o registros similares en un proceso de fabricación de baterías secundarias. La agrupación de varias baterías secundarias basada en características o registros similares no tiene desviación de fabricación dentro de la misma agrupación, por lo que puede mejorar el problema del aumento del grado de dispersión debido a la desviación de fabricación y difuminar la frontera entre productos buenos y malos.
En un ejemplo concreto, el paso de agrupación (b) puede agrupar baterías secundarias que tengan un criterio idéntico seleccionado del grupo formado por una unidad LOT, una unidad de bandeja, una temperatura de envejecimiento, una temperatura de carga/descarga y un periodo de envejecimiento. Dado que estos factores son desviaciones de fabricación que afectan a la dispersión de la cantidad de caída de tensión, es preferible agrupar las baterías secundarias en función de estos factores.
El paso de corrección (c) mide la cantidad de caída de tensión de cada grupo y corrige la dispersión de la cantidad de caída de tensión en función de una temperatura o un periodo.
Para cada grupo, el paso de corrección (c) incluye un proceso de derivación de una dispersión de la cantidad de caída de tensión mediante la monitorización de una tensión de circuito abierto (OCV) mientras envejece una pluralidad de baterías bajo una condición de temperatura constante, y un proceso de corrección de la dispersión de la cantidad de caída de tensión.
Específicamente, el proceso de derivar la dispersión de la cantidad de la caída de tensión puede ser un proceso de medir la tensión de circuito abierto (OCV1) de la batería al principio del envejecimiento, y después de que haya transcurrido un cierto periodo T, medir la tensión de circuito abierto (OCV2) de la batería para calcular la cantidad de la caída de tensión (AOCV=OCV1-OCV2) del cierto periodo de tiempo, trazando así la cantidad de la caída de tensión de cada una de la pluralidad de baterías.
Sin embargo, se sabe que la cantidad de caída de tensión de una batería se ve afectada por la temperatura de envejecimiento y el periodo de medición (intervalo de tiempo para medir OCV1 y OCV2) para medir la cantidad de caída de tensión. Es decir, incluso en el caso de la misma batería, cuando el intervalo de tiempo T de medición de la cantidad de caída de tensión se alarga, o cuando la cantidad de caída de tensión se mide bajo la condición de una alta temperatura de envejecimiento, la cantidad de caída de tensión parece menor que el valor real.
En consecuencia, para excluir el efecto de las condiciones de medición de la cantidad de caída de tensión (temperatura, periodo) sobre la cantidad de caída de tensión, la presente invención incluye un proceso de corrección de la diferencia en la cantidad de caída de tensión según la diferencia en la temperatura de envejecimiento y el periodo de medición (intervalo de tiempo para medir OCV1 y OCV2).
El proceso de envejecimiento puede ser uno o varios seleccionados entre los procesos de envejecimiento incluidos en todo el proceso de fabricación de la batería. Específicamente, puede ser uno o más seleccionados entre un proceso de envejecimiento antes de un proceso de desgasificación, un proceso de envejecimiento después de una carga completa y una descarga completa, y un proceso de envejecimiento después de la carga para el envío.
En una realización de la presente invención, como método específico para corregir la dispersión de la cantidad de caída de tensión, puede utilizarse una regresión lineal o un método de aprendizaje automático. La regresión lineal es un método analítico que calcula y mide un modelo entre variables observadas a partir de una gran cantidad de datos retrospectivos, y es uno de los métodos de análisis estadístico representativos que se utilizan a la hora de derivar valores de predicción adecuados en función de los cambios en las variables. El aprendizaje automático es uno de los métodos específicos de la inteligencia artificial en el que los ordenadores aprenden a partir de grandes cantidades de datos retrospectivos y encuentran patrones y correlaciones en unos datos a gran escala a través de la experiencia. Las configuraciones técnicas de la regresión lineal y el aprendizaje automático son generalmente conocidas en la técnica, por lo que se omiten las descripciones detalladas.
La FIG. 4 es un gráfico que muestra la dispersión de la cantidad de caída de tensión que no se ha sometido a el paso de corrección según la presente invención, y la FIG. 5 es un gráfico que muestra la dispersión de la cantidad de caída de tensión que se ha sometido a el paso de corrección según la presente invención. Observando estos diagramas, puede verse que la desviación de la cantidad de caída de tensión (AOCV) se reduce en gran medida después de pasar por el paso de corrección según la presente invención.
Incluso para baterías del mismo modelo, la cantidad de caída de tensión se ve afectada por la temperatura o el periodo. La regresión lineal o el aprendizaje automático se utilizan para investigar la correlación entre la temperatura o el periodo y la cantidad de caída de tensión, y corrigiendo en consecuencia, se puede reducir el grado de dispersión en la cantidad de caída de tensión. Además, al reducirse de este modo la dispersión de la caída de tensión, se revelan mejor los valores atípicos en la cantidad de caída de tensión, lo que puede facilitar la detección de una batería de bajo voltaje.
El paso de cribado (d) es un paso de cribado de baterías defectuosas de bajo voltaje basada en la dispersión corregida de la cantidad de caída de voltaje.
En un ejemplo concreto, el paso de cribado (d) es un método estadístico como la distribución de probabilidad acumulada, y deriva un umbral dentro de la dispersión de la cantidad de caída de tensión, que es un dato que enumera la cantidad de caída de tensión de cada una del gran número de baterías secundarias obtenidas a través de los pasos (a) a (c), y criba una batería secundaria que tenga una cantidad de caída de tensión superior al umbral como batería defectuosa de bajo voltaje.
En otro ejemplo específico, el paso de cribado (d) puede consistir en cribado de baterías defectuosas de bajo voltaje de la dispersión corregida utilizando un algoritmo de detección de anomalías, y el algoritmo de detección de anomalías puede ser uno seleccionado del grupo que consiste en el Factor Local de Valores Atípicos (LOF), el Bosque de Aislamiento, y la Máquina de Vectores de Soporte OC (SVM).
En una realización de la presente invención, el paso de cribado (d) consiste en cribar las baterías defectuosas de bajo voltaje de cada agrupación. En este caso, las baterías defectuosas pueden filtrarse a partir de la cantidad de datos de dispersión de la caída de tensión corregidos en el paso (c) mediante el algoritmo de detección de anomalías.
En otra realización ejemplar de la presente invención, el paso de cribado (d) criba las baterías defectuosas de bajo voltaje después de recoger los datos de dispersión de la cantidad de caída de voltaje de cada agrupación corregida por el paso (c). En este caso, los datos de dispersión de cada cantidad de caída de tensión para cada grupo corregido en el paso (c) se recogen en uno solo, y las baterías defectuosas se seleccionan a partir de los datos de dispersión recogidos utilizando el algoritmo de detección de anomalías. En esta realización, dado que las baterías defectuosas se seleccionan a la vez a partir de los datos de dispersión recogidos mediante el algoritmo de detección de anomalías, se produce un efecto de selección de las baterías defectuosas más rápido que la selección de las baterías defectuosas por grupos.
El paso de cribado (d) de la presente invención puede realizarse después de completar el envejecimiento para el envío, que es un último proceso del proceso de activación, y a través de los pasos (a) a (c), y puesto que el grado de dispersión en la cantidad de caída de tensión de la batería se mejora, y las baterías defectuosas se criben a través del algoritmo de detección de anomalías basado en un grado de dispersión mejorado, la fiabilidad de la detección se mejora.
Como se ha indicado anteriormente, la presente divulgación y los diagramas divulgan realizaciones preferidas de la presente invención, y aunque se utilizan términos específicos, sólo se emplean en un sentido general para explicar fácilmente el contenido técnico de la presente invención y ayudar a su comprensión, y no pretenden limitar el alcance de la presente invención. Además de las realizaciones divulgadas en la presente, es obvio para los expertos en la materia que pueden implementarse otros ejemplos modificados basados en la idea técnica de la presente invención dentro del alcance de la invención tal y como se define en las reivindicaciones.

Claims (12)

  1. REIVINDICACIONES 1. Un método para controlar una batería defectuosa de bajo voltaje, que comprende: (a) un paso de prefiltrado de recogida de datos y eliminación de baterías secundarias que tengan un dato atípico en tiempo real durante un proceso de activación de múltiples baterías secundarias; (b) un paso de agrupación basada en características o registros similares para múltiples baterías secundarias prefiltradas; (c) un paso de corrección consistente en medir la cantidad de caída de tensión (AOCV) de cada grupo y corregir una dispersión de la cantidad de caída de tensión (AOCV) en función de una temperatura o un periodo; (d) un paso de cribado de baterías defectuosas de bajo voltaje basada en una dispersión corregida de la cantidad de caída de voltaje.
  2. 2. El método de cribado de una batería defectuosa de bajo voltaje de la reivindicación 1, en donde el paso de prefiltrado (a) elimina los valores atípicos utilizando un algoritmo de detección de anomalías de series temporales.
  3. 3. El método para el cribado de una batería defectuosa de bajo voltaje de la reivindicación 1, en donde el paso de agrupación (b) agrupa baterías secundarias que tienen un criterio idéntico seleccionado del grupo que consiste en una unidad LOT, una unidad de bandeja, una temperatura de envejecimiento, una temperatura de carga/descarga y un periodo de envejecimiento.
  4. 4. El método de cribado de una batería defectuosa de bajo voltaje de la reivindicación 1, en donde el paso de corrección (c) comprende un paso de corrección de la dispersión de la cantidad de caída de tensión mediante una regresión lineal o un método de aprendizaje automático.
  5. 5. El método de cribado de una batería defectuosa de bajo voltaje de la reivindicación 1, en donde el paso de prefiltrado (a), para cada proceso de unidad individual, comprende un proceso de recogida de un voltaje de circuito abierto (OCV) o una cantidad de caída de voltaje de la batería secundaria como dato.
  6. 6. El método de cribado de una batería defectuosa de bajo voltaje de la reivindicación 5, en donde el proceso de unidad individual comprende al menos uno de los siguientes procesos: un proceso de carga inicial, un proceso de envejecimiento a temperatura ambiente y un proceso de envejecimiento a alta temperatura.
  7. 7. El método de cribado de una batería defectuosa de bajo voltaje de la reivindicación 2, en donde el algoritmo de detección de anomalías en series temporales es uno seleccionado del grupo formado por Diagrama de control, Bosque de corte aleatorio, Deformación temporal dinámica, TAnoGAN(Detección de anomalías en series temporales con redes generativas adversariales), MAD-GAN(Detección multivariante de anomalías para datos de series temporales con redes generativas adversariales), USAD(Detección no supervisada de anomalías en series temporales multivariantes), LSTM(Memoria a largo plazo a corto plazo)+AE, y LSTM(Memoria a largo plazo a corto plazo) CNN (Red neuronal convolucional).
  8. 8. El método para cribar una batería defectuosa de bajo voltaje de la reivindicación 1, en donde el paso de criba (d) criba las baterías defectuosas de bajo voltaje en la dispersión corregida utilizando un algoritmo de detección de anomalías.
  9. 9. El método de cribado de una batería defectuosa de bajo voltaje de la reivindicación 8, en donde el algoritmo de detección de anomalías es uno seleccionado del grupo que consiste en Factor de valores atípicos locales (LOF), Bosque de aislamiento y Máquina de vectores de soporte OC (SVM).
  10. 10. El método de cribado de una batería defectuosa de bajo voltaje de la reivindicación 1, en donde el paso de cribado (d) se realiza después de completar un envejecimiento para su envío.
  11. 11. El método para cribar una batería defectuosa de bajo voltaje de la reivindicación 1, en donde el paso de criba (d) criba las baterías defectuosas de bajo voltaje para cada agrupación.
  12. 12. El método de cribado de una batería defectuosa de bajo voltaje de la reivindicación 1, en donde el paso de cribado (d) cribará las baterías defectuosas de bajo voltaje después de recoger los datos de dispersión de la cantidad de caída de tensión para cada grupo corregido por el paso (c). [FIG. 1]
    [FIG. 2] AOCV PROBABILIDAD ANTES/DESPUES DE PRE-FILTRADO
    [FIG. 3] AOCV PROBABILIDAD ANTES/DESPUES DE PRE-FILTRADO
    Lote (PRODUCCIÓN POR DÍA) [FIG. 5]
    Lote (PRODUCCIÓN POR DÍA)
ES22902494T 2021-12-09 2022-12-01 Method for selecting low-voltage defective batteries Active ES3025708T3 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210175819A KR102872651B1 (ko) 2021-12-09 2021-12-09 저전압 불량 전지의 선별 방법
PCT/KR2022/019344 WO2023106729A1 (ko) 2021-12-09 2022-12-01 저전압 불량 전지의 선별 방법

Publications (1)

Publication Number Publication Date
ES3025708T3 true ES3025708T3 (en) 2025-06-09

Family

ID=86730811

Family Applications (1)

Application Number Title Priority Date Filing Date
ES22902494T Active ES3025708T3 (en) 2021-12-09 2022-12-01 Method for selecting low-voltage defective batteries

Country Status (8)

Country Link
US (1) US20240044987A1 (es)
EP (1) EP4246159B1 (es)
JP (1) JP7532723B2 (es)
KR (1) KR102872651B1 (es)
CN (1) CN116829967A (es)
ES (1) ES3025708T3 (es)
HU (1) HUE070970T2 (es)
WO (1) WO2023106729A1 (es)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102064459B1 (ko) * 2017-01-05 2020-01-09 주식회사 엘지화학 이차 전지의 저전압 불량 검사 방법 및 장치
KR20240072649A (ko) * 2022-11-17 2024-05-24 에스케이온 주식회사 배터리 성능 평가 장치와 방법 및 배터리 이송 장비
KR102917277B1 (ko) * 2023-06-22 2026-01-23 주식회사 엘지에너지솔루션 배터리 진단 장치 및 그의 동작 방법
CN116626505B (zh) * 2023-07-21 2023-10-13 江苏海平面数据科技有限公司 一种基于车联网大数据的电池组一致性异常检测方法
KR102899570B1 (ko) * 2023-10-16 2025-12-12 주식회사 엘지에너지솔루션 배터리 진단 장치 및 그것의 동작 방법
KR20250152865A (ko) * 2024-04-17 2025-10-24 주식회사 엘지에너지솔루션 배터리 진단 장치 및 그것의 동작 방법
CN118294817B (zh) * 2024-06-04 2024-09-06 太湖能谷(杭州)科技有限公司 电池充放电异常检测方法、系统、电子设备和存储介质
KR102826865B1 (ko) * 2024-07-18 2025-06-30 주식회사 민테크 인공지능 모델을 이용하여 배터리 화성 공정에서 배터리 불량을 진단하는 장치 및 방법
WO2026079714A1 (ko) * 2024-10-08 2026-04-16 주식회사 엘지에너지솔루션 배터리 관리 장치 및 방법
WO2026084552A1 (ko) * 2024-10-14 2026-04-23 한국전자기술연구원 전역 및 지역 특징을 활용한 인공지능 기반의 시계열 데이터 이상 탐지 방법
CN119961873B (zh) * 2025-04-09 2025-09-02 中汽研新能源汽车检验中心(天津)有限公司 一种基于充电数据的故障诊断方法、装置、介质及设备
CN121299503B (zh) * 2025-12-11 2026-03-13 广西宁福新能源科技有限公司 一种用于电池低压筛选的方法
CN121656863A (zh) * 2026-02-09 2026-03-13 华电电力科学研究院有限公司 磷酸铁锂电池异常检测方法、电子设备及存储介质

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3437823B2 (ja) * 1999-08-10 2003-08-18 松下電器産業株式会社 微小短絡セル検出方法、セルショート検出方法、微小短絡セル検出装置およびセルショート検出装置
KR100438744B1 (ko) * 2001-02-20 2004-07-05 주식회사 맥사이언스 부분 충(방)전에 의한 축전지 특성선별 및 조전지 구성방법
JP4707309B2 (ja) * 2003-06-05 2011-06-22 東洋システム株式会社 二次電池検査方法および検査装置
JP5746856B2 (ja) * 2010-12-24 2015-07-08 日立オートモティブシステムズ株式会社 バッテリーモジュールの製造方法
JP6032485B2 (ja) * 2013-02-12 2016-11-30 トヨタ自動車株式会社 非水電解質二次電池の検査方法
CN104190639A (zh) * 2014-07-29 2014-12-10 江西世纪长河新电源有限公司 一种锂离子电池自放电筛选方法
JP6245228B2 (ja) * 2015-07-22 2017-12-13 トヨタ自動車株式会社 全固体二次電池の検査方法、及びその検査方法を利用した全固体二次電池の製造方法
US20170115355A1 (en) * 2015-10-23 2017-04-27 Oxfordian, Llc Maximum capacity estimator for battery state of health and state of charge determinations
CN106021738B (zh) * 2016-05-23 2019-03-19 山东大学 非均一多个体混联的电池组分布式模型建立系统及方法
KR102064459B1 (ko) * 2017-01-05 2020-01-09 주식회사 엘지화학 이차 전지의 저전압 불량 검사 방법 및 장치
CN107219468A (zh) * 2017-06-28 2017-09-29 湖北金泉新材料有限责任公司 一种锂离子电池自放电筛选方法及锂离子电池组
CN107290678B (zh) * 2017-07-03 2019-12-10 北京理工大学 一种动力电池健康状态在线监测方法
JP7056113B2 (ja) * 2017-12-08 2022-04-19 株式会社デンソー 電池制御装置
KR102106775B1 (ko) * 2018-08-14 2020-05-06 오토시맨틱스 주식회사 딥러닝을 이용한 전지 진단 방법
KR102508117B1 (ko) * 2019-01-03 2023-03-09 주식회사 엘지에너지솔루션 저전압 검출력이 향상된 이차전지의 활성화 방법
KR102688391B1 (ko) * 2019-04-05 2024-07-26 주식회사 엘지에너지솔루션 전지 트레이의 불량 검출 장치
KR20210066096A (ko) 2019-11-27 2021-06-07 현대자동차주식회사 리튬이온 이차전지의 불량 선별 방법 및 이를 통해 제조된 리튬이온 이차전지
CN111239631A (zh) * 2020-03-09 2020-06-05 天津市捷威动力工业有限公司 一种锂离子电池自放电识别筛选方法、存储介质、设备
US12571851B2 (en) * 2020-03-25 2026-03-10 Cadex Electronics Inc. Apparatus and methods for testing electrochemical systems
CN111744827A (zh) * 2020-06-24 2020-10-09 上海理工大学 一种分选锂电芯的方法
CN112246691B (zh) * 2020-09-24 2022-05-31 天津普兰能源科技有限公司 一种Li(M1-xFex)PO4/Li4Ti5O12高容量电池挑选方法
CN112349977B (zh) * 2020-09-30 2022-03-29 天能电池集团股份有限公司 一种提高退回电池充电合格率的方法
CN113049976B (zh) * 2021-04-27 2022-07-29 武汉理工大学 一种车辆电池健康状态评估方法及系统
US11897362B2 (en) * 2021-05-04 2024-02-13 Exro Technologies Inc. Systems and methods for individual control of a plurality of controllable units of battery cells
CN113484778B (zh) * 2021-07-28 2024-06-04 合肥国轩高科动力能源有限公司 一种电池自放电快速筛选的方法
US11733309B2 (en) * 2021-08-18 2023-08-22 GM Global Technology Operations LLC Method and system for self-discharge prognostics for vehicle battery cells with an internal short circuit
US20230280411A1 (en) * 2021-09-13 2023-09-07 Astrolabe Analytics, Inc. Methods and systems for determining a weak cell of a battery

Also Published As

Publication number Publication date
KR102872651B1 (ko) 2025-10-16
EP4246159A4 (en) 2024-06-19
EP4246159A1 (en) 2023-09-20
CN116829967A (zh) 2023-09-29
EP4246159B1 (en) 2025-01-29
KR20230087137A (ko) 2023-06-16
JP2024502248A (ja) 2024-01-18
HUE070970T2 (hu) 2025-07-28
WO2023106729A1 (ko) 2023-06-15
JP7532723B2 (ja) 2024-08-14
US20240044987A1 (en) 2024-02-08

Similar Documents

Publication Publication Date Title
ES3025708T3 (en) Method for selecting low-voltage defective batteries
KR102860665B1 (ko) 배터리 시스템 진단 장치
CN105866689B (zh) 电池组串运行状态的评估方法和装置
ES3035516T3 (en) Battery system diagnosing apparatus and method
CN108511815A (zh) 一种锂离子电池一致性的评价方法及系统
ES3041954T3 (en) Low-voltage defect inspection method of lithium secondary battery and manufacturing method of lithium secondary battery
CN108169681A (zh) 一种检测锂离子电池铝壳体腐蚀的方法
CN111487553A (zh) 一种电池单体一致性评价的方法及其装置
WO2019223258A1 (zh) 一种在线更新电池ocv曲线的方法和装置
CN109596992B (zh) 一种锂离子电池加速析锂失效的早期验证方法
CN119335413A (zh) 一种蓄电池的健康状态显示方法及系统
CN118625199A (zh) 一种基于电池容量标定的锂电池循环寿命测试方法及系统
KR20240147283A (ko) 배터리 관리 장치 및 그것의 동작 방법
CN117723975A (zh) 用于减轻电池组中的电池缺陷的方法和系统
CN115184819A (zh) 一种锂电池一致性故障预测与诊断方法
JP6737223B2 (ja) ２次電池の検査方法
US20240359591A1 (en) Identifying a root cause of battery cell degradation in a battery pack
EP4707833A1 (en) Battery management apparatus and operation method therefor
ES3055054T3 (en) Battery data management apparatus and operating method thereof
Huang et al. Early Warning of Multiple Battery Faults Based on Hybrid Deep Neural Networks and Transfer Learning
JP2024169162A (ja) リチウムイオン電池の検査方法及び検査装置
Liu et al. Consistency assessment for Lithium-ion battery energy storage systems based on low-rank matrix approximation and non-parametric Kullback-Leibler divergence
KR20240162236A (ko) 배터리 관리 장치 및 그것의 동작 방법
Prasadh et al. Adaptive AI-based Energy Management for State Estimation of Lithium-Ion Batteries
CN116754995A (zh) 锂离子电池微短路测试方法及系统