JP2024502248A - 低電圧不良電池の選別方法 - Google Patents

低電圧不良電池の選別方法 Download PDF

Info

Publication number
JP2024502248A
JP2024502248A JP2023537477A JP2023537477A JP2024502248A JP 2024502248 A JP2024502248 A JP 2024502248A JP 2023537477 A JP2023537477 A JP 2023537477A JP 2023537477 A JP2023537477 A JP 2023537477A JP 2024502248 A JP2024502248 A JP 2024502248A
Authority
JP
Japan
Prior art keywords
voltage
batteries
voltage drop
low
defective batteries
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.)
Granted
Application number
JP2023537477A
Other languages
English (en)
Other versions
JP7532723B2 (ja
Inventor
テ キム、スン
ギ スン、ナク
スプ カン、ジョーン
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
Publication of JP2024502248A publication Critical patent/JP2024502248A/ja
Application granted granted Critical
Publication of JP7532723B2 publication Critical patent/JP7532723B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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]
    • G01R31/382—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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; CALCULATING OR 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; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (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

本発明の低電圧不良電池の選別方法は、（ａ）多数の二次電池の活性化工程時に、データを収集し、異常値のデータを有する二次電池をリアルタイムで除去するプレフィルタリング段階と、（ｂ）プレフィルタリングされた多数の二次電池に対して、類似特性または履歴を基準としてクラスタリング（ｃｌｕｓｔｅｒｉｎｇ）するクラスタリング段階と、（ｃ）各クラスター（Ｃｌｕｓｔｅｒ）別に、電圧降下量を測定し、温度または期間に応じた電圧降下量の散布を補正する補正段階と、（ｄ）補正された散布に基づいて、低電圧不良電池を選別する選別段階と、を含む。

Description

本出願は、２０２１年１２月９日付の韓国特許出願第１０－２０２１－０１７５８１９号に基づく優先権の利益を主張する。
本発明は、検出信頼度が向上された低電圧不良電池の選別方法に関するものである。
一般的に、二次電池は、充電が不可能な一次電池とは異なり、充放電が可能な電池を意味し、携帯電話、ノートパソコン、カムコーダーなどの電子機器または電気自動車などに広く使用されている。特にリチウム二次電池は、ニッケル－カドミウム電池またはニッケル－水素電池より大きな容量を有し、単位重量当たりのエネルギー密度が高いため、その活用程度が急速度に増加される傾向にある。
このようなリチウム二次電池は、主にリチウム系酸化物と炭素材をそれぞれ正極活物質と負極活物質として使用する。リチウム二次電池は、このような正極活物質と負極活物質がそれぞれ塗布された正極板と負極板が分離膜を間に置いて配置された電極組立体と、電極組立体を電解液と共に密封収納する外装材とを備える。
このようなリチウム二次電池は、製造工程または使用中に、多様な原因によって多様な形態の不良が発生し得る。特に、製造が完了した二次電池のうちの一部は、自己放電率以上の電圧降下挙動を示す現象を見せることもあるが、このような現象を低電圧という。
このような二次電池の低電圧不良現象は、代表的に内部に位置した金属異物に起因する場合が多い。特に、二次電池の正極板に鉄や銅などの金属異物が存在する場合に、このような金属異物は負極でデンドライト（Ｄｅｎｄｒｉｔｅ）に成長し得る。そして、このようなデンドライトは二次電池の内部短絡を起こし、二次電池の故障や損傷、ひどい場合には発火の原因となり得る。
一方、上記のような低電圧不良は相対的な電圧降下量の増加として現れ、二次電池の活性化工程のうちエージング工程を通じて低電圧不良を検出している。具体的には、（出荷）エージング期間の間、電池の開回路電圧（ＯＣＶ；Ｏｐｅｎ Ｃｉｒｃｕｉｔ Ｖｏｌｔａｇｅ）をモニタリングしながら、測定された開回路電圧の降下量と基準値とを比較して低電圧不良電池を選別し得る。
従来は、このような基準値を導出するときに、電池の生産過程で累積されたデータの電圧降下量（ΔＯＣＶ）の散布において、臨界値（Ｔｈｒｅｓｈｏｌｄ）を選定し、上記臨界値を介して選別した後に残ったデータをトレー単位でスタンダードスケーリング（ｓｔａｎｄａｒｄ ｓｃａｌｉｎｇ）して、特定のシグマ（例えば３σまたは４σ）を基準値とした。そして、特定のシグマを超える電池を低電圧不良電池と検出した。
しかしながら、このような従来の方法は、特定の臨界値が製造偏差を反映し得ないため、製造偏差の発生時に不良を選別し得ないか、または良品を不良と過検し得る危険が存在し、また、単位工程別に製造偏差が累積される場合には、低電圧不良の検査時点で開回路電圧または電圧降下量（ΔＯＣＶ）の散布が増加するか、または異常散布が発生して良品と不良を区分する境界があいまいになり得る。
そこで、低電圧不良電池を選別することにおいて、製造偏差がある場合にも、信頼性高く良品と不良を区分し得る低電圧不良電池の選別方法に対する技術開発が必要である。
本発明は、低電圧不良電池を選別する時点で、電圧降下量（ΔＯＣＶ）の散布度を改善して良品と不良の検出力を向上させた低電圧不良電池の選別方法を提供する。
本発明に係る低電圧不良電池の選別方法は、（ａ）多数の二次電池の活性化工程時に、データを収集し、異常値のデータを有する二次電池をリアルタイムで除去するプレフィルタリング段階と、（ｂ）プレフィルタリングされた多数の二次電池に対して、類似特性または履歴を基準としてクラスタリング（ｃｌｕｓｔｅｒｉｎｇ）するクラスタリング段階と、（ｃ）各クラスター（Ｃｌｕｓｔｅｒ）別に、電圧降下量（ΔＯＣＶ）を測定し、温度または期間に応じた電圧降下量の散布を補正する補正段階と、（ｄ）補正された散布に基づいて、低電圧不良電池を選別する選別段階と、を含む。
本発明の一実施形態において、上記（ａ）プレフィルタリング段階は、時系列的異常探知アルゴリズムを活用して異常値を除去する。このとき、上記時系列的異常探知アルゴリズムは、Ｃｏｎｔｒｏｌ ｃｈａｒｔ、Ｒａｎｄｏｍ Ｃｕｔ Ｆｏｒｅｓｔ、Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ、ＴＡｎｏＧＡＮ（Ｔｉｍｅ Ｓｅｒｉｅｓ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）、ＭＡＤ－ＧＡＮ（Ｍｕｌｔｉｖａｒｉａｔｅ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｆｏｒ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｄａｔａ ｗｉｔｈ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）、ＵＳＡＤ（ＵｎＳｕｐｅｒｖｉｓｅｄ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｏｎ Ｍｕｌｔｉｖａｒｉａｔｅ Ｔｉｍｅ Ｓｅｒｉｅｓ）、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）＋ＡＥ、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）＋ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）からなる群から選択された１つである。
本発明の一実施形態において、上記（ｂ）クラスタリング段階は、ロット（ＬＯＴ）単位、トレー（Ｔｒａｙ）単位、エージング温度、充放電温度、充放電時の圧力、エージング期間から選択された１つの基準が同一の二次電池同士をクラスタリングする。
本発明の一実施形態において、上記（ｃ）補正段階は、線形回帰またはマシンラーニングの方法で電圧降下量の散布を補正する。
本発明の一実施形態において、上記（ａ）プレフィルタリング段階は、個別の単位工程別に、二次電池の開回路電圧（ＯＣＶ）または電圧降下量をデータとして収集する過程を含む。
本発明の一実施形態において、上記個別の単位工程は、初期充電工程、常温エージング工程および高温エージング工程のうち少なくとも１つ以上を含む。
本発明の一実施形態において、上記（ｄ）選別段階は、上記補正された散布において異常探知アルゴリズムを活用して低電圧不良電池を選別する。このとき、上記異常探知アルゴリズムは、ロフ（ＬＯＦ；Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ）、アイソレーションフォレスト（Ｉｓｏｌａｔｉｏｎ ｆｏｒｅｓｔ）、ＯＣ ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）のうち選択された１つである。
本発明の一実施形態において、上記（ｄ）選別段階は、出荷エージングを終了した後に行われる。
本発明の一実施形態において、上記（ｄ）選別段階は、各クラスター別に低電圧不良電池を選別することである。
本発明の他の実施形態において、上記（ｄ）選別段階は、上記（ｃ）段階により補正した各クラスター別電圧降下量の散布データを取り合わせた後に、低電圧不良電池を選別することである。
本発明の低電圧検出選別方法は、検出力に優れ、低電圧不良電池を選別するためにかかる時間も減縮することができる。
本発明の一実施形態に係る低電圧不良電池の選別方法のフローチャートである。 本発明のプレフィルタリング段階前後の電圧降下量の累積確率分布図である。 本発明のプレフィルタリング段階前後の電圧降下量の累積確率分布図である。 本発明に係る補正段階を経なかった電圧降下量の散布を示すグラフである。 本発明に係る補正段階を経た電圧降下量の散布を示すグラフである。
本発明は、多様な変換を加えることができ、様々な実施形態を有し得るので、特定の実施形態を例示し、詳細な説明に詳細に説明する。しかしながら、これは本発明を特定の実施形態に対して限定しようとするものではなく、本発明の思想および技術範囲に含まれるすべての変換、均等物または代替物を含むものとして理解されるべきである。
本発明において使用した用語は、単に特定の実施形態を説明するために使用されたものであって、本発明を限定しようとする意図ではない。単数の表現は、文脈上明らかに異なる意味がない限り、複数の表現を含む。本発明において、「含む」や「有する」などの用語は、明細書上に記載された特徴、数字、段階、動作、構成要素、部品またはこれらを組み合わせたものが存在することを指定しようとするものであって、１つまたはそれ以上の他の特徴、数字、段階、動作、構成要素、部品またはこれらを組み合わせたものの存在または付加可能性を予め排除しないものとして理解されるべきである。
本明細書において電圧降下量の散布とは、大量の二次電池それぞれの電圧降下量値を羅列またはプロッティングしたグラフを意味する。
図１は、本発明の実施形態に係る低電圧不良電池の選別方法のフローチャートである。図１を参照した本発明に係る低電圧不良電池の選別方法は、（ａ）多数の二次電池の活性化工程時に、データを収集し、異常値のデータを有する二次電池をリアルタイムで除去するプレフィルタリング段階と、（ｂ）プレフィルタリングされた多数の二次電池に対して、類似特性または履歴を基準としてクラスタリング（ｃｌｕｓｔｅｒｉｎｇ）するクラスタリング段階と、（ｃ）各クラスター（Ｃｌｕｓｔｅｒ）別に、電圧降下量（ΔＯＣＶ）を測定し、温度または期間に応じた電圧降下量の散布を補正する補正段階と、（ｄ）補正された散布に基づいて、低電圧不良電池を選別する選別段階と、を含む。
本発明に係る低電圧不良電池の選別方法は、活性化工程をなす個別単位の工程でデータ異常値（ｏｕｔｌｉｅｒ）を示す潜在的な不良電池を除去し、このような潜在的な不良電池が除去された電池を、共通因子を有する電池同士でクラスタリングし、各クラスター別に電圧降下量を測定し、測定された電圧降下量の散布を補正する。そのため、低電圧不良電池を選別する選別時点で、全体電圧降下量の散布が改善されて、低電圧不良電池の検出力を向上させ、製造偏差による過検や未検の危険を減らし得る。
上記（ａ）プレフィルタリング段階は、潜在的な不良電池を事前に除去する過程であり、二次電池の活性化工程時に、データを収集し、収集されたデータにおいて異常値を示す二次電池をリアルタイムで除去する。これを通じて、不良電池の選別時点で電圧降下量の散布度を改善し得る。
二次電池の活性化工程は、組み立てを完了したリチウム二次電池を使用し得るように、電池を活性化する段階である。二次電池の組み立て工程は、電池ケースの内部に正極／分離膜／負極を含む電極組立体を収容し、電解液を注入して密封する工程であり、このような組み立て工程が完了したからといってすぐに電池を使用し得るわけではない。電池を使用可能な状態にするためには、充電を通じて電極と電解質を電気化学的に反応させ、このときに生成されるガスを電池の外部へ排出し、電池を安定化する過程などを必要とするが、このような一連の工程を活性化工程という。
このような二次電池の活性化工程は、二次電池の組み立て直後、電解液が電極組立体に含浸されるように電池を熟成するプレエージング工程、電池を設定されたＳＯＣに到達するまで充電する初期充電工程、初期充電された電池を熟成するエージング工程、初期充電およびエージング過程で発生したガスを電池の外部へ排出するデガス工程などの個別の単位工程を含んでいる。上記エージング工程は、高温エージング工程または室温エージング工程を含み得、またはこれらをいずれも含むこともできる。
本発明の（ａ）プレフィルタリング段階は、このような個別の単位工程を行いながら、潜在的な不良電池を事前に除去するために、個別の単位工程別に二次電池の開回路電圧（ＯＣＶ）または電池の電圧降下量をデータとして収集し、リアルタイムで異常値のデータを示す二次電池を除去する過程を含む。
一つの具体例において、データを収集し、データ異常値を除去するための上記個別の単位工程は、初期充電工程およびエージング工程のうち少なくとも１つ以上を含み得る。これを具体的な例を挙げて説明すると、多数の二次電池を対象に初期充電工程やエージング工程を行うときに、二次電池の開回路電圧を測定してそれをデータとして収集し、このように収集されたデータにおいて異常値を示す二次電池をリアルタイムで除去し、除去後に残った二次電池に対して後続する工程を行う。
上記（ａ）プレフィルタリング段階において、異常値を除去する方法は、時系列的異常探知アルゴリズムを活用する。時系列的異常探知は、時系列データから過去または類似した時点の他のデータの普遍的なパターンから外れるか、または外れようとする兆候があるまれなパターンや対象個体を見つける技法であり、このような異常探知アルゴリズムは公知のアルゴリズムを使用し得、本発明の実施形態では、Ｃｏｎｔｒｏｌ ｃｈａｒｔ、Ｒａｎｄｏｍ Ｃｕｔ Ｆｏｒｅｓｔ、Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ、ＴＡｎｏＧＡＮ（Ｔｉｍｅ Ｓｅｒｉｅｓ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）、ＭＡＤ－ＧＡＮ（Ｍｕｌｔｉｖａｒｉａｔｅ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｆｏｒ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｄａｔａ ｗｉｔｈ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）、ＵＳＡＤ（ＵｎＳｕｐｅｒｖｉｓｅｄ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｏｎ Ｍｕｌｔｉｖａｒｉａｔｅ Ｔｉｍｅ Ｓｅｒｉｅｓ）、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）＋ＡＥ、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）＋ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）からなる群から選択された１つ以上の異常探知アルゴリズムであり得る。
図２～図３は、本発明の一実施形態に従って、（ａ）プレフィルタリング段階を通じてデータ異常値を示す二次電池を除去する前後の時間に伴う電圧降下量（ΔＯＣＶ）の累積確率分布を示す。
図２～図３を参照すると、プレフィルタリング段階を経た場合には、累積確率分布の傾きが変化する地点に明確に現れ、電圧降下量の散布度が改善されることを確認し得る。
また、プレフィルタリング段階を経た場合には、５日が経過した時点での電圧降下量（５日ΔＯＣＶ）と３日が経過した時点での電圧降下量（３日ΔＯＣＶ）において、両方とも散布が改善され、３日が経過した時点でも低電圧の選別が可能である。しかしながら、プレフィルタリングを経なかった場合には、図３に見るように３日が経過した時点では、累積確率分布の傾きが変化する時点が２つの時点で現れるため、良品と不良の境界があいまいである。したがって、本発明の低電圧検出選別方法は、検出力に優れるのみならず、低電圧不良電池を選別するためにかかる時間も減縮し得る。
上記（ｂ）クラスタリング段階は、二次電池の製造工程において類似の特性または類似の履歴を有する二次電池同士を束ねる段階である。このように多数の二次電池を類似特性または履歴を基準としてクラスタリングすることは、同じクラスター内にある電池は製造偏差がないので、製造偏差による散布度の増加および良品と不良の境界があいまいになるという問題を改善し得るからである。
一つの具体例において、上記（ｂ）クラスタリング段階は、ロット（ＬＯＴ）単位、トレー（Ｔｒａｙ）単位、エージング温度、充放電温度、充放電時の圧力、エージング期間から選択された１つの基準が同一の二次電池同士をクラスタリングすることであり得る。これらの因子は電圧降下量の散布に影響を与える製造偏差であるため、これらの因子を基準として二次電池をクラスタリングすることが好ましい。
上記（ｃ）補正段階は、各クラスター（Ｃｌｕｓｔｅｒ）別に、電圧降下量を測定し、温度または期間に応じた電圧降下量の散布を補正する段階である。
（ｃ）補正段階は、各クラスター別に、多数の電池を一定の温度条件でエージングしながら、開回路電圧（ＯＣＶ）をモニタリングして電圧降下量の散布を導出する過程と、電圧降下量の散布を補正する過程とを含む。
電圧降下量の散布を導出する過程は、具体的に、エージングの初期に電池の開回路電圧（ＯＣＶ１）を測定し、一定の期間（Ｔ）が経過した後に、電池の開回路電圧（ＯＣＶ２）を測定し、上記一定期間の間の電圧降下量（ΔＯＣＶ＝ＯＣＶ１－ＯＣＶ２）を計算し、多数の電池の各電圧降下量をプロッティングすることにより、電圧降下量の散布を導出する過程であり得る。
しかしながら、電池の電圧降下量は、電圧降下量を測定するエージング温度、測定期間（ＯＣＶ１およびＯＣＶ２を測定する時間的間隔）に影響されることが知られている。すなわち、同じ電池であっても、電圧降下量測定の時間的間隔（Ｔ）が長くなるか、またはエージング温度が高い条件で電圧降下量を測定する場合には、実際より小さく現れる。
そこで本発明は、このような電圧降下量の測定条件（温度、期間）が電圧降下量に与える影響を排除するために、エージング温度および測定期間（ＯＣＶ１およびＯＣＶ２を測定する時間的間隔）の違いによる電圧降下量の違いを補正する段階を含む。
上記エージング過程は、電池の製造工程全体に含まれるエージング過程のうち選択された１つまたはそれ以上であり得る。具体的には、デガッシング工程前のエージング過程、満充電および満放電後のエージング過程、出荷充電後のエージング過程のうち選択された１つまたはそれ以上であり得る。
本発明の一実施形態において、電圧降下量の散布を補正する具体的な方法は、線形回帰またはマシンラーニングの方法を用いることができる。線形回帰は、大量のバックデータから観察された変数に対して、それらの間のモデルを計算し、適合するように測定する分析方法であり、変数の変化に応じた好適な予測値を導出するときに使用される代表的な統計的分析方法の一つである。マシンラーニングは、コンピューターが大量のバックデータを介して学習し、経験を通じて大規模なデータからパターンと相関関係を見つける人工知能の具体的な方法のうちの１つである。線形回帰とマシンラーニングの技術構成は、当該技術分野において一般的に知られたものであるので、具体的な説明は省略する。
図４は、本発明に係る補正段階を経なかった電圧降下量の散布を示すグラフであり、図５は、本発明に係る補正段階を経た電圧降下量の散布を示すグラフである。これらの図面を参照すると、本発明に係る補正段階を経た後には、電圧降下量（ｄＯＣＶ）の偏差が大幅に減少することが分かる。
同じモデルの電池であっても、電圧降下量は温度または期間によって影響を受けるが、線形回帰またはマシンラーニングの方法で温度または期間と電圧降下量の相関関係を究明し、それに応じて補正することにより電圧降下量の散布程度を減らし得る効果がある。そして、このように電圧降下量の散布が減少する結果、電圧降下量の異常値がより現れやすくなるので、低電圧電池の検出が容易になる。
上記（ｄ）選別段階は、補正された電圧降下量の散布に基づいて、低電圧不良電池を選別する段階である。
一つの具体例において、上記（ｄ）選別段階は、上記（ａ）～（ｃ）段階を通じて得た大量の二次電池それぞれの電圧降下量を羅列したデータである電圧降下量の散布において、累積確率分布のような統計的方式で臨界値（Ｔｈｒｅｓｈｏｌｄ）を導出し、臨界値を超える電圧降下量を有する二次電池を低電圧不良電池と選別し得る。
別の具体例において、上記（ｄ）選別段階は、上記補正された散布において異常探知アルゴリズムを活用して低電圧不良電池を選別することであり得、上記異常探知アルゴリズムは具体的にロフ（ＬＯＦ；Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ）、アイソレーションフォレスト（Ｉｓｏｌａｔｉｏｎ ｆｏｒｅｓｔ）、ＯＣ ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）のうち選択された１つであり得る。
本発明の一実施形態において、上記（ｄ）選別段階は、各クラスター別に低電圧不良電池を選別することである。このような場合、上記（ｃ）段階で補正した電圧降下量の散布データにおいて、上記異常探知アルゴリズムを用いて不良を選別し得る。
本発明の他の実施形態において、上記（ｄ）選別段階は、上記（ｃ）段階により補正した各クラスター別電圧降下量の散布データを取り合わせた後に、低電圧不良電池を選別することである。このような場合、（ｃ）段階で補正したクラスター別の各電圧降下量の散布データを１つに聚合し、聚合した散布データにおいて、上記異常探知アルゴリズムを用いて不良を選別する。本実施形態では、聚合した散布データから一挙に異常探知アルゴリズムで不良を選別することであるので、クラスター別に不良を選別することより迅速に不良を選別し得る効果がある。
本発明の（ｄ）選別段階は、活性化工程の後段工程である出荷エージングを終了した後に行われ得、上記（ａ）～（ｃ）段階を通じて、電池の電圧降下量の散布度が改善され、改善された散布度に基づいて異常探知アルゴリズムを通じて不良を選別するので、検出の信頼度が向上される。
以上のように、本明細書と図面には本発明の好ましい実施形態について開示し、特定の用語が使用されたが、これは単に本発明の技術内容を容易に説明し、発明の理解を助けるための一般的な意味で使用されたものであって、本発明の範囲を限定しようとするものではない。ここに開示された実施形態の他にも、本発明の技術的思想に基づいた他の変形例が実施可能であることは、本発明が属する技術分野において通常の知識を有する者にとって自明である。

Claims (12)

  1. （ａ）多数の二次電池の活性化工程時に、データを収集し、異常値のデータを有する二次電池をリアルタイムで除去するプレフィルタリング段階と、
    （ｂ）プレフィルタリングされた多数の二次電池に対して、類似特性または履歴を基準としてクラスタリングするクラスタリング段階と、
    （ｃ）各クラスター別に、電圧降下量を測定し、温度または期間に応じた電圧降下量の散布を補正する補正段階と、
    （ｄ）補正された電圧降下量の散布に基づいて、低電圧不良電池を選別する選別段階と、を含む、低電圧不良電池の選別方法。
  2. 前記（ａ）プレフィルタリング段階は、時系列的異常探知アルゴリズムを活用して異常値を除去する、請求項１に記載の低電圧不良電池の選別方法。
  3. 前記（ｂ）クラスタリング段階は、ロット単位、トレー単位、エージング温度、充放電温度、充放電時の圧力、エージング期間から選択された１つの基準が同一の二次電池同士をクラスタリングする、請求項１または２に記載の低電圧不良電池の選別方法。
  4. 前記（ｃ）補正段階は、線形回帰またはマシンラーニングの方法で電圧降下量の散布を補正する段階を含む、請求項１または２に記載の低電圧不良電池の選別方法。
  5. 前記（ａ）プレフィルタリング段階は、個別の単位工程別に、二次電池の開回路電圧または電圧降下量をデータとして収集する過程を含む、請求項１または２に記載の低電圧不良電池の選別方法。
  6. 前記個別の単位工程は、初期充電工程、常温エージング工程および高温エージング工程のうち少なくとも１つ以上を含む、請求項５に記載の低電圧不良電池の選別方法。
  7. 前記時系列的異常探知アルゴリズムは、Ｃｏｎｔｒｏｌ ｃｈａｒｔ、Ｒａｎｄｏｍ Ｃｕｔ Ｆｏｒｅｓｔ、Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ、ＴＡｎｏＧＡＮ、ＭＡＤ－ＧＡＮ、ＵＳＡＤ、ＬＳＴＭ＋ＡＥ、ＬＳＴＭ＋ＣＮＮからなる群から選択された１つである、請求項２に記載の低電圧不良電池の選別方法。
  8. 前記（ｄ）選別段階は、前記補正された散布において異常探知アルゴリズムを活用して低電圧不良電池を選別する、請求項１または２に記載の低電圧不良電池の選別方法。
  9. 前記異常探知アルゴリズムは、ロフ、アイソレーションフォレスト、ＯＣ ＳＶＭのうち選択された１つである、請求項８に記載の低電圧不良電池の選別方法。
  10. 前記（ｄ）選別段階は、出荷エージングを終了した後である、請求項１または２に記載の低電圧不良電池の選別方法。
  11. 前記（ｄ）選別段階は、各クラスター別に低電圧不良電池を選別する、請求項１または２に記載の低電圧不良電池の選別方法。
  12. 前記（ｄ）選別段階は、前記（ｃ）段階により補正した各クラスター別電圧降下量の散布データを聚合した後に、低電圧不良電池を選別する、請求項１または２に記載の低電圧不良電池の選別方法。
JP2023537477A 2021-12-09 2022-12-01 低電圧不良電池の選別方法 Active JP7532723B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020210175819A KR20230087137A (ko) 2021-12-09 2021-12-09 저전압 불량 전지의 선별 방법
KR10-2021-0175819 2021-12-09
PCT/KR2022/019344 WO2023106729A1 (ko) 2021-12-09 2022-12-01 저전압 불량 전지의 선별 방법

Publications (2)

Publication Number Publication Date
JP2024502248A true JP2024502248A (ja) 2024-01-18
JP7532723B2 JP7532723B2 (ja) 2024-08-14

Family

ID=86730811

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023537477A Active JP7532723B2 (ja) 2021-12-09 2022-12-01 低電圧不良電池の選別方法

Country Status (6)

Country Link
US (1) US20240044987A1 (ja)
EP (1) EP4246159A4 (ja)
JP (1) JP7532723B2 (ja)
KR (1) KR20230087137A (ja)
CN (1) CN116829967A (ja)
WO (1) WO2023106729A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Family Cites Families (16)

* 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
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
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
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
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
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

Also Published As

Publication number Publication date
EP4246159A4 (en) 2024-06-19
WO2023106729A1 (ko) 2023-06-15
US20240044987A1 (en) 2024-02-08
KR20230087137A (ko) 2023-06-16
CN116829967A (zh) 2023-09-29
EP4246159A1 (en) 2023-09-20
JP7532723B2 (ja) 2024-08-14

Similar Documents

Publication Publication Date Title
JP7532723B2 (ja) 低電圧不良電池の選別方法
US10254349B2 (en) Method for predicting state of health of battery based on numerical simulation data
JP5071747B2 (ja) 二次電池の検査装置、二次電池の検査方法、二次電池の製造方法
CN107768761B (zh) 电池组的制造方法
CN113075563B (zh) 一种动力电池析锂的检测方法、装置和车辆
US11774514B2 (en) Electrochemical methods for identification of cell quality
US20230258725A1 (en) Battery abnormality diagnosis apparatus and method
CN113578792B (zh) 一种锂离子电池自放电筛选方法、装置及存储介质
CN112379285B (zh) 一种电池包自放电筛选方法
US20220166075A1 (en) Method for Enhancing a Battery Module Model of a Battery Module Type
JP2004288515A (ja) 円筒形電池の検査方法
JP2004132776A (ja) 電池の検査方法
JP2021082531A (ja) 二次電池の容量回復方法及び製造方法
CN108134417B (zh) 一种均衡电池内各单体电芯能量的方法
CN113884886A (zh) 电池测试生产中异常充放电芯的筛选方法
CN113391214A (zh) 一种基于电池充电电压排名变化的电池微故障诊断方法
CN116859253A (zh) 一种基于大数据的锂电池析锂分析方法及系统
CN116840703A (zh) 一种电池自放电异常的识别方法及其系统、设备
CN116256642A (zh) 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法
CN112540301B (zh) 电池检测方法、装置及存储介质
KR20190043457A (ko) 배터리 건전성 판단 장치 및 방법
CN114487861A (zh) 一种自放电电池二次选取的方法
JP6123637B2 (ja) 二次電池の製造方法
Dunn et al. A P-Value Approach for Real-Time Identifying the Capacity Regeneration Phenomenon of Lithium-ion Batteries
US20240019498A1 (en) Method and Apparatus for Detecting a Self-Discharge Fault of a Device Battery, as well as Determining a Criticality of a Detected Self-Discharge Fault

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230623

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240702

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240708

R150 Certificate of patent or registration of utility model

Ref document number: 7532723

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150