KR102635229B1 - Electrode Characteristic Detection Apparatus and Method - Google Patents

Electrode Characteristic Detection Apparatus and Method Download PDF

Info

Publication number
KR102635229B1
KR102635229B1 KR1020210142862A KR20210142862A KR102635229B1 KR 102635229 B1 KR102635229 B1 KR 102635229B1 KR 1020210142862 A KR1020210142862 A KR 1020210142862A KR 20210142862 A KR20210142862 A KR 20210142862A KR 102635229 B1 KR102635229 B1 KR 102635229B1
Authority
KR
South Korea
Prior art keywords
eis
electrode
battery
electrode characteristics
data
Prior art date
Application number
KR1020210142862A
Other languages
Korean (ko)
Other versions
KR20230058965A (en
Inventor
최정일
김경현
김성윤
김영권
Original Assignee
연세대학교 산학협력단
한국전자기술연구원
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 연세대학교 산학협력단, 한국전자기술연구원 filed Critical 연세대학교 산학협력단
Priority to KR1020210142862A priority Critical patent/KR102635229B1/en
Publication of KR20230058965A publication Critical patent/KR20230058965A/en
Application granted granted Critical
Publication of KR102635229B1 publication Critical patent/KR102635229B1/en

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/026—Dielectric impedance spectroscopy
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R25/00—Arrangements for measuring phase angle between a voltage and a current or between voltages or currents
    • G01R25/04—Arrangements for measuring phase angle between a voltage and a current or between voltages or currents involving adjustment of a phase shifter to produce a predetermined phase difference, e.g. zero difference
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/02—Measuring characteristics of individual pulses, e.g. deviation from pulse flatness, rise time or duration
    • G01R29/023—Measuring pulse width
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • G01R31/38—Primary cells, i.e. not rechargeable
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Electrochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Secondary Cells (AREA)

Abstract

본 발명은 분석 대상인 배터리에 대해 전기화학 임피던스 분광법(이하 EIS)를 수행하여 수집된 EIS 데이터를 획득하는 EIS 데이터 획득부 및 미리 학습되고 다수의 연산 레이어를 포함하는 인공 신경망으로 구현되어 EIS 데이터를 인가받고, 학습된 방식에 따라 신경망 연산을 수행하여 배터리의 전극 특성을 출력하고, 다수의 연산 레이어 중 중간에 위치하는 하나의 레이어에 포함된 다수의 노드 중 기지정된 개수의 노드는 배터리에 대응하는 등가 회로 모델의 구성 요소별 임피던스인 EIS 파라미터를 출력하는 전극 특성 추출부를 포함하여, EIS 데이터만으로도 SEM을 이용하여 추정할 수 있는 데이터뿐만 아니라 EIS나 SEM으로 추정할 수 없는 다양한 전극 특성을 저비용으로 빠르게 검출할 수 있는 전극 특성 검출 장치 및 방법을 제공한다.The present invention is implemented with an EIS data acquisition unit that acquires EIS data collected by performing electrochemical impedance spectroscopy (hereinafter EIS) on the battery that is the subject of analysis, and an artificial neural network that is pre-trained and includes multiple computational layers to authorize EIS data. and outputs the electrode characteristics of the battery by performing a neural network operation according to the learned method, and a predetermined number of nodes included in one layer located in the middle among the multiple calculation layers are equivalent to the battery. Including an electrode characteristic extraction unit that outputs EIS parameters, which are the impedance of each component of the circuit model, not only data that can be estimated using SEM with EIS data alone, but also various electrode characteristics that cannot be estimated using EIS or SEM can be quickly detected at low cost. Provides a device and method for detecting electrode characteristics.

Description

전극 특성 검출 장치 및 방법{Electrode Characteristic Detection Apparatus and Method}Electrode Characteristic Detection Apparatus and Method}

본 발명은 전극 특성 검출 장치 및 방법에 관한 것으로, 전기화학 임피던스 분광법을 이용하여 다양한 전극 특성을 검출할 수 있는 전극 특성 검출 장치 및 방법에 관한 것이다.The present invention relates to an electrode characteristic detection device and method that can detect various electrode characteristics using electrochemical impedance spectroscopy.

최근 들어, 리튬이온 배터리의 성능을 향상시키기 위한 다양한 연구가 진행 중에 있으며, 이로 인해 전극의 구조가 배터리의 성능에 큰 영향을 미친다점은 잘 알려져 있다. 전극의 구조는 크게 4가지로 나뉘게 되는데 나노 크기에서의 계면 상태, 미세 크기에서의 입자 분포, 메조 크기에서의 입자 집적상태, 그리고 매크로 크기에서의 셀 구성을 나타낸다. 특히 메조 크기에서의 전극 특성은 전극의 제조 상태에 따라 달라지기 때문에, 제조 최적화가 요구된다. 그러나 제조 최적화는 복잡한 다중 변수 문제로 다양한 제조 파라미터, 즉 전극 특성에 대한 분석이 필요하다.Recently, various studies are in progress to improve the performance of lithium-ion batteries, and it is well known that the structure of the electrode has a significant impact on the performance of the battery. The structure of the electrode is largely divided into four types: the interface state at the nano size, the particle distribution at the micro size, the particle accumulation state at the meso size, and the cell configuration at the macro size. In particular, electrode properties at the mesoscale vary depending on the manufacturing state of the electrode, so manufacturing optimization is required. However, manufacturing optimization is a complex multi-variable problem that requires analysis of various manufacturing parameters, such as electrode characteristics.

이러한 전극 특성을 분석하기 위한 대표적인 방식으로 전기화학 임피던스 분광법(Electrochemical Impedance Spectroscopy: 이하 EIS)과 주사 전자 현미경(Scanning Electron Microscope: 이하 SEM)을 이용하는 방식이 잘 알려져 있다.As a representative method for analyzing these electrode characteristics, electrochemical impedance spectroscopy (EIS) and scanning electron microscopy (SEM) are well known.

EIS는 다양한 주파수 범위의 교류 전류를 측정 대상 시스템에 부여하여 주파수에 따른 진폭과 위상의 변화를 측정하고, 이를 지정된 방식으로 처리하여 임피던스를 분석하는 측정법으로 부식, 이차전지, 반도체, 바이오 센서 등 다양한 분야에서 활용되는 기법이다. 기존 연구에서 EIS는 측정 대상 시스템을 등가 회로 모델로 근사한 뒤, 얻어진 EIS 데이터를 바탕으로 등가 회로 모델의 각 구성별 임피던스를 구하는 방법이 많이 사용되고 있다.EIS is a measurement method that measures changes in amplitude and phase according to frequency by applying alternating currents in various frequency ranges to the measurement target system, processes them in a designated way, and analyzes impedance. It is used for various applications such as corrosion, secondary batteries, semiconductors, and biosensors. This is a technique used in the field. In existing research, the EIS method is often used by approximating the measurement target system to an equivalent circuit model and then calculating the impedance for each component of the equivalent circuit model based on the obtained EIS data.

현재 EIS에서는 획득된 EIS 데이터의 진폭과 위상을 주로 복소수 평면에 나타내는데, 이를 나이퀴스트(Nyquist) 법이라고 부른다.Currently, in EIS, the amplitude and phase of the acquired EIS data are mainly expressed in the complex plane, which is called the Nyquist method.

도 1은 EIS 데이터에 따른 나이퀴스트 선도의 일 예를 나타내고, 도 2는 시스템 등가 회로의 일 예를 나타낸다.Figure 1 shows an example of a Nyquist diagram according to EIS data, and Figure 2 shows an example of a system equivalent circuit.

도 1에 도시된 바와 같이, 일반적으로 EIS 데이터는 반원 형상으로 나타나게 된다. 그리고 도 1과 같이 나타난 EIS 데이터는 도 2와 같이 측정 대상 시스템에 대응하도록 표현된 등가 회로의 각 구성별 임피던스가 된다. 여기서 획득된 임피던스는 바이오 센서, 전극 표면 반응, 배터리 건강 상태 진단 등을 표현할 수 있다.As shown in FIG. 1, EIS data generally appears in a semicircular shape. And the EIS data shown in FIG. 1 becomes the impedance for each component of the equivalent circuit expressed to correspond to the measurement target system as shown in FIG. 2. The impedance obtained here can express biosensors, electrode surface reactions, battery health status diagnosis, etc.

이와 같은 EIS 기반 전기화학적 등가회로 모델 파라미터는 전기적 모델 파라미터와 다르게 각 파라미터의 의미를 배터리 내부 물질의 변화와 함께 설명할 수 있다. 따라서 등가회로 모델의 특성 변수를 통해 배터리의 노화나 상태를 진단하는 연구가 진행되고 있다.Unlike electrical model parameters, these EIS-based electrochemical equivalent circuit model parameters can explain the meaning of each parameter along with changes in materials inside the battery. Therefore, research is underway to diagnose the aging or condition of the battery through the characteristic variables of the equivalent circuit model.

도 2는 측정 대상 시스템이 리튬 이온 배터리인 경우의 등가 회로 모델로서 도 2에서 L은 고주파에서 배터리와 연결된 전선에 의한 인덕턴스를 나타내고, R0는 전해질 및 접촉 저항을 의미한다. 그리고 도 1의 나이퀴스트 선도의 반원에서 추출할 수 있는 RC 병렬 회로에서 (R1, R2)와 (CPE1, CPE2)는 각각 전극 계면에서 산회 및 환원 반응 때문에 발생하는 전하전달과 이중층 캐패시턴스를 나타내며, W는 와버그 임피던스(Warburg impedance)이다.Figure 2 is an equivalent circuit model when the system to be measured is a lithium ion battery. In Figure 2, L represents the inductance caused by the wire connected to the battery at high frequency, and R0 represents the electrolyte and contact resistance. And in the RC parallel circuit that can be extracted from the semicircle of the Nyquist diagram in Figure 1, (R1, R2) and (CPE1, CPE2) represent the charge transfer and double layer capacitance that occur due to oxidation and reduction reactions at the electrode interface, respectively, W is Warburg impedance.

도 3은 SEM을 이용하여 획득한 리튬 이온 배터리의 전극 이미지의 일 예를 나타낸다. Figure 3 shows an example of an electrode image of a lithium ion battery obtained using SEM.

SEM은 미세 전자빔을 시편의 정해진 영역에 주사하여, 시편의 표면의 3차원 미세형태, 미세조직, 화학조성, 원소분포 등을 분석할 수 있는 현미경이다. 도 3에 도시된 바와 같이, SEM을 이용하여 관찰 대상에 대한 이미지를 획득하는 경우, 관찰 대상의 원료로 사용되는 분말의 입자 크기, 절연 멤브레인에서의 기공 및 섬유 크기, 생산 공정 후 전극의 3차원 구조, 전기적 또는 열적 반응 및 배터리 하위층 오염 물질 등을 용이하게 분석할 수 있어, SEM은 매우 다용도적으로 활용되고 있다. 다만 EIS의 경우, 측정 대상 시스템에 교류 전류를 인가하는 비파괴 방식인 반면, SEM을 이용하는 경우, 실제적 관측을 위해 시스템을 분해해야 하는 파괴 방식이라는 한계가 있다. 따라서 분석을 위해 매번 관측 대상이 외부에서 관찰 가능하도록 대상 시스템을 파괴해야 하므로, 시간과 비용이 많이 소비된다는 단점으로 작용한다.SEM is a microscope that can analyze the three-dimensional micro-shape, microstructure, chemical composition, and element distribution of the surface of a specimen by scanning a fine electron beam to a designated area of the specimen. As shown in Figure 3, when acquiring an image of an object to be observed using SEM, the particle size of the powder used as a raw material of the object to be observed, the size of the pores and fibers in the insulating membrane, and the three-dimensional shape of the electrode after the production process SEM is very versatile as it can easily analyze the structure, electrical or thermal response, and contaminants in the lower layers of the battery. However, in the case of EIS, it is a non-destructive method of applying alternating current to the system to be measured, whereas the use of SEM has the limitation of being a destructive method that requires disassembling the system for actual observation. Therefore, for analysis, the target system must be destroyed each time so that the observation target can be observed from the outside, which has the disadvantage of consuming a lot of time and money.

또한 EIS나 SEM으로도 추정하기 힘든 각종 파라미터가 존재한다는 문제가 있다. 예를 들어, 리튬 이온 배터리의 경우, 전극의 기공도(porosity), 굴곡도(tortuosity), 입자 네트워크의 상호 연결성, 이온 전도도, 그리고 활물질과 전해질 간 접촉율 등과 같은 특성(파라미터)은 EIS 또는 SEM과 같은 일반적인 방법으로는 검출하기 어렵다는 문제가 있다. 이와 같은 전극 파라미터들은 EIS나 SEM 이외에 또 다른 별도 여러 방식을 이용하여 검출해야 하므로, 배터리 제조를 어렵게 하는 요인이 되고 있다.Additionally, there is a problem that there are various parameters that are difficult to estimate with EIS or SEM. For example, in the case of lithium-ion batteries, properties (parameters) such as electrode porosity, tortuosity, particle network interconnectivity, ionic conductivity, and contact ratio between active material and electrolyte can be measured using EIS or SEM. There is a problem that it is difficult to detect using general methods such as . These electrode parameters must be detected using various methods other than EIS or SEM, making battery manufacturing difficult.

한국 등록 특허 제10-2178444호 (2020.11.09 등록)Korea Registered Patent No. 10-2178444 (registered on November 9, 2020)

본 발명의 목적은 EIS 데이터를 기반으로 EIS나 SEM으로 검출할 수 없는 배터리 전극 특성을 용이하게 검출할 수 있는 전극 특성 검출 장치 및 방법을 제공하는데 있다.The purpose of the present invention is to provide an electrode characteristic detection device and method that can easily detect battery electrode characteristics that cannot be detected by EIS or SEM based on EIS data.

본 발명의 다른 목적은 저비용으로 빠르게 다양한 전극 특성을 검출할 수 있도록 하는 전극 특성 검출 장치 및 방법을 제공하는데 있다.Another object of the present invention is to provide an electrode characteristic detection device and method that can detect various electrode characteristics quickly and at low cost.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 전극 특성 검출 장치는 분석 대상인 배터리에 대해 전기화학 임피던스 분광법(이하 EIS)를 수행하여 수집된 EIS 데이터를 획득하는 EIS 데이터 획득부; 및 미리 학습되고 다수의 연산 레이어를 포함하는 인공 신경망으로 구현되어 상기 EIS 데이터를 인가받고, 학습된 방식에 따라 신경망 연산을 수행하여 상기 배터리의 전극 특성을 출력하고, 상기 다수의 연산 레이어 중 중간에 위치하는 하나의 레이어에 포함된 다수의 노드 중 기지정된 개수의 노드는 상기 배터리에 대응하는 등가 회로 모델의 구성 요소별 임피던스인 EIS 파라미터를 출력하는 전극 특성 추출부를 포함한다.An electrode characteristic detection device according to an embodiment of the present invention for achieving the above object includes an EIS data acquisition unit that acquires EIS data collected by performing electrochemical impedance spectroscopy (EIS) on a battery that is an analysis target; and is implemented as an artificial neural network that is pre-trained and includes a plurality of calculation layers to receive the EIS data, perform neural network calculation according to the learned method to output electrode characteristics of the battery, and output electrode characteristics of the battery in the middle of the plurality of calculation layers. Among the plurality of nodes included in one positioned layer, a predetermined number of nodes include an electrode characteristic extractor that outputs an EIS parameter, which is an impedance for each component of the equivalent circuit model corresponding to the battery.

상기 전극 특성 추출부는 학습 시에 배터리에 대해 미리 EIS를 수행하여 획득된 학습 EIS 데이터와 사전에 별도의 방식으로 획득된 학습 전극 특성 각각과 상기 EIS 파라미터로부터 재구성되는 재구성 EIS 데이터와 상기 전극 특성 사이의 차이에 따른 손실을 계산하여 역전파함으로써 학습될 수 있다.The electrode characteristic extraction unit determines the relationship between the learning EIS data obtained by performing EIS on the battery in advance during learning, each of the learning electrode characteristics obtained in advance in a separate manner, and the reconstructed EIS data reconstructed from the EIS parameters and the electrode characteristics. It can be learned by calculating the loss based on the difference and back-propagating it.

상기 전극 특성 추출부는 학습 시에 상기 EIS 파라미터를 상기 배터리의 구조에 대응하도록 미리 구성된 회로 모델의 각 구성 요소의 임피던스로 적용하여 상기 배터리에 대한 등가 회로 모델을 획득하고, 획득된 등가 회로 모델을 이용하여 EIS 데이터를 재구성함으로써 획득된 상기 재구성 EIS 데이터와 상기 EIS 데이터 사이의 차이에 따른 제1 손실을 계산하여 학습될 수 있다.During learning, the electrode characteristic extraction unit obtains an equivalent circuit model for the battery by applying the EIS parameters as the impedance of each component of a circuit model pre-configured to correspond to the structure of the battery, and uses the obtained equivalent circuit model. It can be learned by calculating a first loss according to the difference between the reconstructed EIS data and the EIS data obtained by reconstructing the EIS data.

상기 전극 특성 추출부는 학습 시에 상기 제1 손실은 상기 다수의 연산 레이어에서 상기 EIS 파라미터를 출력하는 연산 레이어의 다수의 노드로 역전파되고, 상기 학습 전극 특성과 상기 전극 특성 사이의 차이에 따라 계산되는 제2 손실은 상기 전극 특성이 출력되는 최종단의 연산 레이어로 역전파되어 학습될 수 있다.When the electrode characteristic extractor learns, the first loss is back-propagated from the plurality of calculation layers to a plurality of nodes of the calculation layer that outputs the EIS parameters, and is calculated according to the difference between the learning electrode characteristics and the electrode characteristics. The second loss can be learned by back-propagating to the final calculation layer where the electrode characteristics are output.

상기 전극 특성은 상기 배터리의 전극에 대해 주사 전자 현미경(SEM)을 이용하여 관측되는 SEM 이미지를 기반으로 획득할 수 있는 입자 크기 분포와 EIS나 SEM 이외의 방식으로 획득되어야 하는 전극의 기공도(porosity), 굴곡도(tortuosity), 입자 네트워크의 상호 연결성, 이온 전도도, 그리고 활물질과 전해질 간 접촉율 중 적어도 하나 이상을 포함할 수 있다.The electrode characteristics include particle size distribution that can be obtained based on SEM images observed using a scanning electron microscope (SEM) for the electrode of the battery, and porosity of the electrode that must be obtained by a method other than EIS or SEM. ), tortuosity, interconnectivity of the particle network, ionic conductivity, and contact rate between the active material and the electrolyte.

상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 전극 특성 검출 방법은 분석 대상인 배터리에 대해 전기화학 임피던스 분광법(이하 EIS)를 수행하여 수집된 EIS 데이터를 획득하는 단계; 및 미리 학습되고 다수의 연산 레이어를 포함하는 인공 신경망으로 구현되어 상기 EIS 데이터를 인가받고, 학습된 방식에 따라 신경망 연산을 수행하여 상기 배터리의 전극 특성을 출력하며, 상기 다수의 연산 레이어 중 중간에 위치하는 하나의 레이어에 포함된 다수의 노드 중 기지정된 개수의 노드는 상기 배터리에 대응하는 등가 회로 모델의 구성 요소별 임피던스인 EIS 파라미터를 출력하는 단계를 포함한다.A method for detecting electrode characteristics according to another embodiment of the present invention to achieve the above object includes obtaining EIS data collected by performing electrochemical impedance spectroscopy (EIS) on a battery that is an analysis target; And it is implemented as an artificial neural network that is learned in advance and includes a plurality of computational layers to receive the EIS data, perform neural network calculation according to the learned method, and output electrode characteristics of the battery, and in the middle of the plurality of computational layers A predetermined number of nodes among a plurality of nodes included in one positioned layer includes outputting EIS parameters, which are impedances for each component of the equivalent circuit model corresponding to the battery.

따라서, 본 발명의 실시예에 따른 전극 특성 검출 장치 및 방법은 비파괴 방식인 EIS 기법을 이용하여 획득된 EIS 데이터를 기반으로 SEM으로 추정할 수 있는 데이터뿐만 아니라 EIS나 SEM으로 추정할 수 없는 다양한 전극 특성을 저비용으로 빠르게 검출할 수 있도록 하여 배터리를 제조 효율을 개선할 수 있다.Therefore, the electrode characteristic detection device and method according to an embodiment of the present invention includes not only data that can be estimated by SEM based on EIS data acquired using a non-destructive EIS technique, but also various electrodes that cannot be estimated by EIS or SEM. Battery manufacturing efficiency can be improved by allowing characteristics to be detected quickly and at low cost.

도 1은 EIS 데이터에 따른 나이퀴스트 선도의 일 예를 나타낸다.
도 2는 시스템 등가 회로의 일 예를 나타낸다.
도 3은 SEM을 이용하여 획득한 리튬 이온 배터리의 전극 이미지의 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 전극 특성 검출 장치의 개략적 구조를 나타낸다.
도 5는 도 4의 전극 특성 추정부의 개략적 구조와 학습 방법을 나타낸다.
도 6은 본 발명의 일 실시예에 따른 전극 특성 검출 방법을 나타낸다.Figure 1 shows an example of a Nyquist diagram according to EIS data.
Figure 2 shows an example of a system equivalent circuit.
Figure 3 shows an example of an electrode image of a lithium ion battery obtained using SEM.
Figure 4 shows a schematic structure of an electrode characteristic detection device according to an embodiment of the present invention.
Figure 5 shows the schematic structure and learning method of the electrode characteristic estimation unit of Figure 4.
Figure 6 shows a method for detecting electrode characteristics according to an embodiment of the present invention.

본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다. In order to fully understand the present invention, its operational advantages, and the objectives achieved by practicing the present invention, reference should be made to the accompanying drawings illustrating preferred embodiments of the present invention and the contents described in the accompanying drawings.

이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써, 본 발명을 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다. Hereinafter, the present invention will be described in detail by explaining preferred embodiments of the present invention with reference to the accompanying drawings. However, the present invention may be implemented in many different forms and is not limited to the described embodiments. In order to clearly explain the present invention, parts that are not relevant to the description are omitted, and the same reference numerals in the drawings indicate the same members.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈", "블록" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. Throughout the specification, when a part "includes" a certain element, this does not mean excluding other elements, unless specifically stated to the contrary, but rather means that it may further include other elements. In addition, terms such as "... unit", "... unit", "module", and "block" used in the specification refer to a unit that processes at least one function or operation, which is hardware, software, or hardware. and software.

도 4는 본 발명의 일 실시예에 따른 전극 특성 검출 장치의 개략적 구조를 나타내고, 도 5는 도 4의 전극 특성 추정부의 개략적 구조와 학습 방법을 나타낸다.Figure 4 shows a schematic structure of an electrode characteristic detection device according to an embodiment of the present invention, and Figure 5 shows a schematic structure and learning method of the electrode characteristic estimation unit of Figure 4.

도 4를 참조하면, 본 실시예에 따른 전극 특성 검출 장치는 EIS 데이터 획득부(100)와 전극 특성 추출부(200)를 포함한다.Referring to FIG. 4, the electrode characteristic detection device according to this embodiment includes an EIS data acquisition unit 100 and an electrode characteristic extraction unit 200.

EIS 데이터 획득부(100)는 기존과 동일하게 분석 대상이 되는 배터리에 기지정된 다양한 주파수 범위의 교류 전류를 인가하여, 주파수에 따른 진폭과 위상의 변화를 측정하여 EIS 데이터(X)를 획득한다. EIS 데이터 획득부(100)는 분석 대상 배터리에 대해 EIS를 수행하는 EIS 검사 장치로 구현될 수도 있으나, 미리 획득된 EIS 데이터(X)가 저장된 저장 장치 또는 EIS 데이터(X)를 인가받는 통신 모듈 등으로 구현될 수도 있다.As before, the EIS data acquisition unit 100 applies alternating current in various predetermined frequency ranges to the battery to be analyzed, measures changes in amplitude and phase according to frequency, and obtains EIS data (X). The EIS data acquisition unit 100 may be implemented as an EIS inspection device that performs EIS on a battery subject to analysis, but may also be implemented as a storage device storing pre-acquired EIS data (X) or a communication module that receives EIS data (X). It can also be implemented as:

전극 특성 추출부(200)는 미리 학습된 인공 신경망으로 구현되어, EIS 데이터(X)가 인가되면 학습 방식에 따라 신경망 연산을 수행하여 기지정된 다수의 전극 특성()을 추정하여 획득한다. 여기서 전극 특성 추출부(200)는 EIS로 획득할 수 없는 전극 특성()을 획득할 수 있으며, SEM을 이용하여 획득할 수 있는 전극 특성과 EIS나 SEM을 이용하여 획득할 수 없는 전극 특성() 또한 획득할 수 있다. 예로서 전극 특성 추출부(200)는 SEM을 이용하여 획득할 수 있는 전극 특징()으로 입자 크기 분포와 함께 EIS나 SEM으로도 획득할 수 없는 전극 특징()인 고체 및 액체상에서의 굴곡도, 활물질과 전해질 접촉 비율, 활물질 및 도전재로 덮인 집전체 비율 등을 추정하여 획득할 수 있다.The electrode characteristic extraction unit 200 is implemented with a pre-trained artificial neural network, and when EIS data ( ) is obtained by estimating. Here, the electrode characteristic extraction unit 200 uses electrode characteristics that cannot be obtained through EIS ( ) can be obtained, and electrode characteristics that can be acquired using SEM and electrode characteristics that cannot be acquired using EIS or SEM ( ) can also be obtained. As an example, the electrode characteristic extraction unit 200 may use electrode characteristics that can be acquired using SEM ( ), along with particle size distribution and electrode characteristics that cannot be obtained by EIS or SEM ( ) can be obtained by estimating the curvature in the solid and liquid phases, the contact ratio between the active material and the electrolyte, and the ratio of the current collector covered with the active material and conductive material.

특히 본 실시예에서 전극 특성 추출부(200)는 기지정된 다수의 전극 특성()을 추출하는 과정에서 배터리 회로 모델에 대한 EIS 파라미터를 함께 추정하여 획득할 수 있다.In particular, in this embodiment, the electrode characteristic extraction unit 200 selects a plurality of predetermined electrode characteristics ( ) can be obtained by estimating the EIS parameters for the battery circuit model together.

도 5를 참조하면, 본 실시예에 따른 전극 특성 추출부(200)는 각각 다수의 노드를 포함하는 n개의 연산 레이어(l1 ~ Ln)로 구성되는 인공 신경망으로 구현될 수 있다. 여기서 n개의 연산 레이어(l1 ~ Ln)로 구성되는 전극 특성 추출부(200)에서 제1 연산 레이어(l1)는 입력 레이어로서 EIS 데이터 획득부(100)에서 획득된 EIS 데이터(X)가 입력되고, 최종단에 위치하는 제n 연산 레이어(ln)는 출력 레이어로서 학습된 방식에 따라 요구되는 다수의 서로 다른 전극 특성()을 출력할 수 있다. 그리고 n개의 연산 레이어(l1 ~ Ln) 중 중간에 위치하는 연산 레이어는 은닉 레이어로서 제1 연산 레이어(l1)에 인가된 EIS 데이터로부터 제n 연산 레이어(ln)에서 출력되어야 하는 전극 특성()을 추출하기 위한 중간 연산을 수행한다.Referring to FIG. 5, the electrode characteristic extractor 200 according to this embodiment may be implemented as an artificial neural network composed of n computational layers (l 1 to L n ) each including a plurality of nodes. Here, in the electrode characteristic extraction unit 200 consisting of n calculation layers (l 1 to L n ), the first calculation layer (l 1 ) is the input layer and is the EIS data (X) acquired from the EIS data acquisition unit 100. is input, and the n-th operation layer (l n ) located at the final stage is an output layer and has a number of different electrode characteristics (l n) required according to the learned method. ) can be output. And the calculation layer located in the middle among the n calculation layers (l 1 to L n ) is a hidden layer and is an electrode that must be output from the n-th calculation layer (l n ) from the EIS data applied to the first calculation layer (l 1 ). characteristic( ) performs an intermediate operation to extract

다만 본 실시예에서 전극 특성 추출부(200)는 중간 연산 레이어(l2 ~ Ln-1) 중 기지정된 위치의 하나 연산 레이어(여기서는 일 예로 제n-1 연산 레이어(ln-1))는 포함된 다수의 노드 중 기지정된 개수의 노드로 구성된 제1 노드 그룹(N1)이 EIS 데이터를 기반으로 회로 모델로 표현 가능한 EIS 파라미터들을 출력하도록 미리 학습된다. 여기서 회로 모델로 표현 가능한 EIS 파라미터는 상기한 바와 같이, 회로 모델의 각 구성 요소에 대한 임피던스 일 수 있다. 제1 노드 그룹에 포함되지 않은 노드들로 구성된 나머지 노드들은 제2 노드 그룹(N1)에 포함되어 EIS 파라미터와 무관한 특성을 도출하도록 학습된다.However, in this embodiment, the electrode characteristic extraction unit 200 is one calculation layer (here, as an example, the n- 1th calculation layer (l n-1 )) at a predetermined position among the intermediate calculation layers (l 2 to L n-1 ). is learned in advance so that the first node group (N 1 ), which consists of a predetermined number of nodes among the included plurality of nodes, outputs EIS parameters that can be expressed as a circuit model based on EIS data. Here, the EIS parameter that can be expressed in the circuit model may be the impedance for each component of the circuit model, as described above. The remaining nodes consisting of nodes not included in the first node group are included in the second node group (N 1 ) and are learned to derive characteristics unrelated to the EIS parameters.

전극 특성 추출부(200)가 중간 연산 레이어(l2 ~ Ln-1) 중 하나의 레이어에서 기지정된 제1 노드 그룹(N1)의 노드들이 EIS 파라미터를 추정하도록 하는 것은 EIS 데이터(X)만을 기반으로 기존에 EIS 데이터로 추청할 수 없는 다른 전극 특성()을 추출할 때, 전극 특성 추출부(200)가 정상적으로 전극 특성()을 추출하는지 부가적으로 확인할 수 있도록 하기 위함이다. 비록 명시적으로 EIS 데이터와 연관성이 명시적으로 밝혀지지 않은 전극 특성()에서도 EIS 데이터(X)에 대한 의존성이 포함되어 있다고 볼 수 있으므로, 제1 노드 그룹(N1)은 EIS 파라미터를 추출하도록 하여 EIS 데이터(X)와 연관된 특성이 제n 연산 레이어(ln)에서 출력되는 전극 특성()에 반영되도록 하고, 제2 노드 그룹(N2)은 EIS 데이터(X)와 연관된 특성이 전극 특성()에 반영되도록 하기 위함이다.The electrode characteristic extraction unit 200 causes the nodes of the first node group (N 1 ) predetermined in one of the intermediate calculation layers (l 2 to L n-1 ) to estimate the EIS parameters using the EIS data (X). Other electrode characteristics that cannot be inferred from existing EIS data based only on ), the electrode characteristic extraction unit 200 normally extracts the electrode characteristics ( ) is extracted so that it can be additionally confirmed. Electrode characteristics, although not explicitly correlated with EIS data ( ) can be seen as including a dependency on the EIS data (X), so the first node group (N 1 ) extracts the EIS parameters so that the characteristics associated with the EIS data ( Electrode characteristics output from ( ), and in the second node group (N 2 ), the characteristics associated with the EIS data (X) are reflected in the electrode characteristics ( ) This is to ensure that it is reflected in .

여기서 제1 노드 그룹(N1)에 포함되는 노드들과 제2 노드 그룹(N2)에 포함되는 노드들은 별도로 구분되어 구성되는 것이 아니며, 제1 노드 그룹(N1)에 포함되는 노드들은 인공 신경망으로 구성되는 전극 특성 추출부(200)의 학습 과정에서 임의로 선택되는 노드이다. 그리고 도 4에서는 EIS 파라미터가 출력되는 레이어가 일 예로 n-1번째 연산 레이어(ln-1)인 것으로 도시하였으나, EIS 파라미터는 다른 중간 연산 레이어에서 출력되도록 구성될 수도 있다.Here, the nodes included in the first node group (N 1 ) and the nodes included in the second node group (N 2 ) are not separately configured, and the nodes included in the first node group (N 1 ) are artificial This node is randomly selected during the learning process of the electrode characteristic extraction unit 200 composed of a neural network. And in FIG. 4, the layer through which EIS parameters are output is shown as the n-1th calculation layer (l n-1 ), for example, but the EIS parameters may be configured to be output from another intermediate calculation layer.

이와 같이 전극 특성 추출부(200)가 EIS 데이터(X)만을 인가받아 SEM을 이용하여 획득할 수 있거나, EIS나 SEM으로도 획득할 수 없는 전극 특성()을 추출하기 위해서는 다수의 학습 데이터를 기반으로 미리 학습되어야 한다. 이에 본 실시예의 전극 특성 검출 장치는 학습부(300)를 더 포함할 수 있다.In this way, the electrode characteristic extraction unit 200 receives only the EIS data (X) and can be acquired using SEM, or electrode characteristics that cannot be acquired by EIS or SEM ( ), it must be learned in advance based on a large number of learning data. Accordingly, the electrode characteristic detection device of this embodiment may further include a learning unit 300.

도 4에 도시된 바와 같이, 학습부(300)는 회로 모델 구성부(310), EIS 데이터 재구성부(320), 제1 손실 계산부(330) 및 제2 손실 계산부(340)를 포함할 수 있다.As shown in FIG. 4, the learning unit 300 may include a circuit model construction unit 310, an EIS data reconstruction unit 320, a first loss calculation unit 330, and a second loss calculation unit 340. You can.

회로 모델 구성부(310)는 도 2에 도시된 바와 같이, 분석 대상이 되는 배터리에 대한 회로 모델이 미리 획득되어 저장된다. 그리고 회로 모델 구성부(310)는 전극 특성 추출부(200)의 중간 연산 레이어(l2 ~ Ln-1) 중 하나의 연산 레이어로부터 EIS 파라미터를 인가받아 회로 모델에 적용한다.As shown in FIG. 2, the circuit model configuration unit 310 acquires and stores a circuit model for the battery to be analyzed in advance. Then, the circuit model configuration unit 310 receives the EIS parameters from one of the intermediate calculation layers (l 2 to L n-1 ) of the electrode characteristic extraction unit 200 and applies them to the circuit model.

EIS 데이터 재구성부(320)는 EIS 파라미터가 적용된 회로 모델을 이용하여 재구성 EIS 데이터()를 획득한다. 상기한 바와 같이, EIS를 수행하여 획득된 EIS 데이터(X)에서는 등가 회로 모델의 각 구성의 임피던스가 도출될 수 있다. 따라서 정상적으로 학습된 EIS 파라미터가 회로 모델의 각 구성 요소에 대한 임피던스로 적용되면, 해당 회로 모델은 분석 대상 배터리의 등가 회로 모델인 것으로 볼 수 있다. 이에 EIS 파라미터가 적용된 등가 회로 모델을 기반으로 EIS 데이터(X)를 재구성하여 재구성 EIS 데이터()를 획득할 수 있다. 만일 전극 특성 추출부(200)가 정상적으로 학습되었다면, EIS 데이터(X)와 재구성 EIS 데이터()는 동일해야 한다.The EIS data reconstruction unit 320 uses a circuit model to which EIS parameters are applied to reconstruct EIS data ( ) to obtain. As described above, the impedance of each component of the equivalent circuit model can be derived from the EIS data (X) obtained by performing EIS. Therefore, if the normally learned EIS parameters are applied as the impedance for each component of the circuit model, the circuit model can be viewed as an equivalent circuit model of the battery to be analyzed. Accordingly, the EIS data (X) is reconstructed based on the equivalent circuit model to which the EIS parameters are applied, and the reconstructed EIS data ( ) can be obtained. If the electrode characteristic extraction unit 200 has been learned normally, the EIS data (X) and the reconstructed EIS data ( ) must be the same.

따라서 제1 손실 계산부(330)는 EIS 데이터(X)와 재구성 EIS 데이터() 사이의 차이를 기지정된 방식으로 계산하여 제1 손실(L1)을 획득하고, 획득된 제1 손실(L1)을 전극 특성 추출부(200)에서 EIS 파라미터를 출력하는 연산 레이어의 제1 노드 그룹(N1)으로 인가하여 역전파시킴으로써, 전극 특성 추출부(200)를 학습시킨다.Therefore, the first loss calculation unit 330 uses the EIS data (X) and the reconstructed EIS data ( ) is calculated in a predetermined manner to obtain the first loss (L 1 ), and the obtained first loss (L 1 ) is used as the first loss (L 1 ) of the calculation layer that outputs the EIS parameters from the electrode characteristic extraction unit 200. By applying it to the node group (N 1 ) and back-propagating it, the electrode characteristic extraction unit 200 is trained.

한편, 제2 손실 계산부(340)는 분석 대상인 배터리에 대해 다양한 방식으로 미리 획득된 학습 전극 특성(Y)과 전극 특성 추출부(200)가 EIS 데이터를 인가받아 출력하는 전극 특성() 사이의 차이를 기지정된 방식으로 계산하여 제2 손실(L2)을 획득하고, 획득된 제2 손실(L2)을 최종 연산 레이어(ln)로 인가하여 역전파 시킴으로써, 전극 특성 추출부(200)를 학습시킨다.Meanwhile, the second loss calculation unit 340 receives the learning electrode characteristics (Y) obtained in advance in various ways for the battery that is the subject of analysis and the electrode characteristics (Y) that the electrode characteristic extraction unit 200 outputs by receiving EIS data. ) is calculated in a predetermined manner to obtain the second loss (L 2 ), and the obtained second loss (L 2 ) is applied to the final calculation layer (l n ) for back-propagation, and the electrode characteristic extraction unit Learn (200).

즉 본 실시예에서 전극 특성 추출부(200)는 학습 시에 제1 손실(L1)은 EIS 파라미터를 출력하는 연산 레이어의 제1 노드 그룹(N1)으로 인가되고, 제2 손실(L2)은 최종 연산 레이어(ln)로 인가되어 역전파됨으로써 학습된다. 여기서 제1 손실(L1)과 제2 손실(L2)은 학습 시에 동시에 인가될 수 있다.That is, in this embodiment, when the electrode characteristic extractor 200 learns, the first loss (L 1 ) is applied to the first node group (N 1 ) of the calculation layer that outputs the EIS parameter, and the second loss (L 2 ) is applied to the final computational layer (l n ) and learned by back-propagating. Here, the first loss (L 1 ) and the second loss (L 2 ) may be applied simultaneously during learning.

이와 같은 학습 방식에 의해, 전극 특성 추출부(200)는 상기한 바와 같이, EIS 데이터에 연관되는 특성과 연관되지 않은 특성을 추정하여 최종적으로 요구되는 전극 특성을 도출할 수 있도록 학습된다. By this learning method, the electrode characteristic extraction unit 200 is trained to derive the final required electrode characteristics by estimating characteristics related to and unrelated to the EIS data, as described above.

따라서 본 실시예의 전극 특성 검출 장치는 배터리에 대해 비파괴 방식으로 EIS를 수행하여 획득된 EIS 데이터만을 인가받아 SEM을 수행하여 획득할 수 있는 전극 특성과 EIS나 SEM으로도 획득할 수 없는 전극 특성을 모두 추정하여 획득할 수 있다. 뿐만 아니라, EIS 데이터로부터 별도로 구성된 회로 모델을 이용하지 않고서도 EIS 파라미터를 함께 획득할 수 있다. 결과적으로 분석 대상 배터리에 대해 EIS를 수행하여 획득된 EIS 데이터만으로 EIS 파라미터와 다양한 전극 특성을 용이하게 획득할 수 있다.Therefore, the electrode characteristic detection device of this embodiment receives only the EIS data obtained by performing EIS on the battery in a non-destructive manner and detects both electrode characteristics that can be obtained by performing SEM and electrode characteristics that cannot be obtained by EIS or SEM. It can be obtained by estimation. In addition, EIS parameters can be obtained together without using a circuit model separately constructed from EIS data. As a result, EIS parameters and various electrode characteristics can be easily obtained using only the EIS data obtained by performing EIS on the battery being analyzed.

도 6은 본 발명의 일 실시예에 따른 전극 특성 검출 방법을 나타낸다.Figure 6 shows a method for detecting electrode characteristics according to an embodiment of the present invention.

도 4 및 도 5를 참조하여, 도 6의 전극 특성 검출 방법을 설명하면, 우선 EIS 데이터를 인가받아 전극 특성을 추출하는 인공 신경망인 전극 특성 추출부(200)를 학습시키는 학습 단계(S10)를 수행한다.Referring to FIGS. 4 and 5, the electrode characteristic detection method of FIG. 6 will be described. First, a learning step (S10) of training the electrode characteristic extraction unit 200, which is an artificial neural network that receives EIS data and extracts electrode characteristics, is performed. Perform.

학습 단계(S10)에서는 먼저 미리 획득된 학습 EIS 데이터(X)를 전극 특성 추출부(200)로 인가한다(S11). 여기서 학습 EIS 데이터(X)는 다양한 방식에 따라 전극 특성이 미리 획득된 다수의 배터리에 각각 대해 EIS를 수행하여 획득된 데이터이며, 획득된 전극 특성이 학습 전극 특성으로 매칭된 데이터이다.In the learning step (S10), pre-acquired learning EIS data (X) is first applied to the electrode characteristic extraction unit 200 (S11). Here, the learning EIS data (X) is data obtained by performing EIS on each of a plurality of batteries whose electrode characteristics have been previously acquired according to various methods, and is data in which the acquired electrode characteristics are matched with the learning electrode characteristics.

다수의 연산 레이어를 포함하는 인공 신경망으로 구현된 전극 특성 추출부(200)는 인가된 학습 EIS 데이터(X)로부터 EIS 파라미터와 전극 특성을 추출한다(S12). 이때, 전극 특성은 다수의 연산 레이어 중 최종 연산 레이어에서 출력되며, EIS 파라미터는 다수의 연산 레이어 중 중간 연산 레이어 중 지정된 하나의 연산 레이어에 포함된 다수의 노드 중 기지정된 개수의 노드로부터 출력된다.The electrode characteristic extraction unit 200 implemented as an artificial neural network including a plurality of computational layers extracts EIS parameters and electrode characteristics from the approved learning EIS data (X) (S12). At this time, the electrode characteristics are output from the final calculation layer among the plurality of calculation layers, and the EIS parameters are output from a predetermined number of nodes among the plurality of nodes included in one designated calculation layer among the middle calculation layers among the plurality of calculation layers.

전극 특성 추출부(200)로부터 EIS 파라미터와 전극 특성이 추출되면, 추출된 EIS 파라미터를 배터리에 대응하여 미리 설정된 회로 모델에 적용하여 등가 회로 모델을 획득한다(S13). 그리고 획득된 등가 회로 모델을 이용하여 EIS 데이터를 재구축하여 재구성 EIS 데이터를 획득한다(S14).When the EIS parameters and electrode characteristics are extracted from the electrode characteristic extraction unit 200, the extracted EIS parameters are applied to a preset circuit model corresponding to the battery to obtain an equivalent circuit model (S13). Then, the EIS data is reconstructed using the obtained equivalent circuit model to obtain reconstructed EIS data (S14).

재구성 EIS 데이터가 획득되면, 학습 EIS 데이터(X)와 재구성 EIS 데이터() 사이의 차이를 기지정된 방식으로 계산하여 제1 손실(L1)을 획득한다(S15). 이와 함께 미리 획득된 학습 전극 특성(Y)과 전극 특성 추출부(200)에서 출력된 전극 특성() 사이의 차이를 기지정된 방식으로 계산하여 제2 손실(L2)을 획득한다(S16). 이후 획득된 제1 손실(L1)을 전극 특성 추출부(200)에서 EIS 파라미터를 출력하는 연산 레이어의 노드들로 인가하고, 제2 손실(L2)을 최종 연산 레이어(ln)로 인가하여 역전파 시킴으로써 전극 특성 추출부(200)를 학습시킨다(S17).Once the reconstructed EIS data is acquired, the training EIS data (X) and the reconstructed EIS data ( ) is calculated in a predetermined manner to obtain the first loss (L 1 ) (S15). In addition, the learning electrode characteristics (Y) obtained in advance and the electrode characteristics output from the electrode characteristic extraction unit 200 ( ) is calculated in a predetermined manner to obtain the second loss (L 2 ) (S16). Afterwards, the obtained first loss (L 1 ) is applied to the nodes of the calculation layer that outputs the EIS parameters from the electrode characteristic extraction unit 200, and the second loss (L 2 ) is applied to the final calculation layer (l n ). Then, the electrode characteristic extraction unit 200 is learned by back-propagating (S17).

이후 학습을 종료할지 여부를 판별한다(S18). 학습은 기지정된 횟수만큼 수행되거나, 제1 및 제2 손실(L1, L2)이 기지정된 기준 손실 이하인 경우 종료될 수 있다. 만일 학습을 종료하지 않는 것으로 판별되면, 다시 학습 EIS 데이터(X)를 전극 특성 추출부(200)로 인가하여 학습 단계를 반복 수행한다. 그러나 학습을 종료하는 것으로 판별되면, 전극 특성 검출 단계(S20)를 수행한다.Afterwards, it is determined whether to end learning (S18). Learning may be performed a predetermined number of times, or may be terminated when the first and second losses (L 1 , L 2 ) are less than or equal to a predetermined reference loss. If it is determined that learning has not been completed, the learning EIS data (X) is applied again to the electrode characteristic extraction unit 200 and the learning step is repeated. However, if it is determined that learning is complete, an electrode characteristic detection step (S20) is performed.

전극 특성 검출 단계(S20)에서는 분석 대상이 되는, 즉 전극 특성을 검출하고자 하는 배터리에 대해 EIS를 수행하여 획득된 EIS 데이터를 학습된 인공 신경망으로 구현된 전극 특성 추출부(200)로 인가한다(S21).In the electrode characteristic detection step (S20), the EIS data obtained by performing EIS on the battery that is the subject of analysis, that is, the electrode characteristics of which are to be detected, is applied to the electrode characteristic extraction unit 200 implemented with a learned artificial neural network ( S21).

이에 학습 단계에서 학습된 인공 신경망으로 구현된 전극 특성 추출부(200)는 학습된 방식에 따라 신경망 연산을 수행하여 전극 특성을 추출하여 획득한다(S22). 이때, 전극 특성 추출부(200)는 전극 특성을 추출하는 과정에서 중간 레이어가 획득하는 EIS 파라미터를 함께 출력할 수도 있다.Accordingly, the electrode characteristic extraction unit 200 implemented with an artificial neural network learned in the learning stage extracts and obtains electrode characteristics by performing a neural network operation according to the learned method (S22). At this time, the electrode characteristic extraction unit 200 may also output the EIS parameters acquired by the middle layer in the process of extracting the electrode characteristics.

본 발명에 따른 방법은 컴퓨터에서 실행시키기 위한 매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다. 여기서 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스 될 수 있는 임의의 가용 매체일 수 있고, 또한 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함하며, ROM(판독 전용 메모리), RAM(랜덤 액세스 메모리), CD(컴팩트 디스크)-ROM, DVD(디지털 비디오 디스크)-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등을 포함할 수 있다.The method according to the present invention can be implemented as a computer program stored on a medium for execution on a computer. Here, computer-readable media may be any available media that can be accessed by a computer, and may also include all computer storage media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer-readable instructions, data structures, program modules or other data, including read-only memory (ROM). It may include dedicated memory), RAM (random access memory), CD (compact disk)-ROM, DVD (digital video disk)-ROM, magnetic tape, floppy disk, optical data storage device, etc.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.The present invention has been described with reference to the embodiments shown in the drawings, but these are merely exemplary, and those skilled in the art will understand that various modifications and other equivalent embodiments are possible therefrom.

따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the attached claims.

100: EIS 데이터 획득부 200: 전극 특성 추출부
300: 학습부 310: 회로 모델 구성부
320: EIS 데이터 재구성부 330: 제1 손실 계산부
340: 제2 손실 계산부100: EIS data acquisition unit 200: Electrode characteristic extraction unit
300: Learning unit 310: Circuit model configuration unit
320: EIS data reconstruction unit 330: first loss calculation unit
340: Second loss calculation unit

Claims (10)

분석 대상인 배터리에 대해 전기화학 임피던스 분광법(이하 EIS)를 수행하여 수집된 EIS 데이터를 획득하는 EIS 데이터 획득부; 및
미리 학습되고 다수의 연산 레이어를 포함하는 인공 신경망으로 구현되어 상기 EIS 데이터를 인가받고, 학습된 방식에 따라 신경망 연산을 수행하여 상기 배터리의 전극 특성을 출력하고, 상기 다수의 연산 레이어 중 중간에 위치하는 하나의 레이어에 포함된 다수의 노드 중 기지정된 개수의 노드는 상기 배터리에 대응하는 등가 회로 모델의 구성 요소별 임피던스인 EIS 파라미터를 출력하는 전극 특성 추출부를 포함하는 전극 특성 검출 장치.An EIS data acquisition unit that acquires EIS data collected by performing electrochemical impedance spectroscopy (EIS) on the battery being analyzed; and
It is implemented as an artificial neural network that is pre-trained and includes a plurality of calculation layers, receives the EIS data, performs neural network calculation according to the learned method, outputs the electrode characteristics of the battery, and is located in the middle of the plurality of calculation layers. A predetermined number of nodes among a plurality of nodes included in one layer include an electrode characteristic extraction unit that outputs an EIS parameter that is an impedance for each component of an equivalent circuit model corresponding to the battery. 제1항에 있어서, 상기 전극 특성 추출부는
학습 시에 배터리에 대해 미리 EIS를 수행하여 획득된 학습 EIS 데이터와 사전에 별도의 방식으로 획득된 학습 전극 특성 각각과 상기 EIS 파라미터로부터 재구성되는 재구성 EIS 데이터와 상기 전극 특성 사이의 차이에 따른 손실을 계산하여 역전파함으로써 학습되는 전극 특성 검출 장치.The method of claim 1, wherein the electrode characteristic extraction unit
During learning, loss due to the difference between the learning EIS data obtained by performing EIS on the battery in advance, each of the learning electrode characteristics acquired in advance in a separate manner, and the reconstructed EIS data reconstructed from the EIS parameters and the electrode characteristics An electrode characteristic detection device that learns by calculating and back-propagating. 제2항에 있어서, 상기 전극 특성 추출부는
학습 시에 상기 EIS 파라미터를 상기 배터리의 구조에 대응하도록 미리 구성된 회로 모델의 각 구성 요소의 임피던스로 적용하여 상기 배터리에 대한 등가 회로 모델을 획득하고, 획득된 등가 회로 모델을 이용하여 EIS 데이터를 재구성함으로써 획득된 상기 재구성 EIS 데이터와 상기 EIS 데이터 사이의 차이에 따른 제1 손실을 계산하여 학습되는 전극 특성 검출 장치.The method of claim 2, wherein the electrode characteristic extraction unit
During learning, the EIS parameters are applied as the impedance of each component of the circuit model pre-configured to correspond to the structure of the battery to obtain an equivalent circuit model for the battery, and the EIS data is reconstructed using the obtained equivalent circuit model. An electrode characteristic detection device that is learned by calculating a first loss according to the difference between the reconstructed EIS data and the EIS data obtained by doing so. 제3항에 있어서, 상기 전극 특성 추출부는
학습 시에 상기 제1 손실은 상기 다수의 연산 레이어에서 상기 EIS 파라미터를 출력하는 연산 레이어의 다수의 노드로 역전파되고, 상기 학습 전극 특성과 상기 전극 특성 사이의 차이에 따라 계산되는 제2 손실은 상기 전극 특성이 출력되는 최종단의 연산 레이어로 역전파되어 학습되는 전극 특성 검출 장치.The method of claim 3, wherein the electrode characteristic extraction unit
During learning, the first loss is back-propagated from the plurality of computational layers to a plurality of nodes of the computational layer that outputs the EIS parameters, and the second loss calculated according to the difference between the learning electrode characteristics and the electrode characteristics is An electrode characteristic detection device in which the electrode characteristics are back-propagated and learned to the final calculation layer where the electrode characteristics are output. 제1항에 있어서, 상기 전극 특성은
상기 배터리의 전극에 대해 주사 전자 현미경(SEM)을 이용하여 관측되는 SEM 이미지를 기반으로 획득할 수 있는 입자 크기 분포와 EIS나 SEM 이외의 방식으로 획득되어야 하는 전극의 기공도(porosity), 굴곡도(tortuosity), 입자 네트워크의 상호 연결성, 이온 전도도, 그리고 활물질과 전해질 간 접촉율 중 적어도 하나 이상을 포함하는 전극 특성 검출 장치.The method of claim 1, wherein the electrode characteristics are
Particle size distribution that can be obtained based on SEM images observed using a scanning electron microscope (SEM) for the electrode of the battery, and porosity and curvature of the electrode that must be obtained by methods other than EIS or SEM A device for detecting electrode properties including at least one of (tortuosity), interconnectivity of particle network, ionic conductivity, and contact rate between active material and electrolyte. 분석 대상인 배터리에 대해 전기화학 임피던스 분광법(이하 EIS)를 수행하여 수집된 EIS 데이터를 획득하는 단계; 및
미리 학습되고 다수의 연산 레이어를 포함하는 인공 신경망으로 구현되어 상기 EIS 데이터를 인가받고, 학습된 방식에 따라 신경망 연산을 수행하여 상기 배터리의 전극 특성을 출력하며, 상기 다수의 연산 레이어 중 중간에 위치하는 하나의 레이어에 포함된 다수의 노드 중 기지정된 개수의 노드는 상기 배터리에 대응하는 등가 회로 모델의 구성 요소별 임피던스인 EIS 파라미터를 출력하는 단계를 포함하는 전극 특성 검출 방법.Obtaining EIS data collected by performing electrochemical impedance spectroscopy (EIS) on the battery to be analyzed; and
It is implemented as an artificial neural network that is pre-trained and includes a plurality of calculation layers, receives the EIS data, performs neural network calculation according to the learned method, and outputs the electrode characteristics of the battery, located in the middle of the plurality of calculation layers. A method for detecting electrode characteristics including outputting EIS parameters, which are impedances for each component of an equivalent circuit model corresponding to the battery, for a predetermined number of nodes among a plurality of nodes included in one layer. 제6항에 있어서, 상기 전극 특성 검출 방법은
상기 EIS 데이터를 획득하는 단계 이전, 상기 배터리에 대해 미리 EIS를 수행하여 획득된 학습 EIS 데이터와 사전에 별도의 방식으로 획득된 학습 전극 특성 각각과 상기 EIS 파라미터로부터 재구성되는 재구성 EIS 데이터와 상기 전극 특성 사이의 차이에 따른 손실을 계산하여 역전파함으로써 상기 인공 신경망에 대한 학습을 수행하는 단계를 더 포함하는 전극 특성 검출 방법.The method of claim 6, wherein the electrode characteristic detection method is
Before the step of acquiring the EIS data, the reconstructed EIS data and the electrode characteristics are reconstructed from the training EIS data obtained by performing EIS on the battery in advance, the learning electrode characteristics acquired in advance in a separate manner, and the EIS parameters. A method for detecting electrode characteristics, further comprising performing learning on the artificial neural network by calculating a loss according to the difference between the two and back-propagating it. 제7항에 있어서, 상기 학습을 수행하는 단계는
상기 EIS 파라미터로부터 상기 재구성 EIS 데이터를 획득하고, 상기 재구성 EIS 데이터와 상기 EIS 데이터 사이의 차이에 따른 제1 손실을 계산하는 단계;
상기 학습 전극 특성과 상기 전극 특성 사이의 차이에 따른 제2 손실을 계산하는 단계; 및
상기 제1 손실을 상기 다수의 연산 레이어에서 상기 EIS 파라미터를 출력하는 연산 레이어의 다수의 노드로 역전파하고, 상기 제2 손실을 상기 전극 특성이 출력되는 최종단의 연산 레이어로 역전파하는 단계를 포함하는 전극 특성 검출 방법.The method of claim 7, wherein the step of performing the learning is
Obtaining the reconstructed EIS data from the EIS parameters and calculating a first loss according to the difference between the reconstructed EIS data and the EIS data;
calculating a second loss according to the difference between the learning electrode characteristics and the electrode characteristics; and
Back-propagating the first loss from the plurality of calculation layers to a plurality of nodes of the calculation layer that outputs the EIS parameters, and back-propagating the second loss to the final calculation layer where the electrode characteristics are output. Method for detecting electrode characteristics. 제8항에 있어서, 상기 제1 손실을 계산하는 단계는
상기 EIS 파라미터를 상기 배터리의 구조에 대응하도록 미리 구성된 회로 모델의 각 구성 요소의 임피던스로 적용하여 상기 배터리에 대한 등가 회로 모델을 획득하는 단계; 및
획득된 등가 회로 모델을 이용하여 EIS 데이터를 재구성하여 상기 재구성 EIS 데이터를 획득하는 단계를 포함하는 전극 특성 검출 방법.The method of claim 8, wherein calculating the first loss comprises
Obtaining an equivalent circuit model for the battery by applying the EIS parameters as impedances of each component of a circuit model pre-configured to correspond to the structure of the battery; and
An electrode characteristic detection method comprising the step of reconstructing EIS data using the obtained equivalent circuit model and obtaining the reconstructed EIS data. 제6항에 있어서, 상기 전극 특성은
상기 배터리의 전극에 대해 주사 전자 현미경(SEM)을 이용하여 관측되는 SEM 이미지를 기반으로 획득할 수 있는 입자 크기 분포와 EIS나 SEM 이외의 방식으로 획득되어야 하는 전극의 기공도(porosity), 굴곡도(tortuosity), 입자 네트워크의 상호 연결성, 이온 전도도, 그리고 활물질과 전해질 간 접촉율 중 적어도 하나 이상을 포함하는 전극 특성 검출 방법.The method of claim 6, wherein the electrode characteristics are
Particle size distribution that can be obtained based on SEM images observed using a scanning electron microscope (SEM) for the electrode of the battery, and porosity and curvature of the electrode that must be obtained by methods other than EIS or SEM A method for detecting electrode properties including at least one of (tortuosity), interconnectivity of the particle network, ionic conductivity, and contact rate between the active material and the electrolyte.
KR1020210142862A 2021-10-25 2021-10-25 Electrode Characteristic Detection Apparatus and Method KR102635229B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210142862A KR102635229B1 (en) 2021-10-25 2021-10-25 Electrode Characteristic Detection Apparatus and Method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210142862A KR102635229B1 (en) 2021-10-25 2021-10-25 Electrode Characteristic Detection Apparatus and Method

Publications (2)

Publication Number Publication Date
KR20230058965A KR20230058965A (en) 2023-05-03
KR102635229B1 true KR102635229B1 (en) 2024-02-08

Family

ID=86380511

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210142862A KR102635229B1 (en) 2021-10-25 2021-10-25 Electrode Characteristic Detection Apparatus and Method

Country Status (1)

Country Link
KR (1) KR102635229B1 (en)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11594770B2 (en) * 2017-05-03 2023-02-28 Semiconductor Energy Laboratory Co., Ltd. Neural network, power storage system, vehicle, and electronic device
KR102106775B1 (en) * 2018-08-14 2020-05-06 오토시맨틱스 주식회사 Diagnosis method of battery using Deep Learning
KR102178444B1 (en) 2018-12-19 2020-11-13 주식회사 포스코 Apparatus for analyzing microstructure
KR20200117794A (en) * 2019-04-05 2020-10-14 주식회사 엘지화학 Apparatus and method for managing battery

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
비특허문헌1, Current Opinion in Electrochemistry Volume 20*
비특허문헌2, International Battery Seminar & Exhibit*

Also Published As

Publication number Publication date
KR20230058965A (en) 2023-05-03

Similar Documents

Publication Publication Date Title
Li et al. Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning
CN110443370A (en) Device and method for reducing mistake using symmetrically in quantum computing systems
CN106599920A (en) Aircraft bearing fault diagnosis method based on coupled hidden semi-Markov model
Mas’Ud et al. Application of an ensemble neural network for classifying partial discharge patterns
JP7157908B2 (en) Battery capacity estimation method and battery capacity estimation device
Pradyumna et al. Capacity estimation of lithium-ion batteries using convolutional neural network and impedance spectra
CN112698215B (en) Estimating battery state from electrical impedance measurements using convolutional neural network device
CN111373586B (en) Method and system for diagnosing the operating state of an electrochemical system in real time, and electrochemical system incorporating such a diagnostic system
CN112816881A (en) Battery differential pressure abnormality detection method, battery differential pressure abnormality detection device and computer storage medium
Zhao et al. Investigation of the distribution of relaxation times of a porous electrode using a physics-based impedance model
CN114035095A (en) Lithium battery SOH estimation method, medium and equipment based on voltage curve inflection point identification
KR102635229B1 (en) Electrode Characteristic Detection Apparatus and Method
Xu et al. State‐of‐health estimation for lithium‐ion batteries based on partial charging segment and stacking model fusion
CN116068407A (en) Early life prediction method and system for battery based on convolutional neural network
Li et al. State of health estimation of lithium-ion batteries using EIS measurement and transfer learning
Peng et al. A hybrid health prognostics method for proton Exchange membrane fuel cells with internal health recovery
Javadipour et al. Analysis of current density in the electrode and electrolyte of lithium‐ion cells for ageing estimation applications
Kiitam et al. Characteristic pulse pattern features of different types of partial discharge sources in power cables
Pandey et al. Predicting the state parameters of lithium ion batteries: the race between filter-based and data driven approaches
CN113850305A (en) Generator fault diagnosis and health state assessment method and electronic equipment
CN117874615A (en) Photovoltaic fault diagnosis method and system based on depth digital twin
Fukui et al. Visualization of damage progress in solid oxide fuel cells
Navidi et al. Physics-informed neural networks for degradation diagnostics of lithium-ion batteries
Cai et al. Automatically constructing a health indicator for lithium-ion battery state-of-health estimation via adversarial and compound staked autoencoder
Kumar et al. Comparison of machine learning algorithms for classification of partial discharge signals in medium voltage components

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant