KR102663466B1 - 음향 신호들을 사용한 전기화학 시스템들의 특징들의 결정 - Google Patents

음향 신호들을 사용한 전기화학 시스템들의 특징들의 결정 Download PDF

Info

Publication number
KR102663466B1
KR102663466B1 KR1020207007985A KR20207007985A KR102663466B1 KR 102663466 B1 KR102663466 B1 KR 102663466B1 KR 1020207007985 A KR1020207007985 A KR 1020207007985A KR 20207007985 A KR20207007985 A KR 20207007985A KR 102663466 B1 KR102663466 B1 KR 102663466B1
Authority
KR
South Korea
Prior art keywords
battery
acoustic
dataset
signals
charge
Prior art date
Application number
KR1020207007985A
Other languages
English (en)
Other versions
KR20200086254A (ko
Inventor
다니엘 에이 스테인가트
그렉 데이비스
샤우르조 비스와스
앤드류 지 시에
태슬 배리 밴
토마스 호드슨
산 더우
Original Assignee
리미널 인사이츠 인코포레이티드
더 트러스티스 오브 프린세톤 유니버시티
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 리미널 인사이츠 인코포레이티드, 더 트러스티스 오브 프린세톤 유니버시티 filed Critical 리미널 인사이츠 인코포레이티드
Publication of KR20200086254A publication Critical patent/KR20200086254A/ko
Application granted granted Critical
Publication of KR102663466B1 publication Critical patent/KR102663466B1/ko

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]
    • G01R31/367—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
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/043—Analysing solids in the interior, e.g. by shear waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/07—Analysing solids by measuring propagation velocity or propagation time of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/11—Analysing solids by measuring attenuation of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4436—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a reference signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/48—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by amplitude comparison
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/50—Processing the detected response signal, e.g. electronic circuits specially adapted therefor using auto-correlation techniques or cross-correlation techniques
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • 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
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • 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
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • 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
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/011—Velocity or travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/024—Mixtures
    • G01N2291/02441—Liquids in porous solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/02818—Density, viscosity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/02827—Elastic parameters, strength or force
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/02854—Length, thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/10—Number of transducers
    • G01N2291/102—Number of transducers one emitter, one receiver
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/269—Various geometry objects
    • G01N2291/2697—Wafer or (micro)electronic parts
    • 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
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • 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)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computational Linguistics (AREA)
  • Secondary Cells (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

음향 신호들을 사용하여 배터리들의 충전 상태 (SOH), 헬스 상태 (SOC) 및 다른 특징들의 예측을 위한 시스템들 및 방법들은, 둘 이상의 충전 상태들에서 음향 데이터 세트를 결정하는 것 및 둘 이상의 충전 상태들에서 음향 데이터를 표현하는 감소된 음향 데이터 세트를 결정하는 것을 포함한다. 감소된 음향 데이터 세트는 비행 시간 (TOF) 시프트, 총 신호 진폭 또는 충전 상태들에 관련된 다른 데이터 포인트들을 포함한다. 머신 러닝 모델들은 비음향 데이터, 이를 테면, 임의의 다른 독립적 배터리의 특징들을 예측하기 위한 전압 및 온도와 함께 적어도 감소된 음향 데이터 세트를 사용한다.

Description

음향 신호들을 사용한 전기화학 시스템들의 특징들의 결정
관련 출원들에 대한 교차 참조
본 특허 출원은 발명의 명칭이 "USE OF ULTRASONIC METHODS FOR THE DETERMINATION OF THE STATE OF CHARGE AND STATE OF HEALTH OF ELECTROCHEMICAL SYSTEMS" 이고 2017 년 9 월 1 일 출원되어 펜딩중이고 본 발명의 양수인에게 양도된 가특허 출원 제62/553,287호를 우선권으로 주장하며, 여기서는 그 전체 내용을 참조로서 포함한다.
연방 후원 연구 또는 개발에 관한 진술
본 발명은 Advanced Research Projects Agency-Energy에 의해 주어진 Grant No. DE-AR0000621 하에서 미국 연방 정부의 지원으로 이루어졌다. 미국 연방 정부는 본 발명에서 특정 권리를 가진다.
개시분야
개시된 양태들은 전기화학 시스템들의 검사 및 진단에 관한 것이다.
보다 구체적으로, 예시적 양태들은 전기화학시스템들의 충전 상태 (SOC) 및 헬스 상태 (SOH) 와 같은 특징들을 결정함에 있어서의 초음파 신호들의 사용에 관한 것이다.
전기화학 시스템들, 이를 테면, 배터리들의 충전 상태 (SOC), 헬스 상태 (SOH), 내부 데미지들 등과 같은 특징들을 추적하는 것은 배터리 수명의 개선, 더 높은 생산 효율들, 고장의 조기 예측들을 포함한 여러 이유로 중요하다. 그러나, 효율적이고 저렴한 비용으로 이러한 특징을 신뢰성있게 추적하거나 결정하는 능력은 과제가 된다.
예를 들어, 종래의 구현들에서, SOC 예측은 쿨롱 카운팅 (부기) 과 결합되는 전압 모니터링 (직접 측정) 을 포함할 수 있다. 이는 여러 이유들로 과제들이 될 수 있다. 먼저, 전압 측정들에 대해, 대부분의 배터리 용량, 특히 리튬이온 포스페이트 (LFP) 전지들에 대한 전압 판독값들의 평탄성이 과제들이 된다. 또한, 전압 페이드, 변하는 전지 전기 임피던스 및 가변 방전 레이트들은 전압 기반 SOC 측정들의 정확도에 영향을 준다. 둘째, 쿨롱 카운팅은 또한 방전 레이트, 환경적 요인들, 이를 테면, 온도 및 전지 열화들이 모두, 임의의 주어진 방전 주기 동안 실제 충전 용량에 영향을 줄 수 있기 때문에 부정확한 과학이다. 이는 남용 사이클을 초래할 수 있고, 이에 의해, 방전 조건들은 SOC 의 부정확한 추정을 초래하고, 이에 따라 전지는 의도하지 않게 과방전되며, 이는 셀에 데미지를 주고 SOC 예측에 있어서 추가적인 부정확성을 초래하고 그 결과 계속되는 과방전 및 전지 데미지를 가져온다.
따라서, 배터리의 기계적 및 물리적 상태들을 측정하여 SOC, SOH 및 전지 고장의 결정을 개선하는 저비용이고 높은 정확도의 기법들에 대한 요구가 존재한다.
본 개시의 예시적 양태들은 음향 신호들을 사용하여 배터리들의 충전 상태 (SOH), 헬스 상태 (SOC) 및 다른 특징들을 예측하는 시스템들 및 방법에 관한 것이고, 둘 이상의 충전 상태들에서 음향 데이터 세트를 결정하는 것 및 둘 이상의 충전 상태들에서 음향 데이터를 표현하는 감소된 음향 데이터 세트를 결정하는 것을 포함한다. 감소된 음향 데이터 세트는 비행 시간 (TOF) 시프트, 총 신호 진폭 또는 충전 상태들에 관련된 다른 데이터 포인트들을 포함한다. 머신 러닝 모델들은 비음향 데이터, 이를 테면, 임의의 다른 독립적 배터리의 특징들을 예측하기 위한 전압 및 온도와 함께 적어도 감소된 음향 데이터 세트를 사용한다.
예를 들어, 예시적 양태는 전기화학 시스템들의 비침습적 분석 방법에 관한 것이고, 본 방법은 충전-방전 사이클의 적어도 일부분에 적어도 제 1 배터리를 적용시키는 것을 포함한다. 음향 신호들은 제 1 배터리의 적어도 일부분을 통하여 송신되고 대응하는 응답 신호들은 충전-방전 사이클의 적어도 일부분 동안 둘 이상의 시간 인스턴스들에서 수신되며, 둘 이상의 시간 인스턴스들은 제 1 배터리의 둘 이상의 충전 상태들에 대응한다. 적어도 감소된 음향 데이터세트가 결정되고, 감소된 음향 데이터세트는 둘 이상의 충전 상태에서 송신된 음향 신호들 또는 응답 신호들 중 하나 이상을 표현하는 하나 이상의 데이터 포인트들을 포함한다.
다른 예시적 양태는 전기화학 시스템들의 비침습적 분석 방법에 관한 것이고, 본 방법은 제 2 배터리의 음향 데이터 또는 비음향 데이터 중 하나 이상과 적어도 제 1 데이터베이스를 사용하여 제 2 배터리의 특징을 예측하는 것을 포함하고, 제 1 데이터베이스는 제 1 배터리의 적어도 일부분을 통하여 송신된 음향 신호들 및 송신된 신호들에 대한 응답 신호들 중 하나 이상을 표현하는 하나 이상의 데이터 포인트들을 포함하는 적어도 감소된 음향 데이터세트를 포함하고, 송신된 신호들 및 응답 신호들은 제 1 배터리의 둘 이상의 충전 상태들에서의 것이다.
또 다른 예시적 양태는 적어도 제 1 배터리, 제 1 배터리를 충전-방전 사이클의 적어도 일부분에 적용시키도록 구성되는 배터리 관리 시스템 및 제 1 배터리의 적어도 일부분을 통하여 음향 신호들을 송신하고 충전-방전 사이클의 적어도 일부분 동안 둘 이상의 시간 인스턴스들에서 대응하는 응답 신호들을 수신하도록 구성되는 하나 이상의 트랜스듀서들을 포함하는 장치에 관한 것이고, 둘 이상의 시간 인스턴스들은 제 1 배터리의 둘 이상의 충전 상태들에 대응한다. 본 장치는 둘 이상의 충전 상태에서 송신된 음향 신호들 또는 응답 신호들 중 하나 이상을 표현하는 하나 이상의 데이터 포인트들을 포함하는 적어도 감소된 음향 데이터세트를 결정하도록 구성되는 컴퓨터를 더 포함한다.
첨부 도면은 본 발명의 다양한 양태들의 설명을 돕기 위해 제시되고 한정이 아닌 예시를 위해서만 제공된다.
도 1a 내지 도 1l 은 본 개시들에서 언급된 식들을 예시한다.
도 2 는 본 개시의 양태들에 따라 배터리의 음향 분석을 수행하기 위한 시스템을 예시한다.
도 3a 및 도 3b 는 본 개시의 양태들에 따라 배터리를 통하여 송신되는 음향 신호들의 피처들 간의 상관성들을 예시한다.
도 4a 및 도 4b 는 본 개시의 양태들에 따라 머신 러닝 모델들을 사용하여 배터리의 SOC, SOH 와 같은 특징들을 예측하는 방법들을 예시한다.
도 5a 및 도 5b 는 본 개시의 양태들에 따라 배터리를 통하여 송신되는 음향 신호들의 피처들과 비음향 데이터 간의 상관성들을 예시한다.
도 6a 내지 도 6d 는 본 개시의 양태에 따른 TOF 시프트 및 총 신호 진폭을 포함하는 음향 신호의 특징과 배터리의 SOC 및 용량을 포함하는 특성 사이의 상관 관계를 도시한다.
도 7 은 본 개시의 양태들에 따라 배터리의 비침습적 분석의 예시적 방법을 예시한다.
본 발명의 양태들은 본 발명의 특정 양태들에 관한 다음의 상세한 설명 및 관련 도면들에 개시된다. 대안의 양태들이 본 발명의 범위를 벗어남이 없이 고안될 수도 있다. 또한, 본 발명의 잘 알려진 엘리먼트들은 자세히 설명되지 않거나 또는 본 발명의 관련 상세들을 불분명하게 하지 않기 위해 생략될 것이다.
"예시적"이라는 단어는 "예, 실례, 또는 예시의 역할을 하는 것"을 의미하는 것으로 여기에서 사용된다. "예시적" 으로서 여기에 설명된 임의의 양태는 반드시 다른 양태들보다 바람직하거나 또는 유리한 것으로 해석될 필요는 없다. 마찬가지로, "본 발명의 양태들" 은 본 발명의 모든 양태들이 논의된 특징 (feature), 이점 또는 동작 모드를 포함할 것을 요하지 않는다.
여기에 사용된 전문용어는 오직 특정 양태들을 설명하기 위한 것이고 본 발명의 양태들을 제한하도록 의도되지 않는다. 여기서 사용된, 단수 형태 "일", "하나" 및 "그" 는, 문맥이 다르게 명시하지 않으면, 복수 형태들도 포함하도록 의도된다. 용어들 "구비한다", "구비하는", "포함한다", 및/또는 "포함하는" 은, 본 명세서에서 사용될 경우, 서술된 특징들, 정수들, 단계들, 동작들, 엘리먼트들, 및/또는 컴포넌트들의 존재를 명시하지만, 하나 이상의 다른 특징들, 정수들, 단계들, 동작들, 엘리먼트들, 컴포넌트들, 및/또는 이들의 그룹들의 존재 또는 부가를 배제하지 않음이 추가로 이해될 것이다.
또한, 많은 양태들이, 예를 들면, 컴퓨팅 디바이스의 엘리먼트들에 의해 수행될 액션들의 시퀀스 측면에서 설명된다. 여기서 설명된 다양한 액션들은 특정 회로들 (예를 들면, 주문형 반도체 (ASIC)) 에 의해, 하나 이상의 프로세서들에 의해 실행되는 프로그램 명령들에 의해 또는 양자 모두의 조합에 의해 수행될 수 있음이 인식될 것이다. 또한, 여기에 기술된 이들 액션들의 시퀀스는, 실행시 연관 프로세서로 하여금 여기에 기술된 기능성을 수행하게 하는 컴퓨터 명령들의 대응하는 세트가 저장된 임의의 형태의 컴퓨터 판독가능 저장 매체 내에 완전히 구체화되는 것으로 고려될 수 있다. 따라서, 본 발명의 다양한 양태들은, 전부 본원 특허청구범위의 요지의 범위 내에 존재하는 것으로 고려된, 다수의 상이한 형태들로 구체화될 수도 있다. 또한, 본 명세서에 기술된 양태들 각각에 대하여, 임의의 이러한 양태들의 대응하는 형태는 예를 들어, 설명된 액션을 수행하도록 "구성된 로직" 으로서 본 명세서에서 설명될 수도 있다.
본 개시의 예시적 양태들은 배터리와 같은 전기화학 시스템들의 하나 이상의 특징들의 결정 또는 예측에 대한 것이고, 특징들은 SOH, SOC, 구성 품질, 잔여 유용 수명, 전력 상태, 안전성 상태 등을 포함한다. 일부 양태들에서, 음향 신호들을 사용하여 배터리를 프로빙하는 것으로부터 유도되는 음향 데이터는 배터리의 특징들의 위의 결정에 사용될 수도 있다.
본 개시에서, 음향 신호들은 아래 예시의 양태들에서 구체적으로 논의된 초음파 신호들과 같은 사운드 신호들을 지칭하는 것으로 이해될 것이다. 대응적으로, 초음파 신호들의 파 전파 또는 파형은 사운드 전파를 지칭한다. 특정 양태들에서, 음향 신호들의 파 전파는 탄성파 전파 이론을 추가로 참조하여 설명될 바와 같이 탄성파를 지칭할 수도 있다. 따라서, 용어, 이를 테면, "음향", "사운드", "초음파", "탄성파"는 예를 들어, 테스트 하에서 전기화학 시스템 또는 배터리를 통과하여 전파하는 파들의 문맥들에서 본 개시에서 상호교환적으로 사용될 수도 있다.
추가적으로 일부 양태들에서, 비음향 데이터, 이를 테면, 배터리의 전압, 임피던스, 온도, 충전/방전 레이트들이 위의 특징들의 결정을 위하여 음향 데이터와 결합될 수도 있다. 또한, 예시적 양태들은 음향 신호들 (및 선택적으로 비음향 데이터) 로부터 구성되는 감소된 음향 데이터세트에 관한 것이다. 감소된 음향 데이터세트는 예를 들어, 배터리의 각각의 SOC 에서 음향 데이터세트를 표시하는 하나 이상의 데이터 포인트들의 감소된 세트를 포함한다. 감소된 음향 데이터세트는 비행 시간 (TOF) 시프트, 총 진폭, 주파수 컨텐츠, 제 1 브레이크 시간, 중심 주파수, 시간 도메인에서의 메인 응답 피크의 반치전폭, 주파수 도메인에서의 메인 피크의 반치전폭, 주파수 분포의 표준 편차, 편포도, 또는 첨도, 시간 도메인에서의 응답 신호의 붕괴 레이트, 또는 시간 도메인에서의 다른 데이터 포인트들, 이를 테면, 양의 진폭 하에서의 면적, 음의 진폭 하에서의 면적 등 중 하나 이상을 포함할 수도 있다. 감소된 음향 데이터세트는 전체 음향 파형들로부터 유도된 미가공 음향 데이터와 비교하여 상당히 적은 수의 데이터 포인트들을 포함하며, 따라서, 개시된 기법들에서 더 큰 효율로 이어진다.
위의 배터리 특징들을 결정하는 것에 더하여, 양태들은 또한, (애노드, 캐소드, 세퍼레이터, 전해질 등과 같은 배터리 컴포넌트들을 포함하는) 배터리의 물리적 특성들, 이를 테면, 벌크 모듈, 밀도 등을 탄성파 전파 이론의 적용에 기초하여 결정하는 것에 관한 것이다. 위에 설명된 분석은 상이한 충전 상태에서 데이터 포인트들을 획득하기 위하여 충전-방전 사이클들에 배터리를 적용하는 것에 의해 수행될 수도 있다. 아래 자세하게 논의된 머신 러닝 모델들로부터, 배터리가 사용중에 있거나 (예를 들어, 충전/방전 사이클들 동안 여러 충전 상태들에 있거나) 또는 절연된/정적 상태에 있는 (즉, 사용중이 아닌 상태에 있는) 동안, 배터리 특징들 및/또는 물리 특성들이 예측될 수도 있다. 여러 배터리들은 이들 기술을 사용하여, 예를 들어 구성 품질, 결함 상태, 열화 상태 등에 기초하여 분류될 수 있다. 개시된 기술을 사용하는 SOC, SOH 모니터링 및 분류 이외의 다른 적용들도 본 개시의 범위 내에 있다.
개시된 기법들은 배터리 (또는 이것의 부분들) 를 통한 초음파 전파와 배터리의 기계적-전기화학적 특성들에서의 변화들 사이의 관계식 (관계식의 물리적 특성은 아래 설명되어 있음) 에 기초한다 ("배터리" 및 "전지" 에 대한 참조는 본원에 논의된 예시적 양태들의 범위에 대한 임의의 변화들을 의도하지 않고 본 개시에서 상호교환적으로 사용될 수도 있음에 유념한다). 반대로, 기계적-전기화학적 특성들에서의 변동은 음향 데이터, 이를 테면, 초음파 신호들의 측정된 전파 시간, 소산, 진폭, 감쇠, 주파수 컨텐츠 등에서의 변동들을 초래한다.
예시적 양태들에서, 배터리들에서의 전기화학적-기계적 관계들은 초음파 신호들 (예를 들어, 고주파수) 을 사용하여 연구된다. 임의의 적절한 디바이스가 적절한 주파수에서 초음파 신호들을 송신하기 위하여 그리고 송신된 신호들에 대한 응답을 감지하기 위하여 사용될 수도 있으며, 이 예시의 양태들에 사용될 수도 있는 몇몇 예의 디바이스들이 언급될 것이다. 트랜스듀서들에서의 활성 엘리먼트들의 두께는 생성된 초음파 신호들의 파장에 반비례하기 때문에 초음파 신호들을 송신 및 수신하기 위한 트랜스듀서들은 낮은 비용 및 작은 사이즈 옵션을 제공한다. 마이크로일렉트로메카니컬 시스템들 (MEMS) 압전 트랜스듀서들은 배터리들 (또는 그 부분들) 을 통하여 초음파 신호들을 전송하고/하거나 그 응답 신호들을 수신하도록 구성될 수도 있는 트랜스듀서들의 일 예이다. 트랜스듀서들의 다른 유형들, 이를 테면, 용량성 마이크로머시닝 초음파 트랜스듀서들 (CMUTs), 매크로스코픽 압전 트랜스듀서들이 또한 다른 예들에 사용될 수도 있다. 일부 예들에서, 가속도계, 광학/레이저-기반 센서들, 응력 기반 센서들 등이 또한 응답 신호들을 수신하기 위하여 사용될 수도 있다.
일 예에서, 배터리의 특징들 (예를 들어, SOC 및 SOH) 에서의 변화들은 배터리를 통과한 초음파의 제 1 도달 시간 또는 비행 시간 (TOF) 과 같은 음향 데이터에서의 변동들의 함수로서 표현될 수도 있다. 탄성파 전파 이론에 따라 설명을 위하여, 재료를 관통하는 음향 신호 또는 사운드 파의 전파 속도는 물리적 특성들, 이를 테면, 벌크 모듈러스 및 재료의 밀도에 의존한다. 배터리의 다수의 층들 또는 성분 재료들 내의 전기 화학적 변화들은 예를 들어, 배터리가 충전/방전 사이클들을 겪을 때 이들의 물리 특성들 변화로 이어진다. 배터리가 충전 및 방전 사이클들을 겪을 때 발생하는 이들 변화들은 또한 사이클내 변화들로서 지칭된다. 배터리의 재료들에서의 다른 변화들은 배터리가 노후화되거나 또는 외부 변화들에 적용될 때 발생할 수도 있다. 예를 들어, (예를 들어, 승온된 온도에의 노출에 기인한) 열화 또는 제조 프로세스들 및 내부 컴포넌트들에서의 차이들이 또한 배터리들의 전체적인 물리 특성들에서의 변화들로 이어질 수 있다. 따라서, 물리 특성들에서의 변화들은 다수의 충전-방전 사이클들에 걸쳐 배터리 수명으로서 및/또는 외부 조건 변화들로서 발생할 수도 있다. 따라서, 물리 특성들에서의 변화들은 예를 들어, 송신되고/되거나 반사된 음향 신호들에서의 시프트들의 형태로 배터리를 통하여 송신되는 음향 신호들에 관한 음향 데이터에서의 변화들로 이어진다.
위에 언급된 머신 러닝 알고리즘들이 이때 추가의 세부사항들로 논의될 것이다. 감소된 음향 데이터세트는 배터리의 특징들의 효율적이고 저비용의 예측들을 위한 머신 러닝 알고리즘들을 트레이닝하는데 사용될 수도 있다. 감소된 음향 데이터세트는 음향 데이터로부터, 예를 들어, 초음파 신호 전파의 측정 (또는 보다 일반적으로, 음향 응답 신호들) 에 기초하여 유도될 수 있고, 이러한 측정은 비행 시간, 진폭, 파형 형상에서의 변화들, 참조 파형들과 파형 특성들의 비교, 주파수 컨텐츠의 분석, 분산, 감쇠 등을 포함한다. 음향 데이터로부터 위의 감소된 음향 데이터세트를 추출하는 것에 더하여, 배터리 셀들 내의 개별적인 층들 또는 컴포넌트들 (예를 들어, 애노드, 캐소드, 집전기, 세퍼레이터, 전해질 등) 의 물리적 특성들 (예를 들어, 사운드 속도, 밀도, 탄성 모듈러스, 벌크 모듈러스, 전단 모듈러스, 다공성, 두께 등) 이 음향 데이터로부터 또한 추정될 수도 있다. 이들 물리적 특성들은 이전에 언급된 바와 같이, 탄성파 전파 이론에 기초한 모델들을 사용하여 추정될 수도 있다.
음향 데이터의 라이브러리/데이터베이스, 또는 일부 경우들에서 감소된 음향 데이터세트의 라이브러리/데이터베이스는 둘 이상의 배터리들 (예를 들어, 유사한 전지들) 에 대하여 생성될 수도 있고 형성될 수도 있다. 음향 데이터는 감소된 음향 데이터세트가 예시적 기법에 따라 추출되기 전에, 먼저 필터링되거나 윈도잉될 수도 있다. 감소된 음향 데이터세트는 머신 러닝 알고리즘에 공급될 수도 있다. 상이한 배터리들 사이에 배터리 성능 및 사이클 이력에서의 변동에도 불구하고, 머신 러닝 알고리즘의 출력은 상이한 배터리들에 대한 예측 특징들, 이를 테면 SOC, SOH, 배터리 수명, 배터리 데미지, 안전성 리스크 등에 사용될 수도 있다.
도 2 를 참조하여 보면, 전기화학 시스템, 이를 테면 배터리 (202) 의 분석을 위한 예시적 시스템 (200) 이 도시되어 있다. 특정 유형들의 배터리 셀들이 본원에 개시된 양태들의 설명을 위하여 특정 예에 언급될 수도 있지만, 배터리 (202) 는 일반적으로, 비제한적으로 에너지 저장 디바이스 (예를 들어, 리튬-이온 전지) 일 수 있다.
센서들 (216) 은 배터리 (202) 에 관련된 비음향 데이터를 검출하기 위해 배터리 (202) 에 커플링될 수도 있고, 이러한 비음향 특징들은 배터리 (202) 의 온도, 외부 또는 주변환경 온도 등을 포함한다. 배터리 관리 시스템 (208) 은 배터리 (202) 를 동작 (예를 들어, 충전-방전) 하기 위한 제어기를 나타내고 배터리 (202) 의 단자들을 통해 배터리 (202) 에 접속될 수 있다. 대응적으로, 배터리 관리 시스템 (208) 은 또한 배터리 (202) 에 관련된 다른 비음향 데이터, 이를 테면, 배터리 (202) 에 인가된 전압을 검출하기 위해 사용될 수도 있다.
한 쌍의 트랜스듀서들 (204, 206) 이 배터리 (202) 의 표면 상에 (예를 들어, 대향 사이드들 상에) 2 개의 위치들과 접촉하는 것으로 도시되어 있다. 트랜스듀서들 (204, 206) 은 별개의 홀더 또는 통합된 트랜스듀서 시스템과 같은 임의의 커플링 메카니즘을 통하여 배터리 (202) 에 부착될 수도 있다. 트랜스듀서들이 이 예에 도시되어 설명되어 있지만, 트랜스듀서들 (204, 206) 의 일방 또는 양방이 위에 논의된 바와 같이 음향 신호들을 송신 및/또는 수신하기 위하여 여러 다른 디바이스들로 치환될 수도 있음을 이해할 것이다.
음향 신호 생성기 및 감지 메카니즘 (이것의 별개의 또는 결합된 블록들) 이 트랜스듀서들 (204, 206) 에 커플링된 초음파 펄서-수신기 (210) 로서 대표적으로 도시되어 있다. 초음파 펄서-수신기 (210) 의 제어에 기초하여, 트랜스듀서들 (204, 206) 중 하나는 초음파 신호들을 송신하도록 구성될 수도 있는 한편, 트랜스듀서들 (204, 206) 의 일방 또는 양방은 송신된, 반사된 또는 굴절된 초음파 신호들로부터 생성된 응답들을 수신하도록 구성될 수도 있다. 도 2 의 일 양태의 예시를 위하여, 트랜스듀서 (204) 가 송신기 (T) 로서 도시되고 트랜스듀서 (206) 는 수신기 (R) 로서 도시된다. 배터리 관리 시스템 (208) 은 제어 신호들을 초음파 펄서-수신기 (210) 에 제공하여, 초음파 신호들의 생성/감지가 위에서와 같이 수행될 수 있게 한다.
도 2 에서 컴퓨터 (224) 는 또한, 위의 블록들과 연계하여 도시된다. 컴퓨터 (224) 의 별도의 블록들은 예시적 양태들을 설명하기 위하여 예시되어 있지만, 컴퓨터 (224) 의 상이한 블록들의 기능성은 하드웨어 및 소프트웨어 엘리먼트들의 임의의 적절한 조합으로 구현될 수도 있다. 일 예에서, 초음파 펄서-수신기 (210) 의 음향 신호들의 파형들은 위에 언급된 음향 데이터를 형성한다. 음향 데이터는 센서들 (216), 배터리 관리 시스템 (208) 으로부터의 비음향 데이터와 함께 컴퓨터 (224) 에 전송된다. 블록 (212) 에서, 선택적 컨디셔닝 단계가 수행될 수도 있고, 여기서 음향 데이터는 컨디셔닝된 데이터세트를 생성하기 위해 윈도잉, 리샘플링, 필터링 등이 될 수도 있다. 컨디셔닝된 데이터세트는 블록 (214) 으로 전송되며, 여기서 감소된 음향 데이터세트가 생성된다 (대안적으로, 감소된 음향 데이터세트는 블록 (212) 이 존재하지 않으면 음향 데이터로부터 생성될 수도 있다). 블록 (214) 은 감소된 음향 데이터세트의 생성에서 여러 신호 분석 기법들, 피처 추출, 및 피처 선택을 구현할 수도 있으며, 이것의 예시적 프로세스가 도 4a 및 도 4b 를 참조하여 다음 섹션들에서 보다 자세하게 논의될 것이다. 블록 (214) 으로부터의 감소된 음향 데이터세트는 그 다음, 센서들 (216) 로부터의 비음향 데이터 (예를 들어, 전지 온도, 환경 온도) 및 배터리 관리 시스템 (208) 으로부터의 비음향 데이터 (예를 들어, 충전/방전 레이트, 전압, 셀 임피던스) 등과 결합되고, 알려진 시스템 동작 조건들 및 파라미터들의 라이브러리/데이터베이스, 예를 들어, 다른 배터리들로부터의 감소된 음향 데이터세트들, 비음향 데이터 등을 포함하는 블록 (220) 과 함께 도시된 양방향 통신을 갖는 블록 (218) 에 공급된다. 블록 (220) 에서의 데이터베이스/라이브러리는 아래에 추가로 설명되는 머신 러닝, 상관성들 및 물리적 모델들로 구성될 수도 있다. 블록 (214) 으로부터 수신된 음향 데이터세트 및 센서들 (216) 및 배터리 관리 시스템 (208) 으로부터의 비음향 데이터는 블록 (220) 으로부터의 라이브러리/데이터베이스와 비교 또는 상관된다. 이는 배터리 (202) 의 특징들, 예를 들어, SOC, SOH, 셀 안전성 마진, 잔여 수명, 재료 특성들, 제조 품질 등의 예측 (222) 을 발생시킨다. 예측 (222) 은 일부 양태들에서 배터리 (202) 의 동작을 최적화하기 위한 정보를 제공하기 위해 배터리 관리 시스템 (208) 으로 피드백될 수도 있다.
도 2 의 시스템에서의 탄성파 전파 이론의 적용이 이하 설명된다. 일 예에서, 트랜스듀서 (204) 는 초음파 또는 음향 신호들의 송신기 (또한 펄서로서 지칭됨) 이고 신호를 예를 들어, 배터리 (202) 를 통한 초음파 주파수에서 송신하도록 구성될 수도 있다. 송신된 신호의 형상은 일 예에서, 엔벨로프된 사인파 압축 펄스일 수도 있는 한편, 다른 형상, 이를 테면, 스퀘어 웨이브에서, 임의의 다른 유형의 사인파 등이 또한 사용될 수도 있다. 송신된 신호의 응답은 트랜스듀서 (206) 에 의해 수신될 수도 있다. 송신된 신호는 배터리 (202) 를 통하여 전파하며, 배터리는 수십 마이크론들의 두께로 된 수개의 얇은 재료 층들 (즉, 애노드, 캐소드, 세퍼레이터, 집전기 등) 을 포함할 수도 있다. 배터리 (202) 의 특정 층들, 이를 테면, 애노드, 캐소드, 세퍼레이터 등은 일반적으로 다공성 재료들이며, 잘 구성된 배터리에서, 포어들은 전해질 (통상적으로 비배타적으로, 액체 또는 유체 전해질) 로 채워진다. 각각의 층에서 예를 들어, 압축파 형상으로 송신된 음향 신호의 전파 속도는 파가 진행하는 층들의 재료 특성에 의존한다. 등방성 탄성 재료에 대해, 송신된 신호의 속도는 도 1a 의 식 1에 도시되며, K 및 G 는 각각 재료 벌크 및 전단 모듈러스이고 ρ 는 재료 밀도이다. 층들 사이의 계면에서, 송신된 신호의 파들이 부분적으로 반사되고 부분적으로 송신될 수도 있고 송신 및 반사는 계면을 형성하는 2개의 재료들/층들의 음향 임피던스들 사이의 부정합도에 의존한다. 음향 임피던스는 또한 재료들의 물리적 특성들, 이를 테면, 밀도 및 전파 속도에 의존한다. 일 각도에서 계면에 부딪히는 임의의 파들은 부분적으로 모드 변환을 겪을 수 있고 부분적으로 전단파로서 전파한다. 일 예에서, 트랜스듀서 (204) 는 압축파 트랜스듀서이고, 응답 신호들은 정렬된 한 쌍의 트랜스듀서들에서 측정될 수 있고 (대표적으로 트랜스듀서 (206)), 여기서 정렬된 트랜스듀서들은 압축 파들 (그리고 관련 경우들에, 또한 전단파들) 로부터의 기여도를 측정할 수도 있다.
미세하게 층형성된 구조, 이를 테면, 리튬 이온 배터리를 통한 파 거동은 미세하지 않은 층형성된 구조를 통한 것과는 상이한 것으로 인식된다. 파장 λ 를 갖는 파들에 대해, 층 두께 (l) 보다 훨씬 더 크면 (즉, λ ≫l), 전체 두께를 통한 전파 속도는 이들의 평균 파 속도에서 층들의 단순 어그리게이션을 통하여 전파하는 파들에 대해 예측되는 파 전파 속도와는 상당히 상이할 수도 있다. 파 속도들에서 20% 이상의 정도의 차이들은 일반적인 것은 아니지만 이는 Backus 평균화로 지칭된다. 이러한 효과들에 기인하여, 트랜스듀서 (204) 로부터, 미세 층 형성된 구조를 포함하는 배터리 (202) 를 통하여 송신되는 제 1 파의 트랜스듀서 (206) 의 도달 시간은 예를 들어, 층들의 단순 어그리게이션에 기초하여 예상되는 도달 시간에 비해 지연될 수도 있다. 본 개시의 양태들에서, 상이한 층 조성물들에 기초한 파 도달 시간들 사이의 위의 차이들은 절대 파 도달 시간 (예를 들어, TOF) 보다는, 파 전파 시간들에서의 변화들 (예를 들어, 비행 시간 (TOF) 시프트들) 에 포커싱하는 것에 의해 무시 또는 간과될 수도 있다. TOF 시프트는 전체 파형에 대한 파 전파 시간 보다 상당히 더 단순하게 표현되는 감소된 음향 데이터의 일 예를 제공한다. TOF 시프트들은 배터리 (202) 의 상이한 전기화학적 상태들, 예를 들어, 충전 상태에 대해 결정될 수도 있으며 감소된 음향 데이터세트로서 수집/저장된다. 전체 음향 데이터세트를 생성 및 사용하는데 있어 제 1 도달 시간에 비해, 감소된 음향 데이터세트의 사용은 또한, Backus 평균화 효과에 기인한 변동들을 무시 또는 간과하는 가능성에서 유리하다. 일부 양태들에서, Backus 평균화에 기인하여, 다른 음향 피처들에서의 상대 변화들, 이를 테면, (절대 중앙 주파수 값들 보다는) 음향 신호들의 중앙 주파수에서의 상대 변화들이 또한 위에 설명된 TOF 시프트들에 더하여 또는 이들에 대신하여 감소된 음향 데이터세트를 형성하기 위해 사용될 수도 있다.
또한, 배터리 (202) 의 물리적 특성들은 또한 감소된 음향 데이터세트의 생성에 사용될 수도 있다. 예를 들어, 배터리 (202) 의 캐소드 및 애노드 활성 재료들, 바인더 및 전도성 첨가제 등의 기계적 특성들에 대한 알려지거나 미리 정해진 값들을 사용하여, 배터리의 물리적 특성들에 대한 일련의 값들, 이를 테면, 배터리 (202) 의 복합 전극들의 벌크 및 전단 모듈러스가 배터리 관리 시스템 (208) 에 의해 제공되는 가변 충전 상태들에서 결정될 수도 있다. 배터리 관리 시스템 (208) 은 이전에 설명된 바와 같이, 컴퓨터 (224) 로부터 수신된 예측 (222) 에 기초하여 충전-방전 사이클에 배터리 (202) 를 적용시키도록 구성될 수도 있다. 예를 들어, 일련의 벌크 및 전단 모듈러스를 포함하는 이들 물리적 특성들은 또한, 일부 예시의 양태들에서, 감소된 음향 데이터세트, 이를 테면, TOF 시프트들을 결정하는데 사용될 수도 있다.
보다 구체적으로, 탄성 모듈러스 및 Poisson의 비로부터, 재료의 벌크 및 전단 모듈러스는 도 1b 및 도 1c 의 식 2 및 3 에 따라 각각 추정될 수도 있고, K 와 G 는 이전에 언급된 바와 같이, 각각 벌크 및 전단 모듈러스이고, ν 는 Poisson의 비이다. 예시의 양태들에서, 배터리 (202) 의 재료들은 등방성이거나, 또는 사실상 등방성인 랜덤하게 배향된 다결정질들의 집합체인 것으로서 추정된다. 배터리 (202) 의 양의 전극 및 음의 전극은 통상적으로 활성 재료, 바인더, 및 전해질로 채워진 전도성 첨가제들의 다공성 복합체이다. 이에 기초하여, 복합 재료에 대한 효과적인 매체 모듈을 사용하여 (지리물리학 및 재료 과학 커뮤니티로부터) 효과적인 전극 강성도를 추정하는 것이 가능하다. 일 예로서, Hashin-Shtrikman 바운드들은 복합 재료들에 대한 Voigt 및 Reuss 바운드보다 더 치밀한 바운드를 특성들에 제공한다. Hashin-Shtnkman 바운드들은 아래 설명된 바와 같이 구성 재료들의 스피어와 쉘의 어그리게이션으로 구성되는 것으로 복합체를 표현한다.
도 1d 내지 도 1g 의 식 4-7 은 구성 성분들의 특성들에 기초하여 복합 전극들의 벌크 및 전단 모듈러스들에 대한 최대 및 최소 바운드들을 설명한다. 이론적 계산들에 대한 모듈러스 각각의 단일 값을 추정하기 위하여, 벌크 및 전단 모듈러스에 대한 최대 및 최소 HS 바운드들의 평균이 일 예시의 프로세스에서 계산된다. 연구중인 배터리 (202) 의 각각의 SOC 상태에서, 벌크 및 전단 모듈러스를 포함하는 물리적 특성들은 각각의 복합 전극 또는 층에 대해 계산된다. 벌크 및 전단 모듈러스는 구성 재료의 특성들이 변함에 따라 SOC 에 따라 변한다. 그 다음 식 1 은 각각의 SOC 에 대한 1차 파 속도를 결정하기 위해 사용될 수도 있다. 파 전파 시간에서의 변화 또는 TOF 시프트가 그 다음 SOC 와 상관된다.
도 1h 내지 도 1j 의 식 8-10 은 위의 식 4-7 에서 참조되는 함수, 람다, 감마 및 제타이다. 식 8 및 9 에서, 항들 K(r) 및 G(r) 은 전극을 관통하는 구성 재료의 공간적으로 변화하는 모듈러스를 표현한다. 변수 z 는 개별적인 식으로 생성된다. 식 6-7 의 경우에, 이 변수는 또한 제타의 함수이다. 식 8 및 9 에서의 예상값 계산은 볼륨 분율 가중된 평균이다.
물리적으로, 벌크 및 전단 모듈러스의 최대 및 최소 분석 값들은 구성 재료들의 어느 것이 배터리 (202) 의 복합 재료의 스피어 또는 쉘들을 형성하는지에 의존할 수도 있지만, 이들 최대 및 최소 분석 값들은 본원에서의 설명에 밀접한 관련은 없다.
이하, 도 3a 및 도 3b 를 참조하면, 위의 개념들의 예시의 적용이 도시된다. 구체적으로, 도 3a 및 도 3b 는 비행 시간 (TOF) 결정 기법 (300) 을 도시하며, (예를 들어, 주어진 기지된 SOC 에서 배터리 (202) 를 통하여 트랜스듀서 (204) 에 의해 송신되는 초음파 신호에 응답하여 트랜스듀서 (206) 에서 수신되는) 응답 신호 (302) 는 상관된 파형 (308) 을 생성하기 위하여 모든 시간 시프트들 (τ) 에 대해 참조 신호 (306) 와 상관된다. 도 3a 에서, 여러 파형들 (302, 306, 308) 의 진폭의 플롯이 TOF 의 함수로서 도시된다. 최상의 상관의 포인트에서 (즉, 상관된 신호 (308) 의 진폭이 최대인 τ 에 대해), TOF 시프트 (304) 가 계산된다. TOF 시프트 (304) 가 그 다음, 배터리 (202) 의 대응하는 SOC 에 상관된다.
도 3b 는 시간의 함수로서 TOF 의 히트맵을 도시한다. 도 3b 는 배터리 관리 시스템 (208) 에 의해 제어되는, 충전들에 걸쳐 배터리가 사이클링할 때 배터리 (202) 를 통하여 송신되는 초음파 신호들의 전개를 예시한다. 라인들 (312 및 316) 은 도 3a 의 개별적인 참조 및 상관된 파형들 (302 및 308) 이 취해지는 시점들을 표현한다. 도면 부호 322 로 식별되는 플롯들은 양의 진폭을 표현하는 한편, 도면 부호 324 로 식별되는 플롯들은 음의 진폭을 표현한다.
테스트중인 배터리 (202) 가 충전 사이클링되는 파형에서의 시프트들을 결정하기 위해, 교차 상관 기법이 사용될 수도 있고, 여기서 파형 데이터는 먼저 (예를 들어, 큐빅 스플라인 피트로) 보간되어, 이산된 데이터를 업스케일하고 더 정확한 TOF 결정을 허용한다. 참조 신호 (306) 는 후속 파형들의 TOF 시프트들의 교차 상관 및 결정에 대한 제로 포인트 참조로서 선택될 수도 있다. 대안적으로, 위의 시프트들은 상대적이기 때문에, 충전 사이클 동안 임의의 포인트가 참조 신호 (306) 가 획득되는 SOC 로서 선택될 수 있다.
따라서, 위의 히트 맵 생성에 대한 각각의 스냅샷은 선택된 참조 신호 (306) 에 대해 시간적으로 시프트될 수도 있고, 곡선들의 곱의 면적이 모든 TOF 시프트들 (304) 에 대해 계산된다. 도 1k 의 식 11 은 주어진 TOF 시프트 (304) 에 대한 교차 상관 계산을 설명한다. 최대 상관의 포인트가 결정된다, 즉, 이것의 τ 에 대해 적분이 최대값에 있다. 최대 상관의 이 포인트는 TOF 시프트 (304) 가 위에 논의된 바와 같이 계산될 수도 있는 정확한 측정을 제공한다. 부호 규칙에서, 양의 TOF 시프트는 전류 파형 (302) 이 참조 신호 (306) 보다 더 긴 TOF 를 가짐을 표시하고, 음의 TOF 시프트는 전류 파형 (302) 이 참조 신호 (306) 보다 더 짧은 TOF 를 가짐을 표시한다. 도 3a 는 교차 상관 기법을 그래픽으로 도시한다. 측정들의 전체 세트를 사용하여 상관이 수행될 수도 있지만, 위에 논의된 TOF 시프트들을 회득하기 위해 데이터세트의 서브세트를 사용하는 것이 가능하다.
일부 양태들에서, 위에 논의된 TOF 시프트 측정들에 더하여, 또는 이를 대신하여, 응답 신호 (302) 의 총 신호 진폭이 측정될 수도 있다. 총 신호 진폭은 도 1l 의 식 12 에서 표현되는 바와 같이, 전체 파형에 걸쳐 각각의 시간 인스턴스에서 신호 진폭의 절대 값을 적분하는 것에 의해 결정될 수도 있고, 여기서 A 는 파형의 총 진폭이고, f(t) 는 파형이고, ti 내지 tf 는 파형 측정 윈도우이다.
따라서, 음향 데이터에 기초하여, 또는 보다 구체적으로, 감소된 음향 데이터세트에 기초하여, 배터리 (202) 의 특징들이 예측될 수 있고, 이러한 특징들은 배터리의 SOC, SOH, 전력 상태, 안전성 상태, 구성의 품질 등 중 하나 이상을 포함한다. 위에 논의된 총 신호 진폭 또는 TOF 시프트들에 더하여 또는 이들을 대신하여, 감소된 음향 데이터세트는 제 1 브레이크 시간 (즉, 입력 신호로부터의 응답이 수신 트랜스듀서 (206) 에 첫번째로 도달하는 시간); 중심 주파수 (즉, 응답 신호의 평균 강도 가중된 주파수); 시간 도메인에서의 메인 응답 피크의 반치전폭; 주파수 도메인에서의 메인 피크의 반치전폭; 주파수 분포의 표준 편차, 편포도, 또는 첨도; 시간 도메인에서의 응답 신호의 붕괴 레이트; 또는 시간 도메인에서의 다른 메트릭들, 이를 테면, 양의 진폭하에서의 면적, 음의 진폭하에서의 면적 등 중 하나 이상을 포함할 수도 있다. 감소된 음향 데이터세트는 아래 추가로 설명될 바와 같이, 머신 러닝 기법을 구성하고 사용함에 있어 비음향 데이터, 이를 테면, 배터리의 전압, 온도 (예를 들어, 전지 온도 (표면 및 내부) 뿐만 아니라 주변 온도), 내부 저항, 배터리를 통과하는 총 용량, 배터리 두께 등과 함께 사용될 수도 있다.
일 예의 머신 러닝 기법은 SVR (support vector regression) 방법으로서 지칭된다. 이 개시에서, 머신 러닝 기법, 이를 테면, SVR 방법은 입력으로서 트레이닝 세트를 사용하며, 여기서 트레이닝 세트는 선택적으로 비음향 데이터와 함께, 음향 데이터세트, 또는 예시적 양태에서 감소된 음향 데이터세트를 포함할 수도 있다. 트레이닝 세트는 또한, 위에 논의된 탄성파 전파 이론에 기초하여 음향 데이터의 분석으로부터 추정되는 물리적 특성들을 포함할 수도 있다. 일부 경우들에, 트레이닝 세트는 정규화될 수도 있다. 예를 들어, 감소된 음향 데이터세트를 정규화하는 것은 입력 벡터들이 0 과 1 사이에 들어오는 것을 의미할 수도 있다. 전체 파형들로부터의 음향 데이터가 학습을 위해 사용될 경우, 트레이닝 데이터를 정규화하는 것은 입력 벡터들이 -1 과 1 사이에 들어오는 것을 의미할 수도 있다.
도 4a 는 머신 러닝 기법을 사용하여 배터리 (402x) 의 특징들, 이를 테면, SOC, SOH 등을 예측하는 방법 (400) 의 개략도를 예시한다. 하나 이상의 트레이닝 배터리들 (402a-n) 은 입력 데이터세트들을 생성하는데 사용될 수도 있다. 입력 데이터세트들은 트레이닝 모델 (404) 을 사용하여 트레이닝될 수도 있다. 예측 모델 (406) 그리고 배터리 (402x) 에 대한 입력 데이터에 기초하여, 배터리 (402x) 의 특징들이 블록 (408) 에서 예측될 수도 있다.
더욱 자세하게, 각각의 배터리들 (402a-n) 의 입력 데이터세트들은 개별적인 배터리들의 특징들, 음향 데이터세트들, 감소된 음향 데이터세트들, 비-음향 데이터, 물리적 특성들, 및 조건들 (예를 들어, 가스 발생, 고장 등) 중 어느 하나 이상을 포함할 수도 있다. 배터리 (402x) 가 예측되기 위하여, 입력 데이터, 이를 테면, 순시적 사이클링 데이터 (예를 들어, 전압, 전류 등), 음향 데이터, 감소된 음향 데이터, 비-음향 데이터, 물리적 특성들 등이 획득될 수도 있다. 트레이닝 모델 (404) 은 머신 러닝 기법 (예를 들어, SVM, 랜덤 포레스트, 클러스터링 등) 을 사용하고, 배터리들 (402a-n) 로부터 입력 데이터세트들 사이의 상관성들을 결정하고, 차원성 감소 알고리즘을 적용하는 것 등을 행할 수도 있다. 예측 모델 (406) 은 블록 (408) 에서 배터리 (402x) 의 특징들 (예를 들어, SOC, SOH, 안전성 마진, 가스발생, 제조 품질 등) 의 예측들을 생성하기 위해 트레이닝 모델 (404) 로부터 정보 및 위의 입력 데이터세트들에 기초하여 원하는 특징들을 예측할 수도 있다.
도 4b 는 450 으로 지정된 바와 같이, 방법 (400) 에 사용되는 머신 러닝의 일 예를 예시한다. 방법 (450) 에서, 미가공 음향 데이터 (452)(예를 들어, 시간 도메인에서의 전체 파형들) 는 예를 들어, 배터리들 (402a-n) 로부터 수집되고, 영구 메타데이터와 함께 데이터베이스 (453) 에 저장된다. TOF 시프트들 및 신호 진폭과 같은 감소된 음향 데이터를 추출하기 전에, 미가공 음향 데이터세트 (452) 는 블록 (454) 에서, 프리프로세싱될 수도 있고, 이 프리프로세싱은 가능한 장비 노이즈를 수정하고 해상도를 개선하기 위해 윈도잉, 필터링, 리샘플링 등을 포함할 수도 있다. 음향 데이터세트 (452) 와 관련하여, 측정 시간 윈도우에서의 시작 및 끝에서의 신호 진폭은 실질적으로 0 인 것으로 인식되는데 이는 웨이브 시프팅으로부터 측정 윈도우 내로의 그리고 측정 윈도우 밖으로의 여러 매트릭 변화들에 대한 기여도가 무시가능함을 의미한다. 따라서, 음향 데이터세트를, 관심 대상의 영역에서의 파형들에서의 변화들의 측정들을 포함하는 감소된 음향 데이터세트로 간략화하는 것은 트레이닝 데이터를 간략화할 수 있다.
블록 (456) 에서, 시간 시리즈들의 주파수 스펙트럼 및 시간-주파수 스펙트로그램들로의 변환들은 블록 (458) 에서, 감소된 음향 데이터세트, 이를 테면, 주파수 컨텐츠, 분산, TOF 시프트들, 총 신호 진폭 등을 형성하는 피처들의 추출을 용이하게 하기 위해 수행될 수도 있다.
블록 (458) 에서, TOF 시프트들 및 총 신호 진폭에 더하여, 다수의 다른 감소된 음향 데이터세트 피처들이, 예를 들어 통계 (예를 들어, 평균, 분산, 편포도), 시간-도메인 (예를 들어, 제 1-브레이크 시간, 평균 제곱근 진폭), 스펙트럼 (예를 들어, 중심 주파수, 스펙트럼 폭), 및 하이-레벨 (예를 들어, 엔트로피, 복잡도, Hurst 지수) 디스크립터들을 포함하는 시간-, 주파수-, 및 시간-주파수 도메인들로부터 추출될 수도 있다. 이들 추출된 피처들은 피처 데이터베이스 (459) 에 저장될 수도 있다.
감소된 음향 데이터세트의 생성을 위한 피처 추출에 후속하여, 선택 블록 (460) 이, 노이즈의 또는 관련없는 피처들을 최소화하거나 제거하는데 사용될 수도 있다. 이 블록에서, 모델 기반 방법들 및 차원성-감소 알고리즘들 (예를 들어, PCA (principal components analysis)) 이, 머신-러닝 단계에서 평가되는 추가로 간략화된/응축된 데이터세트들을 생성하는데 사용될 수도 있다.
머신 러닝 블록 (462) 은 도 4a 의 트레이닝 모델 (404) 및 예측 모델 (406) 의 조합의 일 구현을 포함할 수도 있다. 블록 (462) 은 다음의 예시적 기능들: 음향 피처들로부터 용량 페이드, SOC, SOH, 또는 배터리의 잔여 유용 수명과 같은 특징들을 예측하는 것 그리고 음향 유사도들에 기초하여 구성 품질, 결함 또는 열화 상태 또는 일반 유용성에 의해 배터리들을 분류하는 것의 하나 이상을 위하여 구성될 수도 있다. SOC 를 예측하는 제 1 양태는 지도 학습을 통하여 수행될 수도 있다. SOC 등을 예측하는데 사용되는 회귀 기법을 위하여, 평균 자승 오차 (MSE) 및 결정 계수들이 예측 정확도를 측정하기 위해 사용될 수도 있다.
배터리들을 분류하는 제 2 양태들은 지도 분류 문제 및 비-지도 클러스터링을 포함할 수도 있다. 지도 분류를 위하여, 전기 메트릭들, 이를 테면, 용량 페이드 및 저항이 먼저 이산 라벨들의 세트, 이를 테면, 클래스 A, B, 및 C 로 변환되고 머신 러닝 파이프라인들에 공급될 수도 있다. 대안적으로, 배터리들은 음향 피어들에 기초하여 그룹화 또는 클러스터링될 수도 있고, 전기 메트릭들이 클러스터링 결과들을 해석하기 위해 실측 자료 (ground truth) 로서 사용될 수도 있다. 위의 모든 것을 위하여, 머신 러닝 기법들, 이를 테면, 랜덤 포레스트, SVM (support vector machine) 등이 사용될 수도 있다.
도 5a 및 도 5b 를 참조하여 보면, 감소된 음향 데이터세트들을 사용하는 예시의 이점들이 기술된다. 도 5a 는 충전-방전 사이클들 동안 테스트 중인 배터리 (예를 들어, 배터리 (202)) 양단에 걸쳐 측정된 전류 (502) 및 전압 (504) 그리고, 또한 TOF 값들 (506) 을 포함하는 대응하는 음향 데이터세트를 도시한다. 보여지는 바와 같이, TOF 값들 (506) 에서 명확하고 반복가능한 추세들이 존재하며, 이는 주기적으로 변화하고, 전기화학적 충전 사이클링과 동기된다. 파형 시프트가 도 5a 의 TOF 값들 (506) 에서 보여지며, 여기서 배터리가 충전함에 따라 (즉, 전압 (502) 이 증가함에 따라), TOF 값들 (506) 의 파형이 하위 TOF 로 시프트하며, TOF (506a) 는 사이클 동안 최고 전압 값에 대응하는 저점 (이 표현에서 상부값에서 하부값으로 TOF 값들이 증가함을 주지한다) 으로서 표현적으로 도시된다. 배터리가 방전함에 따라 (즉, 전압 (502) 이 감소함에 따라), TOF 값들 (506) 의 파형은 더 높은 TOF 로 시프트하고, TOF (506b) 는 표현적으로 동일 사이클에서 고점으로서 도시된다. 따라서, TOF 값들 (506) 을 표현하는 파들은 충전 동안에 하위 TOF 값들을 향하여 이동하고 배터리의 방전 동안에 상위 TOF 값들을 향하여 이동하는 것으로 보여진다.
도 5b 는 도 5a 에 도시된 동일한 충전-방전 사이클들 동안에 (예를 들어, 위에 설명된 적분 기법들을 사용하여) 총 신호 진폭 값 (508) 및 (예를 들어, 위에 설명된 교차 상관 기법들을 사용하여) TOF 시프트 값들 (510) 을 포함하지만, TOF 값들 (506) 을 포함하는 음향 데이터세트를 대체하는 감소된 음향 데이터세트를 도시한다. 총 진폭 값들 (508) 및 TOF 시프트 값들 (510) 을 포함하는 감소된 음향 데이터세트에 대한 파형들은 사이클링 동안에 발생하는 시프트들을 보다 우수하게 설명하기 위해 도시된 한편, 또한 이들의 반복가능성 및 주기적 특성들을 보여준다.
이하 도 6a 내지 도 6d 를 참조하여 보면, TOF 시프트와 SOC 사이의 상관성들이 더욱 상세하게 설명된다. 도 6a 는 단일의 대표 사이클에 대해 TOF 시프트 (y-축) 과 배터리 용량 (x-축) 사이의 관계를 도시한다. 충전 상단으로부터 진행하여, 충전이 감소함에 따라 TOF 시프트에 대한 전체적인 파형이 증가하는 것 (방전 (602)) 으로 도시되고 충전이 증가함에 따라 TOF 시프트에 대한 전체적인 파형이 감소하는 것 (충전 (604)) 으로 도시된다. 이로써, 특정 충전/방전 사이클 동안에 TOF 시프트에서 히스테리시스가 명확하게 된다. 방전의 끝 (602) 을 향하여, TOF 시프트에서 안정기인 것이 보여지며, 이에 이어서, 배터리가 방전함에 따라 (즉, 용량이 x-축에서 0 mAh 인 경향을 가짐), 빠르게 스파이킹하기 전에, TOF 시프트는 도 6a 의 606 으로서 식별된 "이중-딥" 패턴으로 진행한다.
도 6b 는 예시적인 테스트중인 배터리에 대한 복수의 충전-방전 사이클들에 걸쳐 도 6a 의 TOF 시프트들의 회귀를 예시한다. 구체적으로, 방전 (602) 은 파형이 각각의 사이클 동안 동일한 패턴 또는 일반적인 추세를 실질적으로 따름을 예시하도록 식별된다. 사이클들에 걸쳐 명확한 전개는 상이한 사이클들을 따라 상위 TOF 값들로의 파형의 시프트를 포함한다. 이 시프트는 배터리들의 특징들, 이를 테면 SOH 에 상관될 수도 있다.
도 6c 및 도 6d 는 단일 충전-방전 사이클 (도 6c) 에 대한 SOC (x-축) 의 함수로서 그리고 복수의 사이클들 (도 6d) 에 걸쳐 어그리게이션되는 총 신호 진폭 (608)(y-축) 을 간략하기 나타낸다. 도 6a 및 도 6b 에서의 TOF 시프트들과 유사하게, 사이클내 반복가능 추세들은 총 신호 진폭 (608) 에서 관찰된다. 총 신호 진폭 (608) 에서 관측되는 상당한 드롭 오프가 대략 25% 미만의 SOC 로 도시되며, 이어서 도면 부호들 (610a-b) 로 식별되는, 충전 하부에서 총 신호 진폭 (608) 에서의 스파이크가 뒤따른다. 도 6a 의 606 에서 TOF 에서의 상당하고 급속한 변화, 및 610a-b 에서 총 신호 진폭 (608) 에서의 변화는 이들 SOC 값들에서 상당한 스펙트럼 변화들이 발생함을 표시한다. 이들 급속한 변화들 (606, 610a-b) 은 배터리의 과방전을 표시하는 것으로 보여진다. 따라서, 이러한 고속 변화들에 대해 결합된 TOF 시프트 및 총 신호 진폭 측정값들을 모니터링하는 것은 예를 들어 배터리 관리 시스템들에서의 과방전의 온셋의 표시를 제공하기 위해 사용될 수도 있다. 추가로, 도 6d 에서 사이클에 걸쳐 보여지는 총 신호 진폭 (610) 은 배터리가 증가하는 수의 충전-방전 사이클들에 적용됨에 따라 총 신호 진폭 (610) 이 미소하게 페이드한다는 표시를 제공한다.
TOF 시프트들 및 총 신호 진폭을 포함하는 감소된 음향 데이터세트의 반복가능한 특성들의 위의 관측으로부터, 감소된 음향 데이터세트가 배터리들의 특징들, 이를 테면, SOC, SOH 등을 정확하게 예측하기 위해 사용될 수도 있음을 알게 된다. 구체적으로, 사이클 내 전기화학적 변화들 및 이에 따른 재료의 기계적 특성들은배터리의 충전 사이클링 동안에 초음파 파형들에서 관측가능한 시프트들을 발생시킨다. 전기화학적-기계적 커플링은 초음파 신호들로부터 유도되는 음향 데이터를 사용하여 위의 예측들에 대한 기반으로서 제공하는 것으로 보여진다. 또한, 재료 특성들이 사이클링 전반에 걸쳐 연속적으로 시프트하는 것으로 가정하면, 또한, 배터리의 재료 상태에서의 명확한 변화들 이 제공된다 (이는 또한, 관측이 어려운 매우 작은 변화들만을 표시할 수 있는 전압과 같은 전기화학적 측정들과 대조된다). 다음 섹션들은 SOC 가 변화함에 따른 신호의 변화 및 SOC 예측의 추가적인 양태들을 논의한다.
배터리의 SOC 와 관련하여 TOF 시프트들 및 총 신호 진폭 양쪽에서 위에 주지된 반복가능한 추세들에 더하여, 동일 또는 유사한 추세들이 다수의 배터리들에 걸쳐 또한 관측된다. 그러나 측정 동안의 전지 변동성 및 노이즈는 총 신호 진폭 및 TOF 시프트들의 입력들과 관련하여 배터리의 SOC 의 직접적인 추론을 복잡하게 할 수도 있는 일부 변동들을 야기할 수도 있다. 총 신호 진폭, TOF 시프트, 및 위에 설명된 다른 비음향 데이터, 이를 테면, 전압을 포함하는 이용가능한 측정된 데이터세트의 어그리게이션에서, 예시의 양태들은 위에 주지된 변동들에 기초한 복잡성을 극복하면서 배터리의 SOC 의 추정을 수반한다.
이전에 주지된 바와 같이, 도 4a 및 도 4b 에 도시된 방법들 (400, 450) 의 머신 러닝 기법들은 둘 이상의 배터리들 (402a-n) 로부터의 입력 데이터를 사용하여 배터리 (402x) 의 특징들을 예측할 수도 있다. 방법들 (400, 450) 을 사용하는 이 방식은 배터리 (402x) 자체 상에서 트레이닝되어, 이를 위해 예측이 행해지는 알고리즘의 필요 없이 이들 머신 러닝 모델들의 정확도의 독립적인 검증을 제공한다. 배터리 (402x) 의 특징들의 예측은 입력 데이터세트가 트레이닝 데이터를 포함하는 각각의 시점에서 행해질 수도 있다. 이전에 주지된 바와 같이, TOF 시프트 및 총 신호 진폭은 값들 0 과 1 사이에 들어오도록 정규화될 수도 있다. 배터리들 (402a-n) 로부터 일 시점에 대한 이들 정규화된 값들에서, 사이클링 동안에 이전 시간 인스턴스들로부터의 데이터를 필요로 하지 않고 그 시점에 대한 배터리 (402x) 의 순시적 SOC 가 예측될 수도 있다. 이들 예시적 기법들은 종래 방법들, 이를 테면, SOC 의 예측에서 또한 다른 이전 시간 인스턴스들로부터의 이력/데이터에 매우 심하게 의존할 수도 있는 쿨롱 카운팅과는 구별된다. 예시적 기법이 이력에 유사하게 의존하지 않는다는 것은 보다 높은 정확한 예측들에 대해 더 적은 정보에 의존하고 배터리의 충전-방전 이력 또는 조건의 이전 정보에 의존하지 않는 예시적 SOC 예측들에서의 견고성의 관점에서 이점을 제공한다. 또한, 예상되지 않고 학습되지 않은 사이클링 이력들 또는 가능한 전지 데미지들의 이벤트에서도, SOC 예측에 대한 위에 주지된 기법들은 또한 견고한 것으로 보여진다.
SOC 를 예측하는 것에 더하여, 다른 특징들, 이를 테면, 배터리, 예를 들어, 배터리 (402x) 의 SOH 는 또한 입력/학습 데이터세트를 사용하여 예측될 수도 있다. 예를 들어, SOH 는 예를 들어 도 6a 를 참조하여 각각의 사이클의 변화의 상단으로부터 데이터를 사용하여 예측될 수도 있다 (자세하게 설명되지 않았지만, SOH 예측들은 또한 다른 중간 충전 상태에서 행해질 수도 있다). SOH 예측들을 위하여, 방법 (400) 과 같은 유사한 방법이 사용될 수도 있으며, 여기서 이 경우의 러닝 모델 (404) 의 입력들은 (예를 들어, 배터리 (402a) 에 대해, 사이클 동안 충전의 상단에서) 단일 전지 참조 신호에 상관되는 TOF 시프트, 총 신호 진폭, 전압 및 초음파 스냅샷으로서 지칭되는 다른 음향 데이터를 포함할 수도 있다. 초음파 스냅샷은 스냅샷들이 서로 포개지고 TOF 시프트 없이 스냅샷 형상의 전개를 캡처하도록 제거되는 TOF 오프셋들을 포함한다. 초음파 스냅샷은 예를 들어, 범위 [-1,1] 에서 정규화될 수도 있으며, 나머지 파라미터들은 범위 [0,1] 에서 정규화될 수도 있다. 각각의 배터리에 대해, 파형의 절대 도달 시간에서 변동이 있을 수 있으며, 이는 배터리에서의 두께 변동들, 패키징 또는 재료 차이들, 배터리에 대한 트랜스듀서들의 부착에서의 변동들 등에 기초할 수도 있다. 파형의 진폭은 또한 배터리의 진폭이 도달 시간과 관련하여 위에서 논의된 바와 같은 전지의 유사한 특징들에 기초한 것일 수 있다. 따라서, 음향 데이터 (예를 들어, 도달 시간, 진폭 등) 의 직접적인 비교가 곤란하다. 에러들을 감소시키고, 보다 양호한 파형 비교를 허용하기 위하여, 변화 상단에서의 파형들은 단일의 도달 시간으로 다시 정규화될 수도 있다 (즉, 상이한 전지들로부터의 파형들이 정규화되면 동시에 도달하는 것으로 보여지거나 즉, 파형들이 모두 포개지는 것으로 보여진다). 추가로 파형들의 진폭은 -1 과 1 사이에 들어오도록 정규화되어, 진폭에서의 변동들이 또한 제거되게 된다. 그 결과, 여러 파형들이 자신들의 벌크 음향 데이터 (예를 들어, 도달 시간, 진폭) 에 대하여 오버랩하게 되지만, 파형 형상에서의 차이 등이, 감소된 음향 데이터세트에 의해 드러날 것이다. 독립적 배터리 (402x) 를 트레이닝하는 것은 이전의 섹션들에서의 요약된 바와 같이 진행될 수도 있다.
초음파 신호들이 이전에 논의된 바와 같이 신호들이 진행하는 배터리에서의 구조적 차이들에 민감하기 때문에, 예시적 기법들은 배터리 관리의 여러 양태들에서, 제 2 라이프 애플리케이션들 (즉, 리퍼포징), 팩 재연마, 배터리 제조 또는 어셈블리 프로세스들의 개발 및 모니터링, 및 결함있는 전지 식별에 사용될 수 있다. SOH 예측은 또한, 예를 들어, 배터리의 변화의 상단에 대응하는 시간 인스턴스에서 행해지는 단일의 초음파 측정으로만 수행될 수도 있고, 이는 배터리의 이력의 정보가 필요없음을 의미한다. 그러나, 배터리가 사용되지 않은 동안에 SOH 예측이 또한 수행될 수도 있고, 이로써 본원에 예시적 양태들에서 어떠한 변화 레벨 또는 변화 조건을 필요로 하지 않음이 이해될 것이다. 따라서, 예시적 기법들은 낮은 비용및 높은 정확도의 해결책으로 이어진다.
따라서, 예시적 양태들은 본원에 개시된 프로세스들, 기능들 및 또는 알고리즘을 수행하기 위한 여러 방법들을 포함하고 있음을 알 것이다. 예를 들어, 도 7 은 전기화학 시스템들의 비침습적 분석의 방법 (700) 을 예시한다.
방법 (700) 의 블록 (702) 은 충전-방전 사이클의 적어도 일부분을 적어도 제 1 배터리에 적용하는 것 (예를 들어, 배터리 관리 시스템 (208) 을 사용하여 충전 방전 사이클을 배터리 (202 또는 402a) 에 적용하는 것) 을 포함할 수도 있다.
블록 (704) 은 충전-방전 사이클의 적어도 일부분 동안 둘 이상의 시간 인스턴스들 - 둘 이상의 시간 인스턴스들은 제 1 배터리의 둘 이상의 충전 상태에 대응함 - 에서, 제 1 배터리의 적어도 일부분을 통하여 음향 신호들을 송신하는 것, 및 대응하는 응답 신호들을 수신하는 것 (예를 들어, 도 3a 및 도 3b 에 도시된 바와 같이 트랜스듀서들 (204, 206) 을 사용하여 음향 신호들을 송신, 수신하는 것 및 음향 데이터세트를 생성하는 것) 을 포함할 수도 있다.
블록 (706) 은 둘 이상의 충전 상태들에서 송신된 음향 신호들 또는 응답 신호들의 하나 이상을 표현하는 하나 이상의 데이터 포인트들을 포함하는 적어도 감소된 음향 데이터세트 (예를 들어, 도 5b 에 도시된 바와 같은 TOF 시프트들 (510), 총 신호 진폭 (508)) 를 결정하는 것을 포함한다.
또한, 당업자는, 여기에 개시된 양태들과 관련하여 설명된 다양한 예시적인 논리 블록, 모듈, 회로, 및 알고리즘 단계가 전자 하드웨어, 컴퓨터 소프트웨어, 또는 이 양자의 조합으로 구현될 수도 있음을 인식할 것이다. 하드웨어와 소프트웨어의 이러한 상호 대체 가능성을 분명히 예시하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 일반적으로 그들의 기능의 관점에서 기술되었다. 그러한 기능이 하드웨어 또는 소프트웨어로 구현될지 여부는, 전체 시스템에 부과된 특정 응용 및 설계 제약에 달려 있다. 당업자는 설명된 기능을 각각의 특정 어플리케이션에 대하여 다양한 방식들로 구현할 수도 있지만, 그러한 구현의 결정들이 본 발명의 범위로부터의 일탈을 야기하는 것으로서 해석되지는 않아야 한다.
본원에 개시된 양태들과 연계하여 설명된 방법, 시퀀스들 및/또는 알고리즘의 단계는, 직접적으로 하드웨어로, 프로세서에 의해 실행되는 소프트웨어 모듈로, 또는 이들의 조합으로 구현될 수도 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 착탈가능 디스크, CD-ROM, 또는 당업계에 공지된 임의의 다른 형태의 저장 매체에 상주할 수도 있다. 예시적 저장 매체는 프로세서가 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있도록 프로세서에 연결된다.
따라서, 본 발명의 양태는 음향 신호들을 사용하여 전기화학 시스템들을 분석하기 위한 방법을 구현하는 컴퓨터 판독가능 매체를 포함할 수도 있다. 따라서, 본 발명은 예시된 예들에 한정되지 않고, 여기에 설명된 기능을 수행하기 위한 수단은 본 발명의 양태들에 포함된다.
이전의 개시는 본 발명의 예시적인 양태들을 보여주지만, 첨부된 청구항들에 의해 정의된 본 발명의 범위로부터 이탈함이 없이 다양한 변화 및 변경들이 여기서 이루어질 수 있음에 유의해야 한다. 본원에서 설명된 본 발명의 양태들에 따른 방법 청구항들의 기능들, 단계들 및/또는 액션들은 임의의 특정 순서로 수행될 필요는 없다. 또한, 비록 본 발명의 엘리먼트들이 단수로 설명되거나 또는 청구될 수도 있지만, 그 단수로의 제한이 명시적으로 언급되지 않는다면, 복수가 고려된다.

Claims (20)

  1. 전기화학 시스템들의 비침습적 분석 방법으로서,
    적어도 제 1 배터리를 충전-방전 사이클의 적어도 일부분에 적용하는 단계;
    상기 충전-방전 사이클의 적어도 일부분 동안, 상기 제 1 배터리의 둘 이상의 충전 상태들에 대응하는 둘 이상의 시간 인스턴스들에서, 상기 제 1 배터리의 적어도 일부분을 통하여 음향 신호들을 송신하고, 대응하는 응답 신호들을 수신하는 단계;
    상기 둘 이상의 충전 상태들에서 송신된 상기 음향 신호들 및 수신된 응답 신호들에 적어도 부분적으로 기초하여 제 1 음향 데이터세트를 결정하는 단계;
    상기 제 1 음향 데이터세트에 기초하여 제 2 음향 데이터세트를 생성하는 단계로서, 상기 제 2 음향 데이터세트는 상기 제 1 음향 데이터세트와 비교하여 상기 응답 신호들을 통해 수신되는 더 적은 수의 데이터 포인트들을 포함하고, 상기 데이터 포인트들은, 일단 실행되면, 상기 제 1 배터리의 물리적 특징들을 표시하는 상기 응답 신호들의 하나 이상의 특성들에 대응하는, 상기 제 2 음향 데이터세트를 생성하는 단계; 및
    적어도 상기 제 2 음향 데이터세트를 사용하여 상기 제 1 배터리의 하나 이상의 물리적 특징들을 결정하는 단계;
    를 포함하는, 전기화학 시스템들의 비침습적 분석 방법.
  2. 제 1 항에 있어서,
    상기 제 2 음향에서 상기 데이터 포인트들은 상기 음향 신호들의, 총 신호 진폭, 주파수 컨텐츠, 제 1 브레이크 시간, 중심 주파수, 시간 도메인에서의 메인 응답 피크의 반치전폭, 주파수 도메인에서의 메인 피크의 반치전폭, 주파수 분포의 표준 편차, 편포도, 또는 첨도, 시간 도메인에서의 상기 응답 신호의 붕괴 레이트, 양의 진폭 하에서의 면적 (area), 또는 음의 진폭 하에서의 면적 중 하나에 대응하는, 전기화학 시스템들의 비침습적 분석 방법.
  3. 제 1 항에 있어서,
    상기 제 1 배터리의 상기 하나 이상의 물리적 특징들은 상기 둘 이상의 충전 상태들에서 결정되고, 상기 하나 이상의 물리적 특징들은 상기 제 1 배터리의, 밀도, 탄성 모듈러스, 벌크 모듈러스, 전단 모듈러스, 다공성, 또는 두께 중 하나 이상을 포함하는, 전기화학 시스템들의 비침습적 분석 방법.
  4. 제 1 항에 있어서,
    상기 제 1 배터리에 대한 적어도 상기 제 2 음향 데이터세트를 갖는 제 1 데이터베이스를 생성하는 단계를 더 포함하는, 전기화학 시스템들의 비침습적 분석 방법.
  5. 제 4 항에 있어서,
    상기 제 1 배터리에 관한 비음향 데이터를 상기 제 1 데이터베이스에 포함하는 단계를 더 포함하고, 상기 비음향 데이터는 상기 둘 이상의 충전 상태들에서, 상기 제 1 배터리의 하나 이상의 전압, 전류, 또는 온도를 포함하는, 전기화학 시스템들의 비침습적 분석 방법.
  6. 제 5 항에 있어서,
    상기 제 1 데이터베이스에서 상기 둘 이상의 충전 상태들에서의 상기 송신된 음향 신호들 또는 상기 응답 신호들의 하나 이상의 파형들을 포함하는 단계를 더 포함하는, 전기화학 시스템들의 비침습적 분석 방법.
  7. 제 6 항에 있어서,
    적어도 상기 제 1 데이터베이스, 및 제 2 배터리의 음향 데이터, 또는 비음향 데이터 중 하나 이상을 사용하여 상기 제 2 배터리의 하나 이상의 특징들을 결정하는 단계를 더 포함하는, 전기화학 시스템들의 비침습적 분석 방법.
  8. 제 7 항에 있어서,
    상기 제 2 배터리의 상기 하나 이상의 특징들은 충전 상태 (SOC), 헬스 상태 (SOH), 구성 품질, 잔여 유용 수명, 전력 상태, 또는 안전성 상태 중 하나 이상을 포함하는, 전기화학 시스템들의 비침습적 분석 방법.
  9. 제 7 항에 있어서,
    트레이닝 데이터세트로서 사용된 적어도 상기 제 1 데이터베이스로 머신 러닝 모델을 트레이닝하는 단계; 및
    상기 머신 러닝 모델을 사용하여 상기 제 1 배터리 또는 상기 제 2 배터리의 상기 하나 이상의 특징들을 결정하는 단계를 더 포함하는, 전기화학 시스템들의 비침습적 분석 방법.
  10. 제 1 항에 있어서,
    상기 음향 신호들은 초음파 신호들 또는 탄성파들을 포함하고, 상기 음향 신호들은 하나 이상의 트랜스듀서들에 의해 송신되고 상기 응답 신호들은 하나 이상의 트랜스듀서들에 의해 수신되는, 전기화학 시스템들의 비침습적 분석 방법.
  11. 전기화학 시스템들의 비침습적 분석 방법으로서,
    적어도 제 1 배터리의 음향 데이터 또는 비음향 데이터 중 하나 이상의 제 1 데이터베이스를 사용하여 하나 이상의 배터리들의 물리적 특징들을 예측하는 단계를 포함하고,
    상기 음향 데이터는 상기 제 1 배터리의 제 2 음향 데이터세트를 변환하여 형성된 제 1 음향 데이터세트를 적어도 포함하고, 상기 제 2 음향 데이터세트는 상기 제 1 배터리의 적어도 일부분을 통하여 송신되는 음향 신호들, 및 상기 제 1 배터리의 둘 이상의 충전 상태들에서 하나 이상의 트랜스듀서들을 사용하여 송신된 상기 신호들에 대한 응답 신호들 중 하나 이상을 표현하는 하나 이상의 데이터 포인트들을 포함하고, 상기 제 1 음향 데이터세트는 상기 제 2 음향 데이터세트와 비교하여 상기 응답 신호들을 통해 수신되는 더 적은 수의 데이터 포인트들을 포함하고, 상기 데이터 포인트들은, 일단 실행되면, 상기 하나 이상의 배터리들의 상기 물리적 특징들을 표시하는 상기 응답 신호들의 하나 이상의 특성들에 대응하는, 전기화학 시스템들의 비침습적 분석 방법.
  12. 제 11 항에 있어서,
    상기 응답 신호들의 상기 하나 이상의 특성들은 상기 음향 신호들의, 상기 응답 신호들의 총 신호 진폭, 제 1 브레이크 시간, 중심 주파수, 시간 도메인에서의 메인 응답 피크의 반치전폭, 주파수 도메인에서의 메인 피크의 반치전폭, 주파수 분포의 표준 편차, 편포도, 또는 첨도, 시간 도메인에서의 상기 응답 신호의 붕괴 레이트, 양의 진폭 하에서의 면적, 및 음의 진폭 하에서의 면적을 적어도 포함하는, 전기화학 시스템들의 비침습적 분석 방법.
  13. 장치로서,
    적어도 제 1 배터리;
    상기 제 1 배터리를 충전-방전 사이클의 적어도 일부분에 적용하도록 구성되는 배터리 관리 시스템;
    상기 제 1 배터리의 적어도 일부분을 통하여 음향 신호들을 송신하고 충전-방전 사이클의 적어도 일부분 동안 둘 이상의 시간 인스턴스들에서 대응하는 응답 신호들을 수신하도록 구성되는 하나 이상의 트랜스듀서들로서, 상기 둘 이상의 시간 인스턴스들은 상기 제 1 배터리의 둘 이상의 충전 상태들에 대응하는, 상기 하나 이상의 트랜스듀서들; 및
    하나 이상의 프로세스들로서:
    상기 둘 이상의 충전 상태들에서 송신된 상기 음향 신호들 및 수신된 상기 응답 신호들의 적어도 일부분에 기초하여 제 1 음향 데이터세트를 결정하고;
    제 2 음향 데이터세트를 생성하도록 상기 제 1 음향 데이터세트를 변환하는 것으로서, 상기 제 2 음향 데이터세트는 상기 제 1 음향 데이터세트와 비교하여 상기 응답 신호들을 통해 수신되는 더 적은 수의 데이터 포인트들을 포함하고, 상기 데이터 포인트들은, 일단 실행되면, 상기 제 1 배터리의 물리적 특징들을 표시하는 상기 응답 신호들의 하나 이상의 특성들에 대응하는, 상기 제 1 음향 데이터세트를 변환하고;
    적어도 상기 제 2 음향 데이터세트를 사용하여 상기 제 1 배터리의 하나 이상의 물리적 특징들을 결정하도록 구성된, 상기 하나 이상의 프로세서들을 포함하는, 장치.
  14. 제 13 항에 있어서,
    상기 데이터 포인트들은 상기 음향 신호들의, 비행 시간에서의 시프트, 총 신호 진폭, 제 1 브레이크 시간, 중심 주파수, 시간 도메인에서의 메인 응답 피크의 반치전폭, 주파수 도메인에서의 메인 피크의 반치전폭, 주파수 분포의 표준 편차, 편포도, 또는 첨도, 시간 도메인에서의 상기 응답 신호의 붕괴 레이트, 양의 진폭 하에서의 면적, 또는 음의 진폭 하에서의 면적 중 하나에 대응되는, 장치.
  15. 제 13 항에 있어서,
    상기 하나 이상의 프로세서들은 상기 제 1 배터리에 대한 적어도 상기 제 2 음향 데이터세트를 갖는 제 1 데이터베이스를 생성하도록 더 구성된, 장치.
  16. 제 15 항에 있어서,
    상기 제 1 배터리의 온도를 결정하도록 구성되는 하나 이상의 센서들을 더 포함하고,
    상기 배터리 관리 시스템은 상기 제 1 배터리의 전압을 결정하도록 더 구성되고, 그리고
    상기 제 1 데이터베이스는 상기 제 1 배터리에 관한 비음향 데이터를 더 포함하고, 상기 비음향 데이터는 상기 둘 이상의 충전 상태들에서 상기 제 1 배터리 상기 전압 또는 온도 중 하나 이상을 포함하는, 장치.
  17. 제 16 항에 있어서,
    상기 제 1 데이터베이스는 상기 둘 이상의 충전 상태들에서 상기 송신된 음향 신호들 또는 상기 응답 신호들의 하나 이상의 파형들을 포함하는 음향 데이터세트를 더 포함하는, 장치.
  18. 제 17 항에 있어서,
    상기 하나 이상의 프로세서들은 적어도 상기 제 1 데이터베이스, 및 제 2 배터리의 음향 데이터, 감소된 음향 데이터, 또는 비음향 데이터 중 하나 이상에 기초하여 상기 제 2 배터리의 하나 이상의 특징들을 예측하도록 더 구성되는, 장치.
  19. 제 18 항에 있어서,
    상기 제 2 배터리의 상기 하나 이상의 특징들은 충전 상태 (SOC), 헬스 상태 (SOH), 구성 품질, 잔여 유용 수명, 전력 상태, 또는 안전성 상태 중 하나 이상을 포함하는, 장치.
  20. 제 13 항에 있어서,
    상기 음향 신호들은 초음파 신호들 또는 탄성파들을 포함하는, 장치.
KR1020207007985A 2017-09-01 2018-08-30 음향 신호들을 사용한 전기화학 시스템들의 특징들의 결정 KR102663466B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762553287P 2017-09-01 2017-09-01
US62/553,287 2017-09-01
US16/117,421 US11193979B2 (en) 2017-09-01 2018-08-30 Determination of characteristics of electrochemical systems using acoustic signals
PCT/US2018/048804 WO2019046555A1 (en) 2017-09-01 2018-08-30 DETERMINATION OF CHARACTERISTICS OF ELECTROCHEMICAL SYSTEMS USING ACOUSTIC SIGNALS
US16/117,421 2018-08-30

Publications (2)

Publication Number Publication Date
KR20200086254A KR20200086254A (ko) 2020-07-16
KR102663466B1 true KR102663466B1 (ko) 2024-05-03

Family

ID=65517321

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207007985A KR102663466B1 (ko) 2017-09-01 2018-08-30 음향 신호들을 사용한 전기화학 시스템들의 특징들의 결정

Country Status (8)

Country Link
US (2) US11193979B2 (ko)
EP (1) EP3676902A1 (ko)
JP (1) JP7293197B2 (ko)
KR (1) KR102663466B1 (ko)
CN (1) CN111344894A (ko)
CA (1) CA3073833A1 (ko)
TW (1) TWI794281B (ko)
WO (1) WO2019046555A1 (ko)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10629966B2 (en) * 2016-11-02 2020-04-21 Feasible, Inc. Modular, adaptable holders for sensors and battery cells for physical analysis
US10809231B2 (en) * 2016-11-02 2020-10-20 Feasible, Inc. Arrays of acoustic transducers for physical analysis of batteries
US11193979B2 (en) * 2017-09-01 2021-12-07 Feasible, Inc. Determination of characteristics of electrochemical systems using acoustic signals
CN109828029B (zh) * 2019-03-28 2021-08-27 烟台中凯检测科技有限公司 一种基于原始数据的超声相控阵检测系统和方法
CN110137581B (zh) * 2019-04-15 2021-03-26 华中科技大学 一种锂离子电池超声脉冲监测装置
US11415552B2 (en) * 2019-06-19 2022-08-16 Battelle Memorial Institute In operando, non-invasive state-of-charge monitoring for redox flow batteries
US11855265B2 (en) 2019-12-04 2023-12-26 Liminal Insights, Inc. Acoustic signal based analysis of batteries
FR3104725B1 (fr) * 2019-12-16 2021-12-10 Commissariat Energie Atomique Procédé de détermination d’un signal sonde, procédé de caractérisation utilisant un tel signal et dispositif associé
US11764413B2 (en) * 2020-02-10 2023-09-19 Titan Advanced Energy Solutions Inc Battery testing systems and methods
CN113030738B (zh) * 2020-02-18 2022-09-16 深圳大学 一种电池故障检测方法、电池故障检测系统及终端
KR20230004808A (ko) * 2020-05-06 2023-01-06 리미널 인사이츠 인코포레이티드 필름의 음향 신호 기반 분석
CN112114038B (zh) * 2020-09-09 2023-10-10 无锡领声科技有限公司 一种斜入式声波检测电池老化的方法和装置
CN112113835A (zh) * 2020-09-10 2020-12-22 北京理工大学 一种微动疲劳裂纹萌生位置判定方法
JP2024509913A (ja) * 2021-03-08 2024-03-05 アール ジュアニコ ドランドレブ バッテリーの動作を音響的に補助する方法及びシステム
FR3121228A1 (fr) * 2021-03-23 2022-09-30 Blue Solutions Procédé et système pour estimer un indicateur de vieillissement d’une batterie électrique rechargeable.
JPWO2022239562A1 (ko) * 2021-05-14 2022-11-17
CN113533989B (zh) * 2021-06-09 2023-08-18 深圳先进技术研究院 一种电池检测系统和电池检测方法
CN113410531B (zh) * 2021-06-09 2022-08-12 湖州师范学院 电池整体温度检测方法、装置及计算机可读存储介质
US11885767B2 (en) * 2021-06-21 2024-01-30 Rtx Corporation Automated scan data quality assessment in ultrasonic testing
CN113984900B (zh) * 2021-10-12 2023-10-03 北京福泽润慧科技有限公司 一种新能源风力发电用电极检测系统
CN114019388A (zh) * 2021-11-08 2022-02-08 北京工业大学 一种超声反射系数表征锂离子电池soc的方法
CN114236403B (zh) * 2021-12-15 2023-12-29 河北工业大学 基于超声测量的锂离子电池荷电状态估计方法及装置
CN114384156B (zh) * 2022-01-13 2024-05-07 西安交通大学 一种基于信息熵理论的声发射信号特征提取与裂纹损伤识别方法
WO2023154949A1 (en) * 2022-02-14 2023-08-17 Liminal Insights, Inc. Defect simulation for identification and labeling of defects in battery cells
FR3134240A1 (fr) * 2022-03-31 2023-10-06 Commissariat à l'Energie Atomique et aux Energies Alternatives Procédé de tri d’un ensemble de batteries basé sur un modèle de classification automatique
KR20240005523A (ko) * 2022-07-05 2024-01-12 주식회사 엘지에너지솔루션 배터리 검사 장치 및 그것의 동작 방법
CN115356641A (zh) * 2022-07-12 2022-11-18 河北工业大学 一种基于超声特征的锂离子电池过充电检测方法
US20240104269A1 (en) * 2022-09-16 2024-03-28 Palo Alto Research Center Incorporated Transferable hybrid prognostics based on fundamental degradation modes
WO2024074349A1 (de) 2022-10-05 2024-04-11 Tdk Electronics Ag Sensorsystem, system mit sensorsystem und verfahren zum detektieren
CN116148679B (zh) * 2023-04-19 2023-07-07 深圳市伟创源科技有限公司 一种电池健康状态的预测方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013080703A (ja) * 2011-09-30 2013-05-02 IFP Energies Nouvelles アコースティックエミッションによって蓄電池の内部状態を診断する方法およびシステム
US20160084911A1 (en) * 2014-09-23 2016-03-24 Ford Global Technologies, Llc Sensor system for measuring battery internal state
JP2016090346A (ja) * 2014-10-31 2016-05-23 エンネット株式会社 電池診断装置および電池診断方法
US20160223498A1 (en) * 2015-01-30 2016-08-04 The Trustees Of Princeton University Apparatus and Method for Determining state of Change (SOC) and State of Health (SOH) of Electrical Cells
US11193979B2 (en) * 2017-09-01 2021-12-07 Feasible, Inc. Determination of characteristics of electrochemical systems using acoustic signals

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010040318A (ja) 2008-08-05 2010-02-18 Toyota Motor Corp 二次電池のａｅ信号発生部位検出方法およびその装置
CN102473972B (zh) * 2009-07-02 2014-07-23 丰田自动车株式会社 电池的内部状态检测装置和方法
JP2013137249A (ja) 2011-12-28 2013-07-11 Nec Corp 二次電池の劣化診断方法および電池システム
CN102662190B (zh) * 2012-05-04 2014-06-25 同济大学 一种超声波快速扫描勘探的方法与所用系统
TWI504907B (zh) * 2013-08-13 2015-10-21 Taiwan Power Testing Technology Co Ltd 鋰電池之電性檢測方法及設備
WO2015023820A2 (en) * 2013-08-15 2015-02-19 University Of Maryland College Park Systems, methods, and devices for health monitoring of an energy storage device
FR3011336B1 (fr) * 2013-09-30 2017-06-09 Commissariat Energie Atomique Procede de surveillance d'une batterie li-ion et dispositif de surveillance pour sa mise en oeuvre
DE102014218699A1 (de) 2014-09-17 2016-03-17 Continental Teves Ag & Co. Ohg Batteriesensor basierend auf akustischen Oberflächenwellen
KR20160101506A (ko) * 2015-02-17 2016-08-25 삼성전자주식회사 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
CN104730147A (zh) * 2015-03-31 2015-06-24 无锡市崇安区科技创业服务中心 一种基于超声波的岩石层状态实时监控系统
US9893385B1 (en) * 2015-04-23 2018-02-13 Ambri Inc. Battery management systems for energy storage devices
US10197631B2 (en) * 2015-06-01 2019-02-05 Verizon Patent And Licensing Inc. Systems and methods for determining vehicle battery health
US11527783B2 (en) * 2016-06-21 2022-12-13 The Board of Trustees of the Leland Standford Junior Universitv Battery state monitoring using ultrasonic guided waves
CN106772063B (zh) * 2016-11-21 2018-03-20 华中科技大学 一种监测锂离子电池荷电状态和健康状态的方法及其装置
US10502793B2 (en) * 2016-12-09 2019-12-10 The Regents Of The University Of California Nonlinear acoustic resonance spectroscopy (NARS) for determining physical conditions of batteries
CN106989702B (zh) * 2017-03-31 2023-12-01 中国特种设备检测研究院 脉冲激发式电磁超声检测仪

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013080703A (ja) * 2011-09-30 2013-05-02 IFP Energies Nouvelles アコースティックエミッションによって蓄電池の内部状態を診断する方法およびシステム
US20160084911A1 (en) * 2014-09-23 2016-03-24 Ford Global Technologies, Llc Sensor system for measuring battery internal state
JP2016090346A (ja) * 2014-10-31 2016-05-23 エンネット株式会社 電池診断装置および電池診断方法
US20160223498A1 (en) * 2015-01-30 2016-08-04 The Trustees Of Princeton University Apparatus and Method for Determining state of Change (SOC) and State of Health (SOH) of Electrical Cells
US11193979B2 (en) * 2017-09-01 2021-12-07 Feasible, Inc. Determination of characteristics of electrochemical systems using acoustic signals

Also Published As

Publication number Publication date
TW201931661A (zh) 2019-08-01
JP2020537114A (ja) 2020-12-17
JP7293197B2 (ja) 2023-06-19
EP3676902A1 (en) 2020-07-08
US20220206075A1 (en) 2022-06-30
US20190072614A1 (en) 2019-03-07
TWI794281B (zh) 2023-03-01
CN111344894A (zh) 2020-06-26
US11193979B2 (en) 2021-12-07
KR20200086254A (ko) 2020-07-16
CA3073833A1 (en) 2019-03-07
WO2019046555A1 (en) 2019-03-07

Similar Documents

Publication Publication Date Title
KR102663466B1 (ko) 음향 신호들을 사용한 전기화학 시스템들의 특징들의 결정
US11855265B2 (en) Acoustic signal based analysis of batteries
US10809310B2 (en) Nonlinear acoustic resonance spectroscopy (NARS) for determining physical conditions of batteries
JP7261179B2 (ja) バッテリの寿命評価および容量の回復
CN109565089B (zh) 使用超声导波的电池状态监测
US11549919B2 (en) Apparatus and method for determining state of change (SOC) and state of health (SOH) of electrical cells
Copley et al. Measurements and modelling of the response of an ultrasonic pulse to a lithium-ion battery as a precursor for state of charge estimation
US11022501B2 (en) Apparatus and method for measuring temperature of batteries and internal battery components
US11600870B2 (en) Systems and methods for evaluating electrolyte wetting and distribution
Galiounas et al. Battery state-of-charge estimation using machine learning analysis of ultrasonic signatures
Li et al. State estimation of a lithium-ion battery based on multi-feature indicators of ultrasonic guided waves
Tian et al. State of charge estimation of lithium-ion batteries based on ultrasonic guided waves by chirped signal excitation
EP3942292A1 (en) Systems and methods for acoustically assessing electrolyte wetting and distribution in a secondary battery
McGee Ultrasonic inspection of lithium-ion batteries to determine battery safety
Williams et al. Battery Age Monitoring: Ultrasonic Monitoring of Long Term Cycling and Degradation of Lithium-Ion Batteries
Festijo et al. State of Health Classification for Lead-acid Battery: A Data-driven Approach

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant