KR20090020362A

KR20090020362A - 배터리의 장기 특성 예측 시스템 및 방법

Info

Publication number: KR20090020362A
Application number: KR1020070085080A
Authority: KR
Inventors: 송현곤; 조정주; 추연욱; 손미영; 이호춘
Original assignee: 주식회사 엘지화학
Priority date: 2007-08-23
Filing date: 2007-08-23
Publication date: 2009-02-26
Also published as: PL2188642T3; JP2010538246A; WO2009025512A3; JP5005814B2; CN101809456A; EP2188642B1; KR100911316B1; EP2188642A2; WO2009025512A2; CN101809456B; US9255973B2; US20110191278A1; EP2188642A4

Abstract

본 발명은 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템 및 방법을 개시한다. 본 발명에 따른 시스템은, 학습 대상으로 선택된 배터리의 초기 특성 학습 데이터와 장기 특성 학습 데이터를 입력 받는 학습 데이터 입력부; 장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는 측정 데이터 입력부; 및 상기 학습 데이터 입력부로부터 초기 특성 학습 데이터와 장기 특성 학습 데이터를 수신하여 인공 신경망을 학습시키고, 상기 측정 데이터 입력부로부터 초기 특성 측정 데이터를 입력 받아 학습된 인공 신경망을 적용함으로써 배터리의 초기 특성 측정 데이터로부터 장기 특성 예측 데이터를 산출하여 출력하는 인공 신경망 연산부;를 포함한다.

본 발명에 따르면, 인공 신경망을 이용하여 배터리의 초기 특성에 의해 장기 특성을 신속하게 평가함으로써 종래의 출하 후 장기 특성 평가 방식이 갖는 여러 가지 문제들을 해결할 수 있다.

배터리, 인공 신경망, 초기 특성, 장기 특성, 평가, 예측

Description

인공 신경망을 이용한 배터리의 장기 특성 예측 시스템 및 방법{System and method for estimating of batteries's long term characteristics based on artificial neural network}

배터리의 장기 특성을 예측하는 시스템 및 방법에 관한 것으로서, 보다 상세하게는 인공 신경망을 이용하여 배터리의 초기 특성에 의해 장기 특성을 예측하는 시스템 및 방법에 관한 것이다.

배터리는 사용 기간이 증가함에 따라 그 용량과 성능이 감소하고 형태가 변형된다. 따라서 배터리 제조 시에는 장시간 사용 후에도 일정한 장기 특성을 유지할 수 있도록 배터리를 설계하는 것이 무엇보다 중요하다. 상기 장기 특성의 일 예로는 배터리의 충전 용량, 방전 용량, 배터리 두께, 개방전압 등을 들 수 있다.

배터리의 장기 특성은 사이클 충 방전 공정으로 측정한다. 사이클 충 방전 공정에서는 생산된 배터리 로트(lot)에서 일정한 수의 배터리를 샘플링 하고 샘플링 한 배터리를 연속적으로 충 방전하여 미리 정해진 장기 사이클에서의 장기 특성이 기준 조건을 충족시킬 경우 해당 배터리 로트에 대해 합격판정을 내린다. 예를 들면 300사이클 (300회 충전/방전)에서의 3V에서의 방전 용량이 초기 용량의 75 % 이상이 될 경우에 해당 배터리 로트(lot)에 대해 합격판정을 내린다.

그러나 배터리의 장기 특성을 평가하는 데는 장시간이 소요된다. 예를 들어 300 사이클의 충 방전 공정은 약 3개월 정도의 오랜 시간이 소요된다. 따라서 사이클 충 방전 공정으로 배터리의 장기 특성을 측정하려면 충 방전 공정이 진행되는 동안 배터리 출하가 지연됨으로써 재고 부담이 생기게 된다.

따라서 종래에는 1 로트의 배터리를 생산하면 일정한 수의 배터리를 샘플링 한 후 곧 바로 배터리를 출하하고, 샘플링 한 배터리에 대해 장기 특성을 평가하여 적절한 조치를 사후적으로 취하는 '출하 후 평가 방식'을 채용하고 있다. 만약 배터리의 출하 후에 수행한 장기 특성 평가 결과, 문제가 발견되면 해당 배터리가 샘플링 된 배터리 로트는 장기 특성이 우수하지 못한 것으로 판정한다. 그런 다음 출하된 배터리에 대해서는 회수 등의 조치를 취하고, 장기 특성의 불량 원인을 제거할 수 있는 방안을 강구하여 배터리 제조 공정에 반영하게 된다. 하지만 이러한 출하 후 평가 방식은 다음과 같은 문제점을 안고 있다.

첫째, 특정 배터리 로트가 장기 특성이 우수하지 못한 것으로 판정되면, 해당 로트의 배터리를 회수하는데 경제적 비용(예컨대, 물류비)이 소요된다.

둘째, 장기 특성이 우수하지 못한 배터리가 엔드 유저에게 판매된 경우는 회수 등의 조치를 취하는 것이 현실적으로 불가능하다.

셋째, 장기 특성의 불량 원인을 분석한 결과 제조 공정 상의 문제로 밝혀질 경우 동일 공정으로 제조된 모든 배터리의 장기 특성도 문제가 되므로 제조사의 손실이 그 만큼 증가하게 된다.

넷째, 장기 특성이 우수하지 못한 배터리가 판매되어 전자 제품에 사용되었을 경우 배터리에 대한 소비자의 만족도가 저하되므로 배터리 제조사 및 판매사의 신뢰성이 떨어지게 된다.

따라서 본 발명이 속한 기술분야에서는 배터리의 출하 전에 배터리의 장기 특성을 신뢰성 있게 평가할 수 있는 방안이 절실히 요구되고 있는 실정이다.

본 발명은 상술한 종래 기술의 문제를 해결하기 위하여 창안된 것으로서, 배터리의 초기 특성을 이용하여 장기 특성을 예측함으로써 빠른 불량 판정을 가능하게 하며, 나아가서는 모든 배터리에 대해 측정되는 특성들, 예를 들면, 활성화 공정에서의 충전 자료를 이용함으로써 배터리의 전수 검사를 구현할 수 있는 인공 신경망을 이용한 배터리 장기 특성 예측 시스템 및 방법을 제공하는데 그 목적이 있다.

상기 기술적 과제를 달성하기 위한 본 발명의 일 측면에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템은, 학습 대상으로 선택된 배터리의 초기 특성 학습 데이터와 장기 특성 학습 데이터를 입력 받는 학습 데이터 입력부; 장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는 측정 데이터 입력부; 및 상기 학습 데이터 입력부로부터 초기 특성 학습 데이터와 장기 특성 학습 데이터를 수신하여 인공 신경망을 학습시키고, 상기 측정 데이터 입력부로부 터 초기 특성 측정 데이터를 입력 받아 학습된 인공 신경망을 적용함으로써 배터리의 초기 특성 측정 데이터로부터 장기 특성 예측 데이터를 산출하여 출력하는 인공 신경망 연산부;를 포함한다.

바람직하게, 상기 학습된 인공 신경망은 직렬로 배열된 1개 이상의 뉴런층을 포함한다. 상기 뉴런층은 입력 벡터를 출력 벡터로 변환한다. 이 때, 인공 신경망 학습에 의해 산출된 가중치 행렬과 편중치 벡터를 상기 입력 벡터에 반영한 후 뉴런 전달함수로 처리하여 출력 벡터로 변환한다. 뉴런층의 배열에서 첫 번째 뉴런층의 입력 벡터는 초기 특성 측정 데이터로 구성된 벡터이다. 그리고 마지막 뉴런층의 출력 벡터는 장기 특성 예측 벡터이다.

바람직하게, 상기 초기 특성과 관련된 데이터는, 배터리의 활성화 공정에서 측정한 배터리의 충전 특성 변화 데이터; 또는 초기 사이클 특성 측정을 통해 얻은 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터이다. 그리고, 상기 장기 특성과 관련된 데이터는 미리 설정한 장기 사이클에서 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터이다.

본 발명에 따른 시스템은, 활성화 공정에 투입된 배터리의 충전 특성을 측정하여 초기 특성 측정 데이터로서 출력하는 초기 특성 측정 센서를 더 포함하고, 상기 측정 데이터 입력부는 상기 초기 특성 측정 센서로부터 초기 특성 측정 데이터를 입력 받을 수 있다.

본 발명에 따른 시스템은, 상기 인공 신경망 연산부로부터 장기 특성 예측 데이터를 입력 받아 디스플레이 장치를 통해 그래픽 유저 인터페이스로 표시하는 표시부; 또는 상기 인공 신경망 연산부로부터 장기 특성 예측 데이터를 입력 받아 기준 장기 특성 데이터와 비교하여 배터리의 장기 특성 품질을 판정하는 장기 특성 판정부를 더 포함할 수 있다.

여기서, 상기 장기 특성 판정부는 배터리의 장기 특성 품질 판정 결과를 디스플레이 장치를 통해 그래픽 유저 인터페이스로 출력할 수 있다.

상기 기술적 과제를 달성하기 위한 본 발명의 다른 측면에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템은, 학습 대상으로 선택된 배터리의 초기 특성 학습 데이터와 장기 특성 학습 데이터를 입력 받는 학습 데이터 입력부; 장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는 측정 데이터 입력부; 초기 특성 학습 데이터 및 장기 특성 학습 데이터를 제1 및 제2자료 구조로 변환한 후 자료 구조 별로 초기 특성 학습 데이터 및 장기 특성 학습 데이터에 대해 인공 신경망을 학습시키고, 상기 입력된 초기 특성 측정 데이터를 제1 및 제2자료 구조로 변환한 후 자료 구조에 대응되는 인공 신경망을 개별적으로 적용하여 자료 구조 별로 장기 특성 예측 데이터를 산출하여 출력하는 인공 신경망 연산부; 및 상기 출력된 자료 구조 별 장기 특성 예측 데이터의 오차를 계산하여 오차에 크기에 따라 예측 데이터의 신뢰성을 판정하는 장기 특성 판정부를 포함한다.

상기 기술적 과제를 달성하기 위한 본 발명의 일 측면에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 방법은, 학습 대상으로 선택된 배터리의 초기 특 성 학습 데이터와 장기 특성 학습데이터를 입력 받는 단계; 상기 입력된 초기 특성 학습 데이터와 장기 특성 학습 데이터에 대해 인공 신경망 학습을 수행하는 단계; 장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는 단계; 및 상기 입력된 초기 특성 측정 데이터에 학습된 인공 신경망을 적용함으로써 배터리의 초기 특성 측정 데이터로부터 장기 특성 예측 데이터를 산출하여 출력하는 단계를 포함한다.

상기 기술적 과제를 달성하기 위한 본 발명의 다른 측면에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 방법은, 학습 대상으로 선택된 배터리의 초기 특성 학습 데이터와 장기 특성 학습데이터를 입력 받는 단계; 상기 입력된 초기 특성 학습 데이터와 장기 특성 학습 데이터를 제1 및 제2자료 구조로 변환한 후 자료 구조 별로 인공 신경망 학습을 개별적으로 수행하는 단계; 장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는 단계; 상기 입력된 초기 특성 측정 데이터를 제1 및 제2자료 구조로 변환한 후 자료 구조 별로 대응되는 인공 신경망을 적용함으로써 자료 구조 별 장기 특성 예측 데이터를 산출하여 출력하는 단계; 및 상기 출력된 자료 구조 별 장기 특성 예측 데이터의 오차를 계산하여 오차에 크기에 따라 예측 데이터의 신뢰성을 판정하는 단계를 포함한다.

즉, 장기 특성이 불량한 것으로 판정된 배터리 로트의 회수 비용을 절감할 수 있고, 장기 특성의 불량 원인을 신속하게 파악하여 제거함으로써 장기 특성이 불량한 배터리의 추가적인 생산을 방지할 수 있고, 소비자에게는 장기 특성이 우수한 배터리만을 공급할 수 있고, 배터리의 사이클 충 방전 공정에 사용되는 장비의 부하를 경감시킬 수 있다.

본 발명의 다른 측면에 따르면, 배터리 제조 시 모든 배터리에 대해 측정되는 특성들, 예를 들면, 활성화 공정에서의 충전 자료를 이용함으로써 배터리의 전수 검사를 구현할 수 있게 된다.

이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

도 1은 본 발명의 제1실시예에 따른 인공 신경망을 이용한 배터리의 장기 특 성 예측 시스템의 구성을 보인 블록 다이어그램이다.

도면을 참조하면, 제1실시예에 따른 배터리의 장기 특성 예측 시스템은 범용 컴퓨터에 의해 구현되는 것으로서, 학습 대상으로 선택된 배터리의 초기 특성 학습 데이터(P_t)와 장기 특성 학습 데이터(T_t)를 입력 받는 학습 데이터 입력부(10)와, 장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터(P_m)를 입력 받는 측정 데이터 입력부(20)와, 상기 학습 데이터 입력부(10)로부터 초기 특성 학습 데이터(P_t)와 장기 특성 학습 데이터(T_t)를 수신하여 두 학습 데이터의 상관 관계에 대해 인공 신경망을 학습시키고, 상기 측정 데이터 입력부(20)로부터 초기 특성 측정 데이터(P_m)를 입력 받아 학습된 인공 신경망을 적용함으로써 배터리의 초기 특성 측정 데이터로부터 장기 특성 예측 데이터(T_e)를 산출하여 출력하는 인공 신경망 연산부(30)를 포함한다.

상기 학습 데이터 입력부(10)와 측정 데이터 입력부(20)는 인공 신경망의 학습과 장기 특성 예측 데이터의 계산을 위해 필요한 각종 데이터를 입력 받기 위한 인터페이스이다.

상기 학습 데이터 입력부(10)는 초기 특성 학습 데이터와 장기 특성 학습 데이터를 미리 정의된 규약에 따라 기록하고 있는 컴퓨터 상의 매체 파일을 지정하거나 초기 특성 학습 데이터와 장기 특성 학습 데이터를 직접 기입할 수 있는 정형화된 템플릿을 포함한 사용자 인터페이스를 제공함으로써 초기 특성 학습 데이터와 장기 특성 학습 데이터를 입력 받을 수 있다.

또한, 상기 측정 데이터 입력부(20)는 학습 데이터 입력부(10)와 마찬가지로 초기 특성 측정 데이터를 미리 정의된 규약에 따라 기록하고 있는 컴퓨터 상의 매체 파일을 지정하거나 초기 특성 측정 데이터를 직접 기입할 수 있는 정형화된 템플릿을 포함한 사용자 인터페이스를 제공함으로써 초기 특성 측정 데이터를 입력 받을 수 있다.

상기 초기 특성 학습 데이터와 장기 특성 학습 데이터는 학습 대상으로 지정된 다수의 배터리에 대한 사이클 충 방전 공정을 통해 얻는다. 사이클 충 방전 공정이라 함은 일정한 사이클까지 배터리를 주기적으로 충전하고 방전하는 과정을 반복하는 것을 의미한다. 1 사이클은 한번의 충전과 한번의 방전을 일컫는다.

상기 초기 특성 학습 데이터는 사이클 충 방전 공정의 초반부에 수행된 사이클에서 얻은 학습 대상 배터리의 특성 자료이다. 여기서, 초기 특성 학습 데이터가 획득된 사이클의 수는 임의로 변경 가능하다. 일 예로, 상기 초기 특성 학습 데이터는 1 ~ 10 사이클 동안 얻은 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터이다. 여기서, 상기 충전 특성은 배터리의 충전 전류, 충전 전압 또는 충전 용량이고, 상기 방전 특성은 배터리의 방전 전류, 방전 전압 또는 방전 용량이다. 하지만 본 발명이 이에 한정되는 것은 아니다. 따라서 배터리의 충전 특성 및 방전 특성을 정의할 수 있는 파라미터라면 어떠한 것이라도 충전 특성 및 방전 특성을 정의하는 파라미터의 범주에 포함되는 것으로 해석되어야 할 것이다.

상기 초기 특성 학습 데이터는 배터리의 충전 특성, 방전 특성, 배터리의 두께 또는 개방 전압의 변화 데이터이므로 적어도 2개 이상의 데이터 집합으로 구성된다. 일 예로, 1~10 사이클의 충 방전 공정을 통해 얻은 배터리의 충전 전압 별 또는 충전 시간 별 충전 용량 변화 데이터를 이용하여 초기 특성 학습 데이터를 구성한다면, 초기 특성 학습 데이터는 10 세트의 충전 용량 변화 데이터를 포함하고, 각 세트의 충전 용량 변화 데이터는 복수의 측정 전압 또는 측정 시간에 대응되는 다수의 충전 용량 값을 포함한다. 여기서, 충전 용량이 측정되는 측정 전압과 측정 시간은 미리 정해진다.

상기 장기 특성 학습 데이터는 사이클 충 방전 공정의 후반부 사이클에서 얻은 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터 등이다. 여기서, 상기 충전 특성은 배터리의 충전 전류, 충전 전압 또는 충전 용량이고, 상기 방전 특성은 배터리의 방전 전류, 방전 전압 또는 방전 용량이다. 하지만 본 발명이 이에 한하는 것은 아니다. 따라서 배터리의 충전 특성 및 방전 특성을 정의할 수 있는 파라미터라면 어떠한 것이라도 충전 특성 및 방전 특성을 정의하는 파라미터의 범주에 포함되는 것으로 해석되어야 할 것이다. 상기 후반부에 수행된 사이클은 고객들이 요구하는 배터리의 장기 특성 스펙에 따라 결정되는데, 예를 들어 300 사이클일 수 있다. 하지만 본 발명이 장기 특성 학습 데이터가 얻어지는 사이클의 구체적인 수치에 의해 한정되는 것은 아니다.

상기 장기 특성 학습 데이터는 배터리의 충전 특성, 방전 특성, 배터리의 두께 또는 개방 전압의 변화 데이터이므로 초기 특성 학습 데이터와 마찬가지로 적어 도 2개 이상의 데이터 집합으로 구성된다. 일 예로, 300 사이클의 충 방전 공정을 통해 얻은 배터리의 충전 전압 별 또는 충전 시간 별 충전 용량 변화 데이터를 이용하여 장기 특성 학습 데이터를 구성한다면, 장기 특성 학습 데이터는 300 사이클의 배터리 충전 과정에서 얻은 복수의 충전 전압 또는 충전 시간에 대응되는 다수의 충전 용량 값을 포함한다. 여기서, 충전 용량이 측정되는 충전 전압 또는 측정 시간은 미리 정해지며, 초기 특성 학습 데이터가 획득된 충전 전압 또는 측정 시간과 동일하다.

한편, 본 발명에서 배터리의 초기 특성과 장기 특성에 관한 파라미터는 상술한 바에 한정되지 않으며, 배터리의 특성으로 인식될 수 있는 특성이라면 어떠한 것이라도 초기 특성 학습 데이터 및 장기 특성 학습 데이터의 범주에 포함되는 것으로 해석되어야 하는 것은 본 발명이 속한 기술 분야에서 통상의 지식을 가진 자에게 자명하다.

상기 초기 특성 측정 데이터는 사이클 충 방전 공정을 이용하여 장기 특성을 평가하고자 하는 배터리로부터 직접 측정한 초기 특성 데이터로서, 데이터의 속성과 종류는 상술한 초기 특성 학습 데이터와 실질적으로 동일하다. 즉 초기 특성 측정 데이터는 사이클 충 방전 공정의 초반부 사이클에서 얻은 배터리의 특성 자료로서, 예컨대 1 ~ 10 사이클 동안 얻은 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터이다.

상기 장기 특성 예측 데이터는 인공 신경망 연산부(30)에 의해 산출되는 데이터로서, 사이클 충 방전 공정에 의한 실측 데이터가 아니고 인공 신경망에 의한 예측 데이터이다. 상기 장기 특성 예측 데이터의 속성과 종류는 상술한 장기 특성 학습 데이터와 실질적으로 동일하다. 즉 장기 특성 예측 데이터는 예컨대 300 사이클에서 예측되는 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터이다.

도 2는 인공 신경망 연산부(30)에 의해 학습되는 본 발명의 실시예에 따른 인공 신경망의 구조를 보인 블록 다이어그램이다.

도 2를 참조하면, 인공 신경망 연산부(30)에 의해 학습되는 인공 신경망은 직렬로 연결된 뉴런층(layer1, layer2, layer3)의 배열을 포함한다. 도면에서는, 3개의 뉴런층이 배열되어 있는데, 본 발명은 뉴런층의 수에 의해 한정되지 않는다. 이하에서는 설명의 편의를 위해 layer1, layer2 및 layer3를 각각 제1뉴런층, 제2뉴런층 및 제3뉴런층으로 명명하기로 한다.

인공 신경망 연산부(30)는 측정 데이터 입력부(20)로부터 초기 특성 측정 데이터 P_m를 입력 받아 초기 특성 측정 벡터

로 변환한 후 제1뉴런층(layer1)으로 입력한다. 여기서 초기 특성 측정 벡터는 R행 ×1열의 차원을 갖는다. 상기 R은 초기 특성 측정 데이터에 포함된 단위 데이터의 수이다. 예를 들어 초기 특성 측정 데이터가 1~10 사이클의 충 방전 공정에서 일정한 주기로 측정한 배터리의 충전 용량 변화 데이터이고 각 사이클에서 20개의 충전 용량 데이터가 얻어졌다면 상기 R은 '20×10=100'이다. 이러한 경우 초기 특성 측정 벡터

는 100행×1열의 차원을 가지며, 1~ 20행, 21~40행, 41~60행,...,181~200행은 각각 1사이클, 2사이클, 3사 이클,...,10사이클의 충전 용량 변화 데이터를 지시한다.

상기 제1뉴런층(layer1)에서는, 초기 특성 측정 벡터

에 가중치 행렬 W¹의 각 요소인 가중치가 곱하고 편중치 벡터

의 각 요소인 편중치가 더한다. 이 때의 결과인 중간 결과 벡터

은 뉴론 전달함수 f¹ 에 의하여 해당 층의 결과 벡터

로 계산 되어 제2은닉층(layer2)으로 출력된다. 하기 수학식 1은 제1은닉층(layer1)에 대한 수식을 나타낸다.

<수학식 1>

=f¹(W¹

+

)

상술한 제1뉴런층(layer1)의 연산 방식은 제2뉴런층(layer2)과 제3뉴런층(layer3)에서도 동일하게 적용된다. 단지 각 층에 입력되는 입력 벡터는 이전 층의 출력 벡터이다. 제2뉴런층(layer2)과 제3뉴런층(layer3)에 적용되는 연산 방식은 각각 수학식 2 및 3과 같다.

<수학식2>

=f²(W²

+

)

<수학식3>

=f³(W³

+

)

상기 수학식 1 ~ 3에서, 가중치 벡터 W¹, W² 및 W³ 는 각각 S행×1열, S행×S 열 및 S행×S열의 차원을 갖고, 편중치 벡터

,

및

은 S행×1열의 차원을 갖는다. 여기서 S는 인공 신경망에 의해 산출되는 최종 출력 벡터

의 행의 수이다. 최종 출력 벡터

의 행수는 장기 특성 예측 데이터에 포함되는 단위 데이터의 수와 동일하다.

본 발명에서, 상기 인공 신경망의 학습은 최종 출력 벡터인

와 장기 특성 학습 데이터 T_t를 벡터화한 장기 특성 학습 벡터

의 차이를 최소화하거나 또는 미리 정한 기준을 만족시키도록 가중치 행렬 W¹, W², W³와 편중치 벡터

,

를 구하는 것을 의미한다. 이를 위해, 인공 신경망 연산부(30)는 초기 특성 학습 데이터 P_t와 장기 특성 학습 데이터 T_t를 벡터화 한 초기 특성 학습 벡터

와 장기 특성 학습 벡터

을 이용한다.

예를 들어, N개의 학습 대상 배터리에 대해 k 사이클 동안 사이클 당 R/k개의 초기 특성 데이터를 획득하여 초기 특성 학습 데이터로 사용하고, 300 사이클에서 총 S개의 장기 특성 데이터를 획득하여 장기 특성 학습 데이터로 사용한다면,

= (p₁, p₂,...,p_N )[R행×N열, p₁, p₂,...,p_N은 열 벡터]와

= (t₁, t₂,...,t_N )[S행×N열, t₁, t₂,...,t_N은 열 벡터]를 이용하여 인공 신경망을 학습시킴으로써 가중치 행렬 W¹, W², W³와 편중치 벡터

,

를 구한다.

여기서, 인공 신경망 학습과 관련된 기술은 본 발명이 속한 기술분야에서 널리 알려져 있다. 예를 들어, Jure Zupan, Johann Gasteiger, "Neural Networks in Chemistry and Drug Design", 2^nd Edition(Weinheim; New York; Chichester; Brisbane; Singapore; Toronto: Wiley-VCH, 1999)는 입력 데이터와 출력 데이터 간의 상관 관계 학습에 의해 가중치 행렬 W와 편중치 벡터 b를 산출하는 방법을 개시하고 있다. 따라서

와

를 이용한 인공 신경망의 구체적인 학습 알고리즘에 대해서는 상세한 설명을 생략하기로 한다.

상기 뉴런 전파함수 f는 인공 신경망에서 사용되는 공지의 전파함수이다. 예를 들어, Compet, Hard-limit, Symmetric Hard-Limit, Log-Sigmoid, Positive Linear, Linear, Radial Basis, Satlin, Satlins, Softmax, Tan-Sigmoid, Triangular Basis, Netinv 전달함수 등이 뉴런 전파함수 f로 채용될 수 있다. 하지만 본 발명이 이에 한하는 것은 아니다.

다시 도 1을 참조하면, 인공 신경망 연산부(30)는 인공 신경망으로부터 최종 출력 벡터

가 산출되면, 최종 출력 벡터(이 벡터가 장기 특성 예측 벡터에 해당함)를 배터리의 장기 특성 예측 데이터로 출력한다. 그러면 표시부(40)가 장기 특성 예측 데이터를 입력 받아 디스플레이 장치를 통해 장기 특성 예측 데이터를 그래픽 유저 인터페이스로 표시한다. 예를 들어 장기 특성 예측 데이터가 300 사이클에서 충전 시간 또는 충전 전압에 따른 배터리의 충전 용량 변화 데이터였다면, 상기 표시부(40)는 디스플레이 장치를 통해 300 사이클에서 예측되는 배터리의 충전 용량 변화 데이터를 충전 시간 또는 충전 전압에 따라 그래프의 형태로 출력할 수 있다. 이러한 경우 300 사이클까지 사이클 충 방전 공정을 수행하지 않더라도 배터리의 장기 특성을 용이하게 예측할 수 있다.

다른 실시예에서, 상기 인공 신경망 연산부(30)는 인공 신경망으로부터 최종 출력 벡터

가 산출되면, 최종 출력 벡터를 배터리의 장기 특성을 평가하는 장기 특성 평가부(50)로 출력할 수 있다. 그러면, 장기 특성 평가부(50)는 미리 정한 기준 장기 특성 데이터와 인공 신경망이 산출한 장기 특성 예측 데이터를 서로 대비하여 그 오차가 임계 치 이상으로 큰 경우 배터리의 장기 특성이 양호하지 못한 것으로 판별한다. 이러한 경우, 상기 장기 특성 평가부(50)는 해당 배터리를 장기 특성 불량으로 판정하고 그 결과를 디스플레이 장치를 통해 그래픽 유저 인터페이스로 표시할 수 있다.

예를 들어 장기 특성 예측 데이터가 300 사이클에서 예측된 배터리의 충전 시간 또는 충전 전압 별 충전 용량에 대한 것이라면, 상기 장기 특성 평가부(50)는 충전 시간 또는 충전 전압 별로 미리 정한 기준 충전 용량보다 인공 신경망에 의해 예측된 충전 용량이 큰 경우에 한해 해당 배터리의 장기 특성이 우수한 것으로 판정할 수 있다. 하지만 본 발명이 배터리의 장기 특성에 대한 우수성 여부를 판별하는 구체적인 방식에 의해 한정되는 것은 아니다.

한편, 초기 특성 측정 데이터의 범위가 인공 신경망의 학습을 위해 사용된 초기 특성 학습 데이터의 범위를 벗어나면 인공 신경망에 의해 산출된 장기 특성 예측 데이터의 신뢰성이 떨어지는 문제가 있다.

위와 같은 문제를 해결하기 위해, 본 발명의 또 다른 실시예에서는 초기 특성 학습 데이터 및 장기 특성 학습 데이터의 자료 구조를 다르게 정의하여 인공 신경망을 자료 구조 별로 별도로 학습시킨다.

도 3은 제1자료 구조로 초기 특성 학습 데이터 및 장기 특성 학습 데이터를 정의한 경우를, 도 4는 제2자료 구조로 초기 특성 학습 데이터 및 장기 특성 학습 데이터를 정의한 경우를 각각 도시한다.

도 3의 제1자료 구조를 참조하면, N 개의 학습 대상 배터리에 대해 획득한 동일 사이클의 초기 특성 학습 데이터가 횡 방향으로 배치된다. 예를 들어 초기 특성 학습 데이터의 제1행에는 배터리 1 ~ 배터리 N에 대해 1 사이클의 충 방전 공정에서 획득한 초기 특성 학습 데이터가 위치한다. 나머지 행도 이와 마찬가지이다. 그리고 장기 특성 학습 데이터의 제1행에는 배터리1 ~ 배터리N에 대해 300 사이클의 충 방전 공정에서 획득한 장기 특성 학습 데이터가 위치한다. 여기서 초기 특성 학습 데이터와 장기 특성 학습 데이터가 획득되는 사이클의 범위와 수는 변경이 가능하다는 것은 자명하다. 만약 사이클 당 획득되는 학습 데이터의 수가 k개라면 제1자료 구조를 가지는 초기 특성 학습 데이터는 10행×(k*N)열의 차원을 갖는 행렬이 되고, 장기 특성 학습 데이터는 1행×(k*N)열의 차원을 갖는 행렬이 된다.

다음으로 도 4의 제2자료 구조를 참조하면, N 개의 학습 대상 배터리에 대해 1 ~ 10 사이클의 충 방전 공정을 진행하여 초기 특성 학습 데이터를 획득하되, 각 배터리에 대해 획득한 1~ 10 사이클의 초기 특성 학습 데이터는 세로 방향으로 순차적으로 배치한다. 따라서 초기 특성 학습 데이터의 제1열에는 배터리 1에 대해 1 ~ 10 사이클의 충 방전 공정에서 획득한 초기 특성 학습 데이터가 순차적으로 위치한다. 나머지 열도 이와 마찬가지이다. 그리고 장기 특성 학습 데이터의 각 열에는 배터리1 ~ 배터리N에 대해 300 사이클의 충 방전 공정에서 획득한 장기 특성 학습 데이터가 세로 방향으로 배치된다. 여기서, 초기 특성 학습 데이터와 장기 특성 학습 데이터가 획득되는 사이클의 범위와 수는 변경이 가능하다는 것은 자명하다. 만약, 사이클 당 획득되는 학습 데이터의 수가 k개라면 제2자료 구조를 가지는 초기 특성 학습 데이터는 (k*10)행×N열의 차원을 갖는 행렬이 되고, 장기 특성 학습 데이터는 k열×N열의 차원을 갖는 행렬이 된다.

상기 인공 신경망 연산부(30)는 상술한 바와 같은 제1 및 제2자료 구조로 초기 특성 학습 데이터와 장기 특성 학습 데이터를 변환한 후 자료 구조 별로 인공 신경망을 개별적으로 학습시킨다.

여기서, 인공 신경망을 자료 구조 별로 학습시킨다는 의미는 제1 및 제2자료 구조 별로 인공 신경망의 가중치 행렬 W¹, W² 및 W³ 와 편중치 벡터

,

및

을 개별적으로 산출하는 것을 의미한다.

제1자료 구조에 의해 인공 신경망을 학습시키면, 동일한 학습 대상 배터리를 기준으로 1 ~ 10 사이클의 특정 회차에 측정된 초기 특성 값들의 열 벡터(세로 방향)에 의해 300 사이클의 해당 회차에서 측정된 장기 특성 값이 예측될 수 있도록 가중치 행렬과 편중치 벡터를 산출할 수 있다. 아울러 제2자료 구조에 의해 인공 신경망을 학습시키면, 동일한 학습 대상 배터리를 기준으로 1 ~ 10 사이클 전체에 대한 초기 특성 값들의 열 벡터(세로 방향)에 의해 300 사이클 전체의 장기 특성 값이 예측될 수 있도록 가중치 행렬과 편중치 벡터를 산출할 수 있다.

자료 구조에 따른 개별적인 인공 신경망의 학습이 완료된 이후, 인공 신경망 연산부(30)는 측정 데이터 입력부(20)를 통해 장기 특성을 판정하고자 하는 배터리의 초기 특성 측정 데이터가 입력될 경우 초기 특성 측정 데이터의 자료 구조를 제1자료 구조와 제2자료 구조로 변환한 후 각 자료 구조 별로 학습된 인공 신경망을 적용하여 2개의 장기 특성 예측 데이터를 산출한다.

이 때, 인공 신경망 연산부(30)는 제1자료 구조를 갖는 초기 특성 측정 데이터로부터 장기 특성 예측 데이터를 산출할 때에는, 1 ~ 10 사이클의 측정 회차 별 초기 특성 값들로 구성된 열 벡터를 이용하여 열 벡터의 위치에 상응하는 300 사이클의 장기 특성 값을 예측한다. 이러한 방식은 서로 다른 10개의 사이클에서 초기 특성 값들을 조합하여 300 사이클의 장기 특성 데이터를 하나 하나씩 예측해 가는 방식이다. 반면, 제2자료 구조를 갖는 초기 특성 측정 데이터로부터 장기 특성 예측 데이터를 산출할 때에는 1 ~ 10 사이클 전체의 초기 특성 값들로 구성된 열 벡터를 이용하여 300 사이클 전체의 장기 특성 값을 예측한다. 이러한 방식은 10개 사이클 전체의 초기 특성 값을 참조하여 300 사이클의 장기 특성 데이터를 1번에 예측하는 방식이다.

위와 같이, 인공 신경망이 300 사이클의 장기 특성 데이터를 예측하기 위한 접근법이 다르면, 초기 특성 학습 데이터의 범위를 벗어나지 않는 초기 특성 측정 데이터에 대해서는 서로 다른 자료 구조에 의해 학습된 인공 신경망을 적용하더라 도 2개의 장기 특성 예측 데이터 간 오차가 거의 없다. 인공 신경망은 학습에 사용된 초기 특성 학습 데이터의 범위 내에서는 초기 특성 측정 데이터의 자료 구조에 상관 없이 실질적으로 동일한 장기 특성 학습 데이터를 예측하도록 잘 학습되어 있기 때문이다. 이를 달리 말하면, 초기 특성 학습 데이터의 범위를 벗어나는 초기 특성 측정 데이터에 대해서는 서로 다른 자료 구조에 의해 학습된 인공 신경망을 적용하면 2개의 장기 특성 예측 데이터 간 오차가 증가하게 된다. 따라서 이러한 현상을 이용하면 장기 특성 예측 데이터의 신뢰성을 용이하게 평가할 수 있다.

즉, 인공 신경망 연산부(30)는 서로 다른 자료 구조를 갖는 초기 특성 측정 데이터로부터 2개의 장기 특성 예측 데이터를 얻고 나서, 이를 장기 특성 판정부(50)로 출력한다. 그러면 장기 특성 판정부(50)는 2개의 장기 특성 예측 데이터 사이의 오차를 계산하여 오차가 임계 수준을 넘으면 배터리의 장기 특성을 예측하기 위해 사용한 초기 특성 측정 데이터가 인공 신경망의 학습을 위해 사용한 초기 특성 학습 데이터의 정성적 및 정량적 범위를 벗어나는 것으로 판단한다. 이러한 경우, 장기 특성 판정부(50)는 장기 특성 예측 데이터의 신뢰성이 낮다는 취지의 메시지를 디스플레이 장치를 통해 그래픽 유저 인터페이스로 표시할 수 있다.

반대로, 2개의 장기 특성 예측 데이터 사이의 오차가 임계 수준 이하이면, 상기 장기 특성 판정부(50)는 배터리의 장기 특성을 예측하기 위해 사용한 초기 특성 측정 데이터가 인공 신경망의 학습을 위해 사용한 초기 특성 학습 데이터의 정성적 및 정량적 범위를 벗어나지 않는 것으로 판단한다. 이러한 경우, 장기 특성 판정부(50)는 2개의 장기 특성 예측 데이터 중 어느 하나 또는 2개의 장기 특성 예 측 데이터의 벡터 평균 데이터를 장기 특성 예측 데이터로 최종 결정하여 디스플레이 장치를 통해 장기 특성 예측 데이터의 변화 패턴을 그래픽 유저 인터페이스로 표시한다. 나아가, 상기 장기 특성 판정부(50)는 기준 장기 특성 데이터와 최종 결정된 장기 특성 예측 데이터를 상호 대비하여 배터리의 장기 특성이 우수한지 여부를 판별하여 그 결과를 디스플레이 장치를 통해 그래픽 유저 인터페이스로 표시할 수도 있다.

상술한 제1실시예에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템은, 배터리 제조가 완료된 후 배터리 로트 별로 장기 특성 예측을 하고자 하는 복수의 배터리를 샘플링하고 샘플링 된 각 배터리들에 대해 사이클 충 방전 공정을 진행하여 초기 특성 측정 데이터를 얻은 후 이를 이용하여 각 샘플링 된 배터리의 장기 특성을 테스트함으로써 배터리 로트의 장기 특성 품질을 샘플링 검사하는데 유용하게 사용될 수 있다.

도 5는 본 발명의 제2실시예에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템의 구성을 보인 블록 다이어그램이다.

제2실시예에 따른 배터리의 장기 특성 예측 시스템은, 배터리의 활성화 공정에서 측정된 배터리의 충전 특성을 이용하여 배터리의 장기 특성을 예측하기 위한 시스템이다.

이 시스템은 배터리의 활성화 공정에서 배터리를 최초 충전할 때 배터리의 충전 전압 변화 데이터, 충전 전류 변화 데이터 또는 충전 용량 변화 데이터를 배터리의 초기 특성 측정 데이터로 사용한다.

따라서 제2실시예에 따른 시스템은 제1실시예와 달리 초기 특성 측정 센서(60)를 더 포함한다. 초기 특성 측정 센서(60)는 활성화 공정에 투입된 배터리를 최초 충전할 때 배터리 양 단자의 충전 전압, 배터리로 유입되는 충전 전류 또는 배터리의 충전 용량을 일정한 주기로 검지하여 측정 데이터 입력부(20)로 출력한다. 그러면 측정 데이터 입력부(20)는 초기 특성 측정 센서(60)로부터 출력된 초기 특성 측정 데이터를 인공 신경망 연산부(30)로 입력한다.

상기 인공 신경망 연산부(30)는 학습 데이터 입력부(10)를 통해 학습 대상으로 지정된 배터리의 활성화 공정에서 측정한 배터리의 충전 전압 변화 데이터, 충전 전류 변화 데이터 또는 충전 용량 변화 데이터를 초기 특성 학습 데이터로, 학습 대상으로 지정된 배터리를 사이클 충 방전 공정에 투입하여 미리 정한 사이클, 예컨대 300 사이클에서 측정한 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 배터리의 두께 변화 데이터 또는 배터리의 개방 전압 변화 데이터를 장기 특성 학습 데이터로 입력 받아 인공 신경망을 학습시킨다. 그리고 상기 인공 신경망 연산부(30)는 측정 데이터 입력부(20)로부터 배터리의 활성화 공정에서 측정된 초기 특성 측정 데이터가 입력될 때마다 학습된 인공 신경망을 적용하여 장기 특성 예측 데이터를 산출하여 출력하게 된다.

제2실시예에 따른 시스템은, 초기 특성 측정 센서(60)를 구비하여 초기 특성 측정 데이터를 배터리의 활성화 공정으로부터 실시간으로 얻을 수 있고 따라서 배터리의 활성화 공정에서 배터리의 장기 특성에 대한 전수 검수에 적용할 수 있다는 점, 그리고 인공 신경망을 학습시키는데 사용되는 초기 특성 학습 데이터와 장기 특성 예측 데이터의 산출을 위해 사용하는 초기 특성 측정 데이터의 종류가 제1실시예와 다르다는 점을 제외하면 나머지 구성은 상술한 실시예들과 실질적으로 동일하다.

다음으로 본 발명의 실시예에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 방법을 상세하게 설명한다.

도 6은 본 발명의 제1실시예에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템의 동작 순서를 개략적으로 도시한 절차 흐름도이다.

도 1 및 도 6을 참조하면, 먼저 인공 신경망 연산부(30)는 학습 데이터 입력부(10)를 통해 학습 대상으로 선택된 배터리의 초기 특성 학습 데이터와 장기 특성 학습 데이터를 수집한다(S100). 여기서, 초기 특성 학습 데이터와 장기 특성 학습 데이터에 대해서는 이미 상술하였다.

이어서 인공 신경망 연산부(30)는 수집된 초기 특성 학습 데이터와 장기 특성 학습 데이터를 이용하여 인공 신경망을 학습시킨다(S110).

인공 신경망의 학습이 완료된 후, 인공 신경망 연산부(30)는 측정 데이터 입력부(20)를 통해 장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는다(S120). 상기 초기 특성 측정 데이터는 제조 완료된 배터리 로트에서 소정 수의 배터리를 샘플링 한 후 샘플링 한 배터리에 대한 사이클 충 방전 공정을 진행하여 얻을 수 있다. 대안적으로 상기 초기 특성 측정 데이터는 활성화 공정에 투입된 배터리의 최초 충전 진행 시 초기 특성 측정 센서(60)를 이용하여 얻을 수도 있다(도 5 참조).

그런 다음, 인공 신경망 연산부(30)는 입력된 초기 특성 측정 데이터에 학습된 인공 신경망을 적용하여 미리 정해진 장기 사이클의 장기 특성 예측 데이터를 산출한다.

그런 후 인공 신경망 연산부(30)는 산출된 장기 특성 예측 데이터를 표시부(40)로 출력한다. 그러면 표시부(40)는 장기 특성 예측 데이터를 디스플레이 장치를 통해 그래픽 유저 인터페이스로 표시한다(S140).

대안적으로 인공 신경망 연산부(30)는 산출된 장기 특성 예측 데이터를 장기 특성 판정부(50)로 출력한다. 그러면 장기 특성 판정부(50)는 기준 장기 특성 데이터와 산출된 장기 특성 예측 데이터를 대비하여 배터리의 장기 특성 품질을 평가하여 그 결과를 디스플레이 장치를 통해 그래픽 유저인터페이스로 표시한다(S150).

도 7은 본 발명의 제2실시예에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템의 동작 순서를 순차적으로 도시한 절차 흐름도이다.

도 1 및 도 7을 참조하면, 먼저 인공 신경망 연산부(30)는 학습 데이터 입력부(10)를 통해 학습 대상으로 선택된 배터리의 초기 특성 학습 데이터와 장기 특성 학습 데이터를 수집한다(S200). 여기서, 초기 특성 학습 데이터와 장기 특성 학습 데이터에 대해서는 이미 상술하였다.

이어서 인공 신경망 연산부(30)는 수집된 초기 특성 학습 데이터와 장기 특성 학습 데이터를 제1 및 제2자료 구조로 변환한다(S210). 그런 다음 자료 구조 별로 인공 신경망을 학습시킨다(S220). 여기서, 상기 제1 및 제2자료 구조에 대해서는 도 3 및 도 4를 참조하여 상세하게 설명한 바 있다.

자료 구조 별로 인공 신경망의 학습이 완료된 후, 인공 신경망 연산부(30)는 측정 데이터 입력부(20)를 통해 장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는다(S230). 상기 초기 특성 측정 데이터는 제조 완료된 배터리 로트에서 소정 수의 배터리를 샘플링 한 후 샘플링 한 배터리에 대한 사이클 충 방전 공정을 진행하여 얻을 수 있다. 대안적으로 상기 초기 특성 측정 데이터는 활성과 공정에 투입된 배터리의 최초 충전 진행 시 초기 특성 측정 센서(60)를 이용하여 얻을 수도 있다(도 5 참조).

그런 다음, 인공 신경망 연산부(30)는 입력된 초기 특성 측정 데이터를 제1 및 제2자료 구조로 변환한다(S240). 그러고 나서 자료 구조 별로 학습된 인공 신경망을 제1 및 제2자료 구조에 따른 초기 특성 측정 데이터에 각각 적용하여 미리 정해진 장기 사이클에 대한 2개의 장기 특성 예측 데이터를 산출한다(S250).

그런 후 인공 신경망 연산부(30)는 산출된 2개의 장기 특성 예측 데이터를 표시부(40)로 출력한다. 그러면 표시부(40)는 2개의 장기 특성 예측 데이터를 디스플레이 장치를 통해 그래픽 유저 인터페이스로 표시한다(S260).

대안적으로 인공 신경망 연산부(30)는 산출된 2개의 장기 특성 예측 데이터를 장기 특성 판정부(50)로 출력한다. 그러면 장기 특성 판정부(50)는 2개의 장기 특성 예측 데이터를 상호 대비하여 오차를 산출하고 오차가 임계 치를 초과하는지 여부에 따라 장기 특성 예측 데이터의 신뢰도를 판단하여 그 결과를 디스플레이 장치를 통해 그래픽 유저 인터페이스로 표시한다(S270).

나아가 상기 장기 특성 판정부(50)는 2개의 장기 특성 예측 데이터 중 어느 하나 또는 이들의 벡터 평균 데이터를 장기 특성 예측 데이터로 확정하고 기준 장기 특성 데이터와 확정된 장기 특성 예측 데이터를 상호 대비하여 배터리의 장기 특성 품질을 평가하고 그 결과를 디스플레이 장치를 통해 그래픽 유저인터페이스로 표시한다(S280).

상술한 본 발명에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템 및 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터에 의해 판독 가능한 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합으로 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 프로그램 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예로는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급언어 코드를 포함한다. 상기한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 동 작하도록 구성될 수 있으며, 그 역도 마찬가지이다.

도 8은 본 발명에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템의 동작 방법을 수행하는데 채용될 수 있는 범용 컴퓨터 시스템의 내부 블록도이다.

도 8을 참조하면, 상기 범용 컴퓨터 시스템(400)은 램(RAM: 420)과 롬(ROM: 430)을 포함하는 주기억장치와 연결되는 하나 이상의 프로세서(410)를 포함한다. 프로세서(410)는 중앙처리장치(CPU)로 불리기도 한다. 본 기술분야에서 널리 알려진 바와 같이, 롬(430)은 데이터와 명령을 단방향성으로 프로세서(410)에 전송하는 역할을 하며, 램(420)은 통상적으로 데이터와 명령을 양방향성으로 프로세서(410)로 전송하는데 사용된다. 램(420) 및 롬(430)은 컴퓨터 판독 가능 매체의 어떠한 적절한 형태를 포함할 수 있다. 대용량 기억장치(440)는 양방향성으로 프로세서(410)와 연결되어 추가적인 데이터 저장 능력을 제공하며, 상기된 컴퓨터 판독 가능 기록 매체 중 어떠한 것일 수 있다. 대용량 기억장치(440)는 프로그램, 데이터 등을 저장하는데 사용되며, 통상적으로 주기억장치보다 속도가 느린 하드 디스크와 같은 보조기억장치이다. CD롬(460)과 같은 특정 대용량 기억장치가 사용될 수도 있다. 프로세서(410)는 비디오 모니터, 트랙볼 마우스, 키보드, 마이크로폰, 터치스크린 형 디스플레이, 카드 판독기, 자기 또는 종이 테이프 판독기, 음성 또는 필기 인식기, 조이스틱 또는 기타 공지된 컴퓨터 입출력 장치와 같은 하나 이상의 입출력 인터페이스(450)와 연결된다. 마지막으로, 프로세서(410)는 네트워크 인터페이스(470)를 통하여 유선 또는 무선 통신 네트워크에 연결될 수 있다. 이러한 네 트워크 연결을 통하여 상기된 방법의 절차를 수행할 수 있다. 상기된 장치 및 도구는 컴퓨터 하드웨어 및 소프트웨어 기술 분야의 당업자에게 잘 알려져 있다. 한편, 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 동작하도록 구성될 수 있다.

이상과 같이, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 전술된 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되지 않아야 한다.

도 1은 본 발명의 제1실시예에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템의 구성을 보인 블록 다이어그램이다.

도 2는 인공 신경망 연산부에 의해 학습되는 본 발명의 실시예에 따른 인공 신경망의 구조를 보인 블록 다이어그램이다.

도 3은 제1자료 구조로 초기 특성 학습 데이터 및 장기 특성 학습 데이터를 정의한 경우를 도시한 도면이다.

도 4는 제2자료 구조로 초기 특성 학습 데이터 및 장기 특성 학습 데이터를 정의한 경우를 도시한 도면이다.

도 8은 본 발명에 따른 인공 신경망을 이용한 배터리의 장기 특성 예측 시스 템의 동작 방법을 수행하는데 채용될 수 있는 범용 컴퓨터 시스템의 내부 블록도이다.

Claims

학습 대상으로 선택된 배터리의 초기 특성 학습 데이터와 장기 특성 학습 데이터를 입력 받는 학습 데이터 입력부;

장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는 측정 데이터 입력부; 및

상기 학습 데이터 입력부로부터 초기 특성 학습 데이터와 장기 특성 학습 데이터를 수신하여 인공 신경망을 학습시키고, 상기 측정 데이터 입력부로부터 초기 특성 측정 데이터를 입력 받아 학습된 인공 신경망을 적용함으로써 배터리의 초기 특성 측정 데이터로부터 장기 특성 예측 데이터를 산출하여 출력하는 인공 신경망 연산부;를 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템.
제1항에 있어서,

상기 학습된 인공 신경망은 직렬로 연결된 1개 이상의 뉴런층을 포함하고,

상기 뉴런층은 입력 벡터를 출력 벡터로 변환하되, 인공 신경망 학습에 의해 산출된 가중치 행렬과 편중치 벡터를 상기 입력 벡터에 반영한 후 뉴런 전달함수로 처리하여 출력 벡터로 변환하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템.
제2항에 있어서,

상기 뉴런층의 직렬 배열에서 첫 번째 뉴런층의 입력 벡터는 초기 특성 측정데이터로 구성된 벡터임을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템.
제1항에 있어서,

상기 초기 특성과 관련된 데이터는,

배터리의 활성화 공정에서 측정한 배터리의 충전 특성 변화 데이터; 또는 초기 사이클 특성 측정을 통해 얻은 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터이고,

상기 장기 특성과 관련된 데이터는 미리 설정한 장기 사이클에서 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터인 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템.
제1항에 있어서,

활성화 공정에 투입된 배터리의 충전 특성을 측정하여 초기 특성 측정 데이터로서 출력하는 초기 특성 측정 센서를 더 포함하고,

상기 측정 데이터 입력부는 상기 초기 특성 측정 센서로부터 초기 특성 측정 데이터를 입력 받는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템.
제1항에 있어서,

상기 인공 신경망 연산부로부터 장기 특성 예측 데이터를 입력 받아 디스플레이 장치를 통해 그래픽 유저 인터페이스로 표시하는 표시부를 더 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템.
제1항에 있어서,

상기 인공 신경망 연산부로부터 장기 특성 예측 데이터를 입력 받아 기준 장기 특성 데이터와 비교하여 배터리의 장기 특성 품질을 판정하는 장기 특성 판정부를 더 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템.
제7항에 있어서,

상기 장기 특성 판정부는 배터리의 장기 특성 품질 판정 결과를 디스플레이 장치를 통해 그래픽 유저 인터페이스로 출력하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템.
학습 대상으로 선택된 배터리의 초기 특성 학습 데이터와 장기 특성 학습 데이터를 입력 받는 학습 데이터 입력부;

장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는 측정 데이터 입력부;

초기 특성 학습 데이터 및 장기 특성 학습 데이터를 제1 및 제2자료 구조로 변환한 후 자료 구조 별로 초기 특성 학습 데이터 및 장기 특성 학습 데이터에 대해 인공 신경망을 학습시키고, 상기 입력된 초기 특성 측정 데이터를 제1 및 제2자료 구조로 변환한 후 자료 구조에 대응되는 인공 신경망을 개별적으로 적용하여 자료 구조 별로 장기 특성 예측 데이터를 산출하여 출력하는 인공 신경망 연산부; 및

상기 출력된 자료 구조 별 장기 특성 예측 데이터의 오차를 계산하여 오차에 크기에 따라 예측 데이터의 신뢰성을 판정하는 장기 특성 판정부를 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 시스템.
(a) 학습 대상으로 선택된 배터리의 초기 특성 학습 데이터와 장기 특성 학습데이터를 입력 받는 단계;

(b) 상기 입력된 초기 특성 학습 데이터와 장기 특성 학습 데이터에 대해 인공 신경망 학습을 수행하는 단계;

(c) 장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는 단계; 및

(d) 상기 입력된 초기 특성 측정 데이터에 학습된 인공 신경망을 적용함으로써 배터리의 초기 특성 측정 데이터로부터 장기 특성 예측 데이터를 산출하여 출력하는 단계를 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특 성 예측 방법.
제10항에 있어서,

상기 학습된 인공 신경망은 직렬로 배열된 1개 이상의 뉴런층을 포함하고,

상기 (d) 단계는,

(d1) 상기 초기 특성 측정 데이터를 입력 벡터로 변환하는 단계;

(d2) 상기 변환된 입력 벡터를 상기 뉴런층 배열의 첫 번째 뉴런층으로 입력하는 단계;

(d3) 상기 뉴런층 배열의 각 뉴런층이 인공 신경망 학습에 의해 산출된 가중치 행렬과 편중치 벡터를 입력 벡터에 반영한 후 뉴런 전달함수로 처리하여 출력 벡터로 변환하여 출력하는 단계; 및

(d4) 상기 뉴런층 배열의 마지막 뉴런층이 장기 특성 예측 벡터를 출력 벡터로 출력하는 단계를 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 방법.
제10항에 있어서,

상기 초기 특성과 관련된 데이터는,

배터리의 활성화 공정에서 측정한 배터리의 충전 특성 변화 데이터; 또는 초기 사이클 특성 측정을 통해 얻은 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터이고,

상기 장기 특성과 관련된 데이터는,

미리 설정한 장기 사이클에서 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터인 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 방법.
제10항에 있어서,

상기 초기 특성 학습 데이터는 활성화 공정에 투입된 학습 대상 배터리의 충전 특성 변화 데이터이고, 상기 장기 특성 학습 데이터는 학습 대상 배터리에 대해 미리 정한 장기 사이클에서 배터리의 충전 특성 변화 데이터, 방전 특성 변화 데이터, 두께 변화 데이터 또는 개방 전압 변화 데이터이고,

상기 (c) 단계는,

장기 특성 예측 대상이 되는 배터리를 활성화 공정에 투입하는 단계;

상기 배터리로부터 충전 특성 변화를 측정하는 단계; 및

상기 측정된 충전 특성 변화 데이터를 초기 특성 측정 데이터로 입력 받는 단계를 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 방법.
제10항에 있어서,

상기 장기 특성 예측 데이터를 시각적으로 표시하는 단계를 더 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 방법.
제10항에 있어서,

상기 장기 특성 예측 데이터를 기준 장기 특성 데이터와 비교하여 배터리의 장기 특성 품질을 판정하는 단계를 더 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 방법.
제15항에 있어서,

상기 배터리의 장기 특성 품질 평가 결과를 시각적으로 표시하는 단계를 더 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 방법.
(a) 학습 대상으로 선택된 배터리의 초기 특성 학습 데이터와 장기 특성 학습데이터를 입력 받는 단계;

(b) 상기 입력된 초기 특성 학습 데이터와 장기 특성 학습 데이터를 제1 및 제2자료 구조로 변환한 후 자료 구조 별로 인공 신경망 학습을 개별적으로 수행하는 단계;

(c) 장기 특성의 예측 대상이 되는 배터리의 초기 특성 측정 데이터를 입력 받는 단계;

(d) 상기 입력된 초기 특성 측정 데이터를 제1 및 제2자료 구조로 변환한 후 자료 구조 별로 대응되는 인공 신경망을 적용함으로써 자료 구조 별 장기 특성 예 측 데이터를 산출하여 출력하는 단계; 및

(e) 상기 출력된 자료 구조 별 장기 특성 예측 데이터의 오차를 계산하여 오차에 크기에 따라 예측 데이터의 신뢰성을 판정하는 단계를 포함하는 것을 특징으로 하는 인공 신경망을 이용한 배터리의 장기 특성 예측 방법.