KR20140137181A - 배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법 - Google Patents

Abstract

본 발명은 배터리의 두께 예측 시스템에 관한 것이다. 본 발명의 일 측면에 따른 배터리 두께 예측 시스템은 기 제작된 배터리에 대한 데이터를 입력 받는 학습 데이터 입력부와, 두께가 예측되기 위한 대상 배터리에 대한 데이터를 입력 받는 대상 데이터 입력부와, 상기 학습 데이터 입력부에 연결되고, 상기 학습 데이터 입력부로 입력되는 학습 인자들을 바탕으로 예측함수를 도출하고, 상기 학습 인자 각각에 대하여 가중치를 부여하는 기계 학습부, 및 상기 대상 데이터 입력부 및 상기 기계 학습부에 연결되고, 상기 대상 배터리의 두께를 예측하기 위하여 상기 기계 학습부에 의해 부여된 가중치를 이용하는 두께 예측부를 포함한다.

Description

배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법{SYSTEM FOR PREDICTING THICKNESS OF BATTERY AND METHOD FOR PREDICTING THICKNESS OF BATTERY}

본 발명은 배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법에 관한 것이다.

최근 IT 기술의 발달로 스마트폰, 테블릿 PC 등 다양한 모바일 기기들이 빠른 속도로 출시되고 있다. 이런 기기들은 디자인 및 편의성을 개선하기 위해서 두께가 점점 얇아지는 추세이다. 이러한 고객의 요구를 만족시키기 위해서 배터리 두께 정밀도를 확보하는 것이 중요하다.

리튬 이차전지의 경우 배터리 충방전 사이클이 반복됨에 따라 두께가 증가한다. 이는 전지 내부에서 리튬 화합물 생성이 생성되어 전극/전해질 계면층(Solid ElectrolyteInterfacial Layer;SEI Layer)이 성장하기 때문이다. 모바일 기기를 얇게 제작하기 위해서는 전지의 두께 증가분을 사전에 파악하고 이러한 두께를 기기의 설계에 사전 반영시켜야 한다. 만일 두께 증가분이 기기의 크기 한계를 초과하면 내부 압력을 발생시켜 기구의 오동작을 일으킬 수 있다. 또한, 반대로 기기의 크기 한계를 두께 증가분에 비해 너무 크게 설정하면 기기를 얇게 제작하지 못하는 문제가 발생한다.

그러나 두께의 최대 증가분을 파악하기까진 상당한 시간이 소요된다. 먼저 고객으로부터 전지의 스펙에 대한 정보를 수령하면 전지의 설계까지 약 60일이 소요되고, 제작까지는 90일 소요된다. 제작된 샘플은 충방전 장치에 투입되어 수백 사이클 동안 충방전을 반복한 후 최대 증가분이 고객이 요구하는 스펙을 만족하는지 두께를 검증하게 된다. 하루에 충방전을 4 사이클 반복하면 두께가 600 사이클인 전지의 두께를 파악하는 데에는 샘플 제작 후 약 5개월이 소요됨을 알 수 있다. 만일 테스트 완료 후, 샘플이 고객의 요구를 만족하지 못한다면 설계를 변경하여 테스트를 재수행해야 하므로 고객의 납기를 맞추기는 더욱 힘들어지게 된다.

본 발명은, 배터리를 제작하기 이전에 두께를 예측하고, 두께 예측에 대한 신뢰도가 향상된 배터리의 두께 예측 시스템을 제공한다.

본 발명의 실시예에 따른 배터리의 두께 예측 시스템은, 기 제작된 배터리에 대한 데이터를 입력 받는 학습 데이터 입력부와, 두께가 예측되기 위한 대상 배터리에 대한 데이터를 입력 받는 대상 데이터 입력부와, 상기 학습 데이터 입력부에 연결되고, 상기 학습 데이터 입력부로 입력되는 학습 인자들을 바탕으로 예측함수를 도출하고, 상기 학습 인자 각각에 대하여 가중치를 부여하는 기계 학습부, 및 상기 대상 데이터 입력부 및 상기 기계 학습부에 연결되고, 상기 대상 배터리의 두께를 예측하기 위하여 상기 기계 학습부에 의해 부여된 가중치를 이용하는 두께 예측부를 포함한다.

상기 학습 측정 인자는 상기 학습 배터리의 실제 측정에 의해 얻어질 수 있으며, 상기 적어도 하나의 학습 인자는 학습 설계 인자, 학습 공정 인자 및 학습 화성 인자의 그룹으로부터 선택될 수 있다.

상기 학습 데이터 입력부는 적어도 하나의 학습 설계 인자를 입력 받고, 상기 학습 설계 인자는 상기 학습 배터리의 설계 변수를 나타낼 수 있다.

또한, 상기 학습 설계 인자는, 학습 배터리를 구성하는 설계 요소와 관련된 인자로서 학습 배터리의 용량, 에너지 밀도, 양극과 음극의 용량 비율, 셀의 종횡비, 셀의 두께, 셀의 너비, 셀의 폭, 세퍼레이터의 두께, 세퍼레이터의 너비, 세퍼레이터의 폭, 세퍼레이터의 기공 특성, 세퍼레이터의 열적 특성, 세퍼레이터의 막 균일성, 세퍼레이터의 코팅 여부, 세퍼레이터의 감긴 횟수, 세퍼레이터의 접착력, 음극의 활물질 종류, 음극의 합제 밀도, 음극의 물성값, 음극의 두께, 음극의 로딩레벨, 양극 활물질의 종류, 양극의 합제 밀도, 양극의 물성값, 양극의 두께, 양극의 로딩레벨, 전해액의 양, 전해액의 조성비, 참가제의 종류, 바인더의 종류, 바인더의 함량, 양극과 음극 탭의 물성, 양극과 음극 탭의 너비, 양극과 음극 탭의 폭, 파우치의 두께, 파우치에서 알루미늄 층의 두께로 이루어진 그룹으로부터 선택될 수 있다.

상기 학습 데이터 입력부는 적어도 하나의 학습 공정 인자를 입력 받고, 상기 학습 공정 인자는 상기 학습 배터리의 제조 시 사용되는 공정 변수를 나타낼 수 있다.

상기 학습 공정 인자는 상기 학습 대상 배터리의 각 부품들을 조립할 때의 공정 조건과 관련된 인자로서, 초기 두께, 평가 두께, 평가 온도, 평가 가속여부, 충전율(C-Rate), 방전율(C-Rate), 컷 오프 충전 전압, 컷 오프 충전 전류, 컷 오프 방전 전압, 컷 오프 방전 전류, 충전 휴지시간, 방전 휴지시간, 권취 장력(winding tension), D/F 조건, 시간, 온도, 및 탭 용접 방법으로 이루어진 그룹으로부터 선택될 수 있다.

상기 학습 데이터 입력부는 적어도 하나의 학습 화성 인자를 입력받고, 상기 학습 화성 인자는 상기 학습 배터리가 조립된 이후의 상기 학습 배터리에 대한 화성 변수를 나타낼 수 있다.

상기 학습 화성 인자는, 상기 학습 배터리를 사용 가능한 상태로 만들 때의 공정 조건과 관련된 인자로서, 에이징(Aging) 온도, 에이징 시간, 디개싱(Degassing) 진공도, 진공도 유지시간, 실링 유지시간, 열융착 압력, 릴리징(Resealing) 융착 온도, 릴리징 융착 시간, 릴리징 융착 압력, 릴리징 방치 온도, 릴리징 방치 시간, 셀프레스 압력, 셀프레스 시간, 예비 충전(Pre-charging) 전류, 예비 충전 전압, 예비 충전 시간으로 이루어진 그룹으로부터 선택될 수 있다.

상기 적어도 하나의 대상 인자는 대상 설계 인자, 대상 공정 인자 및 대상 화성 인자의 그룹으로부터 선택될 수 있으며, 상기 기계 학습부는 다수의 서브 기계 학습부를 포함하고, 상기 두께 예측부는, 상기 다수의 서브 기계 학습부와 대응되는 다수의 서브 두께 예측부을 포함할 수 있다.

상기 서브 기계 학습부 각각은 해당 학습 인자에 기초하여 예측함수를 구하고 가중치를 부여하며, 상기 학습 인자는 학습 설계 인자, 학습 공정 인자 및 학습 화성 인자의 그룹으로부터 선택될 수 있다.

상기 서브 기계 학습부는 이웃하는 서브 기계 학습부의 예측함수를 입력으로 받아들일 수 있으며, 상기 서브 두께 예측부는 해당 서브 기계 학습부에 의해 부여된 가중치를 이용하여 예측함수를 실행할 수 있다.

상기 두께 예측부와 연결되고, 상기 하나 또는 그 이상의 예측 특성에 기초하여 상기 대상 배터리에 대한 예측된 두께를 표시하는 두께 표시부를 더 포함할 수 있다.

본 발명의 다른 측면에 따른 배터리의 두께 예측 방법은 기 제작된 배터리에 대한 데이터가 저장된 데이터 베이스에서 기 제작된 배터리에 대한 데이터를 추출하는 데이터 추출 단계와 추출된 데이터를 바탕으로 학습 데이터와 유효 데이터로 분리하고 상기 학습 데이터에 가중치를 부과하며 상기 학습 데이터와 가중치로부터 예측함수를 도출하는 예측함수 도출 단계와, 유효 데이터를 이용하여 예측함수를 검증하는 검증 단계, 및 두께 예측 대상 배터리에 대한 데이터와 예측함수 및 가중치를 이용하여 배터리의 두께를 예측하는 두께 예측단계를 포함한다.

본 발명에 따르면, 배터리를 제작하여 두께를 평가하기 이전에 배터리의 여러 특성 인자에 따른 두께를 예측함으로써, 셀 제작 이전에 설계 오류를 판정할 수 있다. 결과적으로 셀 제작 기간에 소요되는 시간 및 재료 비용을 최소화하고, 두께 평가에 소요되는 시간을 단축할 수 있다.

또한, 이미 축적된 설계 특성 데이터와 및 용량 데이터를 바탕으로 두께 예측을 실시함으로써, 기존과 비교하여 두께 예측에 필요한 시간을 줄일 수 있으며, 물리/화학적 특성이 포함된 설계 특성 인자를 입력 값으로 학습하기 때문에 두께 예측에 대한 높은 신뢰도를 보장할 수 있다.

도 1은 본 발명의 일 실시예에 따른 배터리 두께 예측 시스템의 구성을 개략적으로 도시한 블록도이다.
도 2는 도 1에 도시된 기계 학습부의 구성을 좀 더 구체적으로 도시한 블록도이다.
도 3은 도 1에 도시된 두께 예측부의 구성을 좀 더 구체적으로 도시한 블록도이다.
도 4는 기 제작된 전지의 두께 데이터를 나타낸 그래프이다.
도 5는 본 발명의 일 실시예에 따른 배터리 두께 예측 시스템을 이용하여 도출된 두께 예측 결과와 실제 측정된 두께를 비교하여 나타낸 그래프이다.

본 발명이 속하는 기술분야에 있어서 통상의 지식을 가진 자가 용이하게 실시할 수 있을 정도로 본 발명의 바람직한 실시예를 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명의 실시예에 따른 배터리 두께 예측 시스템(100)의 구성을 개략적으로 도시한 블록도이다.

도 1을 참조하면, 본 실시예의 배터리 두께 예측 시스템(10)은 데이터 입력부(10), 연산부(20) 및 두께 표시부(30)를 포함한다.

데이터 입력부(10)는 연산부(20)의 학습 동작과 두께 예측 동작을 위해 필요한 각종 데이터를 입력 받는 인터페이스이다. 이러한 데이터 입력부(10)는 학습 데이터 입력부(11)와 대상 데이터 입력부(12)를 포함한다.

학습 데이터 입력부(11)는 학습 대상이 되는 전지(이하 학습 대상 전지라 함)에 대한 데이터(이하 학습 데이터라 함)들을 입력 받을 수 있다. 좀 더 구체적으로, 학습 데이터 입력부(11)는 미리 정의된 규약에 따라 기록되어 있는 컴퓨터 상의 매체 파일을 지정하거나, 학습 데이터를 직접 기입할 수 있는 정형화된 템플릿을 포함한 사용자 인터페이스를 제공함으로써, 학습 데이터를 입력 받을 수 있다. 학습 데이터는 배터리의 두께를 결정하는데 영향을 줄 수 있는 인자를 의미하는 것으로, 연산부(20)를 학습시키기 위해 이용된다.

이러한 학습 데이터는, 학습 대상 전지에 대한 설계 특성 인자, 공정 특성 인자, 화성 특성 인자 및 사이클 별 측정 특성 인자를 포함할 수 있으며, 이들은 각각 수치적으로 나타낼 수 있다.

설계 특성 인자는 학습 대상 전지를 구성하는 설계 요소와 관련된 인자로, 학습 대상 셀의 용량, 에너지 밀도, 양극과 음극의 용량 비율, 셀의 종횡비, 셀의 두께, 셀의 너비, 셀의 폭, 세퍼레이터의 두께, 세퍼레이터의 너비, 세퍼레이터의 폭, 세퍼레이터의 기공 특성, 세퍼레이터의 열적 특성, 세퍼레이터의 막 균일성, 세퍼레이터의 코팅 여부, 세퍼레이터의 감긴 횟수, 세퍼레이터의 접착력, 음극의 활물질 종류, 음극의 합제 밀도, 음극의 물성값, 음극의 두께, 음극의 로딩레벨, 양극 활물질의 종류, 양극의 합제 밀도, 양극의 물성값, 양극의 두께, 양극의 로딩레벨, 전해액의 양, 전해액의 조성비, 참가제의 종류, 바인더의 종류, 바인더의 함량, 양극과 음극 탭의 물성, 양극과 음극 탭의 너비, 양극과 음극 탭의 폭, 파우치의 두께, 파우치에서 알루미늄 층의 두께 등을 포함할 수 있다.

합제밀도는 셀의 단위 부피(cc: cubic centimeter)당 존재하는 양극 또는 음극 활물질의 질량을 의미하며, 단위는 g/cc이다. 극판은 집전체 상에 활물질이 도포된 것을 의미하며, 극판의 두께는 집전체와 활물질의 전체 두께를 의미한다. 로딩 레벨은 극판에 도포된 단위 면적당 활물질의 양을 의미하며, 단위는 mg/cm²이다. 세퍼레이터의 코팅은 세퍼레이터의 열적, 전기적 및 기계적 안전성 향상을 위해 세퍼레이터의 표면을 코팅 물질로 코팅하는 것을 의미하며, 코팅 물질로는 부직포와 무기물(예를 들어 세라믹) 등이 있다. 극판과 세퍼레이터 간의 접착력은, 활물질이 도포된 양극판 또는 음극판과 세퍼레이터 간의 접착력을 의미하는 것으로, 구체적으로 활물질과 세퍼레이터 간의 접착력을 의미한다. 활물질의 물성값 및 바인더 물질의 물성값으로는 물질 자체의 전기 전도도, 이온 전도도, 공극률, 비유전율, 확산계수, 결정구조 등을 포함할 수 있다.

본 실시예에서는 반드시 상기와 같은 인자들로 설계 특성 인자를 한정하는 것은 아니며, 배터리의 두께에 영향을 줄 수 있는 모든 설계 특성 인자를 포함할 수 있다. 이러한 설계 특성 인자는 측정을 통해 얻어지는 데이터가 아니라, 특정 사양을 갖는 배터리를 제작하는데 필요한 수치들로서, 배터리의 제작 전에 알 수 있는 데이터이다.

공정 특성 인자는 학습 대상 셀을 구성하는 각 부품(예를 들어 양극판, 음극판 및 세퍼레이터 등)들을 조립할 때의 공정 조건과 관련된 인자로, 초기 두께, 평가 두께, 평가 온도, 평가 가속여부, 충전율(C-Rate), 방전율(C-Rate), 컷 오프 충전 전압, 컷 오프 충전 전류, 컷 오프 방전 전압, 컷 오프 방전 전류, 충전 휴지시간, 방전 휴지시간, 권취 장력(winding tension), D/F 조건, 시간, 온도, 및 탭 용접 방법 등을 포함할 수 있다.

여기서 D/F 조건은 Degassing 공정과 Folding 공정에서의 온도, 압력 및 시간 조건을 각각 의미한다. Degassing 공정은 파우치 내부의 가스를 제거하기 위한 공정을 의미한다. 컷 오프 전압 및 전류는 충전과 방전이 완료됨을 결정하는 전압을 의미한다.

본 실시예에서는 반드시 상기와 같은 인자들로 공정 특성 인자를 한정하는 것은 아니며, 배터리의 두께에 영향을 줄 수 있는 모든 공정 특성 인자를 포함할 수 있다.

화성 특성 인자는 조립한 학습 대상 셀을 실제로 사용하기 전에 사용 가능한 상태로 만들 때의 공정 조건과 관련된 인자로, 에이징(Aging) 온도, 에이징 시간, 디개싱(Degassing) 진공도, 진공도 유지시간, 실링 유지시간, 열융착 압력, 릴리징(Resealing) 융착 온도, 릴리징 융착 시간, 릴리징 융착 압력, 릴리징 방치 온도, 릴리징 방치 시간, 셀프레스 압력, 셀프레스 시간, 예비 충전(Pre-charging) 전류, 예비 충전 전압, 예비 충전 시간 등을 포함할 수 있다.

본 실시예에서는 반드시 상기와 같은 인자들로 화성 특성 인자를 한정하는 것은 아니며, 배터리의 두께에 영향을 줄 수 있는 모든 화성 특성 인자를 포함할 수 있다.

사이클 별 측정 특성 인자는 예측하고자 하는 값 즉 셀의 두께를 나타낼 수 있는 값으로, 충방전 횟수에 따른 두께, 두께 증가량, 최대 두께, 전지 상부/중간부/하부의 두께 비율 등을 포함할 수 있다.

본 실시예에서는, 학습 대상 셀에 대한 모든 인자들을 학습 데이터 입력부(11)로 입력하는 것이 가장 바람직하지만, 반드시 그러할 필요는 없다. 다만, 사이클 별 측정 특성 인자는 학습 대상 셀의 두께를 나타내는 요소로, 다른 인자들과 셀의 두께와의 상관 관계를 학습하기 위해 필수적으로 입력되어야 하는 요소이며, 설계 특성 인자는 공정 특성 인자와 화성 특성 인자보다 배터리의 두께에 가장 많은 영향을 미치는 요소이다. 그러므로, 적어도 설계 특성 인자와 사이클 별 측정 특성 인자로 이루어진 세트를 하나의 학습 데이터로 학습 데이터 입력부(11)에 입력하는 것이 효율적이며, 공정 특성 인자나 화성 특성 인자에 대한 학습을 생략하더라도 학습 결과에 큰 영향을 미치지 않는다.

대상 데이터 입력부(12)는 두께 예측의 대상이 되는 배터리에 대한 데이터(이하 대상 데이터라 함)를 입력 받을 수 있다. 좀 더 구체적으로, 대상 데이터 입력부(12)는 미리 정의된 규약에 따라 기록되고 있는 컴퓨터 상의 매체 파일을 지정하거나, 대상 데이터를 직접 기입할 수 있는 정형화된 템플릿을 포함한 사용자 인터페이스를 제공함으로써, 대상 데이터를 입력 받을 수 있다. 대상 데이터는 학습된 연산부(20)가 배터리의 두께를 예측하는데 이용된다.

이러한 대상 데이터는, 두께를 예측할 대상인 배터리(이하 예측 대상 셀이라고 함)에 대한 설계 특성 인자, 공정 특성 인자 및 화성 특성 인자를 포함할 수 있으며, 이들은 각각 수치적으로 나타낼 수 있다. 여기서, 대상 데이터 입력부(12)에는 대상 데이터로서 사이클별 측정 인자가 입력되지 않는다.

설계 특성 인자는 예측 대상 셀을 구성하는 설계 요소와 관련된 인자로, 예측 대상 셀의 설계 용량, 에너지 밀도, 양극과 음극의 용량 비율, 셀의 종횡비, 전지 두께, 전지 너비, 전지 폭, 세퍼레이터의 두께, 세퍼레이터의 너비, 세퍼레이터의 폭, 세퍼레이터의 기공 특성, 세퍼레이터의 열적 특성, 세퍼레이터의 막 균일성, 세퍼레이터의 코팅 여부, 세퍼레이터의 감긴 횟수, 세퍼레이터의 접착력, 음극의 활물질 종류, 음극의 합제 밀도, 음극의 물성치, 음극의 두께, 음극의 로딩레벨, 양극 활물질의 종류, 양극의 합제 밀도, 양극의 물성치, 양극의 두께, 양극의 로딩레벨, 전해액의 양, 전해액의 조성비, 참가제의 종류, 첨가제의 함량, 첨가제의 조성비, 바인더의 종류, 바인더의 함량, 양극과 음극 탭의 물성, 양극과 음극 탭의 너비, 양극과 음극 탭의 폭, 파우치의 두께, 파우치에서 알루미늄 층의 두께 등을 포함할 수 있다.

본 실시예에서는 반드시 상기와 같은 인자들로 설계 특성 인자를 한정하는 것은 아니며, 배터리의 두께에 영향을 줄 수 있는 모든 설계 특성 인자를 포함할 수 있다.

이러한 설계 특성 인자는 측정을 통해 얻어지는 데이터가 아니라, 특정 사양을 갖는 배터리를 제작하는데 주어지는 물리/화학적 특성이 반영된 특성들로서, 별도의 측정 과정 없이 배터리를 제작 전에 알 수 있는 데이터이다. 따라서, 종래에는 두께를 예측하기 위한 입력 값을 얻기 위하여 측정 시간이 소요된 것에 반해, 본 실시예에서는 두께를 예측하기 위한 입력 값을 얻기 위하여 추가적인 시간이 소요될 필요가 없다. 더불어, 본 실시예에서는 물리/화학적인 특성이 반영된 입력 값으로 두께 예측이 이루어지므로, 예측된 두께에 대한 높은 신뢰도를 보장할 수 있다.

공정 특성 인자는 예측 대상 셀을 구성하는 각 부품(예를 들어 양극판, 음극판 및 세퍼레이터 등)들을 조립할 때의 공정 조건과 관련된 인자로, 초기 두께, 평가된 결과 두께, 평가 온도 조건, 평가 가속여부, 충전율(C-Rate), 방전율(C-Rate), 컷 오프 충전 전압, 컷 오프 충전 전류, 컷 오프 방전 전압, 컷 오프 방전 전류, 충전 휴지시간, 방전 휴지시간, 권취 장력(winding tension), D/F 조건, 예비건조(pre curing) 시간, 예비건조 온도, 및 수평과 수직의 비율 등을 포함할 수 있다. 본 실시예에서는 반드시 상기와 같은 인자들로 공정 특성 인자를 한정하는 것은 아니며, 배터리의 두께에 영향을 줄 수 있는 모든 공정 특성 인자를 포함할 수 있다.

화성 특성 인자는 조립한 예측 대상 셀을 실제로 사용하기 전에 사용 가능한 상태로 만들 대의 공정 조건과 관련된 인자로, 에이징(Aging) 온도, 에이징 시간, 디개싱(Degassing) 진공도, 진공 유지시간, 실링 유지시간, 열융착 압력, 릴리징(Resealing) 융착 온도, 릴리징 융착 시간, 릴리징 융착 압력, 릴리징 방치 온도, 릴리징 방치 시간, 셀프레스 압력, 셀프레스 시간, 사전충전(Pre-charging) 전류, 사전충전 전압, 사전충전 시간, 예비건조 온도, 예비건조 시간, 건조 온도, 건조 시간, 컷 오프 방법 등을 포함할 수 있다. 본 실시예에서는 반드시 상기와 같은 인자들로 화성 특성 인자를 한정하는 것은 아니며, 배터리의 두께에 영향을 줄 수 있는 모든 화성 특성 인자를 포함할 수 있다.

본 실시예에서는, 예측 대상 셀에 대한 모든 인자들을 반드시 대상 데이터 입력부(12)로 입력할 필요는 없으며, 적어도 상기 대상 데이터로서 설계 특성 인자만을 대상 데이터 입력부(12)로 입력하여 두께 예측을 실시하여도 무방하다. 또한, 설계 특성 인자에 포함되는 모든 인자들을 대상 데이터로서 선택할 필요는 없으며, 일부 인자들만 선택하여 대상 데이터 입력부(12)로 입력하여도 무방하다.

연산부(20)는 기계 학습부(21)와 두께 예측부(22)를 포함할 수 있다.

기계 학습부(21)는 학습 데이터 입력부(11)를 통해 입력된 인자들에 대한 기계 학습(machine learning)을 수행하여, 예측함수를 연산하고, 인자 각각에 대한 가중치를 부여한다. 예를 들어, 학습 데이터로서 양극 활물질의 종류와 사이클 별 셀의 두께에 대한 기계 학습이 이루어진다고 가정할 경우, 기계 학습부(21)는 양극 활물질의 종류와 사이클 별 셀의 두께 간의 상관관계를 나타내는 예측함수를 구하고, 양극 활물질의 중류와 셀의 두께에 얼마나 영향을 미치는지에 따라 양극 활물질의 종류라는 인자에 대하여 가중치(weight)를 부여할 수 있다. 결국, 기계 학습부(21)는 임의의 배터리에 대한 설계 특성 인자, 공정 특성 인자 및 화성 특성 인자들이 사이클 별 셀의 두께 변화 즉, 셀의 두께에 얼마나 영향을 미치는지에 대한 가중치를 부여하고, 예측함수를 연산함으로써, 셀의 두께에 관한 특성을 학습하게 된다. 이러한 기계 학습 과정은 학습 데이터 입력부(11)로 입력되는 모든 학습 데이터를 대상으로 이루어질 수 있으며, 학습 결과는 별도의 저장 매체(미도시)를 통해 저장될 수 있다.

또한, 본 실시예에 따른 두께 예측 시스템은 데이터 추출부를 더 포함할 수 있다. 데이터 추출부는 입력부를 통해서 입력된 데이터들이 저장된 데이터 베이스에 접근하여 예측 대상 셀과 유사한 스펙을 갖는 셀의 데이터를 추출한다. 추출부는 추출한 데이터를 기계 학습부로 전달한다.

도 2는 도 1에 도시된 기계 학습부(21)의 구성을 좀 더 구체적으로 도시한 블록도이다.

도 2를 참조하면, 기계 학습부(21)는 복수의 서브 기계 학습부(21_1, 21_2, ... 21_n-1, 21_n)를 포함할 수 있다. 복수의 서브 기계 학습부(21_1, 21_2, ... 21_n-1, 21_n) 각각에는 학습 데이터 입력부(11)에서 정의한 인자 그룹에 관계없이 임의의 데이터들이 서로 동일한 개수로 입력될 수 있다. 다만, 하나의 학습 데이터 세트로서 사이클 별 측정 특성 인자는 필수로 입력된다. 예를 들어, 서브 기계 학습부(21_1, 21_2, ... 21_n-1, 21_n) 각각에 입력되는 학습 데이터 세트의 개수가 25개라고 할 때, 제 1 서브 기계 학습부(21_1)에는 20개의 제 1 학습 데이터 세트와 5개의 제 2 학습 데이터 세트가 입력될 수 있다. 여기서, 제 1 학습 데이터 세트는 설계 특성 인자와 사이클 별 측정 특성 인자를 기본 단위로 하며, 제 2 학습 데이터 세트는 공정 특성 인자와 사이클 별 측정 특성 인자를 기본 단위로 할 수 있다. 이와 동시에 제 2 서브 기계 학습부(21_2)에는 15개의 제 1 학습 데이터 세트, 5개의 제 2 학습 데이터 세트와 5개의 제 3 학습 데이터 세트가 입력될 수 있다. 여기서 제 3 학습 데이터 세트는 화성 특성 인자와 사이클 별 측정 특성 인자를 기본 단위로 할 수 있다.

각 서브 기계 학습부는 다양한 학습기법들을 사용할 수 있다. 학습기법은 은닉 마코프 모델(Hidden Markov Models), 유전 프로그래밍(Genetic Programming), 가우시안 혼합 모델(Gaussian Mixture Models), 인공 신경망 모델(Neural Network Models) 등으로 이루어질 수 있다.

예를 들어 제1 서브 기계 학습부(21_1)는 은닉 마코프 모델을 사용하고, 제2 서브 기계 학습부(21_2)는 유전 프로그래밍을 사용하며, 제n-1 서브 기계 학습부(21_n-1)는 가우시안 혼합 모델을 사용하고, 제n 서브 기ㅖ 학습부(21_n)는 인공 신경망 모델을 사용할 수 있다.

은닉 마코프 모델은 어떤 시간에서 사건을 관측될 확률은 이전 시간에서의 관측 결과에만 의존한다는 가정하고, 관측이 불가능한 상태를 관측이 가능한 상태로 추정하는 이중 확률처리 모델이다.

유전 프로그래밍은 유전알고리즘에 그 근본을 두고 있으며 유전 프로그래밍은 프로그램으로 해석되는 동적인 트리 구조를 진화시키며, 이상적인 답이 없는 경우 많은 변수를 고려한 후, 절충을 통해 가장 효율적인 답을 추출한다.

가우시안 혼합 모델은 가우시안 확률밀도함수를 이용하여 데이터의 분포를 모델링하는 방법이며, 신경 네트워크 모델은 반복적인 학습 과정을 거쳐 데이터에 내재되어 있는 패턴을 찾아내고 이를 일반화함으로써 대용량 데이터로부터 의사결정에 필요한 유용한 정보를 찾아내는 기법이다.

복수의 서브 기계 학습부(21_1, 21_2, ... 21_n-1, 21_n)는 서로 동일하게 구성되며, 학습 데이터에 대한 기계 학습을 병렬적으로 처리한다. 따라서, 이하에서는 기계 학습부(21)에 대한 구성을 제 1 서브 기계 학습부(21_1)에 대한 구성을 대표로 하여 설명하도록 한다.

제 1 서브 기계 학습부(21_1)는 학습 데이터 입력부(11)로부터 받은 서브 학습 데이터를 학습 데이터와 유효 데이터로 분류할 수 있다. 여기서, 학습 데이터는 제 1 서브 기계 학습부(21_1)가 실제로 학습할 데이터이며, 유효 데이터는 학습 데이터를 통해 학습된 결과가 유효한지를 테스트하기 위한 데이터이다. 학습 데이터와 유효 데이터 개수의 비율은 미리 설정되거나 랜덤 방식으로 설정될 수도 있다. 예를 들어, 학습 데이터와 유효 데이터의 개수 비율은 8:2 또는 7:3과 같은 방식으로 미리 설정해 놓거나, 각 데이터의 양이나 질에 따라 설정할 수 있다.

제 1 서브 기계 학습부(21_1)는 은닉 마코프 모델을 이용하여 서브 학습 데이터에서 나눠진 학습 데이터를 개별적으로 학습하고, 각각의 인자들에 대한 가중치를 부여한다.

상술한 바와 같이, 하나의 학습 데이터는 설계 특성 인자, 공정 특성 인자 또는 화성 특성 인자 중 하나의 인자와, 사이클 별 측정 특성 인자가 하나의 세트로 이루어지며, 이하에서는, 설명의 편의를 위해, 하나의 학습 데이터가 설계 특성 인자와 사이클 별 측정 특성 인자를 포함하는 것으로 가정하고 설명하도록 한다.

은닉 마코프 모델은 설계 특성 인자와 사이클 별 측정 특성 인자(즉, 셀의 두께) 사이의 상관 관계를 계산할 수 있으며, 이러한 상관 관계는 예측함수로 표현할 수 있다. 또한, 설계 특성 인자가 셀의 두께에 얼마나 영향을 미치는지에 대한 계산은 은닉 마코프 모델이 설계 특성 인자들에 대한 가중치를 각각 부여함으로써 수행될 수 있다.

제 1 서브 기계 학습부(21_1)는 은닉 마코프 모델을 통해 설계 특성 인자와 가중치를 매개변수로 갖는 예측함수를 구한 후, 유효 데이터를 이용하여 학습한 결과에 대한 유효성을 테스트할 수 있다.

유효 데이터 또한 학습 데이터와 마찬가지로 설계 특성 인자, 공정 특성 인자 또는 화성 특성 인자 중 하나의 인자와, 사이클 별 측정 특성 인자를 포함하고 있다. 즉, 유효 데이터는 예를 들어 설계 특성 인자라는 어떠한 입력과 사이클 별 측정 특성 인자라는 입력에 대한 결과만으로 이루어져 있다. 따라서, 유효 데이터를 이용하면, 학습 데이터를 이용하여 학습한 결과가 유효성이 있는지 확인할 수 있다.

예를 들어, {X1, Y1}, {X2, Y2} 및 {X3, Y3}라는 3개의 학습 데이터가 있고, {X’, Y’}라는 1개의 유효 데이터가 있다고 가정한다. 여기서, X1, X2, X3은 설계 특성 인자, 공정 특성 인자 또는 화성 특성 인자들의 값을 의미하며, Y1, Y2, Y3는 X1, X2, X3 각각에 대한 사이클 별 측정 특성 인자 즉, 셀의 용량을 의미한다. 또한, 학습 결과에는 {X1, X2, X3}에 대한 {W1, W2, W3}이라는 가중치가 계산되었다고 가정한다.

우선, 학습 데이터 {X1, X2, X3} 중에 유효 데이터의 X’에 가장 근사한 값을 찾는다. 근사 값을 찾는 방법에는 다양한 방법이 있으나, 본 실시예에서는 하기의 수식 (1)과 같이 정의한 최소 자승법(Least mean square method)을 이용할 수 있다.

------------------------------ (1)

수식 (1)의 과정을 거친 후, 예를 들어 X2가 X’에 가장 근사한 값으로 확인될 경우, X2에 대한 해당 가중치 W2를 이용하여 X2에 대한 학습 결과가 유효한지를 판단할 수 있다. 즉, X2에 대한 가중치 W2와, X’를 해당 예측함수에 입력하고, 그 결과 값을 Y’ 값과 비교함으로써, X2에 대한 학습 결과의 신뢰도를 확인할 수 있다. 여기서, Y’ 값은 X’라는 인자에 대한 셀의 용량 값일 수 있으며, X’ 값에 따라 이미 정해진 값이다. 이와 같이, 유효성 테스트는, 학습 과정을 통해 얻은 예측함수가 학습 데이터 값과 유사한 새로운 입력 값에 대하여 얼마나 정확한 값을 출력하는지를 판단하는 과정이다.

한편, W2와 X’를 해당 예측함수에 입력하여 얻은 결과 값과 Y’ 값을 비교하고, 그 차이가 기준 값보다 클 경우(오차가 기준치 보다 클 경우), X2에 대한 학습을 반복하여 가중치를 다시 찾는 작업을 수행하며, 기준 값보다 작을 경우(오차가 기준치 보다 작을 경우), 유효 데이터에 포함된 데이터들을 새로운 학습 데이터로 분류하여 상기와 같은 학습 과정을 수행함으로써, 예측함수가 갖는 매개변수 즉, 학습 데이터와 가중치 값을 업데이트하는 과정을 수행할 수 있다.

제 1 서브 기계 학습부(21_1)를 제외한 다른 서브 기계 학습부(21_2, ... 21_n-1, 21_n)들도 상기와 같은 방식으로 자신에게 주어진 학습 데이터를 학습하고, 인자 별로 가중치(W2, ... Wn-1, Wn)를 각각 부여할 수 있다.

기계 학습부(21)의 학습이 완료되면, 예측함수(F1(x), F2(x), ... Fn-1(x), Fn(x))들이 각각 정해지고, 학습 결과는 별도의 저장 매체(미도시)에 저장될 수 있다. 학습 결과는 가중치 집합일 수 있으며, 소정의 행렬로 나타낼 수 있다. 예를 들어, 가중치 집합을 MxN의 행렬로 나타내면 하기의 수식 (2)와 같이 표현할 수 있다.

----------------------- (2)

또한, 상기 수식 (2)의 가중치 행렬에 대응하는 인자 행렬을 하기의 수식 (3)과 같이 나타낼 수 있다.

------------------------- (3)

수식 (2)과 (3)을 참조하면, 기계 학습을 통해 각각의 인자에 대응하는 가중치가 각각 존재한다는 것을 알 수 있다. 예를 들어 X22의 인자에 대한 가중치는 W₂₂이며, Xmn-1의 인자에 대한 가중치는 Wmn-1가 된다.

한편, 예측함수(F(x))의 일례로 시그모이드(sigmoid) 함수를 이용할 수 있으며, 하기의 수식 (4)와 같이 정의할 수 있다.

------------------------------ (4)

수식 (4)에서 Y는 인자 값과 가중치의 곱의 총 합을 의미하며, 하기의 수식 (5)와 같이 정의할 수 있다.

------------------------------ (5)

따라서, 기계 학습부(21)는, 설계 특성 인자, 공정 특성 인자 및 화성 특성 인자들이 사이클별 셀의 두께 변화에 얼마나 영향을 미치는지에 대한 가중치를 각각 부여함으로써, 수식 (4)와 같이 정의한 예측함수를 연산하는 역할을 한다. 여기서 예측함수는 설계 특성 인자, 공정 특성 인자 및 화성 특성 인자들과, 사이클별 두께 변화 간의 상관 관계를 나타내는 것으로, 인자 값과 가중치 값에 따라 예측함수의 출력 값이 달라질 수 있다.

또한, 어느 하나의 서브 기계 학습부는 다른 서브 기계 학습부의 예측함수를 자신의 입력으로 받아 들일 수 있다. 즉 도 3에 도시된 바와 같이, 서브 기계 학습부(21_n-1)은 서브 기계 학습부(21_n)의 예측함수의 결과를 입력으로 받아 들이며, 서브 기계 학습부(21_n)은 서브 기계 학습부(21_n-1)을 입력으로 받아 들인다. 이에 따라 각 서브 기계 학습부는 계층적으로 예측 결과를 생성할 수도 있다.

상기한 바와 같이 학습 모듈은 학습 완료 후 개별적으로 또는 계층적으로 예측 결과를 생성할 수 있다. 그러나, 일반적으로 모든 입력에 대해 한 개의 학습 모듈이 좋은 예측 결과를 출력하기 어려우므로, 여러 학습 모듈의 결과를 참조하여 최종 결과를 얻는다. 예를 들면, 각 학습 모듈을 통해 얻어진 가중치를 평균하여 사용하거나, 또는 학습 모듈의 개별적인 학습 후 유효성 테스트에서 가장 성능이 좋았던 모듈로부터 얻어진 가중치를 사용할 수 있다.

두께 예측부(22)는 기계 학습부(21)를 통해 얻어진 예측함수(F1(x), F2(x), ... Fn-1(x), Fn(x))와 가중치(W1, W2, ... Wn-1, Wn)를 이용하여, 대상 데이터 입력부(12)로부터 받은 인자들로부터 대상 셀에 대한 사이클 별 두께를 예측할 수 있다.

도 3은 도 1에 도시된 두께 예측부(22)의 구성을 좀 더 구체적으로 도시한 블록도이다.

도 3에 도시된 바와 같이, 두께 예측부(22)는 복수의 서브 두께 예측부(22_1, 22_2, ... 22_n-1, 22_n)를 포함할 수 있다. 복수의 서브 두께 예측부(22_1, 22_2, ... 22_n-1, 22_n)에는 대상 데이터 입력부(12)에서 정의한 인자 그룹에 관계없이 각 인자들이 입력될 수 있다. 예를 들어, 대상 데이터로서 활물질의 물성값, 전해액 함량, 첨가제 함량과 같은 3개의 설계 특성 인자가 입력된다고 가정하면, 3개의 인자들은 3개의 서브 두께 예측부에 각각 입력될 수 있다.

복수의 서브 두께 예측부(22_1, 22_2, ... 22_n-1, 22_n) 각각은, 은닉 마코프 모델(Hidden Markov Models), 유전 프로그래밍(Genetic Programming), 가우시안 혼합 모델(Gaussian Mixture Models), 인공 신경망 모델(Neural Network Models) 등은닉 마코프 모델(Hidden Markov Models), 유전 프로그래밍(Genetic Programming), 가우시안 혼합 모델(Gaussian Mixture Models), 인공 신경망 모델(Neural Network Models) 등을 이용하여, 별도의 저장 매체(미도시)에 저장되어 있는 학습 인자 값 중에 대상 인자 값에 가장 근접한 학습 인자를 찾는다.

예를 들어, 별도의 저장 매체(미도시)에 저장된 학습 인자들이 {X1, X2, X3, ... Xn-1, Xn}과 같이 있고, 대상 데이터 입력부(12)로부터 받은 대상 인자가 Xi라고 가정하면, 하기의 수식 (6)과 같은 최소 자승법(Least mean square method)을 이용하여 학습 인자 {X1, X2, X3, ... Xn-1, Xn} 중에서 대상 인자 Xi와의 차가 최소가 되는 학습 인자들을 찾는다.

------------------------------ (6)

이때, 학습 인자 중 X2의 값이 Xi의 값과 가장 가깝거나 혹은 일치되는 것으로 확인되면, 학습 인자 X2에 대한 해당 가중치와 예측함수를 불러오고, 해당 가중치와 대상 인자 값 Xi를 해당 예측함수에 대입하여 두께 예측 결과를 산출할 수 있다. 상기와 같은 방식으로 여러 개의 대상 인자들을 입력 값으로 하여 두께 예측 결과를 산출한 후 최종 결과를 산출하는 것이 바람직하다. 이때, 예측된 최종 결과는 사이클 수에 따른 용량 값의 변화에 대한 두께 데이터로서, 두께 표시부(30)에 의해 나타낼 수 있다.

본 실시예의 기계 학습 기법과 관련된 기술은 본 발명이 속한 기술분야에 널리 알려져 있다. 예를 들어, “패턴인식과 기계학습”(박혜영, 이관용 저 이한출판사 2011.03.05)나 “Introduction to Machine Learning”(Alpaydin, Ethem 저 MitPr 2010.02.01)는 입력 데이터와 출력 데이터 간의 상관관계 학습에 의해 가중치 행렬을 산출하는 방법 및 예측 방법을 개시하고 있다. 따라서, 본 실시예의 기계 학습 및 예측 알고리즘과 관련된 상세한 설명은 생략하도록 한다.

두께 표시부(30)는 두께 예측부(22)로부터 예측된 두께 데이터를 받고, 디스플레이 상에 그래프 등으로 표시할 수 있다.

이하에서는 본 실시예에 따른 배터리의 수명 예측 방법을 설명한다. 본 실시예에 따른 배터리의 수명 예측 방법은 기 제작된 배터리에 대한 데이터가 저장된 데이터 베이스에서 기 제작된 배터리에 대한 데이터를 추출하는 데이터 추출 단계와, 추출된 데이터를 바탕으로 학습 데이터와 유효 데이터로 분리하고 상기 학습 데이터에 가중치를 부과하며 상기 학습 데이터와 가중치로부터 예측함수를 도출하는 예측함수 도출 단계와, 유효 데이터를 이용하여 예측함수를 검증하는 검증 단계, 및 두께 예측 대상 배터리에 대한 데이터와 예측함수 및 가중치를 이용하여 배터리의 두께를 예측하는 두께 예측단계를 포함한다.

데이터 추출 단계는 데이터 추출부에서 이루어지며, 두께 예측 대상 배터리의 스펙을 고려하여 이와 관련된 데이터가 추출된다. 예측함수 도출 단계와 검증 단계는 기계 학습부(21)에서 이루어진다. 두께 예측단계는 두께 예측부(22)에서 이루어진다.

이하에서는 첨부된 도면을 참조하여 본 실시예의 두께 예측 결과 및 실제로 배터리의 두께를 측정한 결과를 비교한 예에 대하여 설명하도록 한다.

도 4는 기 제작된 전지의 두께 데이터를 나타낸 그래프이다.

도 4에서 ○ 표시는 사이클에 따른 셀의 두께이며, ○ 표시를 잇는 선은 셀의 두께 데이터를 바탕으로 셀의 두께 변화를 선형적으로 나타낸 그래프이다. 도 4에 도시된 복수 개의 셀에 관한 데이터를 학습 데이터로 사용하여 측댕 대상 셀의 두께를 예측하였다.

도 5는 본 발명의 일 실시예에 따른 배터리 두께 예측 시스템을 이용하여 도출된 두께 예측 결과와 실제 측정된 두께를 비교하여 나타낸 그래프이다.

도 4에 도시된 복수 개의 셀에 관한 데이터를 학습 데이터로 사용하여 측댕 대상 셀의 두께를 예측하였다.

도 5에서 선 그래프는 셀의 두께 예측을 나타낸 데이터이고, 도 5에서 ○ 표시는 예측 대상 셀을 실제로 충,방전하여 측정한 두께를 나타낸 데이터이다. 서로 다른 조건을 갖는 3개의 셀에 대해서 예측 결과를 검증하였다.

도 5에 도시된 바와 같이 각 셀의 예측 그래프와 실제 측정된 두께가 거의 일치하는 것을 확인할 수 있다.

본 발명은 상기 실시예들에 한정되지 않고 본 발명의 기술적 요지를 벗어나지 아니하는 범위 내에서 다양하게 수정 및 변형되어 실시될 수 있음은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 있어서 자명한 것이다.

100: 배터리 두께 예측 시스템 10: 데이터 입력부
11: 학습 데이터 입력부 12: 대상 데이터 입력부
20: 연산부 21: 기계 학습부
22: 두께 예측부 30: 두께 표시부

Claims (15)

1. 기 제작된 배터리에 대한 데이터를 입력 받는 학습 데이터 입력부;
   두께가 예측되기 위한 대상 배터리에 대한 데이터를 입력 받는 대상 데이터 입력부;
   상기 학습 데이터 입력부에 연결되고, 상기 학습 데이터 입력부로 입력되는 학습 인자들을 바탕으로 예측함수를 도출하고, 상기 학습 인자 각각에 대하여 가중치를 부여하는 기계 학습부; 및
   상기 대상 데이터 입력부 및 상기 기계 학습부에 연결되고, 상기 대상 배터리의 두께를 예측하기 위하여 상기 기계 학습부에 의해 부여된 가중치를 이용하는 두께 예측부;
   를 포함하는 것을 특징으로 하는 배터리의 두께 예측 시스템.
2. 제 1 항에 있어서,
   상기 학습 측정 인자는 상기 학습 배터리의 실제 측정에 의해 얻는 것을 특징으로 하는 배터리의 두께 예측 시스템.
3. 제 1 항에 있어서,
   상기 적어도 하나의 학습 인자는 학습 설계 인자, 학습 공정 인자 및 학습 화성 인자의 그룹으로부터 선택되는 것을 특징으로 하는 배터리의 두께 예측 시스템.
4. 제 3 항에 있어서,
   상기 학습 데이터 입력부는 적어도 하나의 학습 설계 인자를 입력 받고,
   상기 학습 설계 인자는 상기 학습 배터리의 설계 변수를 나타내는 것을 특징으로 하는 배터리의 두께 예측 시스템.
5. 제 4 항에 있어서,
   상기 학습 설계 인자는, 학습 배터리를 구성하는 설계 요소와 관련된 인자로서 학습 배터리의 용량, 에너지 밀도, 양극과 음극의 용량 비율, 셀의 종횡비, 셀의 두께, 셀의 너비, 셀의 폭, 세퍼레이터의 두께, 세퍼레이터의 너비, 세퍼레이터의 폭, 세퍼레이터의 기공 특성, 세퍼레이터의 열적 특성, 세퍼레이터의 막 균일성, 세퍼레이터의 코팅 여부, 세퍼레이터의 감긴 횟수, 세퍼레이터의 접착력, 음극의 활물질 종류, 음극의 합제 밀도, 음극의 물성값, 음극의 두께, 음극의 로딩레벨, 양극 활물질의 종류, 양극의 합제 밀도, 양극의 물성값, 양극의 두께, 양극의 로딩레벨, 전해액의 양, 전해액의 조성비, 참가제의 종류, 바인더의 종류, 바인더의 함량, 양극과 음극 탭의 물성, 양극과 음극 탭의 너비, 양극과 음극 탭의 폭, 파우치의 두께, 파우치에서 알루미늄 층의 두께로 이루어진 그룹으로부터 선택되는 것을 특징으로 하는 배터리의 두께 예측 시스템.
6. 제 3 항에 있어서,
   상기 학습 데이터 입력부는 적어도 하나의 학습 공정 인자를 입력 받고,
   상기 학습 공정 인자는 상기 학습 배터리의 제조 시 사용되는 공정 변수를 나타내는 것을 특징으로 하는 배터리의 두께 예측 시스템.
7. 제 6 항에 있어서,
   상기 학습 공정 인자는 상기 학습 대상 배터리의 각 부품들을 조립할 때의 공정 조건과 관련된 인자로서, 초기 두께, 평가 두께, 평가 온도, 평가 가속여부, 충전율(C-Rate), 방전율(C-Rate), 컷 오프 충전 전압, 컷 오프 충전 전류, 컷 오프 방전 전압, 컷 오프 방전 전류, 충전 휴지시간, 방전 휴지시간, 권취 장력(winding tension), D/F 조건, 시간, 온도, 및 탭 용접 방법으로 이루어진 그룹으로부터 선택되는 것을 특징으로 하는 배터리의 두께 예측 시스템.
8. 제 3 항에 있어서,
   상기 학습 데이터 입력부는 적어도 하나의 학습 화성 인자를 입력받고,
   상기 학습 화성 인자는 상기 학습 배터리가 조립된 이후의 상기 학습 배터리에 대한 화성 변수를 나타내는 것을 특징으로 하는 배터리의 두께 예측 시스템.
9. 제 8 항에 있어서,
   상기 학습 화성 인자는, 상기 학습 배터리를 사용 가능한 상태로 만들 때의 공정 조건과 관련된 인자로서, 에이징(Aging) 온도, 에이징 시간, 디개싱(Degassing) 진공도, 진공도 유지시간, 실링 유지시간, 열융착 압력, 릴리징(Resealing) 융착 온도, 릴리징 융착 시간, 릴리징 융착 압력, 릴리징 방치 온도, 릴리징 방치 시간, 셀프레스 압력, 셀프레스 시간, 예비 충전(Pre-charging) 전류, 예비 충전 전압, 예비 충전 시간으로 이루어진 그룹으로부터 선택되는 것을 특징으로 하는 배터리의 두께 예측 시스템.
10. 제 1 항에 있어서,
    상기 적어도 하나의 대상 인자는 대상 설계 인자, 대상 공정 인자 및 대상 화성 인자의 그룹으로부터 선택되는 것을 특징으로 하는 배터리의 두께 예측 시스템.
11. 제 1 항에 있어서,
    상기 기계 학습부는 다수의 서브 기계 학습부를 포함하고,
    상기 두께 예측부는, 상기 다수의 서브 기계 학습부와 대응되는 다수의 서브 두께 예측부을 포함하는 것을 특징으로 하는 배터리의 두께 예측 시스템.
12. 제 11 항에 있어서,
    상기 서브 기계 학습부 각각은 해당 학습 인자에 기초하여 예측함수를 구하고 가중치를 부여하며,
    상기 학습 인자는 학습 설계 인자, 학습 공정 인자 및 학습 화성 인자의 그룹으로부터 선택되는 것을 특징으로 하는 배터리의 두께 예측 시스템.
13. 제 12 항에 있어서,
    상기 서브 기계 학습부는 이웃하는 서브 기계 학습부의 예측함수를 입력으로 받아들이는 배터리의 두께 예측 시스템.
14. 제 12 항에 있어서,
    상기 서브 두께 예측부는 해당 서브 기계 학습부에 의해 부여된 가중치를 이용하여 예측함수를 실행하는 것을 특징으로 하는 배터리의 두께 예측 시스템.
15. 기 제작된 배터리에 대한 데이터가 저장된 데이터 베이스에서 기 제작된 배터리에 대한 데이터를 추출하는 데이터 추출 단계;
    추출된 데이터를 바탕으로 학습 데이터와 유효 데이터로 분리하고 상기 학습 데이터에 가중치를 부과하며 상기 학습 데이터와 가중치로부터 예측함수를 도출하는 예측함수 도출 단계;
    유효 데이터를 이용하여 예측함수를 검증하는 검증 단계; 및
    두께 예측 대상 배터리에 대한 데이터와 예측함수 및 가중치를 이용하여 배터리의 두께를 예측하는 두께 예측단계;를 포함하는 배터리의 두께 예측 방법.

Images