KR20230087137A - 저전압 불량 전지의 선별 방법 - Google Patents

저전압 불량 전지의 선별 방법 Download PDF

Info

Publication number
KR20230087137A
KR20230087137A KR1020210175819A KR20210175819A KR20230087137A KR 20230087137 A KR20230087137 A KR 20230087137A KR 1020210175819 A KR1020210175819 A KR 1020210175819A KR 20210175819 A KR20210175819 A KR 20210175819A KR 20230087137 A KR20230087137 A KR 20230087137A
Authority
KR
South Korea
Prior art keywords
voltage
batteries
voltage drop
distribution
anomaly detection
Prior art date
Application number
KR1020210175819A
Other languages
English (en)
Inventor
김성태
성낙기
강준섭
Original Assignee
주식회사 엘지에너지솔루션
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 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Priority to KR1020210175819A priority Critical patent/KR20230087137A/ko
Priority to EP22902494.8A priority patent/EP4246159A1/en
Priority to US18/268,911 priority patent/US20240044987A1/en
Priority to JP2023537477A priority patent/JP2024502248A/ja
Priority to CN202280008723.9A priority patent/CN116829967A/zh
Priority to PCT/KR2022/019344 priority patent/WO2023106729A1/ko
Publication of KR20230087137A publication Critical patent/KR20230087137A/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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/04—Construction or manufacture in general
    • H01M10/049—Processes for forming or storing electrodes in the battery container
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4285—Testing apparatus
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H01M10/446—Initial charging measures
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
    • G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
    • G01R19/16542—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies for batteries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

본 발명의 저전압 불량 전지의 선별 방법은, (a) 다수의 이차전지의 활성화 공정 시, 데이터를 수집하고, 이상치의 데이터를 가지는 이차전지를 실시간으로 제거하는 프리-필터링 단계; (b) 프리-필터링된 다수의 이차전지들에 대해, 유사 특성 또는 이력을 기준으로 클러스팅(clustering)하는 클러스팅 단계; (c) 각 클러스터(Cluster) 별로, 전압 강하량을 측정하고, 온도 또는 기간에 따른 전압 강하량의 산포를 보정하는 보정 단계; 및 (d) 보정된 산포를 바탕으로, 저전압 불량 전지를 선별하는 선별 단계를 포함한다.

Description

저전압 불량 전지의 선별 방법{Method for detecting low-voltage defective batteries}
본 발명은, 검출 신뢰도가 향상된 저전압 불량 전지의 선별 방법에 관한 것이다.
일반적으로 이차전지는 충전이 불가능한 일차전지와 달리, 충방전이 가능한 전지를 의미하여, 휴대폰, 노트북 컴퓨터, 캠코더 등의 전자기기 또는 전기 자동차 등에 널리 사용되고 있다. 특히 리튬 이차전지는 니켈-카드뮴 전지 또는 니켈-수조 전지보다 큰 용량을 가지며, 단위 중량당 에너지 밀도가 높기 때문에, 그 활용 정도가 급속도로 증가되는 추세에 있다.
이러한 리튬 이차전지는 주로 리튬계 산화물과 탄소재를 각각 양극 활물질과 음극 활물질로 사용한다. 리튬 이차전지는 이러한 양극 활물질과 음극 활물질이 각각 도포된 양극판과 음극판이 분리막을 사이에 두고 배치된 전극조립체와, 전극조립체를 전해액과 함께 밀봉 수납하는 외장재를 구비한다.
이러한 리튬 이차전지는, 제조 공정 또는 사용 중에 다양한 원인에 의해 다양한 형태의 불량이 발생할 수 있다. 특히, 제조가 완료된 이차전지 중 일부는, 자가방전율 이상의 전압 강하 거동을 나타내는 현상을 보이기도 하는데, 이러한 현상을 저전압이라 한다.
이러한 이차전지의 저전압 불량 현상은, 대표적으로 내부에 위치한 금속 이물에 기인한 경우가 많다. 특히 이차전지의 양극판에 철이나 구리와 같은 금속 이물이 존재할 경우, 이러한 금속 이물은 음극에서 덴드라이트(Dendrite)로 성장할 수 있다. 그리고 이와 같은 덴드라이트는 이차전지의 내부 단락을 일으켜, 이차전지의 고장이나 손상, 심한 경우에는 발화의 원인이 될 수 있다.
한편, 위와 같은 저전압 불량은 상대적인 전압 강하량 증가로 나타나며, 이차전지의 활성화 공정 중 에이징 공정을 통해 저전압 불량을 검출하고 있다. 구체적으로, (출하)에이징 기간 동안, 전지의 개방회로전압(OCV; Open Circuit Voltage)을 모니터링하면서, 측정된 개방회로전압의 강하량과 기준값을 비교하여 저전압 불량 전지를 선별할 수 있다.
종래에는 이 같은 기준값을 도출할 때에, 전지의 생산 과정에서 누적된 데이터의 전압 강하량(ΔOCV)의 산포에서, 임계값(Threshold)을 선정하고, 위 임계값을 통해 선별 후 남은 데이터들을 트레이 단위로 스탠다드 스케일링(standard scaling)하여, 특정 시그마(예컨대 3σ 또는 4σ)를 기준값으로 삼았다. 그리고 특정 시그마를 초과하는 전지를 저전압 불량 전지로 검출하였다.
그런데 이 같은 종래의 방법은, 특정 임계값이 제조 편차를 반영하지 못하므로, 제조 편차 발생 시 불량을 선별하지 못하거나, 양품을 불량으로 과검할 수 있는 위험이 존재하고, 단위 공정별로 제조 편차가 누적되는 경우에는 저전압 불량 검사 시점에서 개방회로전압 또는 전압 강하량(ΔOCV)의 산포가 증가하거나 이상 산포가 발생해 양품과 불량을 구분하는 경계가 모호해질 수 있다.
이에 저전압 불량 전지를 선별함에 있어서, 제조 편차가 있는 경우에도, 신뢰도 있게 양품과 불량을 구분할 수 있는 저전압 불량 전지의 선별 방법에 대한 기술 개발이 필요하다.
대한민국 공개특허 10-2021-0066096
본 발명은, 저전압 불량 전지를 선별하는 시점에서, 전압 강하량(ΔOCV)의 산포도를 개선해 양품과 불량의 검출력을 향상시킨 저전압 불량 전지의 선별 방법을 제공하고자 한다.
본 발명에 따른 저전압 불량 전지의 선별 방법은, (a) 다수의 이차전지의 활성화 공정 시, 데이터를 수집하고, 이상치의 데이터를 가지는 이차전지를 실시간으로 제거하는 프리-필터링 단계;
(b) 프리-필터링된 다수의 이차전지들에 대해, 유사 특성 또는 이력을 기준으로 클러스팅(clustering)하는 클러스팅 단계;
(c) 각 클러스터(Cluster) 별로, 전압 강하량을 측정하고, 온도 또는 기간에 따른 전압 강하량의 산포를 보정하는 보정 단계; 및
(d) 보정된 산포를 바탕으로, 저전압 불량 전지를 선별하는 선별 단계를 포함한다.
본 발명의 일 실시예에서, 상기 (a) 프리-필터링 단계는, 시계열적 이상 탐지 알고리즘을 활용하여 이상치를 제거한다. 이때, 상기 시계열적 이상 탐지 알고리즘은, Control chart, Random Cut Forest, Dynamic Time Warping, TAnoGAN(Time Series Anomaly Detection with Generative Adversarial Networks), MAD-GAN(Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks), USAD(UnSupervised Anomaly Detection on Multivariate Time Series), LSTM(Long Short-Term Memory)+AE, LSTM(Long Short-Term Memory)+CNN(Convolutional Neural Network) 으로 이루어진 군에서 선택된 하나이다.
본 발명의 일 실시예에서, 상기 (b) 클러스팅 단계는, 로뜨(LOT) 단위, 트레이(Tray) 단위, 에이징 온도, 충방전 온도, 충방전 시 압력, 에이징 기간에서 선택된 하나의 기준이 동일한 이차전지들끼리 클러스팅한다.
본 발명의 일 실시예에서, 상기 (c) 보정 단계는, 선형회귀 또는 머쉰러닝의 방법으로 전압 강하량의 산포를 보정한다.
본 발명의 일 실시예에서, 상기 (a) 프리-필터링 단계는, 개별 단위 공정 별로, 이차전지의 개방회로전압(OCV) 또는 전압 강하량을 데이터로서 수집하는 과정을 포함한다.
본 발명의 일 실시예에서, 상기 (a) 상기 개별 단위 공정은, 초기 충전 공정, 상온 에이징 공정 및 고온 에이징 공정 중에서 적어도 하나 이상을 포함한다.
본 발명의 일 실시예에서, 상기 (d) 선별 단계는, 상기 보정된 산포에서 이상 탐지 알고리즘을 활용하여 저전압 불량 전지를 선별한다. 이때, 상기 이상 탐지 알고리즘은, 로프(LOF; Local Outlier Factor), 아이솔레이션 포레스트(Isolation forest), OC SVM(Support Vector Machine) 중에서 선택된 하나이다.
본 발명의 일 실시예에서, 상기 (d) 선별 단계는, 출하 에이징을 종료한 이후에 수행된다.
본 발명의 일 실시예에서, 상기 (d) 선별 단계는, 각 클러스트별로 저전압 불량 전지를 선별하는 것이다.
본 발명의 다른 실시예에서, 상기 (d) 선별 단계는, 상기 (c) 단계에 의해 보정한 각 클러스트별 전압 강하량의 산포 데이터를 취합한 후, 저전압 불량 전지를 선별하는 것이다.
본 발명의 저전압 검출 선별 방법은, 검출력이 우수하고, 저전압 불량 전지를 선별하는 데에 소요되는 시간도 감축할 수 있다.
도 1은 본 발명의 일 실시예에 따른 저전압 불량 전지의 선별 방법의 흐름도이다.
도 2 및 도 3은 본 발명의 프리-필터링 단계 전후의 전압 강하량의 누적확률분포도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예를 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 실시예에 따른 저전압 불량 전지의 선별 방법의 흐름도이다. 도 1을 참조한 본 발명에 따른 저전압 불량 전지의 선별 방법은, (a) 다수의 이차전지의 활성화 공정 시, 데이터를 수집하고, 이상치의 데이터를 가지는 이차전지를 실시간으로 제거하는 프리-필터링 단계; (b) 프리-필터링된 다수의 이차전지들에 대해, 유사 특성 또는 이력을 기준으로 클러스팅(clustering)하는 클러스팅 단계; (c) 각 클러스터(Cluster) 별로, 전압 강하량을 측정하고, 온도 또는 기간에 따른 전압 강하량의 산포를 보정하는 보정 단계; (d) 보정된 산포를 바탕으로, 저전압 불량 전지를 선별하는 선별 단계를 포함한다.
본 발명에 따른 저전압 불량 전지의 선별 방법은, 활성화 공정을 이루는 개별 단위 공정에서 데이터 이상치(outlier)를 나타내는 잠재적 불량 전지를 제거하고, 이러한 잠재적 불량 전지가 제거된 전지들을, 공통 인자를 가지는 전지들끼리 클러스팅해, 각 클러스터별로 전압 강하량을 측정하고, 측정된 전압 강하량의 산포를 보정하므로, 저전압 불량 전지를 선별하는 선별 시점에서, 전체 전압 강하량의 산포가 개선되어 저전압 불량 전지의 검출력을 향상시키고, 제조 편차에 따른 과검이나 미검의 위험을 감소시킬 수 있다.
상기 (a) 프리-필터링 단계는, 잠재적 불량 전지를 사전에 제거하는 과정으로, 이차전지의 활성화 공정 시, 데이터를 수집하고, 수집된 데이터에서 이상치를 나타내는 이차전지를 실시간으로 제거한다. 이를 통해 불량 전지 선별 시점에서 전압 강하량의 산포도를 개선할 수 있다.
이차전지의 활성화 공정은, 조립을 완료한 리튬 이차전지를 사용 가능하도록, 전지를 활성화하는 단계이다. 이차전지의 조립 공정은, 전지케이스 내부에, 양극/분리막/음극을 포함하는 전극조립체를 수납하고, 전해액을 주입해 밀봉하는 공정으로, 이 같은 조립 공정이 완료되었다고 하여 바로 전지를 사용할 수 있는 것은 아니다. 전지를 사용 가능한 상태가 되도록 하기 위해서는, 충전을 통해 전극과 전해질을 전기화학적 반응을 시키고, 이때 생성되는 가스를 전지의 외부로 배출하며, 전지를 안정화하는 과정 등을 필요로 하는데, 이 같은 일련의 공정들을 활성화 공정이라 한다.
이 같은 이차전지의 활성화 공정은, 이차전지의 조립 직후, 전해액이 전극조립체에 함침되도록 전지를 숙성하는 프리-에이징 공정, 전지를 설정된 SOC에 도달할 때까지 충전하는 초기 충전 공정, 초기 충전된 전지를 숙성하는 에이징 공정, 초기 충전 및 에이징 과정에서 발생한 가스를 전지의 외부로 배출하는 디가스 공정 등과 같은 개별 단위 공정들을 포함하고 있다. 상기 에이징 공정은, 고온 에이징 공정 또는 상온 에이징 공정을 포함할 수 있으며, 또는 이들 모두를 포함할 수도 있다.
본 발명의 (a) 프리-필터링 단계는, 이 같은 개별 단위 공정들을 진행하면서, 잠재적 불량 전지를 사전에 제거하기 위해, 개별 단위 공정 별로, 이차전지의 개방회로전압(OCV) 또는 전지의 전압 강하량을 데이터로서 수집하고, 실시간으로 이상치의 데이터를 나타내는 이차전지를 제거하는 과정을 포함한다.
하나의 구체적 예에서, 데이터를 수집하고, 데이터 이상치를 제거하기 위한 상기 개별 단위 공정은, 초기 충전 공정 및 에이징 공정 중에서 적어도 하나 이상을 포함할 수 있다. 이를 구체적 예를 들어 설명하면, 다수의 이차전지들을 대상으로 초기 충전 공정이나, 에이징 공정을 진행할 때에, 이차전지의 개방회로전압을 측정해 이를 데이터로서 수집하며, 이렇게 수집된 데이터들에서 이상치를 나타내는 이차전지를 실시간으로 제거하며, 제거하고 남은 이차전지들에 대해 후속하는 공정을 진행한다.
상기 (a) 프리-필터링 단계에서, 이상치를 제거하는 방법은, 시계열적 이상 탐지 알고리즘을 활용한다. 시계열적 이상 탐지는, 시계열 데이터에서 과거 또는 비슷한 시점의 다른 데이터의 보편적인 패턴에서 벗어나거나, 벗어나려는 징후가 있는 드문 패턴이나, 대상 개체를 찾아내는 기법으로, 이러한 이상 탐지 알고리즘은 공지의 알고리즘을 사용할 수 있으며, 본 발명의 실시예에서는, Control chart, Random Cut Forest, Dynamic Time Warping, TAnoGAN(Time Series Anomaly Detection with Generative Adversarial Networks), MAD-GAN(Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks), USAD(UnSupervised Anomaly Detection on Multivariate Time Series), LSTM(Long Short-Term Memory)+AE, LSTM(Long Short-Term Memory)+CNN(Convolutional Neural Network) 으로 이루어진 군에서 선택된 하나의 이상 탐지 알고리즘일 수 있다.
도 2 내지 도 3는 본 발명의 일 실시예에 따라, (a) 프리-필터링 단계를 통해 데이터 이상치를 나타내는 이차전지를 제거하기 전후의 시간에 따른 전압 강하량(ΔOCV)의 누적확률분포를 나타낸다.
도 2 내지 도 3을 참조하면, 프리-필터링 단계를 거친 경우에는, 누적확률분포의 기울기가 변하는 지점에 명확하게 나타나는 바, 전압 강하량의 산포도가 개선되는 것을 확인할 수 있다.
또한, 프리-필터링 단계를 거친 경우에는, 5일이 경과한 시점에서의 전압 강하량(5일 ΔOCV)과 3일이 경과한 시점에서의 전압 강하량(3일 ΔOCV)에 있어서, 둘 다 모두 산포가 개선되어, 3일이 경과한 시점에서도, 저전압 선별이 가능하다. 그러나, 프리-필터링을 거치지 않은 경우에는, 도 3에서 보는 바와 같이 3일이 경과한 시점에서는, 누적확률분포의 기울기가 변하는 시점이 2개의 지점으로 나타나기 때문에, 양품과 불량의 경계가 모호하다. 따라서, 본 발명의 저전압 검출 선별 방법은, 검출력이 우수할 뿐만 아니라, 저전압 불량 전지를 선별하는 데에 소요되는 시간도 감축할 수 있다.
상기 (b) 클러스팅 단계는, 이차전지의 제조 공정에서 유사한 특성 또는 유사한 이력을 지닌 이차전지끼리 묶는 단계이다. 이렇게 다수의 이차전지를 유사 특성 또는 이력을 기준으로 클러스팅하는 것은, 동일 클러스트 내에 있는 전지들은 제조 편차가 없으므로, 제조 편차에 따른 산포도 증가 및 양품과 불량의 경계가 모호해지는 문제를 개선할 수 있기 때문이다.
하나의 구체적 예에서, 상기 (b) 클러스팅 단계는, 로뜨(LOT) 단위, 트레이(Tray) 단위, 에이징 온도, 충방전 온도, 충방전 시 압력, 에이징 기간에서 선택된 하나의 기준이 동일한 이차전지들끼리 클러스팅하는 것일 수 있다. 이들 인자들은 전압 강하량의 산포에 영향을 미치는 제조 편차이므로, 이들 이자들을 기준으로 이차전지들을 클러스팅하는 것이 바람직하다.
상기 (c) 보정 단계는, 각 클러스터(Cluster) 별로, 전압 강하량을 측정하고, 온도 또는 기간에 따른 전압 강하량의 산포를 보정하는 단계이다.
(c) 보정 단계는, 각 클러스트 별로, 다수의 전지들을 일정 온도 조건에서 에이징하면서, 개방회로전압(OCV)을 모니터링해, 전압 강하량의 산포를 도출하는 과정과, 전압 강하량의 산포를 보정하는 과정을 포함한다.
전압 강하량의 산포를 도출하는 과정은, 구체적으로, 에이징 초기에 전지의 개방회로전압(OCV1)을 측정하고, 일정한 기간(T)이 경과한 후, 전지의 개방회로전압(OCV2)을 측정하며, 상기 일정한 기간 동안의 전압 강하량(ΔOCV=OCV1-OCV2)을 계산해, 다수의 전지들의 각 전압 강하량을 플롯팅함으로써, 전압 강하량의 산포를 도출하는 과정일 수 있다.
그런데, 전지의 전압 강하량은, 전압 강하량을 측정하는 에이징 온도, 측정 기간(OCV1 및 OCV2를 측정하는 시간적 간격)에 영향을 받는 것으로 알려져 있다. 즉, 동일한 전지라 하더라도, 전압 강하량 측정의 시간적 간격(T)이 길어진다거나, 에이징 온도가 높은 조건에서, 전압 강하량을 측정할 경우, 실제보다 작게 나타난다.
이에 본 발명은 이 같은 전압 강하량 측정 조건(온도, 기간)이 전압 강하량에 미치는 영향을 배제하기 위해서, 에이징 온도 및 측정 기간(OCV1 및 OCV2를 측정하는 시간적 간격)의 차이에 따른 전압 강하량의 차이를 보정하는 단계를 포함한다.
상기 에이징 과정은, 전지의 제조 공정 전체에 포함되는 에이징 과정들 중에서 선택된 하나 또는 그 이상일 수 있다. 구체적으로는 디개싱 공정 이전의 에이징 과정, 만충전 및 만방전 이후 에이징 과정, 출하충전 이후의 에이징 과정 중에서 선택된 하나 또는 그 이상일 수 있다.
본 발명의 일 실시예에서 전압 강하량의 산포를 보정하는 구체적 방법은, 선형회귀 또는 머쉰러닝의 방법을 이용할 수 있다. 선형회귀는, 대량의 백데이터로부터 관찰된 변수들에 대해 이들 사이의 모델을 계산하고, 적합하도록 측정해내는 분석방법으로, 변수의 변화에 따른 적합한 예측값 도출시 사용되는 대표적인 통계적 분석방법 중의 하나이다. 머쉰러닝은 컴퓨터가 대량의 백데이터를 통해 학습하고, 경험을 통해 대규모 데이터에서 패턴과 상관관계를 찾는 인공지능의 구체적 방법 중의 하나이다. 선형회귀와 머쉰러닝의 기술 구성은, 당해 기술 분야에 일반적으로 알려진 것으로 구체적 설명은 생략한다.
상기 (d) 선별 단계는, 보정된 전압 강하량의 산포를 바탕으로, 저전압 불량 전지를 선별하는 단계이다.
하나의 구체적 예에서, 상기 (d) 선별 단계는, 상기 보정된 산포에서 이상 탐지 알고리즘을 활용하여 저전압 불량 전지를 선별하는 것일 수 있으며, 상기 이상 탐지 알고리즘은 구체적으로 로프(LOF; Local Outlier Factor), 아이솔레이션 포레스트(Isolation forest), OC SVM(Support Vector Machine) 중에서 선택된 하나이다.
본 발명의 일 실시예에서, 상기 (d) 선별 단계는, 각 클러스트별로 저전압 불량 전지를 선별하는 것이다. 이러한 경우, 상기 (c) 단계에서 보정한 전압 강하량의 산포 데이터에서, 상기 이상 탐지 알고리즘을 이용해 불량을 선별할 수 있다.
본 발명의 다른 실시예에서, 상기 (d) 선별 단계는, 상기 (c) 단계에 의해 보정한 각 클러스트별 전압 강하량의 산포 데이터를 취합한 후, 저전압 불량 전지를 선별하는 것이다. 이러한 경우, (c) 단계에서 보정한 클러스트별 각 전압 강하량의 산포 데이터를 하나로 취합하고, 취합한 산포 데이터에서, 상기 이상 탐지 알고리즘을 이용해 불량을 선별한다. 본 실시예에서는 취합한 산포 데이터에서 일거에 이상 탐지 알고리즘으로 불량을 선별하는 것이므로, 클러스트별로 불량을 선별하는 것과 보다 신속하게 불량을 선별할 수 있는 효과가 있다.
본 발명의 (d) 선별 단계는 활성화 공정의 후단 공정인 출하 에이징을 종료한 이후에 수행될 수 있으며, 상기 (a) 내지 (c) 단계를 통해, 전지의 전압 강하량의 산포도가 개선되고, 개선된 산포도를 바탕으로 이상 탐지 알고리즘을 통해 불량을 선별하므로, 검출의 신뢰도가 향상된다.
이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.

Claims (12)

  1. (a) 다수의 이차전지의 활성화 공정 시, 데이터를 수집하고, 이상치의 데이터를 가지는 이차전지를 실시간으로 제거하는 프리-필터링 단계;
    (b) 프리-필터링된 다수의 이차전지들에 대해, 유사 특성 또는 이력을 기준으로 클러스팅(clustering)하는 클러스팅 단계;
    (c) 각 클러스터(Cluster) 별로, 전압 강하량(ΔOCV)을 측정하고, 온도 또는 기간에 따른 전압 강하량(ΔOCV)의 산포를 보정하는 보정 단계;
    (d) 보정된 전압 강하량의 산포를 바탕으로, 저전압 불량 전지를 선별하는 선별 단계를 포함하는 저전압 불량 전지의 선별 방법.
  2. 제 1 항에 있어서, 상기 (a) 프리-필터링 단계는, 시계열적 이상 탐지 알고리즘을 활용하여 이상치를 제거하는 저전압 불량 전지의 선별 방법.
  3. 제 1 항에 있어서, 상기 (b) 클러스팅 단계는, 로뜨(LOT) 단위, 트레이(Tray) 단위, 에이징 온도, 충방전 온도, 충방전 시 압력, 에이징 기간에서 선택된 하나의 기준이 동일한 이차전지들끼리 클러스팅하는 저전압 불량 전지의 선별 방법.
  4. 제 1 항에 있어서, 상기 (c) 보정 단계는, 선형회귀 또는 머쉰러닝의 방법으로 전압 강하량의 산포를 보정하는 단계를 포함하는 저전압 불량 전지의 선별 방법.
  5. 제 1 항에 있어서, 상기 (a) 프리-필터링 단계는, 개별 단위 공정 별로, 이차전지의 개방회로전압(OCV) 또는 전압 강하량을 데이터로서 수집하는 과정을 포함하는 저전압 불량 전지의 선별 방법.
  6. 제 5 항에 있어서, 상기 (a) 상기 개별 단위 공정은, 초기 충전 공정, 상온 에이징 공정 및 고온 에이징 공정 중에서 적어도 하나 이상을 포함하는 저전압 불량 전지의 선별 방법.
  7. 제 2 항에 있어서, 상기 시계열적 이상 탐지 알고리즘은, Control chart, Random Cut Forest, Dynamic Time Warping, TAnoGAN(Time Series Anomaly Detection with Generative Adversarial Networks), MAD-GAN(Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks), USAD(UnSupervised Anomaly Detection on Multivariate Time Series), LSTM(Long Short-Term Memory)+AE, LSTM(Long Short-Term Memory)+CNN(Convolutional Neural Network) 으로 이루어진 군에서 선택된 하나인 저전압 불량 전지의 선별 방법.
  8. 제 1 항에 있어서, 상기 (d) 선별 단계는, 상기 보정된 산포에서 이상 탐지 알고리즘을 활용하여 저전압 불량 전지를 선별하는 저전압 불량 전지의 선별 방법.
  9. 제 8 항에 있어서, 상기 이상 탐지 알고리즘은, 로프(LOF; Local Outlier Factor), 아이솔레이션 포레스트(Isolation forest), OC SVM(Support Vector Machine) 중에서 선택된 하나인 저전압 불량 전지의 선별 방법.
  10. 제 1 항에 있어서, 상기 (d) 선별 단계는, 출하 에이징을 종료한 이후인 저전압 불량 전지의 선별 방법.
  11. 제 1 항에 있어서, 상기 (d) 선별 단계는, 각 클러스트별로 저전압 불량 전지를 선별하는 것인 저전압 불량 전지의 선별 방법.
  12. 제 1 항에 있어서, 상기 (d) 선별 단계는, 상기 (c) 단계에 의해 보정한 각 클러스트별 전압 강하량의 산포 데이터를 취합한 후, 저전압 불량 전지를 선별하는 것인 저전압 불량 전지의 선별 방법.
KR1020210175819A 2021-12-09 2021-12-09 저전압 불량 전지의 선별 방법 KR20230087137A (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020210175819A KR20230087137A (ko) 2021-12-09 2021-12-09 저전압 불량 전지의 선별 방법
EP22902494.8A EP4246159A1 (en) 2021-12-09 2022-12-01 Method for selecting low-voltage defective batteries
US18/268,911 US20240044987A1 (en) 2021-12-09 2022-12-01 Method for screening low-voltage defective battery
JP2023537477A JP2024502248A (ja) 2021-12-09 2022-12-01 低電圧不良電池の選別方法
CN202280008723.9A CN116829967A (zh) 2021-12-09 2022-12-01 筛选低电压缺陷电池的方法
PCT/KR2022/019344 WO2023106729A1 (ko) 2021-12-09 2022-12-01 저전압 불량 전지의 선별 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210175819A KR20230087137A (ko) 2021-12-09 2021-12-09 저전압 불량 전지의 선별 방법

Publications (1)

Publication Number Publication Date
KR20230087137A true KR20230087137A (ko) 2023-06-16

Family

ID=86730811

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210175819A KR20230087137A (ko) 2021-12-09 2021-12-09 저전압 불량 전지의 선별 방법

Country Status (6)

Country Link
US (1) US20240044987A1 (ko)
EP (1) EP4246159A1 (ko)
JP (1) JP2024502248A (ko)
KR (1) KR20230087137A (ko)
CN (1) CN116829967A (ko)
WO (1) WO2023106729A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116626505B (zh) * 2023-07-21 2023-10-13 江苏海平面数据科技有限公司 一种基于车联网大数据的电池组一致性异常检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210066096A (ko) 2019-11-27 2021-06-07 현대자동차주식회사 리튬이온 이차전지의 불량 선별 방법 및 이를 통해 제조된 리튬이온 이차전지

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4707309B2 (ja) * 2003-06-05 2011-06-22 東洋システム株式会社 二次電池検査方法および検査装置
KR102064459B1 (ko) * 2017-01-05 2020-01-09 주식회사 엘지화학 이차 전지의 저전압 불량 검사 방법 및 장치
CN107290678B (zh) * 2017-07-03 2019-12-10 北京理工大学 一种动力电池健康状态在线监测方法
KR102508117B1 (ko) * 2019-01-03 2023-03-09 주식회사 엘지에너지솔루션 저전압 검출력이 향상된 이차전지의 활성화 방법
KR20200117594A (ko) * 2019-04-05 2020-10-14 주식회사 엘지화학 전지 트레이의 불량 검출 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210066096A (ko) 2019-11-27 2021-06-07 현대자동차주식회사 리튬이온 이차전지의 불량 선별 방법 및 이를 통해 제조된 리튬이온 이차전지

Also Published As

Publication number Publication date
US20240044987A1 (en) 2024-02-08
EP4246159A1 (en) 2023-09-20
WO2023106729A1 (ko) 2023-06-15
CN116829967A (zh) 2023-09-29
JP2024502248A (ja) 2024-01-18

Similar Documents

Publication Publication Date Title
US10254349B2 (en) Method for predicting state of health of battery based on numerical simulation data
US9128166B2 (en) Secondary battery tester, secondary battery testing method, and manufacturing method of secondary battery
CN111198328A (zh) 一种电池析锂检测方法及电池析锂检测系统
CN111036575A (zh) 一种基于温度变化分析的锂离子电池分选方法
KR102079875B1 (ko) 배터리의 열화 모듈 또는 열화 셀 검출장치 및 방법
US20220166075A1 (en) Method for Enhancing a Battery Module Model of a Battery Module Type
EP4246159A1 (en) Method for selecting low-voltage defective batteries
JP2004288515A (ja) 円筒形電池の検査方法
JP2004132776A (ja) 電池の検査方法
US20230084079A1 (en) Method for detecting low voltage battery cell
KR102029230B1 (ko) 배터리 건전성 판단 장치 및 방법
CN116840703A (zh) 一种电池自放电异常的识别方法及其系统、设备
US11774514B2 (en) Electrochemical methods for identification of cell quality
CN115494412A (zh) 分析蓄电池单元的质量的方法
CN112540301B (zh) 电池检测方法、装置及存储介质
CN114487861A (zh) 一种自放电电池二次选取的方法
KR20150033267A (ko) 전지셀의 품질 규격을 산정하는 방법 및 그것을 이용한 품질관리 시스템
KR20220138739A (ko) 상대 비교를 통한 이상 전지 검출 방법
JP2015088311A (ja) 二次電池の製造方法
US11480627B2 (en) Method for determining micro short circuit of lithium ion secondary battery
US20240019498A1 (en) Method and Apparatus for Detecting a Self-Discharge Fault of a Device Battery, as well as Determining a Criticality of a Detected Self-Discharge Fault
KR102601667B1 (ko) 산업용 리유즈 배터리 검사 시스템 및 그 방법
EP4203141A1 (en) Apparatus and method for diagnosing battery system
US20240103085A1 (en) Secondary battery low-voltage defect determination system and secondary battery defect determination method using the same
Dunn et al. A P-Value Approach for Real-Time Identifying the Capacity Regeneration Phenomenon of Lithium-ion Batteries