KR20230139227A - 배터리 셀 공정 데이터 분석 시스템 및 방법 - Google Patents

배터리 셀 공정 데이터 분석 시스템 및 방법 Download PDF

Info

Publication number
KR20230139227A
KR20230139227A KR1020220037600A KR20220037600A KR20230139227A KR 20230139227 A KR20230139227 A KR 20230139227A KR 1020220037600 A KR1020220037600 A KR 1020220037600A KR 20220037600 A KR20220037600 A KR 20220037600A KR 20230139227 A KR20230139227 A KR 20230139227A
Authority
KR
South Korea
Prior art keywords
battery cell
capacity
data
predicted
process data
Prior art date
Application number
KR1020220037600A
Other languages
English (en)
Inventor
남관우
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 KR1020220037600A priority Critical patent/KR20230139227A/ko
Priority to PCT/KR2023/003955 priority patent/WO2023182860A1/ko
Publication of KR20230139227A publication Critical patent/KR20230139227A/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]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • 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
    • 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
    • H01M10/0404—Machines for assembling batteries
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

일 실시예에 따른 배터리 셀 공정 데이터 분석 시스템은, 배터리 셀의 공정 데이터를 획득하는 공정 데이터 획득부; 상기 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 예측 용량 추정부; 상기 배터리 셀의 실제 용량을 측정하는 실제 용량 측정부; 및 상기 배터리 셀의 예측 용량과 상기 배터리 셀의 실제 용량의 차이를 계산하고, 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 컨트롤러를 포함한다.

Description

배터리 셀 공정 데이터 분석 시스템 및 방법{SYSTEM AND METHOD FOR ANALYZING BATTERY CELL PROCESS DATA}
본 문서에 개시된 실시예들은 배터리 셀 공정 데이터 분석 시스템 및 이를 이용한 배터리 셀 공정 데이터 분석 방법에 관한 것이다.
이차 전지의 일종인 리튬 폴리머 배터리는 화학 에너지와 전기 에너지 간의 가역적 상호 변환을 통해 충전과 방전을 반복할 수 있는 전지로서, 수명이 길고 용량이 크다는 장점을 가지고 있어 휴대용 전자기기, 전기 자동차 배터리 등 다양하게 활용되고 있다. 배터리 셀의 가장 중요한 성능 지표 중 하나인 배터리 용량은 제조 공정에 관여하는 수많은 공정 인자들에 의해 영향을 받는다. 종래에는 배터리 셀의 설계 인자(즉, 배터리 설계 과정에서 제어할 수 있는 변수)를 중심으로 용량과의 단순 상관관계 분석을 통해 공정을 관리하였으나, 실제 배터리 셀의 제조 공정은 전극 공정, 조립 공정, 활성화 공정 등 성격이 다른 다수의 불연속적인 공정으로 이루어져 있고 설계 인자 외의 다양한 공정 인자가 배터리 셀의 용량에 영향을 미칠 수 있다. 이러한 공정 인자들이 배터리 셀의 용량에 미치는 영향은 대체로 불규칙하고, 단일 공정이 아닌 여러 공정이 동시에 영향을 미치기 때문에 이들 간의 상관관계를 명확히 알아내기가 어려웠다.
본 문서에 개시된 실시예들의 일 목적은 인공지능 기반 데이터 분석을 통해 배터리 셀의 용량에 영향을 미치는 공정 인자들을 찾아낼 수 있는 배터리 셀 공정 데이터 분석 시스템 및 방법을 제공하는 것이다.
본 문서에 개시된 실시예들의 또 다른 목적은, 배터리 셀의 용량에 긍정적인 영향을 미치는(예컨대, 예측 용량보다 실제 용량을 크게 만드는) 공정 인자와 부정적인 영향을 미치는(예컨대, 예측 용량보다 실제 용량을 작게 만드는) 공정 인자를 찾아내고, 공정 인자들을 관리함으로써 생산 배터리 셀의 용량 품질을 개선하는데 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위한 일 실시예에 따른 배터리 셀 공정 데이터 분석 시스템은, 배터리 셀의 공정 데이터를 획득하는 공정 데이터 획득부; 상기 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 예측 용량 추정부; 상기 배터리 셀의 실제 용량을 측정하는 실제 용량 측정부; 및 상기 배터리 셀의 예측 용량과 상기 배터리 셀의 실제 용량의 차이를 계산하고, 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 컨트롤러를 포함한다.
일 실시예에 따르면, 상기 예측 용량 추정부는, 개별 모노 셀(mono cell)의 측정 수치에 기초하여 상기 모노 셀의 전극 크기를 계산하고, 상기 전극 크기 및 상기 전극에 적재된 전극 활물질량에 기초하여 복수의 모노 셀들이 적층된 배터리 셀의 예측 용량을 추정할 수 있다.
일 실시예에 따르면, 상기 컨트롤러는, 공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득하고, 제1 인공지능 모델을 이용하여, 상기 분포 데이터를 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 2 이상의 그룹으로 분류하고, 제2 인공지능 모델을 이용하여, 각 그룹에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 상기 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출할 수 있다.
일 실시예에 따르면, 상기 제2 인공지능 모델은, 2 이상의 공정 인자들에 대하여, 상기 공정 인자의 유무에 따른 상기 분포 데이터의 변화에 기초해 각 공정 인자의 중요도를 산출하도록 학습될 수 있다.
일 실시예에 따르면, 상기 컨트롤러는, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹으로 분류하고, 상기 제1 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정하고, 상기 제2 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정할 수 있다.
일 실시예에 따르면, 상기 배터리 셀의 공정 데이터는, 전극 공정, 조립 공정 및 활성화 공정 중 적어도 하나의 공정과 관련된 데이터를 포함하고, 상기 공정 데이터 획득부는, 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써 통합 공정 데이터를 생성하고, 상기 컨트롤러는, 상기 통합 공정 데이터를 이용하여 서로 다른 공정과 관련된 공정 인자들 중 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 결정할 수 있다.
상기 목적을 달성하기 위한 일 실시예에 따른 배터리 셀 공정 데이터 분석 방법은, 배터리 셀의 공정 데이터를 획득하는 단계; 상기 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 단계; 상기 배터리 셀의 실제 용량을 측정하는 단계; 상기 배터리 셀의 실제 용량과 예측 용량의 차이를 계산하는 단계; 및 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 단계를 포함한다.
일 실시예에 따르면, 상기 예측 용량을 추정하는 단계는, 개별 모노 셀(mono cell)의 측정 수치에 기초하여 상기 모노 셀의 전극 크기를 계산하는 단계; 및 상기 전극 크기 및 상기 전극에 적재된 전극 활물질량에 기초하여 복수의 개별 모노 셀들이 적층된 배터리 셀의 예측 용량을 추정하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 공정 인자를 결정하는 단계는, 공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득하는 단계; 제1 인공지능 모델을 이용하여, 상기 분포 데이터를 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 2 이상의 그룹으로 분류하는 단계; 및 제2 인공지능 모델을 이용하여, 각 그룹에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 상기 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 제2 인공지능 모델은, 미리 설정된 2 이상의 공정 인자들에 대하여, 상기 공정 인자의 유무에 따른 상기 분포 데이터의 변화에 기초해 각 공정 인자의 중요도를 산출하도록 학습될 수 있다.
일 실시예에 따르면, 상기 분포 데이터를 2 이상의 그룹으로 분류하는 단계에서, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹으로 분류하고, 상기 공정 인자를 결정하는 단계에서, 상기 제1 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정하고, 상기 제2 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정할 수 있다.
일 실시예에 따르면, 상기 배터리 셀의 공정 데이터는, 전극 공정, 조립 공정 및 활성화 공정 중 적어도 하나의 공정과 관련된 데이터를 포함하고, 상기 공정 데이터를 획득하는 단계에서, 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써 통합 공정 데이터를 생성하고, 상기 공정 인자를 결정하는 단계에서, 상기 통합 공정 데이터를 이용하여 서로 다른 공정과 관련된 공정 인자들 중 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 결정할 수 있다.
상기 실시예의 배터리 셀 공정 데이터 분석 시스템 및 방법에 따르면, 인공지능 기반 데이터 분석을 통해 배터리 셀의 용량에 영향을 미치는 공정 인자들을 찾아낼 수 있다. 또한, 키 인덱스(key index)를 사용하여 서로 다른 공정의 데이터를 연결함으로써 각각의 공정 단계에서 배터리 용량에 영향을 미치는 다수의 공정 인자들을 통합하여 관리할 수 있다.
나아가, 배터리 셀의 용량에 긍정적인 영향을 미치는(예컨대, 예측 용량보다 실제 용량을 크게 만드는) 공정 인자와 부정적인 영향을 미치는(예컨대, 예측 용량보다 실제 용량을 작게 만드는) 공정 인자를 찾아내고, 공정 인자들을 관리함으로써 생산 배터리 셀의 용량 품질을 개선할 수 있다.
이 외에도 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
본 문서에 개시된 실시예 또는 종래 기술의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 위한 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 도면의 일부 구성요소들에 대한 표현이 과장되거나 생략될 수 있다.
도 1은 다수의 배터리 셀에 대하여 계산된 예측 용량 대비 측정된 실제 용량의 예상 분포와 실제 분포를 나타낸 그래프이다.
도 2는 일 실시예에 따른 배터리 셀 공정 데이터 분석 시스템의 구성을 나타낸 블록도이다.
도 3은 배터리 셀의 제조 공정에 포함되는 여러 공정 단계의 공정 인자들이 완성된 배터리 셀의 용량에 영향을 미치는 것을 나타낸 모식도이다.
도 4는 배터리 셀의 제조 공정에 포함되는 여러 공정의 공정 데이터를 키 인덱스를 사용하여 연결하는 것을 나타낸 모식도이다.
도 5는 배터리 모노 셀의 예측 용량을 계산하기 위해 전극 크기를 측정하는 모습을 나타낸다.
도 6은 다수의 배터리 셀에 대하여 예측 용량 대비 측정된 실제 용량의 분포 데이터를 나타낸 그래프이다.
도 7은 일 실시예에 따른 인공지능 모델을 이용하여 배터리 셀의 용량 분포 데이터를 2개의 그룹으로 분류한 것을 나타낸다.
도 8은 일 실시예에 따른 인공지능 모델을 이용하여 배터리 셀의 용량 분포 데이터를 3개의 그룹으로 분류한 것을 나타낸다.
도 9는 일 실시예에 따른 배터리 셀 공정 데이터 분석 방법을 나타낸 흐름도이다.
도 10은 도 9의 공정 인자를 결정하는 단계를 보다 상세하게 나타낸 흐름도이다.
이하, 본 문서에 개시된 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에서 사용되는 용어는 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 명세서의 설명 부분에서 그 의미를 기재할 것이다. 따라서 본 문서에서 사용되는 용어는, 단순한 용어의 명칭이 아닌 그 용어가 가지는 실질적인 의미와 본 문서의 전반에 걸친 내용을 토대로 해석되어야 함을 밝혀두고자 한다. 또한, 본 문서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다.
본 문서에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 또한, 본 문서에서, "제1의", "제2의"와 같은 표현은 구성요소를 서로 구분하기 위해 사용한 것으로서 구성요소 간의 순위나 서열을 의미하는 것은 아니다.
이하에서는 도면을 참조하여 배터리 셀 공정 데이터 분석 시스템 및 이를 이용한 배터리 셀 공정 데이터 분석 방법의 바람직한 실시예들을 설명하도록 한다.
도 1은 다수의 배터리 셀에 대하여 예측 용량과 실제 용량을 측정하여 그 분포를 그래프로 나타낸 것인데, 도시된 것처럼 예상 분포에 따르면 예측 용량과 실제 용량이 선형적인 관계에 있으나, 실제로는 다양한 공정 인자가 미치는 영향으로 인해 보다 넓게 분포하는 경향이 있다. 즉, 실제 분포에서는 예상치 못한 공정 인자들의 영향으로 인해 측정된 실제 용량이 계산된 예측 용량에 비해 작거나(예상 분포 범위의 하단), 커질 수 있다(예상 분포 범위의 상단). 이러한 공정 인자들이 배터리 셀의 용량에 미치는 영향은 대체로 불규칙하고, 단일 공정이 아닌 여러 공정이 동시에 영향을 미치기 때문에 이들 간의 상관관계를 명확히 알아내기가 어려웠다.
도 2는 상기한 문제를 해결하기 위한 일 실시예에 따른 배터리 셀 공정 데이터 분석 시스템의 구성을 나타낸 블록도이다.
도 2를 참조하면, 실시예에 따른 배터리 셀 공정 데이터 분석 시스템(10)은, 공정 데이터 획득부(110), 예측 용량 추정부(120), 실제 용량 측정부(130) 및 컨트롤러(140)를 포함할 수 있다. 블록도에 도시된 구성요소들은 각각의 기능과 역할에 따라 구분된 것으로서, 각 블록이 반드시 독립된 하드웨어 또는 소프트웨어로 구현되어야 하는 것은 아니다. 예컨대, 구분된 구성요소들이 실제로는 하나의 장치 또는 프로그램으로 구현될 수 있으며, 또는 하나의 구성요소가 여러 장치 및 프로그램이 결합된 것으로 구현될 수도 있다.
공정 데이터 획득부(110)는 배터리 셀의 공정 데이터를 획득한다. 여기서 배터리 셀의 공정 데이터는, 전극 공정, 조립 공정, 활성화 공정 등 배터리 제조 공정에 포함되는 여러 공정과 관련된 데이터로서, 생산된 배터리 셀의 용량에 영향을 미치는 다수의 공정 인자(즉, 공정 변수)의 데이터를 포함할 수 있다. 예컨대, 전극 공정에서는 단위 면적 별 전극 물질의 적재량, 전극의 크기 및 두께 등이 공정 인자에 해당할 수 있고, 조립 공정에서는 양극, 분리막, 음극의 적재 방법 및 전해액의 양 등이 공정 인자에 해당할 수 있으며, 활성화 공정에서는 셀의 충방전 횟수, 충방전 시의 온도 및 압력 등이 공정 인자에 해당할 수 있다. 나열한 데이터 종류는 단지 예시에 불과하며 배터리 셀의 용량에 영향을 미칠 수 있는 공정 단계와 관련된 다양한 공정 데이터가 활용될 수 있다.
도 3은 배터리 셀의 제조 공정에 포함되는 여러 공정 단계의 공정 인자들이 완성된 배터리 셀의 용량에 영향을 미치는 것을 나타낸 모식도이다.
도 3을 참조하면, 배터리 셀의 용량을 결정하는데 있어서 다양한 공정(제1 공정 ~ 제3 공정)과 이들 공정에 관여하는 공정 인자들(공정 인자 1 ~ 공정 인자 6)이 영향을 미치게 된다. 이러한 공정 인자들 중 이론적으로 계산된 예측 용량 대비 실제 측정 용량의 차이에 큰 영향을 미치는 공정 인자(또는, 긍정적/부정적 영향을 미치는 공정 인자)를 찾아내기 위해, 공정 데이터 획득부(110)는 각 공정에서의 공정 데이터를 수집할 수 있다.
일 실시예에 따르면, 공정 데이터 획득부(110)는, 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써, 통합 공정 데이터를 생성할 수 있다. 종래에는 숙련된 엔지니어가 개인의 경험을 바탕으로 배터리 셀 용량에 영향을 미치는 설계 인자 또는 공정 인자를 직접 찾아내 관리하는 방식을 취했다. 이러한 방식은 비록 개별 공정(예컨대, 전극 공정, 조립 공정, 활성화 공정 중 하나의 공정)의 관리에는 효과가 있을지라도 여러 공정 단계의 공정 인자들 사이의 연관성을 파악하기는 어렵기 때문에 공정 단계가 복잡해질수록 효과적이지 않다. 즉, 일부 공정 인자들은 배터리 용량에 대한 독립 변수가 아닌 종속 변수로서 상호 영향을 미칠 수 있기 때문에, 여러 공정 단계의 공정 데이터를 통합하여 관리하는 것이 유리하다. 이를 위해 각 공정의 공정 데이터 간 연관성을 고려하여 이들 데이터를 연결할 필요가 있다.
도 4는 배터리 셀의 제조 공정에 포함되는 여러 공정의 공정 데이터를 키 인덱스를 사용하여 연결하는 것을 나타낸 모식도이다.
도 4를 참조하면, 복수의 배터리 셀들(AAA ~ ZZZ)에 대하여 제1 공정(예컨대, 전극 공정)의 공정 데이터(전극 1, 전극 2, ?? 전극 n), 제2 공정(예컨대, 조립 공정)의 공정 데이터(조립 1, 조립 2, ?? 조립 n), 제3 공정(예컨대 활성화 공정)의 공정 데이터(활성화 1, 활성화 2, ?? 활성화 n)를 각각 키 인덱스를 사용하여 연결하여 통합 공정 데이터를 생성한다. 이때, 키 인덱스는 각 공정 간의 연관성을 고려하여 설정될 수 있다.
키 인덱스는 공정에서 발생된 데이터의 형태에 따라 달라질 수 있다. 예컨대, 모노 셀 조립 공정의 경우 모노 셀 별로 ID가 부여되기 때문에, 복수 개의 모노 셀의 ID를 1개의 완성된 셀의 ID와 연결하는 키 인덱스를 설정할 수 있다. 이처럼 조립 공정의 경우 각 데이터가 불연속적으로 존재하므로 ID 추적을 통해 공정 간의 연결이 가능하다.
전극 공정의 경우 롤-투-롤(roll-to-roll) 공정에 의해 하나의 전극 ID 아래에 연속적인 시계열 데이터가 존재한다. 따라서 전극 공정과 조립 공정을 연결할 시에는, 조립 공정에 투입된 전극의 ID와 하나의 전극 ID 내에서 시간 순 또는 시간의 역순으로 데이터를 추적함으로써 공정 데이터를 상호 연결하는 것이 가능하다.
통합 공정 데이터는 후술할 인공지능 모델에 입력되고, 인공지능 모델은 통합 공정 데이터에 기초하여 배터리 셀의 용량에 중요한 영향을 미치는 공정 인자들을 결정할 수 있다. 이와 같이, 여러 공정 단계의 공정 데이터를 통합하여 관리함으로써 각 공정 인자가 배터리 용량에 미치는 영향을 손쉽고 정확하게 알아낼 수 있다.
예측 용량 추정부(120)는 상기 공정 데이터에 기초하여 배터리 셀의 예측 용량을 추정할 수 있다. 여기서, 예측 용량이란 배터리 셀의 설계 변수에 기초하여 계산된 이론적 최대 용량을 의미한다. 일 실시예에 따르면, 모노 셀(양극, 음극 및 분리막으로 구성된 단위 셀)의 단면을 촬영한 비전 데이터(vision data)로부터 전극 크기(예컨대, 양극 또는 음극의 크기)를 계산할 수 있고, 전극 크기 및 상기 전극에 적재된 전극 활물질량에 기초해 배터리 셀이 전기적으로 가질 수 있는 이론적 용량을 추정할 수 있다.
도 5는 배터리 모노 셀의 예측 용량을 계산하기 위해 전극 크기를 측정하는 모습을 나타낸다.
도 5를 참조하면, 모노 셀(20)은 양극(210) 및 음극(220), 그리고 양극과 음극을 분리하기 위해 중간에 삽입된 분리막(230)으로 구성된다. 모노 셀의 단면을 촬영한 비전 데이터를 이용하면, 양극(210)의 각 부분으로부터 분리막(230)의 끝에 이르기까지의 거리(도 5의 화살표 참조)를 알 수 있다. 분리막(230)의 가로 길이(W)는 설계 변수로서 이미 알려져 있기 때문에 분리막(230)의 가로 길이(W)에서 양극(210)과 분리막(230) 간의 가로 방향 거리(화살표 참조)를 빼면 양극(210)의 가로 길이를 계산할 수 있다. 마찬가지로, 분리막(230)의 세로 길이(H) 또한 설계 변수로서 이미 알려져 있기 때문에 분리막(230)의 세로 길이(H)에서 양극(210)과 분리막(230) 간의 세로 방향 거리(화살표 참조)를 빼면 양극(210)의 세로 길이를 계산할 수 있다.
이렇게 계산된 양극(210)의 가로 길이와 세로 길이로부터 양극의 크기를 계산할 수 있고, 단위 면적 당 활물질의 양을 대입하면 개별 모노 셀(20)의 이론적인 예측 용량을 계산할 수 있다. 나아가, 하나의 배터리 셀은 여러 모노 셀이 적층된 구조이므로, 각 모노 셀의 예측 용량을 모두 더하면 배터리 셀의 이론적인 예측 용량을 추정하는 것이 가능하다.
일반적으로, 리튬 이온 전지에서 양극의 크기와 적재된 전극 활물질량에 의해 배터리 셀의 용량이 결정되므로 양극 크기를 활용하였으나 이에 한정되지 않는다. 예컨대, 설계에 따라서 음극 크기가 셀의 용량을 결정할 경우 예측 용량 추정부(120)는 음극(220)의 크기 및 이에 상당하는 전극 활물질량을 기초로 배터리 셀의 이론적 용량을 추정할 수 있다.
실제 용량 측정부(130)는 완성된 배터리 셀의 실제 용량을 측정한다. 배터리 셀의 용량 측정은 일반적으로 충방전 공정 이후에 셀의 전류/전압 측정을 통해 수행될 수 있으나, 측정 시기와 방법에 대해서는 따로 한정하지 않는다.
컨트롤러(140)는 예측 용량 추정부(120)에 의해 추정된 배터리 셀의 예측 용량과 실제 용량 측정부(130)에 의해 측정된 배터리 셀의 실제 용량의 차이를 계산하며, 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정할 수 있다.
이를 위해, 컨트롤러(140)는 공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득한다.
도 6은 다수의 배터리 셀에 대하여 예측 용량 대비 측정된 실제 용량의 분포 데이터를 나타낸 그래프이다.
도 6을 참조하면, 그래프에서 가로 축은 모노 셀 비전 데이터에 기반하여 추정된 예측 용량을, 세로 축은 완성된 배터리 셀의 검사를 통해 측정된 실제 용량을 가리키며, 각각의 점들은 배터리 셀들의 예측 용량과 실제 용량을 나타낸다. 도시된 것처럼, 동일한 제조 공정을 거친 배터리 셀들이라 하더라도 모노 셀의 전극 크기에 따라 예측 용량이 상이할 뿐만 아니라, 여러 공정을 거치면서 다양한 영향을 미치는 공정 인자들로 인해 실제 용량 또한 크고 작은 오차를 가지게 된다. 특히, 예측 용량에 비해 실제 용량이 현저히 낮은 경우(즉, 그래프에서 상대적으로 하단에 위치한 점들) 제품의 품질 저하로 이어질 수 있으므로 이러한 결과에 영향을 미치는 공정 인자를 찾아내고 관리할 필요가 있다.
실제 용량과 예측 용량의 차이에 영향을 미치는 공정 인자를 결정하기 위해, 컨트롤러(140)는 제1 인공지능 모델을 이용하여 기 설정된 분류 기준에 따라(예컨대, 분포 데이터 상의 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라) 2 이상의 그룹으로 분류할 수 있다. 일 실시예에 따르면, 제1 인공지능 모델은 기계학습 기반 분류 모델로서, 분류 성능 향상을 위해 인접한 데이터를 불연속화할 수 있다. 예를 들어, DBSCAN이 활용될 수 있으나 이에 한정되지 아니한다.
도 7은 일 실시예에 따른 인공지능 모델을 이용하여 배터리 셀의 용량 분포 데이터를 2개의 그룹으로 분류한 것을 나타낸다.
도 7에서 'GOOD'로 분류된 점들은 이론적으로 추정된 예측 용량과 실제 용량의 차이가 비교적 작은 배터리 셀들을 가리키며, 'NOT GOOD'로 분류된 점들은 예측 용량과 실제 용량의 차이가 비교적 큰 배터리 셀들을 가리킨다. 전술한 바와 같이, 예측 용량과 실제 용량의 차이가 큰 경우 제품의 품질 저하로 이어질 수 있으므로 이러한 결과에 영향을 미치는 공정 인자를 찾아내고 관리할 필요가 있다.
컨트롤러(140)는 제2 인공지능 모델을 이용하여, 각 그룹(예컨대, 'GOOD'으로 분류된 그룹 또는 'NOT GOOD'로 분류된 그룹)에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 각각의 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출할 수 있다.
일 실시예에 따르면, 제2 인공지능 모델은 미리 설정된 2 이상의 공정 인자들에 대하여, 공정 인자의 변화 또는 유무에 따른 상기 분포 데이터의 변화에 기초해 각 공정 인자의 중요도를 산출하도록 학습될 수 있다. 제2 인공지능 모델은 예컨대 XGBClassifier, LightGBMClassifier 등의 분류 모델을 활용하여 2 이상의 그룹으로 분류되는 공정 데이터를 찾아내고, 순열 중요도(permutation importance) 기법을 통해 각 공정 인자의 중요도를 산출할 수 있다. 다만, 모델의 종류와 활용 방법은 예시에 불과하므로 이에 한정되지 아니한다.
예컨대, 제2 인공지능 모델은 공정 데이터 중 공정 인자 1의 개입을 제외하고 계산한 용량 차이(예측 용량과 실제 용량의 차이)를, 공정 인자 2의 개입을 제외하고 계산한 용량 차이와 비교하여, 공정 인자 1과 공정 인자 2 중 어떤 인자가 예측 용량과 실제 용량 차이에 미친 영향이 더 큰지 알아낼 수 있다. 이러한 방식에 따라 공정 데이터에 포함된 모든 공정 인자들과 해당 공정 인자의 개입 유무에 따른 용량 차이(분포 데이터)를 비교함으로써 각 공정 인자의 중요도를 산출하는 것이 가능하다.
이처럼, 컨트롤러(140)는 인공지능 모델을 이용하여 산출한 각 공정 인자의 중요도를 기초로 배터리 셀의 용량에 영향을 미치는 공정 인자를 결정할 수 있다. 공정 인자가 결정되면, 적절한 피드백을 통해 해당 공정 인자를 제어함으로써 배터리 셀의 용량 품질을 향상시킬 수 있다.
추가적인 실시예에 따르면, 컨트롤러(140)는 배터리 셀의 예측 용량 대비 실제 용량의 분포 데이터를 3개 이상의 그룹으로 분류할 수 있다. 분포 데이터를 2개의 그룹으로 분류한 도 7과 달리, 도 8은 일 실시예에 따른 인공지능 모델을 이용하여 배터리 셀의 용량 분포 데이터를 3개의 그룹('GOOD', 'OK', 'NOT GOOD')으로 분류한 것을 나타낸다.
구체적으로, 컨트롤러(140)는 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹인 'GOOD'으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹인 'NOT GOOD'으로 분류하고, 그 외의 경우에는 'OK'로 분류할 수 있다.
여기서, 제1 그룹('GOOD')에 속하는 배터리 셀은 이론적인 예측 용량보다 실제 용량이 크기 때문에 상대적으로 품질이 우수한 것으로 볼 수 있다. 따라서 컨트롤러(140)는 제1 그룹에 속하는 분포 데이터에 대해서는 배터리 셀의 용량 차이에 중요한 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정할 수 있다. 반대로, 제2 그룹('NOT GOOD')에 속하는 배터리 셀은 이론적인 예측 용량보다 실제 용량이 작기 때문에 상대적으로 품질이 낮은 것으로 볼 수 있다. 따라서 컨트롤러(140)는 제2 그룹에 속하는 분포 데이터에 대해서는 배터리 셀의 용량 차이에 중요한 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정할 수 있다. 나아가, 후속 배터리 제조 공정에서 긍정적 공정 인자의 영향을 증가시키고, 부정적 공정 인자의 영향을 감소시킴으로써 배터리 셀 용량 품질 향상을 도모할 수 있다.
도 9는 일 실시예에 따른 배터리 셀 공정 데이터 분석 방법을 나타낸 흐름도이다. 실시예의 방법의 각 단계는 도 1을 참조하여 설명한 배터리 셀 공정 데이터 분석 시스템(10)의 구성요소들, 즉 공정 데이터 획득부(110), 예측 용량 추정부(120), 실제 용량 측정부(130), 및 컨트롤러(140) 중 하나 또는 이들의 조합에 의해 수행될 수 있으나, 본 방법을 수행하기 위해 상기 시스템(10)이 필수적인 것은 아니다.
도 9를 참조하면, 먼저 배터리 셀의 공정 데이터를 획득하는 단계(S100)를 수행한다. 일 실시예에 따르면, 상기 배터리 셀의 공정 데이터는 전극 공정, 조립 공정 및 활성화 공정 등 배터리 제조 공정에 포함되는 여러 공정과 관련된 데이터를 포함할 수 있다.
또한, 상기 단계(S100)에서 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써 통합 공정 데이터를 생성할 수 있고, 상기 통합 공정 데이터를 이용하여 서로 다른 공정과 관련된 공정 인자들 중 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 결정할 수 있다. 이처럼 여러 공정 단계의 공정 데이터를 통합하여 관리함으로써 각 공정 인자가 배터리 용량에 미치는 영향을 손쉽고 정확하게 알아낼 수 있다.
이어서, 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 단계(S200)를 수행한다. 예측 용량이란 배터리 셀의 설계 변수에 기초하여 계산된 이론적 최대 용량을 의미한다. 일 실시예에 따르면, 상기 단계(S200)는 개별 모노 셀(mono cell)의 측정 수치에 기초하여 상기 모노 셀의 전극 크기를 계산하는 단계, 상기 전극의 크기 및 상기 전극에 적재된 전극 활물질량에 기초하여 복수의 개별 모노 셀들이 적층된 배터리 셀의 예측 용량을 추정하는 단계를 포함할 수 있다. 구체적으로, 모노 셀(양극, 음극 및 분리막으로 구성된 단위 셀)의 단면을 촬영한 비전 데이터(vision data)로부터 전극 크기(예컨대, 양극 또는 음극의 크기)를 계산할 수 있고, 이에 기초해 배터리 셀이 전기적으로 가질 수 있는 이론적 용량을 추정할 수 있다. 모노 셀의 비전 데이터로부터 양극 크기를 계산하는 과정은 도 5를 참조하여 전술한 바와 같다. 또한, 전술하였듯이 설계에 따라서는 음극의 크기 및 이에 상당하는 전극 활물질량을 기초로 배터리 셀의 이론적 용량을 추정할 수 있다.
이어서, 완성된 배터리 셀의 실제 용량을 측정하는 단계(S300)를 수행한다. 전술하였듯이, 배터리 셀의 용량 측정은 일반적으로 충방전 공전 이후에 셀의 전류/전압 측정을 통해 수행될 수 있으나, 측정 시기와 방법에 대해서는 따로 한정하지 않는다.
이어서, 상기 배터리 셀의 실제 용량과 예측 용량의 차이를 계산하는 단계(S400)를 수행한다. 계산된 용량 차이 값은 다음 단계에서 배터리 셀 용량의 차이에 영향을 미치는 주요 공정 인자들을 결정하기 위해 활용될 수 있다.
이어서, 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 단계(S500)를 수행한다. 동일한 제조 공정을 거친 배터리 셀들이라 하더라도 모노 셀의 전극 크기나 적재된 전극 활물질량에 따라 예측 용량이 상이할 뿐만 아니라, 여러 공정을 거치면서 다양한 영향을 미치는 공정 인자들로 인해 실제 용량 또한 크고 작은 오차를 가지게 된다. 특히, 예측 용량에 비해 실제 용량이 현저히 낮은 경우 제품의 품질 저하로 이어질 수 있으므로 이러한 결과에 영향을 미치는 공정 인자를 찾아내고 관리할 필요가 있다.
도 10은 도 9에서 공정 인자를 결정하는 단계를 보다 상세하게 나타낸 흐름도이다.
도 10을 참조하면, 상기 단계(S500)는, 공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득하는 단계(S510), 제1 인공지능 모델을 이용하여 분포 데이터를 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 2 이상의 그룹으로 분류하는 단계(S520), 및 제2 인공지능 모델을 이용하여 각 그룹에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 각각의 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출하는 단계(S530)를 포함할 수 있다.
일 실시예에 따르면, 제1 인공지능 모델은 기계학습 기반 분류 모델로서, 분류 성능 향상을 위해 인접한 데이터를 불연속화할 수 있다. 예를 들어, DBSCAN이 활용될 수 있으나 이에 한정되지 아니한다. 또한, 제2 인공지능 모델은 미리 설정된 2 이상의 공정 인자들에 대하여 공정 인자의 변화에 따른 상기 분포 데이터의 변화의 정도에 기초해 각 공정 인자의 중요도를 산출하도록 학습될 수 있다. 더욱 상세하게는, 공정 데이터에 포함된 모든 공정 인자들과 해당 공정 인자의 개입 유무에 따른 용량 차이(분포 데이터)를 비교함으로써 각 공정 인자의 중요도를 산출할 수 있다. 제2 인공지능 모델은 예컨대 XGBClassifier, LightGBMClassifier 등의 분류 모델을 활용하여 2 이상의 그룹으로 분류되는 공정 데이터를 찾아내고, 순열 중요도(permutation importance) 기법을 통해 각 공정 인자의 중요도를 산출할 수 있다. 다만, 모델의 종류와 활용 방법은 예시에 불과하므로 이에 한정되지 아니한다.
이처럼, 인공지능 모델을 이용하여 산출한 각 공정 인자의 중요도를 기초로 배터리 셀의 용량에 영향을 미치는 공정 인자를 결정할 수 있고, 나아가 적절한 피드백을 통해 해당 공정 인자를 제어함으로써 배터리 셀의 용량 품질을 향상시킬 수 있다.
추가적인 실시예에 따르면, 상기 분포 데이터를 2 이상의 그룹으로 분류하는 단계(S520)에서, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹(예컨대, 도 8의 'GOOD'에 속하는 그룹)으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹(예컨대, 도 8의 'NOT GOOD'에 속하는 그룹)으로 분류할 수 있다.
단계(S520)의 분류 결과를 기초로, 공정 인자를 결정하는 단계(S500)에서, 제1 그룹(예컨대, 도 8의 'GOOD'에 속하는 그룹)에 속하는 분포 데이터에 대해 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정하고, 제2 그룹(예컨대, 도 8의 'NOT GOOD'에 속하는 그룹)에 속하는 분포 데이터에 대해 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정할 수 있다. 나아가, 후속 배터리 제조 공정에서 긍정적 공정 인자의 영향을 증가시키고, 부정적 공정 인자의 영향을 감소시킴으로써 배터리 셀 용량 품질 향상을 도모할 수 있다.
상기한 실시예에 따른 배터리 셀 데이터 분석 방법은, 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
이상의 실시예들에 따르면, 인공지능 기반 데이터 분석을 통해 배터리 셀의 용량에 영향을 미치는 공정 인자들을 찾아낼 수 있는 배터리 셀 공정 데이터 분석 시스템 및 방법이 제공된다. 또한, 키 인덱스(key index)를 사용하여 서로 다른 공정의 데이터를 연결함으로써 각각의 공정 단계에서 배터리 용량에 영향을 미치는 다수의 공정 인자들을 통합하여 관리할 수 있다.
제안된 시스템 및 방법을 활용하면, 배터리 셀의 용량에 긍정적인 영향을 미치는(즉, 예측 용량보다 실제 용량을 크게 만드는) 공정 인자와 부정적인 영향을 미치는(즉, 예측 용량보다 실제 용량을 작게 만드는) 공정 인자를 찾아내고, 공정 인자들을 관리함으로써 생산 배터리 셀의 용량 품질을 개선할 수 있다.
이상의 설명은 본 문서에 개시된 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 문서에 개시된 실시예들의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 문서에 개시된 실시예들은 본 문서에 개시된 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 문서에 개시된 기술 사상의 범위가 한정되는 것은 아니다. 본 문서에 개시된 기술 사상의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 문서의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (12)

  1. 배터리 셀의 공정 데이터를 획득하는 공정 데이터 획득부;
    상기 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 예측 용량 추정부;
    상기 배터리 셀의 실제 용량을 측정하는 실제 용량 측정부; 및
    상기 배터리 셀의 예측 용량과 상기 배터리 셀의 실제 용량의 차이를 계산하고, 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 컨트롤러를 포함하는, 배터리 셀 공정 데이터 분석 시스템.
  2. 청구항 1에 있어서,
    상기 예측 용량 추정부는, 개별 모노 셀(mono cell)의 측정 수치에 기초하여 상기 모노 셀의 전극 크기를 계산하고, 상기 전극 크기 및 상기 전극에 적재된 전극 활물질량에 기초하여 복수의 모노 셀들이 적층된 배터리 셀의 예측 용량을 추정하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 시스템.
  3. 청구항 1에 있어서,
    상기 컨트롤러는, 공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득하고,
    제1 인공지능 모델을 이용하여, 상기 분포 데이터를 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 2 이상의 그룹으로 분류하고,
    제2 인공지능 모델을 이용하여, 각 그룹에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 상기 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 시스템.
  4. 청구항 3에 있어서,
    상기 제2 인공지능 모델은, 2 이상의 공정 인자들에 대하여, 상기 공정 인자의 유무에 따른 상기 분포 데이터의 변화에 기초해 각 공정 인자의 중요도를 산출하도록 학습되는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 시스템.
  5. 청구항 4에 있어서,
    상기 컨트롤러는, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹으로 분류하고,
    상기 제1 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정하고, 상기 제2 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 시스템.
  6. 청구항 1에 있어서,
    상기 배터리 셀의 공정 데이터는, 전극 공정, 조립 공정 및 활성화 공정 중 적어도 하나의 공정과 관련된 데이터를 포함하고,
    상기 공정 데이터 획득부는, 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써 통합 공정 데이터를 생성하고,
    상기 컨트롤러는, 상기 통합 공정 데이터를 이용하여 서로 다른 공정과 관련된 공정 인자들 중 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 결정하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 시스템.
  7. 배터리 셀의 공정 데이터를 획득하는 단계;
    상기 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 단계;
    상기 배터리 셀의 실제 용량을 측정하는 단계;
    상기 배터리 셀의 실제 용량과 예측 용량의 차이를 계산하는 단계; 및
    학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 단계를 포함하는, 배터리 셀 공정 데이터 분석 방법.
  8. 청구항 7에 있어서,
    상기 예측 용량을 추정하는 단계는,
    개별 모노 셀(mono cell)의 측정 수치에 기초하여 상기 모노 셀의 전극 크기를 계산하는 단계; 및
    상기 전극 크기 및 상기 전극에 적재된 전극 활물질량에 기초하여 복수의 개별 모노 셀들이 적층된 배터리 셀의 예측 용량을 추정하는 단계를 포함하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 방법.
  9. 청구항 8에 있어서,
    상기 공정 인자를 결정하는 단계는,
    공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득하는 단계;
    제1 인공지능 모델을 이용하여, 상기 분포 데이터를 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 2 이상의 그룹으로 분류하는 단계; 및
    제2 인공지능 모델을 이용하여, 각 그룹에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 상기 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출하는 단계를 포함하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 방법.
  10. 청구항 9에 있어서,
    상기 제2 인공지능 모델은, 미리 설정된 2 이상의 공정 인자들에 대하여, 상기 공정 인자의 유무에 따른 상기 분포 데이터의 변화에 기초해 각 공정 인자의 중요도를 산출하도록 학습되는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 방법.
  11. 청구항 10에 있어서,
    상기 분포 데이터를 2 이상의 그룹으로 분류하는 단계에서, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹으로 분류하고,
    상기 공정 인자를 결정하는 단계에서, 상기 제1 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정하고, 상기 제2 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 방법.
  12. 청구항 7에 있어서,
    상기 배터리 셀의 공정 데이터는, 전극 공정, 조립 공정 및 활성화 공정 중 적어도 하나의 공정과 관련된 데이터를 포함하고,
    상기 공정 데이터를 획득하는 단계에서, 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써 통합 공정 데이터를 생성하고,
    상기 공정 인자를 결정하는 단계에서, 상기 통합 공정 데이터를 이용하여 서로 다른 공정과 관련된 공정 인자들 중 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 결정하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 방법.
KR1020220037600A 2022-03-25 2022-03-25 배터리 셀 공정 데이터 분석 시스템 및 방법 KR20230139227A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220037600A KR20230139227A (ko) 2022-03-25 2022-03-25 배터리 셀 공정 데이터 분석 시스템 및 방법
PCT/KR2023/003955 WO2023182860A1 (ko) 2022-03-25 2023-03-24 배터리 셀 공정 데이터 분석 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220037600A KR20230139227A (ko) 2022-03-25 2022-03-25 배터리 셀 공정 데이터 분석 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20230139227A true KR20230139227A (ko) 2023-10-05

Family

ID=88101896

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220037600A KR20230139227A (ko) 2022-03-25 2022-03-25 배터리 셀 공정 데이터 분석 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR20230139227A (ko)
WO (1) WO2023182860A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100911316B1 (ko) * 2007-08-23 2009-08-11 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
US9316699B2 (en) * 2012-04-05 2016-04-19 Samsung Sdi Co., Ltd. System for predicting lifetime of battery
JP7137302B2 (ja) * 2017-11-29 2022-09-14 株式会社カネカ 二次電池製造システムの制御方法
KR102440486B1 (ko) * 2018-02-06 2022-09-06 주식회사 엘지에너지솔루션 빅데이터 기반 이차 전지 활성화 시스템 및 이를 이용한 이차 전지의 활성화 방법
KR102354112B1 (ko) * 2019-03-26 2022-01-24 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법

Also Published As

Publication number Publication date
WO2023182860A1 (ko) 2023-09-28

Similar Documents

Publication Publication Date Title
KR101792975B1 (ko) 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법
CN108089133B (zh) 储能系统电池组一致性检测方法及检测装置
KR102650965B1 (ko) 배터리 상태 추정 방법
EP3261213A1 (en) Method and apparatus of battery charging
CN113075554B (zh) 一种基于运行数据的锂离子电池组不一致性辨识方法
Li et al. Reliability assessment and failure analysis of lithium iron phosphate batteries
US20180301724A1 (en) Fuel cell system and control method therefor
CN109598449A (zh) 基于充电数据的锂离子电池包性能评估方法
KR20210000207A (ko) 내부 단락 셀 검출 방법
CN110927609B (zh) 梯次利用电池储能系统的衰退评估方法及装置
KR20140137181A (ko) 배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법
KR20210000206A (ko) 이상 배터리 셀 검출 방법
CN113640674A (zh) 基于优化高斯过程回归的锂离子电池可用容量估计方法
Avadhanula et al. Comparative study of mathematical models and data driven models for battery performance parameter estimation
KR20230139227A (ko) 배터리 셀 공정 데이터 분석 시스템 및 방법
CN116184241A (zh) 锂电池析锂检测方法、装置及系统
CN116068402A (zh) 新能源汽车锂电池状态预测方法、装置、设备及存储介质
CN115494394A (zh) 鉴定电池质量的电化学方法
CN115684956A (zh) 用于电池存储器寿命估计的方法、设备和计算机程序产品
JP2024501510A (ja) バッテリー管理装置及び方法
CN114696385A (zh) 一种电池系统的电池容量均衡差值计算方法及相关设备
CN108072840B (zh) 运行电蓄能系统的方法、电子控制单元和电蓄能系统
Wang et al. Study on influence of sorting parameters to lithium-ion battery pack life-cycles based on cell consistency
CN219371111U (zh) 负极结构、电池及电池系统
Huang et al. Evaluation index of battery pack of energy storage station based on RB recession mechanism

Legal Events

Date Code Title Description
A201 Request for examination