KR20230146653A - 배터리 저장 디바이스의 전극층을 분석하기 위한 방법, 배터리 저장 디바이스를 생산하기 위한 방법 및 생산 유닛 - Google Patents

배터리 저장 디바이스의 전극층을 분석하기 위한 방법, 배터리 저장 디바이스를 생산하기 위한 방법 및 생산 유닛 Download PDF

Info

Publication number
KR20230146653A
KR20230146653A KR1020237032446A KR20237032446A KR20230146653A KR 20230146653 A KR20230146653 A KR 20230146653A KR 1020237032446 A KR1020237032446 A KR 1020237032446A KR 20237032446 A KR20237032446 A KR 20237032446A KR 20230146653 A KR20230146653 A KR 20230146653A
Authority
KR
South Korea
Prior art keywords
electrode layer
storage device
battery storage
production
producing
Prior art date
Application number
KR1020237032446A
Other languages
English (en)
Inventor
사샤 슐테
알렉산더 미하엘 기글러
아르노 알츠베르거
만프레드 발다우프
프랭크 슈타인바허
Original Assignee
지멘스 악티엔게젤샤프트
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
Priority claimed from EP21159596.2A external-priority patent/EP4050695A1/de
Priority claimed from EP21162908.4A external-priority patent/EP4060766A1/de
Application filed by 지멘스 악티엔게젤샤프트 filed Critical 지멘스 악티엔게젤샤프트
Publication of KR20230146653A publication Critical patent/KR20230146653A/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • H01M4/00—Electrodes
    • H01M4/02—Electrodes composed of, or comprising, active material
    • H01M4/13—Electrodes for accumulators with non-aqueous electrolyte, e.g. for lithium-accumulators; Processes of manufacture thereof
    • H01M4/139—Processes of manufacture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0181—Memory or computer-assisted visual determination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8845—Multiple wavelengths of illumination or detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
    • G01N2021/8918—Metal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • 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)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Electrochemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Materials Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Battery Electrode And Active Subsutance (AREA)
  • Secondary Cells (AREA)

Abstract

본 발명은 배터리 저장 디바이스의 전극층을 분석하기 위한 방법, 배터리 저장 디바이스를 생산하기 위한 방법, 생산 유닛 및 컴퓨터 프로그램 제품에 관한 것이다. 전극층 생산 디바이스에서 배터리 저장 디바이스용 전극층을 분석하기 위한 방법은 다수의 단계들을 갖는다. 첫째, 화소들을 캡처하는 초분광 카메라가 제공된다. 그 후, 전극층의 적어도 2 개의 화소들을 구비한 이미지가 캡처되며, 여기서 제1 화소는 전극층의 제1 위치를 나타내고, 제2 화소는 전극층의 제2 위치를 나타낸다. 제1 위치 및 제2 위치는 서로 인접하여 배열된다. 그 후, 컴퓨팅 유닛은 제1 화소에 기초하여 제1 위치에서의 전극층의 제1 재료 특성을 결정하고, 제2 화소에 기초하여 제2 위치에서의 전극층의 제2 재료 특성을 결정하는 데 사용된다. 제1 위치 및 제2 위치에서의 재료 특성들이 비교되고, 비교 값이 확인된다. 전극층의 특유의 특성은 비교 값에 기초하여 확인된다. 배터리 저장 디바이스를 생산하기 위한 방법은 전극층을 분석하기 위한 전술한 방법을 포함한다. 그 후, 적어도 2 개의 서로 다른 품질 등급들에서 적어도 2 개의 특유의 특성들 및/또는 적어도 2 개의 품질 값들에 기초하여 전극층을 생산하기 위한 적어도 하나의 생산 조건이 조정된다.

Description

배터리 저장 디바이스의 전극층을 분석하기 위한 방법, 배터리 저장 디바이스를 생산하기 위한 방법 및 생산 유닛
본 발명은 배터리 저장 디바이스의 전극층을 분석하기 위한 방법, 배터리 저장 디바이스를 생산하기 위한 방법, 생산 유닛 및 컴퓨터 프로그램 제품에 관한 것이다.
이하에서 리튬 이온 배터리들이라고도 하는 리튬 이온 축전지들은 높은 전력 및 에너지 밀도로 인해 모바일 및 고정식 적용예들에서 에너지 저장 디바이스들로서 사용된다.
리튬 이온 배터리는 전형적으로 복수의 배터리 셀들을 포함한다. 배터리 셀, 특히 리튬 이온 배터리 셀은 복수의 층들을 포함한다. 이러한 층들은 전형적으로 음극들, 양극들, 분리막들 및 기타 요소들을 포함한다. 이러한 층들은 스택들 또는 권선들로서 설계될 수 있다.
전극들은 전형적으로 특히, 활성 물질로 코팅된 구리 및/또는 알루미늄을 포함하는 금속 포일들을 포함한다. 슬러리로서 알려진 리튬 함유 페이스트가 전형적으로 활성 물질로서 적용된다. 포일들 및 코팅의 두께는 각각의 경우에 수 마이크로미터이다. 결과적으로, 코팅의 두께 또는 재료 특성들, 특히 재료 조성에 수 마이크로미터의 편차만 있어도 전극의 품질에 악영향을 미친다. 따라서, 불규칙한 코팅은 품질이 떨어지는 배터리 셀들을 생산하게 되므로 불리하다. 추가의 단점은 배터리 셀의 안전한 작동이 보장되지 않는다는 것이다.
현재 기술 수준에서, 결함이 있는 코팅들은 전체 배터리 셀 생산 공정이 완료된 후 소위 최종 라인 테스트에서만 검출될 수 있는 경우가 많다. 어떤 경우들에서는 배터리 셀이 수년 동안 작동한 후에야 결함이 있는 코팅들이 검출되기도 한다.
따라서, 배터리 생산은 불량률이 높다는 불리한 점이 있다. 이는 고품질의 배터리 셀들을 충분한 양으로 생산하기 위해서는 생산 공정에 많은 재료와 에너지가 투입되어야 함을 의미한다.
따라서, 본 발명의 목적은 배터리 생산의 불량률을 감소시키는 전극층을 분석하기 위한 방법, 배터리 저장 디바이스를 생산하기 위한 방법, 생산 유닛 및 컴퓨터 프로그램 제품을 제공하는 데 있다.
이러한 목적은 청구항 1에 청구된 바와 같은 방법, 청구항 10에 청구된 바와 같은 생산 방법, 청구항 13에 청구된 바와 같은 생산 유닛 및 청구항 14에 청구된 바와 같은 컴퓨터 프로그램 제품에 의해 독창적으로 달성된다.
전극층 생산 시설에서 배터리 저장 디바이스의 전극층을 분석하기 위한 본 발명에 따른 방법은 복수의 단계들을 수반한다. 먼저, 초분광 카메라(hyperspectral camera)가 제공된다. 초분광 카메라는 이미지 화소들을 캡처한다. 초분광 카메라는 전극층의 적어도 두 개의 화소들을 포함하는 이미지를 획득한다. 제1 화소는 전극층의 제1 위치를 나타내고, 제2 화소는 전극층의 제2 위치를 나타낸다. 제1 위치 및 제2 위치는 서로 인접하여 배치된다. 제1 화소에 기초하여, 제1 위치에서 전극층의 제1 재료 특성이 결정된다. 제2 화소에 기초하여, 제2 위치에서 전극층의 제2 재료 특성이 결정된다. 두 결정들은 모두 컴퓨팅 유닛에서 수행된다. 그 후 제1 위치의 재료 특성을 제2 위치의 재료 특성과 비교한다. 비교에 기초하여, 비교 값이 결정된다. 비교 값에 기초하여, 전극층의 특유의 특성(characteristic property)이 결정된다.
배터리 저장 디바이스를 생산하기 위한 본 발명에 따른 방법은 복수의 단계들을 포함한다. 배터리 저장 디바이스용 전극층은 본 발명의 분석 방법에 따라 분석된다. 그 후, 전극층을 생산하기 위한 적어도 하나의 생산 조건이 적어도 하나의 특유의 특성 및/또는 적어도 하나의 품질 값에 기초하여 조정된다.
배터리 저장 디바이스를 생산하기 위한 본 발명의 생산 유닛은 초분광 카메라 및 컴퓨팅 유닛을 갖는 전극층 생산 시설을 포함한다. 컴퓨팅 유닛은 본 발명에 따른 방법을 수행하도록 설계된다.
본 발명에 따른 컴퓨터 프로그램 제품은 프로그래밍 가능한 컴퓨팅 유닛의 메모리에 직접 로드 가능하며, 컴퓨팅 유닛에서 본 발명에 따른 방법을 실행하기 위한 프로그램 코드 수단을 포함한다.
바로 인접한 화소들은 인접 배치된 화소들로서 간주된다. 이격 거리가 너무 작아서 화소들 사이의 재료 특성 보간이 가능한 화소들도 인접 배치된 것으로 간주된다. 특히, 화소들은 2 ㎝ 간격으로 배치할 수 있으며, 특히 1 ㎝ 간격이 선호된다.
재료 특성은 특히, 선택된 파장에서의 전극층의 반사 거동에 기초하여 결정된다. 특히, 초분광 카메라의 화소들에 대한 사전 보정을 통해 재료 특성이 결정된다.
따라서, 본 발명에 따르면, 전극층의 재료 특성은 초분광 카메라의 이미지들에 기초하여 분석된다. 초분광 카메라를 사용하면 서로 다른 파장들을 분석하고 적절한 중첩에 사용하여 재료 특성의 특유의 이미지를 생성할 수 있다는 이점이 있다. 기존의 그레이스케일 또는 3 채널 이미징과 달리, 스펙트럼 차이들은 색상 특성으로서 종합적으로 평가되지 않고 각각 개별적으로 평가되는 서로 다른 파장들이 이미지 분할 및/또는 재료 특성 분석에 기여한다. 이 방법은 화학적 조성들로 인해 서로 다른 재료들이 서로 다른 파장들에서 서로 다른 특성들을 나타낸다는 사실에 기반한다. 따라서, 본 발명에 따른 방법을 사용하면 전극층을 변경하거나 심지어 파괴하지 않고도 재료 특성을 결정할 수 있다는 이점이 있다. 또한, 초분광 카메라를 사용하면 전극층을 무작위로 분석하는 것이 아니라 연속적으로 분석할 수 있다는 이점이 있다. 이를 통해 전극층을 훨씬 더 정밀하게 분석할 수 있다. 따라서, 보다 정밀한 데이터에 기초하여 생산 방법에 있어서의 생산 조건들을 보다 정확하게 변경할 수 있다는 이점이 있다.
추가적으로, 비교 값에 기초하여 특유의 특성을 결정할 수 있다는 이점이 있다. 특히, 층 두께, 재료 조성 구배, 재료 균질성 값 및/또는 수분 값이 특유의 특성으로서 결정된다. 마찬가지로, 전극층의 토폴로지의 불규칙성들, 특히 균열들 또는 구멍들을 검출할 수 있다. 특히, 이에 따라 생산 동안 발생하는 불규칙성들을 결정할 수 있다는 이점이 있다. 특유의 특성은 특히 기준값들과의 비교에 기초하여 평가할 수 있다. 특유의 특성이 기준값들의 한계값들을 초과하는 경우, 생산 조건들을 조정할 수 있다.
또한, 초분광 카메라는 시간 경과에 따른 연속 측정이 가능하다는 이점이 있다. 따라서, 재료 특성의 변화를 국부적인 재료 특성 구배 및/또는 시간적 재료 특성 구배로서 결정할 수 있다. 따라서, 전극층 생산 동안의 변화들을 조기 단계에 검출할 수 있다는 이점이 있다.
본 발명의 유리한 실시예 및 개발에 있어서, 제1 AI 엔진은 재료 특성을 결정하기 위해 사용된다. 따라서, 이 방법은 컴퓨터 지원 방식으로 수행된다. 따라서, 초분광 카메라의 화소들의 평가는 유리하게 자동화된다. 따라서, 사람의 개입이 더 이상 필요하지 않아 유리하다. 따라서, 매우 많은 양의 데이터를 처리할 수 있다. 또한, 평가를 매우 빠르게 수행할 수 있다는 이점이 있다.
본 발명의 다른 유리한 실시예 및 개발에 있어서, 제1 AI 엔진은 딥 러닝 방법들을 통해 학습되어 화소들을 재료 특성들의 등급들로 분류한다. 따라서, 초분광 카메라의 이미지 데이터의 평가가 자동화되는 이점이 있다. 따라서, 사람의 개입이 더 이상 필요하지 않다는 이점이 있다. 따라서, 매우 많은 양의 데이터를 처리할 수 있다. 또한, 평가를 매우 빠르게 수행할 수 있다는 이점이 있다.
본 발명의 유리한 실시예에서, 전극층이 배터리 저장 디바이스에 삽입되고, 배터리 저장 디바이스가 작동되고, 배터리 저장 디바이스의 작동 데이터가 결정된다. 이 작동 데이터는 배터리 저장 디바이스의 품질 값을 결정하는 데 사용되며, 품질 값은 특유의 특성과 상관관계가 있다. 따라서, 제2 AI 엔진을 학습시키기 위해, 배터리 저장 디바이스에 전극층들을 설치하고 배터리 저장 디바이스를 작동시킨다. 그 후, 작동 데이터를 특유의 특성들과 상관시킨다. 그리고 나서, 작동 데이터 및 특유의 특성에 기초하여, 품질 값과의 상관관계를 결정할 수 있다. 특히, 배터리 저장 디바이스의 시효 특성, 용량 및/또는 내부 저항이 품질 값으로서 사용된다.
제2 AI 엔진이 이 데이터로 학습된 경우, 이제 해당 배터리 셀을 작동시키지 않고도 제2 AI 엔진을 통해 오직 특유의 특성에만 기초하여 품질 값을 결정할 수 있다. 따라서, 이 전극층을 배터리 셀에 설치할지 또는 배터리 셀의 이 전극층을 더 큰 에너지 저장 디바이스에 설치할지 여부를 조기 단계에 결정할 수 있다. 따라서, 전극층 생산 동안 이미 수행된 분석을 통해 불량률이 유리하게 감소한다. 이로 인해 생산 공정의 효율성이 유리하게 크게 향상된다.
본 발명의 추가의 유리한 실시예 및 개발에 있어서, 제2 AI 엔진은 품질 값을 품질 등급들로 분류하고 이러한 품질 등급들에 기초하여 특유의 특성의 평가를 수행하도록 학습된다. 품질 값들을 등급들로 분류하고 품질 값들을 특유의 특성에 할당하면, 유리하게 평가 공정의 속도가 빨라지고 더 강력해진다. 따라서, 배터리 생산으로부터 유리하게는 불량들의 비율을 훨씬 더 줄일 수 있다.
본 발명의 유리한 실시예 및 개발에 있어서, 전극층의 이미지는 배터리 저장 디바이스의 생산 공정 동안 캡처된다. 특히 유리하게는, 이에 따라 전극층은 생산 동안 가상으로 실시간으로 분석될 수 있다. 또한, 전극층은 특유의 특성을 통해 매우 빠르고 안정적으로 평가될 수 있다. 따라서, 전극층을 먼저 작동시키지 않고도 전극층을 평가할 수 있어 유리하다. 유리하게는, 전체 배터리 셀들의 불량률을 줄일 수 있다.
본 발명의 다른 유리한 실시예 및 개발에 있어서, 전극층 내의 용매의 양은 수분 값으로서 결정된다. 전극층의 수분 값이 품질 값과 음의 상관관계가 있거나 특유의 특성이 미리결정된 한계 범위를 넘어 악화되는 경우, 전극층이 원하는 특성들을 안정적으로 나타내도록 전극층 슬러리를 조정할 수 있다.
본 발명의 추가의 유리한 실시예 및 개발에 있어서, 적어도 하나의 생산 조건은 적어도 두 가지 서로 다른 품질 등급들에서 적어도 두 가지 품질 값들에 대해 조정된다. 즉, 조정은 품질이 두 가지 품질 양태들, 특히 수분 값 및 균열에서 결함이 있는 경우에만 이루어진다. 이렇게 하면 생산 조건들이 불균형하게 조정되는 것을 방지하게 되어 유리하다. 따라서, 조정이 더욱 견고해진다.
본 발명의 다른 유리한 실시예 및 개발에 있어서, 전극층 슬러리의 온도, 용매 함량 및/또는 전극층 슬러리의 혼합 정도는 특유의 특성 및 이에 할당된 품질 값이 유리하게 증가하도록 생산 조건들로서 조정된다. 또한, 전극 슬러리(페이스트)의 도포 비율을 변경할 수 있다. 또한, 전극 슬러리가 기판 상으로 흐르도록 하는 노즐들이 막혔는지(특히, 전극층의 종방향 진행 경로에서 층 두께가 설정값으로부터 지속적으로 벗어나는 경우) 확인할 수 있다. 혼합 정도는 특히 교반 속도 및 믹서 유형에 따라 달라진다. 또한, 전극층의 지지 기판의 바람직하지 않은 진동을 방지하기 위한 조치들을 취할 수 있다.
본 발명의 추가적인 특징들, 특성들 및 이점들은 첨부된 개략적인 도면들을 참조하여 이하에서 설명될 것이다:
도 1은 초분광 카메라 및 컴퓨팅 유닛을 구비한 전극층 생산 시설을 포함하는 생산 유닛을 도시한다;
도 2는 전극층 생산 시설 및 2 개의 배터리 셀들을 도시한다;
도 3은 배터리 저장 디바이스용 전극층을 분석하기 위한 공정도를 도시한다.
도 1은 생산 유닛(1)을 도시한다. 생산 유닛(1)은 전극층 생산 시설(8), 초분광 카메라(5) 및 컴퓨팅 유닛(100)을 포함한다. 전극층 생산 시설(8)은 전극 슬러리(2)의 전극층(4)이 도포되는 지지 기판(3)을 포함한다. 전극 슬러리(2)는 믹서(7)에 의해 용기 내에서 균질화된다.
초분광 카메라(5)는 전극층(4)의 적어도 2 개의 화소들을 포함하는 이미지를 캡처한다. 2 개의 화소들은 서로 인접한 위치들에 있다. 화소들에 기초하여, 전극층의 재료 특성이 컴퓨팅 유닛(100)에서 결정될 수 있다. 이 예에서는 이미지 데이터에 기초하여, 재료 조성을 재료 특성으로 평가한다. 인접한 두 위치들에서 결정된 재료 조성들은 결합되어 비교 값을 형성한다. 이 비교 값은 특히 규정된 재료 조성의 농도 구배 및/또는 전극 슬러리(2)의 규정된 성분의 농도 구배일 수 있다. 그 후, 이 비교 값에 기초하여, 특유의 특성이 결정될 수 있다. 이 예에서 특유의 특성은 재료 조성 구배이다. 이 재료 조성 구배에 기초하여, 특히 재료 균질성 값도 결정될 수 있다.
이제, 재료 조성 구배 및/또는 재료 균질성 값을 기준값과 비교할 수 있다. 이러한 특유의 특성들이 정의된 한계 값에서 벗어나는 경우, 특히 믹서(7)의 속도 및/또는 기판(3)의 이동 속도를 조정할 수 있다.
도 2에 도시된 바와 같이, 대안적인 가능성은 컴퓨팅 유닛(100)을 확장하여 AI 엔진을 포함하는 것이다. 이 AI 엔진은 전극층들이 삽입된 배터리 셀들을 포함하는 배터리 저장 디바이스들(50)로부터의 작동 데이터를 사용하여 학습될 수 있다. 작동 데이터에 기초하여, 품질 값이 결정될 수 있으며, AI 엔진은 품질 값과 특유의 특성의 상관관계를 학습할 수 있다.
따라서, 학습된 AI 엔진을 활용하면 초분광 카메라 및 캡처된 이미지를 사용하여 분석한 특유의 특성에 기초하여 품질 값을 결정할 수 있다. 이 품질 값에 기초하여, 제1 예시적인 실시예에서 이미 설명한 바와 같이 생산 유닛(1)의 생산 조건들을 조정할 수 있다. 이 실시예에서, 전극 슬러리(2)의 믹서(7)는 제2 제어 신호(102)에 의해 조정되고, 그리고/또는 전극 기판(3)의 이동 속도는 제1 제어 신호(101)에 의해 조정된다.
또한, 인접한 이미지 캡처들을 비교하여 재료 조성 구배들 및/또는 층 두께들을 결정할 수 있다. 유리하게, 이러한 평가는 전극층에 균열들 및/또는 내포물들과 같은 결함들이 특히 존재하는 위치를 결정하는 데 사용될 수 있다.
도 3은 전극층을 분석하기 위한 방법을 개략적으로 예시한다. 먼저, 제1 단계(S1)에서 초분광 카메라가 제공된다. 그 후, 제2 단계(S2)에서 초분광 카메라에 의해 적어도 2 개의 화소들을 갖는 이미지가 캡처된다. 제3 단계(S3)에서는 제1 위치에서의 제1 재료 특성 및 제2 위치에서의 제2 재료 특성이 결정된다. 제4 단계(S4)에서, 재료 특성이 비교된다. 이에 기초하여, 비교 값이 결정된다. 비교 값에 기초하여, 제5 단계(S5)에서 전극층의 특유의 특성이 결정된다.
선택적인 추가 방법 단계(T1)에서 전극층이 배터리 셀에 삽입된다. 추가의 단계(T2)에서, 배터리 셀이 작동되고 작동 데이터가 결정된다. 작동 데이터에 기초하여, 배터리 셀의 품질 값이 결정되고, AI 엔진을 사용하여 초분광 카메라를 통해 분석된 특유의 특성과 상관된다. 따라서, 단계(T1) 내지 단계(T3)는 품질 값을 평가하기 위한 AI 엔진의 학습 단계들로 간주될 수 있다.
추가적인 선택적 방법 단계(K1)에서는, 초분광 카메라에 의해 결정된 화소들을 재료 특성들의 등급들로 분류하도록 다른 AI 엔진을 학습시킬 수 있다.
1: 생산 유닛
2: 전극 슬러리
3: 지지 기판
4: 전극층
5: 초분광 카메라
7: 믹서
8: 전극층 생산 시설
50: 배터리 저장 디바이스
100: 컴퓨팅 유닛
101: 제1 제어 신호
102: 제2 제어 신호
103: 작동 데이터
111: 제1 AI 엔진
112: 제2 AI 엔진
S1: 초분광 카메라를 제공
S2: 적어도 2 개의 화소들을 갖는 이미지를 획득
S3: 제1 재료 특성 및 제2 재료 특성을 결정
S4: 재료 특성들을 비교
S5: 전극층의 특유의 특성을 결정
T1: 배터리 저장 디바이스에 전극층을 삽입
T2: 배터리 저장부 작동 및 작동 데이터 결정
T3: 품질 값을 결정하고, 이를 특유의 특성과 상호 연관시킴
K1: 제1 AI 엔진에 의해 화소들을 재료 특성의 등급들로 분류

Claims (14)

  1. 전극층 생산 시설(8)에서 배터리 저장 디바이스(50)용 전극층(4)을 분석하기 위한 방법으로서,
    - 화소들을 캡처하는 초분광 카메라(hyperspectral camera)(5)를 제공하는 단계,
    - 상기 전극층(4)의 적어도 2 개의 화소들을 포함하는 이미지를 획득하는 단계 ― 제1 화소는 상기 전극층(4)의 제1 위치를 나타내고, 제2 화소는 상기 전극층(4)의 제2 위치를 나타내며, 상기 제1 위치 및 상기 제2 위치는 서로 인접하여 배치됨 ―,
    - 컴퓨팅 유닛(100)에서, 상기 제1 화소에 기초하여 상기 제1 위치에서의 상기 전극층(4)의 제1 재료 특성을 결정하고, 상기 제2 화소에 기초하여 상기 제2 위치에서의 상기 전극층의 제2 재료 특성을 결정하는 단계,
    - 상기 제1 위치 및 상기 제2 위치에서의 상기 재료 특성을 비교하고, 비교 값을 결정하는 단계,
    - 상기 비교 값에 기초하여 상기 전극층(4)의 특유의 특성(characteristic property)들을 결정하는 단계를 포함하는, 전극층 분석 방법.
  2. 제1 항에 있어서,
    상기 전극층(4)의 층 두께, 재료 조성 구배, 재료 균질성 값 및/또는 수분 값 및/또는 상기 전극층(4)에서의 균열들이 특유의 특성으로서 결정되는, 전극층 분석 방법.
  3. 제1 항 또는 제2 항에 있어서,
    제1 AI 엔진(111)은 컴퓨터 보조식 재료 특성 결정을 위해 사용되는, 전극층 분석 방법.
  4. 제3 항에 있어서,
    상기 제1 AI 엔진(111)은 딥 러닝 방법들을 사용하여 학습되어 상기 화소들을 재료 특성들의 등급들로 분류하는, 전극층 분석 방법.
  5. 제1 항 내지 제4 항 중 어느 한 항에 있어서,
    상기 전극층(4)이 상기 배터리 저장 디바이스(50)의 배터리 셀에 삽입되고, 상기 배터리 저장 디바이스(50)가 작동되고, 상기 배터리 저장 디바이스(50)의 작동 데이터(103)가 결정되고, 이 작동 데이터(103)가 상기 배터리 저장 디바이스(50)의 품질 값을 결정하는 데 사용되고, 상기 품질 값은 상기 특유의 특성과 상관관계가 있는, 전극층 분석 방법.
  6. 제5 항에 있어서,
    제2 AI 엔진(112)은 상기 품질 값을 품질 등급들로 분류하고, 이러한 품질 등급들에 기초하여 상기 특유의 특성의 평가를 수행하도록 학습되는, 전극층 분석 방법.
  7. 제5 항 또는 제6 항에 있어서,
    상기 배터리 저장 디바이스(50)의 시효 특성, 용량 및/또는 내부 저항이 상기 품질 값으로서 사용되는, 전극층 분석 방법.
  8. 제1 항 내지 제7 항 중 어느 한 항에 있어서,
    상기 전극층(4)의 이미지는 상기 배터리 저장 디바이스(50)의 생산 공정 동안 캡처되는, 전극층 분석 방법.
  9. 제1 항 내지 제8 항 중 어느 한 항에 있어서,
    전극층 페이스트 내의 용매의 양이 수분 값으로서 결정되는, 전극층 분석 방법.
  10. 배터리 저장 디바이스(50)를 생산하기 위한 방법으로서,
    - 제1 항 내지 제9 항 중 어느 한 항에 청구된 것과 같은 방법에 따른 배터리 저장 디바이스(50)용 전극층(4) 분석 단계,
    - 적어도 하나의 특유의 특성 및/또는 적어도 하나의 품질 값에 기초하여, 상기 전극층(4)을 생산하기 위한 적어도 하나의 생산 조건을 조정하는 단계를 포함하는, 배터리 저장 디바이스 생산 방법.
  11. 제10 항에 있어서,
    상기 전극층(4)을 생산하기 위한 적어도 하나의 생산 조건이 적어도 2 개의 특유의 특성들 및/또는 적어도 2 개의 품질 값들에 기초하여 조정되는, 배터리 저장 디바이스 생산 방법.
  12. 제10 항 또는 제11 항에 있어서,
    전극 슬러리(2)의 용매 함량, 온도들, 상기 전극 슬러리(2)의 혼합 정도 및/또는 상기 전극 슬러리(2)를 캐리어 기판(3)에 도포하는 속도가 생산 조건들로서 조정되는, 배터리 저장 디바이스 생산 방법.
  13. 배터리 저장 디바이스(50)를 생산하기 위한 생산 유닛(1)으로서,
    - 초분광 카메라(5)를 포함하는 전극층 생산 시설(8) 및 제1 항 내지 제9 항 중 어느 한 항에 청구된 것과 같은 방법을 수행하도록 설계된 컴퓨팅 유닛(100)을 포함하는, 배터리 저장 디바이스를 생산하기 위한 생산 유닛.
  14. 프로그래밍 가능한 컴퓨팅 유닛(100)의 메모리에 직접 로드 가능한 컴퓨터 프로그램 제품으로서,
    상기 컴퓨터 프로그램 제품이 상기 컴퓨팅 유닛(100)에서 실행될 때, 제1 항 내지 제9 항 중 어느 한 항에 청구된 것과 같은 방법을 수행하기 위한 프로그램 코드 수단을 포함하는, 컴퓨터 프로그램 제품.
KR1020237032446A 2021-02-26 2022-02-01 배터리 저장 디바이스의 전극층을 분석하기 위한 방법, 배터리 저장 디바이스를 생산하기 위한 방법 및 생산 유닛 KR20230146653A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP21159596.2A EP4050695A1 (de) 2021-02-26 2021-02-26 Verfahren zur analyse einer elektrodenschicht eines batteriespeichers und herstellungsverfahren eines batteriespeichers, herstellungseinheit
EP21159596.2 2021-02-26
EP21162908.4 2021-03-16
EP21162908.4A EP4060766A1 (de) 2021-03-16 2021-03-16 Computergestütztes verfahren zur analyse einer elektrodenschicht einer batteriezelle mittels einer ki-engine, verfahren zum trainieren einer ki-engine, herstellungsverfahren eines batteriespeichers und herstellungseinheit
PCT/EP2022/052305 WO2022179810A1 (de) 2021-02-26 2022-02-01 Verfahren zur analyse einer elektrodenschicht eines batteriespeichers und herstellungsverfahren eines batteriespeichers, herstellungseinheit

Publications (1)

Publication Number Publication Date
KR20230146653A true KR20230146653A (ko) 2023-10-19

Family

ID=80447115

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237032446A KR20230146653A (ko) 2021-02-26 2022-02-01 배터리 저장 디바이스의 전극층을 분석하기 위한 방법, 배터리 저장 디바이스를 생산하기 위한 방법 및 생산 유닛

Country Status (6)

Country Link
US (2) US20240230546A9 (ko)
EP (2) EP4275240A1 (ko)
JP (1) JP2024514231A (ko)
KR (1) KR20230146653A (ko)
CA (1) CA3208845A1 (ko)
WO (2) WO2022179807A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230368367A1 (en) * 2022-05-13 2023-11-16 GM Global Technology Operations LLC Battery component inspection based on optical and thermal imaging
WO2024058491A1 (ko) * 2022-09-15 2024-03-21 주식회사 엘지에너지솔루션 제어 인자 산출 장치 및 그의 동작 방법
WO2024203927A1 (ja) * 2023-03-31 2024-10-03 日本ゼオン株式会社 二次電池用積層体の製造方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0850900A (ja) * 1994-08-05 1996-02-20 Toshiba Corp 診断機能付電池製造装置

Also Published As

Publication number Publication date
EP4275244A1 (de) 2023-11-15
JP2024514231A (ja) 2024-03-29
EP4275240A1 (de) 2023-11-15
CA3208845A1 (en) 2022-09-01
US20240230546A9 (en) 2024-07-11
US20240133819A1 (en) 2024-04-25
WO2022179810A1 (de) 2022-09-01
WO2022179807A1 (de) 2022-09-01
US20240303800A1 (en) 2024-09-12

Similar Documents

Publication Publication Date Title
KR20230146653A (ko) 배터리 저장 디바이스의 전극층을 분석하기 위한 방법, 배터리 저장 디바이스를 생산하기 위한 방법 및 생산 유닛
Silvén et al. Wood inspection with non-supervised clustering
CN112967942B (zh) 晶圆测试方法和装置、计算机存储介质及计算机设备
US8817251B2 (en) Defect inspection method
TW201321911A (zh) 產生用於製造工具之配方的方法及其系統
CN115360116B (zh) 一种晶圆的缺陷检测方法及系统
CN115494394A (zh) 鉴定电池质量的电化学方法
EP4050695A1 (de) Verfahren zur analyse einer elektrodenschicht eines batteriespeichers und herstellungsverfahren eines batteriespeichers, herstellungseinheit
CN117274245B (zh) 基于图像处理技术的aoi光学检测方法及系统
CN108765391A (zh) 一种基于深度学习的平板玻璃异物影像分析方法
KR20220046824A (ko) 리튬 이차 전지의 용접부 검사 방법
CN113725112B (zh) 晶圆检测方法、系统和检测机台
CN116941094A (zh) 用于分析电池存储器的电极层的方法和电池存储器的制造方法、制造单元
EP4356455A1 (de) Herstellungsverfahren und -anlage für batteriespeicher
EP4187673A1 (en) Method for inspecting lithium secondary battery
CN116203036A (zh) 引线框架的瑕疵检测方法及基于标准引线框架的检测模板
CN117606371B (zh) 一种基于视觉检测的涂布厚度在线监控系统和方法
JPH10214870A (ja) 半導体装置の製造方法
TWI855579B (zh) 檢查系統以及人工智慧模型資料的管理方法
CN110400389B (zh) 获得同类型组件中重要特征的方法和对其组件分类的方法
DE102022127459A1 (de) Inspektion von batteriekomponenten mit optischer und thermischer bildgebung
US10823685B2 (en) Method and system to automatically inspect parts using x-rays
EP4273957A1 (de) Bestimmung von inhomogenitäten bei der elektrodenfertigung für batteriezellen
Singler et al. Prediction of Screen‐Printed Electrodes with Fine‐Line and Arbitrary Structures
Babu Defect detection in Betaguard yellow sealing of Volvo car battery lids using advanced computer vision and deep learning techniques