KR20240096265A - Method for detecting heat generation of battery based on unsupervised learning and device supporting the same - Google Patents

Method for detecting heat generation of battery based on unsupervised learning and device supporting the same Download PDF

Info

Publication number
KR20240096265A
KR20240096265A KR1020220178761A KR20220178761A KR20240096265A KR 20240096265 A KR20240096265 A KR 20240096265A KR 1020220178761 A KR1020220178761 A KR 1020220178761A KR 20220178761 A KR20220178761 A KR 20220178761A KR 20240096265 A KR20240096265 A KR 20240096265A
Authority
KR
South Korea
Prior art keywords
battery
reference model
unsupervised learning
processor
spectral image
Prior art date
Application number
KR1020220178761A
Other languages
Korean (ko)
Inventor
박영현
정형주
김형석
Original Assignee
에스케이플래닛 주식회사
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 에스케이플래닛 주식회사 filed Critical 에스케이플래닛 주식회사
Priority to KR1020220178761A priority Critical patent/KR20240096265A/en
Priority to PCT/KR2023/008203 priority patent/WO2024135959A1/en
Publication of KR20240096265A publication Critical patent/KR20240096265A/en

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하는 단계, 상기 현재 분광 이미지에 대한 클러스터링을 수행하는 단계, 상기 클러스터링 결과를, 비지도 학습을 통해 생성된 기준 모델과 비교하는 단계, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하는 단계, 상기 판정 결과를 출력하는 단계를 포함하는 배터리 발열 검사 방법 및 이를 지원하는 장치를 개시할 수 있다.The present invention includes collecting a current spectral image of a battery being charged or discharged, performing clustering on the current spectral image, and comparing the clustering result with a reference model generated through unsupervised learning. If the clustering result value is within the range designated as the normal category in the reference model, the battery corresponding to the current spectral image is determined to be a good product, and if the clustering result value is outside the range designated as the normal category in the reference model, the battery is determined to be a good product. A battery heat inspection method and a device supporting the same may be disclosed, including determining that the battery corresponding to a current spectral image is defective and outputting the determination result.

Description

비지도 학습 기반의 배터리 발열 검사 방법 및 이를 지원하는 장치{Method for detecting heat generation of battery based on unsupervised learning and device supporting the same}Unsupervised learning-based battery heat detection method and device supporting the same {Method for detecting heat generation of battery based on unsupervised learning and device supporting the same}

본 발명은 배터리 발열 검사에 관한 것으로서, 더욱 상세하게는 비지도 학습 기반의 배터리 발열 검사 기술에 관한 것이다. The present invention relates to battery thermal testing, and more specifically, to unsupervised learning-based battery thermal testing technology.

휴대용 전자 기기에 대한 수요가 증가하면서, 다양한 형태 및 크기의 휴대용 전자 기기가 제작 및 판매되고 있으며, 점진적으로, 대량의 휴대용 전자 기기가 사용되고 있다. 휴대용 전자 기기는 전원으로서, 배터리 또는 2차 전지가 이용되고 있다. 또한, 최근에는 전기자동차(electronic vehichle, EV), 하이브리드 전기자동차(HEV)의 동력원이나 전력 저장 장치로서 이차전지의 사용이 현실화되고 있다. As the demand for portable electronic devices increases, portable electronic devices of various shapes and sizes are being manufactured and sold, and gradually, large quantities of portable electronic devices are being used. Portable electronic devices use batteries or secondary batteries as a power source. In addition, recently, the use of secondary batteries as a power source or power storage device for electric vehicles (EV) and hybrid electric vehicles (HEV) has become a reality.

상술한 바와 같이, 다양한 분야에서 이차전지에 대해 많은 연구가 행해지고 있으며, 특히, 높은 에너지 밀도, 높은 방전 전압 및 출력 안정성을 가질 수 있는 이차전지 연구에 집중되고 있다. 일 예로서, 전기자동차 등에 사용되는 리튬이차전지는 높은 에너지 밀도와 단시간에 큰 출력을 발휘할 수 있는 특성과 더불어, 대전류에 의한 충방전이 단시간에 반복되는 가혹한 조건 하에서 10년 이상 사용될 수 있어야 하므로, 기존의 소형 리튬이차전지보다 월등히 우수한 안전성 및 장기 수명 특성이 필연적으로 요구된다.As described above, much research is being conducted on secondary batteries in various fields, and in particular, research is being focused on secondary batteries that can have high energy density, high discharge voltage, and output stability. As an example, lithium secondary batteries used in electric vehicles, etc. have the characteristics of high energy density and large output in a short period of time, and must be able to be used for more than 10 years under harsh conditions where charging and discharging by large currents is repeated in a short period of time. Safety and long-life characteristics that are significantly superior to those of existing small-sized lithium secondary batteries are inevitably required.

이러한 전기자동차 또는 전력 저장 장치에 사용되는 이차전지는 다수 개가 모듈화된 배터리 팩으로 제조된다. 배터리 팩에 포함된 다수 개의 이차전지는 내부의 전기 화학적 반응에 의하여 충전 또는 방전이 끊임없이 반복적으로 일어난다. 이와 같은 반복적인 충방전 과정은 불가피하게 발열을 수반하게 되는데 상기와 같이 이차전지가 대형화된 구조에서는 반복적인 충방전에 따른 발열 현상이 증가하게 된다. 이러한 배터리 팩에서의 발열은 배터리 팩의 수명을 저하시킬 뿐만 아니라, 폭발 등의 안전사고를 유발할 수 있다. Secondary batteries used in such electric vehicles or power storage devices are manufactured as multiple modular battery packs. A plurality of secondary batteries included in a battery pack are constantly and repeatedly charged or discharged due to internal electrochemical reactions. This repetitive charging and discharging process inevitably involves heat generation, and in a structure where the secondary battery is enlarged as described above, the heat generation phenomenon due to repetitive charging and discharging increases. Heat generated from the battery pack not only reduces the lifespan of the battery pack, but can also cause safety accidents such as explosion.

본 발명은 배터리 생산 과정에서 사람의 개입을 최소화하여 높은 공정 효율을 제공할 수 있도록 지원하는 방법 및 장치를 제공함에 있다. The present invention provides a method and device that helps provide high process efficiency by minimizing human intervention in the battery production process.

그러나, 이러한 본 발명의 목적은 상기의 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.However, the object of the present invention is not limited to the above object, and other objects not mentioned can be clearly understood from the description below.

상술한 바와 같은 목적을 달성하기 위한 비지도 학습 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치는 분광 이미지를 획득하는 분광 카메라, 메모리, 상기 분광 카메라 및 상기 메모리와 기능적으로 연결되는 프로세서를 포함할 수 있다. 프로세서는, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하고, 상기 현재 분광 이미지에 대한 클러스터링을 수행하고, 상기 클러스터링 결과를 상기 메모리에 사전 저장되며 비지도 학습을 통해 생성된 기준 모델과 비교하고, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하도록 설정된 것을 특징으로 한다.A battery heat test device that performs an unsupervised learning-based battery heat test to achieve the above-described purpose may include a spectroscopic camera that acquires a spectral image, a memory, and a processor functionally connected to the spectral camera and the memory. You can. The processor collects a current spectral image of a battery being charged or discharged, performs clustering on the current spectral image, and compares the clustering result with a reference model pre-stored in the memory and generated through unsupervised learning. , if the clustering result value is within the range designated as the normal category in the reference model, the battery corresponding to the current spectral image is determined to be a good product, and if the clustering result value is outside the range designated as the normal category in the reference model, It is characterized in that it is set to determine that the battery corresponding to the current spectral image is defective.

구체적으로, 상기 프로세서는 상기 비지도 학습과 관련하여, 양품 라벨로 지정된 데이터들에 대해 비지도 학습을 수행하고, 상기 양품 라벨로 지정된 데이터의 복원 오차에 대한 평균과 표준편차를 기반으로 상기 정상 범주를 설정하는 것을 특징으로 한다.Specifically, in relation to the unsupervised learning, the processor performs unsupervised learning on data designated as a good product label, and the normal category based on the average and standard deviation of the restoration error of the data designated as a good product label. It is characterized by setting.

구체적으로, 상기 프로세서는 상기 현재 분광 이미지를 사전 정의된 주파수 대역들로 분류하고, 상기 분류된 주파수 대역들 각각에 대해 클러스터링을 수행하고, 각 클러스터링 결과들을 대응되는 기준 모델들과 비교하여 상기 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 한다.Specifically, the processor classifies the current spectral image into predefined frequency bands, performs clustering on each of the classified frequency bands, and compares each clustering result with corresponding reference models to determine the level of the battery. It is characterized in that it is set to perform judgment of good or defective products.

구체적으로, 상기 프로세서는 상기 현재 분광 이미지를 사전 정의된 주파수 대역들로 분류하고, 상기 분류된 주파수 대역들 중 적외선 대역에 대해 클러스터링을 수행하고, 상기 적외선 대역에 대한 클러스터링 결과를, 그에 대응되는 기준 모델과 비교하여 상기 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 한다.Specifically, the processor classifies the current spectral image into predefined frequency bands, performs clustering on an infrared band among the classified frequency bands, and sets the clustering result for the infrared band to a corresponding standard. It is characterized in that it is set to determine whether the battery is good or defective by comparing it with the model.

구체적으로, 상기 프로세서는, 상기 기준 모델의 생성과 관련하여, 상기 배터리의 발열과 관련하여 수집된 복수의 분광 이미지들을 사전 정의된 일정 비율에 따라 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고, 상기 학습용 데이터 셋에 대해 비지도 학습을 수행하여 상기 기준 모델에 대한 학습을 완료하고, 상기 학습이 완료된 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증을 수행하고, 상기 검증 성능 값을 출력하도록 설정된 것을 특징으로 한다.Specifically, in connection with the generation of the reference model, the processor divides a plurality of spectral images collected in relation to heat generation of the battery into a learning data set and a verification data set according to a predefined ratio, and Complete learning of the reference model by performing unsupervised learning on the learning data set, perform performance verification by applying the verification data set to the learned reference model, and output the verification performance value. It is characterized by

구체적으로, 상기 프로세서는, 상기 학습용 데이터 셋 중 양품으로 지정된 데이터들만을 이용하여 비지도 학습을 수행하도록 설정된 것을 특징으로 한다.Specifically, the processor is set to perform unsupervised learning using only data designated as good products among the learning data set.

본 발명의 실시 예에 따른, 배터리 발열 검사 방법은, 배터리 발열 검사 장치의 프로세서가, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하는 단계, 상기 현재 분광 이미지에 대한 클러스터링을 수행하는 단계, 상기 클러스터링 결과를 비지도 학습에 의해 생성된 기준 모델과 비교하는 단계, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하는 단계, 상기 판정 결과를 출력하는 단계를 포함하는 것을 특징으로 한다.According to an embodiment of the present invention, a battery heat inspection method includes the steps of collecting, by a processor of a battery heat test device, a current spectral image of a battery being charged or discharged, performing clustering on the current spectral image, Comparing the clustering result with a reference model generated by unsupervised learning, if the clustering result value is within a range designated as a normal category in the reference model, determining the battery corresponding to the current spectral image as a good product, and If the clustering result value is outside the range designated as a normal category in the reference model, determining that the battery corresponding to the current spectral image is defective, and outputting the determination result.

구체적으로, 상기 방법은, 상기 기준 모델을 생성하는 단계를 더 포함하고, 상기 기준 모델을 생성하는 단계는, 수집된 복수의 분광 이미지들을 사전 정의된 일정 비율에 따라 학습용 데이터 셋과 검증용 데이터 셋으로 분할하는 단계, 상기 학습용 데이터 셋에 대해 비지도 학습을 수행하여 상기 기준 모델의 학습을 완료하는 단계, 상기 학습이 완료된 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증을 수행하는 단계, 상기 검증 성능 값을 출력하는 단계를 포함하는 특징으로 한다.Specifically, the method further includes the step of generating the reference model, and the step of generating the reference model includes dividing the plurality of collected spectral images into a training data set and a verification data set according to a predefined constant ratio. A step of dividing, performing unsupervised learning on the training data set to complete learning of the reference model, performing performance verification by applying the verification data set to the learned reference model, It is characterized by including a step of outputting verification performance values.

본 발명의 실시 예에 따른 비지도 학습 기반의 배터리 발열 검사를 지원하는 서버 장치는, 배터리 발열 검사 장치와 통신 채널을 형성하는 서버 통신 회로, 서버 메모리, 상기 서버 통신 회로 및 상기 서버 메모리와 기능적으로 연결되는 서버 프로세서를 포함하고, 상기 서버 프로세서는, 상기 배터리 발열 검사 장치로부터 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수신하고, 상기 현재 분광 이미지에 대한 클러스터링을 수행하고, 상기 클러스터링 결과를 비지도 학습에 의해 생성된 기준 모델과 비교하고, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하며, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하고, 상기 판정 결과를 상기 배터리 발열 검사 장치에 전송하도록 설정된 것을 특징으로 한다.A server device supporting an unsupervised learning-based battery fever test according to an embodiment of the present invention is functionally comprised of a server communication circuit, a server memory, the server communication circuit, and the server memory forming a communication channel with the battery fever test device. Comprising a connected server processor, wherein the server processor receives a current spectral image related to a battery being charged or discharged from the battery heat inspection device, performs clustering on the current spectral image, and outputs the clustering result as an unsupervised Compare with a reference model generated by learning, and if the clustering result value is within a range designated as a normal category in the reference model, the battery corresponding to the current spectral image is determined to be a good product, and the clustering result value is determined as a good product according to the reference model. If it is outside the range designated as a normal category in the model, the battery corresponding to the current spectral image is determined to be defective, and the decision result is transmitted to the battery heat inspection device.

구체적으로, 상기 서버 프로세서는, 상기 기준 모델의 생성과 관련하여, 상기 배터리 발열 검사 장치로부터 수집된 복수의 분광 이미지들을 사전 정의된 일정 비율에 따라 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고, 상기 학습용 데이터 셋에 대해 비지도 학습을 수행하여 상기 기준 모델의 학습을 완료하고, 상기 학습이 완료된 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증을 수행하고, 상기 검증 성능 값을 상기 배터리 발열 검사 장치에 출력하도록 설정된 것을 특징으로 한다.Specifically, in relation to the generation of the reference model, the server processor divides a plurality of spectral images collected from the battery heat inspection device into a learning data set and a verification data set according to a predefined certain ratio, and Complete learning of the reference model by performing unsupervised learning on the learning data set, perform performance verification by applying the verification data set to the learned reference model, and apply the verification performance value to the battery heat test. It is characterized by being set to output to a device.

구체적으로, 상기 서버 프로세서는, 상기 학습용 데이터 셋 중 양품으로 지정된 데이터들만을 이용하여 비지도 학습을 수행하도록 설정된 것을 특징으로 한다. Specifically, the server processor is set to perform unsupervised learning using only data designated as good products among the learning data set.

본 발명에 따르면, 비지도 학습 기반의 배터리의 발열 검사 방법 및 이를 지원하는 장치는 배터리 생산 공정에서 사람 개입을 최소화하여 오류 발생을 개선하면서 공정 효율을 개선할 수 있도록 지원한다. According to the present invention, an unsupervised learning-based battery thermal inspection method and a device supporting the same support minimizing human intervention in the battery production process to improve process efficiency while improving the occurrence of errors.

아울러, 상술한 효과 이외의 다양한 효과들이 후술될 본 발명의 실시 예에 따른 상세한 설명에서 직접적 또는 암시적으로 개시될 수 있다.In addition, various effects other than the effects described above may be disclosed directly or implicitly in the detailed description according to embodiments of the present invention, which will be described later.

도 1은 본 발명의 실시 예에 따른 배터리 발열 검사를 지원하는 시스템 환경의 적어도 일부 예를 나타낸 도면.
도 2는 본 발명의 실시 예에 따른 배터리 발열 검사 장치 구성의 한 예를 나타낸 도면.
도 3은 도 2의 프로세서 구성의 한 예를 나타낸 도면.
도 4는 본 발명의 실시 예에 따른 서버 장치 구성의 한 예를 나타낸 도면.
도 5는 본 발명의 실시 예에 따른 배터리 발열 검사를 위한 기준 모델 생성 방법의 한 예를 나타낸 도면.
도 6은 본 발명의 실시 예에 따른 배터리 발열 검사 방법의 한 예를 나타낸 도면.1 is a diagram illustrating at least a partial example of a system environment supporting battery heat testing according to an embodiment of the present invention.
Figure 2 is a diagram showing an example of the configuration of a battery heat inspection device according to an embodiment of the present invention.
FIG. 3 is a diagram showing an example of the processor configuration of FIG. 2.
Figure 4 is a diagram showing an example of a server device configuration according to an embodiment of the present invention.
Figure 5 is a diagram showing an example of a method for generating a reference model for battery heat inspection according to an embodiment of the present invention.
Figure 6 is a diagram showing an example of a battery heat inspection method according to an embodiment of the present invention.

본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.In order to make the characteristics and advantages of the problem-solving means of the present invention clearer, the present invention will be described in more detail with reference to specific embodiments of the present invention shown in the attached drawings.

다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.However, detailed descriptions of known functions or configurations that may obscure the gist of the present invention are omitted in the following description and attached drawings. Additionally, it should be noted that the same components throughout the drawings are indicated by the same reference numerals whenever possible.

이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.Terms or words used in the following description and drawings should not be construed as limited to their usual or dictionary meanings, and the inventor may appropriately define the concept of the term to explain his or her invention in the best way. It must be interpreted with meaning and concept consistent with the technical idea of the present invention based on the principle that it is. Therefore, the embodiments described in this specification and the configurations shown in the drawings are only one of the most preferred embodiments of the present invention, and do not represent the entire technical idea of the present invention, so at the time of filing the present application, various methods that can replace them are available. It should be understood that equivalents and variations may exist.

또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.In addition, terms containing ordinal numbers, such as first, second, etc., are used to describe various components, and are used only for the purpose of distinguishing one component from other components and to limit the components. Not used. For example, the second component may be referred to as the first component without departing from the scope of the present invention, and similarly, the first component may also be referred to as the second component.

또한, 본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 명세서에서 기술되는 "포함 한다" 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.Additionally, the terms used in this specification are only used to describe specific embodiments and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In addition, terms such as "comprise" or "have" used in the specification are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more of the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification. It should be understood that this does not exclude in advance the presence or addition of other features, numbers, steps, operations, components, parts, or combinations thereof.

또한, 명세서에 기재된 "부", "기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.Additionally, terms such as “unit,” “unit,” and “module” used in the specification refer to a unit that processes at least one function or operation, and may be implemented as hardware, software, or a combination of hardware and software. In addition, the terms "a or an", "one", "the", and similar related terms are used in the context of describing the invention (particularly in the context of the claims below) as used herein. It may be used in both singular and plural terms, unless indicated otherwise or clearly contradicted by context.

상술한 용어들 이외에, 이하의 설명에서 사용되는 특정 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.In addition to the terms described above, specific terms used in the following description are provided to aid understanding of the present invention, and the use of these specific terms may be changed to other forms without departing from the technical spirit of the present invention.

아울러, 본 발명의 범위 내의 실시 예들은 컴퓨터 실행가능 명령어 또는 컴퓨터 판독가능 매체에 저장된 데이터 구조를 가지거나 전달하는 컴퓨터 판독가능 매체를 포함한다. 이러한 컴퓨터 판독가능 매체는, 범용 또는 특수 목적의 컴퓨터 시스템에 의해 액세스 가능한 임의의 이용 가능한 매체일 수 있다. 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EPROM, CD-ROM 또는 기타 광 디스크 저장장치, 자기 디스크 저장장치 또는 기타 자기 저장장치, 또는 컴퓨터 실행가능 명령어, 컴퓨터 판독가능 명령어 또는 데이터 구조의 형태로 된 소정의 프로그램 코드 수단을 저장하거나 전달하는 데에 이용될 수 있고, 범용 또는 특수 목적 컴퓨터 시스템에 의해 액세스 될 수 있는 임의의 기타 매체와 같은 물리적 저장 매체를 포함할 수 있지만, 이에 한정되지 않는다.Additionally, embodiments within the scope of the present invention include computer-readable media having or transmitting computer-executable instructions or data structures stored on the computer-readable media. Such computer-readable media may be any available media that can be accessed by a general-purpose or special-purpose computer system. By way of example, such computer-readable media may include RAM, ROM, EPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage, or in the form of computer-executable instructions, computer-readable instructions or data structures. It may be used to store or transmit certain program code means, and may include, but is not limited to, a physical storage medium such as any other medium that can be accessed by a general purpose or special purpose computer system. .

이하, 본 발명에서는, 분광 이미지에 대한 비지도 학습을 기반으로 하는 배터리의 발열 검사 기능 지원 시스템 환경 및 이에 포함되는 각 구성들의 종류와 역할에 대하여 설명하기로 한다.Hereinafter, in the present invention, the system environment for supporting the thermal inspection function of a battery based on unsupervised learning of spectral images and the types and roles of each component included therein will be described.

도 1은 본 발명의 실시 예에 따른 비지도 학습 기반의 배터리 발열 검사를 지원하는 시스템 환경의 적어도 일부 예를 나타낸 도면이다.1 is a diagram illustrating at least a partial example of a system environment supporting unsupervised learning-based battery thermal testing according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 비지도 학습 기반의 배터리 발열 검사 기능을 지원하는 시스템 환경(10)은 배터리(50)를 제조하는 과정에서 배터리(50)의 품질 관리를 위해 배터리(50)의 충방전을 수행하면서 발열 검사를 수행할 수 있는 구성들을 포함할 수 있다. 일 예로서, 본 발명의 시스템 환경(10)은 제조 과정에서 모든 배터리(50)에 대한 발열 검사를 수행할 수 있으며, 또는 전체 배터리(50)들 중 일부 배터리들을 샘플링한 후, 샘플링된 배터리(50)에 대해 발열 검사를 수행하는데 이용될 수도 있다. Referring to FIG. 1, the system environment 10 that supports the unsupervised learning-based battery heat inspection function of the present invention is to control the quality of the battery 50 in the process of manufacturing the battery 50. It may include components that can perform a heat test while performing charging and discharging. As an example, the system environment 10 of the present invention can perform a thermal test on all batteries 50 during the manufacturing process, or after sampling some batteries among all batteries 50, the sampled batteries ( 50) can also be used to perform a fever test.

이러한 시스템 환경(10)은 예컨대, 배터리 생산공정 중 품질보증(QA)/품질관리(QC) 공정에서, 제조가 완료된 배터리(50)를 충방전하면서(또는 필요에 따라 제조가 완료되지 않았더라도 충방전이 가능한 배터리를 충전 또는 방전하면서) 배터리의 발열을 검출할 수 있도록 구성될 수 있다. 이를 위하여, 상기 시스템 환경(10)은 배터리(50) 및 배터리 발열 검사 장치(100)를 포함할 수 있다. This system environment 10 is used, for example, in the quality assurance (QA)/quality control (QC) process of the battery production process, while charging and discharging the battery 50 that has been manufactured (or, if necessary, charging even if manufacturing has not been completed). It may be configured to detect heat generation from a battery (while charging or discharging a battery capable of being discharged). To this end, the system environment 10 may include a battery 50 and a battery heat inspection device 100.

일 예로서, 상기 배터리 발열 검사 장치(100)는 배터리(50)가 놓일 수 있는 배터리 거치대(125), 배터리(50) 충방전을 위한 충방전 장치(180)를 포함할 수 있다. 여기서, 상기 배터리 거치대(125) 및 충방전 장치(180) 중 적어도 일부는 배터리 발열 검사 장치(100)와 독립적인 구성일 수 있으며, 또는 배터리 발열 검사 장치(100)의 일 구성에 포함되는 구성일 수 있다. 일 예로서, 상기 충방전 장치(180)만 배터리 발열 검사 장치(100)에 포함될 수도 있다. As an example, the battery heat inspection device 100 may include a battery holder 125 on which the battery 50 can be placed, and a charging and discharging device 180 for charging and discharging the battery 50. Here, at least some of the battery holder 125 and the charge/discharge device 180 may be independent of the battery heat test device 100, or may be included in one configuration of the battery heat test device 100. You can. As an example, only the charging and discharging device 180 may be included in the battery heat inspection device 100.

추가적으로 또는 대체적으로 상기 배터리 발열 검사 장치(100)와 통신 채널을 형성하여 배터리 발열 검사를 지원하는 서버 장치(200)를 더 포함할 수 있다. 일 예로서, 상기 시스템 환경(10)에서는 서버 장치(200)가 배터리 발열 검사 장치(100)를 지원하는 형태로 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 시스템 환경(10)은 상기 서버 장치(200) 구성 없이, 임베이디드 된 프로그램을 실행할 수 있는 전자 장치(예: 배터리 발열 검사 장치(100))를 기반으로 배터리(50)의 발열 검사 및 결과 안내를 수행되도록 구성될 수도 있다. 이 경우, 상기 서버 장치(200) 구성은 시스템 환경(10)의 구성에서 생략될 수 있다.Additionally or alternatively, a server device 200 that supports battery fever testing by forming a communication channel with the battery heat testing device 100 may be further included. As an example, in the system environment 10, the server device 200 supports the battery heat inspection device 100, but the present invention is not limited thereto. For example, the system environment 10 performs a heat test of the battery 50 based on an electronic device capable of executing an embedded program (e.g., battery heat test device 100) without configuring the server device 200. and may be configured to perform result guidance. In this case, the configuration of the server device 200 may be omitted from the configuration of the system environment 10.

상기 배터리(50)는 2차 전지로서, 양극 활물질로 마련된 양극, 음극 활물질로 마련된 음극, 양극과 음극을 분리하는 분리막, 양극과 분리막 사이 또는 음극과 분리막 사이에 배치되는 전해질을 포함할 수 있다. 상술한 배터리(50)는 외부로부터 공급되는 전원을 충전하여 저장하고, 회로 조작에 따라 저장된 전원을 외부로 공급(방전)할 수 있다. 이러한 배터리(50)는 충전과 방전 과정에서 발열이 발생할 수 있으며, 이에 따라, 품질 관리를 위하여 배터리(50)의 발열 검사가 요구될 수 있다. 본 발명에서는 배터리(50)의 충전과 방전 중에 배터리(50)의 발열을 검사하여, 해당 배터리(50)가 양품인지 또는 불량품인지를 구분할 수 있도록 지원한다. 본 발명에서 배터리(50)는 배터리 팩에 감싸진 형태로 배터리 거치대(125)에 놓인 후, 충방전 장치(180)에 의해 충전 또는 방전될 수 있다. 이와 관련하여, 배터리 거치대(125)는 전원과 충방전 장치(180)를 연결하는 배선을 더 포함할 수 있다. The battery 50 is a secondary battery and may include a positive electrode made of a positive electrode active material, a negative electrode made of a negative electrode active material, a separator separating the positive electrode and the negative electrode, and an electrolyte disposed between the positive electrode and the separator or between the negative electrode and the separator. The battery 50 described above can charge and store power supplied from the outside, and supply (discharge) the stored power to the outside according to circuit operation. The battery 50 may generate heat during charging and discharging, and accordingly, a heat inspection of the battery 50 may be required for quality control. In the present invention, the heat generation of the battery 50 is inspected during charging and discharging of the battery 50, and it is possible to distinguish whether the battery 50 is a good product or a defective product. In the present invention, the battery 50 may be placed on the battery holder 125 in a form wrapped in a battery pack and then charged or discharged by the charge/discharge device 180. In this regard, the battery holder 125 may further include wiring connecting the power source and the charging/discharging device 180.

상기 배터리 발열 검사 장치(100)는 제조가 완료된 배터리(50)(또는 배터리 팩)의 충방전 시 발열을 검사할 수 있다. 이와 관련하여, 상기 배터리 발열 검사 장치(100)는 배터리(50)가 놓이는 배터리 거치대(125), 배터리(50) 충방전을 위한 충방전 장치(180), 배터리(50) 충방전 중 배터리(50)에 대한 분광 이미지를 촬영할 수 있는 분광 카메라(120), 충방전 장치(180)와 분광 카메라(120) 제어를 위한 컴퓨팅 장치를 포함할 수 있다. 또한, 상기 배터리 발열 검사 장치(100)는 상기 분광 카메라(120)의 높이 또는 방향 조절을 위한 거치 구조물(129)을 더 포함할 수 있다. 상기 배터리(50)는 제조가 완료되면 품질 보증 및 품질 관리를 위해 배터리 거치대(125)에 이송될 수 있다. 이때, 배터리(50)는 분광 카메라(120)가 촬영할 수 있는 배터리 거치대(125)의 특정 위치에 배치될 수 있다. 배터리 거치대(125)는 배터리(50)가 놓인 후 배터리(50)가 일시적으로 고정될 수 있는 구조물, 배터리(50) 충방전을 위한 전력을 공급하는 충방전 장치(180)가 놓이는 구조물을 포함할 수 있다. 추가적으로, 상기 배터리 거치대(125)는 배터리(50)의 충방전 환경을 제어할 수 있는 온열 장치 또는 냉각 장치 중 적어도 하나를 포함할 수 있다. 이를 기반으로, 배터리 거치대(125)는 컴퓨팅 장치의 제어에 따라 배터리(50)가 충전 또는 방전되는 환경 중 지정된 온도 환경을 제공할 수 있다. The battery heat test device 100 can test heat generation during charging and discharging of the battery 50 (or battery pack) that has been manufactured. In this regard, the battery heat inspection device 100 includes a battery holder 125 on which the battery 50 is placed, a charging and discharging device 180 for charging and discharging the battery 50, and a battery 50 during charging and discharging of the battery 50. ) may include a spectroscopic camera 120 capable of taking spectral images, a charging/discharging device 180, and a computing device for controlling the spectral camera 120. In addition, the battery heat inspection device 100 may further include a mounting structure 129 for adjusting the height or direction of the spectroscopic camera 120. Once manufacturing is completed, the battery 50 can be transferred to the battery holder 125 for quality assurance and quality control. At this time, the battery 50 may be placed at a specific position of the battery holder 125 where the spectroscopic camera 120 can take pictures. The battery holder 125 may include a structure on which the battery 50 can be temporarily fixed after the battery 50 is placed, and a structure on which the charging and discharging device 180 that supplies power for charging and discharging the battery 50 is placed. You can. Additionally, the battery holder 125 may include at least one of a heating device or a cooling device capable of controlling the charging and discharging environment of the battery 50. Based on this, the battery holder 125 can provide a designated temperature environment among the environments in which the battery 50 is charged or discharged according to the control of the computing device.

상기 충방전 장치(180)는 컴퓨팅 장치의 제어에 따라, 배터리 거치대(125)에 거치된 배터리(50)의 충방전을 수행할 수 있다. 이와 관련하여, 충방전 장치(180)는 영구전원에 연결되고, 영구전원으로부터의 전원을 배터리(50)에 공급하거나 또는 배터리(50)에 저장된 전원을 방전시키도록 구성될 수 있다. 배터리(50) 방전과 관련하여 상기 충방전 장치(180)는 배터리(50) 전력을 소모할 수 있는 부하를 포함할 수 있다. 이러한 충방전 장치(180)의 운용을 통하여, 상기 배터리 발열 검사 장치(100)는 배터리(50)가 충전되는 동안 또는 방전되는 동안 분광 카메라(120)를 이용하여 적어도 하나의 분광 이미지를 촬영하고, 촬영된 분광 이미지와 비지도 학습 방식으로 생성된 기준 모델과의 비교를 수행하여 해당 배터리(50)가 양품인지 또는 불량품인지를 판단할 수 있다. 상기 배터리 발열 검사 장치(100)는 상기 기준 모델 생성과 관련하여, 일정 개수 이상의 배터리(50) 충방전 상태를 촬영한 분광 이미지들을 획득할 수 있다. The charging and discharging device 180 may charge and discharge the battery 50 mounted on the battery holder 125 under the control of the computing device. In this regard, the charge/discharge device 180 may be connected to a permanent power source and configured to supply power from the permanent power source to the battery 50 or to discharge power stored in the battery 50 . In relation to discharging the battery 50, the charging and discharging device 180 may include a load that can consume power from the battery 50. Through the operation of this charge/discharge device 180, the battery heat inspection device 100 captures at least one spectroscopic image using the spectroscopic camera 120 while the battery 50 is being charged or discharged, It is possible to determine whether the battery 50 is a good product or a defective product by comparing the captured spectral image with a reference model generated by an unsupervised learning method. In connection with generating the reference model, the battery heat inspection device 100 may acquire spectroscopic images of the charging and discharging states of a certain number of batteries 50 or more.

추가적으로, 상기 배터리 발열 검사 장치(100)는 서버 장치(200)를 통하여 배터리(50)에 대한 발열 검사 기능을 처리할 수 있다. 이 경우, 배터리 발열 검사 장치(100)는 배터리(50)에 대한 분광 이미지를 서버 장치(200)에 전송한 후, 서버 장치(200)로부터 배터리 발열 검사 결과를 수신하여 출력하도록 구성될 수 있다. 또한, 상기 배터리 발열 검사 장치(100)가 별도의 서버 장치(200) 운용 없이 독립적으로 발열 검사 기능 수행 및 양품 판정을 수행하도록 구성될 수도 있다. Additionally, the battery fever test device 100 may process a heat check function for the battery 50 through the server device 200. In this case, the battery heat test device 100 may be configured to transmit a spectral image of the battery 50 to the server device 200 and then receive and output the battery heat test result from the server device 200. Additionally, the battery heat test device 100 may be configured to independently perform a heat test function and determine good quality products without operating a separate server device 200.

상기 서버 장치(200)는 상기 배터리 발열 검사 장치(100)와 통신 채널을 형성할 수 있다. 상기 서버 장치(200)는 배터리 발열 검사 장치(100)로부터 배터리(50)에 대한 적어도 하나의 분광 이미지를 수신하고, 수신된 적어도 하나의 분광 이미지를 분석하여 배터리 발열 상태 검출을 수행할 수 있다. 이 과정에서, 상기 서버 장치(200)는 현재 획득한 분광 이미지에 대한 비교 분석을 위하여 서버 기준 모델을 사전 저장할 수 있다. 상기 서버 장치(200)에 저장되는 서버 기준 모델은 배터리 발열 검사 장치(100)가 수집하여 제공한 분광 이미지들의 비지도 학습을 통하여 생성될 수도 있다. 상기 서버 장치(200)는 현재 획득된 배터리(50)에 대한 분광 이미지의 분석 결과를 배터리 발열 검사 장치(100)에 제공할 수 있다. The server device 200 may form a communication channel with the battery fever test device 100. The server device 200 may receive at least one spectral image of the battery 50 from the battery heat inspection device 100 and analyze the at least one received spectral image to detect the battery heat state. In this process, the server device 200 may pre-store a server reference model for comparative analysis of the currently acquired spectral image. The server reference model stored in the server device 200 may be created through unsupervised learning of spectral images collected and provided by the battery heat inspection device 100. The server device 200 may provide the analysis result of the currently acquired spectroscopic image of the battery 50 to the battery heat inspection device 100.

상술한 바와 같이, 본 발명의 실시 예에 따른 배터리 발열 검사 기능을 지원하는 시스템 환경(10)은 배터리(50)에 관한 분광 이미지를 배터리 발열 검사 장치(100)가 획득하고, 사전 저장된 기준 모델과 비교하여 배터리 발열 상태를 확인함으로써, 배터리(50)의 양품 및 불량품 판정을 처리할 수 있도록 지원한다. As described above, the system environment 10 supporting the battery heat test function according to an embodiment of the present invention allows the battery heat test device 100 to acquire a spectral image of the battery 50, and a pre-stored reference model and By comparing and checking the battery heating status, it supports the determination of good and defective batteries 50.

도 2는 본 발명의 실시 예에 따른 배터리 발열 검사 장치 구성의 한 예를 나타낸 도면이며, 도 3은 도 2의 프로세서 구성의 한 예를 나타낸 도면이다. FIG. 2 is a diagram showing an example of the configuration of a battery heat inspection device according to an embodiment of the present invention, and FIG. 3 is a diagram showing an example of the processor configuration of FIG. 2.

먼저, 도 2를 참조하면, 본 발명의 실시 예에 따른 배터리 발열 검사 장치(100)는 통신 회로(110), 분광 카메라(120), 메모리(130), 입력부(140), 디스플레이(160), 충방전 장치(180) 및 프로세서(150)를 포함할 수 있다. 추가적으로 또는 대체적으로 상기 배터리 발열 검사 장치(100)는 상기 배터리(50)의 발열 상태와 관련한 센서 정보를 수집할 수 있는 접촉식 센서 또는 비접촉식 센서 중 적어도 하나를 포함하는 센서부(190)를 더 포함할 수도 있다. 상기 센서부(190) 구성은 상기 배터리 발열 검사 장치(100)에서 생략될 수 있으며, 또한, 상기 통신 회로(110), 입력부(140), 디스플레이(160), 충방전 장치(180) 중 적어도 하나 역시 상기 배터리 발열 검사 장치(100)에서 생략될 수 있다. 예컨대, 상기 배터리 발열 검사 장치(100)는 디스플레이(160) 구성을 포함하지 않고, 발열 검사에 관한 정보를 통신 회로(110)를 통해 지정된 사용자 단말에 전송하도록 구성될 수 있다. 상기 충방전 장치(180)는 앞서 언급한 바와 같이, 배터리 발열 검사 장치(100)의 구성이 아닌 별도의 시스템 환경(10) 구성으로 배치될 수 있다. First, referring to FIG. 2, the battery heat inspection device 100 according to an embodiment of the present invention includes a communication circuit 110, a spectroscopic camera 120, a memory 130, an input unit 140, a display 160, It may include a charging/discharging device 180 and a processor 150. Additionally or alternatively, the battery heat inspection device 100 further includes a sensor unit 190 including at least one of a contact sensor or a non-contact sensor capable of collecting sensor information related to the heat state of the battery 50. You may. The configuration of the sensor unit 190 may be omitted from the battery heat inspection device 100, and at least one of the communication circuit 110, input unit 140, display 160, and charge/discharge device 180 Also, it may be omitted from the battery heat inspection device 100. For example, the battery fever test device 100 may not include a display 160 and may be configured to transmit information about the heat check to a designated user terminal through the communication circuit 110. As mentioned above, the charging and discharging device 180 may be arranged in a separate system environment 10 rather than the battery heat inspection device 100.

추가로, 상기 배터리 발열 검사 장치(100)는 앞서 도 1에서 설명한 바와 같이, 상기 적어도 하나의 분광 카메라(120)를 이용하여 배터리(50)에 대한 분광 이미지를 촬영할 수 있도록 상기 분광 카메라(120)와 배터리(50) 사이의 촬영 거리 또는 촬영 각도 중 적어도 하나를 조절할 수 있는 거치 구조물(129) 및 배터리(50)가 놓이는 배터리 거치대(125) 구성 중 적어도 하나를 더 포함할 수 있다. 또한, 상기 배터리 발열 검사 장치(100)는 상술한 구성들 예컨대, 통신 회로(110), 분광 카메라(120), 메모리(130), 입력부(140), 디스플레이(160), 충방전 장치(180), 센서부(190) 및 프로세서(150) 중 적어도 하나의 운용에 필요한 전원부(예: 영구전원 또는 배터리)를 더 포함할 수 있다. 상기 전원부는 충방전 장치(180)를 통해 배터리(50)에 전력을 공급하는 영구전원이 될 수도 있다. Additionally, as previously described in FIG. 1, the battery heat inspection device 100 includes the spectroscopic camera 120 to capture a spectral image of the battery 50 using the at least one spectral camera 120. It may further include at least one of a holding structure 129 capable of adjusting at least one of the shooting distance or shooting angle between the battery 50 and the battery 50 and a battery holder 125 on which the battery 50 is placed. In addition, the battery heat inspection device 100 includes the above-described components, such as a communication circuit 110, a spectroscopic camera 120, a memory 130, an input unit 140, a display 160, and a charging/discharging device 180. , it may further include a power supply unit (eg, a permanent power source or battery) required for the operation of at least one of the sensor unit 190 and the processor 150. The power supply unit may be a permanent power source that supplies power to the battery 50 through the charge/discharge device 180.

상기 통신 회로(110)는 배터리 발열 검사 장치(100)의 통신 기능을 지원할 수 있다. 일 예로, 상기 통신 회로(110)는 서버 장치(200)와 통신 채널을 형성할 수 있다. 본 발명의 실시 예에 따른 배터리(50)의 분광 이미지 분석에 필요한 연산을 서버 장치(200)에서 수행하도록 설계된 경우, 통신 회로(110)는 분광 카메라(120)가 수집한 적어도 하나의 분광 이미지를 서버 장치(200)에 전송할 수 있다. 또한, 상기 통신 회로(110)는 설정에 따라 또는 프로세서(150) 제어에 따라, 서버 장치(200)로부터 분광 이미지의 분석 결과(예: 배터리(50)의 발열 상태에 따른 상태 이상 결과)를 수신하여 프로세서(150)에 전달할 수 있다. 또는, 상기 통신 회로(110)는 배터리(50)의 발열 정보(또는 배터리(50)의 상태 이상 판정 결과)를 지정된 사용자 단말(예: 배터리 발열 검사 장치(100)의 관리자가 소유한 단말)에 전송할 수 있다.The communication circuit 110 may support the communication function of the battery fever test device 100. As an example, the communication circuit 110 may form a communication channel with the server device 200. When the server device 200 is designed to perform the calculations required for analyzing the spectral image of the battery 50 according to an embodiment of the present invention, the communication circuit 110 stores at least one spectral image collected by the spectral camera 120. It can be transmitted to the server device 200. In addition, the communication circuit 110 receives analysis results of the spectral image (e.g., abnormal status results according to the heat generation state of the battery 50) from the server device 200 according to settings or control of the processor 150. This can be transmitted to the processor 150. Alternatively, the communication circuit 110 transmits the heat generation information of the battery 50 (or the result of determining an abnormal condition of the battery 50) to a designated user terminal (e.g., a terminal owned by the manager of the battery heat inspection device 100). Can be transmitted.

추가적으로 또는 대체적으로, 통신 회로(110)는 외부 서버 장치와 통신 채널을 형성하고, 상기 외부 서버 장치로부터 기준 모델(131)을 수신할 수도 있다. 상기 기준 모델(131)은 일정 개수 이상의 분광 이미지들에 대해 비지도 학습을 수행한 모델을 포함할 수 있다. 이와 관련하여, 통신 회로(110)는 프로세서(150) 제어에 대응하여 일정 주기로 외부 서버 장치와 통신 채널을 형성하고, 새롭게 갱신된 기준 모델(131)이 있는 경우, 갱신된 기준 모델(131)을 외부 서버 장치로부터 수신하여 메모리(130)에 저장(또는 갱신)할 수 있다. Additionally or alternatively, the communication circuit 110 may form a communication channel with an external server device and receive the reference model 131 from the external server device. The reference model 131 may include a model that performs unsupervised learning on a certain number of spectral images or more. In this regard, the communication circuit 110 forms a communication channel with an external server device at a certain period in response to the control of the processor 150, and when a newly updated reference model 131 is available, the updated reference model 131 is used. It can be received from an external server device and stored (or updated) in the memory 130.

상기 분광 카메라(120)는 앞서 도 1에서 설명한 배터리 발열 검사 장치(100)의 분광 카메라(120)로서, 배터리(50)에 대한 분광 이미지를 촬영할 수 있도록 배치될 수 있다. 앞서 도 1에서는 배터리 발열 검사 장치(100)가 하나의 분광 카메라(120)를 포함하는 형태를 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 분광 카메라(120)는 복수개가 배치될 수도 있다. 복수개의 분광 카메라들이 배치되는 경우, 복수개의 분광 카메라들은 배터리(50)를 다양한 각도 또는 다양한 거리에서 촬영하도록 배치될 수 있다. 상기 분광 카메라(120)는 프로세서(150) 제어에 대응하여 활성화되고, 배터리(50)에 대한 분광 이미지는 프로세서(150)에 전달될 수 있다. 또는, 프로세서(150) 제어에 대응하여, 분광 카메라(120)가 획득한 분광 이미지는 통신 회로(110)를 통해 서버 장치(200)에 전송될 수도 있다. The spectral camera 120 is the spectral camera 120 of the battery heat inspection device 100 previously described in FIG. 1 and may be arranged to capture a spectral image of the battery 50. Previously, in FIG. 1, the battery heat inspection device 100 was illustrated to include one spectral camera 120, but the present invention is not limited thereto. For example, a plurality of spectral cameras 120 may be arranged. When a plurality of spectroscopic cameras are deployed, the plurality of spectroscopic cameras may be arranged to photograph the battery 50 at various angles or at various distances. The spectral camera 120 may be activated in response to control by the processor 150, and the spectral image of the battery 50 may be transmitted to the processor 150. Alternatively, in response to control by the processor 150, the spectroscopic image acquired by the spectral camera 120 may be transmitted to the server device 200 through the communication circuit 110.

상기 메모리(130)는 배터리 발열 검사 장치(100) 운용에 필요한 적어도 하나의 프로그램 또는 데이터를 저장할 수 있다. 일 예로, 메모리(130)는 배터리 발열 검사 기능과 관련한 어플리케이션, 적어도 하나의 분광 카메라(120) 구동에 필요한 제어 프로그램, 적어도 하나의 분광 카메라(120)를 통해 획득된 분광 이미지(133)를 임시 또는 반영구적으로 저장할 수 있다. 예컨대, 상기 메모리(130)는 배터리(50)에 대해 현재 촬영된 분광 이미지와 비교 분석하는데 이용되는 기준 모델(131)을 저장할 수 있다. 상기 기준 모델(131)은 앞서 언급한 바와 같이, 외부 서버 장치로부터 수신될 수 있다. 또는, 상기 기준 모델(131)은 복수개의 분광 이미지(133)가 사전 정의된 일정량 이상 누적 저장된 경우, 상기 분광 이미지(133)들에 대한 비지도 학습을 통해 생성될 수도 있다. 상기 분광 이미지(133)는 비지도 학습을 위하여 복수개의 데이터(예: 멀티모달 데이터)로 분할 될 수 있다. 추가적으로 또는 대체적으로, 상기 메모리(130)는 센서부(190)가 수집한 센서 정보를 저장할 수 있다. 상기 메모리(130)에 저장되는 센서 정보는 상기 분광 이미지(133)가 획득된 시점과 동일 시점 또는 분광 이미지(133)가 획득된 시점과 사전 정의된 일정 범위 이내로 가까운 시점(또는 분광 이미지(133) 획득된 시점과 가장 가까운 시점)에 획득된 센서 정보를 포함할 수 있다. 상기 센서 정보는 분광 이미지(133) 기반의 배터리(50)의 양품 및 불량품 지정 또는 비지도 학습에 이용될 수 있다. 상기 멀티모달 데이터는 상기 센서정보와 함께 멀티모달 데이터 셋으로 상기 메모리(130)에 저장될 수도 있다. The memory 130 may store at least one program or data necessary for operating the battery heat test device 100. As an example, the memory 130 temporarily or It can be stored semi-permanently. For example, the memory 130 may store a reference model 131 used for comparative analysis with a currently captured spectroscopic image of the battery 50. As mentioned above, the reference model 131 may be received from an external server device. Alternatively, the reference model 131 may be generated through unsupervised learning on the spectral images 133 when a plurality of spectral images 133 are accumulated and stored more than a predefined amount. The spectral image 133 may be divided into a plurality of data (eg, multimodal data) for unsupervised learning. Additionally or alternatively, the memory 130 may store sensor information collected by the sensor unit 190. The sensor information stored in the memory 130 is the same as the point in time at which the spectral image 133 was acquired, or at a point within a predefined range close to the point in time at which the spectral image 133 was acquired (or when the spectral image 133 is acquired). It may include sensor information acquired at a time point closest to the point of acquisition. The sensor information can be used for designating good and defective batteries 50 based on the spectral image 133 or for unsupervised learning. The multimodal data may be stored in the memory 130 as a multimodal data set along with the sensor information.

상기 메모리(130)는 양품 라벨 데이터(135)를 별도로 저장할 수 있다. 상기 양품 라벨 데이터(135)는 상기 기준 모델(131) 생성과 관련하여 배터리(50) 충전 또는 방전 중에 수집된 분광 이미지들 중 배터리(50)의 발열 상태가 사전 정의된 기준 값 미만인 양품 특성을 가지는 분광 이미지들을 포함할 수 있다. 일 예로서, 상기 센서 정보 중 배터리(50)의 온도를 검출한 센서 정보를 통해 배터리(50)의 발열이 기준 값 미만인 시점과 동일한 시점에 획득된 분광 이미지들이 상기 양품 라벨 데이터(135)로 저장될 수 있다. 또는, 상기 양품 라벨 데이터(135)에는 양품으로 확인된 분광 이미지들을 사전 정의된 주파수 대역별로 분류한 멀티모달 데이터를 포함할 수 있다. 다른 예로서, 상기 양품 라벨 데이터(135)는 사용자가 양품으로 입력한 배터리(50)를 촬영한 분광 이미지들을 포함할 수 있다. The memory 130 may separately store non-defective product label data 135. The non-defective label data 135 has non-defective product characteristics such that the heat generation state of the battery 50 is less than a predefined reference value among the spectroscopic images collected during charging or discharging of the battery 50 in relation to the generation of the reference model 131. May include spectroscopic images. As an example, spectral images obtained at the same time as the time when the heat generation of the battery 50 is below the reference value through sensor information that detects the temperature of the battery 50 among the sensor information are stored as the non-defective label data 135. It can be. Alternatively, the non-defective product label data 135 may include multimodal data that classifies spectral images confirmed as non-defective products by predefined frequency bands. As another example, the non-defective label data 135 may include spectroscopic images taken of the battery 50 that the user entered as a non-defective product.

상기 입력부(140)는 상기 배터리 발열 검사 장치(100) 조작을 위한 다양한 입력 수단을 포함할 수 있다. 예컨대, 상기 입력부(140)는 배터리(50)의 발열 검사 기능과 관련한 어플리케이션 실행을 요청하는 입력 신호, 분광 카메라(120)의 활성화를 위한 입력 신호, 분광 이미지(133) 획득을 위한 분광 카메라(120) 조작 입력 신호, 분광 이미지(133) 분석 결과 출력을 요청하는 입력 신호 중 적어도 하나를 사용자 조작에 따라 생성할 수 있다. 또한, 상기 입력부(140)는 기준 모델(131) 생성을 요청하는 입력 신호를 생성할 수 있다. 일 예로, 기준 모델(131)은 앞서 설명한 멀티모달 데이터 셋의 적어도 일부를 기반으로 생성될 수 있다. 또한, 상기 입력부(140)는 분광 이미지에 대하여 양품 또는 불량품에 대한 라벨 지정에 대응하는 사용자 입력을 수신할 수 있다. 이러한 입력부(140)는, 소프트키(또는 터치스크린이나 터치 패드 기반의 입력 수단), 물리키, 음성 입력 장치, 제스처 입력 장치, 죠그 셔틀 등 다양한 수단 중 적어도 하나를 포함할 수 있다. The input unit 140 may include various input means for manipulating the battery heat test device 100. For example, the input unit 140 may include an input signal requesting execution of an application related to the heat detection function of the battery 50, an input signal for activating the spectral camera 120, and a spectral camera 120 for acquiring a spectral image 133. ) At least one of the manipulation input signal and the input signal requesting output of the analysis result of the spectral image 133 can be generated according to the user manipulation. Additionally, the input unit 140 may generate an input signal requesting the creation of a reference model 131. As an example, the reference model 131 may be created based on at least part of the multimodal data set described above. Additionally, the input unit 140 may receive a user input corresponding to designating a label for a good product or a defective product with respect to the spectral image. The input unit 140 may include at least one of various means such as soft keys (or touch screen or touch pad-based input means), physical keys, voice input devices, gesture input devices, and jog shuttles.

상기 디스플레이(160)는 상기 배터리 발열 검사 장치(100) 운용에 필요한 적어도 하나의 화면을 출력할 수 있다. 예컨대, 상기 디스플레이(160)는 배터리(50) 발열 검사 기능과 관련한 어플리케이션 실행 화면, 배터리 발열 검사 장치(100)에 포함된 적어도 하나의 장치들(예: 분광 카메라(120), 거치 구조물(129), 통신 회로(110), 입력부(140), 충방전 장치(180), 센서부(190) 중 적어도 하나의 장치들)의 정상 상태 여부를 지시하는 화면, 분광 카메라(120) 활성화 화면, 분광 카메라(120)를 통한 분광 이미지(133) 획득 화면, 분광 이미지(133)들 기반으로 기준 모델(131)을 생성하는 화면, 기준 모델(131)의 학습 완료 이후 새 분광 이미지의 분석에 따른 배터리 발열 상태 검출 화면 중 적어도 하나를 출력할 수 있다. 또한, 상기 배터리 발열 검사 장치(100)가 서버 장치(200)와 연계 운용되는 경우, 상기 디스플레이(160)는 서버 장치(200) 접속 화면, 서버 장치(200)로부터 수신된 새 분광 이미지 분석 결과(예: 배터리 발열 상태를 기반으로 한 상태 이상 판정 결과)를 출력할 수 있다. The display 160 may output at least one screen necessary for operating the battery heat inspection device 100. For example, the display 160 may display an application execution screen related to the battery 50 heat test function and at least one device included in the battery heat test device 100 (e.g., spectral camera 120, holding structure 129). , a screen indicating whether the communication circuit 110, the input unit 140, the charging/discharging device 180, and the sensor unit 190 are in a normal state, the spectral camera 120 activation screen, the spectral camera Screen for acquiring the spectral image 133 through (120), screen for generating the reference model 131 based on the spectral images 133, battery heat status according to analysis of the new spectral image after completion of learning of the reference model 131 At least one of the detection screens can be output. In addition, when the battery heat inspection device 100 is operated in conjunction with the server device 200, the display 160 displays the server device 200 connection screen, the new spectral image analysis result received from the server device 200 ( Example: Status abnormality judgment result based on battery heat condition) can be output.

상기 충방전 장치(180)는 배터리 거치대(125)에 거치된 배터리(50)의 충방전을 제어할 수 있다. 이와 관련하여, 충방전 장치(180)는 전원과 직접적으로 연결될 수 있다. 상기 충방전 장치(180)는 프로세서(150) 제어에 대응하여 배터리(50) 충전을 위한 충전 전력을 공급하는 충전 회로, 배터리(50) 방전을 위한 방전 회로를 포함할 수 있다. 상기 배터리(50) 방전을 위하여 상기 충방전 장치(180)는 배터리(50)의 전원을 소모하는 부하를 더 포함할 수도 있다. 상기 충방전 장치(180)는 배터리(50)의 충전 잔량 또는 방전량 등을 검출할 수 있다. The charging and discharging device 180 can control charging and discharging of the battery 50 mounted on the battery holder 125. In this regard, the charging/discharging device 180 may be directly connected to a power source. The charging and discharging device 180 may include a charging circuit for supplying charging power for charging the battery 50 in response to control by the processor 150 and a discharging circuit for discharging the battery 50. In order to discharge the battery 50, the charge/discharge device 180 may further include a load that consumes power of the battery 50. The charge/discharge device 180 can detect the remaining charge or discharge amount of the battery 50.

상기 센서부(190)는 상기 배터리(50) 충전 또는 방전 시, 배터리(50)와 관련한 다양한 센서 정보를 수집할 수 있는 적어도 하나의 센서를 포함할 수 있다. 예컨대, 상기 센서부(190)는 배터리(50)의 충전 또는 방전 시 배터리(50)의 표면 온도를 검출할 수 있는 온도 센서를 포함할 수 있다. 또는, 상기 센서부(190)는 배터리(50)의 충전 또는 방전 시 배터리(50)의 부피 변화를 검출할 수 있는 RGB 센서(또는 RGB 카메라)를 포함할 수 있다. The sensor unit 190 may include at least one sensor capable of collecting various sensor information related to the battery 50 when the battery 50 is charged or discharged. For example, the sensor unit 190 may include a temperature sensor capable of detecting the surface temperature of the battery 50 when the battery 50 is charged or discharged. Alternatively, the sensor unit 190 may include an RGB sensor (or RGB camera) that can detect a change in the volume of the battery 50 when the battery 50 is charged or discharged.

상기 프로세서(150)는 배터리 발열 검사 장치(100) 운용에 필요한 신호의 전달과 처리, 처리 결과의 저장, 처리 결과의 출력 중 적어도 하나를 수행할 수 있다. 예컨대, 상기 프로세서(150)는 배터리(50)의 발열 검사 기능과 관련한 어플리케이션의 실행과 종료를 제어하며, 분광 카메라(120)가 수집한 분광 이미지 또는 외부 서버 장치로부터 수신한 분광 이미지들을 적어도 부분적으로 또는 전체적으로 이용하여 비지도 학습 기반의 기준 모델(131)을 생성하는 과정을 수행할 수 있다. The processor 150 may perform at least one of transmitting and processing signals necessary for operating the battery heat inspection device 100, storing processing results, and outputting the processing results. For example, the processor 150 controls the execution and termination of an application related to the heat detection function of the battery 50, and at least partially uses the spectral images collected by the spectral camera 120 or spectral images received from an external server device. Alternatively, the process of generating an unsupervised learning-based reference model 131 can be performed using the overall process.

또는, 상기 프로세서(150)는 분광 카메라(120)를 제어하여 새 분광 이미지를 획득하고, 획득된 새 분광 이미지를 사전 저장된 기준 모델(131)에 적용하여 배터리 발열 상태에 대한 상태 이상 결과를 출력할 수 있다. 이와 관련하여, 상기 프로세서(150)는 도 3에 도시된 바와 같은 구성을 포함할 수 있다. Alternatively, the processor 150 may control the spectroscopic camera 120 to acquire a new spectral image and apply the acquired new spectral image to the pre-stored reference model 131 to output a status abnormality result for the battery heating state. You can. In this regard, the processor 150 may include a configuration as shown in FIG. 3.

도 3을 참조하면, 상기 프로세서(150)는 충방전 제어부(151), 카메라 제어부(152), 비지도 학습부(153), 발열 검출부(154) 및 상태 안내부(155) 중 적어도 하나를 포함할 수 있다.Referring to FIG. 3, the processor 150 includes at least one of a charge/discharge control unit 151, a camera control unit 152, an unsupervised learning unit 153, a heat detection unit 154, and a status information unit 155. can do.

상기 충방전 제어부(151)는 충방전 장치(180)를 제어하여 배터리(50)의 충전 또는 방전을 제어할 수 있다. 이와 관련하여, 충방전 제어부(151)는 배터리 거치대(125)에 배터리(50)가 놓인 후 충방전 장치(180)와 배터리(50)가 연결되면, 배터리(50)의 잔량을 확인할 수 있다. 이 동작에서, 상기 충방전 제어부(151)는 충방전 장치(180)와 배터리(50) 사이에 연결된 배선을 이용한 통신 또는 근거리 무선 통신 중 적어도 하나를 기반으로 배터리(50) 잔량 정보를 수집할 수 있다. 상기 충방전 제어부(151)는 배터리(50) 정보를 기반으로 배터리(50) 충전 전력의 크기(예: 전압 및 전류량) 및 속도(예: 고속 충전 또는 저속 충전)를 결정하고, 그에 대응하는 충전 전력을 배터리(50)에 공급하도록 제어할 수 있다. 상기 충방전 제어부(151)는 배터리(50) 충전이 시작되면, 이를 카메라 제어부(152)에 안내할 수 있다. 상기 충방전 제어부(151)는 배터리(50)가 사전 정의된 기준 값 이상 충전(예: 100% 충전)되면, 배터리(50) 충전을 완료할 수 있다. 또는, 충방전 제어부(151)는 배터리(50) 완충 이후 사전 정의된 일정 시간 경과 후 배터리(50) 자연 방전량을 확인하고, 자연 방전에 따른 추가 충전 동작을 수행하도록 제어할 수 있다. 상기 충방전 제어부(151)는 사전 정의된 기준 값 이상으로 충전된 배터리(50)의 방전 동작을 수행하도록 충방전 장치(180)를 제어하고, 방전 동작 시작 시, 이에 대한 정보를 카메라 제어부(152)에 전달할 수 있다. 상기 충방전 제어부(151)는 배터리(50) 방전 시, 부하의 크기를 조절하여 다양한 방전 속도(예: 고속 방전 또는 저속 방전)를 가지도록 배터리(50)이 출력을 조절할 수 있다. 부하량 변화 시, 이에 대한 정보를 비지도 학습부(153)에 전달할 수 있다. The charge/discharge control unit 151 may control the charge or discharge of the battery 50 by controlling the charge/discharge device 180. In this regard, the charge/discharge control unit 151 can check the remaining amount of the battery 50 when the battery 50 is placed on the battery holder 125 and the charge/discharge device 180 and the battery 50 are connected. In this operation, the charge/discharge control unit 151 can collect information about the remaining amount of battery 50 based on at least one of communication using a wire connected between the charge/discharge device 180 and the battery 50 or short-distance wireless communication. there is. The charge/discharge control unit 151 determines the size (e.g., voltage and current amount) and speed (e.g., fast charge or slow charge) of the battery 50 charging power based on the battery 50 information, and charges correspondingly. Power can be controlled to be supplied to the battery 50. When charging of the battery 50 begins, the charging/discharging control unit 151 can guide the camera control unit 152 to this effect. The charge/discharge control unit 151 may complete charging of the battery 50 when the battery 50 is charged more than a predefined reference value (e.g., 100% charged). Alternatively, the charge/discharge control unit 151 may check the amount of natural discharge of the battery 50 after a predefined period of time elapses after the battery 50 is fully charged, and control the battery 50 to perform an additional charging operation according to the natural discharge. The charging/discharging control unit 151 controls the charging/discharging device 180 to perform a discharging operation of the battery 50 charged above a predefined reference value, and when the discharging operation starts, information about this is sent to the camera control unit 152. ) can be passed on. When discharging the battery 50, the charge/discharge control unit 151 can adjust the output of the battery 50 to have various discharge rates (eg, high-speed discharge or low-speed discharge) by adjusting the size of the load. When the load changes, information about this can be transmitted to the unsupervised learning unit 153.

상기 충방전 제어부(151)는 배터리(50) 충전 또는 방전 동작 수행 중에, 배터리 거치대(125)를 제어하여 충전 또는 방전을 위한 온도 환경을 사전 정의된 설정 값에 대응되도록 제어할 수 있다. 예컨대, 상기 충방전 제어부(151)는 배터리 거치대(125)에 마련된 온열 장치 또는 냉각 장치를 제어하여 배터리(50)가 충전 또는 방전되는 온도 환경이 지정된 영하 온도 값 미만 상태, 상온 상태, 지정된 영상 온도 값 이상인 상태 등이 되도록 제어할 수 있다. 상기 충방전 제어부(151)는 온도 환경 별 및 충전 전력의 크기 별 배터리(50)의 충전 속도(또는 지정된 목표 충전량까지의 충전 속도) 또는 방전 속도(또는 지정된 목표 방전량까지의 방전 속도)를 수집할 수 있다. 상기 온도 환경에 관한 정보, 충전 전력의 크기 정보, 충전 속도, 방전 속도 등 배터리(50)의 충방전 환경과 관련한 다양한 정보는, 분광 이미지(133) 획득 시, 획득된 분광 이미지(133)와 매칭하여 메모리(130)에 저장될 수 있다. 상기 충방전 제어부(151)의 온도 환경 조절 기능은 선택적으로 수행되는 것으로, 생략될 수도 있다. The charging/discharging control unit 151 may control the battery holder 125 during a charging or discharging operation of the battery 50 to control the temperature environment for charging or discharging to correspond to a predefined setting value. For example, the charging/discharging control unit 151 controls the heating device or cooling device provided in the battery holder 125 to determine whether the temperature environment in which the battery 50 is charged or discharged is below a specified sub-zero temperature value, room temperature, or a specified video temperature. It can be controlled so that it is in a state that is higher than the value. The charge/discharge control unit 151 collects the charge rate (or charge rate to a specified target charge amount) or discharge rate (or discharge rate to a specified target discharge amount) of the battery 50 for each temperature environment and size of charge power. can do. Various information related to the charging and discharging environment of the battery 50, such as information about the temperature environment, information about the size of charging power, charging speed, and discharging speed, are matched with the acquired spectral image 133 when acquiring the spectral image 133. This can be stored in the memory 130. The temperature environment control function of the charge/discharge control unit 151 is performed selectively and may be omitted.

상기 카메라 제어부(152)는 충방전 제어부(151)로부터 배터리(50)의 충전 동작 또는 방전 동작에 대한 정보를 수신하면, 해당 시점에 분광 카메라(120)를 제어하여 배터리(50)에 대한 분광 이미지를 촬영하도록 제어할 수 있다. 상기 카메라 제어부(152)는 기준 모델(131) 생성을 위해 배터리(50)의 다양한 충방전 환경에서 촬영되는 복수개의 분광 이미지들을 수집하여 메모리(130)에 저장할 수 있다. 또는, 상기 카메라 제어부(152)는 상기 배터리(50)가 사전 정의된 일정 량 이상 충전 중인 상태 또는 사전 정의된 충전 속도 또는 방전 속도인 상태에서 분광 이미지를 획득하도록 분광 카메라(120)를 제어할 수도 있다. 기준 모델(131) 생성 이후 또는 학습 완료 이후, 카메라 제어부(152)는 현재 배터리(50)의 발열 상태 판단을 위해 배터리(50)와 관련한 적어도 하나의 분광 이미지를 수집할 수 있다. 예컨대, 카메라 제어부(152)는 충방전 제어부(151)에 요청하여 배터리 거치대(125)를 통해 충방전 온도 환경을 조절하고, 각 온도 환경 별 및 충방전 크기 별 새 분광 이미지들을 수집할 수 있다. When the camera control unit 152 receives information about the charging or discharging operation of the battery 50 from the charging and discharging control unit 151, it controls the spectral camera 120 at the corresponding time to obtain a spectral image of the battery 50. You can control it to shoot. The camera control unit 152 may collect a plurality of spectral images taken in various charging and discharging environments of the battery 50 and store them in the memory 130 to generate the reference model 131. Alternatively, the camera control unit 152 may control the spectral camera 120 to acquire a spectral image while the battery 50 is being charged above a predefined certain amount or at a predefined charging or discharging rate. there is. After generating the reference model 131 or completing learning, the camera control unit 152 may collect at least one spectral image related to the battery 50 to determine the current heat generation state of the battery 50. For example, the camera control unit 152 may request the charge/discharge control unit 151 to adjust the charge/discharge temperature environment through the battery holder 125 and collect new spectral images for each temperature environment and charge/discharge size.

상기 비지도 학습부(153)는 카메라 제어부(152)의 제어에 따라 획득된 분광 이미지들 및 상기 분광 이미지들로부터 추출된 멀티모달 데이터의 적어도 일부가 메모리(130)에 저장되고, 메모리(130)에 저장된 분광 이미지들의 량(또는 멀티모달 데이터의 양)이 사전 정의된 일정량 이상이 되면, 양품 라벨 데이터(135)에 대한 비지도 학습을 수행할 수 있다. 일 예로서, 비지도 학습부(153)는 분광 카메라(120)가 획득한 분광 이미지를 유니모달 데이터로 처리하거나, 또는 400~700nm 파장대역의 가시광선, 400nm보다 짧은 파장 대역의 자외선, 700nm 보다 긴 파장 대역의 적외선으로 분할하여 멀티모달 데이터로 처리한 후, 높이(H) x 너비(W) x 채널(C, 파장) 형태로 구성되는 독립 스펙트럼으로 분리할 수 있다. 비지도 학습부(153)는 독립 스펙트럼으로 분해하는 경우 동일한 채널에 해당하는 차원의 높이 ‘H’, 너비 'W’의 곱만큼 (H x W) 수의 스펙트럼을 얻을 수 있다. The unsupervised learning unit 153 stores spectral images acquired under the control of the camera control unit 152 and at least a portion of multimodal data extracted from the spectral images in the memory 130, and the memory 130 When the amount of spectral images (or the amount of multimodal data) stored in exceeds a predefined certain amount, unsupervised learning can be performed on the non-defective product label data 135. As an example, the unsupervised learning unit 153 processes the spectral image acquired by the spectroscopic camera 120 into unimodal data, or uses visible light in the 400 to 700 nm wavelength band, ultraviolet ray in the wavelength band shorter than 400 nm, and ultraviolet ray in the wavelength band shorter than 700 nm. After dividing the long wavelength band into infrared light and processing it as multimodal data, it can be separated into an independent spectrum composed of height (H) x width (W) x channel (C, wavelength). When decomposing into independent spectra, the unsupervised learning unit 153 can obtain (H

추가적으로 또는 대체적으로, 비지도 학습부(153)는 비접촉식 센서 또는 접촉식 센서 중 적어도 하나를 포함하는 센서부(190)에 의해 획득된 센서 정보를 수집 당시 시간을 함께 기록하면서 멀티모달 데이터와 쌍으로 매칭하여 멀티모달 데이터 셋으로 저장할 수 있다. 불가피하게 수집 주사율이 일치하지 않은 경우 비지도 학습부(153)는 각 데이터에 기록된 시간에 기반하여, 서로 다른 센서간 가장 가까운 수집시간에 대응되는 데이터로 쌍을 구성 할 수 있다. 상기 비지도 학습부(153)는 상기 수집된 각 데이터 쌍에 대해 사용자 입력에 따라 양품 또는 불량품으로 라벨을 지정할 수 있으며, 이는 인공신경망 학습의 출력 ‘y’가 될 수 있다. 또는 비지도 학습부(153)는 사전 정의된 기준 값들 또는 사용자 입력에 따라 특정 분광 이미지들(또는 멀티모달 데이터)에 대해서 선별적으로 양품으로 라벨을 지정할 수 있다. 불가피하게 사용자가 라벨을 지정할 수 없는 경우, 비지도 학습부(153)는 분광 이미지들에 대한 클러스터링 결과를 기반으로 의사라벨 (pseudo label)을 지정할 수 있으며, 의사라벨 지정 시, 클러스터링 결과에서 규모가 가장 크거나 밀도가 가장 높은 클러스터를 양품 클러스터로 간주할 수 있다. Additionally or alternatively, the unsupervised learning unit 153 pairs the sensor information acquired by the sensor unit 190, which includes at least one of a non-contact sensor or a contact sensor, with multimodal data while recording the time at the time of collection. It can be matched and saved as a multimodal data set. If the collection refresh rate inevitably does not match, the unsupervised learning unit 153 can form a pair with data corresponding to the closest collection time between different sensors, based on the time recorded in each data. The unsupervised learning unit 153 can label each pair of collected data as good or defective according to user input, which can become the output ‘y’ of artificial neural network learning. Alternatively, the unsupervised learning unit 153 may selectively label specific spectral images (or multimodal data) as good products according to predefined reference values or user input. In cases where the user cannot inevitably specify a label, the unsupervised learning unit 153 can specify a pseudo label based on the clustering results for the spectral images, and when specifying a pseudo label, the scale in the clustering result is The largest or densest cluster can be considered the good cluster.

상기 비지도 학습부(153)는 데이터(예: 분광 이미지들 또는 멀티모달 데이터) ‘x’와 라벨 ‘y’가 일정 수량 이상 축적되는 경우 인공신경망을 초기화하고, 비지도 학습을 수행할 수 있다. 비지도 학습을 위해 상기 비지도 학습부(153)는 생성형 인공신경망(예: multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN) 중 적어도 하나 또는 조합)을 사용할 수 있다. 또는 비지도 학습부(153)는 선택적으로 전통적 기계학습 기반 생성모델을 사용할 수 있다. 상기 전통적 기계 학습 모델은 decision tree (DT), random forest (RF), extreme gradient boosting (XGB), light gradient boosting machine (LGBM), and support vector machine (SVM), k-nearest neighbor classifier (KNN) 등 중 하나를 선택적으로 사용하거나, 또는 특정 모델을 다수 학습하거나, 여러 모델을 조합하는 형태로 ensemble 모델을 구축한 모델을 포함할 수 있다.The unsupervised learning unit 153 can initialize the artificial neural network and perform unsupervised learning when data (e.g., spectral images or multimodal data) 'x' and label 'y' are accumulated more than a certain quantity. . For unsupervised learning, the unsupervised learning unit 153 uses one of generative artificial neural networks (e.g., multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), and graph neural network (GNN). at least one or a combination) can be used. Alternatively, the unsupervised learning unit 153 may optionally use a traditional machine learning-based generation model. The traditional machine learning models include decision tree (DT), random forest (RF), extreme gradient boosting (XGB), light gradient boosting machine (LGBM), and support vector machine (SVM), k-nearest neighbor classifier (KNN), etc. It can include models that build an ensemble model by selectively using one of the models, learning multiple specific models, or combining multiple models.

상기 비지도 학습부(153)는 비지도 학습에 전체 데이터 중 일부를 학습용 데이터 셋으로 사용하고, 나머지 일부는 검증용 데이터 셋으로 사용할 수 있다. 학습용 데이터 셋과 검증용 데이터 셋의 분할 비율은 8:2, 또는 사용자의 입력에 따라 7:3, 9:1 등의 값으로 변경될 수 있다. 상기 학습용 데이터 셋은 양품 데이터들로서, 예컨대, 메모리(130)에 양품 라벨 데이터(135)로 저장될 수 있다.The unsupervised learning unit 153 may use some of the total data as a learning data set for unsupervised learning, and use the remaining part as a verification data set. The split ratio between the training data set and the verification data set can be changed to 8:2, or 7:3 or 9:1 depending on the user's input. The learning data set is non-defective product data and, for example, may be stored in the memory 130 as non-defective product label data 135.

상기 비지도 학습부(153)는 상기 학습용 데이터 셋에 대응하는 양품 라벨 데이터(135)만을 이용하여 비지도 학습을 수행하여 기준 모델(131)을 생성하고, 학습이 종료되면, 분할된 검증용 데이터 셋으로, 기준 모델(131)에 대해 평가하고, 그 결과를 시스템 UI를 통해 출력하여, 사용자가 검증 성능을 확인할 수 있도록 지원할 수 있다. 상기 검증용 데이터 셋의 경우 기본적으로 양품 라벨의 데이터가 일정수준 이상 축적된 형태를 가질 수 있다. 상기 검증용 데이터 셋에 불량품 라벨의 데이터가 포함되어있는 경우, 그리고 그 수량이 일정수준 이상인 경우, 상기 비지도 학습부(153)는 생성형 모델의 잔차 오차 기준을 통해 양품 또는 불량품으로의 2진 분류 성능을 측정하고, 측정 결과를 시스템 UI를 통하여 사용자에게 보고할 수 있다. 검증용 데이터 셋에 불량품 라벨의 데이터가 없거나, 있더라도 검증에 적합한 수준 이상의 수량을 포함하지 않는 경우, 상기 비지도 학습부(153)는 생성형 모델로부터 양품 데이터의 생성 오차의 평균과 표준편차를 산출할 수 있다. 산출 방식은 예컨대, L2 거리를 활용하거나, 필요에 따라 L1, SSIM 등 다양한 지표를 사용할 수 있다. 산출된 양품 데이터의 복원 오차에 대한 평균과 표준편차를 기반으로, 상기 비지도 학습부(153)는 정상 범주의 역치를 μ(평균) ± 1.5σ(표준 편차)의 바깥영역으로 지정할 수 있으며 해당 범위를 벗어나는 경우 상태 이상 판정을 결정할 수 있다. 상기 비지도 학습부(153)는 범위가 아닌 μ + 1.5σ 또는 μ - 1.5σ와 같이 상한 값 또는 하한 값 설정 후, 해당 기준 값 초과 또는 미만에 따라 상태 이상 판정을 결정할 수 있다. 여기서, 1.5는 threshold 역할로 사용자의 조정에 따라 1, 3 등 다양한 수준으로 변경될 수 있다. The unsupervised learning unit 153 performs unsupervised learning using only the non-defective product label data 135 corresponding to the learning data set to generate a reference model 131, and when learning is completed, the divided verification data In three, the reference model 131 can be evaluated and the results can be output through the system UI, allowing the user to check the verification performance. In the case of the verification data set, data on non-defective product labels may be accumulated above a certain level. If the verification data set includes data of a defective product label, and the quantity is above a certain level, the unsupervised learning unit 153 determines a binary product as a good product or a defective product through the residual error standard of the generative model. Classification performance can be measured and the measurement results can be reported to the user through the system UI. If there is no defective product label data in the verification data set, or if it does not contain a quantity more than a level suitable for verification, the unsupervised learning unit 153 calculates the average and standard deviation of the generation error of the non-defective product data from the generative model. can do. The calculation method can use, for example, the L2 distance, or, if necessary, various indicators such as L1 and SSIM. Based on the average and standard deviation of the restoration error of the calculated non-defective product data, the unsupervised learning unit 153 can specify the threshold of the normal category as the outer area of μ (mean) ± 1.5σ (standard deviation), and the corresponding If it is outside the range, a status abnormality judgment can be determined. The unsupervised learning unit 153 may set an upper or lower limit value, such as μ + 1.5σ or μ - 1.5σ, rather than a range, and then determine a condition abnormality based on whether it exceeds or falls below the corresponding reference value. Here, 1.5 serves as a threshold and can be changed to various levels such as 1 or 3 depending on the user's adjustment.

비지도 학습부(153)는 학습 완료된 기준 모델(131)의 검증성능 값을 사용자에게 제공(예: 디스플레이에 출력)하고, 사용자 입력에 따라 해당 모델의 운용여부를 결정할 수 있다. 또는, 상기 비지도 학습부(153)는 검증 성능이 사전 정의된 기준 값 이상인 경우, 학습 완료된 기준 모델(131)을 자동으로 적용할 수 있다. 예컨대, 비지도 학습부(153)는 기준 모델(131)에 대한 학습 완료를 발열 검출부(154)에 안내할 수 있다. 또는, 비지도 학습부(153)는 기준 모델(131)의 검증 성능이 사전 정의된 기준 값 미만인 경우, 검증 성능이 기준 값 이상이 될 때까지, 분광 이미지들의 추가 수집 및 추가 수집된 분광 이미지들 포함 전체 분광 이미지들 기반의 모델 학습을 반복 수행할 수 있다. The unsupervised learning unit 153 may provide the verification performance value of the learned reference model 131 to the user (e.g., output it on a display) and determine whether to operate the model according to the user input. Alternatively, the unsupervised learning unit 153 may automatically apply the learned reference model 131 when the verification performance is greater than or equal to a predefined reference value. For example, the unsupervised learning unit 153 may inform the fever detection unit 154 that learning of the reference model 131 has been completed. Alternatively, when the verification performance of the reference model 131 is less than a predefined reference value, the unsupervised learning unit 153 additionally collects spectral images and collects the additionally collected spectral images until the verification performance becomes more than the reference value. Model learning based on all spectral images can be repeatedly performed.

상기 발열 검출부(154)는 기준 모델(131)의 비지도 학습이 완료되었거나, 비지도 학습이 완료된 기준 모델(131)이 메모리(130)에 저장되면, 기준 모델(131)을 기준으로 배터리(50)의 발열 상태 검출을 수행할 수 있다. 이와 관련하여, 발열 검출부(154)는 카메라 제어부(152)에 요청하여 배터리(50)에 관한 새 분광 이미지가 획득되면 획득된 새 분광 이미지를 기준 모델(131)에 적용하여 배터리(50)의 발열 상태의 상태 이상 여부를 판단할 수 있다. 또는, 발열 검출부(154)는 새 분광 이미지를 사전 정의된 주파수 대역별로 분할하고, 분할된 멀티모달 데이터들을 기준 모델(131)에 적용함에 따라, 배터리(50)가 상태 이상 여부(또는 양품인지 불량품인지)를 상태 안내부(155)에 전달할 수 있다. When unsupervised learning of the reference model 131 is completed or the reference model 131 for which unsupervised learning is completed is stored in the memory 130, the heat detection unit 154 detects the battery 50 based on the reference model 131. ) fever status detection can be performed. In this regard, the heat detection unit 154 requests the camera control unit 152 to obtain a new spectral image for the battery 50, and applies the acquired new spectral image to the reference model 131 to generate heat in the battery 50. You can determine whether the status is abnormal. Alternatively, the heat detection unit 154 divides the new spectral image by predefined frequency bands and applies the divided multimodal data to the reference model 131 to determine whether the battery 50 is in abnormal condition (or whether it is a good product or a defective product). recognition) can be transmitted to the status information unit 155.

상기 상태 안내부(155)는 발열 검출부(154)로부터 배터리(50)의 판정 값을 수신하고, 수신된 판정 값에 대응하는 정보를 출력할 수 있다. 예컨대, 상기 상태 안내부(155)는 배터리 발열 검사 장치(100)의 디스플레이(160)를 통해 현재 충방전 중인 배터리(50)의 양품 판정 정보 또는 불량품 판정 정보를 출력할 수 있다. 또는, 상기 상태 안내부(155)는 상기 통신 회로(110)를 통하여 지정된 사용자 단말에 상기 배터리(50)의 양품 또는 불량품 판정 값을 포함하는 메시지를 전송할 수 있다. The status information unit 155 may receive the determination value of the battery 50 from the heat detection unit 154 and output information corresponding to the received determination value. For example, the status information unit 155 may output good quality judgment information or defective quality judgment information about the battery 50 that is currently being charged or discharged through the display 160 of the battery heat inspection device 100. Alternatively, the status information unit 155 may transmit a message containing a judgment value of a good or defective battery 50 to a designated user terminal through the communication circuit 110.

상술한 바와 같이, 본 발명에 따르면, 본 발명의 배터리 발열 검사 장치(100)는 배터리(50)의 양품 또는 불량품 판정을 분광 이미지를 토대로 하되, 비지도 학습을 기반으로 생성된 기준 모델(131)을 이용하여 배터리(50) 발열 상태에 따른 양품 또는 불량품 판정을 수행할 수 있도록 지원한다. As described above, according to the present invention, the battery heat inspection device 100 of the present invention determines whether the battery 50 is good or defective based on a spectral image, and uses a reference model 131 generated based on unsupervised learning. It supports the determination of good or defective products according to the heating state of the battery 50.

도 4는 본 발명의 실시 예에 따른 서버 장치 구성의 한 예를 나타낸 도면이다. 앞서 설명한 바와 같이, 본 발명의 실시 예에 따른 배터리 발열 검사 기능을 배터리 발열 검사 장치(100)가 독립적으로 수행하도록 설계된 경우, 상기 서버 장치(200) 구성은 생략될 수도 있다.Figure 4 is a diagram showing an example of a server device configuration according to an embodiment of the present invention. As described above, if the battery heat test device 100 is designed to independently perform the battery heat test function according to an embodiment of the present invention, the configuration of the server device 200 may be omitted.

도 1 내지 도 4를 참조하면, 본 발명의 서버 장치(200)는 서버 통신 회로(210), 서버 메모리(230) 및 서버 프로세서(250)를 포함할 수 있다.Referring to FIGS. 1 to 4 , the server device 200 of the present invention may include a server communication circuit 210, a server memory 230, and a server processor 250.

상기 서버 통신 회로(210)는 배터리 발열 검사 장치(100)와 통신 채널을 형성할 수 있다. 일 예로, 상기 서버 통신 회로(210)는 지정된 주기 또는 사전 정의된 이벤트(예: 배터리 거치대(125)에 배터리(50)가 배치된 상태를 감지한 이벤트) 발생에 대응하여 배터리 발열 검사 장치(100)로부터 적어도 하나의 분광 이미지를 수신할 수 있다. 상기 수신된 적어도 하나의 분광 이미지는 비지도 학습 기반의 서버 기준 모델(231) 생성을 위해 이용될 수 있다. 다른 예로, 상기 서버 통신 회로(210)는 외부 서버 장치로부터 서버 기준 모델(231)을 수신할 수 있다. 상기 서버 통신 회로(210)는 발열 검사가 필요한 배터리(50)에 대해 적어도 하나의 현재 분광 이미지(235)를 수신하고, 그에 대응하는 분석 결과를 서버 프로세서(250) 제어에 대응하여 배터리 발열 검사 장치(100)(또는 지정된 사용자 단말)에 전송할 수 있다. The server communication circuit 210 may form a communication channel with the battery fever test device 100. As an example, the server communication circuit 210 may detect the battery heat inspection device 100 in response to the occurrence of a specified period or a predefined event (e.g., an event detecting the state in which the battery 50 is placed in the battery holder 125). ) can receive at least one spectral image from. The at least one received spectral image may be used to generate an unsupervised learning-based server reference model 231. As another example, the server communication circuit 210 may receive the server reference model 231 from an external server device. The server communication circuit 210 receives at least one current spectroscopic image 235 for the battery 50 requiring a heat test, and analyzes the corresponding analysis result in response to control of the server processor 250 to provide a battery heat test device. It can be transmitted to (100) (or a designated user terminal).

상기 서버 메모리(230)는 서버 장치(200) 운용에 필요한 적어도 하나의 프로그램 또는 데이터를 저장할 수 있다. 일 예로, 상기 서버 메모리(230)는 서버 기준 모델(231) 생성을 위해 수신된 복수개의 분광 이미지에 대응하는 비지도 학습용 데이터(233) 또는 배터리 발열 검사를 위해 수신된 현재 분광 이미지(235), 서버 기준 모델(231) 중 적어도 하나를 저장할 수 있다. 상기 서버 기준 모델(231)은 앞서 설명한 배터리 발열 검사 장치(100)의 메모리(130)에 저장된 기준 모델(131)에 대응될 수 있다. 일 예로서, 상기 서버 기준 모델(231)은 배터리 발열 검사 장치(100)가 생성하여 서버 장치(200)에 제공될 수도 있다. 또는, 상기 서버 메모리(230)에 저장된 비지도 학습용 데이터(233)에 비지도 학습을 수행하여 서버 기준 모델(231)이 생성될 수도 있다. 상기 비지도 학습용 데이터(233)는 상기 배터리 발열 검사 장치(100)가 제공한 복수개의 분광 이미지들, 복수개의 분광 이미지들 각각으로부터 사전 정의된 주파수 대역 별로 나눈 대역 별 데이터(또는 멀티모달 데이터), 상기 복수개의 분광 이미지들이 수집된 시점과 동일한 시점 또는 가장 가까운 시점에 획득된 센서 정보들 중 적어도 일부를 포함할 수 있다. 일 예로서, 본 발명의 비지도 학습용 데이터(233)는 복수개의 분광 이미지들 중 양품 라벨로 지정된 데이터들만을 포함할 수도 있다. The server memory 230 may store at least one program or data necessary for operating the server device 200. As an example, the server memory 230 may include unsupervised learning data 233 corresponding to a plurality of spectral images received to generate a server reference model 231 or a current spectral image 235 received for battery thermal testing, At least one of the server reference models 231 may be stored. The server reference model 231 may correspond to the reference model 131 stored in the memory 130 of the battery heat inspection device 100 described above. As an example, the server reference model 231 may be generated by the battery fever test device 100 and provided to the server device 200. Alternatively, the server reference model 231 may be generated by performing unsupervised learning on the unsupervised learning data 233 stored in the server memory 230. The unsupervised learning data 233 includes a plurality of spectral images provided by the battery heat inspection device 100, band-specific data (or multi-modal data) divided by predefined frequency bands from each of the plurality of spectral images, The plurality of spectral images may include at least some of the sensor information acquired at the same time point or closest to the point in time at which the spectral images were collected. As an example, the unsupervised learning data 233 of the present invention may include only data designated as a good product label among a plurality of spectral images.

상기 서버 프로세서(250)는 서버 장치(200) 운용에 필요한 신호의 전달과 처리 또는 결과의 저장, 결과의 전송 또는 결과에 대응하는 메시지의 전송을 제어할 수 있다. 이와 관련하여, 상기 서버 프로세서(250)는 충방전 관리부(251), 데이터 수집부(252), 모델 생성부(253), 발열 관리부(254)를 포함할 수 있다.The server processor 250 may control the transmission and processing of signals necessary for operating the server device 200, storage of results, transmission of results, or transmission of messages corresponding to the results. In this regard, the server processor 250 may include a charge/discharge management unit 251, a data collection unit 252, a model creation unit 253, and a heat management unit 254.

상기 충방전 관리부(251)는 배터리(50)의 충방전을 관리할 수 있다. 이와 관련하여, 상기 충방전 관리부(251)는 배터리 발열 검사 장치(100)와 통신 채널을 형성하고, 배터리 거치대(125)에 배터리(50)가 놓이면 사전 설정된 계획에 따라 배터리(50) 충방전을 제어하면서, 충방전 관련 정보(예: 배터리(50) 충방전 온도 환경, 충방전 속도, 충방전 전력의 크기 중 적어도 일부)를 수집할 수 있다. The charge/discharge management unit 251 may manage charge/discharge of the battery 50. In this regard, the charge/discharge management unit 251 forms a communication channel with the battery heat inspection device 100, and charges and discharges the battery 50 according to a preset plan when the battery 50 is placed on the battery holder 125. While controlling, charging and discharging related information (e.g., at least some of the charging and discharging temperature environment of the battery 50, charging and discharging speed, and magnitude of charging and discharging power) may be collected.

상기 데이터 수집부(252)는 배터리 발열 검사 장치(100)로부터 배터리(50)에 대한 분광 이미지를 수신할 수 있다. 상기 배터리 발열 검사 장치(100)로부터 수신되는 분광 이미지는 서버 기준 모델(231) 생성을 위한 분광 이미지들 또는 배터리(50)의 발열을 검사하기 위한 현재 분광 이미지(235)를 포함할 수 있다. 상기 데이터 수집부(252)는 서버 기준 모델(231) 생성을 위한 분광 이미지들이 수신되면, 수신된 분광 이미지들을 서버 메모리(230)에 비지도 학습용 데이터(233)의 적어도 일부 구성으로서 저장할 수 있다. 이 동작에서, 상기 데이터 수집부(252)는 수신된 분광 이미지들을 사전 정의된 주파수 대역 별(예: 자외선 대역, 가시 광선 대역, 적외선 대역)로 분리하고, 각각의 주파수 대역 별 스펙트럼들을 멀티모달 데이터 형태로 그룹핑하여 비지도 학습용 데이터(233)로서 서버 메모리(230)에 저장할 수 있다. 추가적으로 또는 대체적으로, 데이터 수집부(252)는 분광 이미지들이 수집된 시점의 센서 정보를 함께 수집하고, 수집된 센서 정보를 멀티모달 데이터들과 매칭하여 멀티모달 데이터 셋으로 서버 메모리(230)에 저장할 수 있다. The data collection unit 252 may receive a spectral image of the battery 50 from the battery heat inspection device 100. The spectral image received from the battery heat inspection device 100 may include spectral images for generating a server reference model 231 or a current spectral image 235 for testing heat generation of the battery 50. When spectral images for generating the server reference model 231 are received, the data collection unit 252 may store the received spectral images in the server memory 230 as at least a portion of the unsupervised learning data 233. In this operation, the data collection unit 252 separates the received spectral images into predefined frequency bands (e.g., ultraviolet band, visible light band, infrared band), and converts the spectra for each frequency band into multimodal data. It can be grouped into shapes and stored in the server memory 230 as unsupervised learning data 233. Additionally or alternatively, the data collection unit 252 collects sensor information at the time the spectral images are collected, matches the collected sensor information with multimodal data, and stores it in the server memory 230 as a multimodal data set. You can.

상기 모델 생성부(253)는 서버 기준 모델(231) 생성을 수행할 수 있다. 또는, 상기 모델 생성부(253)는 배터리 발열 검사 장치(100)의 요청에 따라 서버 기준 모델(231)을 생성하고, 생성된 서버 기준 모델(231)을 배터리 발열 검사 장치(100)가 이용할 기준 모델(131)로서 배터리 발열 검사 장치(100)에 제공할 수 있다. 한편, 상기 서버 기준 모델(231)이 서버 메모리(230)에 사전 저장된 경우 또는 배터리 발열 검사 장치(100)가 서버 기준 모델(231)을 제공한 경우, 상기 모델 생성부(253)의 구성은 생략될 수 있다. The model generator 253 may generate a server reference model 231. Alternatively, the model generator 253 generates a server reference model 231 according to a request from the battery heat test device 100, and uses the generated server reference model 231 as a standard to be used by the battery heat test device 100. It can be provided to the battery heat inspection device 100 as the model 131. Meanwhile, when the server reference model 231 is pre-stored in the server memory 230 or when the battery heat inspection device 100 provides the server reference model 231, the configuration of the model generator 253 is omitted. It can be.

상기 모델 생성부(253)는 상기 수집된 비지도 학습용 데이터(233)에 대해 사용자 입력에 따라 양품 라벨 지정 또는 불량품 라벨 지정을 수행할 수 있으며 이는 인공신경망 학습의 출력 y로 처리할 수 있다. 상기 사용자 입력을 받기 위하여, 상기 모델 생성부(253)는 상기 비지도 학습용 데이터(233)를 배터리 발열 검사 장치(100)의 디스플레이(160)에 출력하고, 해당 데이터에 대한 양품 또는 불량품 라벨 지정을 수신할 수 있다. 또는 모델 생성부(253)는 사용자가 최소한 확실한 양품 데이터에 대해서 선별적으로 양품 라벨을 지정한 데이터만을 수신할 수도 있다. 다른 예로서, 상기 모델 생성부(253)는 사용자 라벨 지정 절차가 계획되어 있지 않은 경우, 분광 이미지에 대한 클러스터링을 수행하고, 클러스터링 결과에 기반한 의사라벨(pseudo label)을 해당 데이터에 지정할 수 있다. 예컨대, 모델 생성부(253)는 규모가 가장 크거나 밀도가 가장 높은 클러스터들을 양품 클러스터들로 간주(또는 양품 라벨로 지정)할 수 있다. 인공신경망의 입력 x로 사용할 수 있는 비지도 학습용 데이터(233)의 적어도 일부(또는 양품 라벨로 지정된 데이터)와, 인공신경망의 출력 y로 사용할 수 있는 데이터가, 사전 정의된 일정 수량 이상 축적되는 경우, 모델 생성부(253)는 인공신경망을 초기화하고 해당 데이터들에 대한 비지도 학습을 수행할 수 있다. 모델 생성부(253)는 비지도 학습을 위해 생성형 인공신경망(예: multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN) 중 적어도 하나 또는 조합)을 채택할 수 있으며, 또는 선택적으로 전통적 기계학습 기반 생성모델을 사용할 수 있다. 학습에는 비지도 학습용 데이터(233)의 일부를 사용하며 나머지 일부는 검증용 데이터 셋으로 사용할 수 있고, 학습용 데이터 셋과 검증용 데이터 셋의 분할 비율은 8:2, 7:3, 9:1 등 다양한 값이 될 수 있고, 사용자 조정에 따라 변경될 수 있다. 상기 모델 생성부(253)는 학습용 데이터 셋 중 양품 라벨에 해당하는 데이터만 추출하여 학습할 수 있으며, 학습이 종료되면 분할된 검증용 데이터 셋으로 모델을 평가하고 시스템 UI를 통하여 사용자에게 검증성능을 보고할 수 있다. 검증용 데이터 셋의 경우 기본적으로 양품 라벨의 데이터가 일정수준 이상 축적된 형태를 가질 수 있으며, 검증용 데이터 셋에 불량품 라벨의 데이터가 포함되어있고 수량이 일정수준 이상인 경우, 모델 생성부(253)는 생성형 모델의 잔차(residual) 오차를 통해 양품 또는 불량품으로의 2진분류 성능을 측정하고, 측정 결과를 시스템 UI를 통하여 출력할 수 있다. 검증용 데이터 셋에 불량품 라벨 데이터가 없거나, 사전 지정된 수준 이상의 수량을 포함하지 않는 경우, 모델 생성부(253)는 생성형 모델로부터 양품 데이터의 생성 오차의 평균과 표준편차를 산출한 후, 이를 기반으로 상태 이상 판정을 수행할 수 있다. 산출 과정에서는, L2 거리를 활용할 수 있고, 설정에 따라 또는 필요에 따라 L1, SSIM 등 다양한 지표를 사용할 수 있다. 상기 모델 생성부(253)는 산출된 양품 데이터의 복원 오차에 대한 평균과 표준편차를 기반으로 정상 범주의 역치를 μ(평균) ± 1.5σ(표준편차) 바깥 영역으로 지정할 수 있다. 또는, 모델 생성부(253)는 상한 값 μ + 1.5σ, 또는 하한 값 μ - 1.5σ 설정을 수행할 수 있다. 상술한 범위 값 설정에서 상수 1.5는 threshold 역할로 사용자의 조정에 따라 1, 3 등 다양한 수준으로 변경될 수 있다.The model generator 253 can label the collected unsupervised learning data 233 as a good product or a defective product according to user input, and this can be processed as the output y of artificial neural network learning. In order to receive the user input, the model generator 253 outputs the unsupervised learning data 233 to the display 160 of the battery heat inspection device 100 and specifies a good or defective product label for the data. You can receive it. Alternatively, the model generator 253 may only receive data in which the user selectively specifies a good product label with respect to at least certain non-defective product data. As another example, if a user label designation procedure is not planned, the model generator 253 may perform clustering on the spectral image and assign a pseudo label to the corresponding data based on the clustering result. For example, the model generator 253 may regard the clusters with the largest scale or highest density as non-defective clusters (or designate them as non-defective clusters). When at least part of the unsupervised learning data 233 that can be used as input , the model generator 253 may initialize the artificial neural network and perform unsupervised learning on the corresponding data. The model generator 253 is configured to use at least one of a generative artificial neural network (e.g., multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), and graph neural network (GNN) for unsupervised learning. or a combination) can be adopted, or alternatively, a traditional machine learning-based generative model can be used. Part of the unsupervised learning data (233) is used for learning, and the remaining part can be used as a verification data set, and the split ratio of the learning data set and the verification data set is 8:2, 7:3, 9:1, etc. It can be a variety of values and can change depending on user adjustments. The model generator 253 can learn by extracting only the data corresponding to the label of a good product from the learning data set. When learning is completed, the model is evaluated using the divided verification data set and the verification performance is provided to the user through the system UI. You can report. In the case of the verification data set, data on non-defective product labels may basically be accumulated above a certain level. If the verification data set includes data on defective product labels and the quantity is above a certain level, the model creation unit 253 can measure the performance of binary classification into good or defective products through the residual error of the generative model, and output the measurement results through the system UI. If there is no defective product label data in the verification data set or does not include a quantity above a pre-specified level, the model generator 253 calculates the average and standard deviation of the generation error of the non-defective product data from the generative model, and then calculates the average and standard deviation based on this. You can determine abnormal status with . In the calculation process, the L2 distance can be used, and various indicators such as L1 and SSIM can be used depending on the setting or need. The model generator 253 may specify the threshold of the normal category as an area outside μ (mean) ± 1.5σ (standard deviation) based on the average and standard deviation of the restoration error of the calculated non-defective product data. Alternatively, the model generator 253 may set the upper limit value μ + 1.5σ or the lower limit value μ - 1.5σ. In the above-mentioned range value setting, the constant 1.5 serves as a threshold and can be changed to various levels such as 1 or 3 depending on the user's adjustment.

상기 발열 관리부(254)는 데이터 수집부(252)로부터 현재 분광 이미지(235) 수신을 안내 받으면, 서버 메모리(230)에 저장된 현재 분광 이미지(235)에 대한 분석을 수행할 수 있다. 예컨대, 상기 발열 관리부(254)는 현재 분광 이미지(235)에 대한 클러스터링을 수행하고, 산출된 클러스터를 상기 서버 기준 모델(231)에 비교하여 상술한 서버 기준 모델(231)의 정상 범주(예: μ ± 1.5σ) 이내에 있는지 확인할 수 있다. 상기 발열 관리부(254)는 상기 현재 분광 이미지(235)에 대응하는 클러스터가 상기 서버 기준 모델(231)의 사전 정의된 정상 범주를 벗어나는 경우 상태 이상으로 판단하고, 상기 현재 분광 이미지(235)에 대응하는 배터리(50)를 불량품으로 판정할 수 있다. 또는, 상기 발열 관리부(254)는 현재 분광 이미지(235)에 대한 주파수 대역 별 스펙트럼 분류를 수행하고, 적어도 일부 주파수 대역(예: 적외선 대역)의 스펙트럼에 대응하는 클러스터와 서버 기준 모델(231)의 정상 범주를 비교하여 양품 또는 불량품 판정을 수행할 수 있다. 여기서, 상기 서버 기준 모델(231)은 비지도 학습용 데이터(233)에 포함된 복수개의 분광 이미지들의 일부 주파수 대역의 스펙트럼에 대한 클러스터링을 통해 생성될 수 있다. When the heat management unit 254 receives notification of receiving the current spectral image 235 from the data collection unit 252, it can perform analysis on the current spectral image 235 stored in the server memory 230. For example, the heat management unit 254 performs clustering on the current spectral image 235, compares the calculated cluster to the server reference model 231, and determines the normal category of the server reference model 231 (e.g., You can check whether it is within μ ± 1.5σ). The fever management unit 254 determines that the cluster corresponding to the current spectral image 235 is abnormal when it is outside the predefined normal range of the server reference model 231, and corresponds to the current spectral image 235. The battery 50 may be determined to be a defective product. Alternatively, the heat management unit 254 performs spectrum classification for each frequency band for the current spectral image 235, and selects the cluster and server reference model 231 corresponding to the spectrum of at least some frequency bands (e.g., infrared band). By comparing normal categories, judgment of good or defective products can be made. Here, the server reference model 231 may be generated through clustering of the spectrum of some frequency bands of a plurality of spectral images included in the unsupervised learning data 233.

상술한 바와 같이, 본 발명의 실시 예에 따른 서버 장치(200)는 비지도 학습을 통한 서버 기준 모델의 생성을 통해 사용자 개입을 최소화하면서도 배터리의 발열에 관한 양품 또는 불량품 판정을 신뢰도 높게 처리할 수 있다. As described above, the server device 200 according to an embodiment of the present invention can reliably process good or defective product judgments regarding battery heat generation while minimizing user intervention through generation of a server reference model through unsupervised learning. there is.

도 5는 본 발명의 실시 예에 따른 배터리 발열 검사를 위한 기준 모델 생성 방법의 한 예를 나타낸 도면이다.Figure 5 is a diagram showing an example of a method for generating a reference model for battery heat inspection according to an embodiment of the present invention.

도 1 내지 도 5를 참조하면, 본 발명의 실시 예에 따른 배터리 발열 검사를 위한 기준 모델 생성 방법과 관련하여, 배터리 발열 검사 장치(100)의 운용에 있어서, 배터리 발열 검사 장치(100)의 프로세서(150)는 501 단계에서 기준 모델(131) 생성 요청이 발생하는지 확인할 수 있다. 이와 관련하여, 상기 배터리 발열 검사 장치(100)의 프로세서(150)는 배터리 발열 검사와 관련한 어플리케이션을 설치하고(이미 설치된 경우 해당 동작 생략), 해당 어플리케이션이 운용할 수 있는 기준 모델(131)이 없는 경우 자동으로 기준 모델 생성 모드를 운용할 수 있다. 또는, 상기 프로세서(150)는 상기 기준 모델(131)의 버전을 확인하고, 업데이트가 필요한 경우, 기준 모델 생성 모드를 운용할 수 있다. 또는, 상기 프로세서(150)는 발열 검사를 수행할 배터리(50)의 식별 정보를 수집하고, 해당 식별 정보에 대응하는 배터리(50)에 대응하는 기준 모델이 없는 경우, 기준 모델 생성 모드로 진입할 수 있다. 1 to 5, in relation to the method of generating a reference model for battery heat test according to an embodiment of the present invention, in the operation of the battery heat test device 100, the processor of the battery heat test device 100 (150) can check whether a request to create a reference model 131 occurs in step 501. In this regard, the processor 150 of the battery heat test device 100 installs an application related to battery heat test (if it is already installed, the operation is omitted), and if there is no reference model 131 that the application can operate, In this case, the reference model creation mode can be automatically operated. Alternatively, the processor 150 may check the version of the reference model 131 and, if an update is necessary, operate a reference model creation mode. Alternatively, the processor 150 may collect identification information of the battery 50 to perform a heat test, and if there is no reference model corresponding to the battery 50 corresponding to the identification information, enter the reference model creation mode. You can.

기준 모델 생성이 요구되지 않으면, 상기 프로세서(150)는 503 단계에서 지정 기능 수행을 처리할 수 있다. 예컨대, 프로세서(150)는 기준 모델(131)이 이미 메모리(130)에 저장되어 있는 경우, 배터리(50) 발열 검사 기능과 관련한 동작을 수행할 수 있다. 또는, 프로세서(150)는 배터리 발열 검사 장치(100)의 각 구성들 중 적어도 일부 구성의 현재 상태(예: 정상 상태 또는 불량 발생 여부)를 검사하고, 검사 결과를 출력할 수 있다. 별도의 지정 기능이 없는 경우, 503 단계는 생략될 수 있다. If generation of a reference model is not required, the processor 150 may process performance of the specified function in step 503. For example, if the reference model 131 is already stored in the memory 130, the processor 150 may perform an operation related to the battery 50 heat test function. Alternatively, the processor 150 may check the current state (e.g., normal state or whether a defect has occurred) of at least some of the components of the battery heat inspection device 100 and output a test result. If there is no separate designated function, step 503 may be omitted.

기준 모델 생성 요청에 따라, 해당 기준 모델 생성 모드가 활성화되면, 상기 프로세서(150)는 505 단계에서 분광 카메라(120)를 운용하여 배터리 거치대(125)에 놓인 배터리(50)에 관한 적어도 하나의 분광 이미지를 수집할 수 있다. 이 동작에 앞서, 상기 프로세서(150)는 배터리 거치대(125)에 배터리(50)가 놓이면 배터리(50) 충방전 환경(예: 온도 환경)에 관한 정보를 센서부(190)를 이용하여 수집할 수 있다. 상기 프로세서(150)는 온도 환경이 사전 정의된 온도 값이 되도록 배터리 거치대(125)에 배치된 온열 장치 또는 냉각 장치 중 적어도 하나를 제어할 수 있다. 또는, 온도 환경이 사전 정의된 기준 범위 이내인 경우 상술한 온도 조절 동작은 생략될 수 있다. According to the reference model creation request, when the reference model creation mode is activated, the processor 150 operates the spectroscopic camera 120 in step 505 to generate at least one spectral image related to the battery 50 placed on the battery holder 125. Images can be collected. Prior to this operation, the processor 150 collects information about the charging and discharging environment (e.g., temperature environment) of the battery 50 using the sensor unit 190 when the battery 50 is placed on the battery holder 125. You can. The processor 150 may control at least one of a heating device or a cooling device disposed on the battery holder 125 so that the temperature environment becomes a predefined temperature value. Alternatively, if the temperature environment is within a predefined reference range, the temperature control operation described above may be omitted.

507 단계에서 상기 배터리 발열 검사 장치(100)의 프로세서(150)는 수집된 적어도 하나의 분광 이미지에 대한 데이터 라벨 지정 입력의 수신이 있는지 확인할 수 있다. 이와 관련하여, 상기 프로세서(150)는 적어도 하나의 분광 이미지(또는 분광 이미지 및 상기 분광 이미지 수집 시 함께 수집된 센서 정보)의 적어도 일부를 배터리 발열 검사 장치(100)의 디스플레이(160)에 출력할 수 있다. 상기 프로세서(150)는 디스플레이(160)에 출력된 정보에 대응하여 양품 또는 불량품 지정 라벨을 입력(예: 사용자 입력) 받을 수 있다. 추가적으로 또는 대체적으로, 상기 배터리 발열 검사 장치(100)의 프로세서(150)는 사용자 입력에 따른 데이터 라벨 지정을 수행할 수 없는 경우(예: 디스플레이(160) 또는 입력부(140) 등의 구성이 없거나, 별도의 방식으로 데이터 라벨을 지정하도록 설정된 경우), 수집된 적어도 하나의 분광 이미지들에 대한 클러스터링을 수행하고, 클러스터링 결과를 기반으로 해당 분광 이미지에 대한 양품 또는 불량품 라벨 지정을 자동으로 수행할 수 있다. 예컨대, 상기 프로세서(150)는 클러스터링 결과에서 규모가 가장 크거나 밀도가 가장 높은 클러스터를 양품 클러스터로 자동 지정할 수 있다. 다른 예로서, 상기 프로세서(150)는 클러스터링 결과로서 규모가 지정된 크기 이상이거나 밀도가 기준 값 이상인 클러스터들에 대응하는 분광 이미지들을 양품으로 임시 지정하고, 임시 지정된 클러스터들에 대응하는 분광 이미지들을 디스플레이(160)에 출력하고, 사용자 입력에 따른 양품 지정을 확정할 수도 있다. In step 507, the processor 150 of the battery heat inspection device 100 may check whether a data label designation input for at least one collected spectroscopic image has been received. In this regard, the processor 150 outputs at least a portion of at least one spectral image (or a spectral image and sensor information collected together when collecting the spectral image) to the display 160 of the battery heat inspection device 100. You can. The processor 150 may receive input (eg, user input) of a label designating a good or defective product in response to the information output on the display 160. Additionally or alternatively, the processor 150 of the battery fever test device 100 cannot perform data label designation according to user input (e.g., there is no configuration such as the display 160 or the input unit 140, or (if set to label data in a separate manner), clustering can be performed on at least one collected spectral image, and labeling of the corresponding spectral image as good or defective can be performed automatically based on the clustering result. . For example, the processor 150 may automatically designate the cluster with the largest size or highest density as the good product cluster in the clustering results. As another example, the processor 150 temporarily designates spectral images corresponding to clusters whose scale is greater than a specified size or whose density is greater than a reference value as good products as a result of clustering, and displays spectral images corresponding to the temporarily designated clusters ( 160), and the designation of a good product can be confirmed based on user input.

상기 프로세서(150)는 양품 입력을 수신하면, 509 단계에서, 해당 분광 이미지를 양품으로 지정할 수 있다. 상기 프로세서(150)는 불량품 입력을 수신하면, 511 단계에서 해당 분광 이미지를 불량품으로 지정할 수 있다. 한편, 507 내지 511 단계에서, 상기 프로세서(150)는 양품 또는 불량품 라벨 지정과 관련하여, 사용자 입력을 수신하지 않고, 분광 이미지의 적어도 일부에 대한 클러스터링을 수행한 후, 클러스터링 결과를, 양품 및 불량품 구분을 위해 사전 저장된 클러스터와 비교하여, 해당 분광 이미지에 대응하는 모델링 데이터의 양품 지정 또는 불량품 지정을 처리할 수 있다. 또는, 다른 예로서, 상기 프로세서(150)는 분광 이미지에 대한 클러스터링을 수행한 후, 사전 정의된 군집의 크기 또는 밀도에 따라 양품 또는 불량품 지정을 수행할 수도 있다.When the processor 150 receives an input of a good product, in step 509, the processor 150 may designate the corresponding spectral image as a good product. When receiving a defective product input, the processor 150 may designate the corresponding spectral image as a defective product in step 511. Meanwhile, in steps 507 to 511, the processor 150 performs clustering on at least a portion of the spectral image without receiving user input in relation to labeling good or defective products, and then divides the clustering result into good and defective products. By comparing with pre-stored clusters for classification, the modeling data corresponding to the spectral image can be designated as good or defective. Or, as another example, the processor 150 may perform clustering on a spectral image and then designate good or defective products according to the size or density of a predefined cluster.

이후, 상기 프로세서(150)는 513 단계에서, 라벨이 지정된 분광 이미지들의 수량이 지정 수량 이상인지 확인할 수 있다. 지정 수량 미만인 경우, 프로세서(150)는 501 단계 이전으로 분기하여, 이하 동작을 재수행하여 보다 많은 데이터를 수집할 수 있다.Thereafter, in step 513, the processor 150 may check whether the number of labeled spectral images is greater than or equal to the designated quantity. If the amount is less than the specified amount, the processor 150 branches to step 501 and re-performs the following operations to collect more data.

누적된 데이터(또는 분광 이미지들이) 지정 수량 이상이 되면, 상기 프로세서(150)는 515 단계에서, 양품 라벨 데이터에 대한 비지도 학습을 수행할 수 있다. 예컨대, 상기 프로세서(150)는 양품 라벨로 지정된 분광 이미지들의 스펙트럼에 대하여 클러스터링을 수행하고, 클러스터링 결과로서, 평균과 표준편차를 산출한 후, 이를 기반으로 양품으로 판정할 수 있는 클러스터 정상 범주(예: 평균+1.5x표준편차)를 산출할 수 있다. 또는, 상기 프로세서(150)는 양품 라벨로 지정된 분광 이미지들을 사전 정의된 복수개의 주파수 대역별로 분류하고, 분류된 주파수 대역들에 대한 클러스터링 및 정상 범주 산출을 수행할 수 있다. 일 예로서, 상기 프로세서(150)는 분광 이미지들 각각에 대해 복수개의 주파수 대역들 중 적외선 대역에 대한 클러스터들을 산출하고, 클러스터들의 평균과 표준편차를 이용하여 정상 범주를 설정할 수 있다. If the accumulated data (or spectral images) exceeds a specified amount, the processor 150 may perform unsupervised learning on the non-defective product label data in step 515. For example, the processor 150 performs clustering on the spectra of spectral images designated as non-defective products, calculates the average and standard deviation as a result of the clustering, and then clusters normal categories (e.g. : Average + 1.5x standard deviation) can be calculated. Alternatively, the processor 150 may classify the spectral images designated as non-defective products into a plurality of predefined frequency bands and perform clustering and normal category calculation on the classified frequency bands. As an example, the processor 150 may calculate clusters for an infrared band among a plurality of frequency bands for each spectral image and set a normal category using the average and standard deviation of the clusters.

상기 프로세서(150)는 517 단계에서, 검증 성능이 기준 값 이상인지 확인할 수 있다. 이와 관련하여, 프로세서(150)는 누적된 데이터들(예: 양품 라벨 데이터들)을 일정 비율의 학습용 데이터 셋과 검증용 데이터 셋으로 분할한 뒤, 상기 학습용 데이터 셋에 대하여 515 단계에서 비지도 학습을 통한 기준 모델 생성을 수행할 수 있다. 기준 모델에 대한 비지도 학습이 완료되면, 프로세서(150)는 학습 완료된 기준 모델(131)에 검증용 데이터 셋을 적용하여 성능 검증을 수행할 수 있다. 일 예로서, 상기 프로세서(150)는 지도 학습에 사용하는 데이터 셋과 검증용 데이터 셋의 분할 비율을 8:2로 하거나, 또는 사용자 입력에 따라 7:3, 9:1 등으로 조정할 수 있다. In step 517, the processor 150 may check whether the verification performance is greater than or equal to the reference value. In this regard, the processor 150 divides the accumulated data (e.g., non-defective product label data) into a certain ratio of a training data set and a verification data set, and then performs unsupervised learning on the training data set in step 515. You can create a reference model through . When unsupervised learning of the reference model is completed, the processor 150 may perform performance verification by applying a verification data set to the learned reference model 131. As an example, the processor 150 may set the split ratio of the data set used for supervised learning and the data set for verification to 8:2, or adjust it to 7:3, 9:1, etc. according to user input.

상기 프로세서(150)는 검증 성능이 기준 값 미만인 경우 505 단계 이전으로 분기하여 이하 동작을 재수행할 수 있다. 검증 성능이 기준 값 이상인 경우, 프로세서(150)는 519 단계에서 기준 모델에 대한 학습을 종료하고, 메모리(130)에 저장할 수 있다. If the verification performance is less than the reference value, the processor 150 may branch to step 505 and re-perform the following operations. If the verification performance is equal to or higher than the reference value, the processor 150 may end learning the reference model in step 519 and store it in the memory 130.

한편, 상술한 도 5의 설명에서는, 배터리 발열 검사 장치(100)가 기준 모델(131)을 생성하는 방법의 한 예를 설명하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 기준 모델(131) 생성 과정 중 적어도 일부 과정은 상기 서버 장치(200)에서 수행될 수도 있다. 이에 따라, 도 5에 설명한 기준 모델 생성 방법은 서버 장치(200)에서의 서버 기준 모델 생성 방법의 적어도 일부가 될 수 있다. Meanwhile, in the description of FIG. 5 above, an example of a method by which the battery heat inspection device 100 generates the reference model 131 has been described, but the present invention is not limited thereto. For example, at least some of the processes for generating the reference model 131 may be performed in the server device 200. Accordingly, the reference model generation method described in FIG. 5 may be at least a part of the server reference model generation method in the server device 200.

도 6은 본 발명의 실시 예에 따른 배터리 발열 검사 방법의 한 예를 나타낸 도면이다.Figure 6 is a diagram showing an example of a battery heat inspection method according to an embodiment of the present invention.

도 1 내지 도 6을 참조하면, 본 발명의 실시 예에 따른 배터리 발열 검사 방법과 관련한, 배터리 발열 검사 장치(100)의 운용에 있어서, 프로세서(150)는 601 단계에서 배터리(50)의 발열 검사 요청이 발생하는지 확인할 수 있다. 이와 관련하여, 프로세서(150)는 사용자 입력에 따라 또는 사전 정의된 스케줄 정보에 따라 어플리케이션을 활성화하고, 해당 어플리케이션 지원 기능 중 배터리(50)의 발열 검사 기능을 선택하는 사용자 입력이 발생하는지 확인할 수 있다. 1 to 6, in the operation of the battery heat test device 100 in relation to the battery heat test method according to an embodiment of the present invention, the processor 150 performs a heat test of the battery 50 in step 601. You can check whether a request is occurring. In this regard, the processor 150 may activate the application according to user input or predefined schedule information and check whether a user input for selecting the heat check function of the battery 50 among the application support functions occurs. .

배터리 발열 검사를 요청하는 입력 수신이 없는 경우, 603 단계에서, 지정 기능 수행을 처리할 수 있다. 예컨대, 프로세서(150)는 배터리 발열 검사 장치(100)의 각 구성들 중 적어도 일부 구성의 상태 값을 출력할 수 있다. 별도의 지정 기능이 없는 경우, 603 단계는 생략될 수 있다. 배터리 발열 검사를 요청하는 입력이 발생하면, 상기 프로세서(150)는 배터리(50) 발열 검사를 위해 배터리(50)가 배터리 거치대(125)에 놓이는 것을 감지할 수 있다. 상기 프로세서(150)는 배터리(50)가 배터리 거치대(125)에 놓이면 배터리(50)의 충방전을 제어할 수 있다. If there is no input requesting a battery thermal check, the specified function may be performed in step 603. For example, the processor 150 may output status values of at least some of the components of the battery fever test device 100. If there is no separate designated function, step 603 may be omitted. When an input requesting a battery heat test is generated, the processor 150 may detect that the battery 50 is placed on the battery holder 125 to test the battery 50's heat. The processor 150 can control charging and discharging of the battery 50 when the battery 50 is placed on the battery holder 125.

배터리(50)의 발열 검사를 위해 배터리 충방전이 수행되거나 또는 사전 정의된 일정 조건(예: 배터리(50)의 충전량 또는 방전량이 지정된 값 이상 또는 미만이거나, 충전 속도 도는 방전 속도가 지정된 기준 값 이상)이면, 605 단계에서 프로세서(150)는 충방전 중인 배터리(50)에 대한 현재 분광 이미지를 획득할 수 있다. 이 동작에서, 상기 프로세서(150)는 충방전 중인 배터리(50)의 온도 환경 정보를 함께 수집할 수 있다. 온도 환경이 사전 정의된 기준 범위를 벗어난 경우, 온도 환경 조절을 위한 온열 장치 조정 또는 냉각 장치 조정을 수행할 수 있다. In order to test the heat of the battery 50, battery charging and discharging are performed or under predefined certain conditions (e.g., the charging or discharging amount of the battery 50 is above or below a specified value, or the charging or discharging rate is above or below a specified reference value). ), the processor 150 may acquire the current spectral image of the battery 50 that is being charged and discharged in step 605. In this operation, the processor 150 may collect temperature environment information of the battery 50 that is being charged and discharged. If the temperature environment is outside the predefined reference range, a heating device adjustment or cooling device adjustment can be performed to control the temperature environment.

현재 분광 이미지 획득 이후, 프로세서(150)는 607 단계에서 획득된 분광 이미지에 대해 비지도 학습 기반의 기준 모델(131)과 비교를 수행할 수 있다. 이 동작에서, 상기 프로세서(150)는 획득된 현재 분광 이미지에 대한 클러스터링을 수행하고, 클러스터링 결과가 상기 기준 모델(131)에서 정의한 정상 범주 이내에 있는지 확인할 수 있다. 또는, 프로세서(150)는 607 단계에서, 획득된 분광 이미지를 사전 정의된 복수개의 주파수 대역 별로 분할하고, 각각의 주파수 대역 별 스펙트럼들에 대한 클러스터링을 수행하고, 클러스터링 결과들 중 적어도 일부를 대응되는 기준 모델(131)에 비교할 수 있다. 예컨대, 상기 프로세서(150)는 현재 분광 이미지를 가시광선 대역, 자외선 대역, 적외선 대역으로 분할하고, 각각의 주파수 대역에 해당하는 데이터들을 비지도 학습을 수행하여 생성된 기준 모델들과 비교할 수 있다. 이에 따라, 상기 기준 모델(131)은 각각의 주파수 대역에 대응하는 모델들을 포함할 수 있다. 또는, 상기 프로세서(150)는 발열과 가장 밀접한 관계를 가지는 적외선 대역의 스펙트럼에 대해서만 클러스터링 수행하고, 해당 클러스터링 결과를 기준 모델(예: 적외선 대역의 스펙트럼들에 대해 비지도 학습을 통해 생성된 기준 모델)과 비교할 수 있다. After acquiring the current spectral image, the processor 150 may compare the acquired spectral image with the unsupervised learning-based reference model 131 in step 607. In this operation, the processor 150 may perform clustering on the current acquired spectral image and check whether the clustering result is within the normal range defined by the reference model 131. Alternatively, in step 607, the processor 150 divides the acquired spectral image into a plurality of predefined frequency bands, performs clustering on the spectra for each frequency band, and stores at least some of the clustering results in the corresponding It can be compared to the reference model 131. For example, the processor 150 may divide the current spectral image into a visible light band, an ultraviolet light band, and an infrared band, and compare data corresponding to each frequency band with reference models generated by performing unsupervised learning. Accordingly, the reference model 131 may include models corresponding to each frequency band. Alternatively, the processor 150 performs clustering only on the spectrum in the infrared band that is most closely related to heat generation, and uses the clustering result as a reference model (e.g., a reference model generated through unsupervised learning for the spectra in the infrared band). ) can be compared.

상기 프로세서(150)는 609 단계에서, 비교 결과 값이 상태 이상에 해당하는지 확인할 수 있다. 상기 기준 모델(131)과의 비교에서 결과 값이, 상태 이상을 나타낸 경우, 611 단계에서, 프로세서(150)는 제1 배터리 상태 정보를 출력할 수 있다. 상기 제1 배터리 상태 정보는 예컨대, 현재 발열 검사 중인 배터리(50)가 불량품임을 나타낸 정보를 포함할 수 있다. 상기 프로세서(150)는 제1 배터리 상태 정보를 디스플레이(160) 또는 지정된 관리자 단말에 출력할 수 있다. 추가로, 상기 프로세서(150)는 해당 배터리(50)의 폐기 처분 또는 재검사를 요청하는 정보를 함께 출력할 수 있다. In step 609, the processor 150 may check whether the comparison result corresponds to a status abnormality. If the result value indicates a state abnormality in comparison with the reference model 131, the processor 150 may output first battery state information in step 611. For example, the first battery status information may include information indicating that the battery 50 currently undergoing thermal testing is a defective product. The processor 150 may output the first battery state information to the display 160 or a designated manager terminal. Additionally, the processor 150 may also output information requesting disposal or re-inspection of the battery 50.

기준 모델(131)과의 비교에서 결과 값이, 정상 범주 내에 있는 경우, 613 단계에서, 프로세서(150)는 제2 배터리 상태 정보를 출력할 수 있다. 상기 제2 배터리 상태 정보는 상기 배터리(50)가 양품임을 지시하는 정보를 포함할 수 있다. 상기 프로세서(150)는 제2 배터리 상태 정보를 디스플레이(160) 또는 지정된 관리 단말에 출력할 수 있다.If the result value is within the normal range in comparison with the reference model 131, the processor 150 may output second battery state information in step 613. The second battery status information may include information indicating that the battery 50 is a good product. The processor 150 may output the second battery state information to the display 160 or a designated management terminal.

615 단계에서, 상기 배터리 발열 검사 장치(100)의 프로세서(150)는 배터리 발열 검사 기능의 종료 여부를 확인할 수 있다. 배터리 발열 검사 기능 종료와 관련한 이벤트 발생이 없으면, 프로세서(150)는 601 단계 이전으로 분기하여 이하 동작을 재수행할 수 있다. 배터리 발열 검사 기능 종료와 관련한 이벤트 예컨대, 어플리케이션 종료를 위한 사용자 입력 신호 또는 분광 카메라(120) 종료를 지시하는 입력 신호 등이 발생하면 배터리 발열 검사 기능의 종료로 판단하고, 프로세서(150)는 관련 기능 종료를 처리할 수 있다. In step 615, the processor 150 of the battery heat test device 100 may check whether the battery heat test function is terminated. If no event related to termination of the battery heat test function occurs, the processor 150 may branch to step 601 and re-perform the following operations. When an event related to termination of the battery heat test function, such as a user input signal for terminating an application or an input signal instructing the end of the spectral camera 120, occurs, the battery heat test function is determined to be terminated, and the processor 150 performs the related function. Termination can be handled.

한편, 상술한 설명에서는, 배터리 발열 검사 장치(100)를 이용하여 배터리(50)의 발열 검사를 수행하는 방법을 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상술한 도 6에서 설명한 동작들은 서버 장치(200)에서도 유사하게 수행될 수도 있다. 서버 장치(200)가 상기 도 6에 기재된 동작을 수행하도록 정의되는 경우, 상기 서버 장치(200)는 601 단계 및 603 단계를 스킵하고, 605 단계에서 통신 채널을 형성한 배터리 발열 검사 장치(100)로부터 현재 분광 이미지를 획득한 후, 이하 동작을 수행하여 배터리(50)의 상태 이상 여부에 따라, 양품 또는 불량품 검사 결과를 판정하고, 판정 결과를 배터리 발열 검사 장치(100) 또는 지정된 사용자 단말에 전송하는 동작을 수행하도록 구성될 수 있다. Meanwhile, in the above description, a method of performing a heat test of the battery 50 using the battery heat test device 100 is illustrated, but the present invention is not limited thereto. For example, the operations described in FIG. 6 may be similarly performed in the server device 200. When the server device 200 is defined to perform the operation described in FIG. 6, the server device 200 skips steps 601 and 603, and the battery heat inspection device 100 forms a communication channel in step 605. After acquiring the current spectral image from the battery, the following operations are performed to determine whether the battery 50 is in good condition or defective, and the judgment result is transmitted to the battery heat inspection device 100 or a designated user terminal. It may be configured to perform an operation.

이상에서 설명한 바와 같이, 본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. As described above, although this specification contains details of numerous specific implementations, these should not be construed as limitations on the scope of any invention or what may be claimed, but rather may be specific to particular embodiments of a particular invention. It should be understood as a description of features.

또한, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다.Additionally, although operations are depicted in the drawings in a specific order, this should not be construed as requiring that those operations be performed in the specific order or sequential order shown or that all of the depicted operations must be performed to obtain desirable results. In certain cases, multitasking and parallel processing may be advantageous. Additionally, the separation of various system components in the above-described embodiments should not be construed as requiring such separation in all embodiments, and the described program components and systems may generally be integrated together into a single software product or packaged into multiple software products. You must understand that it is possible.

본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 통상의 기술자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 통상의 기술자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.The present description sets forth the best mode of the invention and provides examples to illustrate the invention and to enable any person skilled in the art to make and use the invention. The specification prepared in this way does not limit the present invention to the specific terms presented. Accordingly, although the present invention has been described in detail with reference to the above-described examples, those skilled in the art may make modifications, changes, and variations to the examples without departing from the scope of the present invention.

따라서 본 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.Therefore, the scope of the present invention should not be determined by the described embodiments, but by the scope of the patent claims.

10: 시스템 환경
50: 배터리
100: 배터리 발열 검사 장치
110: 통신 회로,
120: 분광 카메라
130: 메모리
140: 입력부
150: 프로세서
160: 디스플레이
180: 충방전 장치
190: 센서부
200: 서버 장치
210: 서버 통신 회로
230: 서버 메모리
250: 서버 프로세서10: System environment
50: battery
100: Battery fever test device
110: communication circuit,
120: spectral camera
130: memory
140: input unit
150: processor
160: display
180: Charge/discharge device
190: sensor unit
200: Server device
210: Server communication circuit
230: Server memory
250: server processor

Claims (11)

분광 이미지를 획득하는 분광 카메라;
메모리;
상기 분광 카메라 및 상기 메모리와 기능적으로 연결되는 프로세서;를 포함하고,
상기 프로세서는,
충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하고,
상기 현재 분광 이미지에 대한 클러스터링을 수행하고,
상기 클러스터링 결과를, 상기 메모리에 사전 저장되며 비지도 학습에 의해 생성된 기준 모델과 비교하고,
상기 비교 결과, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고,
상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하도록 설정된 것을 특징으로 하는 비지도 학습 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.A spectroscopic camera that acquires spectral images;
Memory;
A processor functionally connected to the spectral camera and the memory,
The processor,
Collect current spectral images of batteries that are charging or discharging;
Perform clustering on the current spectral image,
Compare the clustering result with a reference model pre-stored in the memory and generated by unsupervised learning,
As a result of the comparison, if the clustering result value is within a range designated as a normal category in the reference model, the battery corresponding to the current spectral image is determined to be a good product,
If the clustering result value is outside the range designated as a normal category in the reference model, the battery corresponding to the current spectral image is set to be determined as a defective battery heat test for performing an unsupervised learning-based battery heat test. Device. 제1항에 있어서,
상기 프로세서는
상기 비지도 학습과 관련하여, 양품 라벨로 지정된 데이터들에 대해 비지도 학습을 수행하면서, 상기 양품 라벨로 지정된 데이터의 복원 오차에 대한 평균과 표준편차를 기반으로 상기 정상 범주를 설정하는 것을 특징으로 하는 비지도 학습 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.According to paragraph 1,
The processor is
In relation to the unsupervised learning, while performing unsupervised learning on data designated as a good product label, the normal category is set based on the average and standard deviation of the restoration error of the data designated as a good product label. A battery thermal testing device that performs an unsupervised learning-based battery thermal testing. 제1항에 있어서,
상기 프로세서는
상기 현재 분광 이미지를 사전 정의된 주파수 대역들로 분류하고,
상기 분류된 주파수 대역들 각각에 대해 클러스터링을 수행하고,
각 클러스터링 결과들을 대응되는 기준 모델들과 비교하여 상기 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 하는 비지도 학습 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.According to paragraph 1,
The processor is
Classify the current spectral image into predefined frequency bands,
Perform clustering on each of the classified frequency bands,
A battery thermal inspection device that performs an unsupervised learning-based battery thermal inspection, characterized in that it is set to determine whether the battery is good or defective by comparing each clustering result with the corresponding reference models. 제1항에 있어서,
상기 프로세서는
상기 현재 분광 이미지를 사전 정의된 주파수 대역들로 분류하고,
상기 분류된 주파수 대역들 중 적외선 대역에 대해 클러스터링을 수행하고,
상기 적외선 대역에 대한 클러스터링 결과를, 그에 대응되는 기준 모델과 비교하여 상기 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 하는 비지도 학습 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.According to paragraph 1,
The processor is
Classify the current spectral image into predefined frequency bands,
Clustering is performed on the infrared band among the classified frequency bands,
A battery thermal inspection device that performs an unsupervised learning-based battery thermal inspection, characterized in that it is set to determine whether the battery is good or defective by comparing the clustering result for the infrared band with a corresponding reference model. 제1항에 있어서,
상기 프로세서는, 상기 기준 모델의 생성과 관련하여,
상기 배터리의 발열과 관련하여 수집된 복수의 분광 이미지들을 사전 정의된 일정 비율에 따라 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고,
상기 학습용 데이터 셋에 대해 비지도 학습을 수행하여 상기 기준 모델에 대한 학습을 완료하고,
상기 학습이 완료된 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증을 수행하고,
상기 검증 성능 값을 출력하도록 설정된 것을 특징으로 하는 비지도 학습 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.According to paragraph 1,
The processor, in relation to generating the reference model,
Dividing a plurality of spectral images collected in relation to the heat generation of the battery into a learning data set and a verification data set according to a predefined ratio,
Complete learning of the reference model by performing unsupervised learning on the learning data set,
Perform performance verification by applying the verification data set to the learned reference model,
A battery thermal inspection device that performs an unsupervised learning-based battery thermal inspection, characterized in that it is set to output the verification performance value. 제5항에 있어서,
상기 프로세서는,
상기 학습용 데이터 셋 중 양품으로 지정된 데이터들만을 이용하여 비지도 학습을 수행하도록 설정된 것을 특징으로 하는 비지도 학습 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.According to clause 5,
The processor,
A battery thermal inspection device that performs an unsupervised learning-based battery thermal inspection, characterized in that it is set to perform unsupervised learning using only data designated as good products among the learning data set. 배터리 발열 검사 장치의 프로세서가, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하는 단계;
상기 현재 분광 이미지에 대한 클러스터링을 수행하는 단계;
상기 클러스터링 결과를, 상기 배터리 발열 검사 장치의 메모리에 사전 저장되며 비지도 학습에 의해 생성된 기준 모델과 비교하는 단계;
상기 비교 결과, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하는 단계;
상기 판정 결과를 출력하는 단계;를 포함하는 것을 특징으로 하는 배터리 발열 검사 방법.Collecting, by a processor of a battery thermal testing device, a current spectral image of a battery being charged or discharged;
performing clustering on the current spectral image;
Comparing the clustering result with a reference model pre-stored in the memory of the battery heat inspection device and generated by unsupervised learning;
As a result of the comparison, if the clustering result value is within the range designated as the normal category in the reference model, the battery corresponding to the current spectral image is determined to be a good product, and the clustering result value is within the range designated as the normal category in the reference model. If it deviates from , determining the battery corresponding to the current spectral image as a defective product;
A battery heat test method comprising: outputting the determination result. 제7항에 있어서,
상기 기준 모델을 생성하는 단계;를 더 포함하고,
상기 기준 모델을 생성하는 단계는,
수집된 복수의 분광 이미지들을 사전 정의된 일정 비율에 따라 학습용 데이터 셋과 검증용 데이터 셋으로 분할하는 단계;
상기 학습용 데이터 셋에 대해 비지도 학습을 수행하여 상기 기준 모델에 대한 학습을 완료하는 단계;
상기 학습이 완료된 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증을 수행하는 단계;
상기 검증 성능 값을 출력하는 단계;를 포함하는 특징으로 하는 배터리 발열 검사 방법.In clause 7,
Further comprising: generating the reference model,
The step of generating the reference model is,
Splitting a plurality of collected spectral images into a learning data set and a verification data set according to a predefined ratio;
Completing learning of the reference model by performing unsupervised learning on the learning data set;
performing performance verification by applying the verification data set to the learned reference model;
A battery heat test method comprising: outputting the verification performance value. 배터리 발열 검사 장치와 통신 채널을 형성하는 서버 통신 회로;
서버 메모리;
상기 서버 통신 회로 및 상기 서버 메모리와 기능적으로 연결되는 서버 프로세서;를 포함하고,
상기 서버 프로세서는,
상기 배터리 발열 검사 장치로부터 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수신하고,
상기 현재 분광 이미지에 대한 클러스터링을 수행하고,
상기 클러스터링 결과를, 상기 서버 메모리에 사전 저장되며 비지도 학습에 의해 생성된 기준 모델과 비교하고,
상기 비교 결과, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하며, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하고,
상기 판정 결과를 상기 배터리 발열 검사 장치에 전송하도록 설정된 것을 특징으로 하는 비지도 학습 기반의 배터리 발열 검사를 지원하는 서버 장치. a server communication circuit forming a communication channel with the battery thermal testing device;
server memory;
It includes a server processor functionally connected to the server communication circuit and the server memory,
The server processor is,
Receiving a current spectral image of a battery being charged or discharged from the battery heat inspection device,
Perform clustering on the current spectral image,
Compare the clustering result with a reference model pre-stored in the server memory and generated by unsupervised learning,
As a result of the comparison, if the clustering result value is within the range designated as the normal category in the reference model, the battery corresponding to the current spectral image is determined to be a good product, and the clustering result value is within the range designated as the normal category in the reference model. If it is out of the range, the battery corresponding to the current spectral image is determined to be defective,
A server device supporting unsupervised learning-based battery heat testing, characterized in that it is set to transmit the determination result to the battery heat test device. 제9항에 있어서,
상기 서버 프로세서는, 상기 기준 모델의 생성과 관련하여,
상기 배터리 발열 검사 장치로부터 수집된 복수의 분광 이미지들을 사전 정의된 일정 비율에 따라 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고,
상기 학습용 데이터 셋에 대해 비지도 학습을 수행하여 상기 기준 모델에 대한 학습을 완료하고,
상기 학습이 완료된 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증을 수행하고,
상기 검증 성능 값을 상기 배터리 발열 검사 장치에 출력하도록 설정된 것을 특징으로 하는 비지도 학습 기반의 배터리 발열 검사를 지원하는 서버 장치.According to clause 9,
The server processor, in relation to generating the reference model,
Dividing the plurality of spectral images collected from the battery heat inspection device into a learning data set and a verification data set according to a predefined ratio,
Complete learning of the reference model by performing unsupervised learning on the learning data set,
Perform performance verification by applying the verification data set to the learned reference model,
A server device supporting unsupervised learning-based battery thermal testing, characterized in that it is set to output the verification performance value to the battery thermal testing device. 제10항에 있어서,
상기 서버 프로세서는,
상기 학습용 데이터 셋 중 양품으로 지정된 데이터들만을 이용하여 비지도 학습을 수행하도록 설정된 것을 특징으로 하는 비지도 학습 기반의 배터리 발열 검사를 지원하는 서버 장치.
According to clause 10,
The server processor is,
A server device supporting unsupervised learning-based battery thermal testing, characterized in that it is set to perform unsupervised learning using only data designated as good products among the learning data set.
KR1020220178761A 2022-12-19 2022-12-19 Method for detecting heat generation of battery based on unsupervised learning and device supporting the same KR20240096265A (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220178761A KR20240096265A (en) 2022-12-19 2022-12-19 Method for detecting heat generation of battery based on unsupervised learning and device supporting the same
PCT/KR2023/008203 WO2024135959A1 (en) 2022-12-19 2023-06-14 Spectral image-based battery heat generation inspection method and apparatus supporting same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220178761A KR20240096265A (en) 2022-12-19 2022-12-19 Method for detecting heat generation of battery based on unsupervised learning and device supporting the same

Publications (1)

Publication Number Publication Date
KR20240096265A true KR20240096265A (en) 2024-06-26

Family

ID=91689673

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220178761A KR20240096265A (en) 2022-12-19 2022-12-19 Method for detecting heat generation of battery based on unsupervised learning and device supporting the same

Country Status (1)

Country Link
KR (1) KR20240096265A (en)

Similar Documents

Publication Publication Date Title
EP3721499B1 (en) Method and system for online assessing state of health of a battery
US11474153B2 (en) Battery pack maintenance system
CN110376530A (en) Battery internal short-circuit detection device and method
WO2023024851A1 (en) Battery equalization method and system
US12026911B2 (en) Apparatus for checking battery position and operating method thereof
CN113537525A (en) Self-adaptive early warning method for fault state of battery energy storage system
US20230366938A1 (en) Battery diagnosing apparatus, battery system and battery diagnosing method
KR20230057894A (en) Apparatus of Detecting Abnormal Portent Cell in Batter Pack and Method thereof
JP2021533371A (en) Devices, methods, battery packs and electric vehicles for determining battery degeneration status
US20230391224A1 (en) System and method for battery diagnosis according to altitude using atmospheric pressure sensor
KR101835373B1 (en) Apparatus for estimating imbalance of battery pack and method thereof
CN117284145B (en) Safety monitoring method for high-voltage charging equipment
KR20240096265A (en) Method for detecting heat generation of battery based on unsupervised learning and device supporting the same
KR102436147B1 (en) Estimation method of machine learning based battery charge state using thermal distribution image
CN117872146A (en) Method, device, equipment and storage medium for monitoring battery abnormality
KR20240096263A (en) Method for detecting heat generation of battery based on spectroscopic image and device supporting the same
KR20240096264A (en) Method for detecting heat generation of battery based on radiomics features and device supporting the same
KR20210154027A (en) Apparatus and method for diagnosing state of battery
KR20230129940A (en) Apparatus, method and system for detecting defect of battery
CN115034471A (en) Energy storage fault prediction method and device
CN213780320U (en) Lithium battery detection device
CN112666477A (en) Method for determining short circuit in battery, electronic device, and storage medium
CN116859172B (en) Blind-pluggable multi-lithium battery charging and discharging system and detection method
US20240288500A1 (en) Battery charge and discharge profile analysis method, and battery charge and discharge profile analysis apparatus
CN116429339B (en) Leakage detection method and system for new energy battery box