WO2023136584A1 - 모니터링 장치 및 그것의 동작 방법 - Google Patents

모니터링 장치 및 그것의 동작 방법 Download PDF

Info

Publication number
WO2023136584A1
WO2023136584A1 PCT/KR2023/000447 KR2023000447W WO2023136584A1 WO 2023136584 A1 WO2023136584 A1 WO 2023136584A1 KR 2023000447 W KR2023000447 W KR 2023000447W WO 2023136584 A1 WO2023136584 A1 WO 2023136584A1
Authority
WO
WIPO (PCT)
Prior art keywords
welding
state
artificial intelligence
image
battery cell
Prior art date
Application number
PCT/KR2023/000447
Other languages
English (en)
French (fr)
Inventor
김민지
엄동환
홍승균
이승준
Original Assignee
주식회사 엘지에너지솔루션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Publication of WO2023136584A1 publication Critical patent/WO2023136584A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • 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
    • G01N2021/8883—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

Definitions

  • Embodiments disclosed in this document relate to a monitoring device and its operating method.
  • Electric vehicles receive power from the outside to charge the battery cells, and then drive the motor with the voltage charged in the battery cells to obtain power.
  • a battery cell of an electric vehicle is manufactured by accommodating an electrode assembly in a battery case and injecting an electrolyte solution into the battery case.
  • Battery cells are classified into cylindrical, prismatic, and pouch-type depending on the type of battery case, and the cylindrical battery cell includes an electrode assembly, a battery case of a cylindrical metal can that accommodates the electrode assembly and electrolyte, and a cap assembly assembled on top of the cylindrical can. .
  • the positive electrode tab of the cylindrical battery cell is welded to the top cap of the cap assembly.
  • deterioration or explosion of the battery cell may occur when a part or all of the welded portion is removed due to an impact applied from the outside of the battery cell or poor welding. Therefore, it is important to inspect battery cells so that battery cells with poor welding are not leaked.
  • An object of the embodiments disclosed in this document is to provide an operating method of a monitoring device capable of detecting a defective battery cell by accurately analyzing a welding state of the battery cell.
  • a monitoring device includes an image acquiring unit acquiring an image of at least one process processing device related to manufacturing of a battery cell; an analysis unit inputting the obtained image into an artificial intelligence model for determining a welding state of a battery cell to generate a first determination result of determining whether the battery cell is defective; and a determination unit configured to determine whether the battery cell is defective based on a result of the first determination.
  • a method of operating a monitoring device includes acquiring an image of at least one process processing device related to manufacturing a battery cell; generating a first determination result of determining whether the battery cell is defective by inputting the acquired image into an artificial intelligence model for determining a welding state of the battery cell; generating a second determination result of determining whether the battery cell is defective based on gray level information of the acquired image; and determining whether the battery cell is defective based on the first determination result and the second determination result.
  • a defective battery cell may be detected by accurately analyzing a welding state of the battery cell.
  • FIG. 1 is a diagram for generally describing a battery processing system according to an embodiment disclosed in this document.
  • FIG. 2 is a block diagram showing the configuration of a monitoring device according to an embodiment disclosed in this document.
  • 3 is a welding state classification table according to an embodiment disclosed in this document.
  • FIG. 4 is a graph showing a change in tensile strength according to a change in welding length according to an embodiment disclosed in this document.
  • FIG. 5 is a diagram of classifying battery units according to an embodiment disclosed in this document.
  • FIG. 6 is a diagram illustrating a welding position of a battery cell according to an embodiment disclosed in this document.
  • FIG. 7 is a diagram illustrating a welding region of a battery cell according to an embodiment disclosed in this document.
  • FIG. 8 is a diagram illustrating a welding form of a battery cell according to an embodiment disclosed in this document.
  • FIG. 9 is a diagram illustrating an operating method of a monitoring device according to an embodiment disclosed in this document.
  • a battery may include a battery cell, which is a basic unit of a battery capable of charging and discharging electrical energy.
  • the battery cell may be a lithium ion (Li-ion) battery, a lithium ion polymer (Li-ion polymer) battery, a nickel cadmium (Ni-Cd) battery, a nickel-metal hydride (Ni-MH) battery, and the like, but is not limited thereto.
  • the battery cell may supply power to a target device (not shown).
  • the battery cell may be electrically connected to the target device.
  • the target device may include an electrical, electronic, or mechanical device operated by receiving power from a battery pack (not shown) including a plurality of battery cells.
  • target devices include small products such as digital cameras, P-DVDs, MP3Ps, mobile phones, PDAs, portable game devices, power tools, and E-bikes, as well as large products requiring high power such as electric vehicles or hybrid vehicles. It may be a power storage device for storing excess generated power or renewable energy, or a power storage device for backup, but is not limited thereto.
  • a battery cell may include an electrode assembly, a battery case in which the electrode assembly is accommodated, and an electrolyte solution injected into the battery case to activate the electrode assembly.
  • the electrode assembly is formed by interposing a separator between a positive electrode plate formed by coating a positive electrode current collector with a positive electrode active material and a negative electrode plate formed by coating a negative electrode active material on a negative electrode current collector.
  • the electrode assembly is a jelly roll type depending on the type of battery case. (jelly roll type), stack type (stack type), etc., and can be accommodated inside the battery case.
  • the battery case serves as an exterior material that maintains the shape of the battery and protects it from external impact, and battery cells may be classified into cylindrical, prismatic, and pouch types according to the type of battery case.
  • a battery cell may be manufactured through a series of manufacturing processes including an electrode manufacturing process, an assembly process, and a formation process.
  • the assembly process may include a process of assembling a positive electrode plate and a negative electrode plate made through an electrode manufacturing process and injecting an electrolyte solution, and may include a notching process, a winding process, an assembly process, and a packaging process.
  • a packaging process may be defined as a process of “injecting” an electrode assembly and an electrolyte into a battery case and sealing it.
  • an electrode assembly is mounted in a cylindrical metal can, a negative electrode tab extending from the negative electrode of the electrode assembly is welded to the bottom of the can, and extended from the positive electrode of the electrode assembly while the electrode assembly and electrolyte are embedded. It is manufactured by welding the "anode” tab to the "top cap” of the cap “assembly".
  • FIG. 1 is a diagram for generally describing a battery processing system according to an embodiment disclosed in this document.
  • a battery processing system may include a monitoring device 100 and at least one process processing device 210 , 220 , or 230 .
  • the monitoring device 100 may collect and analyze data of at least one process processing device 210 , 220 , and 230 operating in the battery process system in real time.
  • the monitoring device 100 may collect and analyze data of at least one process processing device 210 , 220 , or 230 .
  • the monitoring device 100 may collect and analyze graph data or data generated in the battery process system, such as the battery process system process progress status, whether an alarm has occurred, temperature, pressure, quantity, and the like.
  • the monitoring device 100 may obtain an image of at least one process processing device 210 , 220 , or 230 captured by a plurality of camera modules (not shown).
  • the monitoring device 100 may determine whether a battery cell is defective based on an image obtained by capturing at least one process processing device 210 , 220 , or 230 . According to an embodiment, the monitoring device 100 may determine whether the positive electrode tab of the battery cell and the top cap are weakly welded based on an image of the at least one process processing device 210 , 220 , or 230 .
  • the at least one processing unit 210 , 220 , and 230 may include a first processing unit 210 , a second processing unit 220 , and a third processing unit 230 .
  • at least one process processing device 210 , 220 , 230 is shown as three, but is not limited thereto.
  • the at least one process processing device 210 , 220 , or 230 may include n (n is a natural number greater than or equal to 1) number of devices.
  • At least one of the process processing devices 210 , 220 , and 230 may weld the positive tab of the electrode assembly of the battery cell and the top cap of the cap assembly.
  • FIG. 2 is a block diagram showing the configuration of the monitoring device 100 according to an embodiment disclosed in this document.
  • the monitoring device 100 may determine the state of the battery unit 105 based on the image of the battery unit 105 acquired by the image acquisition device 103 .
  • the image acquisition device 103 may correspond to a plurality of camera modules (not shown) described in FIG. 1 .
  • the battery unit 105 may be a battery cell.
  • the monitoring device 100 may determine the state of the battery unit 105 based on a rule-based test result and/or an artificial intelligence model-based test result for the battery unit 105 .
  • the rule-based inspection may include inspecting at least one of the presence or absence of a can of the battery unit 105, the presence or absence of a top cap of the can assembly, the center distance between the can and the top cap, the position of the positive electrode tab, or whether over-welding is present.
  • the artificial intelligence model-based inspection may include inspection of at least one of the existence of a top cap of the cap assembly, a welding position, a welding area, or a welding shape.
  • the monitoring device 100 may determine that the state of the battery unit 105 is good when both the rule-based inspection result and the artificial intelligence model-based inspection result for the battery unit 105 indicate normal. there is. In one embodiment, the monitoring device 100 determines that the state of the battery unit 105 is defective when at least one test result of a rule-based test result or an artificial intelligence model-based test result for the battery unit 105 indicates a defect. can be determined to be
  • the monitoring device 100 may include a communication circuit 110 , a memory 120 , and a processor 130 .
  • the monitoring device 100 shown in FIG. 2 may further include at least one component (eg, a display, an input device, or an output device) other than the components shown in FIG. 2 .
  • the communication circuit 110 establishes a wired communication channel and/or a wireless communication channel between the monitoring device 100 and the image acquisition device 103, and the image acquisition device 103 and the image acquisition device 103 through the established communication channel. Data can be sent and received.
  • memory 120 may include volatile memory and/or non-volatile memory.
  • the memory 120 may store data used by at least one component (eg, the processor 130) of the monitoring device 100.
  • the data may include the program 125 (or instructions related thereto), input data, or output data.
  • the command when executed by the processor 130, the command may cause the monitoring device 100 to perform operations defined by the command.
  • the memory 120 includes a program 125 (eg, an artificial intelligence model learning unit 141, artificial intelligence models 145, 146, 147, and 148), an image acquisition unit 150, and a state determination unit. 160, a position detection unit 170, an area detection unit 180, an analysis unit 190, and/or a determination unit 195).
  • a program 125 eg, an artificial intelligence model learning unit 141, artificial intelligence models 145, 146, 147, and 148
  • the processor 130 may include a central processing unit, an application processor, a graphics processing unit, a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor.
  • a central processing unit an application processor, a graphics processing unit, a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor.
  • NPU neural processing unit
  • image signal processor a sensor hub processor
  • communication processor a communication processor.
  • the processor 130 includes a program 125 (eg, an artificial intelligence model learning unit 141, artificial intelligence models 145, 146, 147, and 148), an image acquisition unit 150, and a state determination unit. (160), position detection unit 170, region detection unit 180, analysis unit 190, and/or determination unit 195) to detect at least one other of the monitoring device 100 connected to the processor 130. It can control components (eg, hardware or software components) and can perform various data processing or calculations.
  • a program 125 eg, an artificial intelligence model learning unit 141, artificial intelligence models 145, 146, 147, and 148
  • an image acquisition unit 150 e.g., a state determination unit. (160), position detection unit 170, region detection unit 180, analysis unit 190, and/or determination unit 195) to detect at least one other of the monitoring device 100 connected to the processor 130. It can control components (eg, hardware or software components) and can perform various data processing or calculations.
  • the artificial intelligence model learning unit 141 may learn the artificial intelligence models 145, 146, 147, and 148 based on training data. In one embodiment, the artificial intelligence models 145, 146, 147, and 148 may be models learned to generate output products for different purposes based on different learning data.
  • the image acquisition unit 150 may obtain an image of the battery unit 105 from the image acquisition device 103 .
  • the image acquisition unit 150 may automatically log an image captured by the image acquisition device 103 of at least one process processing device 210 , 220 , or 230 .
  • the image acquisition unit 150 may collect images of at least one process processing device 210 , 220 , or 230 by setting a sampling period of automatic image data logging to 0.1 sec.
  • the image acquisition device 103 may acquire operation data of at least one process processing device 210 , 220 , or 230 .
  • the image acquisition device 103 may acquire an image of at least one process processing device 210 , 220 , or 230 related to manufacturing the battery unit 105 .
  • the image acquisition device 103 acquires an image in which at least one of the process processing devices 210, 220, and 230 welds the positive tab of the electrode assembly of the battery unit 105 and the top cap of the cap assembly. can do.
  • the state determination unit 160 may determine the state of the can assembly based on the image of the battery unit 105 .
  • the position detector 170 may determine the state of the welding position based on the image of the battery unit 105 .
  • the area detector 180 may detect and/or crop a welding area in an image of a welding position of the battery unit 105 .
  • the analyzer 190 may analyze a welding state based on a cropped image of a welding position.
  • the determination unit 195 may determine whether the battery unit 105 is good or not based on the determination results of the state determination unit 160, the position detection unit 170, and/or the analysis unit 190. there is.
  • the artificial intelligence model learning unit 141 the artificial intelligence models 145, 146, 147, 148, the image acquisition unit 150, the state determination unit 160, the position A method for the monitoring device 100 to determine the state of the battery unit 105 through the detection unit 170 , the region detection unit 180 , the analysis unit 190 , and/or the determination unit 195 will be described in detail.
  • 3 is a welding state classification table according to an embodiment disclosed in this document.
  • 4 is a graph showing a change in tensile strength according to a change in welding length according to an embodiment disclosed in this document.
  • Whether or not the battery unit 105 is normal may be determined based on various criteria. For example, whether or not the battery unit 105 is normal may be determined based on a criterion related to a welding state and/or a criterion related to tensile strength. A criterion for determining whether the battery unit 105 is normal may be set in advance. For example, the welding state of the battery unit 105 may be determined to be normal when the welding length (or bead length) of at least one welding line is 75% or more of the welding section, and the battery unit 105 Tensile strength can be determined to be normal when it is 0.4 kgf or more.
  • the welding bead may be deposited metal solidified on a base material when a welding operation is performed along a welding line.
  • the welding state of the battery unit 105 can be checked through an image of the battery unit 105, but it may be difficult to check the tensile strength of the battery unit 105 through the image.
  • the welding state of the battery unit 105 can be determined as normal welding.
  • the welding length of one welding line is 75% or more of the welding section, the welding state of the battery unit 105 can be determined as normal welding.
  • the tensile strengths of the battery unit 105 are 1.90 kgf and 1.61 kgf in Type #1 and Type #2, the battery unit 105 can be determined to be normal.
  • Type #3 and Type #4 since the welding length of the welding line is 50% or more or 50% or less of the welding section, the welding state of the battery unit 105 can be determined as weak welding. Nevertheless, in Type #3 and Type #4, since the tensile strengths of the battery unit 105 are 1.10 kgf and 0.73 kgf, the battery unit 105 can be determined to be normal.
  • Type #1, Type #2, Type #3, and Type #4 it can be seen that if the criteria for welding conditions are satisfied, the battery unit 105 is highly likely to also satisfy the criteria related to tensile strength.
  • the welding length of the battery unit 105 and the tensile strength of the battery unit 105 exhibit a linear proportional relationship.
  • a Pearson correlation coefficient (PCC) between the tensile strength of the battery unit 105 and the welding length of the battery unit 105 may be calculated as 0.764.
  • the Pearson correlation coefficient may be a numerical value quantifying a linear correlation between two variables. That is, the tensile strength of the battery unit 105 can be calculated by multiplying the welding length (mm) of the battery unit 105 by Pearson's correlation coefficient of 0.764.
  • FIG. 5 is a diagram of classifying battery units according to an embodiment disclosed in this document.
  • the artificial intelligence model learning unit 141 may input an image of the battery unit to the artificial intelligence model 145 .
  • the artificial intelligence model 145 may be a model capable of multinomial classification (eg, a model based on a convolutional neural network (CNN)).
  • CNN convolutional neural network
  • the artificial intelligence model 145 may be trained to classify the presence or absence of the cans 515 and 535 and the top cap 511 based on the images 510 , 530 and 550 of the battery unit. there is.
  • the data for learning the artificial intelligence model 145 is an image 510 of a battery unit in which a can 515 and a top cap 511 normally exist, and only a can 535 without a top cap. and an image 530 of the battery unit being used and an image 550 without the can and top cap.
  • the images 510, 530, and 550 used for learning of the artificial intelligence model 145 may be prepared in advance.
  • the artificial intelligence model 145 may be trained to classify an input image into at least three states based on training data.
  • the at least three states may include a state in which the can and the top cap are normally present, a state in which only the can is present without the top cap, and a state in which the can and the top cap are not present.
  • FIG. 6 is a diagram illustrating a welding position of a battery unit according to an embodiment disclosed in this document.
  • FIG. 6 shows images 610 and 630 of a battery unit including top caps 611 and 631 and positive electrode tabs 613 and 633, and images 620 in which portions of the images 610 and 630 are enlarged. 640).
  • the artificial intelligence model learning unit 141 may input an image of the battery unit to the artificial intelligence model 146 .
  • the artificial intelligence model 146 may be a model capable of multinomial classification.
  • the artificial intelligence model 146 may be trained to identify and/or crop the weld locations 621 and 641 based on the images 610 and 630 for the battery unit.
  • the welding position may include a region where welding is performed.
  • the data for learning the artificial intelligence model 146 is an image 610 in which welding exists only in an area where the top cap 611 and the anode tab 613 overlap, and the top cap 631 and the anode.
  • An image 630 in which welding is partially present in an area where the tabs 633 do not overlap may be included.
  • the images 610 and 630 used for learning of the artificial intelligence model 146 may be prepared in advance.
  • artificial intelligence model 146 may be trained to classify input images into at least two states based on training data.
  • the at least two states may include a state in which welding exists only in a region where the top cap and the positive electrode tab overlap, and a state in which at least some welding exists in a region where the top cap and the positive electrode tab do not overlap.
  • artificial intelligence model 146 may be trained to crop weld locations in the input image based on the training data. For example, artificial intelligence model 146 may be trained to crop weld locations 621 and 641 in images 610 and 630 . In one embodiment, the artificial intelligence model 146 may attach metadata representing at least two states of the input image to the cropped welding position.
  • FIG. 7 is a diagram illustrating a welding region of a battery cell according to an embodiment disclosed in this document.
  • the artificial intelligence model learning unit 141 may input an image of the battery unit to the artificial intelligence model 147 .
  • the artificial intelligence model 147 may be a model capable of multinomial classification.
  • the artificial intelligence model 147 may be trained to identify and/or crop the weld regions 721 and 741 based on the images 710 and 730 for the battery unit.
  • the welding area may refer to an area in which welding is actually performed among welding sections within a welding position.
  • the weld location may be identified and/or cropped by artificial intelligence model 146 .
  • the data for learning the artificial intelligence model 147 may include an image of a welding position having a welding length between 0 and 100% of the welding sections 711, 713, 741, and 743. .
  • the images 710 and 730 used for learning of the artificial intelligence model 147 may be prepared in advance.
  • artificial intelligence model 147 may be trained to identify weld regions 721 and 741 in the input image based on the training data. In one embodiment, artificial intelligence model 147 may be trained to crop weld locations from input images based on training data. For example, artificial intelligence model 147 can be trained to crop weld locations 721 and 741 in images 710 and 730 . In one embodiment, the artificial intelligence model 147 may be trained to output images 720 and 740 obtained by cropping the welding positions 721 and 741 .
  • FIG. 8 is a diagram illustrating a welding state of a battery cell according to an embodiment disclosed in this document.
  • the artificial intelligence model learning unit 141 may input an image of the battery unit to the artificial intelligence model 148 . In one embodiment, the artificial intelligence model learning unit 141 may train the artificial intelligence model 148 to classify the welding state of the battery unit based on the image of the welding position cropped. In one embodiment, the artificial intelligence model 148 may be a model capable of multinomial classification.
  • the data for learning the artificial intelligence model 148 is an image 810 having a welding length of a reference length range (eg, 75 to 100%) in the welding sections 811 and 813, a welding section ( 821 and 823) may include an image 820 having a welding length less than the reference length range (eg, 0 to 75%) and welding images 830, 840, and 850 having other defects.
  • other defects may include an over-welding condition (eg, a condition having a welding length exceeding a reference length range), a top cap damage condition (eg, top cap burning), or a tap damage condition.
  • the images 810 , 820 , 830 , 840 , and 850 used for training of the artificial intelligence model 148 may be prepared in advance.
  • artificial intelligence model 148 may be trained to classify input images into at least three states based on training data.
  • the at least three states may include a state having a welding length within the standard length range, a state having a welding length less than the standard length range, and a state having other defects.
  • the state determination unit 160 may determine the state of the can assembly based on the image of the battery unit 105 . In one embodiment, the state determination unit 160 may determine the state of the can assembly by inputting an image of the battery unit 105 to the artificial intelligence model 145 . In one embodiment, the state determination unit 160 may determine the state of the can assembly of the battery unit 105 based on the output of the artificial intelligence model 145 . For example, the state determination unit 160 may determine the state of the battery unit 105 classified by the artificial intelligence model 145 (eg, a state in which a can and a top cap are normally present (eg, an image 510, without a top cap). The state of the can assembly of the battery unit 105 may be determined based on a state in which only the can is present (eg, image 530 ) and a state in which the can and the top cap are not present (eg, image 550 ).
  • a state in which only the can is present eg, image 530
  • the state determiner 160 may determine that the can assembly is in a normal state. In an embodiment, when only a can exists without a top cap or without a can and a top cap, the state determining unit 160 may determine that the can assembly is in a poor state.
  • the state determination unit 160 may transmit an image of the battery unit 105 in which the state of the can assembly is determined to be normal among a plurality of images to the position detection unit 170 . In one embodiment, the state determiner 160 may transfer the determination result of the state of the can assembly of the battery unit 105 to the determiner 195 .
  • the location detector 170 may detect and/or crop a welding location in an image of the battery unit 105 .
  • the state determining unit 160 inputs an image of the battery unit 105 to the artificial intelligence model 146 to detect and/or crop welding positions (eg, welding positions 621 and 641). can
  • the position detector 170 may determine the state of the welding position based on the image of the battery unit 105 .
  • the position detection unit 170 may determine the state of the battery unit 105 classified by the artificial intelligence model 146 (eg, a state in which welding exists only in an area where the top cap and the positive electrode tab overlap, and a state where the top cap and the positive electrode tab overlap each other).
  • the state of the welding position of the battery unit 105 may be determined based on a state in which at least some welding exists in a portion where the tabs do not overlap).
  • the position detection unit 170 may determine that the welding position is normal. In one embodiment, when at least some welding exists in a portion where the top cap and the positive electrode tab do not overlap, the position detection unit 170 may determine that the welding position is in a bad state.
  • the location detector 170 may transmit an image of the battery unit 105 in which the welding position is determined to be normal among the plurality of images to the area detector 180 .
  • the position detection unit 170 selects an image of a welding position (for example, the welding position 621) of the battery unit 105 determined to be normal among a plurality of images by the area detection unit 180. ) can be forwarded to
  • the location detection unit 170 may transmit the determination result of the state of the welding position of the battery unit 105 to the determination unit 195 .
  • the area detection unit 180 may detect and/or tag a welding area in an image of a welding position of the battery unit 105 .
  • the area detection unit 180 inputs an image (eg, 710, 730) of the welding position of the battery unit 105 to the artificial intelligence model 147 to detect the welding area (eg, the welding area 721, 741). )) can be detected and/or tagged.
  • the area detection unit 180 may transfer the images 720 and 740 tagged with the welding areas 721 and 741 to the analysis unit 190 .
  • the analyzer 190 may analyze a welding state based on an image tagged with a welding region. In one embodiment, the analysis unit 190 may analyze the welding state by inputting an image tagged with a welding region to the artificial intelligence model 148 . In one embodiment, the analysis unit 190 may determine the welding state of the welding area based on the output of the artificial intelligence model 148.
  • the analysis unit 190 is a welding state of the welding area classified by the artificial intelligence model 148 (eg, a state having a welding length in the reference length range (eg, image 810, welding less than the reference length range)
  • the welding state may be analyzed based on a state having a length (eg, image 820) and a state having other defects (eg, images 830, 840, and 850).
  • the analyzer 190 may determine that the welding state is normal. In one embodiment, when the battery unit 105 has a welding length less than the reference length range or has other defects, the analyzer 190 may determine that the welding state is defective.
  • the analysis unit 190 may transfer the determination result of the welding state to the determination unit 195 .
  • the determination unit 195 may determine whether the battery unit 105 is good or not based on the determination results of the state determination unit 160, the position detection unit 170, and/or the analysis unit 190. there is. For example, the determination unit 195 determines that the battery unit 105 is good when all of the determination results of the state determination unit 160, the position detection unit 170, and the analysis unit 190 are normal. can For example, if the determination result of at least one of the state determination unit 160, the position detection unit 170, or the analysis unit 190 indicates a defect, the determination unit 195 determines that the battery unit 105 is not a non-defective product. can be determined as
  • the determination unit 195 may determine whether the battery unit 105 is a good product based on a determination result based on a rule-based test as well as a determination result based on an artificial intelligence model.
  • the rule-based inspection may be an inspection in which it is determined whether the battery unit 105 is defective based on gray level information of an image of the battery unit 105 .
  • the determination unit 195 determines whether the battery unit 105 has a can, a top cap, a distance between the centers of the can and the top cap, the position of the positive electrode tab, and A determination result may be generated by determining at least one of over-welding of the positive electrode tab.
  • the determination unit 195 may determine whether a battery cell has a can, a top cap, a center distance between the can and the top cap, the position of the positive electrode tab, and the positive electrode based on the gray level information of the image of the battery unit 105 . It is possible to sequentially determine whether the tab is over-welded.
  • the determination unit 195 determines whether the battery cell has a can, a top cap, a center distance between the can and the top cap, the position of the positive electrode tab, and whether the positive electrode tab is over-welded. At least one of them may be determined to generate a determination result of determining whether the battery cell is over-welded, whether the top cap is burned, or whether the tab is damaged.
  • the determination unit 195 may determine whether the battery unit 105 is defective based on a determination result based on an artificial intelligence model and a determination result based on a rule-based inspection. That is, the determination unit 195 determines whether the battery unit 105 is weakly welded or not, and determines whether the battery unit 105 is defective or over-welded. It is possible to determine whether (105) is defective.
  • the determination unit 195 may determine whether the battery unit 105 is defective based on a pre-stored image file.
  • the determination unit 195 may determine whether the battery unit 105 is defective based on a pre-stored image file of a defective battery unit.
  • the image file of the defective battery unit is a weakly welded battery unit image, a battery unit image judged to be over-welded with the size of soot greater than the standard size, a battery unit image judged to have a degree of soot greater than the standard level, and a lumped weld.
  • An image of a damaged battery unit and an image of a battery unit determined to have been invaded by a top cap may be included. Accordingly, the determination unit 195 may determine whether the battery unit is defective based on the defective battery unit image file.
  • a defective battery unit may be detected by accurately analyzing a welding state of the battery unit.
  • the monitoring device 100 utilizes a deep learning algorithm to solve the problem of difficult classification of welding parts due to gray level noise of an image taken of a process processing device for manufacturing a battery unit, thereby detecting weak welding defects of the battery unit. can be raised
  • the monitoring device 100 may prevent leakage of the weakly welded battery unit, thereby improving stability and quality of a product in which the battery unit is mounted.
  • the monitoring device 100 can determine whether a battery unit is defective in real time without providing and connecting a separate device, thereby reducing cost and time for detecting defects.
  • the various program modules of program 125 are shown as separate, by way of example only.
  • the state determination unit 160, the position detection unit 170, the area detection unit 180, and/or the analysis unit 190 may be integrated into one program module.
  • the state determination unit 160 , the position detection unit 170 , the area detection unit 180 , and/or the analysis unit 190 may be integrated into the analysis unit 190 .
  • the artificial intelligence models of program 125 are shown as separate, but this is exemplary only. In one embodiment, the artificial intelligence models 145, 146, 147, and 148 may be implemented as one artificial intelligence model.
  • FIG. 9 is a diagram illustrating an operating method of the monitoring device 100 according to an embodiment disclosed in this document. 9 may be described with reference to FIGS. 2 to 8 .
  • the monitoring device 100 may obtain an image.
  • the image may be an image of the battery unit 105 acquired by the image acquisition device 103 .
  • the monitoring device 100 may perform rule-based inspection.
  • the monitoring device 100 may perform a rule-based inspection based on gray level information of an image.
  • the monitoring device 100 may determine whether the battery unit 105 has a can, a top cap, a distance between the center of the can and the top cap, a location of a positive electrode tab, and a top cap of the battery unit 105 based on gray level information of the image of the battery unit 105 .
  • a determination result may be generated by determining at least one of over-welding of the positive electrode tab.
  • the monitoring device 100 may determine whether a battery cell has a can, a top cap, a center distance between the can and a top cap, a position of a positive electrode tab, and a positive electrode based on gray level information of an image of the battery unit 105 . It is possible to sequentially determine whether the tab is over-welded.
  • the monitoring device 100 determines whether the battery cell has a can, a top cap, a distance between the center of the can and the top cap, the position of the positive electrode tab, and whether the positive electrode tab is over-welded. At least one of them may be determined to generate a determination result of determining whether the battery cell is over-welded, whether the top cap is burned, or whether the tab is damaged.
  • the monitoring device 100 may perform a test based on an artificial intelligence model.
  • the monitoring device 100 may perform an artificial intelligence model-based inspection on an image based on pre-learned artificial intelligence models 145 , 146 , 147 , and 148 .
  • the monitoring device 100 may determine the state of the can assembly based on the image of the battery unit 105 . In one embodiment, the monitoring device 100 may determine the state of the welding position based on the image of the battery unit 105 . In one embodiment, the monitoring device 100 may analyze a welding state based on a cropped image of a welding position.
  • the monitoring device 100 may determine whether or not the object is defective based on the inspection result.
  • the monitoring device 100 may determine that the battery unit 105 is good when both the rule-based inspection result and the artificial intelligence model-based inspection result indicate normal.

Abstract

본 문서에 개시된 일 실시예에 따른 모니터링 장치는 배터리 셀의 제조와 관련된 적어도 하나의 공정 처리 장치를 촬영한 이미지를 획득하는 이미지 획득부; 상기 획득된 이미지를 배터리 셀의 용접 상태를 판단하기 위한 인공 지능 모델에 입력하여 상기 배터리 셀의 불량 여부를 판단한 제1 판단 결과를 생성하는 분석부; 및 상기 제1 판단 결과에 기초하여 상기 배터리 셀의 불량 여부를 판단하는 판정부를 포함할 수 있다.

Description

모니터링 장치 및 그것의 동작 방법
관련출원과의 상호인용
본 발명은 2022.1.14.에 출원된 한국 특허 출원 제 10-2022-0005799호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시 예들은 모니터링 장치 및 그것의 동작 방법에 관한 것이다.
전기차는 외부로부터 전기를 공급받아 배터리 셀을 충전한 후, 배터리 셀에 충전된 전압으로 모터를 구동시켜 동력을 얻는다. 전기차의 배터리 셀은 전극 조립체를 전지 케이스에 수용하고, 전지 케이스 내부에 전해액을 주액함으로써 제조된다.
배터리 셀은 전지 케이스의 종류에 따라 원통형, 각형, 파우치형으로 분류되며 원통형 배터리 셀은 전극 조립체, 전극조립체와 전해액을 수용하는　원통형 금속 캔의 전지 케이스 및　원통형 캔 상부에 조립되는 캡 어셈블리를 포함한다.　
여기서 원통형 배터리 셀의 양극　탭은　캡　어셈블리의 탑 캡(top cap)에　용접된다. 그런데 배터리 셀의 외부에서 가해지는 충격 또는 용접 불량으로 인해 용접 부위의 일부 또는 전체가 탈락되는 경우 배터리 셀의 열화 또는 폭발 현상이 일어날 수 있다. 따라서 용접 불량인 배터리 셀이 유출되지 않도록 배터리 셀을 검사하는 것이 중요하다.
본 문서에 개시되는 실시 예들의 일 목적은 배터리 셀의 용접 상태를 정확하게 분석하여 불량 배터리 셀을 검출할 수 있는 모니터링 장치 그것의 동작 방법을 제공하는 데 있다.
본 문서에 개시된 실시 예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시 예에 따른 모니터링 장치는 배터리 셀의 제조와 관련된 적어도 하나의 공정 처리 장치를 촬영한 이미지를 획득하는 이미지 획득부; 상기 획득된 이미지를 배터리 셀의 용접 상태를 판단하기 위한 인공 지능 모델에 입력하여 상기 배터리 셀의 불량 여부를 판단한 제1 판단 결과를 생성하는 분석부; 및 상기 제1 판단 결과에 기초하여 상기 배터리 셀의 불량 여부를 판단하는 판정부를 포함할 수 있다.
본 문서에 개시된 일 실시예에 따른 모니터링 장치의 동작 방법은 배터리 셀의 제조와 관련된 적어도 하나의 공정 처리 장치를 촬영한 이미지를 획득하는 단계; 상기 획득된 이미지를 배터리 셀의 용접 상태를 판단하기 위한 인공 지능 모델에 입력하여 상기 배터리 셀의 불량 여부를 판단한 제1 판단 결과를 생성하는 단계; 상기 획득된 이미지의 그레이 레벨 정보에 기초하여 상기 배터리 셀의 불량 여부를 판단한 제2 판단 결과를 생성하는 단계; 및 상기 제1 판단 결과 및 상기 제2 판단 결과에 기초하여 상기 배터리 셀의 불량 여부를 판단하는 단계를 포함할 수 있다.
본 문서에 개시되는 일 실시예에 따른 모니터링 장치 및 그것의 동작 방법에 따르면 배터리 셀의 용접 상태를 정확하게 분석하여 불량 배터리 셀을 검출할 수 있다.
도 1은 본 문서에 개시된 일 실시 예에 따른 배터리 공정 시스템을 전반적으로 설명하기 위한 도면이다.
도 2는 본 문서에 개시된 일 실시 예에 따른 모니터링 장치의 구성을 보여주는 블록도이다.
도 3은 본 문서에 개시된 일 실시 예에 따른 용접 상태 구분 표이다.
도 4는 본 문서에 개시된 일 실시 예에 따른 용접 길이 변화에 따른 인장 강도의 변화를 나타내는 그래프이다.
도 5는 본 문서에 개시된 일 실시 예에 따라 배터리 유닛들을 분류한 도면이다.
도 6은 본 문서에 개시된 일 실시 예에 따른 배터리 셀의 용접 위치를 예시하는 도면이다.
도 7은 본 문서에 개시된 일 실시 예에 따른 배터리 셀의 용접 영역을 예시하는 도면이다.
도 8은 본 문서에 개시된 일 실시 예에 따른 배터리 셀의 용접 형태를 예시하는 도면이다.
도 9는 본 문서에 개시된 일 실시 예에 따른 모니터링 장치의 동작 방법을 예시하는 도면이다.
이하, 본 문서에 개시된 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에 개시된 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
다양한 실시 예들에 따르면, 배터리는 전기 에너지를 충방전하여 사용할 수 있는 배터리의 기본 단위인 배터리 셀을 포함할 수 있다. 배터리 셀은 리튬이온(Li-ion) 전지, 리튬이온 폴리머(Li-ion polymer) 전지, 니켈 카드뮴(Ni-Cd) 전지, 니켈 수소(Ni-MH) 전지 등일 수 있으며, 이에 한정되지 않는다. 배터리 셀은 대상 장치(미도시)에 전원을 공급할 수 있다. 이를 위해, 배터리 셀은 대상 장치와 전기적으로 연결될 수 있다. 여기서, 대상 장치는 복수의 배터리 셀들을 포함하는 배터리 팩(미도시)으로부터 전원을 공급받아 동작하는 전기적, 전자적, 또는 기계적인 장치를 포함할 수 있다. 예를 들어, 대상 장치는 디지털 카메라, P-DVD, MP3P, 휴대폰, PDA, Portable Game Device, Power Tool 및 E-bike 등의 소형 제품뿐만 아니라, 전기 자동차나 하이브리드 자동차와 같은 고출력이 요구되는 대형 제품과 잉여 발전 전력이나 신재생 에너지를 저장하는 전력 저장 장치나 백업용 전력 저장 장치일 수 있으나 이에 한정되는 것은 아니다.
배터리 셀은 전극 조립체, 전극 조립체가 내부에 수용되는 전지 케이스, 전지 케이스 내부에 주액되어 전극 조립체를 활성화시키는 전해액으로 구성될 수 있다. 전극 조립체란 양극 집전체에 양극 활물질이 코팅되어 형성된 양극판과, 음극 집전체에 음극 활물질이 코팅되어 형성된 음극판의 사이에 분리막이 개재되어 형성된 것으로, 전극 조립체는 전지 케이스의 종류에 따라, 젤리롤 형(jelly roll type), 스택 형(stack type) 등으로 제작되어 전지 케이스의 내부에 수용될 수 있다. 전지 케이스는 전지의 형태를 유지하고 외부의 충격으로부터 보호하는 외장재의 역할을 하는 것으로, 배터리 셀은 전지 케이스의 종류에 따라 원통형, 각형, 파우치형으로 분류될 수 있다.
실시 예에 따르면, 배터리 셀은 전극 제조 공정, 조립 공정 및 화성 공정 등을 포함하는 일련의 제조 공정을 통하여 제조될 수 있다. 여기서 조립 공정(assembly process)은 전극 제조 공정을 통해 만들어진 양극판과 음극판을 조립해서 전해액을 주입하는 과정을 포함할 수 있으며, 노칭 과정, 와인딩 과정, 조립 과정, 패키징 과정을 포함할 수 있다.
패키징(packiging) 과정은 전지 케이스에 전극 조립체 및 전해액을　주입하고　밀봉하는 과정으로 정의할 수 있다. 원통형 배터리 셀의 경우 원통형 금속 캔(can)에 전극 조립체를 장착하고, 전극조립체의 음극에서 연장된 음극　탭을 캔의 하단에　용접하고, 전극 조립체와 전해질이 내장된 상태에서 전극 조립체의　양극에서 연장된　양극　탭을 캡　어셈블리의 탑 캡(top cap)에　용접하여 제조한다.
그런데 배터리 셀의 외부에서 가해지는 충격 또는 용접 불량으로 인해 전극 조립체의　양극 탭과 캡　어셈블리의 탑 캡 용접 부위의 일부 또는 전체가 탈락되는 경우, 즉 양극 탭과 탑 캡이 약용접되는 경우 배터리 셀의 열화 또는 폭발 현상이 일어날 수 있어 용접 불량인 배터리 셀이 유출되지 않도록 배터리 셀을 검사하는 것이 중요하다.
이하에서는 배터리 공정 시스템은 조립 공정 시스템을 예로 들어 설명한다.
도 1은 본 문서에 개시된 일 실시 예에 따른 배터리 공정 시스템을 전반적으로 설명하기 위한 도면이다.
도 1을 참조하면, 배터리 공정 시스템은 모니터링 장치(100) 및 적어도 하나의 공정 처리 장치(210, 220, 230)를 포함할 수 있다.
모니터링 장치(100)는 배터리 공정 시스템에서 운영되고 있는 적어도 하나의 공정 처리 장치(210, 220, 230)의 데이터를 실시간으로 수집하여 분석할 수 있다. 모니터링 장치(100)는 적어도 하나의 공정 처리 장치(210, 220, 230)의 데이터를 수집하여 분석할 수 있다.
예를 들어, 모니터링 장치(100)는 배터리 공정 시스템 공정 진행 상황, 알람 발생 유무, 온도, 압력, 수량 등과 같은 배터리 공정 시스템에서 발생하는 데이터 또는 그래프 데이터를 수집하여 분석할 수 있다.
모니터링 장치(100)는 복수의 카메라 모듈(미도시)에 의해 촬영된 적어도 하나의 공정 처리 장치(210, 220, 230)에 관한 영상을 획득할 수 있다.
모니터링 장치(100)는 적어도 하나의 공정 처리 장치(210, 220, 230)를 촬영한 영상을 기초로 배터리 셀의 불량 여부를 판단할 수 있다. 일 실시 예에 따라, 모니터링 장치(100)는 적어도 하나의 공정 처리 장치(210, 220, 230)를 촬영한 영상을 기초로 배터리 셀의 양극 탭과 탑 캡의 약용접 여부를 판단할 수 있다.
적어도 하나의 공정 처리 장치(210, 220, 230)는 제1 공정 처리 장치(210), 제2 공정 처리 장치(220) 및 제3 공정 처리 장치(230)를 포함할 수 있다. 도 1에서 적어도 하나의 공정 처리 장치(210, 220, 230)는 3개인 것으로 도시되었지만, 이에 한정되는 것은 아니다. 실시 예에 따라, 적어도 하나의 공정 처리 장치(210, 220, 230)는 n(n은 1이상의 자연수)개의 장치를 포함할 수 있다.
일 실시예에 따라, 적어도 하나의 공정 처리 장치(210, 220, 230)는 배터리 셀의 전극 조립체의 양극　탭과 캡　어셈블리의 탑 캡을　용접할 수 있다.
도 2는 본 문서에 개시된 일 실시예에 따른 모니터링 장치(100)의 구성을 보여주는 블록도이다.
일 실시 예에서, 모니터링 장치(100)는 이미지 획득 장치(103)가 획득한 배터리 유닛(105)에 대한 이미지에 기초하여, 배터리 유닛(105)의 상태를 판정할 수 있다. 여기에서, 이미지 획득 장치(103)는 도 1에서 설명된 복수의 카메라 모듈(미도시)에 대응할 수 있다. 여기에서, 배터리 유닛(105)은 배터리 셀일 수 있다.
일 실시 예에서, 모니터링 장치(100)는 배터리 유닛(105)에 대한 규칙 기반 검사 결과 및/또는 인공 지능 모델 기반 검사 결과에 기초하여 배터리 유닛(105)의 상태를 판정할 수 있다. 일 실시 예에서, 규칙 기반 검사는 배터리 유닛(105)의 캔의 유무, 캔 어셈블리의 탑 캡 유무, 캔과 탑 캡 간의 중심 거리, 양극 탭의 위치, 또는 과용접 여부 중 적어도 하나에 대한 검사를 포함할 수 있다. 일 실시 예에서, 인공 지능 모델 기반 검사는 캡 어셈블리의 탑 캡 유무, 용접 위치, 용접 영역, 또는 용접 형태 중 적어도 하나에 대한 검사를 포함할 수 있다.
일 실시 예에서, 모니터링 장치(100)는 배터리 유닛(105)에 대한 규칙 기반 검사 결과 및 인공 지능 모델 기반 검사 결과가 모두 정상을 나타내는 경우, 배터리 유닛(105)의 상태가 양품인 것으로 판정할 수 있다. 일 실시 예에서, 모니터링 장치(100)는 배터리 유닛(105)에 대한 규칙 기반 검사 결과 또는 인공 지능 모델 기반 검사 결과 중 적어도 하나의 검사 결과가 불량을 나타내는 경우, 배터리 유닛(105)의 상태가 불량품인 것으로 판정할 수 있다.
이하에서, 모니터링 장치(100)의 구성요소에 대해 개략적으로 설명한 후, 모니터링 장치(100)의 구체적인 동작 방법에 대해 설명한다.
도 2를 참조하면, 모니터링 장치(100)는 통신 회로(110), 메모리(120), 및 프로세서(130)를 포함할 수 있다. 실시 예에 따라, 도 2에 도시된 모니터링 장치(100)는 도 2에서 도시된 구성 요소들 이외의 적어도 하나의 구성 요소(예: 디스플레이, 입력 장치, 또는 출력 장치)를 더 포함할 수 있다.
일 실시 예에서, 통신 회로(110)는 모니터링 장치(100) 및 이미지 획득 장치(103) 간의 유선 통신 채널 및/또는 무선 통신 채널을 수립하고, 수립된 통신 채널을 통해 이미지 획득 장치(103)와 데이터를 송수신할 수 있다.
일 실시 예에서, 메모리(120)는 휘발성 메모리 및/또는 비휘발성 메모리를 포함할 수 있다.
일 실시 예에서, 메모리(120)는, 모니터링 장치(100)의 적어도 하나의 구성요소(예: 프로세서(130))에 의해 사용되는 데이터를 저장할 수 있다. 예를 들어, 데이터는 프로그램(125)(또는, 이와 관련된 명령어(instruction)), 입력 데이터 또는 출력 데이터를 포함할 수 있다. 일 실시 예에서, 명령어는 프로세서(130)에 의해 실행 시 모니터링 장치(100)가 명령어에 의해 정의되는 동작들을 수행하게 할 수 있다.
일 실시 예에서, 메모리(120)는 프로그램(125)(예: 인공 지능 모델 학습부(141), 인공 지능 모델들(145, 146, 147, 148), 이미지 획득부(150), 상태 판단부(160), 위치 검출부(170), 영역 검출부(180), 분석부(190), 및/또는 판정부(195))를 포함할 수 있다.
일 실시 예에서, 프로세서(130)는 중앙 처리 장치, 어플리케이션 프로세서, 그래픽 처리 장치, 신경망 처리 장치(NPU, neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서를 포함할 수 있다.
일 실시 예에서, 프로세서(130)는 프로그램(125)(예: 인공 지능 모델 학습부(141), 인공 지능 모델들(145, 146, 147, 148), 이미지 획득부(150), 상태 판단부(160), 위치 검출부(170), 영역 검출부(180), 분석부(190), 및/또는 판정부(195))을 실행하여 프로세서(130)에 연결된 모니터링 장치(100)의 적어도 하나의 다른 구성 요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다.
일 실시 예에서, 인공 지능 모델 학습부(141)는, 학습 데이터에 기초하여 인공 지능 모델들(145, 146, 147, 148)을 학습시킬 수 있다. 일 실시 예에서, 인공 지능 모델들(145, 146, 147, 148)은, 서로 다른 학습 데이터에 기초하여 서로 다른 목적의 출력 결과물을 생성하기 위해 학습된 모델일 수 있다.
일 실시 예에서, 이미지 획득부(150)는 이미지 획득 장치(103)로부터 배터리 유닛(105)에 대한 이미지를 획득할 수 있다. 일 실시 예에서, 이미지 획득부(150)는 이미지 획득 장치(103)가 적어도 하나의 공정 처리 장치(210, 220, 230)를 촬영한 영상을 자동적으로 로깅할 수 있다. 예를 들어, 이미지 획득부(150)는 영상 데이터 자동 로깅의 샘플링 주기를 0.1sec로 설정하여 적어도 하나의 공정 처리 장치(210, 220, 230)를 촬영한 영상을 수집할 수 있다. 여기에서, 이미지 획득 장치(103)는 적어도 하나의 공정 처리 장치(210, 220, 230)의 작동 데이터를 획득할 수 있다. 이미지 획득 장치(103)는 배터리 유닛(105)의 제조와 관련된 적어도 하나의 공정 처리 장치(210, 220, 230)를 촬영한 영상을 획득할 수 있다. 일 실시 예에 따라, 이미지 획득 장치(103)는 적어도 하나의 공정 처리 장치(210, 220, 230)가 배터리 유닛(105)의 전극 조립체의 양극　탭과 캡　어셈블리의 탑 캡을　용접하는 영상을 획득할 수 있다.
일 실시 예에서, 상태 판단부(160)는 배터리 유닛(105)에 대한 이미지에 기초하여 캔 어셈블리의 상태를 판단할 수 있다. 일 실시 예에서, 위치 검출부(170)는 배터리 유닛(105)에 대한 이미지에 기초하여 용접 위치의 상태를 판단할 수 있다. 일 실시 예에서, 영역 검출부(180)는 배터리 유닛(105)의 용접 위치에 대한 이미지에서 용접 영역을 검출 및/또는 크롭할 수 있다. 일 실시 예에서, 분석부(190)는 용접 위치를 크롭한 이미지에 기초하여 용접 상태를 분석할 수 있다. 일 실시 예에서, 판정부(195)는 상태 판단부(160), 위치 검출부(170), 및/또는 분석부(190)의 판정 결과에 기초하여 배터리 유닛(105)의 양품 여부를 판정할 수 있다.
이하에서는, 도 3 내지 도 8을 참조하여, 인공 지능 모델 학습부(141), 인공 지능 모델들(145, 146, 147, 148), 이미지 획득부(150), 상태 판단부(160), 위치 검출부(170), 영역 검출부(180), 분석부(190), 및/또는 판정부(195)를 통해 모니터링 장치(100)가 배터리 유닛(105)의 상태를 판정하는 방법을 구체적으로 설명한다.
도 3은 본 문서에 개시된 일 실시예에 따른 용접 상태 구분 표이다. 도 4는 본 문서에 개시된 일 실시예에 따른 용접 길이 변화에 따른 인장 강도의 변화를 나타내는 그래프이다.
배터리 유닛(105)은 다양한 기준에 의해 정상 여부가 판별될 수 있다. 예를 들어, 배터리 유닛(105)은 용접 상태와 관련된 기준 및/또는 인장 강도와 관련된 기준에 의해 정상 여부가 판별될 수 있다. 배터리 유닛(105)의 정상 여부를 판별하기 위한 기준은 사전에 설정될 수 있다. 예를 들어, 배터리 유닛(105)의 용접 상태는 적어도 한 용접 라인의 용접 길이(또는, 비드(bead) 길이)가 용접 구간의 75% 이상인 경우 정상으로 판정될 수 있고, 배터리 유닛(105)의 인장 강도는 0.4kgf 이상인 경우 정상으로 판정될 수 있다. 여기서 용접 비드는 용접선을 따라 용접 작업을 실시하였을 때 모재(母材) 위에 응고된 용착 금속이 될 수 있다.
배터리 유닛(105)의 용접 상태는 배터리 유닛(105)을 촬영한 이미지를 통해 확인 가능하지만, 배터리 유닛(105)의 인장 강도는 이미지를 통한 확인이 어려울 수 있다.
도 3을 참조하면, 유형#1에서는 배터리 유닛(105)의 용접 상태는 2개의 용접 라인의 용접 길이가 용접 구간의 100%이므로 정상용접으로 판정될 수 있다. 유형#2에서는 배터리 유닛(105)의 용접 상태는 1개의 용접 라인의 용접 길이가 용접 구간의 75% 이상이므로 정상용접으로 판정될 수 있다. 그리고, 유형#1 및 유형#2에서는 배터리 유닛(105)의 인장 강도가 1.90 kgf 및 1.61 kgf이므로 배터리 유닛(105)이 정상으로 판정될 수 있다.
그러나, 유형#3 및 유형#4에서는 용접 라인의 용접 길이가 용접 구간의 50% 이상 또는 50% 이하이므로, 배터리 유닛(105)의 용접 상태는 약용접으로 판정될 수 있다. 그럼에도, 유형#3 및 유형#4에서는 배터리 유닛(105)의 인장 강도가 1.10 kgf 및 0.73 kgf이므로 배터리 유닛(105)이 정상으로 판정될 수 있다.
유형#1 및 유형#2, 유형#3 및 유형#4를 참조하면, 용접 상태에 대한 기준을 만족하면, 배터리 유닛(105)이 인장 강도와 관련된 기준도 만족할 가능성이 높다는 것을 알 수 있다.
도 4를 참조하면, 배터리 유닛(105)의 용접 길이와 배터리 유닛(105)의 인장 강도는 선형 비례 관계를 나타냄을 알 수 있다. 예를 들어, 배터리 유닛(105)의 인장 강도와 배터리 유닛(105)의 용접 길이 간의 피어슨 상관 계수(Pearson correlation coefficient, PCC)는 0.764로 산정될 수 있다. 여기서 피어슨 상관 계수란 두 변수　간의 선형　상관 관계를 계량화한 수치일 수 있다.　 즉, 배터리 유닛(105)의 용접 길이(mm)에 피어슨 상관계수 0.764를 곱해주면 배터리 유닛(105)의 인장 강도가 산출될 수 있다.
도 3 및 도 4의 실험 결과를 고려할 때, 배터리 유닛(105)의 인장 강도와 관련된 기준의 만족 여부는 배터리 유닛(105)의 용접 상태와 관련된 기준만을 고려하여 판정될 수 있다. 따라서, 배터리 유닛(105)을 촬영한 이미지를 통해 배터리 유닛(105)의 용접 상태에 대한 기준을 만족하는지를 판정하는 것이 중요함을 알 수 있다.
인공 지능 모델 학습
도 5는 본 문서에 개시된 일 실시 예에 따라 배터리 유닛들을 분류한 도면이다.
일 실시 예에서, 인공 지능 모델 학습부(141)는 배터리 유닛에 대한 이미지를 인공 지능 모델(145)에 입력할 수 있다. 일 실시 예에서, 인공 지능 모델(145)은 다항 분류가 가능한 모델(예: CNN(convolutional neural network)에 기초한 모델)일 수 있다. 일 실시 예에서, 인공 지능 모델(145)은, 배터리 유닛에 대한 이미지들(510, 530, 550)에 기초하여 캔(515, 535)과 탑 캡(511)의 유무를 분류하기 위해 학습될 수 있다.
일 실시 예에서, 인공 지능 모델(145)을 학습하기 위한 데이터는, 캔(515)과 탑 캡(511)이 정상적으로 존재하는 배터리 유닛에 대한 이미지(510), 탑 캡 없이 캔(535)만 존재하는 배터리 유닛에 대한 이미지(530) 및 캔과 탑 캡이 없는 이미지(550)를 포함할 수 있다. 일 실시 예에서, 인공 지능 모델(145)의 학습에 이용되는 이미지(510, 530, 550)는 사전 마련될 수 있다.
일 실시 예에서, 인공 지능 모델(145)은 학습 데이터에 기초하여 입력 이미지를 적어도 3개의 상태로 분류하도록 학습될 수 있다. 여기에서, 적어도 3개의 상태는 캔과 탑 캡이 정상적으로 존재하는 상태, 탑 캡 없이 캔만 존재하는 상태 및 캔과 탑 캡이 없는 상태를 포함할 수 있다.
도 6은 본 문서에 개시된 일 실시 예에 따른 배터리 유닛의 용접 위치를 예시하는 도면이다. 도 6은 탑 캡(611, 631)과 양극 탭(613, 633)을 포함하는 배터리 유닛의 이미지들(610, 630)과 이미지들(610, 630)의 일부 영역을 확대한 이미지들(620, 640)을 포함한다.
일 실시 예에서, 인공 지능 모델 학습부(141)는 배터리 유닛에 대한 이미지를 인공 지능 모델(146)에 입력할 수 있다. 일 실시 예에서, 인공 지능 모델(146)은 다항 분류가 가능한 모델일 수 있다. 일 실시 예에서, 인공 지능 모델(146)은, 배터리 유닛에 대한 이미지들(610, 630)에 기초하여 용접 위치(621, 641)를 식별 및/또는 크롭(crop)하기 위해 학습될 수 있다. 여기에서, 용접 위치는 용접이 수행된 영역을 포함할 수 있다.
일 실시 예에서, 인공 지능 모델(146)을 학습하기 위한 데이터는, 탑 캡(611)과 양극 탭(613)이 중첩되는 영역에만 용접이 존재하는 이미지(610)와 탑 캡(631)과 양극 탭(633)이 중첩되지 않는 영역에 용접이 적어도 일부 존재하는 이미지(630)를 포함할 수 있다. 일 실시 예에서, 인공 지능 모델(146)의 학습에 이용되는 이미지(610, 630)는 사전 마련될 수 있다.
일 실시 예에서, 인공 지능 모델(146)은 학습 데이터에 기초하여 입력 이미지를 적어도 2개의 상태로 분류하도록 학습될 수 있다. 여기에서, 적어도 2개의 상태는 탑 캡과 양극 탭이 중첩되는 영역에만 용접이 존재하는 상태, 및 탑 캡과 양극 탭이 중첩되지 않는 부분에 용접이 적어도 일부 존재하는 상태를 포함할 수 있다.
일 실시 예에서, 인공 지능 모델(146)은 학습 데이터에 기초하여 입력 이미지에서 용접 위치를 크롭하도록 학습될 수 있다. 예를 들어, 인공 지능 모델(146)은 이미지(610, 630)에서, 용접 위치(621, 641)를 크롭하도록 학습될 수 있다. 일 실시 예에서, 인공 지능 모델(146)은 크롭된 용접 위치에 입력 이미지의 적어도 2개의 상태를 나타내는 메타 데이터를 부착할 수 있다.
도 7은 본 문서에 개시된 일 실시 예에 따른 배터리 셀의 용접 영역을 예시하는 도면이다.
일 실시 예에서, 인공 지능 모델 학습부(141)는 배터리 유닛에 대한 이미지를 인공 지능 모델(147)에 입력할 수 있다. 일 실시 예에서, 인공 지능 모델(147)은 다항 분류가 가능한 모델일 수 있다. 일 실시 예에서, 인공 지능 모델(147)은, 배터리 유닛에 대한 이미지들(710, 730)에 기초하여 용접 영역(721, 741)를 식별 및/또는 크롭하기 위해 학습될 수 있다. 여기에서, 용접 영역은 용접 위치 내의 용접 구간 중 실제 용접이 수행된 영역을 의미할 수 있다. 여기에서, 용접 위치는 인공 지능 모델(146)에 의해 식별 및/또는 크롭될 수 있다.
일 실시 예에서, 인공 지능 모델(147)을 학습하기 위한 데이터는, 용접 구간(711, 713, 741, 743)의 0 내지 100% 사이의 용접 길이를 가지는 용접 위치에 대한 이미지를 포함할 수 있다. 일 실시 예에서, 인공 지능 모델(147)의 학습에 이용되는 이미지(710, 730)는 사전 마련될 수 있다.
일 실시 예에서, 인공 지능 모델(147)은 학습 데이터에 기초하여 입력 이미지에서 용접 영역(721, 741)을 식별하도록 학습될 수 있다. 일 실시 예에서, 인공 지능 모델(147)은 학습 데이터에 기초하여 입력 이미지에서 용접 위치를 크롭하도록 학습될 수 있다. 예를 들어, 인공 지능 모델(147)은 이미지(710, 730)에서, 용접 위치(721, 741)를 크롭하도록 학습될 수 있다. 일 실시 예에서, 인공 지능 모델(147)은 용접 위치(721, 741)를 크롭한 이미지(720, 740)를 출력하도록 학습될 수 있다.
도 8은 본 문서에 개시된 일 실시 예에 따른 배터리 셀의 용접 상태를 예시하는 도면이다.
일 실시 예에서, 인공 지능 모델 학습부(141)는 배터리 유닛에 대한 이미지를 인공 지능 모델(148)에 입력할 수 있다. 일 실시 예에서, 인공 지능 모델 학습부(141)는 용접 위치를 크롭한 이미지에 기초하여 인공 지능 모델(148)이 배터리 유닛의 용접 상태를 분류하도록 학습시킬 수 있다. 일 실시 예에서, 인공 지능 모델(148)은 다항 분류가 가능한 모델일 수 있다.
일 실시 예에서, 인공 지능 모델(148)을 학습하기 위한 데이터는, 용접 구간(811, 813)에서 기준 길이 범위(예: 75 내지 100%)의 용접 길이를 가지는 이미지(810), 용접 구간(821, 823)에서 기준 길이 범위 미만(예: 0 내지 75%)의 용접 길이를 가지는 이미지(820)와 그 외의 불량을 가지는 용접 이미지들(830, 840, 850)을 포함할 수 있다. 여기에서, 그 외의 불량은 과용접 상태(예: 기준 길이 범위를 초과하는 용접 길이를 가지는 상태), 탑 캡 손상 상태(예: 탑 캡 연소), 또는 탭 손상 상태를 포함할 수 있다. 일 실시 예에서, 인공 지능 모델(148)의 학습에 이용되는 이미지(810, 820, 830, 840, 850)는 사전 마련될 수 있다.
일 실시 예에서, 인공 지능 모델(148)은 학습 데이터에 기초하여 입력 이미지를 적어도 3개의 상태로 분류하도록 학습될 수 있다. 여기에서, 적어도 3개의 상태는 기준 길이 범위의 용접 길이를 가지는 상태, 기준 길이 범위 미만의 용접 길이를 가지는 상태 및 그 외의 불량을 가지는 상태를 포함할 수 있다.
인공 지능 모델을 통한 상태 판정
일 실시 예에서, 상태 판단부(160)는 배터리 유닛(105)에 대한 이미지에 기초하여 캔 어셈블리의 상태를 판단할 수 있다. 일 실시 예에서, 상태 판단부(160)는 인공 지능 모델(145)에 배터리 유닛(105)에 대한 이미지를 입력하여 캔 어셈블리의 상태를 판단할 수 있다. 일 실시 예에서, 상태 판단부(160)는 인공 지능 모델(145)의 출력에 기초하여 배터리 유닛(105)의 캔 어셈블리의 상태를 판단할 수 있다. 예를 들어, 상태 판단부(160)는 인공 지능 모델(145)이 분류하는 배터리 유닛(105)의 상태(예: 캔과 탑 캡이 정상적으로 존재하는 상태(예: 이미지(510), 탑 캡 없이 캔만 존재하는 상태(예: 이미지(530) 및 캔과 탑 캡이 없는 상태(예: 이미지(550))에 기초하여 배터리 유닛(105)의 캔 어셈블리의 상태를 판단할 수 있다.
일 실시 예에서, 배터리 유닛(105)에 캔과 탑 캡이 정상적으로 존재하는 경우, 상태 판단부(160)는 캔 어셈블리의 상태가 정상인 것으로 판정할 수 있다. 일 실시 예에서, 탑 캡 없이 캔만 존재하거나, 또는 캔과 탑 캡이 없는 경우 상태 판단부(160)는 캔 어셈블리의 상태가 불량인 것으로 판정할 수 있다.
일 실시 예에서, 상태 판단부(160)는 복수의 이미지들 중 캔 어셈블리의 상태가 정상인 것으로 판정된 배터리 유닛(105)에 대한 이미지를 위치 검출부(170)에게 전달할 수 있다. 일 실시 예에서, 상태 판단부(160)는 배터리 유닛(105)의 캔 어셈블리의 상태의 판정 결과를 판정부(195)에게 전달할 수 있다.
일 실시 예에서, 위치 검출부(170)는 배터리 유닛(105)에 대한 이미지에서 용접 위치를 검출 및/또는 크롭할 수 있다. 일 실시 예에서, 상태 판단부(160)는 인공 지능 모델(146)에 배터리 유닛(105)에 대한 이미지를 입력하여 용접 위치(예: 용접 위치(621, 641))를 검출 및/또는 크롭할 수 있다.
일 실시 예에서, 위치 검출부(170)는 배터리 유닛(105)에 대한 이미지에 기초하여 용접 위치의 상태를 판단할 수 있다. 예를 들어, 위치 검출부(170)는 인공 지능 모델(146)이 분류하는 배터리 유닛(105)의 상태(예: 탑 캡과 양극 탭이 중첩되는 영역에만 용접이 존재하는 상태, 및 탑 캡과 양극 탭이 중첩되지 않는 부분에 용접이 적어도 일부 존재하는 상태)에 기초하여 배터리 유닛(105)의 용접 위치의 상태를 판단할 수 있다.
일 실시 예에서, 배터리 유닛(105)에 탑 캡과 양극 탭이 중첩되는 영역에만 용접이 존재하는 경우, 위치 검출부(170)는 용접 위치의 상태가 정상인 것으로 판정할 수 있다. 일 실시 예에서, 탑 캡과 양극 탭이 중첩되지 않는 부분에 용접이 적어도 일부 존재하는 경우 위치 검출부(170)는 용접 위치의 상태가 불량인 것으로 판정할 수 있다.
일 실시 예에서, 위치 검출부(170)는 복수의 이미지들 중 용접 위치의 상태가 정상인 것으로 판정된 배터리 유닛(105)에 대한 이미지를 영역 검출부(180)에게 전달할 수 있다. 일 실시 예에서, 위치 검출부(170)는 복수의 이미지들 중 용접 위치의 상태가 정상인 것으로 판정된 배터리 유닛(105)의 용접 위치(예: 용접 위치(621))에 대한 이미지를 영역 검출부(180)에게 전달할 수 있다. 일 실시 예에서, 위치 검출부(170)는 배터리 유닛(105)의 용접 위치의 상태의 판정 결과를 판정부(195)에게 전달할 수 있다.
일 실시 예에서, 영역 검출부(180)는 배터리 유닛(105)의 용접 위치에 대한 이미지에서 용접 영역을 검출 및/또는 태그할 수 있다. 일 실시 예에서, 영역 검출부(180)는 인공 지능 모델(147)에 배터리 유닛(105)의 용접 위치에 대한 이미지(예: 710, 730)를 입력하여 용접 영역(예: 용접 영역(721, 741))을 검출 및/또는 태그할 수 있다.
일 실시 예에서, 영역 검출부(180)는 용접 영역(721, 741)을 태그한 이미지(720, 740)를 분석부(190)에게 전달할 수 있다.
일 실시 예에서, 분석부(190)는 용접 영역을 태그한 이미지에 기초하여 용접 상태를 분석할 수 있다. 일 실시 예에서, 분석부(190)는 인공 지능 모델(148)에 용접 영역을 태그한 이미지를 입력하여 용접 상태를 분석할 수 있다. 일 실시 예에서, 분석부(190)는 인공 지능 모델(148)의 출력에 기초하여 용접 영역의 용접 상태를 판단할 수 있다. 예를 들어, 분석부(190)는 인공 지능 모델(148)이 분류하는 용접 영역의 용접 상태(예: 기준 길이 범위의 용접 길이를 가지는 상태(예: 이미지(810), 기준 길이 범위 미만의 용접 길이를 가지는 상태(예: 이미지(820)) 및 그 외의 불량을 가지는 상태(예: 이미지(830, 840, 850))에 기초하여 용접 상태를 분석할 수 있다.
일 실시 예에서, 배터리 유닛(105)이 기준 길이 범위의 용접 길이를 가지는 경우, 분석부(190)는 용접 상태가 정상인 것으로 판정할 수 있다. 일 실시 예에서, 배터리 유닛(105)이 기준 길이 범위 미만의 용접 길이를 가지거나, 또는 그 외의 불량을 가지는 경우 분석부(190)는 용접 상태가 불량인 것으로 판정할 수 있다.
일 실시 예에서, 분석부(190)는 용접 상태의 판정 결과를 판정부(195)에게 전달할 수 있다.
일 실시 예에서, 판정부(195)는 상태 판단부(160), 위치 검출부(170), 및/또는 분석부(190)의 판정 결과에 기초하여 배터리 유닛(105)의 양품 여부를 판정할 수 있다. 예를 들어, 판정부(195)는 상태 판단부(160), 위치 검출부(170), 및 분석부(190)의 판정 결과가 모두 정상을 나타내는 경우, 배터리 유닛(105)이 양품인 것으로 판정할 수 있다. 예를 들어, 판정부(195)는 상태 판단부(160), 위치 검출부(170), 또는 분석부(190) 중 적어도 하나의 판정 결과가 불량을 나타내는 경우, 배터리 유닛(105)이 양품이 아닌 것으로 판정할 수 있다.
추가적으로, 판정부(195)는 인공 지능 모델에 기초한 판정 결과뿐만 아니라, 규칙 기반 검사에 기초한 판정 결과에 기초하여 배터리 유닛(105)의 양품 여부를 판정할 수 있다. 여기에서, 규칙 기반 검사는, 배터리 유닛(105)의 이미지의 그레이 레벨(gray level) 정보에 기초하여 배터리 유닛(105)의 불량 여부를 판단한 검사일 수 있다.
예를 들어, 판정부(195)는 배터리 유닛(105)의 이미지의 그레이 레벨 정보에 기초하여 배터리 유닛(105)의 캔 유무, 탑 캡 유무, 캔과 탑 캡의 중심 거리, 양극 탭의 위치 및 양극 탭의 과용접 여부 중 적어도 어느 하나를 판단하여 판단 결과를 생성할 수 있다. 일 실시 예에 따라, 판정부(195)는 배터리 유닛(105)의 이미지의 그레이 레벨 정보에 기초하여 배터리 셀의 캔 유무, 탑 캡 유무, 캔과 탑 캡의 중심 거리, 양극 탭의 위치 및 양극 탭의 과용접 여부를 순차적으로 판단할 수 있다. 판정부(195)는 배터리 유닛(105)의 이미지의 그레이 레벨 정보에 기초하여 배터리 셀의 캔 유무, 탑 캡 유무, 캔과 탑 캡의 중심 거리, 양극 탭의 위치 및 양극 탭의 과용접 여부 중 적어도 어느 하나를 판단하여 배터리 셀의 과용접 여부, 탑 캡 그을음 여부 또는 탭 손상 여부를 판단한 판단 결과를 생성할 수 있다. 판정부(195)는 인공 지능 모델에 기초한 판정 결과 및 규칙 기반 검사에 기초한 판정 결과에 기초하여 배터리 유닛(105)의 불량 여부를 판단할 수 있다. 즉, 판정부(195)는 배터리 유닛(105)의 약용접 여부를 판단한 판단 결과 및 배터리 유닛(105)의 불량 또는 배터리 유닛(105)의 과용접 여부를 판단한 판단 결과에 기초하여 최종적으로 배터리 유닛(105)의 불량 여부를 판단할 수 있다.
일 실시 예에 따라, 판정부(195)는 기 저장된 이미지 파일을 기초로 배터리 유닛(105)의 불량 여부를 판단할 수 있다. 구체적으로 판정부(195)는 기 저장된 불량 배터리 유닛의 이미지 파일을 기초로 배터리 유닛(105)의 불량 여부를 판단할 수 있다. 여기서 불량 배터리 유닛의 이미지 파일은 약용접된 배터리 유닛 이미지, 그을음의 크기가 기준 크기 이상으로 과용접으로 판단된 배터리 유닛 이미지, 그을음의 정도가 기준 정도 이상으로 판단된 배터리 유닛 이미지, 용접부 뭉침으로 판단된 배터리 유닛의 이미지 및 탑 캡의 침범으로 판단된 배터리 유닛의 이미지를 포함할 수 있다. 따라서, 판정부(195)는 불량 배터리 유닛 이미지 파일을 기초로 배터리 유닛의 불량 여부를 판단할 수 있다.
상술한 바와 같이, 본 문서에 개시된 일 실시 예에 따른 모니터링 장치(100)에 따르면 배터리 유닛의 용접 상태를 정확하게 분석하여 불량 배터리 유닛을 검출할 수 있다.
모니터링 장치(100)는 베터리 유닛을 제조하는 공정 처리 장치를 촬영한 영상의 그레이 레벨 노이즈로 인하여 용접 부위의 명확한 분류가 어려운 문제를 딥러닝 알고리즘을 중첩적으로 활용하여 배터리 유닛의 약용접 불량 검출력을 높일 수 있다.
그리고, 모니터링 장치(100)는 약용접 배터리 유닛의 유출을 방지하여 배터리 유닛이 탑재된 제품의 안정성 및 품질을 개선할 수 있다.
또한, 모니터링 장치(100)는 별도의 장치의 구비 및 연결없이 실시간으로 배터리 유닛의 불량 여부를 판단할 수 있어 불량 검출 비용 및 시간을 절감할 수 있다.
도 2에서는, 프로그램(125)의 다양한 프로그램 모듈들이 별개인 것으로 도시되었으나, 이는 예시일 뿐이다. 일 실시 예에서, 상태 판단부(160), 위치 검출부(170), 영역 검출부(180), 및/또는 분석부(190)는 하나의 프로그램 모듈로 통합될 수 있다. 예를 들어, 상태 판단부(160), 위치 검출부(170), 영역 검출부(180), 및/또는 분석부(190)는 분석부(190)로 통합될 수 있다.
도 2에서는, 프로그램(125)의 인공 지능 모델들이 별개인 것으로 도시되었으나, 이는 예시일 뿐이다. 일 실시 예에서, 인공 지능 모델(145, 146, 147, 148)은 하나의 인공 지능 모델로 구현될 수 있다.
도 9는 본 문서에 개시된 일 실시 예에 따른 모니터링 장치(100)의 동작 방법을 예시하는 도면이다. 도 9는 도 2 내지 도 8을 참조하여 설명될 수 있다.
도 9를 참조하면, 동작 910에서, 모니터링 장치(100)는 이미지를 획득할 수 있다. 여기에서, 이미지는 이미지 획득 장치(103)가 획득한 배터리 유닛(105)의 이미지일 수 있다.
동작 920에서, 모니터링 장치(100)는 규칙 기반 검사를 수행할 수 있다. 일 실시 예에서, 모니터링 장치(100)는 이미지의 그레이 레벨 정보에 기초하여 규칙 기반 검사를 수행할 수 있다.
예를 들어, 모니터링 장치(100)는 배터리 유닛(105)의 이미지의 그레이 레벨 정보에 기초하여 배터리 유닛(105)의 캔 유무, 탑 캡 유무, 캔과 탑 캡의 중심 거리, 양극 탭의 위치 및 양극 탭의 과용접 여부 중 적어도 어느 하나를 판단하여 판단 결과를 생성할 수 있다. 일 실시 예에 따라, 모니터링 장치(100)는 배터리 유닛(105)의 이미지의 그레이 레벨 정보에 기초하여 배터리 셀의 캔 유무, 탑 캡 유무, 캔과 탑 캡의 중심 거리, 양극 탭의 위치 및 양극 탭의 과용접 여부를 순차적으로 판단할 수 있다. 모니터링 장치(100)는 배터리 유닛(105)의 이미지의 그레이 레벨 정보에 기초하여 배터리 셀의 캔 유무, 탑 캡 유무, 캔과 탑 캡의 중심 거리, 양극 탭의 위치 및 양극 탭의 과용접 여부 중 적어도 어느 하나를 판단하여 배터리 셀의 과용접 여부, 탑 캡 그을음 여부 또는 탭 손상 여부를 판단한 판단 결과를 생성할 수 있다.
동작 930에서, 모니터링 장치(100)는 인공 지능 모델 기반 검사를 수행할 수 있다. 예를 들어, 모니터링 장치(100)는 기 학습된 인공 지능 모델들(145, 146, 147, 148)에 기초하여 이미지에 대한 인공 지능 모델 기반 검사를 수행할 수 있다.
일 실시 예에서, 모니터링 장치(100)는 배터리 유닛(105)에 대한 이미지에 기초하여 캔 어셈블리의 상태를 판단할 수 있다. 일 실시 예에서, 모니터링 장치(100)는 배터리 유닛(105)에 대한 이미지에 기초하여 용접 위치의 상태를 판단할 수 있다. 일 실시 예에서, 모니터링 장치(100)는 용접 위치를 크롭한 이미지에 기초하여 용접 상태를 분석할 수 있다.
동작 940에서, 모니터링 장치(100)는 검사 결과에 기초하여 불량 여부를 판정할 수 있다.
일 실시 예에서, 모니터링 장치(100)는 규칙 기반 검사의 결과 및 인공 지능 모델 기반 검사의 결과가 모두 정상을 나타내는 경우, 배터리 유닛(105)이 양품인 것으로 판정할 수 있다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 개시에 개시된 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (12)

  1. 배터리 셀의 제조와 관련된 적어도 하나의 공정 처리 장치를 촬영한 이미지를 획득하는 이미지 획득부;
    상기 획득된 이미지를 배터리 셀의 용접 상태를 판단하기 위한 인공 지능 모델에 입력하여 상기 배터리 셀의 불량 여부를 판단한 제1 판단 결과를 생성하는 분석부; 및
    상기 제1 판단 결과에 기초하여 상기 배터리 셀의 불량 여부를 판단하는 판정부를 포함하는 모니터링 장치.
  2. 제1 항에 있어서,
    상기 판정부는 상기 획득된 영상의 그레이 레벨 정보에 기초하여 상기 배터리 셀의 불량 여부를 판단한 제2 판단 결과를 생성하는 것을 특징으로 하는 모니터링 장치.
  3. 제2 항에 있어서,
    상기 판정부는 상기 제1 판단 결과 및 상기 제2 판단 결과에 기초하여 배터리 셀의 불량 여부를 판단하는 것을 특징으로 하는 모니터링 장치.
  4. 제1 항에 있어서,
    상기 인공 지능 모델은 상기 이미지를 기초로 상기 배터리 셀의 용접 영역을 검출하기 위한 인공 지능 모델 및 상기 용접 영역의 용접 상태를 분석하기 위한 인공 지능 모델을 포함하는 것을 특징으로 하는 모니터링 장치.
  5. 제4 항에 있어서,
    상기 용접 영역의 용접 상태를 분석하기 위한 상기 인공 지능 모델은 기준 길이 범위의 용접 길이를 가지는 상태, 기준 길이 범위 미만의 용접 길이를 가지는 상태 및 그 외의 불량을 가지는 상태로 용접 상태를 분류하는 것을 특징으로 하는 모니터링 장치.
  6. 제2 항에 있어서,
    상기 판정부는 상기 획득된 이미지의 그레이 레벨 정보에 기초하여 상기 배터리 셀의 캔 유무, 탑 캡(Top Cap) 유무, 캔과 탑 캡의 중심 거리, 양극 탭의 위치 및 양극 탭의 과용접 여부 중 적어도 어느 하나를 판단하여 제2 판단 결과를 생성하는 것을 특징으로 하는 모니터링 장치.
  7. 제1 항에 있어서,
    상기 인공 지능 모델은 상기 이미지를 기초로 상기 배터리 셀의 캔 어셈블리의 상태를 판단하기 위한 인공 지능 모델 및 상기 캔 어셈블리의 상태가 정상인 경우, 상기 이미지에서 용접 위치를 검출 및/또는 크롭하기 위한 인공 지능 모델을 포함하는 것을 특징으로 하는 모니터링 장치.
  8. 배터리 셀의 제조와 관련된 적어도 하나의 공정 처리 장치를 촬영한 이미지를 획득하는 단계;
    상기 획득된 이미지를 배터리 셀의 용접 상태를 판단하기 위한 인공 지능 모델에 입력하여 상기 배터리 셀의 불량 여부를 판단한 제1 판단 결과를 생성하는 단계;
    상기 획득된 이미지의 그레이 레벨 정보에 기초하여 상기 배터리 셀의 불량 여부를 판단한 제2 판단 결과를 생성하는 단계; 및
    상기 제1 판단 결과 및 상기 제2 판단 결과에 기초하여 상기 배터리 셀의 불량 여부를 판단하는 단계를 포함하는 모니터링 장치의 동작 방법.
  9. 제8 항에 있어서,
    상기 인공 지능 모델은 상기 이미지를 기초로 상기 배터리 셀의 용접 영역을 검출하기 위한 인공 지능 모델 및 상기 용접 영역의 용접 상태를 분석하기 위한 인공 지능 모델을 포함하는 것을 특징으로 하는 모니터링 장치의 동작 방법.
  10. 제9 항에 있어서,
    상기 용접 영역의 용접 상태를 분석하기 위한 상기 인공 지능 모델은 기준 길이 범위의 용접 길이를 가지는 상태, 기준 길이 범위 미만의 용접 길이를 가지는 상태 및 그 외의 불량을 가지는 상태로 용접 상태를 분류하는 것을 특징으로 하는 모니터링 장치의 동작 방법.
  11. 제9 항에 있어서,
    상기 제2 판단 결과를 생성하는 단계는
    상기 획득된 이미지의 그레이 레벨 정보에 기초하여 상기 배터리 셀의 캔 유무, 탑 캡(Top Cap) 유 무, 캔과 탑 캡의 중심 거리, 양극 탭의 위치 및 양극 탭의 과용접 여부 중 적어도 어느 하나를 판단하여 제2 판단 결과를 생성하는 것을 특징으로 하는 모니터링 장치의 동작 방법.
  12. 제8 항에 있어서,
    상기 인공 지능 모델은 상기 이미지를 기초로 상기 배터리 셀의 캔 어셈블리의 상태를 판단하기 위한 인공 지능 모델 및 상기 캔 어셈블리의 상태가 정상인 경우, 상기 이미지에서 용접 위치를 검출 및/또는 크롭하기 위한 인공 지능 모델을 포함하는 것을 특징으로 하는 모니터링 장치의 동작 방법.
PCT/KR2023/000447 2022-01-14 2023-01-10 모니터링 장치 및 그것의 동작 방법 WO2023136584A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0005799 2022-01-14
KR20220005799 2022-01-14

Publications (1)

Publication Number Publication Date
WO2023136584A1 true WO2023136584A1 (ko) 2023-07-20

Family

ID=87279462

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/000447 WO2023136584A1 (ko) 2022-01-14 2023-01-10 모니터링 장치 및 그것의 동작 방법

Country Status (2)

Country Link
KR (1) KR20230110189A (ko)
WO (1) WO2023136584A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180138160A (ko) * 2017-06-20 2018-12-28 링컨 글로벌, 인크. 용접물 분류 및 상관관계에 대한 기계 학습
KR20200037932A (ko) * 2018-10-02 2020-04-10 경일대학교산학협력단 용접 품질 평가를 위한 영상처리장치 및 영상처리방법
US20210265673A1 (en) * 2020-02-21 2021-08-26 Volkswagen Aktiengesellschaft Battery electrode inspection system
KR102294189B1 (ko) * 2021-04-16 2021-08-27 주식회사 성안테크 원통형 배터리의 전극 용접 검사장치
WO2021185404A1 (de) * 2020-03-20 2021-09-23 Schaeffler Technologies AG & Co. KG Verfahren und prüfanlage zum prüfen einer bipolarplatte einer elektrochemischen zelle, insbesondere einer brennstoffzelle

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180138160A (ko) * 2017-06-20 2018-12-28 링컨 글로벌, 인크. 용접물 분류 및 상관관계에 대한 기계 학습
KR20200037932A (ko) * 2018-10-02 2020-04-10 경일대학교산학협력단 용접 품질 평가를 위한 영상처리장치 및 영상처리방법
US20210265673A1 (en) * 2020-02-21 2021-08-26 Volkswagen Aktiengesellschaft Battery electrode inspection system
WO2021185404A1 (de) * 2020-03-20 2021-09-23 Schaeffler Technologies AG & Co. KG Verfahren und prüfanlage zum prüfen einer bipolarplatte einer elektrochemischen zelle, insbesondere einer brennstoffzelle
KR102294189B1 (ko) * 2021-04-16 2021-08-27 주식회사 성안테크 원통형 배터리의 전극 용접 검사장치

Also Published As

Publication number Publication date
KR20230110189A (ko) 2023-07-21

Similar Documents

Publication Publication Date Title
WO2013151355A1 (ko) 고장 자가 진단 기능을 구비한 절연 저항 측정 장치 및 이를 이용한 자가 진단 방법
WO2018128395A1 (ko) 이차 전지의 저전압 불량 검사 방법 및 장치
WO2020009337A1 (ko) 파우치형 2차전지의 전극 손상 검사방법 및 파우치형 2차전지의 전극 손상 검사장치
WO2019212148A1 (ko) 이차 전지 테스트 장치 및 방법
WO2019146928A1 (ko) Soh 분석 장치 및 방법
WO2022108399A1 (ko) 배터리 팩 진단 방법
WO2023136584A1 (ko) 모니터링 장치 및 그것의 동작 방법
WO2021107407A1 (ko) 열화상 감지를 이용한 용접부 검사방법
WO2020166840A1 (ko) 배터리 셀 이상 판단 장치 및 방법
WO2023167498A1 (ko) 배터리 불량 검출 장치, 방법 및 시스템
WO2022154354A1 (ko) 배터리 시스템 진단 장치 및 방법
WO2023013961A1 (ko) 배터리 검사 장치 및 배터리 검사 시스템
WO2023063625A1 (ko) 배터리 진단 장치, 배터리 팩, 전기 차량, 및 배터리 진단 방법
WO2023033480A1 (ko) 배터리 진단 시스템 및 방법
WO2022145747A1 (ko) 재작업 자동화 장비를 포함하는 전지셀 제조장치 및 이를 이용한 재작업 수량 계수 방법
WO2022158757A1 (ko) 배터리 시스템 진단 장치 및 방법
WO2022154545A1 (ko) 배터리 관리 장치 및 방법
WO2024085433A1 (ko) 모니터링 시스템 및 그것의 동작 방법
WO2023022383A1 (ko) 비파괴 방식을 이용한 와이어 본딩 검사 방법
WO2023080756A1 (ko) 용접 검사 장치
WO2023013967A1 (ko) 배터리 관리 장치 및 방법
WO2024053870A1 (ko) 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법
WO2023277561A1 (ko) 전지셀의 벤트 발생시점 예측 시스템 및 예측방법
WO2023234593A1 (ko) 배터리 진단 장치 및 방법
WO2022080746A1 (ko) 배터리 상태 진단 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23740428

Country of ref document: EP

Kind code of ref document: A1