WO2023182860A1 - 배터리 셀 공정 데이터 분석 시스템 및 방법 - Google Patents

배터리 셀 공정 데이터 분석 시스템 및 방법 Download PDF

Info

Publication number
WO2023182860A1
WO2023182860A1 PCT/KR2023/003955 KR2023003955W WO2023182860A1 WO 2023182860 A1 WO2023182860 A1 WO 2023182860A1 KR 2023003955 W KR2023003955 W KR 2023003955W WO 2023182860 A1 WO2023182860 A1 WO 2023182860A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery cell
capacity
data
predicted
process data
Prior art date
Application number
PCT/KR2023/003955
Other languages
English (en)
French (fr)
Inventor
남관우
Original Assignee
주식회사 엘지에너지솔루션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Publication of WO2023182860A1 publication Critical patent/WO2023182860A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/04—Construction or manufacture in general
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/04—Construction or manufacture in general
    • H01M10/0404—Machines for assembling batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Definitions

  • Embodiments disclosed in this document relate to a battery cell process data analysis system and a battery cell process data analysis method using the same.
  • Lithium polymer batteries a type of secondary battery, are batteries that can be repeatedly charged and discharged through reversible mutual conversion between chemical energy and electrical energy. They have the advantage of long lifespan and large capacity, and are widely used in portable electronic devices, electric vehicle batteries, etc. It is widely used.
  • Battery capacity one of the most important performance indicators of battery cells, is affected by numerous process factors involved in the manufacturing process. Conventionally, the process was managed through simple correlation analysis with capacity focusing on battery cell design factors (i.e., variables that can be controlled in the battery design process), but the actual battery cell manufacturing process consists of electrode process, assembly process, It consists of a number of discontinuous processes with different characteristics, such as the activation process, and various process factors other than design factors can affect the capacity of the battery cell. The impact of these process factors on the capacity of battery cells is generally irregular, and because they affect multiple processes simultaneously rather than a single process, it was difficult to clearly determine the correlation between them.
  • One purpose of the embodiments disclosed in this document is to provide a battery cell process data analysis system and method that can find process factors that affect the capacity of a battery cell through artificial intelligence-based data analysis.
  • Another object of the embodiments disclosed in this document is to determine which process factors have a positive effect on the capacity of a battery cell (e.g., making the actual capacity larger than the design capacity) and those that have a negative effect (e.g., making the actual capacity larger than the design capacity).
  • the goal is to improve the capacity quality of produced battery cells by finding process factors that make them smaller and managing the process factors.
  • a battery cell process data analysis system includes a process data acquisition unit that acquires process data of a battery cell; a predicted capacity estimator that estimates the predicted capacity of the battery cell based on the process data; an actual capacity measuring unit that measures the actual capacity of the battery cell; And a controller that calculates the difference between the predicted capacity of the battery cell and the actual capacity of the battery cell, and determines a process factor that affects the difference in capacity using a learned artificial intelligence model.
  • the predicted capacity estimator calculates the electrode size of the mono cell based on the measurement value of the individual mono cell, and calculates the electrode size of the mono cell based on the electrode size and the amount of electrode active material loaded on the electrode.
  • the predicted capacity of a battery cell in which a plurality of mono cells are stacked can be estimated.
  • the controller acquires distribution data of actual capacity compared to predicted capacity for a plurality of battery cells manufactured through a process, and uses the first artificial intelligence model to use the distribution data to predict battery cells.
  • the process factors are determined by the battery cell The importance level indicating the impact on capacity can be calculated.
  • the second artificial intelligence model may be trained to calculate the importance of each process factor for two or more process factors based on changes in the distribution data depending on the presence or absence of the process factor.
  • the controller classifies the distribution data into a first group when the actual capacity compared to the predicted capacity of the input battery cell is greater than or equal to a first threshold, and determines the actual capacity compared to the predicted capacity of the input battery cell. If the size is less than or equal to a second threshold, the distribution data is classified into a second group, and a process factor affecting the difference between the predicted capacity and actual capacity of the battery cell for the distribution data belonging to the first group is defined as a positive process factor. and a process factor that affects the difference between the predicted capacity and actual capacity of the battery cell for the distribution data belonging to the second group may be determined as a negative process factor.
  • the process data of the battery cell includes data related to at least one process of an electrode process, an assembly process, and an activation process
  • the process data acquisition unit uses a key index to Integrated process data is generated by connecting each process data related to other processes, and the controller uses the integrated process data to determine the difference between the predicted capacity and actual capacity of the battery cell among process factors related to different processes. Influencing process factors can be determined.
  • a battery cell process data analysis method includes acquiring process data of a battery cell; estimating a predicted capacity of the battery cell based on the process data; measuring the actual capacity of the battery cell; calculating the difference between the actual capacity and predicted capacity of the battery cell; and determining process factors that affect the difference in capacity using the learned artificial intelligence model.
  • the step of estimating the predicted capacity includes calculating the electrode size of the mono cell based on the measured value of the individual mono cell; and estimating the predicted capacity of a battery cell in which a plurality of individual mono cells are stacked based on the electrode size and the amount of electrode active material loaded on the electrode.
  • the step of determining the process factor includes obtaining distribution data of actual capacity compared to predicted capacity for a plurality of battery cells manufactured through the process; Using a first artificial intelligence model, classifying the distribution data into two or more groups according to the size of the actual capacity compared to the predicted capacity of the battery cell; And calculating the importance indicating the effect of the process factor on the capacity of the battery cell by analyzing the distribution data belonging to each group and the process data of the corresponding battery cell using a second artificial intelligence model. can do.
  • the second artificial intelligence model may be trained to calculate the importance of each process factor based on changes in the distribution data depending on the presence or absence of the process factor for two or more preset process factors. there is.
  • the distribution data in the step of classifying the distribution data into two or more groups, if the size of the actual capacity compared to the predicted capacity of the input battery cell is greater than or equal to the first threshold, the distribution data is classified into the first group, and the input battery cell is classified into a first group.
  • the distribution data belonging to the first group In the step of classifying the distribution data into a second group and determining the process factor when the size of the actual capacity compared to the predicted capacity of the battery cell is less than or equal to the second threshold, the distribution data belonging to the first group
  • the process factor affecting the difference between the predicted capacity and the actual capacity is determined as a positive process factor
  • the process factor affecting the difference between the predicted capacity and the actual capacity of the battery cell for the distribution data belonging to the second group is determined as a negative process factor. It can be determined as a process factor.
  • the process data of the battery cell includes data related to at least one process of an electrode process, an assembly process, and an activation process, and in the step of acquiring the process data, a key index is used.
  • Integrated process data is generated by connecting each process data related to different processes, and in the step of determining the process factors, the integrated process data is used to determine the battery cell among the process factors related to different processes. Process factors that affect the difference between predicted and actual capacity can be determined.
  • process factors that affect the capacity of a battery cell can be found through artificial intelligence-based data analysis. Additionally, by connecting data from different processes using a key index, multiple process factors that affect battery capacity at each process stage can be integrated and managed.
  • process factors that have a positive effect on the capacity of the battery cell e.g., making the actual capacity larger than the predicted capacity
  • process factors that have a negative effect e.g., making the actual capacity smaller than the predicted capacity
  • Figure 1 is a graph showing the expected distribution and actual distribution of the measured actual capacity compared to the predicted capacity calculated for a plurality of battery cells.
  • Figure 2 is a block diagram showing the configuration of a battery cell process data analysis system according to an embodiment.
  • Figure 3 is a schematic diagram showing how process factors of various process steps included in the battery cell manufacturing process affect the capacity of a completed battery cell.
  • Figure 4 is a schematic diagram showing linking process data of several processes included in the battery cell manufacturing process using a key index.
  • Figure 5 shows measuring the electrode size to calculate the predicted capacity of a battery mono cell.
  • Figure 6 is a graph showing distribution data of measured actual capacity compared to predicted capacity for a number of battery cells.
  • Figure 7 shows battery cell capacity distribution data classified into two groups using an artificial intelligence model according to an embodiment.
  • Figure 8 shows capacity distribution data of battery cells classified into three groups using an artificial intelligence model according to an embodiment.
  • Figure 9 is a flowchart showing a method of analyzing battery cell process data according to an embodiment.
  • FIG. 10 is a flowchart showing the steps for determining the process parameters of FIG. 9 in more detail.
  • Figure 1 is a graph showing the distribution by measuring the predicted capacity and actual capacity for a number of battery cells.
  • the predicted capacity and actual capacity have a linear relationship, but in reality, various process factors are involved. Due to its impact, it tends to be more widely distributed. That is, in the actual distribution, due to the influence of unexpected process factors, the actual measured capacity may be smaller (lower end of the expected distribution range) or larger (upper end of the expected distribution range) than the calculated predicted capacity.
  • the impact of these process factors on the capacity of battery cells is generally irregular, and because they affect multiple processes simultaneously rather than a single process, it was difficult to clearly determine the correlation between them.
  • Figure 2 is a block diagram showing the configuration of a battery cell process data analysis system according to an embodiment to solve the above problem.
  • the battery cell process data analysis system 10 includes a process data acquisition unit 110, a predicted capacity estimation unit 120, an actual capacity measurement unit 130, and a controller 140. It can be included.
  • the components shown in the block diagram are divided according to their respective functions and roles, and each block does not necessarily have to be implemented as independent hardware or software. For example, separate components may actually be implemented as one device or program, or one component may be implemented as a combination of several devices and programs.
  • the process data acquisition unit 110 acquires process data of the battery cell.
  • the battery cell process data is data related to various processes included in the battery manufacturing process, such as the electrode process, assembly process, and activation process, and is a number of process factors (i.e., process variables) that affect the capacity of the produced battery cell.
  • process factors i.e., process variables
  • the loading amount of electrode material per unit area, the size and thickness of the electrode, etc. may correspond to process factors
  • the assembly process the loading method of the anode, separator, and cathode and the amount of electrolyte may correspond to the process factors.
  • the number of charging and discharging cells, temperature and pressure during charging and discharging, etc. may be process factors.
  • the data types listed are just examples and a variety of process data related to process steps that can affect the capacity of the battery cell can be utilized.
  • Figure 3 is a schematic diagram showing how process factors of various process steps included in the battery cell manufacturing process affect the capacity of a completed battery cell.
  • process data acquisition unit 110 Process data can be collected from the process.
  • the process data acquisition unit 110 may generate integrated process data by connecting each process data related to different processes using a key index.
  • skilled engineers used their personal experience to directly find and manage design factors or process factors that affect battery cell capacity.
  • this method is effective in managing individual processes (e.g., one of the electrode process, assembly process, and activation process), it is difficult to determine the correlation between process factors in multiple process steps, making the process steps complex. It becomes less effective as time goes by.
  • Figure 4 is a schematic diagram showing linking process data of several processes included in the battery cell manufacturing process using a key index.
  • process data (electrode 1, electrode 2, ..., electrode n) of the first process (e.g., electrode process) and the second process (e.g., electrode n) for a plurality of battery cells (AAA to ZZZ)
  • the process data (assembly 1, assembly 2, ..., assembly n) of the assembly process) and the process data (activation 1, activation 2, ..., activation n) of the third process (e.g. activation process) are key indexes, respectively. Create integrated process data by connecting using . At this time, the key index can be set considering the correlation between each process.
  • Key index may vary depending on the type of data generated in the process. For example, in the case of the mono cell assembly process, since an ID is assigned to each mono cell, a key index can be set that connects the ID of a plurality of mono cells with the ID of one completed cell. In the case of the assembly process, each data exists discontinuously, so connection between processes is possible through ID tracking.
  • the integrated process data is input into an artificial intelligence model, which will be described later, and the artificial intelligence model can determine process factors that have a significant impact on the capacity of the battery cell based on the integrated process data. In this way, by integrating and managing process data from multiple process steps, the impact of each process factor on battery capacity can be easily and accurately determined.
  • the predicted capacity estimator 120 may estimate the predicted capacity of the battery cell based on the process data.
  • predicted capacity refers to the theoretical maximum capacity calculated based on the design variables of the battery cell.
  • the electrode size e.g., the size of the anode or cathode
  • the electrode size can be calculated from vision data photographing the upper and lower surfaces of a monocell (a unit cell consisting of an anode, a cathode, and a separator), and the electrode size And based on the amount of electrode active material loaded on the electrode, the theoretical capacity that the battery cell can have electrically can be estimated.
  • Figure 5 shows measuring the electrode size to calculate the predicted capacity of a battery mono cell.
  • the mono cell 20 is composed of an anode 210, a cathode 220, and a separator 230 inserted in the middle to separate the anode and the cathode.
  • the distance from each part of the anode 210 to the end of the separator 230 can be known.
  • the horizontal length (W) of the separator 230 is already known as a design variable, subtracting the horizontal distance (see arrow) between the anode 210 and the separator 230 from the horizontal length (W) of the separator 230, the anode ( 210) can be calculated.
  • the vertical length (H) of the separator 230 is also already known as a design variable, subtracting the vertical distance (see arrow) between the anode 210 and the separator 230 from the vertical length (H) of the separator 230 The vertical length of the anode 210 can be calculated.
  • the size of the positive electrode can be calculated from the horizontal and vertical lengths of the positive electrode 210 calculated in this way, and the theoretical predicted capacity of the individual mono cell 20 can be calculated by substituting the amount of active material per unit area. Furthermore, since one battery cell has a structure in which several mono cells are stacked, it is possible to estimate the theoretical predicted capacity of the battery cell by adding up the predicted capacities of each mono cell.
  • the method for calculating the size of the electrode described above is assumed to take specified design variables into account, but this is only an example.
  • the size of the electrode is identified by using an image processing algorithm to identify designated objects (e.g., anode, cathode, separator) from vision data photographed above and below the surface of a monocell, and calculating the size of the identified objects. A method of calculating may be considered.
  • the capacity of the battery cell is determined by the size of the positive electrode and the amount of electrode active material loaded, so the size of the positive electrode was used, but is not limited to this.
  • the predicted capacity estimator 120 calculates the theoretical capacity of the battery cell based on the size of the cathode 220 and the amount of electrode active material corresponding thereto. Capacity can be estimated.
  • the actual capacity measuring unit 130 measures the actual capacity of the completed battery cell. Measuring the capacity of a battery cell can generally be performed by measuring the current of the cell after the charging and discharging process, but there is no particular limitation on the timing and method of measurement.
  • the controller 140 calculates the difference between the predicted capacity of the battery cell estimated by the predicted capacity estimation unit 120 and the actual capacity of the battery cell measured by the actual capacity measuring unit 130, and uses the learned artificial intelligence model. Using this, process factors that affect the difference in capacity can be determined.
  • the controller 140 obtains distribution data of actual capacity compared to predicted capacity for a plurality of battery cells manufactured through the process.
  • Figure 6 is a graph showing distribution data of measured actual capacity compared to predicted capacity for a number of battery cells.
  • the horizontal axis indicates the predicted capacity estimated based on mono cell vision data
  • the vertical axis indicates the actual capacity measured through inspection of completed battery cells
  • each dot represents the predicted capacity of the battery cells
  • FIG. Indicates actual capacity.
  • the actual capacity is significantly lower than the predicted capacity (i.e., points located relatively at the bottom of the graph)
  • this may lead to a decrease in product quality, so it is necessary to find and manage process factors that affect these results.
  • the controller 140 uses a clustering algorithm and/or a first artificial intelligence model according to preset classification criteria (e.g., batteries on distribution data). Depending on the size of the actual capacity compared to the predicted capacity of the cell, it can be classified into 2 or more groups.
  • preset classification criteria e.g., batteries on distribution data.
  • the clustering algorithm may be a Density-Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm.
  • DBSCAN Density-Based Spatial Clustering of Applications with Noise
  • the DBSCAN algorithm classifies each of the points as a core point or border point, based on whether a specified number of points are included within a specified radius from each of the points representing the predicted capacity and actual capacity of the battery cells. , or an algorithm for distinguishing by noise point.
  • a core point may be a point that contains more than a specified number of points within a radius.
  • the boundary point may be a point that includes less than a specified number of points within the radius, but the core points are included in the included points.
  • a noise point may be a point that contains less than a specified number of points within a radius, and the points it contains do not include the core point.
  • two or more groups classified according to the actual capacity compared to the predicted capacity of the battery cell on the distribution data may be clusters composed of different core points and boundary points. Additionally, noise points may not be included in two or more groups.
  • points classified as 'GOOD' are a first cluster composed of core points and boundary points
  • points classified as 'NOT GOOD' are a second cluster composed of other core points and other boundary points. You can.
  • the first cluster and the second cluster may also be referred to as two or more groups.
  • the first artificial intelligence model is a machine learning-based classification model that can discretize and/or classify adjacent data to improve classification performance.
  • the first artificial intelligence model may be a model based on DBSCAN, but is not limited to this.
  • the first artificial intelligence model may be supervised learning based on training data.
  • the first artificial intelligence model is trained so that the difference between the core point, boundary point, or noise point output by the first artificial intelligence model and the core point, boundary point, or noise point labeled in the training data is minimal. You can.
  • Figure 7 shows battery cell capacity distribution data classified into two groups using an artificial intelligence model according to an embodiment.
  • the points classified as 'GOOD' indicate battery cells in which the difference between the theoretically estimated predicted capacity and the actual capacity is relatively small
  • the points classified as 'NOT GOOD' indicate batteries in which the difference between the predicted capacity and the actual capacity is relatively large. Points to cells. As mentioned above, if there is a large difference between the predicted capacity and the actual capacity, it may lead to a decrease in product quality, so it is necessary to find and manage process factors that affect these results.
  • the controller 140 uses the second artificial intelligence model to collect distribution data belonging to each group (e.g., a group classified as 'GOOD' or a group classified as 'NOT GOOD') and the process data of the battery cell corresponding thereto. By analyzing, it is possible to calculate the importance level indicating the influence of each process factor on the capacity of the battery cell.
  • group e.g., a group classified as 'GOOD' or a group classified as 'NOT GOOD'
  • the second artificial intelligence model can be trained to calculate the importance of each process factor based on the change in the distribution data according to the change or presence of the process factor for two or more preset process factors.
  • the second artificial intelligence model may be, for example, based on a model using ensemble-based boosting techniques (e.g., gradient boost for classification, XGBoost (e.g., XGBClassifier, LightGBMClassifier), etc.).
  • ensemble may be a technique for generating prediction results by combining multiple models (e.g., decision trees).
  • the second artificial intelligence model can determine the importance between process factors by combining decision trees for each of a plurality of process factors.
  • each of the decision trees may include two leaves branching from one decision node.
  • the second artificial intelligence model provides a difference value (i.e., pseudo-residual (or error)) between the capacity difference of the battery cells classified into the final leaves and the predicted value of the final leaf. ) value) can be learned to be minimal.
  • the second artificial intelligence model may be composed of decision trees of a specified depth. The specified depth can be determined as an integer between 8 and 32.
  • the second artificial intelligence model can be learned by using process data from the first to third processes as input data and using the capacity difference as a predicted value.
  • the second artificial intelligence model performs a pseudo-residual calculation process for each leaf of the current decision tree, a child decision tree creation process for the current decision tree, and a prediction value generation process for each leaf included in the child decision tree. It can be learned through
  • Each leaf may represent a pseudo-residual (or error) value.
  • the pseudo residual of each leaf of the nth decision tree is the difference between the capacity difference of the battery cells classified in each leaf of the nth decision tree and the predicted value (P n-1 ) determined in the previous decision tree. Can be calculated based on the value.
  • a predicted value for the capacity difference of battery cells included in each leaf of the nth decision tree may be calculated.
  • the initial prediction value (P 0 ) may be set as the average value of the capacity difference of all battery cells.
  • the output value (O n ) of its own leaf of the current decision tree may be calculated based on the pseudo residuals of battery cells included in its leaf.
  • the output value O n may be the average value of pseudo residuals.
  • the output value of the first leaf and the output value of the second leaf of the nth decision tree may be different.
  • the decision tree branching from the previous decision tree may be determined based on the gain value. For example, decision trees for each of the two leaves included in the previous decision tree may be determined based on the gain value. That is, the decision trees for each of the two leaves may be different. For example, as a decision tree candidate for the first leaf of the previous decision tree, a candidate decision tree that classifies the presence or absence of process factor 2, a decision tree that classifies the presence or absence of process factor 3, ..., process factor N The decision tree with the highest gain value among each gain value of the decision tree that classifies the presence or absence of may be determined as the decision tree for the first leaf of the previous decision tree.
  • the similarity score of one decision tree may include the similarity score of the first leaf (S 1 ) and the similarity score of the second leaf (S 2 ).
  • the gain value may be a value obtained by subtracting the similarity score of the parent node from the sum of the similarity score (S 1 ) of the first leaf and the similarity score (S 2 ) of the second leaf.
  • the decision node may classify the presence or absence of each of the process factors, or classify each of the process factors based on a reference value and classify each of the battery cells into one of two leaves.
  • the first decision node may query the presence or absence of process factor 1 in the first process.
  • the first decision node assigns Cell IDs for which process factor 1 exists in the first process to the first leaf of the decision node, and assigns Cell IDs for which process factor 1 does not exist in the first process to the first decision. It can be assigned to the second leaf of all nodes.
  • the second decision node can query the presence or absence of process factor 2 in the first process.
  • the second decision node assigns Cell IDs for which process factor 2 exists in the first process to the first leaf of the second decision node, and assigns Cell IDs for which process factor 2 does not exist in the first process to the second leaf. It can be assigned to the second leaf of the decision node.
  • the first decision node and the second decision node may be connected to each other.
  • the decision process of the second decision node may be performed for battery cells allocated to the first leaf of the first decision node.
  • the first decision node may be the parent node or previous node of the second decision node.
  • the second artificial intelligence model may calculate the importance of each process factor through a permutation importance technique based on process data classified into two or more groups.
  • the importance of the process factor may be based on the gain value of the decision tree in which the process factor is used among decision trees. For example, the sum of gain values of a decision tree querying the presence or absence of a first process factor may be evaluated as the importance of the first process factor.
  • the types of models and methods of use are only examples and are not limited thereto.
  • the second artificial intelligence model compares the capacity difference (difference between predicted capacity and actual capacity) calculated excluding the intervention of process factor 1 among the process data with the capacity difference calculated excluding the intervention of process factor 2, You can find out which factor, process factor 1 or process factor 2, has a greater impact on the difference between predicted capacity and actual capacity. According to this method, it is possible to calculate the importance of each process factor by comparing all process factors included in the process data and the capacity difference (distribution data) depending on the presence or absence of intervention of the process factor.
  • the controller 140 can determine process factors that affect the capacity of the battery cell based on the importance of each process factor calculated using an artificial intelligence model. Once the process factors are determined, the capacity quality of the battery cell can be improved by controlling the process factors through appropriate feedback.
  • the controller 140 may classify distribution data of actual capacity compared to predicted capacity of battery cells into three or more groups. Unlike FIG. 7, which classifies the distribution data into two groups, FIG. 8 divides the capacity distribution data of battery cells into three groups ('GOOD', 'OK', and 'NOT GOOD' using an artificial intelligence model according to one embodiment). ') indicates classification.
  • the controller 140 classifies the distribution data into the first group, 'GOOD', and the actual capacity compared to the predicted capacity of the input battery cell is classified as 'GOOD'. If the size of the capacity is less than or equal to the second threshold, the distribution data can be classified into the second group, 'NOT GOOD', and in other cases, it can be classified as 'OK'.
  • battery cells belonging to the first group can be considered to be of relatively excellent quality because their actual capacity is greater than the theoretically predicted capacity. Accordingly, the controller 140 may determine a process factor that has a significant effect on the capacity difference of the battery cell as a positive process factor for the distribution data belonging to the first group. Conversely, battery cells belonging to the second group ('NOT GOOD') can be considered to be of relatively low quality because their actual capacity is smaller than the theoretically predicted capacity. Accordingly, the controller 140 may determine a process factor that has a significant effect on the capacity difference of the battery cell as a negative process factor for the distribution data belonging to the second group. Furthermore, battery cell capacity quality can be improved by increasing the influence of positive process factors and reducing the influence of negative process factors in the subsequent battery manufacturing process.
  • FIG. 9 is a flowchart showing a method of analyzing battery cell process data according to an embodiment.
  • Each step of the method of the embodiment includes the components of the battery cell process data analysis system 10 described with reference to FIG. 1, that is, the process data acquisition unit 110, the predicted capacity estimation unit 120, and the actual capacity measurement unit 130. ), and controller 140, or a combination thereof, but the system 10 is not essential to perform the method.
  • the process data of the battery cell may include data related to various processes included in the battery manufacturing process, such as an electrode process, an assembly process, and an activation process.
  • step S100 integrated process data can be created by connecting each process data related to different processes using a key index, and using the integrated process data, Among the process factors, a process factor that affects the difference between the predicted capacity and the actual capacity of the battery cell can be determined. By integrating and managing process data from multiple process stages, the impact of each process factor on battery capacity can be easily and accurately determined.
  • a step (S200) of estimating the predicted capacity of the battery cell is performed based on the process data.
  • Predicted capacity refers to the theoretical maximum capacity calculated based on the design variables of the battery cell.
  • the step (S200) includes calculating the electrode size of the mono cell based on the measured value of the individual mono cell, calculating the size of the electrode and the amount of electrode active material loaded on the electrode. It may include estimating the predicted capacity of a battery cell based on a plurality of individual mono cells stacked.
  • the electrode size (e.g., the size of the anode or cathode) can be calculated from vision data taken of the upper and lower surfaces of a monocell (a unit cell consisting of an anode, a cathode, and a separator), and based on this, the battery cell
  • the theoretical capacity that this can have electrically can be estimated.
  • the process of calculating the anode size from the vision data of the mono cell is the same as described above with reference to FIG. 5. Additionally, as mentioned above, depending on the design, the theoretical capacity of the battery cell can be estimated based on the size of the cathode and the corresponding amount of electrode active material.
  • a step (S300) of measuring the actual capacity of the completed battery cell is performed.
  • measurement of the capacity of a battery cell can generally be performed by measuring the current of the cell after charging and discharging, but there is no particular limitation on the measurement time and method.
  • a step (S400) of calculating the difference between the actual capacity and the predicted capacity of the battery cell is performed.
  • the calculated capacity difference value can be used in the next step to determine key process factors that affect the difference in battery cell capacity.
  • a step (S500) is performed to determine process factors that affect the difference in capacity using the learned artificial intelligence model.
  • the predicted capacity differ depending on the electrode size of the mono cell or the amount of electrode active material loaded, but the actual capacity also has large and small errors due to process factors that have various effects during various processes. will have In particular, if the actual capacity is significantly lower than the predicted capacity, it may lead to a decrease in product quality, so it is necessary to find and manage process factors that affect these results.
  • FIG. 10 is a flowchart showing the steps for determining process factors in FIG. 9 in more detail.
  • the step (S500) includes obtaining distribution data of actual capacity compared to predicted capacity for a plurality of battery cells manufactured through the process (S510), distribution data using the first artificial intelligence model.
  • it may include a step (S530) of calculating an importance level indicating the influence of each process factor on the capacity of the battery cell.
  • the first artificial intelligence model is a machine learning-based classification model that can discontinuous adjacent data to improve classification performance.
  • DBSCAN may be used, but is not limited to this.
  • the second artificial intelligence model may be trained to calculate the importance of each process factor based on the degree of change in the distribution data according to the change in the process factor for two or more preset process factors. More specifically, the importance of each process factor can be calculated by comparing all process factors included in the process data and the capacity difference (distribution data) depending on whether or not the process factor is involved.
  • the second artificial intelligence model can use classification models such as XGBClassifier and LightGBMClassifier to find process data classified into two or more groups, and calculate the importance of each process factor through the permutation importance technique.
  • classification models such as XGBClassifier and LightGBMClassifier to find process data classified into two or more groups, and calculate the importance of each process factor through the permutation importance technique.
  • the types of models and methods of use are only examples and are not limited thereto.
  • process factors that affect the capacity of battery cells can be determined based on the importance of each process factor calculated using an artificial intelligence model, and further, the capacity quality of battery cells can be improved by controlling the process factors through appropriate feedback. It can be improved.
  • the distribution data in the step of classifying the distribution data into two or more groups (S520), if the size of the actual capacity compared to the predicted capacity of the input battery cell is greater than or equal to the first threshold, the distribution data is divided into a first group (e.g., classified into a group belonging to 'GOOD' in FIG. 8), and if the size of the actual capacity compared to the predicted capacity of the input battery cell is less than or equal to the second threshold, the distribution data is classified into a second group (e.g., 'NOT GOOD' in FIG. 8). It can be classified into the group it belongs to.
  • a first group e.g., classified into a group belonging to 'GOOD' in FIG. 8
  • a second group e.g., 'NOT GOOD' in FIG. 8
  • step S500 of determining process factors based on the classification result of step S520 the predicted capacity of the battery cell and the distribution data belonging to the first group (e.g., the group belonging to 'GOOD' in FIG. 8)
  • a process factor that affects the difference in actual capacity is determined as a positive process factor
  • the predicted capacity and actual capacity of the battery cell are determined for the distribution data belonging to the second group (e.g., the group belonging to 'NOT GOOD' in FIG. 8).
  • Process factors that affect the difference can be determined as negative process factors.
  • battery cell capacity quality can be improved by increasing the influence of positive process factors and reducing the influence of negative process factors in the subsequent battery manufacturing process.
  • the battery cell data analysis method may be implemented as an application or in the form of program instructions that can be executed through various computer components and recorded on a computer-readable recording medium.
  • the computer-readable recording medium may include program instructions, data files, data structures, etc., singly or in combination.
  • a battery cell process data analysis system and method are provided that can find process factors that affect the capacity of a battery cell through artificial intelligence-based data analysis. Additionally, by connecting data from different processes using a key index, multiple process factors that affect battery capacity at each process stage can be integrated and managed.
  • process factors that have a positive impact on the capacity of a battery cell i.e., making the actual capacity larger than the predicted capacity
  • a process factor that has a negative impact i.e., making the actual capacity smaller than the predicted capacity

Landscapes

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

Abstract

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

Description

배터리 셀 공정 데이터 분석 시스템 및 방법
관련출원과의 상호인용
본 발명은 2022.3.25.에 출원된 한국 특허 출원 제10-2022-0037600호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시예들은 배터리 셀 공정 데이터 분석 시스템 및 이를 이용한 배터리 셀 공정 데이터 분석 방법에 관한 것이다.
이차 전지의 일종인 리튬 폴리머 배터리는 화학 에너지와 전기 에너지 간의 가역적 상호 변환을 통해 충전과 방전을 반복할 수 있는 전지로서, 수명이 길고 용량이 크다는 장점을 가지고 있어 휴대용 전자기기, 전기 자동차 배터리 등 다양하게 활용되고 있다. 배터리 셀의 가장 중요한 성능 지표 중 하나인 배터리 용량은 제조 공정에 관여하는 수많은 공정 인자들에 의해 영향을 받는다. 종래에는 배터리 셀의 설계 인자(즉, 배터리 설계 과정에서 제어할 수 있는 변수)를 중심으로 용량과의 단순 상관관계 분석을 통해 공정을 관리하였으나, 실제 배터리 셀의 제조 공정은 전극 공정, 조립 공정, 활성화 공정 등 성격이 다른 다수의 불연속적인 공정으로 이루어져 있고 설계 인자 외의 다양한 공정 인자가 배터리 셀의 용량에 영향을 미칠 수 있다. 이러한 공정 인자들이 배터리 셀의 용량에 미치는 영향은 대체로 불규칙하고, 단일 공정이 아닌 여러 공정이 동시에 영향을 미치기 때문에 이들 간의 상관관계를 명확히 알아내기가 어려웠다.
본 문서에 개시된 실시예들의 일 목적은 인공지능 기반 데이터 분석을 통해 배터리 셀의 용량에 영향을 미치는 공정 인자들을 찾아낼 수 있는 배터리 셀 공정 데이터 분석 시스템 및 방법을 제공하는 것이다.
본 문서에 개시된 실시예들의 또 다른 목적은, 배터리 셀의 용량에 긍정적인 영향을 미치는(예컨대, 설계 용량보다 실제 용량을 크게 만드는) 공정 인자와 부정적인 영향을 미치는(예컨대, 설계 용량보다 실제 용량을 작게 만드는) 공정 인자를 찾아내고, 공정 인자들을 관리함으로써 생산 배터리 셀의 용량 품질을 개선하는데 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위한 일 실시예에 따른 배터리 셀 공정 데이터 분석 시스템은, 배터리 셀의 공정 데이터를 획득하는 공정 데이터 획득부; 상기 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 예측 용량 추정부; 상기 배터리 셀의 실제 용량을 측정하는 실제 용량 측정부; 및 상기 배터리 셀의 예측 용량과 상기 배터리 셀의 실제 용량의 차이를 계산하고, 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 컨트롤러를 포함한다.
일 실시예에 따르면, 상기 예측 용량 추정부는, 개별 모노 셀(mono cell)의 측정 수치에 기초하여 상기 모노 셀의 전극 크기를 계산하고, 상기 전극 크기 및 상기 전극에 적재된 전극 활물질량에 기초하여 복수의 모노 셀들이 적층된 배터리 셀의 예측 용량을 추정할 수 있다.
일 실시예에 따르면, 상기 컨트롤러는, 공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득하고, 제1 인공지능 모델을 이용하여, 상기 분포 데이터를 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 2 이상의 그룹으로 분류하고, 제2 인공지능 모델을 이용하여, 각 그룹에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 상기 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출할 수 있다.
일 실시예에 따르면, 상기 제2 인공지능 모델은, 2 이상의 공정 인자들에 대하여, 상기 공정 인자의 유무에 따른 상기 분포 데이터의 변화에 기초해 각 공정 인자의 중요도를 산출하도록 학습될 수 있다.
일 실시예에 따르면, 상기 컨트롤러는, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹으로 분류하고, 상기 제1 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정하고, 상기 제2 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정할 수 있다.
일 실시예에 따르면, 상기 배터리 셀의 공정 데이터는, 전극 공정, 조립 공정 및 활성화 공정 중 적어도 하나의 공정과 관련된 데이터를 포함하고, 상기 공정 데이터 획득부는, 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써 통합 공정 데이터를 생성하고, 상기 컨트롤러는, 상기 통합 공정 데이터를 이용하여 서로 다른 공정과 관련된 공정 인자들 중 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 결정할 수 있다.
상기 목적을 달성하기 위한 일 실시예에 따른 배터리 셀 공정 데이터 분석 방법은, 배터리 셀의 공정 데이터를 획득하는 단계; 상기 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 단계; 상기 배터리 셀의 실제 용량을 측정하는 단계; 상기 배터리 셀의 실제 용량과 예측 용량의 차이를 계산하는 단계; 및 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 단계를 포함한다.
일 실시예에 따르면, 상기 예측 용량을 추정하는 단계는, 개별 모노 셀(mono cell)의 측정 수치에 기초하여 상기 모노 셀의 전극 크기를 계산하는 단계; 및 상기 전극 크기 및 상기 전극에 적재된 전극 활물질량에 기초하여 복수의 개별 모노 셀들이 적층된 배터리 셀의 예측 용량을 추정하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 공정 인자를 결정하는 단계는, 공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득하는 단계; 제1 인공지능 모델을 이용하여, 상기 분포 데이터를 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 2 이상의 그룹으로 분류하는 단계; 및 제2 인공지능 모델을 이용하여, 각 그룹에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 상기 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 제2 인공지능 모델은, 미리 설정된 2 이상의 공정 인자들에 대하여, 상기 공정 인자의 유무에 따른 상기 분포 데이터의 변화에 기초해 각 공정 인자의 중요도를 산출하도록 학습될 수 있다.
일 실시예에 따르면, 상기 분포 데이터를 2 이상의 그룹으로 분류하는 단계에서, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹으로 분류하고, 상기 공정 인자를 결정하는 단계에서, 상기 제1 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정하고, 상기 제2 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정할 수 있다.
일 실시예에 따르면, 상기 배터리 셀의 공정 데이터는, 전극 공정, 조립 공정 및 활성화 공정 중 적어도 하나의 공정과 관련된 데이터를 포함하고, 상기 공정 데이터를 획득하는 단계에서, 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써 통합 공정 데이터를 생성하고, 상기 공정 인자를 결정하는 단계에서, 상기 통합 공정 데이터를 이용하여 서로 다른 공정과 관련된 공정 인자들 중 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 결정할 수 있다.
상기 실시예의 배터리 셀 공정 데이터 분석 시스템 및 방법에 따르면, 인공지능 기반 데이터 분석을 통해 배터리 셀의 용량에 영향을 미치는 공정 인자들을 찾아낼 수 있다. 또한, 키 인덱스(key index)를 사용하여 서로 다른 공정의 데이터를 연결함으로써 각각의 공정 단계에서 배터리 용량에 영향을 미치는 다수의 공정 인자들을 통합하여 관리할 수 있다.
나아가, 배터리 셀의 용량에 긍정적인 영향을 미치는(예컨대, 예측 용량보다 실제 용량을 크게 만드는) 공정 인자와 부정적인 영향을 미치는(예컨대, 예측 용량보다 실제 용량을 작게 만드는) 공정 인자를 찾아내고, 공정 인자들을 관리함으로써 생산 배터리 셀의 용량 품질을 개선할 수 있다.
이 외에도 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
본 문서에 개시된 실시예 또는 종래 기술의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 위한 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 도면의 일부 구성요소들에 대한 표현이 과장되거나 생략될 수 있다.
도 1은 다수의 배터리 셀에 대하여 계산된 예측 용량 대비 측정된 실제 용량의 예상 분포와 실제 분포를 나타낸 그래프이다.
도 2는 일 실시예에 따른 배터리 셀 공정 데이터 분석 시스템의 구성을 나타낸 블록도이다.
도 3은 배터리 셀의 제조 공정에 포함되는 여러 공정 단계의 공정 인자들이 완성된 배터리 셀의 용량에 영향을 미치는 것을 나타낸 모식도이다.
도 4는 배터리 셀의 제조 공정에 포함되는 여러 공정의 공정 데이터를 키 인덱스를 사용하여 연결하는 것을 나타낸 모식도이다.
도 5는 배터리 모노 셀의 예측 용량을 계산하기 위해 전극 크기를 측정하는 모습을 나타낸다.
도 6은 다수의 배터리 셀에 대하여 예측 용량 대비 측정된 실제 용량의 분포 데이터를 나타낸 그래프이다.
도 7은 일 실시예에 따른 인공지능 모델을 이용하여 배터리 셀의 용량 분포 데이터를 2개의 그룹으로 분류한 것을 나타낸다.
도 8은 일 실시예에 따른 인공지능 모델을 이용하여 배터리 셀의 용량 분포 데이터를 3개의 그룹으로 분류한 것을 나타낸다.
도 9는 일 실시예에 따른 배터리 셀 공정 데이터 분석 방법을 나타낸 흐름도이다.
도 10은 도 9의 공정 인자를 결정하는 단계를 보다 상세하게 나타낸 흐름도이다.
이하, 본 문서에 개시된 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에서 사용되는 용어는 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 명세서의 설명 부분에서 그 의미를 기재할 것이다. 따라서 본 문서에서 사용되는 용어는, 단순한 용어의 명칭이 아닌 그 용어가 가지는 실질적인 의미와 본 문서의 전반에 걸친 내용을 토대로 해석되어야 함을 밝혀두고자 한다. 또한, 본 문서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다.
본 문서에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 또한, 본 문서에서, "제1의", "제2의"와 같은 표현은 구성요소를 서로 구분하기 위해 사용한 것으로서 구성요소 간의 순위나 서열을 의미하는 것은 아니다.
이하에서는 도면을 참조하여 배터리 셀 공정 데이터 분석 시스템 및 이를 이용한 배터리 셀 공정 데이터 분석 방법의 바람직한 실시예들을 설명하도록 한다.
도 1은 다수의 배터리 셀에 대하여 예측 용량과 실제 용량을 측정하여 그 분포를 그래프로 나타낸 것인데, 도시된 것처럼 예상 분포에 따르면 예측 용량과 실제 용량이 선형적인 관계에 있으나, 실제로는 다양한 공정 인자가 미치는 영향으로 인해 보다 넓게 분포하는 경향이 있다. 즉, 실제 분포에서는 예상치 못한 공정 인자들의 영향으로 인해 측정된 실제 용량이 계산된 예측 용량에 비해 작거나(예상 분포 범위의 하단), 커질 수 있다(예상 분포 범위의 상단). 이러한 공정 인자들이 배터리 셀의 용량에 미치는 영향은 대체로 불규칙하고, 단일 공정이 아닌 여러 공정이 동시에 영향을 미치기 때문에 이들 간의 상관관계를 명확히 알아내기가 어려웠다.
도 2는 상기한 문제를 해결하기 위한 일 실시예에 따른 배터리 셀 공정 데이터 분석 시스템의 구성을 나타낸 블록도이다.
도 2를 참조하면, 실시예에 따른 배터리 셀 공정 데이터 분석 시스템(10)은, 공정 데이터 획득부(110), 예측 용량 추정부(120), 실제 용량 측정부(130) 및 컨트롤러(140)를 포함할 수 있다. 블록도에 도시된 구성요소들은 각각의 기능과 역할에 따라 구분된 것으로서, 각 블록이 반드시 독립된 하드웨어 또는 소프트웨어로 구현되어야 하는 것은 아니다. 예컨대, 구분된 구성요소들이 실제로는 하나의 장치 또는 프로그램으로 구현될 수 있으며, 또는 하나의 구성요소가 여러 장치 및 프로그램이 결합된 것으로 구현될 수도 있다.
공정 데이터 획득부(110)는 배터리 셀의 공정 데이터를 획득한다. 여기서 배터리 셀의 공정 데이터는, 전극 공정, 조립 공정, 활성화 공정 등 배터리 제조 공정에 포함되는 여러 공정과 관련된 데이터로서, 생산된 배터리 셀의 용량에 영향을 미치는 다수의 공정 인자(즉, 공정 변수)의 데이터를 포함할 수 있다. 예컨대, 전극 공정에서는 단위 면적 별 전극 물질의 적재량, 전극의 크기 및 두께 등이 공정 인자에 해당할 수 있고, 조립 공정에서는 양극, 분리막, 음극의 적재 방법 및 전해액의 양 등이 공정 인자에 해당할 수 있으며, 활성화 공정에서는 셀의 충방전 횟수, 충방전 시의 온도 및 압력 등이 공정 인자에 해당할 수 있다. 나열한 데이터 종류는 단지 예시에 불과하며 배터리 셀의 용량에 영향을 미칠 수 있는 공정 단계와 관련된 다양한 공정 데이터가 활용될 수 있다.
도 3은 배터리 셀의 제조 공정에 포함되는 여러 공정 단계의 공정 인자들이 완성된 배터리 셀의 용량에 영향을 미치는 것을 나타낸 모식도이다.
도 3을 참조하면, 배터리 셀의 용량을 결정하는데 있어서 다양한 공정(제1 공정 ~ 제3 공정)과 이들 공정에 관여하는 공정 인자들(공정 인자 1 ~ 공정 인자 6)이 영향을 미치게 된다. 이러한 공정 인자들 중 이론적으로 계산된 예측 용량 대비 실제 측정 용량의 차이에 큰 영향을 미치는 공정 인자(또는, 긍정적/부정적 영향을 미치는 공정 인자)를 찾아내기 위해, 공정 데이터 획득부(110)는 각 공정에서의 공정 데이터를 수집할 수 있다.
일 실시예에 따르면, 공정 데이터 획득부(110)는, 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써, 통합 공정 데이터를 생성할 수 있다. 종래에는 숙련된 엔지니어가 개인의 경험을 바탕으로 배터리 셀 용량에 영향을 미치는 설계 인자 또는 공정 인자를 직접 찾아내 관리하는 방식을 취했다. 이러한 방식은 비록 개별 공정(예컨대, 전극 공정, 조립 공정, 활성화 공정 중 하나의 공정)의 관리에는 효과가 있을지라도 여러 공정 단계의 공정 인자들 사이의 연관성을 파악하기는 어렵기 때문에 공정 단계가 복잡해질수록 효과적이지 않다. 즉, 일부 공정 인자들은 배터리 용량에 대한 독립 변수가 아닌 종속 변수로서 상호 영향을 미칠 수 있기 때문에, 여러 공정 단계의 공정 데이터를 통합하여 관리하는 것이 유리하다. 이를 위해 각 공정의 공정 데이터 간 연관성을 고려하여 이들 데이터를 연결할 필요가 있다.
도 4는 배터리 셀의 제조 공정에 포함되는 여러 공정의 공정 데이터를 키 인덱스를 사용하여 연결하는 것을 나타낸 모식도이다.
도 4를 참조하면, 복수의 배터리 셀들(AAA ~ ZZZ)에 대하여 제1 공정(예컨대, 전극 공정)의 공정 데이터(전극 1, 전극 2, ..., 전극 n), 제2 공정(예컨대, 조립 공정)의 공정 데이터(조립 1, 조립 2, ..., 조립 n), 제3 공정(예컨대 활성화 공정)의 공정 데이터(활성화 1, 활성화 2, ..., 활성화 n)를 각각 키 인덱스를 사용하여 연결하여 통합 공정 데이터를 생성한다. 이때, 키 인덱스는 각 공정 간의 연관성을 고려하여 설정될 수 있다.
키 인덱스는 공정에서 발생된 데이터의 형태에 따라 달라질 수 있다. 예컨대, 모노 셀 조립 공정의 경우 모노 셀 별로 ID가 부여되기 때문에, 복수 개의 모노 셀의 ID를 1개의 완성된 셀의 ID와 연결하는 키 인덱스를 설정할 수 있다. 이처럼 조립 공정의 경우 각 데이터가 불연속적으로 존재하므로 ID 추적을 통해 공정 간의 연결이 가능하다.
전극 공정의 경우 롤-투-롤(roll-to-roll) 공정에 의해 하나의 전극 ID 아래에 연속적인 시계열 데이터가 존재한다. 따라서 전극 공정과 조립 공정을 연결할 시에는, 조립 공정에 투입된 전극의 ID와 하나의 전극 ID 내에서 시간 순 또는 시간의 역순으로 데이터를 추적함으로써 공정 데이터를 상호 연결하는 것이 가능하다.
통합 공정 데이터는 후술할 인공지능 모델에 입력되고, 인공지능 모델은 통합 공정 데이터에 기초하여 배터리 셀의 용량에 중요한 영향을 미치는 공정 인자들을 결정할 수 있다. 이와 같이, 여러 공정 단계의 공정 데이터를 통합하여 관리함으로써 각 공정 인자가 배터리 용량에 미치는 영향을 손쉽고 정확하게 알아낼 수 있다.
예측 용량 추정부(120)는 상기 공정 데이터에 기초하여 배터리 셀의 예측 용량을 추정할 수 있다. 여기서, 예측 용량이란 배터리 셀의 설계 변수에 기초하여 계산된 이론적 최대 용량을 의미한다. 일 실시예에 따르면, 모노 셀(양극, 음극 및 분리막으로 구성된 단위 셀)의 표면 상하부를 촬영한 비전 데이터(vision data)로부터 전극 크기(예컨대, 양극 또는 음극의 크기)를 계산할 수 있고, 전극 크기 및 상기 전극에 적재된 전극 활물질량에 기초해 배터리 셀이 전기적으로 가질 수 있는 이론적 용량을 추정할 수 있다.
도 5는 배터리 모노 셀의 예측 용량을 계산하기 위해 전극 크기를 측정하는 모습을 나타낸다.
도 5를 참조하면, 모노 셀(20)은 양극(210) 및 음극(220), 그리고 양극과 음극을 분리하기 위해 중간에 삽입된 분리막(230)으로 구성된다. 모노 셀의 표면 상하부를 촬영한 비전 데이터를 이용하면, 양극(210)의 각 부분으로부터 분리막(230)의 끝에 이르기까지의 거리(도 5의 화살표 참조)를 알 수 있다. 분리막(230)의 가로 길이(W)는 설계 변수로서 이미 알려져 있기 때문에 분리막(230)의 가로 길이(W)에서 양극(210)과 분리막(230) 간의 가로 방향 거리(화살표 참조)를 빼면 양극(210)의 가로 길이를 계산할 수 있다. 마찬가지로, 분리막(230)의 세로 길이(H) 또한 설계 변수로서 이미 알려져 있기 때문에 분리막(230)의 세로 길이(H)에서 양극(210)과 분리막(230) 간의 세로 방향 거리(화살표 참조)를 빼면 양극(210)의 세로 길이를 계산할 수 있다.
이렇게 계산된 양극(210)의 가로 길이와 세로 길이로부터 양극의 크기를 계산할 수 있고, 단위 면적 당 활물질의 양을 대입하면 개별 모노 셀(20)의 이론적인 예측 용량을 계산할 수 있다. 나아가, 하나의 배터리 셀은 여러 모노 셀이 적층된 구조이므로, 각 모노 셀의 예측 용량을 모두 더하면 배터리 셀의 이론적인 예측 용량을 추정하는 것이 가능하다. 상술한 전극의 크기를 계산하는 방법은, 지정된 설계 변수를 고려하는 것으로 가정되었으나, 이는 예시일 뿐이다. 실시 예에 따라, 모노 셀의 표면 상하부를 촬영한 비전 데이터에서 이미지 처리 알고리즘을 이용하여 지정된 개체들(예: 양극, 음극, 분리막)을 식별하고, 식별된 개체들의 크기를 연산함으로써, 전극의 크기를 계산하는 방법이 고려될 수 있다.
일반적으로, 리튬 이온 전지에서 양극의 크기와 적재된 전극 활물질량에 의해 배터리 셀의 용량이 결정되므로 양극 크기를 활용하였으나 이에 한정되지 않는다. 예컨대, 설계에 따라서 음극 크기와 적재된 전극 활물질량에 의해 배터리 셀의 용량을 결정할 경우 예측 용량 추정부(120)는 음극(220)의 크기 및 이에 상당하는 전극 활물질량을 기초로 배터리 셀의 이론적 용량을 추정할 수 있다.
실제 용량 측정부(130)는 완성된 배터리 셀의 실제 용량을 측정한다. 배터리 셀의 용량 측정은 일반적으로 충방전 공정 이후에 셀의 전류 측정을 통해 수행될 수 있으나, 측정 시기와 방법에 대해서는 따로 한정하지 않는다.
컨트롤러(140)는 예측 용량 추정부(120)에 의해 추정된 배터리 셀의 예측 용량과 실제 용량 측정부(130)에 의해 측정된 배터리 셀의 실제 용량의 차이를 계산하며, 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정할 수 있다.
이를 위해, 컨트롤러(140)는 공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득한다.
도 6은 다수의 배터리 셀에 대하여 예측 용량 대비 측정된 실제 용량의 분포 데이터를 나타낸 그래프이다.
도 6을 참조하면, 그래프에서 가로 축은 모노 셀 비전 데이터에 기반하여 추정된 예측 용량을, 세로 축은 완성된 배터리 셀의 검사를 통해 측정된 실제 용량을 가리키며, 각각의 점들은 배터리 셀들의 예측 용량과 실제 용량을 나타낸다. 도시된 것처럼, 동일한 제조 공정을 거친 배터리 셀들이라 하더라도 모노 셀의 전극 크기에 따라 예측 용량이 상이할 뿐만 아니라, 여러 공정을 거치면서 다양한 영향을 미치는 공정 인자들로 인해 실제 용량 또한 크고 작은 오차를 가지게 된다. 특히, 예측 용량에 비해 실제 용량이 현저히 낮은 경우(즉, 그래프에서 상대적으로 하단에 위치한 점들) 제품의 품질 저하로 이어질 수 있으므로 이러한 결과에 영향을 미치는 공정 인자를 찾아내고 관리할 필요가 있다.
실제 용량과 예측 용량의 차이에 영향을 미치는 공정 인자를 결정하기 위해, 컨트롤러(140)는 클러스터링 알고리즘, 및/또는 제1 인공지능 모델을 이용하여 기 설정된 분류 기준에 따라(예컨대, 분포 데이터 상의 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라) 2 이상의 그룹으로 분류할 수 있다.
일 실시예에 따르면, 클러스터링 알고리즘은 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 알고리즘일 수 있다. 여기에서, DBSCAN 알고리즘은, 배터리 셀들의 예측 용량과 실제 용량을 나타내는 점들 각각으로부터 지정된 반경 이내에 지정된 개수의 점들이 포함되는지에 기초하여, 점들 각각을 코어 점(core point), 경계 점(border point), 또는 잡음 점(noise point)으로 구분하기 위한 알고리즘이다. 코어 점은 반경 이내에 지정된 개수 이상의 점들을 포함하는 점일 수 있다. 경계 점은 반경 이내에 지정된 개수 미만의 점들을 포함하되, 포함하는 점들에 코어 점을 포함되는 점일 수 있다. 잡음 점은 반경 이내에 지정된 개수 미만의 점들을 포함하고, 포함하는 점들에 코어 점이 포함되지 않는 점일 수 있다. 여기에서, 반경의 크기 및 개수는 사용자에 의해 사전 정의될 수 있다. 실시 예에 따르면, 분포 데이터 상의 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 분류되는 2 이상의 그룹들은 서로 다른 코어 점들 및 경계 점들로 구성되는 클러스터들일 수 있다. 또한, 잡음 점들은 2 이상의 그룹들에 포함되지 않을 수 있다. 도 7을 참조하면, 'GOOD'으로 분류된 점들은 코어 점들 및 경계 점들로 구성되는 제1 클러스터이고, 'NOT GOOD'으로 분류된 점들은 다른 코어 점들 및 다른 경계 점들로 구성되는 제2 클러스터일 수 있다. 여기에서, 제1 클러스터 및 제2 클러스터는 2 이상의 그룹들로도 지칭될 수 있다.
일 실시예에 따르면, 제1 인공지능 모델은 기계학습 기반 분류 모델로서, 분류 성능 향상을 위해 인접한 데이터를 불연속화 및/또는 분류할 수 있다. 예를 들어, 제1 인공지능 모델은 DBSCAN에 기반한 모델이 활용될 수 있으나 이에 한정되지 아니한다. 예를 들어, 제1 인공지능 모델이 DBSCAN에 기반하는 경우, 제1 인공지능 모델은 학습 데이터에 기초하여 지도 학습될 수 있다. 예를 들어, 제1 인공지능 모델이 출력하는 코어 점, 경계 점, 또는 잡음 점과 학습 데이터에 라벨링된 코어 점, 경계 점, 또는 잡음 점 간의 차이가 최소가 되도록 제1 인공지능 모델이 학습될 수 있다.
도 7은 일 실시예에 따른 인공지능 모델을 이용하여 배터리 셀의 용량 분포 데이터를 2개의 그룹으로 분류한 것을 나타낸다.
도 7에서 'GOOD'로 분류된 점들은 이론적으로 추정된 예측 용량과 실제 용량의 차이가 비교적 작은 배터리 셀들을 가리키며, 'NOT GOOD'로 분류된 점들은 예측 용량과 실제 용량의 차이가 비교적 큰 배터리 셀들을 가리킨다. 전술한 바와 같이, 예측 용량과 실제 용량의 차이가 큰 경우 제품의 품질 저하로 이어질 수 있으므로 이러한 결과에 영향을 미치는 공정 인자를 찾아내고 관리할 필요가 있다.
컨트롤러(140)는 제2 인공지능 모델을 이용하여, 각 그룹(예컨대, 'GOOD'으로 분류된 그룹 또는 'NOT GOOD'로 분류된 그룹)에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 각각의 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출할 수 있다.
일 실시예에 따르면, 제2 인공지능 모델은 미리 설정된 2 이상의 공정 인자들에 대하여, 공정 인자의 변화 또는 유무에 따른 상기 분포 데이터의 변화에 기초해 각 공정 인자의 중요도를 산출하도록 학습될 수 있다. 제2 인공지능 모델은 예컨대 앙상블 기반의 부스팅 기법을 활용한 모델(예: 경사 증가 분류기(gradient boost for classification), XGBoost(예: XGBClassifier, LightGBMClassifier) 등)에 기반할 수 있다. 여기에서, 앙상블은 복수의 모델들(예: 디시전 트리들)을 조합하여 예측 결과를 생성하는 기법일 수 있다.
일 실시 예에서, 제2 인공지능 모델은 복수의 공정 인자들 각각에 대한 디시전 트리들을 조합하여, 공정 인자들 간의 중요도를 파악할 수 있다. 여기에서, 디시전 트리들 각각은 하나의 디시전 노드에서 분기되는 두 개의 리프들(leaves)을 포함할 수 있다.
일 실시 예에서, 제2 인공지능 모델은, 최종 리프들에 분류된 배터리 셀들의 용량 차이와 해당 최종 리프의 예측 값 간의 차이 값(즉, 의사 잔차(pseudo-residual)(또는, 오차(error)) 값)이 최소가 되도록 학습될 수 있다. 여기에서, 제2 인공지능 모델은, 지정된 깊이의 디시전 트리들로 구성될 수 있다. 지정된 깊이는 8 내지 32 사이의 정수로 결정될 수 있다.
제2 인공지능 모델은 제1 내지 제3 공정의 공정 데이터를 입력 데이터로 활용하고, 용량 차이를 예측될 값으로 활용하여 학습될 수 있다. 제2 인공지능 모델은, 현재 디시전 트리의 리프들 각각의 의사 잔차 연산 과정, 현재 디시전 트리의 자식 디시전 트리 생성 과정, 및 자식 디시전 트리에 포함된 리프들 각각의 예측 값 생성 과정을 통해 학습될 수 있다.
리프들 각각은 의사 잔차(pseudo-residual)(또는, 오차(error)) 값을 나타낼 수 있다. 여기에서, n번째 디시전 트리의 리프들 각각의 의사 잔차는 n번째 디시전 트리의 리프들 각각에 분류된 배터리 셀들의 용량 차이와 이전 디시전 트리에서 결정된 예측 값(Pn-1) 간의 차이 값에 기초하여 연산될 수 있다.
n번째 디시전 트리의 리프들 각각의 의사 잔차에 기초하여, n번째 디시전 트리의 리프들 각각에 포함된 배터리 셀들의 용량 차이에 대한 예측 값이 연산될 수 있다. 초기 예측 값(P0)은, 전체 배터리 셀들의 용량 차이의 평균 값으로 설정될 수 있다. n번째 디시전 트리의 리프들 각각의 예측 값(Pn)은 이전 디시전 트리의 예측 값(Pn-1) 및 현재 디시전 트리의 자신의 리프의 출력 값(On)에 가중치(η(예: 0.1))를 곱한 값 간의 합산 값(Pn= Pn-1 + η* On) 수 있다. 여기에서, 현재 디시전 트리의 자신의 리프의 출력 값(On)은 자신의 리프에 포함된 배터리 셀들의 의사 잔차들에 기초하여 연산될 수 있다. 예를 들어, 출력 값(On)은 의사 잔차들의 평균 값일 수 있다. 즉, n번째 디시전 트리의 리프들 각각의 출력 값(On)은 n번째 디시전 트리의 리프들 각각에 포함된 배터리 셀들의 의사 잔차들의 합산 값(R = r1+r2+...+rM)을 해당 리프에 포함된 배터리 셀들의 개수(M)로 나눈 값(S=R/M)일 수 있다. 예를 들어, n번째 디시전 트리의 제1 리프의 출력 값과 제2 리프의 출력 값은 다를 수 있다.
이전 디시전 트리에서 분기되는 디시전 트리는 게인 값에 기초하여 결정될 수 있다. 예를 들어, 이전 디시전 트리에 포함되는 두 개의 리프들 각각에 대한 디시전 트리들이 게인 값에 기초하여 결정될 수 있다. 즉, 두 개의 리프들 각각에 대한 디시전 트리들은 다를 수 있다. 예를 들어, 이전 디시전 트리의 제1 리프의 디시전 트리 후보로서 공정 인자 2의 유무를 분류하는 후보 디시전 트리, 공정 인자 3의 유무를 분류하는 디시전 트리, ..., 공정 인자 N의 유무를 분류하는 디시전 트리 각각의 게인 값 중 가장 높은 게인 값을 가지는 디시전 트리가 이전 디시전 트리의 제1 리프에 대한 디시전 트리로 결정될 수 있다. 여기에서, 후보 디시전 트리들 각각의 게인 값은, 후보 디시전 트리들 각각의 유사도 점수에 기초하여 연산되고, 유사도 점수(S)는 각 디시전 트리에 포함된 리프들 각각에 포함된 배터리 셀들의 의사 잔차들의 합산 값(R = r1+r2+...+rM)의 제곱(R^2)을 배터리 셀들의 개수(M)로 나눈 값(S=R/M)일 수 있다. 여기에서, 하나의 디시전 트리의 유사도 점수는 제1 리프의 유사도 점수(S1) 및 제2 리프의 유사도 점수(S2)를 포함할 수 있다. 게인 값은, 제1 리프의 유사도 점수(S1) 및 제2 리프의 유사도 점수(S2)를 합산한 값에서 부모 노드의 유사도 점수를 뺀 값일 수 있다.
일 실시 예에서, 디시전 노드는 공정 인자들 각각의 유무를 분류하거나, 또는 공정 인자들 각각의 기준 값에 기초한 분류하여 배터리 셀들 각각들 두 개의 리프들 중 하나에 분류할 수 있다. 예를 들어, 제1 디시전 노드는 제1 공정에서 공정 인자 1의 유무를 질의할 수 있다. 그리고, 제1 디시전 노드는 제1 공정에서 공정 인자 1이 존재하는 Cell ID들을 해당 디시전 노드의 제1 리프에 할당하고, 제1 공정에서 공정 인자 1이 존재하지 않는 Cell ID들을 제1 디시전 노드의 제2 리프에 할당할 수 있다. 그리고, 제2 디시전 노드는 제1 공정에서 공정 인자 2의 유무를 질의할 수 있다. 그리고, 제2 디시전 노드는 제1 공정에서 공정 인자 2가 존재하는 Cell ID들을 제2 디시전 노드의 제1 리프에 할당하고, 제1 공정에서 공정 인자 2가 존재하지 않는 Cell ID들을 제2 디시전 노드의 제2 리프에 할당할 수 있다. 여기에서, 제1 디시전 노드와 제2 디시전 노드는 서로 연결될 수 있다. 예를 들어, 제1 디시전 노드의 제1 리프에 할당된 배터리 셀들에 대해 제2 디시전 노드의 판단 과정을 진행할 수 있다. 이 경우, 제1 디시전 노드는 제2 디시전 노드의 부모 노드, 또는 이전 노드일 수 있다.
일 실시 예에서, 제2 인공지능 모델은 2 이상의 그룹으로 분류되는 공정 데이터에 기반하여 순열 중요도(permutation importance) 기법을 통해 각 공정 인자의 중요도를 산출할 수 있다. 여기에서, 공정 인자의 중요도는 디시전 트리들 중 해당 공정 인자가 활용된 디시전 트리의 게인 값에 기반할 수 있다. 예를 들어, 제1 공정 인자의 유무를 질의하는 디시전 트리의 게인 값들의 합산 값이 제1 공정 인자의 중요도로 평가될 수 있다. 다만, 모델의 종류와 활용 방법은 예시에 불과하므로 이에 한정되지 아니한다.
예컨대, 제2 인공지능 모델은 공정 데이터 중 공정 인자 1의 개입을 제외하고 계산한 용량 차이(예측 용량과 실제 용량의 차이)를, 공정 인자 2의 개입을 제외하고 계산한 용량 차이와 비교하여, 공정 인자 1과 공정 인자 2 중 어떤 인자가 예측 용량과 실제 용량 차이에 미친 영향이 더 큰지 알아낼 수 있다. 이러한 방식에 따라 공정 데이터에 포함된 모든 공정 인자들과 해당 공정 인자의 개입 유무에 따른 용량 차이(분포 데이터)를 비교함으로써 각 공정 인자의 중요도를 산출하는 것이 가능하다.
이처럼, 컨트롤러(140)는 인공지능 모델을 이용하여 산출한 각 공정 인자의 중요도를 기초로 배터리 셀의 용량에 영향을 미치는 공정 인자를 결정할 수 있다. 공정 인자가 결정되면, 적절한 피드백을 통해 해당 공정 인자를 제어함으로써 배터리 셀의 용량 품질을 향상시킬 수 있다.
추가적인 실시예에 따르면, 컨트롤러(140)는 배터리 셀의 예측 용량 대비 실제 용량의 분포 데이터를 3개 이상의 그룹으로 분류할 수 있다. 분포 데이터를 2개의 그룹으로 분류한 도 7과 달리, 도 8은 일 실시예에 따른 인공지능 모델을 이용하여 배터리 셀의 용량 분포 데이터를 3개의 그룹('GOOD', 'OK', 'NOT GOOD')으로 분류한 것을 나타낸다.
구체적으로, 컨트롤러(140)는 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹인 'GOOD'으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹인 'NOT GOOD'으로 분류하고, 그 외의 경우에는 'OK'로 분류할 수 있다.
여기서, 제1 그룹('GOOD')에 속하는 배터리 셀은 이론적인 예측 용량보다 실제 용량이 크기 때문에 상대적으로 품질이 우수한 것으로 볼 수 있다. 따라서 컨트롤러(140)는 제1 그룹에 속하는 분포 데이터에 대해서는 배터리 셀의 용량 차이에 중요한 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정할 수 있다. 반대로, 제2 그룹('NOT GOOD')에 속하는 배터리 셀은 이론적인 예측 용량보다 실제 용량이 작기 때문에 상대적으로 품질이 낮은 것으로 볼 수 있다. 따라서 컨트롤러(140)는 제2 그룹에 속하는 분포 데이터에 대해서는 배터리 셀의 용량 차이에 중요한 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정할 수 있다. 나아가, 후속 배터리 제조 공정에서 긍정적 공정 인자의 영향을 증가시키고, 부정적 공정 인자의 영향을 감소시킴으로써 배터리 셀 용량 품질 향상을 도모할 수 있다.
도 9는 일 실시예에 따른 배터리 셀 공정 데이터 분석 방법을 나타낸 흐름도이다. 실시예의 방법의 각 단계는 도 1을 참조하여 설명한 배터리 셀 공정 데이터 분석 시스템(10)의 구성요소들, 즉 공정 데이터 획득부(110), 예측 용량 추정부(120), 실제 용량 측정부(130), 및 컨트롤러(140) 중 하나 또는 이들의 조합에 의해 수행될 수 있으나, 본 방법을 수행하기 위해 상기 시스템(10)이 필수적인 것은 아니다.
도 9를 참조하면, 먼저 배터리 셀의 공정 데이터를 획득하는 단계(S100)를 수행한다. 일 실시예에 따르면, 상기 배터리 셀의 공정 데이터는 전극 공정, 조립 공정 및 활성화 공정 등 배터리 제조 공정에 포함되는 여러 공정과 관련된 데이터를 포함할 수 있다.
또한, 상기 단계(S100)에서 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써 통합 공정 데이터를 생성할 수 있고, 상기 통합 공정 데이터를 이용하여 서로 다른 공정과 관련된 공정 인자들 중 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 결정할 수 있다. 이처럼 여러 공정 단계의 공정 데이터를 통합하여 관리함으로써 각 공정 인자가 배터리 용량에 미치는 영향을 손쉽고 정확하게 알아낼 수 있다.
이어서, 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 단계(S200)를 수행한다. 예측 용량이란 배터리 셀의 설계 변수에 기초하여 계산된 이론적 최대 용량을 의미한다. 일 실시예에 따르면, 상기 단계(S200)는 개별 모노 셀(mono cell)의 측정 수치에 기초하여 상기 모노 셀의 전극 크기를 계산하는 단계, 상기 전극의 크기 및 상기 전극에 적재된 전극 활물질량에 기초하여 복수의 개별 모노 셀들이 적층된 배터리 셀의 예측 용량을 추정하는 단계를 포함할 수 있다. 구체적으로, 모노 셀(양극, 음극 및 분리막으로 구성된 단위 셀)의 표면 상하부를 촬영한 비전 데이터(vision data)로부터 전극 크기(예컨대, 양극 또는 음극의 크기)를 계산할 수 있고, 이에 기초해 배터리 셀이 전기적으로 가질 수 있는 이론적 용량을 추정할 수 있다. 모노 셀의 비전 데이터로부터 양극 크기를 계산하는 과정은 도 5를 참조하여 전술한 바와 같다. 또한, 전술하였듯이 설계에 따라서는 음극의 크기 및 이에 상당하는 전극 활물질량을 기초로 배터리 셀의 이론적 용량을 추정할 수 있다.
이어서, 완성된 배터리 셀의 실제 용량을 측정하는 단계(S300)를 수행한다. 전술하였듯이, 배터리 셀의 용량 측정은 일반적으로 충방전 공전 이후에 셀의 전류 측정을 통해 수행될 수 있으나, 측정 시기와 방법에 대해서는 따로 한정하지 않는다.
이어서, 상기 배터리 셀의 실제 용량과 예측 용량의 차이를 계산하는 단계(S400)를 수행한다. 계산된 용량 차이 값은 다음 단계에서 배터리 셀 용량의 차이에 영향을 미치는 주요 공정 인자들을 결정하기 위해 활용될 수 있다.
이어서, 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 단계(S500)를 수행한다. 동일한 제조 공정을 거친 배터리 셀들이라 하더라도 모노 셀의 전극 크기나 적재된 전극 활물질량에 따라 예측 용량이 상이할 뿐만 아니라, 여러 공정을 거치면서 다양한 영향을 미치는 공정 인자들로 인해 실제 용량 또한 크고 작은 오차를 가지게 된다. 특히, 예측 용량에 비해 실제 용량이 현저히 낮은 경우 제품의 품질 저하로 이어질 수 있으므로 이러한 결과에 영향을 미치는 공정 인자를 찾아내고 관리할 필요가 있다.
도 10은 도 9에서 공정 인자를 결정하는 단계를 보다 상세하게 나타낸 흐름도이다.
도 10을 참조하면, 상기 단계(S500)는, 공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득하는 단계(S510), 제1 인공지능 모델을 이용하여 분포 데이터를 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 2 이상의 그룹으로 분류하는 단계(S520), 및 제2 인공지능 모델을 이용하여 각 그룹에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 각각의 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출하는 단계(S530)를 포함할 수 있다.
일 실시예에 따르면, 제1 인공지능 모델은 기계학습 기반 분류 모델로서, 분류 성능 향상을 위해 인접한 데이터를 불연속화할 수 있다. 예를 들어, DBSCAN이 활용될 수 있으나 이에 한정되지 아니한다. 또한, 제2 인공지능 모델은 미리 설정된 2 이상의 공정 인자들에 대하여 공정 인자의 변화에 따른 상기 분포 데이터의 변화의 정도에 기초해 각 공정 인자의 중요도를 산출하도록 학습될 수 있다. 더욱 상세하게는, 공정 데이터에 포함된 모든 공정 인자들과 해당 공정 인자의 개입 유무에 따른 용량 차이(분포 데이터)를 비교함으로써 각 공정 인자의 중요도를 산출할 수 있다. 제2 인공지능 모델은 예컨대 XGBClassifier, LightGBMClassifier 등의 분류 모델을 활용하여 2 이상의 그룹으로 분류되는 공정 데이터를 찾아내고, 순열 중요도(permutation importance) 기법을 통해 각 공정 인자의 중요도를 산출할 수 있다. 다만, 모델의 종류와 활용 방법은 예시에 불과하므로 이에 한정되지 아니한다.
이처럼, 인공지능 모델을 이용하여 산출한 각 공정 인자의 중요도를 기초로 배터리 셀의 용량에 영향을 미치는 공정 인자를 결정할 수 있고, 나아가 적절한 피드백을 통해 해당 공정 인자를 제어함으로써 배터리 셀의 용량 품질을 향상시킬 수 있다.
추가적인 실시예에 따르면, 상기 분포 데이터를 2 이상의 그룹으로 분류하는 단계(S520)에서, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹(예컨대, 도 8의 'GOOD'에 속하는 그룹)으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹(예컨대, 도 8의 'NOT GOOD'에 속하는 그룹)으로 분류할 수 있다.
단계(S520)의 분류 결과를 기초로, 공정 인자를 결정하는 단계(S500)에서, 제1 그룹(예컨대, 도 8의 'GOOD'에 속하는 그룹)에 속하는 분포 데이터에 대해 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정하고, 제2 그룹(예컨대, 도 8의 'NOT GOOD'에 속하는 그룹)에 속하는 분포 데이터에 대해 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정할 수 있다. 나아가, 후속 배터리 제조 공정에서 긍정적 공정 인자의 영향을 증가시키고, 부정적 공정 인자의 영향을 감소시킴으로써 배터리 셀 용량 품질 향상을 도모할 수 있다.
상기한 실시예에 따른 배터리 셀 데이터 분석 방법은, 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
이상의 실시예들에 따르면, 인공지능 기반 데이터 분석을 통해 배터리 셀의 용량에 영향을 미치는 공정 인자들을 찾아낼 수 있는 배터리 셀 공정 데이터 분석 시스템 및 방법이 제공된다. 또한, 키 인덱스(key index)를 사용하여 서로 다른 공정의 데이터를 연결함으로써 각각의 공정 단계에서 배터리 용량에 영향을 미치는 다수의 공정 인자들을 통합하여 관리할 수 있다.
제안된 시스템 및 방법을 활용하면, 배터리 셀의 용량에 긍정적인 영향을 미치는(즉, 예측 용량보다 실제 용량을 크게 만드는) 공정 인자와 부정적인 영향을 미치는(즉, 예측 용량보다 실제 용량을 작게 만드는) 공정 인자를 찾아내고, 공정 인자들을 관리함으로써 생산 배터리 셀의 용량 품질을 개선할 수 있다.
이상의 설명은 본 문서에 개시된 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 문서에 개시된 실시예들의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 문서에 개시된 실시예들은 본 문서에 개시된 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 문서에 개시된 기술 사상의 범위가 한정되는 것은 아니다. 본 문서에 개시된 기술 사상의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 문서의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (12)

  1. 배터리 셀의 공정 데이터를 획득하는 공정 데이터 획득부;
    상기 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 예측 용량 추정부;
    상기 배터리 셀의 실제 용량을 측정하는 실제 용량 측정부; 및
    상기 배터리 셀의 예측 용량과 상기 배터리 셀의 실제 용량의 차이를 계산하고, 학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 컨트롤러를 포함하는, 배터리 셀 공정 데이터 분석 시스템.
  2. 청구항 1에 있어서,
    상기 예측 용량 추정부는, 개별 모노 셀(mono cell)의 측정 수치에 기초하여 상기 모노 셀의 전극 크기를 계산하고, 상기 전극 크기 및 상기 전극에 적재된 전극 활물질량에 기초하여 복수의 모노 셀들이 적층된 배터리 셀의 예측 용량을 추정하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 시스템.
  3. 청구항 1에 있어서,
    상기 컨트롤러는, 공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득하고,
    제1 인공지능 모델을 이용하여, 상기 분포 데이터를 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 2 이상의 그룹으로 분류하고,
    제2 인공지능 모델을 이용하여, 각 그룹에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 상기 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 시스템.
  4. 청구항 3에 있어서,
    상기 제2 인공지능 모델은, 2 이상의 공정 인자들에 대하여, 상기 공정 인자의 유무에 따른 상기 분포 데이터의 변화에 기초해 각 공정 인자의 중요도를 산출하도록 학습되는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 시스템.
  5. 청구항 4에 있어서,
    상기 컨트롤러는, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹으로 분류하고,
    상기 제1 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정하고, 상기 제2 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 시스템.
  6. 청구항 1에 있어서,
    상기 배터리 셀의 공정 데이터는, 전극 공정, 조립 공정 및 활성화 공정 중 적어도 하나의 공정과 관련된 데이터를 포함하고,
    상기 공정 데이터 획득부는, 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써 통합 공정 데이터를 생성하고,
    상기 컨트롤러는, 상기 통합 공정 데이터를 이용하여 서로 다른 공정과 관련된 공정 인자들 중 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 결정하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 시스템.
  7. 배터리 셀의 공정 데이터를 획득하는 단계;
    상기 공정 데이터에 기초하여 상기 배터리 셀의 예측 용량을 추정하는 단계;
    상기 배터리 셀의 실제 용량을 측정하는 단계;
    상기 배터리 셀의 실제 용량과 예측 용량의 차이를 계산하는 단계; 및
    학습된 인공지능 모델을 이용하여 상기 용량의 차이에 영향을 미치는 공정 인자를 결정하는 단계를 포함하는, 배터리 셀 공정 데이터 분석 방법.
  8. 청구항 7에 있어서,
    상기 예측 용량을 추정하는 단계는,
    개별 모노 셀(mono cell)의 측정 수치에 기초하여 상기 모노 셀의 전극 크기를 계산하는 단계; 및
    상기 전극 크기 및 상기 전극에 적재된 전극 활물질량에 기초하여 복수의 개별 모노 셀들이 적층된 배터리 셀의 예측 용량을 추정하는 단계를 포함하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 방법.
  9. 청구항 8에 있어서,
    상기 공정 인자를 결정하는 단계는,
    공정을 거쳐 제조된 다수의 배터리 셀들에 대하여 예측 용량 대비 실제 용량의 분포 데이터를 획득하는 단계;
    제1 인공지능 모델을 이용하여, 상기 분포 데이터를 배터리 셀의 예측 용량 대비 실제 용량의 크기에 따라 2 이상의 그룹으로 분류하는 단계; 및
    제2 인공지능 모델을 이용하여, 각 그룹에 속하는 분포 데이터와 이에 대응하는 배터리 셀의 공정 데이터를 분석함으로써, 상기 공정 인자가 상기 배터리 셀의 용량에 미치는 영향을 나타내는 중요도를 산출하는 단계를 포함하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 방법.
  10. 청구항 9에 있어서,
    상기 제2 인공지능 모델은, 미리 설정된 2 이상의 공정 인자들에 대하여, 상기 공정 인자의 유무에 따른 상기 분포 데이터의 변화에 기초해 각 공정 인자의 중요도를 산출하도록 학습되는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 방법.
  11. 청구항 10에 있어서,
    상기 분포 데이터를 2 이상의 그룹으로 분류하는 단계에서, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제1 임계치 이상인 경우 상기 분포 데이터를 제1 그룹으로 분류하고, 입력된 배터리 셀의 예측 용량 대비 실제 용량의 크기가 제2 임계치 이하인 경우 상기 분포 데이터를 제2 그룹으로 분류하고,
    상기 공정 인자를 결정하는 단계에서, 상기 제1 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 긍정적 공정 인자로서 결정하고, 상기 제2 그룹에 속하는 분포 데이터에 대해 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 부정적 공정 인자로서 결정하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 방법.
  12. 청구항 7에 있어서,
    상기 배터리 셀의 공정 데이터는, 전극 공정, 조립 공정 및 활성화 공정 중 적어도 하나의 공정과 관련된 데이터를 포함하고,
    상기 공정 데이터를 획득하는 단계에서, 키 인덱스(key index)를 사용하여 서로 다른 공정과 관련된 각각의 공정 데이터를 연결함으로써 통합 공정 데이터를 생성하고,
    상기 공정 인자를 결정하는 단계에서, 상기 통합 공정 데이터를 이용하여 서로 다른 공정과 관련된 공정 인자들 중 상기 배터리 셀의 예측 용량과 실제 용량의 차이에 영향을 미치는 공정 인자를 결정하는 것을 특징으로 하는, 배터리 셀 공정 데이터 분석 방법.
PCT/KR2023/003955 2022-03-25 2023-03-24 배터리 셀 공정 데이터 분석 시스템 및 방법 WO2023182860A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0037600 2022-03-25
KR1020220037600A KR20230139227A (ko) 2022-03-25 2022-03-25 배터리 셀 공정 데이터 분석 시스템 및 방법

Publications (1)

Publication Number Publication Date
WO2023182860A1 true WO2023182860A1 (ko) 2023-09-28

Family

ID=88101896

Family Applications (1)

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

Country Status (2)

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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090020362A (ko) * 2007-08-23 2009-02-26 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
KR20130113296A (ko) * 2012-04-05 2013-10-15 삼성에스디아이 주식회사 배터리의 수명 예측 시스템
JP2019102186A (ja) * 2017-11-29 2019-06-24 株式会社カネカ 二次電池製造システム
KR20190100500A (ko) * 2018-02-06 2019-08-29 주식회사 엘지화학 빅데이터 기반 이차 전지 활성화 시스템 및 이를 이용한 이차 전지의 활성화 방법
KR20200119383A (ko) * 2019-03-26 2020-10-20 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090020362A (ko) * 2007-08-23 2009-02-26 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
KR20130113296A (ko) * 2012-04-05 2013-10-15 삼성에스디아이 주식회사 배터리의 수명 예측 시스템
JP2019102186A (ja) * 2017-11-29 2019-06-24 株式会社カネカ 二次電池製造システム
KR20190100500A (ko) * 2018-02-06 2019-08-29 주식회사 엘지화학 빅데이터 기반 이차 전지 활성화 시스템 및 이를 이용한 이차 전지의 활성화 방법
KR20200119383A (ko) * 2019-03-26 2020-10-20 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법

Also Published As

Publication number Publication date
KR20230139227A (ko) 2023-10-05

Similar Documents

Publication Publication Date Title
Jinlei et al. A novel active equalization method for series-connected battery packs based on clustering analysis with genetic algorithm
CN106842045B (zh) 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统
CN111474490B (zh) 一种梯次利用电池快速筛选方法
WO2018190508A1 (ko) 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법
WO2013051828A2 (ko) 배터리 관리 시스템 및 배터리 관리 방법
WO2021125676A1 (ko) 배터리 진단 장치 및 방법
WO2020262787A1 (ko) 내부 단락 셀 검출 방법
CN113794254B (zh) 一种热管理策略配置方法、装置、计算机设备和存储介质
WO2021006566A1 (ko) 배터리 셀 진단 장치 및 방법
CN113128672B (zh) 一种基于迁移学习算法的锂离子电池组soh估计方法
CN116449218B (zh) 一种锂电池健康状态的估计方法
WO2022035153A1 (ko) 배터리 용량 추정 장치 및 방법
WO2020189998A1 (ko) 배터리 뱅크 제어 장치 및 방법
WO2022149824A1 (ko) 배터리 관리 장치 및 방법
Bai et al. Study on distributed lithium-ion power battery grouping scheme for efficiency and consistency improvement
WO2023182860A1 (ko) 배터리 셀 공정 데이터 분석 시스템 및 방법
WO2017074153A1 (ko) 연료전지 시스템 및 이의 제어방법
WO2023075415A1 (ko) 배터리 수명 예측 방법 및 이러한 방법을 수행하는 장치
Wang et al. A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points
WO2023106729A1 (ko) 저전압 불량 전지의 선별 방법
WO2022149822A1 (ko) 배터리 관리 장치 및 방법
WO2022035151A1 (ko) 배터리 이상 진단 장치 및 방법
CN116068402A (zh) 新能源汽车锂电池状态预测方法、装置、设备及存储介质
CN115800433A (zh) 电池组一致性评估与等级评价方法及装置
WO2023106583A1 (ko) 충전 프로토콜 검사 장치 및 그것의 동작 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: 23775355

Country of ref document: EP

Kind code of ref document: A1