WO2023211055A1 - 예측 제어 장치 및 그의 동작 방법 - Google Patents

예측 제어 장치 및 그의 동작 방법 Download PDF

Info

Publication number
WO2023211055A1
WO2023211055A1 PCT/KR2023/005370 KR2023005370W WO2023211055A1 WO 2023211055 A1 WO2023211055 A1 WO 2023211055A1 KR 2023005370 W KR2023005370 W KR 2023005370W WO 2023211055 A1 WO2023211055 A1 WO 2023211055A1
Authority
WO
WIPO (PCT)
Prior art keywords
slurry
data
control value
processor
control device
Prior art date
Application number
PCT/KR2023/005370
Other languages
English (en)
French (fr)
Inventor
민지홍
최창락
서영대
이성진
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 WO2023211055A1 publication Critical patent/WO2023211055A1/ko

Links

Images

Classifications

    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M4/00—Electrodes
    • H01M4/02—Electrodes composed of, or comprising, active material
    • H01M4/04—Processes of 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
    • H01M4/00—Electrodes
    • H01M4/02—Electrodes composed of, or comprising, active material
    • H01M4/04—Processes of manufacture in general
    • H01M4/0402—Methods of deposition of the material
    • H01M4/0409—Methods of deposition of the material by a doctor blade method, slip-casting or roller coating
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • Embodiments disclosed in this document relate to a predictive control device and a method of operating the same.
  • the secondary battery is a battery capable of charging and discharging, and includes both conventional Ni/Cd batteries, Ni/MH batteries, etc., and recent lithium ion batteries.
  • lithium-ion batteries have the advantage of having much higher energy density than conventional Ni/Cd batteries, Ni/MH batteries, etc.
  • lithium-ion batteries can be made small and lightweight, so they are used as a power source for mobile devices. Recently, their range of use has expanded to a power source for electric vehicles, and they are attracting attention as a next-generation energy storage medium.
  • the slurry In order for the electrode assembly in such a lithium ion battery to have maximum charging capacity, the slurry must be formed to an even thickness on the opposing side of the electrode. Therefore, the problem of adjusting uniform coating thickness to realize high-quality, high-efficiency products has recently emerged as an important technical issue.
  • a predictive control device includes a data acquisition unit that acquires data related to the base material on which slurry is loaded using a coating die, and slurry loading characteristics based on the data. Analyze and derive candidate control values including slurry temperature in response to the analysis results of the slurry loading characteristics, predict quality for the candidate control values using a predictive model, and determine optimal control values based on the quality. It may include a processor that derives the data.
  • the prediction model may be modeled by learning the correlation between the slurry temperature and the slurry loading characteristics.
  • the data includes slurry loading amount data of the substrate, and the processor may analyze slurry loading amount uniformity based on the slurry loading amount data.
  • the slurry loading amount data may include central loading amount data and left and right holding portion loading amount data.
  • the processor may control the slurry temperature using the optimal control value.
  • the data acquisition unit acquires second data about the substrate after the processor adjusts the slurry temperature, and the processor determines whether a mismatch occurs based on the second data, Deriving a second candidate control value including slurry pump RPM or die gap in response to the mismatch occurrence, predicting a second quality for the second candidate control value using a second prediction model, A second optimal control value can be derived based on the second quality.
  • the second data includes image data obtained by converting the width of the holding portion of the substrate and the width of the uncoated portion of the substrate into an image, and the processor determines whether the mismatch occurs based on the image data. You can judge.
  • the processor may adjust the slurry pump RPM or the die spacing using the second optimal control value.
  • a method of operating a predictive control device includes obtaining data related to a base material on which slurry is loaded using a coating die, and determining slurry loading characteristics based on the data. Analyzing, deriving a candidate control value including slurry temperature in response to the analysis results of the slurry loading characteristics, and predicting quality for the candidate control value using a prediction model, and determining an optimal quality based on the quality. It may include deriving a control value.
  • the prediction model may be modeled by learning the correlation between the slurry temperature and the slurry loading characteristics.
  • the data includes slurry loading amount data of the substrate, and may further include analyzing slurry loading amount uniformity based on the slurry loading amount data.
  • the slurry loading amount data may include central loading amount data and left and right holding portion loading amount data.
  • the step of adjusting the slurry temperature using the optimal control value may be further included.
  • obtaining second data about the substrate after adjusting the slurry temperature determining whether a mismatch occurs based on the second data, and slurry pumping in response to the mismatch occurring.
  • Deriving a second candidate control value including RPM or die spacing, predicting a second quality for the second candidate control value using a second prediction model, and based on the second quality This may include deriving a second optimal control value.
  • the second data includes image data obtained by converting the width of the holding portion of the substrate and the width of the uncoated portion of the substrate into an image, and determining whether the mismatch has occurred based on the image data. may further include.
  • the step of adjusting the slurry pump RPM or the die gap using the second optimal control value may be further included.
  • the predictive control device can automate real-time correction work in the coating process to achieve uniform quality coating regardless of the operator's skill level.
  • the predictive control device may perform corrections for die spacing and/or slurry pump revolutions per minute (RPM), as well as the temperature of the slurry.
  • RPM revolutions per minute
  • FIG. 1A is a diagram showing a predictive control system according to an embodiment disclosed in this document.
  • 1B is a diagram illustrating a prediction model according to an embodiment disclosed in this document.
  • Figure 2 is a block diagram showing a prediction control device according to an embodiment disclosed in this document.
  • Figure 3 is a diagram for explaining slurry loading characteristics referred to various embodiments disclosed in this document.
  • FIG. 4 is a diagram showing control factors and key quality factors referenced in various embodiments disclosed herein.
  • Figure 5 is a diagram showing candidate control values derived by a predictive control device according to an embodiment disclosed in this document.
  • FIG. 6 is a diagram illustrating an operation of a predictive control device deriving an optimal control value from candidate control values according to an embodiment disclosed in this document.
  • Figure 7 is a diagram for explaining a method of determining whether a mismatch has occurred according to an embodiment disclosed in this document.
  • FIG. 8 is a diagram showing a second candidate control value derived by a predictive control device according to an embodiment disclosed in this document.
  • FIG. 9 is a diagram illustrating an operation of a predictive control device according to an embodiment disclosed in this document to derive a second optimal control value from second candidate control values.
  • 10 and 11 are flowcharts showing a method of operating a prediction control device according to an embodiment disclosed in this document.
  • a or B “at least one of A and B”, “at least one of A or B”, “A, B or C”, “at least one of A, B and C”, and “A
  • Each of phrases such as “at least one of , B, or C” may include any one of the items listed together in the corresponding phrase, or any possible combination thereof.
  • Terms such as “first”, “second”, “first”, “second”, “A”, “B”, “(a)” or “(b)” simply refer to one element as another corresponding element. It can be used to distinguish between and, unless specifically stated to the contrary, does not limit the components in other respects (e.g., importance or order).
  • one (e.g. first) component is referred to as “connected” or “coupled” to another (e.g. second) component, with or without the terms “functionally” or “communicatively”.
  • “ or “connected,” or “coupled,” or “connected,” means that any component is connected to another component directly (e.g., wired), wirelessly, or via a third component. This means that it can be connected through.
  • methods according to various embodiments disclosed in this document may be included and provided in a computer program product.
  • Computer program products are commodities and can be traded between sellers and buyers.
  • a computer program product may be distributed on a machine-readable storage medium (e.g. compact disc read only memory (CD-ROM)) or distributed online, directly through an application store or between two user devices (e.g. : can be downloaded or uploaded).
  • a machine-readable storage medium e.g. compact disc read only memory (CD-ROM)
  • CD-ROM compact disc read only memory
  • two user devices e.g. : can be downloaded or uploaded.
  • at least a portion of the computer program product may be at least temporarily stored or temporarily created in a machine-readable storage medium, such as the memory of a manufacturer's server, an application store's server, or a relay server.
  • each component (e.g., module or program) of the above-described components may include a single or plural entity, and some of the plurality of entities may be separately placed in other components. there is.
  • one or more of the components or operations described above may be omitted, or one or more other components or operations may be added.
  • multiple components eg, modules or programs
  • the integrated component may perform one or more functions of each component of the plurality of components in the same or similar manner as those performed by the corresponding component of the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component may be executed sequentially, in parallel, iteratively, or heuristically, or one or more of the operations may be executed in a different order, or omitted. Alternatively, one or more other operations may be added.
  • FIG. 1A is a diagram showing a predictive control system according to an embodiment disclosed in this document.
  • 1B is a diagram illustrating a prediction model according to an embodiment disclosed in this document.
  • the predictive control system may include a predictive control device 100, a predictive model 200, and a user terminal 300.
  • this corresponds to an embodiment for achieving the purpose of the present invention, and some components may be added or deleted as needed.
  • each component of the predictive control system shown in FIG. 1A represents functional elements that are functionally distinct, and a plurality of components may be integrated into each other in an actual physical environment.
  • the predictive control device 100 is a computing device that provides machine learning-based predictive control to multiple users.
  • computing devices may include laptops, desktops, laptops, high-performance server computing devices, etc. However, it is not limited to this, and computing devices may include all types of devices equipped with computing functions and communication functions.
  • Predictive control may refer to a predictive control service for automatic correction of the electrode coating process provided by the predictive control device 100 based on a machine learning model.
  • the predictive control may include a predictive control service for automatic correction for mismatch and/or depending on slurry loading characteristics of the electrode coating process.
  • the slurry loading characteristics may include slurry loading amount uniformity.
  • Slurry may refer to a mixture of solid and liquid or a composition in which fine solid powder particles are suspended in a liquid solvent.
  • slurry may refer to a composition for forming an electrode. Mismatching may mean that the width and/or loading amount of the slurry sprayed on the opposite side of the electrode is not uniform.
  • the prediction control device 100 may receive data input from the user terminal 300.
  • the data may include slurry loading data related to the loading amount of slurry applied to the base material.
  • the data may include preprocessed slurry loading data.
  • the slurry loading amount data may include central loading amount data and left and right holding portion loading amount data. The central loading amount data and the left and right holding portion loading amount data are explained in detail in FIG. 3.
  • the predictive control device 100 may analyze slurry loading characteristics based on data input from the user terminal 300.
  • the slurry loading characteristics may include slurry loading amount uniformity.
  • the predictive control device 100 may derive an optimal control value from a plurality of candidate control values for correcting the slurry temperature in response to the analysis result of the slurry loading characteristics.
  • candidate control values may include slurry temperature.
  • the predictive control apparatus 100 may predict the quality of a plurality of candidate control values using the prediction model 200.
  • the prediction model 200 may be modeled by learning the correlation between slurry temperature and slurry loading characteristics.
  • the predictive control apparatus 100 may predict the quality of a plurality of candidate control values using the prediction model 200 and derive an optimal control value based on the predicted quality.
  • the predictive control device 100 may control the slurry temperature using the derived optimal control value.
  • the prediction control device 100 may receive second data from the user terminal 300.
  • the second data may refer to data regarding the substrate after the slurry temperature has been adjusted.
  • the second data may include data about the width of the holding portion and/or the width of the uncoated portion of the substrate.
  • data on the width of the holding portion and/or the width of the uncoated portion of the substrate may correspond to image data converted into an image.
  • the prediction control device 100 may determine whether a miss match has occurred based on the second data. When a mismatch occurs, the predictive control device 100 may derive a second optimal control value from a plurality of second candidate control values for correcting the mismatch.
  • the second candidate control value may include slurry pump revolutions per minute (RPM) or die spacing.
  • the prediction control apparatus 100 may predict the second quality for a plurality of second candidate control values using the second prediction model.
  • the prediction model 200 may include a second prediction model.
  • the predictive control device 100 may predict the second quality of a plurality of second candidate control values using a second prediction model and derive a second optimal control value based on the predicted second quality.
  • the predictive control device 100 may adjust the slurry pump RPM or die spacing using the derived second optimal control value.
  • the prediction model 200 may refer to a machine learning model that calculates a prediction control value for input data and provides an optimal control value.
  • the prediction model 200 may include a second prediction model.
  • the prediction model 200 may be built through traditional machine learning techniques or deep learning techniques.
  • the prediction model 200 may be an artificial intelligence model based on a learning method (eg, transfer learning) for transferring existing learned knowledge.
  • the prediction model 200 may include an artificial intelligence model (eg, progressive neural network (PNN)) for transferring learning content between tasks.
  • the task may mean the task or goal of each sequence included in the artificial intelligence model.
  • the task of the prediction model 200 may be calculating a predicted control value (or optimal control value) for input data and outputting the calculation result.
  • the prediction model 200 when the prediction model 200 is composed of a PNN will be described with reference to FIG. 1B.
  • the prediction model 200 is not limited to the presented examples.
  • the prediction model 200 may include an artificial intelligence model based on fine tuning.
  • the prediction model 200 may include a plurality of networks 211, 212, and 213.
  • the prediction model 200 may have a structure in which the networks 211, 212, and 213 are each connected to each other.
  • each of the networks 211, 212, and 213 may be an artificial intelligence network for generating results according to a designated task.
  • a new network may be added to the prediction model 200.
  • the network 212 may be newly added.
  • the network 213 may be newly added.
  • stopping learning may mean that the layers included in the existing network and the weights of the output do not change.
  • the new network when a new network is added to the prediction model 200, the new network may be learned.
  • learning may be based on a backpropagation algorithm.
  • the networks 211, 212, and 213 included in the prediction model 200 may be connected to each other in such a way that intermediate calculation results of the existing network are input to the new network.
  • the intermediate operation result of the first network 211 is two It may be input to the first network 212 and the third network 213.
  • the intermediate calculation result of the second network 212 may be input to the third network 213.
  • some of the networks 211, 212, and 213 included in the prediction model 200 may be merged.
  • the first network 211 and the second network 212 may be merged into one network.
  • the output of the first layer 221 of the first network 211, and the first layer of the second network 212 may be the same as the output of the first layer of the network after merging.
  • the output of the second layer 221 of the first network 211, and the second layer 222 of the second network 212 may be the same as the output of the second layer of the network after merging.
  • the sum of the output of the nth layer of the first network 211 and the output of the nth layer of the second network 212 is After merging, it may be the same as the output of the nth layer of the network.
  • merging may occur when the number of some of the networks 211, 212, and 213 included in the prediction model 200 exceeds the reference value.
  • input 201 of networks 211, 212, 213 may be a second candidate control value (e.g., die gap and slurry pump RPM).
  • the outputs 241 , 242 , 243 of networks 211 , 212 , 213 may include a loading pattern (e.g., slurry loading uniformity and/or mismatch) or coating width.
  • first network 211 may be trained to have a positive correlation between input 201 (i.e., second candidate control value) and output 241 (i.e., loading pattern or coating width). there is.
  • the first network 211 increases or decreases the value of an output parameter (e.g., coating width) as the left spacing and/or right spacing increases or decreases with step size (e.g., ⁇ 1 [ ⁇ m]).
  • step size e.g., ⁇ 1 [ ⁇ m]
  • the training data of the first network 211 may be randomly generated data.
  • the second network 212 may be trained based on actually acquired data (i.e., data representing a correlation between the second candidate control value and the loading pattern or coating width). In one embodiment, the second network 212 produces an output 242 based on the input 201 (i.e., the second candidate control value) and the outputs of the layers 221 and 231 of the first network 211. can be created. In one embodiment, the second network 212 may be trained such that the output 242 of the second network 212 has minimal difference from actual data (i.e., loading pattern or coating width) associated with the input 201. there is. Here, learning of the second network 212 may be based on a backpropagation algorithm. In one embodiment, the first network 211 may not be learned when the second network 212 is trained. In one embodiment, the parameters of the first network 211 may be fixed when the second network 212 is trained.
  • the third network 213 is based on data obtained after the training data of the second network 212 (i.e., data representing the correlation between the second candidate control value and the loading pattern or coating width). It can be learned.
  • the third network 213 has an input 201 (i.e., a second candidate control value) and an output of the layers 221 and 231 of the first network 211 and the second network 212. Output 243 may be generated based on the output of layers 222 and 232.
  • the third network 213 can be trained such that the output 243 of the third network 213 has minimal difference from the actual data (i.e., loading pattern or coating width) associated with the input 201. there is.
  • learning of the third network 213 may be based on a backpropagation algorithm.
  • the first network 211 and the second network 212 may not be learned.
  • the parameters of the first network 211 and the second network 212 may be fixed.
  • the training data of the new network may be data acquired after the training data of the third network 213.
  • the parameters of previously added networks 211, 212, and 213 may be fixed.
  • some of the previously added networks 211, 212, and 213 may be merged in the order in which they were added first.
  • the optimal control value provided by the prediction model 200 is the network added last (i.e., the third network 213) among the outputs 241, 242, and 243 of the networks 211, 212, and 213. )) may be the output 243.
  • the prediction control device 100 may update the prediction model 200 using a feedback learning model.
  • the prediction model 200 may include a second prediction model.
  • a feedback learning model may refer to a machine learning model that learns user feedback about the satisfaction of the prediction result.
  • the prediction model 200 is updated based on the user's satisfaction, so user satisfaction with predictive control can be improved.
  • the prediction model 200 may be built in a computing device that is physically independent from the prediction control device 100 or may be built in the prediction control device 100.
  • the description will be made assuming that the prediction model 200 is built in the prediction control device 100.
  • the user terminal 300 may refer to a user terminal that transmits data to provide predictive control.
  • the user terminal 300 may correspond to a vision system.
  • the vision system may refer to a system that generates data related to a substrate on which slurry is applied through a coating die.
  • the substrate may refer to a battery capable of charging and discharging, including electrodes.
  • the substrate may include a secondary battery.
  • the user terminal 300 may generate slurry loading profile data.
  • Loading profile data may include slurry loading amount data.
  • slurry loading data may be preprocessed.
  • the user terminal 300 may generate image data by converting the width of the holding portion and/or the width of the uncoated portion of the substrate into an image.
  • the prediction control device 100 may obtain data through the user terminal 300.
  • the prediction control device 100 may provide a prediction result based on data acquired through the user terminal 300.
  • the prediction control device 100 may provide a user interface for inducing user feedback, and the user may provide user feedback information about satisfaction with the prediction result through the user interface.
  • the predictive control device 100 may gradually learn a feedback learning model using user feedback information.
  • the network may be any type of wired network, such as a Local Area Network (LAN), a Wide Area Network (WAN), a mobile radio communication network, or a Wireless Broadband Internet (Wibro). Alternatively, it may be implemented as a wireless network.
  • LAN Local Area Network
  • WAN Wide Area Network
  • Wibro Wireless Broadband Internet
  • Figure 2 is a block diagram showing a prediction control device according to an embodiment disclosed in this document.
  • the prediction control device 100 may include a data acquisition unit 110 and a processor 120.
  • the prediction control device 100 of FIG. 2 may have substantially the same configuration as the prediction control device 100 of FIG. 1 .
  • the data acquisition unit 110 may obtain data regarding the target of predictive control from the user terminal 300.
  • the object of predictive control may include a base material onto which a slurry is loaded using a coating die.
  • the data acquisition unit 110 may acquire data about the substrate on which the slurry is loaded using the coating die from the user terminal 300.
  • the data may include slurry loading data of the substrate.
  • the slurry loading amount data may correspond to data preprocessed in the user terminal 300.
  • the slurry loading amount data may include central loading amount data and/or left and right holding portion loading amount data.
  • the object of predictive control may include a substrate after the processor 120 adjusts the slurry temperature.
  • the data acquisition unit 110 may acquire second data about the substrate from the user terminal 300 after the processor 120 adjusts the slurry temperature, as will be described later.
  • the second data may include image data obtained by converting the width of the holding portion and/or the width of the uncoated portion of the substrate into an image. According to the embodiments disclosed in this document, this specification is written assuming that the target object of predictive control is a substrate in which slurry is loaded using a coating die, but is not limited thereto.
  • the processor 120 may analyze slurry loading characteristics based on data acquired by the data acquisition unit 110.
  • the slurry loading characteristics may include slurry loading amount uniformity.
  • the processor 120 may analyze the slurry loading amount uniformity based on the slurry loading amount data.
  • the processor 120 may derive a candidate control value in response to the analysis result of the slurry loading characteristics.
  • candidate control values may include slurry temperature.
  • the processor 120 may derive a candidate control value including slurry temperature based on slurry loading characteristics. This will be described in detail with reference to FIG. 5 .
  • the processor 120 may predict the quality of the candidate control value using a prediction model.
  • the prediction model may be modeled by learning the correlation between slurry temperature and slurry loading characteristics.
  • Processor 120 may derive an optimal control value based on the predicted quality. How the processor 120 derives the optimal control value will be described in detail with reference to FIG. 6.
  • the processor 120 may determine whether a miss match has occurred based on the second data. Depending on the embodiment, the processor 120 may calculate whether a mismatch occurs using the width of the top and/or back of the two different opposing surfaces of the substrate.
  • the top may refer to a side with a relatively long coating length
  • the back may refer to a side with a relatively short coating length.
  • the processor 120 may calculate a mismatch value using the width of the holding portion and/or the width of the uncoated portion of the top and/or back of the substrate.
  • the holding portion may refer to an area where the slurry is loaded and coated on the substrate
  • the uncoated portion may refer to an area where the slurry is not loaded on the substrate.
  • the processor 120 may derive a second candidate control value in response to the occurrence of a mismatch.
  • the second candidate control value may include slurry pump revolutions per minute (RPM) or die spacing.
  • processor 120 may derive a second candidate control value including slurry pump RPM or die spacing in response to a mismatch occurring. This will be described in detail with reference to FIG. 8.
  • the second quality for the second candidate control value may be predicted using the second prediction model.
  • the processor 120 may derive a second optimal control value based on the predicted second quality. The process by which the processor 120 derives the second optimal control value will be described in detail with reference to FIG. 9 .
  • Figure 3 is a diagram for explaining slurry loading characteristics referred to various embodiments disclosed in this document.
  • the base material may include holding portions (A 1 , A 2 and A 3 ) and uncoated portions (B 1 and B 2 ).
  • the slurry loading characteristics analyzed by the predictive control device 100 will be described in detail with reference to FIGS. 1 and 2.
  • the processor 120 may analyze slurry loading characteristics based on data. According to an embodiment, the processor 120 may analyze slurry loading characteristics based on slurry loading amount data of the holding units (A 1 , A 2 , and A 3 ). According to an embodiment, the slurry loading amount data may include central loading amount data and left and right holding portion loading amount data. According to this embodiment, the processor 120 may classify all and/or part of the holding portion into a central holding portion and a left and right holding portion according to a preset standard. In this case, the central loading amount data may mean the average of the slurry loading amount data of the central holding portion, and the left and right holding portion loading amount data may refer to the average of the slurry loading amount data of the left and right holding portions.
  • the processor 120 may classify A 2 as a central holding unit and A 1 and A 3 as left and right holding units.
  • the processor 120 may classify l 3 and l 4 as central holding units, and l 1 and l 6 as left and right holding units.
  • the processor 120 may determine different criteria for classifying the central holding unit and/or the left and right holding units depending on the type and characteristics of the substrate, the optimization purpose of the predictive control device, the type of equipment implementing the predictive control device, etc.
  • the processor 120 may analyze slurry loading characteristics based on slurry loading amount data.
  • the slurry loading characteristics may include slurry loading amount uniformity.
  • the processor 120 may analyze the slurry loading amount uniformity based on the slurry loading amount data of the holding units (A 1 , A 2 , and A 3 ).
  • the processor 120 may calculate the loading deviation using the slurry loading amount data to analyze the slurry loading amount uniformity.
  • the processor 120 may calculate the loading deviation using the central loading amount data and the left and right holding portion loading amount data.
  • the processor 120 may calculate the loading deviation according to Equation 1 below.
  • Loading deviation Central loading amount data - Left and right holding part loading amount data
  • the processor 120 when the processor 120 classifies A 2 as a central holding portion and A 1 and A 3 as left and right holding portions, the processor 120 calculates the loading deviation according to Equation 2 below: can do.
  • the processor 120 when the processor 120 classifies l 3 and l 4 as the center holding portion and l 1 and l 6 as the left and right holding portions, the processor 120 according to Equation 3 below:
  • the loading deviation can be calculated.
  • the processor 120 may analyze that the closer the loading deviation is to 0, the more uniform the slurry loading amount is.
  • the processor 120 may analyze slurry loading characteristics and set a control target of the predictive control device 100 in response to the analysis result of the slurry loading characteristics. According to an embodiment, the processor 120 may analyze slurry loading amount uniformity and set the control target of the predictive control device 100 to correction for the loading pattern in response to the analysis result. The process by which the processor 120 controls control factors according to the control goal will be described in detail in FIG. 4.
  • FIG. 4 is a diagram showing control factors and key quality factors referenced in various embodiments disclosed herein.
  • the processor 120 can control the main quality factor (Y) by controlling the control factor (X).
  • Control factors (X) may include slurry temperature, slurry pump RPM, or die spacing.
  • the slurry pump RPM may affect the slurry injection rate of the coating die.
  • the die spacing may include a left spacing and/or a right spacing of the coating die.
  • the left gap may mean the left gap of the area where the coating die used for battery coating is connected to the motor
  • the right gap may mean the right gap of the area where the coating die used for battery coating is connected to the motor.
  • Key quality factors (Y) may include loading pattern or coating width.
  • the loading pattern may include slurry loading amount uniformity and/or mismatching.
  • the processor 120 may control the control factor (X) to correct the key quality factor (Y). Depending on the embodiment, the control factors (X) may act as mutually dependent variables. The processor 120 may determine some of the control factors (X) as main control factors and some of the remaining control factors as secondary control factors according to the control goal. For example, if the control goal is correction regarding the loading pattern, the processor 120 may determine slurry temperature and/or die spacing as the main control factor and slurry pump RPM as the secondary control factor. As another example, if the control goal is correction for coating width, processor 120 may determine die spacing as the primary control factor and slurry temperature and/or slurry pump RPM as secondary control factors.
  • the slurry when the processor 120 increases the slurry temperature to correct slurry loading amount uniformity, the slurry may be loaded onto the substrate in a concave pattern (U-shaped pattern). According to another embodiment, when the processor 120 lowers the slurry temperature to correct the uniformity of the slurry loading amount, the slurry may be loaded onto the substrate in a convex baton (A-shaped pattern).
  • Figure 5 is a diagram showing candidate control values derived by a predictive control device according to an embodiment disclosed in this document.
  • the processor 120 of the predictive control device 100 may derive a candidate control value including the slurry temperature.
  • the processor 120 may derive candidate control values using slurry temperature, die spacing, and slurry pump RPM as control factors.
  • the die gap may include a left gap (L Gap) and a right gap (R Gap).
  • the processor 120 may derive a candidate control value using the current value and adjustment range of each control factor.
  • the processor 120 can derive a candidate control value by fixing the left spacing, right spacing, and slurry pump RPM, and giving an adjustment range to the slurry temperature.
  • the processor 120 may adjust the slurry temperature at preset intervals within an adjustment range.
  • the processor 120 sets the slurry temperature adjustment range to ⁇ 2 [°C], and slurry temperature is adjusted at intervals of ⁇ 0.4 [°C] based on the current value of the slurry temperature. Control values can be derived.
  • Figure 5 corresponds to one embodiment of the candidate control value derived by the processor 120, and the candidate control value derived by the processor 120 is not limited to the value shown in Figure 5.
  • the processor 120 may set the slurry temperature adjustment range and/or slurry temperature adjustment interval differently.
  • the processor 120 can predict the quality of candidate control values using a prediction model and predict the optimal control value based on the quality.
  • the processor 120 may perform filtering on candidate control values. According to this embodiment, the processor 120 can minimize the number of candidate control values through filtering. In this case, the processor 120 may predict the quality using a prediction model for the candidate control values minimized through filtering and predict the optimal control value based on the quality.
  • FIG. 6 is a diagram illustrating an operation of a predictive control device deriving an optimal control value from candidate control values according to an embodiment disclosed in this document.
  • the processor 120 can predict the quality of a candidate control value using a prediction model and derive an optimal control value based on the quality.
  • the processor 120 may predict the quality of the candidate control value using a prediction model.
  • Quality may include, but is not limited to, central loading data, left and right retainer loading data, and/or loading deviation.
  • the processor 120 may calculate central loading amount data, left and right maintenance unit loading amount data, and/or predicted values of loading deviation for candidate control values using a prediction model. According to an embodiment, when the processor 120 adjusts the slurry temperature by 0.4 [°C], the predicted value of the central loading amount data and/or the left and right holding portion loading amount data may change by up to 6 [mg].
  • the processor 120 may predict quality based on the central loading amount data, the left and right maintenance portion loading amount data, and/or the predicted value of the loading deviation calculated using a prediction model.
  • the processor 120 may derive the optimal control value based on quality. According to an embodiment, the processor 120 may derive the candidate control value whose predicted central loading amount data, predicted left and right holder loading data, or predicted loading deviation is closest to the target value as the optimal control value. For example, the processor 120 may derive the candidate control value whose predicted loading deviation is closest to the target value of 0 as the optimal control value. According to the embodiment shown in FIG. 6, the processor 120 may derive a candidate control value whose loading deviation prediction value is 0 as the optimal control value.
  • the processor 120 may control the slurry temperature using the derived optimal control value. According to the embodiment shown in FIG. 6, the processor 120 can adjust the slurry temperature to 29 [°C] using the optimal control value where the loading deviation prediction value is 0.
  • Figure 7 is a diagram for explaining a method of determining whether a mismatch has occurred according to an embodiment disclosed in this document.
  • the data acquisition unit 110 may acquire second data.
  • the second data may include image data obtained by converting the width of the holding portion of the substrate and the width of the uncoated portion of the substrate into an image.
  • the second data may correspond to data about the substrate after the processor 120 adjusts the slurry temperature using an optimal control value.
  • the processor 120 may determine whether a miss match has occurred based on the second data obtained from the user terminal 300. According to an embodiment, the second data processor 120 may determine whether a mismatch has occurred based on image data obtained by converting the width of the holding portion and the width of the uncoated portion of the substrate into an image. For example, the processor 120 may know that a mismatch has occurred due to the width difference (M 1 , M 2 , M 3 , M 4 ) between the top of the substrate and the back of the substrate.
  • the processor 120 determines the uncoated area width (W 1 , W 3 , W 5 ) and the holding area width (W 2 , W 4 ) of the top of the base material and the uncoated area width (X 1 ) of the back of the base material. , X 3 , X 5 ) and the width of the holding part ( X 2 , Mismatching may mean that the width and/or loading amount of the slurry sprayed on the opposite side of the electrode is not uniform.
  • the processor 120 may determine whether a mismatch has occurred according to [Table 1] below.
  • M 1 W 1 -X 1-e
  • M 2 W 2 -X 2 +M 1
  • M 3 W 3 -X 3 +M 2
  • M 4 W 4 -X 4 +M 3
  • e is the overall width of the top of the substrate (e.g., W 1 +W 2 +W 3 +W 4 +W 5 ) and the overall width of the back of the substrate ( e.g. , It can mean the value of adding X 2 +X 3 +X 4 +X 5 ) and dividing by 2.
  • the processor 120 may determine whether to reflect e depending on the type and characteristics of the substrate. According to an embodiment, the processor 120 may determine that a miss match has occurred when the difference between the calculated width differences (M 1 , M 2 , M 3 , M 4 ) is greater than or equal to a reference value.
  • FIG. 8 is a diagram showing a second candidate control value derived by a predictive control device according to an embodiment disclosed in this document.
  • the processor 120 of the predictive control device 100 may derive a second candidate control value including slurry pump RPM or die spacing.
  • the processor 120 may derive a second candidate control value using slurry temperature, die spacing, and slurry pump RPM as control factors.
  • the die gap may include a left gap (L Gap) and a right gap (R Gap).
  • the processor 120 may derive a second candidate control value using the current value and adjustment range of each control factor.
  • the processor 120 may fix the slurry temperature and provide adjustment ranges to the left gap, right gap, and slurry pump RPM to derive a second candidate control value.
  • the processor 120 may adjust the left spacing, right spacing, and/or slurry pump RPM within an adjustment range.
  • the processor 120 may adjust the left spacing and/or the right spacing by ⁇ 1 [ ⁇ m], and/or the slurry pump RPM by ⁇ 1. In this case, the processor 120 can derive 27 second candidate control values.
  • Figure 8 corresponds to an embodiment of the second Fubo control value derived by the processor 120, and the candidate control value derived by the processor 120 is not limited to the value shown in Figure 8.
  • the processor 120 may set the adjustment range or unit of the left spacing, right spacing, and/or slurry pump RPM differently.
  • the processor 120 may predict the second quality using a second prediction model for the second candidate control value and predict the second optimal control value based on the second quality.
  • the processor 120 may perform filtering on the second candidate control value. According to this embodiment, the processor 120 can minimize the number of second candidate control values through filtering. In this case, the processor 120 may predict the second quality using a second prediction model for the second candidate control value minimized through filtering and predict the second optimal control value based on the second quality.
  • FIG. 9 is a diagram illustrating an operation of a predictive control device according to an embodiment disclosed in this document to derive a second optimal control value from second candidate control values.
  • the processor 120 may predict the quality of a second candidate control value using a second prediction model and derive a second optimal control value based on the second quality.
  • the processor 120 may predict the second quality for the second candidate control value using the second prediction model.
  • the second quality may include, but is not limited to, loading amount, uncoated portion width, and/or retaining portion width.
  • the processor 120 may calculate a predicted value of the loading amount, the width of the uncoated area, and/or the width of the holding area for the second candidate control value using the second prediction model. According to an embodiment, the processor 120 may predict the second quality based on predicted values of the loading amount, the width of the uncoated area, and/or the width of the holding area calculated using the second prediction model.
  • the processor 120 may derive a second optimal control value based on the second quality. According to an embodiment, the processor 120 selects a second candidate control value in which the predicted holding portion width and the predicted uncoated portion width among the second candidate control values are in the normal range and the predicted loading amount is closest to the target value as the second optimal value. It can be derived as a control value. For example, the processor 120 may derive a second candidate control value in which the predicted holding portion width and the predicted uncoated portion width are both 100 and the predicted loading amount is the target value of 100 as the second optimal control value.
  • the processor 120 may adjust the die spacing or slurry pump RPM using the derived second optimal control value.
  • the slurry temperature may be fixed to the slurry temperature adjusted by the processor 120 using the optimal control value, referring to FIGS. 5 and 6 .
  • the predicted holding portion width and the predicted uncoated portion width are both 100, and using the second optimal control value such that the predicted loading amount is set to the target value of 100, the processor 120
  • the left spacing can be adjusted to 99 [ ⁇ m]
  • the right spacing can be adjusted to 99 [ ⁇ m]
  • the slurry pump RPM can be adjusted to 1199.
  • the processor 120 may predict the quality of a candidate control value using a prediction model and derive an optimal control value, and use a second prediction model to determine the second candidate control value.
  • the second quality can be predicted and the second optimal control value can be derived.
  • the processor 120 predicts the integrated quality using an integrated prediction model combining the prediction model and the second prediction model, and based on the predicted integrated quality, the prediction control device 100
  • the integrated optimal control value to achieve the final correction goal can be derived.
  • the integrated quality may include central loading data, left and right holding portion loading data, and/or loading deviation, loading amount, uncoated portion width, and/or retaining portion width.
  • Figure 10 is a flowchart showing a method of operating a prediction control device according to an embodiment disclosed in this document.
  • the operating method of the predictive control device 100 includes obtaining data related to the base material on which the slurry is loaded using a coating die (S100), and slurry loading characteristics based on the data. Analyzing (S110), deriving a candidate control value including the slurry temperature in response to the analysis result of the slurry loading characteristics (S120), predicting the quality of the candidate control value using a prediction model (S130) ) and a step of deriving an optimal control value based on quality (S140). According to an embodiment, the method of operating the predictive control device 100 may further include adjusting the slurry temperature using an optimal control value (S150).
  • steps S100 to S150 will be described in detail with reference to FIGS. 1 to 6, and descriptions of overlapping content will be omitted or briefly explained.
  • the data acquisition unit 110 may acquire data from the user terminal 300.
  • the data acquired by the data acquisition unit 110 may include data related to the substrate on which the slurry is loaded using the coating die.
  • the data may include slurry loading data related to the loading amount of slurry applied to the substrate.
  • the slurry loading amount data may include central loading amount data and left and right holding portion loading amount data.
  • the processor 120 may analyze slurry loading characteristics based on data acquired by the data acquisition unit 110.
  • slurry loading characteristics can analyze slurry loading amount uniformity.
  • the processor 120 may analyze the slurry loading amount uniformity based on the slurry loading amount data acquired by the data acquisition unit 110.
  • the processor 120 may analyze slurry loading amount uniformity by calculating a loading deviation based on slurry loading amount data.
  • the processor 120 may analyze the slurry loading amount uniformity based on whether the loading deviation calculated based on the slurry loading amount data is close to 0.
  • step S120 the processor 120 may derive a candidate control value in response to the result of analyzing the slurry loading characteristics.
  • candidate control values may include slurry temperature.
  • the processor 120 may derive a candidate control value including the slurry temperature in response to the result of analyzing the slurry loading characteristics.
  • the processor 120 may set a control target of the predictive control device 100 in response to the result of analyzing the slurry loading characteristics.
  • the processor 120 may set correction regarding the main quality factor (Y) as the control target of the predictive control device 100.
  • the processor 120 may analyze slurry loading amount uniformity and set the control goal of the predictive control device 100 to correction for the loading pattern in response to the analysis result. In this case, the processor 120 may derive a candidate control value for correcting the loading pattern.
  • the processor 120 may predict the quality of the candidate control value.
  • the processor 120 may predict the quality of a candidate control value using a prediction model.
  • the prediction model may be modeled by learning the correlation between slurry temperature and slurry loading characteristics.
  • quality may include, but is not limited to, central loading data, left and right holding portion loading data, and/or loading deviation.
  • the processor 120 may derive the optimal control value.
  • the processor 120 may derive an optimal control value based on the quality predicted in step S130.
  • the processor 120 may derive the predicted central loading amount data, the predicted left and right holding unit loading amount data, or the candidate control value whose loading deviation is closest to the target value as the optimal control value. For example, referring to FIG. 6, the processor 120 may derive the candidate control value whose predicted loading deviation is closest to the target value of 0 as the optimal control value.
  • step S150 the processor 120 may adjust the slurry temperature.
  • the processor 120 may adjust the slurry temperature using the optimal control value derived in step S140.
  • Figure 11 is a flowchart showing a method of operating a prediction control device according to an embodiment disclosed in this document.
  • the operating method of the prediction control device 100 includes obtaining second data about the description (S200), determining whether a mismatch has occurred based on the second data (S210), and determining whether a mismatch has occurred (S210).
  • deriving a second candidate control value including slurry pump RPM or die spacing S220
  • predicting a second quality for the second candidate control value using a second prediction model S230
  • deriving a second optimal control value based on the second quality S240
  • the method of operating the predictive control device 100 may further include a step (S250) of adjusting the slurry pump RPM or die spacing using the second optimal control value.
  • steps S200 to S250 will be described in detail with reference to FIGS. 1 to 10, and descriptions of overlapping content will be omitted or briefly explained.
  • the data acquisition unit 110 may acquire second data from the user terminal 300.
  • the second data may include data regarding the substrate to which the slurry has been applied.
  • the data acquisition unit 110 may perform step S200 after the processor 120 performs step S150 of FIG. 10.
  • the second data may include data regarding the substrate after adjusting the slurry temperature.
  • the second data may include data regarding the substrate to which the slurry is applied after controlling the slurry temperature in step S150.
  • the second data may include image data obtained by converting the width of the holding portion of the substrate and the width of the uncoated portion of the substrate into an image.
  • the processor 120 may determine whether a mismatch has occurred. According to an embodiment, the processor 120 may determine whether a miss match has occurred based on the second data. According to an embodiment, the processor 120 may calculate whether a mismatch occurs using the width of the top and/or back of the two different opposing surfaces of the substrate. For example, the processor 120 has the uncoated area width (W 1 , W 3 , W 5 ) and the holding area width (W 2 , W 4 ) of the top of the base material and the uncoated area of the back of the base material. You can determine whether a mismatch occurs by calculating the width difference ( M 1 , M 2 , M 3 , M 4 ) using the width (X 1 , You can. According to the embodiment disclosed in this document, the processor 120 may determine that a mismatch has occurred when the difference between the calculated width differences (M 1 , M 2 , M 3 , and M 4 ) values is greater than or equal to a reference value.
  • the processor 120 may derive a second candidate control value in response to whether a miss match occurs.
  • the second candidate control value may include slurry pump revolutions per minute (RPM) or die spacing.
  • the processor 120 may derive a second candidate control value including slurry pump RPM or die spacing in response to whether a mismatch occurs.
  • the processor 120 may predict the second quality for the second candidate control value.
  • the processor 120 may predict the second quality for the second candidate control value using the second prediction model.
  • the second quality may include, but is not limited to, loading amount, uncoated area width, and/or holding area width.
  • the processor 120 may derive a second optimal control value.
  • the processor 120 may derive the second optimal control value based on the second quality predicted in step S230.
  • the processor 120 selects a second candidate control value in which the predicted holding portion width and the predicted uncoated portion width are in the normal range among the second candidate control values and the predicted loading amount is closest to the target value as the second optimal control value. It can be derived as a control value.
  • the processor 120 uses the second candidate control value, in which the predicted retaining portion width and the predicted uncoated portion width are both 100 and the predicted loading amount is the target value of 100, as the second optimal control value. It can be derived as:
  • step S250 the processor 120 may adjust the slurry pump RPM or die spacing. According to an embodiment, the processor 120 may adjust the slurry pump RPM or die spacing using the second optimal control value derived in step S240.
  • the processor 120 when the processor 120 uses an integrated prediction model that combines a prediction model and a second prediction model, the processor 120 may simultaneously perform steps S100 to S150 and steps S200 to S250. You can.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Feedback Control In General (AREA)
  • Selective Calling Equipment (AREA)

Abstract

본 문서에 개시되는 일 실시예에 따른 예측 제어 장치는 코팅 다이를 이용해 슬러리(slurry)가 로딩되는 기재(base material)에 관련된 데이터를 획득하는 데이터 획득부, 및 상기 데이터에 기초하여 슬러리 로딩 특성을 분석하고, 상기 슬러리 로딩 특성에 기초하여 슬러리 온도를 포함하는 후보 제어 값을 도출하고, 예측 모델을 이용하여 상기 후보 제어 값에 대한 품질을 예측하고, 상기 품질에 기초하여 최적 제어 값을 도출하는 프로세서를 포함할 수 있다.

Description

예측 제어 장치 및 그의 동작 방법
관련출원과의 상호인용
본 발명은 2022.04.27.에 출원된 한국 특허 출원 제10-2022-0052424호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시예들은 예측 제어 장치 및 그의 동작 방법에 관한 것이다.
최근 이차 전지에 대한 연구 개발이 활발히 이루어지고 있다. 여기서 이차 전지는 충방전이 가능한 전지로서, 종래의 Ni/Cd 배터리, Ni/MH 배터리 등과 최근의 리튬 이온 배터리를 모두 포함하는 의미이다. 이차 전지 중 리튬 이온 배터리는 종래의 Ni/Cd 배터리, Ni/MH 배터리 등에 비하여 에너지 밀도가 훨씬 높다는 장점이 있다. 또한, 리튬 이온 배터리는 소형, 경량으로 제작할 수 있어서 이동 기기의 전원으로 사용되며, 최근에는 전기 자동차의 전원으로 사용 범위가 확장되어 차세대 에너지 저장 매체로 주목을 받고 있다.
이러한 리튬 이온 배터리에서 전극 조립체가 최대의 충전 용량을 갖기 위해서는 슬러리가 전극의 대항 면에 고른 두께로 형성되어야 한다. 따라서, 고품질, 고효율의 제품을 구현하기 위해 균일한 코팅 두께를 조율하는 문제가 최근 중요한 기술 문제로 대두하게 되었다.
전극 코팅 공정에서의 보정 작업을 자동화함으로써 작업자(Operator)의 숙련도와 관계 없이 로딩량 균일성을 확보할 필요가 있다.
전극 코팅 공정에 있어서, 로딩량 균일성을 확보하기 위하여 슬러리 온도 제어를 자동화할 필요가 있다.
슬러리 온도 제어는 로딩량 균일성 이외의 다른 품질 요소(예: 코팅 폭, 또는 미스매치 등)에 영향을 미칠 수 있으므로, 여러 품질 요소를 함께 고려하여 보정 작업을 자동화할 필요가 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시되는 일 실시예에 따른 예측 제어 장치는 코팅 다이를 이용해 슬러리(slurry)가 로딩되는 기재(base material)에 관련된 데이터를 획득하는 데이터 획득부, 및 상기 데이터에 기초하여 슬러리 로딩 특성을 분석하고, 상기 슬러리 로딩 특성의 분석 결과에 응답하여 슬러리 온도를 포함하는 후보 제어 값을 도출하고, 예측 모델을 이용하여 상기 후보 제어 값에 대한 품질을 예측하고, 상기 품질에 기초하여 최적 제어 값을 도출하는 프로세서를 포함할 수 있다.
일 실시예에 따라, 상기 예측 모델은 상기 슬러리 온도와 상기 슬러리 로딩 특성의 상관관계를 학습하여 모델링 될 수 있다.
일 실시예에 따라, 상기 데이터는 상기 기재의 슬러리 로딩량 데이터를 포함하고, 상기 프로세서는 상기 슬러리 로딩량 데이터에 기초하여 슬러리 로딩량 균일성을 분석할 수 있다.
일 실시예에 따라, 상기 슬러리 로딩량 데이터는 중앙 로딩량 데이터 및 좌우 유지부 로딩량 데이터를 포함할 수 있다.
일 실시예에 따라, 상기 프로세서는 상기 최적 제어 값을 이용하여 상기 슬러리 온도를 조절할 수 있다.
일 실시예에 따라, 상기 데이터 획득부는, 상기 프로세서가 상기 슬러리 온도를 조절한 후의 상기 기재에 관한 제2 데이터를 획득하고, 상기 프로세서는 상기 제2 데이터에 기초하여 미스 매칭 발생 여부를 판단하고, 상기 미스 매칭 발생에 응답하여 슬러리 펌프 알피엠(RPM) 또는 다이 간격을 포함하는 제2 후보 제어 값을 도출하고, 제2 예측 모델을 이용하여 상기 제2 후보 제어 값에 대한 제2 품질을 예측하고, 상기 제2 품질에 기초하여 제2 최적 제어 값을 도출할 수 있다.
일 실시예에 따라, 상기 제2 데이터는 상기 기재의 유지부 폭 및 상기 기재의 무지부 폭을 이미지로 변환한 이미지 데이터를 포함하고, 상기 프로세서는 상기 이미지 데이터에 기초하여 상기 미스 매칭 발생 여부를 판단할 수 있다.
일 실시예에 따라, 상기 프로세서는 상기 제2 최적 제어 값을 이용하여 상기 슬러리 펌프 알피엠 또는 상기 다이 간격을 조절할 수 있다.
본 문서에 개시되는 일 실시예에 따른 예측 제어 장치의 동작 방법은 코팅 다이를 이용해 슬러리(slurry)가 로딩되는 기재(base material)에 관련된 데이터를 획득하는 단계, 상기 데이터에 기초하여 슬러리 로딩 특성을 분석하는 단계, 상기 슬러리 로딩 특성의 분석 결과에 응답하여 슬러리 온도를 포함하는 후보 제어 값을 도출하는 단계, 및 예측 모델을 이용하여 상기 후보 제어 값에 대한 품질을 예측하고, 상기 품질에 기초하여 최적 제어 값을 도출하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 예측 모델은 상기 슬러리 온도와 상기 슬러리 로딩 특성의 상관관계를 학습하여 모델링 될 수 있다.
일 실시예에 따라, 상기 데이터는 상기 기재의 슬러리 로딩량 데이터를 포함하고, 상기 슬러리 로딩량 데이터에 기초하여 슬러리 로딩량 균일성을 분석하는 단계를 더 포함할 수 있다.
일 실시예에 따라, 상기 슬러리 로딩량 데이터는 중앙 로딩량 데이터 및 좌우 유지부 로딩량 데이터를 포함할 수 있다.
일 실시예에 따라, 상기 최적 제어 값을 이용하여 상기 슬러리 온도를 조절하는 단계를 더 포함할 수 있다.
일 실시예에 따라, 상기 슬러리 온도를 조절한 후의 상기 기재에 관한 제2 데이터를 획득하는 단계, 상기 제2 데이터에 기초하여 미스 매칭 발생 여부를 판단하는 단계, 상기 미스 매칭 발생에 응답하여 슬러리 펌프 알피엠(RPM) 또는 다이 간격을 포함하는 제2 후보 제어 값을 도출하는 단계, 제2 예측 모델을 이용하여 상기 제2 후보 제어 값에 대한 제2 품질을 예측하는 단계, 및 상기 제2 품질에 기초하여 제2 최적 제어 값을 도출하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 제2 데이터는 상기 기재의 유지부 폭 및 상기 기재의 무지부 폭을 이미지로 변환한 이미지 데이터를 포함하고, 상기 이미지 데이터에 기초하여 상기 미스 매칭 발생 여부를 판단하는 단계를 더 포함할 수 있다.
일 실시예에 따라, 상기 제2 최적 제어 값을 이용하여 상기 슬러리 펌프 알피엠 또는 상기 다이 간격을 조절하는 단계를 더 포함할 수 있다.
본 문서의 개시에 따른 예측 제어 장치는 코팅 공정에서의 실시간 보정 작업을 자동화하여 작업자(Operator)의 숙련도와 관계 없이 균일한 품질의 코팅을 실현할 수 있다.
본 문서의 개시에 따른 예측 제어 장치는 다이 간격 및/또는 슬러리 펌프 알피엠(RPM) 뿐만 아니라, 슬러리의 온도에 대한 보정 작업을 수행할 수 있다.
본 문서의 개시에 따른 예측 제어 장치의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또다른 효과들은 본 문서의 개시에 따라 당업자에게 명확하게 이해될 수 있을 것이다.
도 1a는 본 문서에 개시된 일 실시예에 따른 예측 제어 시스템을 보여주는 도면이다.
도 1b는 본 문서에 개시된 일 실시예에 따른 예측 모델을 예시하는 도면이다.
도 2는 본 문서에 개시된 일 실시예에 따른 예측 제어 장치를 보여주는 블록도이다.
도 3은 본 문서에 개시된 다양한 실시예에 참조되는 슬러리 로딩 특성을 설명하기 위한 도면이다.
도 4는 본 문서에 개시된 다양한 실시예에 참조되는 제어 인자 및 주요 품질 요소를 보여주는 도면이다.
도 5는 본 문서에 개시된 일 실시예에 따른 예측 제어 장치가 도출한 후보 제어 값을 보여주는 도면이다.
도 6은 본 문서에 개시된 일 실시예에 따른 예측 제어 장치가 후보 제어 값 중에서 최적 제어 값을 도출하는 동작을 설명하기 위한 도면이다.
도 7은 본 문서에 개시된 일 실시예에 따라 미스 매칭 발생 여부의 판단 방법을 설명하기 위한 도면이다.
도 8은 본 문서에 개시된 일 실시예에 따른 예측 제어 장치가 도출한 제2 후보 제어 값을 보여주는 도면이다.
도 9는 본 문서에 개시되는 일 실시예에 따른 예측 제어 장치가 제2 후보 제어 값 중에서 제2 최적 제어 값을 도출하는 동작을 설명하기 위한 도면이다.
도 10 및 도 11은 본 문서에 개시된 일 실시예에 따른 예측 제어 장치의 동작 방법을 보여주는 흐름도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다.
본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", "첫째", "둘째", "A", "B", "(a)" 또는 "(b)"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 특별히 반대되는 기재가 없는 한, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다.
본 문서에서, 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "연결", "결합" 또는 "접속"된다고 언급되거나 "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 1a는 본 문서에 개시된 일 실시예에 따른 예측 제어 시스템을 보여주는 도면이다. 도 1b는 본 문서에 개시된 일 실시예에 따른 예측 모델을 예시하는 도면이다.
도 1a를 참조하면, 예측 제어 시스템은 예측 제어 장치(100), 예측 모델(200), 및 사용자 단말(300)을 포함할 수 있다. 다만, 이는 본 발명의 목적을 달성하기 위한 실시예에 해당하고, 필요에 따라 일부 구성 요소가 추가되거나 삭제될 수 있다. 또한, 도 1a에 도시된 예측 제어 시스템의 각 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 복수의 구성 요소가 실제 물리적 확경에서는 서로 통합되는 형태로 구형될 수 있다.
예측 제어 장치(100)는 다수의 사용자에게 기계 학습 기반의 예측 제어를 제공하는 컴퓨팅 장치이다. 실시예에 따르면, 컴퓨팅 장치는 노트북, 데스크탑(desktop), 랩탑(laptop), 고성능의 서버 컴퓨팅 장치 등을 포함할 수 있다. 다만, 이에 국한되지 않으며, 컴퓨팅 장치는 컴퓨팅 기능 및 통신 기능이 구비된 모든 종류의 장치를 포함할 수 있다.
예측 제어는, 예측 제어 장치(100)가 기계 학습 모델에 기반하여 제공하는 전극 코팅 공정의 자동 보정을 위한 예측 제어 서비스를 의미할 수 있다. 실시예에 따르면, 예측 제어는 전극 코팅 과정의 슬러리 로딩 특성에 따른 및/또는 미스 매칭에 대한 자동 보정을 위한 예측 제어 서비스를 포함할 수 있다. 실시예에 따르면, 슬러리 로딩 특성은 슬러리 로딩량 균일성을 포함할 수 있다. 슬러리(slurry)는 고체와 액체의 혼합물 또는 미세한 고체 분말 입자가 액체 용매 내에 현탁된 조성물을 의미할 수 있다. 예를 들어, 슬러리는 전극 형성용 조성물을 의미할 수 있다. 미스 매칭은, 전극의 대향면에 분사된 슬러리의 폭 및/또는 로딩량이 균일하지 못하는 것을 의미할 수 있다.
예측 제어 장치(100)는 사용자 단말(300)로부터 데이터를 입력 받을 수 있다. 데이터는 기재(base material)에 도포된 슬러리의 로딩량에 관한 슬러리 로딩량 데이터를 포함할 수 있다. 데이터는 전처리된 슬러리 로딩량 데이터를 포함할 수 있다. 슬러리 로딩량 데이터는 중앙 로딩량 데이터 및 좌우 유지부 로딩량 데이터를 포함할 수 있다. 중앙 로딩량 데이터 및 좌우 유지부 로딩량 데이터는 도 3에서 구체적으로 설명한다.
예측 제어 장치(100)는 사용자 단말(300)로부터 입력 받은 데이터에 기초하여 슬러리 로딩 특성을 분석할 수 있다. 실시예에 따르면, 슬러리 로딩 특성은 슬러리 로딩량 균일성을 포함할 수 있다.
예측 제어 장치(100)는 슬러리 로딩 특성의 분석 결과에 응답하여, 슬러리 온도를 보정하기 위한 복수의 후보 제어 값 중에서 최적 제어 값을 도출할 수 있다. 이 경우, 후보 제어 값은 슬러리 온도를 포함할 수 있다. 예측 제어 장치(100)는 예측 모델(200)을 이용하여 복수의 후보 제어 값에 대한 품질을 예측할 수 있다. 실시예에 따르면, 예측 모델(200)은 슬러리 온도와 슬러리 로딩 특성의 상관관계를 학습하여 모델링 될 수 있다. 예측 제어 장치(100)는 예측 모델(200)을 이용하여 복수의 후보 제어 값에 대한 품질을 예측하고, 예측된 품질에 기초하여 최적 제어 값을 도출할 수 있다.
실시예에 따르면, 예측 제어 장치(100)는 도출된 최적 제어 값을 이용하여 슬러리 온도를 조절할 수 있다.
본 문서에 개시된 일 실시예에 따라, 예측 제어 장치(100)가 슬러리 온도를 조절한 경우, 예측 제어 장치(100)는 사용자 단말(300)로부터 제2 데이터를 입력받을 수 있다. 이 경우, 제2 데이터는 슬러리 온도가 조절된 후의 기재에 관한 데이터를 의미할 수 있다. 실시예에 따르면, 제2 데이터는 기재의 유지부 폭 및/또는 무지부 폭에 대한 데이터를 포함할 수 있다. 실시예에 따르면, 기재의 유지부 폭 및/또는 무지부 폭에 대한 데이터는 이미지로 변환된 이미지 데이터에 해당할 수 있다.
실시예에 따르면, 예측 제어 장치(100)는 제2 데이터에 기초하여 미스 매칭 발생 여부를 판단할 수 있다. 미스 매칭이 발생한 경우, 예측 제어 장치(100)는 미스 매칭을 보정하기 위한 복수의 제2 후보 제어 값 중에서 제2 최적 제어 값을 도출할 수 있다. 이 경우, 제2 후보 제어 값은 슬러리 펌프 알피엠(RPM) 또는 다이 간격을 포함할 수 있다. 예측 제어 장치(100)는 제2 예측 모델을 이용하여 복수의 제2 후보 제어 값에 대한 제2 품질을 예측할 수 있다. 이 경우 실시예에 따르면, 예측 모델(200)은 제2 예측 모델을 포함할 수 있다. 예측 제어 장치(100)는 제2 예측 모델을 이용하여 복수의 제2 후보 제어 값에 대한 제2 품질을 예측하고, 예측된 제2 품질에 기초하여 제2 최적 제어 값을 도출할 수 있다.
실시예에 따르면, 예측 제어 장치(100)는 도출된 제2 최적 제어 값을 이용하여 슬러리 펌프 알피엠 또는 다이 간격을 조절할 수 있다.
예측 모델(200)은 입력된 데이터에 대하여 예측 제어 값을 연산하고, 최적 제어 값을 제공하는 기계 학습 모델을 의미할 수 있다. 실시예에 따르면, 예측 모델(200)은 제2 예측 모델을 포함할 수 있다. 실시예에 따르면, 예측 모델(200)은 전통적인 기계 학습 기법 또는 딥러닝 기법을 통해 구축될 수 있다. 예를 들어, 예측 모델(200)은 기존 학습된 지식을 전달하기 위한 학습 방법(예: 전이 학습)에 기반한 인공지능 모델일 수 있다. 예를 들어, 예측 모델(200)은 태스크들(tasks) 간의 학습 내용을 전이하기 위한 인공지능 모델(예: PNN(progressive neural network))을 포함할 수 있다. 여기에서, 태스크는 인공지능 모델에 포함된 시퀀스들 각각의 작업 또는 목표를 의미할 수 있다. 예를 들어, 예측 모델(200)의 태스크는 입력 데이터에 대한 예측 제어 값(또는, 최적 제어 값)의 연산 및 연산 결과 출력일 수 있다. 이하에서는, 도 1b를 참조하여 예측 모델(200)이 PNN으로 구성된 경우의 예측 모델(200)의 동작에 대해 설명한다. 다만, 예측 모델(200)은 제시된 예들에 한정되지 않는다. 예를 들어, 예측 모델(200)은 미세 조정(fine tuning)에 기반한 인공지능 모델을 포함할 수 있다.
일 실시 예에서, 예측 모델(200)은 복수의 네트워크들(211, 212, 213)을 포함할 수 있다. 일 실시 예에서, 예측 모델(200)은 네트워크들(211, 212, 213) 각각이 서로 연결된 구조를 가질 수 있다. 여기에서, 네트워크들(211, 212, 213) 각각은 지정된 태스크에 따른 결과물을 생성하기 위한 인공지능 네트워크들일 수 있다.
일 실시 예에서, 예측 모델(200)은 새로운 네트워크가 추가될 수 있다. 예를 들어, 예측 모델(200)에 네트워크(211)만이 존재하는 상황에서, 네트워크(212)가 새롭게 추가될 수 있다. 또한, 예를 들어, 예측 모델(200)에 네트워크들(211, 212)이 존재하는 상황에서, 네트워크(213)가 새롭게 추가될 수 있다.
일 실시 예에서, 예측 모델(200)에 새로운 네트워크가 추가되는 경우, 기존의 네트워크의 학습은 중단될 수 있다. 여기에서, 학습의 중단은 기존의 네트워크에 포함된 레이어들, 및 출력의 가중치들이 변경되지 않는 것을 의미할 수 있다.
일 실시 예에서, 예측 모델(200)에 새로운 네트워크가 추가되는 경우, 새로운 네트워크가 학습될 수 있다. 여기에서, 학습은 역전파 알고리즘에 기반할 수 있다.
일 실시 예에서, 예측 모델(200)에 포함된 네트워크들(211, 212, 213)은 기존 네트워크의 중간 연산 결과가 새로운 네트워크에 입력되는 방식으로 서로 연결될 수 있다. 예를 들어, 예측 모델(200)에 첫 번째 네트워크(211), 두 번째 네트워크(212), 및 세 번째 네트워크(213)의 순서로 추가된 경우, 첫 번째 네트워크(211)의 중간 연산 결과는 두 번째 네트워크(212), 및 세 번째 네트워크(213)에 입력될 수 있다. 또한, 두 번째 네트워크(212)의 중간 연산 결과는 세 번째 네트워크(213)에 입력될 수 있다.
일 실시 예에서, 예측 모델(200)에 포함된 네트워크들(211, 212, 213) 중 일부 네트워크들을 병합할 수 있다. 예를 들어, 첫 번째 네트워크(211) 및 두 번째 네트워크(212)가 하나의 네트워크로 병합될 수 있다. 일 실시 예에서, 첫 번째 네트워크(211) 및 두 번째 네트워크(212) 간의 병합에 의해, 첫 번째 네트워크(211)의 첫 번째 레이어(221)의 출력, 및 두 번째 네트워크(212)의 첫 번째 레이어(222)의 출력의 합산 값은 병합 후 네트워크의 첫 번째 레이어의 출력과 동일할 수 있다. 또한, 첫 번째 네트워크(211) 및 두 번째 네트워크(212) 간의 병합에 의해, 첫 번째 네트워크(211)의 두 번째 레이어(221)의 출력, 및 두 번째 네트워크(212)의 두 번째 레이어(222)의 출력의 합산 값은 병합 후 네트워크의 두 번째 레이어의 출력과 동일할 수 있다. 마찬가지로, 첫 번째 네트워크(211) 및 두 번째 네트워크(212) 간의 병합에 의해, 첫 번째 네트워크(211)의 n 번째 레이어의 출력, 및 두 번째 네트워크(212)의 n 번째 레이어의 출력의 합산 값은 병합 후 네트워크의 n 번째 레이어의 출력과 동일할 수 있다.
일 실시 예에서, 병합은 예측 모델(200)에 포함된 네트워크들(211, 212, 213) 중 일부 네트워크들의 개수가 기준치를 초과하는 경우 발생할 수 있다.
일 실시 예에서, 네트워크들(211, 212, 213)의 입력(201)은 제2 후보 제어 값(예: 다이 간격 및 슬러리 펌프 알피엠)일 수 있다. 일 실시 예에서, 네트워크들(211, 212, 213)의 출력들(241, 242, 243)은 로딩 패턴(예: 슬러리 로딩량 균일성 및/또는 미스 매칭) 또는 코팅 폭을 포함할 수 있다.
일 실시 예에서, 첫 번째 네트워크(211)는 입력(201)(즉, 제2 후보 제어 값)과 출력(241)(즉, 로딩 패턴 또는 코팅 폭) 간의 양의 상관 관계를 가지도록 학습될 수 있다. 예를 들어, 첫 번째 네트워크(211)는 좌측 간격, 및/또는 우측 간격이 스텝 사이즈(예: ±1[㎛])에 따라 증가 또는 감소함에 따라 출력 파라미터(예: 코팅 폭)의 값이 증가 또는 감소하도록 학습될 수 있다. 일 실시 예에서, 첫 번째 네트워크(211)의 학습 데이터는 임의 생성된 데이터일 수 있다.
일 실시 예에서, 두 번째 네트워크(212)는 실제 획득된 데이터(즉, 제2 후보 제어 값과 로딩 패턴 또는 코팅 폭 간의 상관 관계를 나타내는 데이터)에 기반하여 학습될 수 있다. 일 실시 예에서, 두 번째 네트워크(212)는 입력(201)(즉, 제2 후보 제어 값)과 첫 번째 네트워크(211)의 레이어들(221, 231)의 출력에 기초하여 출력(242)을 생성할 수 있다. 일 실시 예에서, 두 번째 네트워크(212)는 두 번째 네트워크(212)의 출력(242)이 입력(201)과 관련된 실제 데이터(즉, 로딩 패턴 또는 코팅 폭)와의 차이가 최소가 되도록 학습될 수 있다. 여기에서, 두 번째 네트워크(212)의 학습은 역전파 알고리즘에 기반할 수 있다. 일 실시 예에서, 두 번째 네트워크(212)의 학습 시 첫 번째 네트워크(211)는 학습되지 않을 수 있다. 일 실시 예에서, 두 번째 네트워크(212)의 학습 시 첫 번째 네트워크(211)의 파라미터들은 고정될 수 있다.
일 실시 예에서, 세 번째 네트워크(213)는 두 번째 네트워크(212)의 학습 데이터 이후에 획득되는 데이터(즉, 제2 후보 제어 값과 로딩 패턴 또는 코팅 폭 간의 상관 관계를 나타내는 데이터)에 기반하여 학습될 수 있다. 일 실시 예에서, 세 번째 네트워크(213)는 입력(201)(즉, 제2 후보 제어 값)과 첫 번째 네트워크(211)의 레이어들(221, 231)의 출력 및 두 번째 네트워크(212)의 레이어들(222, 232)의 출력에 기초하여 출력(243)을 생성할 수 있다. 일 실시 예에서, 세 번째 네트워크(213)는 세 번째 네트워크(213)의 출력(243)이 입력(201)과 관련된 실제 데이터(즉, 로딩 패턴 또는 코팅 폭)와의 차이가 최소가 되도록 학습될 수 있다. 여기에서, 세 번째 네트워크(213)의 학습은 역전파 알고리즘에 기반할 수 있다. 일 실시 예에서, 세 번째 네트워크(213)의 학습 시 첫 번째 네트워크(211) 및 두 번째 네트워크(212)는 학습되지 않을 수 있다. 일 실시 예에서, 세 번째 네트워크(213)의 학습 시 첫 번째 네트워크(211) 및 두 번째 네트워크(212)의 파라미터들은 고정될 수 있다.
일 실시 예에서, 세 번째 네트워크(213)의 학습 이후 새로운 네트워크가 추가되는 경우, 새로운 네트워크의 학습 데이터는 세 번째 네트워크(213)의 학습 데이터 이후에 획득되는 데이터일 수 있다. 또한, 새로운 네트워크의 학습 시, 이전에 추가된 네트워크들(211, 212, 213)의 파라미터들은 고정될 수 있다. 마지막으로, 세 번째 네트워크(213)의 학습 이후 새로운 네트워크가 추가되는 경우, 이전에 추가된 네트워크들(211, 212, 213) 중 먼저 추가된 순서대로 일부 네트워크들이 병합될 수 있다.
일 실시 예에서, 예측 모델(200)이 제공하는 최적 제어 값은 네트워크들(211, 212, 213)의 출력들(241, 242, 243) 중 가장 나중에 추가된 네트워크(즉, 세 번째 네트워크(213))의 출력(243)일 수 있다.
실시예에 따르면, 예측 제어 장치(100)는 피드백 학습 모델을 이용하여 예측 모델(200)을 업데이트 할 수 있다. 본 문서에 개시된 일 실시예에 따라, 예측 모델(200)은 제2 예측 모델을 포함할 수 있다. 피드백 학습 모델은 예측 결과의 만족도에 대한 사용자 피드백(feedback)을 학습한 기계 학습 모델을 의미할 수 있다. 본 실시예에 따르면, 사용자의 만족도에 기반하여 예측 모델(200)이 업데이트되는 바, 예측 제어에 대한 사용자 만족도가 향상될 수 있다.
실시예에 따르면, 예측 모델(200)은 예측 제어 장치(100)와 물리적으로 독립된 컴퓨팅 장치에 구축되거나 예측 제어 장치(100)에 구축될 수 있다. 이하에서는, 예측 모델(200)이 예측 제어 장치(100)에 구축된 것을 가정하여 설명한다.
사용자 단말(300)은 예측 제어를 제공할 데이터를 송신하는 사용자의 단말을 의미할 수 있다. 실시예에 따르면, 사용자 단말(300)은 비전 시스템(Vision System)에 해당할 수 있다. 여기서, 비전 시스템은 코팅 다이를 통해 슬러리가 도포된 기재에 관련된 데이터를 생성하는 시스템을 의미할 수 있다. 여기서 기재는 전극을 포함한 충방전이 가능한 전지를 의미할 수 있다. 예를 들어, 기재는 이차 전지를 포함할 수 있다.
실시예에 따르면, 사용자 단말(300)은 슬러리의 로딩 프로파일 데이터를 생성할 수 있다. 로딩 프로파일 데이터는 슬러리 로딩량 데이터를 포함할 수 있다. 실시예에 따르면, 슬러리 로딩량 데이터는 전처리될 수 있다. 실시예에 따르면, 사용자 단말(300)은 기재의 유지부 폭 및/또는 무지부 폭을 이미지로 변환한 이미지 데이터를 생성할 수 있다. 예측 제어 장치(100)는 사용자 단말(300)을 통해 데이터를 획득할 수 있다. 예측 제어 장치(100)는 사용자 단말(300)을 통해 획득한 데이터에 기반한 예측 결과를 제공할 수 있다. 이 경우, 예측 제어 장치(100)는 사용자 피드백을 유도하기 위한 사용자 인터페이스를 제공할 수 있고, 사용자는 사용자 인터페이스를 통해 예측 결과의 만족도에 대한 사용자 피드백 정보를 제공할 수 있다. 예측 제어 장치(100)는 사용자 피드백 정보를 이용하여 피드백 학습 모델을 점진적으로 학습시킬 수 있다.
예측 제어 시스템의 구성 요소들은 네트워크를 통해 통신할 수 있다. 실시예에 따르면, 네트워크는 근거리 통신말(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 이동 통신망(mobile radio communication network), Wibro(Wireless Broadband Internet) 등과 같은 모든 종류의 유선 네트워크 또는 무선 네트워크로 구현될 수 있다.
이하에서는, 예측 제어 장치(100)의 구성 및 동작에 대하여 도 2 내지 도 11을 참조하여 설명한다.
도 2는 본 문서에 개시된 일 실시예에 따른 예측 제어 장치를 보여주는 블록도이다.
도 2를 참조하면, 예측 제어 장치(100)는 데이터 획득부(110) 및 프로세서(120)를 포함할 수 있다. 도 2의 예측 제어 장치(100)는 실질적으로 도 1의 예측 제어 장치(100)와 동일한 구성일 수 있다.
데이터 획득부(110)는 사용자 단말(300)로부터 예측 제어의 대상에 관한 데이터를 획득할 수 있다.
실시예에 따르면, 예측 제어의 대상은 코팅 다이를 이용해 슬러리(slurry)가 로딩되는 기재(base material)를 포함할 수 있다. 데이터 획득부(110)는 사용자 단말(300)로부터 코팅 다이를 이용해 슬러리가 로딩되는 기재에 관한 데이터를 획득할 수 있다. 실시예에 따르면, 데이터는 기재의 슬러리 로딩량 데이터를 포함할 수 있다. 실시예에 따르면, 슬러리 로딩량 데이터는 사용자 단말(300)에서 전처리된 데이터에 해당할 수 있다. 실시예에 따르면, 슬러리 로딩량 데이터는 중앙 로딩량 데이터 및/또는 좌우 유지부 로딩량 데이터를 포함할 수 있다.
실시예에 따르면, 예측 제어의 대상은 프로세서(120)가 슬러리 온도를 조절한 후의 기재를 포함할 수 있다. 데이터 획득부(110)는 사용자 단말(300)로부터, 후술할 바에 따라 프로세서(120)가 슬러리 온도를 조절한 후의 기재에 관한 제2 데이터를 획득할 수 있다. 실시예에 따르면, 제2 데이터는 기재의 유지부 폭 및/또는 무지부 폭을 이미지로 변환한 이미지 데이터를 포함할 수 있다. 본 문서에 개시된 실시예에 따르면 예측 제어의 타겟 대상은 코팅 다이를 이용해 슬러리가 로딩되는 기재를 가정하여 본 명세서를 작성하나, 이에 한정되는 것은 아니다.
프로세서(120)는 데이터 획득부(110)에서 획득한 데이터에 기초하여 슬러리 로딩 특성을 분석할 수 있다. 실시예에 따르면, 슬러리 로딩 특성은 슬러리 로딩량 균일성을 포함할 수 있다. 예를 들면, 데이터 획득부(110)가 슬러리 로딩량 데이터를 획득한 때, 프로세서(120)는 슬러리 로딩량 데이터에 기초하여 슬러리 로딩량 균일성을 분석할 수 있다.
프로세서(120)는 슬러리 로딩 특성의 분석 결과에 응답하여 후보 제어 값을 도출할 수 있다. 실시예에 따르면, 후보 제어 값은 슬러리 온도를 포함할 수 있다. 예를 들면, 프로세서(120)는 슬러리 로딩 특성에 기초하여 슬러리 온도를 포함하는 후보 제어 값을 도출할 수 있다. 이에 대해 도 5를 참조하여 구체적으로 설명한다.
프로세서(120)는 예측 모델을 이용하여 후보 제어 값에 대한 품질을 예측할 수 있다. 실시예에 따르면, 예측 모델은 슬러리 온도와 슬러리 로딩 특성의 상관관계를 학습하여 모델링 될 수 있다. 프로세서(120)는 예측된 품질에 기초하여 최적 제어 값을 도출할 수 있다. 프로세서(120)가 최적 제어 값을 도출하는 내용에 대해 도 6을 참조하여 구체적으로 설명한다.
본 문서에 개시된 실시예에 따라 데이터 획득부가 제2 데이터를 획득한 경우, 프로세서(120)는 제2 데이터에 기초하여 미스 매칭 발생 여부를 판단할 수 있다. 실시예에 따라, 프로세서(120)는 기재의 서로 다른 두 대향면의 탑(Top) 및/또는 백(Back)의 폭 너비를 이용하여 미스 매칭 발생 여부를 연산할 수 있다. 전극 코팅된 기재의 상부면 또는 하부면 중에서, 탑(Top)은 코팅 길이가 상대적으로 긴 면을 의미하고, 백(Back)은 코팅 길이가 상대적으로 짧은 면을 의미할 수 있다. 예를 들어, 프로세서(120)는 기재의 탑(Top) 및/또는 백(Back)의 유지부 폭 및/또는 무지부 폭 너비를 이용하여 미스 매칭 값을 연산할 수 있다. 유지부는 기재에 슬러리가 로딩되어 코팅된 영역을 의미하고, 무지부는 기재에 슬러리가 로딩되지 않는 영역을 의미할 수 있다.
실시예에 따르면, 프로세서(120)는 미스 매칭 발생에 응답하여 제2 후보 제어 값을 도출할 수 있다. 실시예에 따르면, 제2 후보 제어 값은 슬러리 펌프 알피엠(RPM) 또는 다이 간격을 포함할 수 있다. 예를 들면, 프로세서(120)는 미스 매칭 발생에 응답하여 슬러리 펌프 알피엠 또는 다이 간격을 포함하는 제2 후보 제어 값을 도출할 수 있다. 이에 대해 도 8을 참조하여 구체적으로 설명한다.
본 문서에 개시된 실시예에 따라 프로세서(120)가 제2 후보 제어 값을 도출한 경우, 제2 예측 모델을 이용하여 제2 후보 제어 값에 대한 제2 품질을 예측할 수 있다. 프로세서(120)는 예측된 제2 품질에 기초하여 제2 최적 제어 값을 도출할 수 있다. 프로세서(120)가 제2 최적 제어 값을 도출하는 내용에 대해 도 9를 참조하여 구체적으로 설명한다.
도 3은 본 문서에 개시된 다양한 실시예에 참조되는 슬러리 로딩 특성을 설명하기 위한 도면이다.
도 3을 참조하면, 기재(base material)는 유지부(A1, A2 및 A3) 및 무지부(B1 및 B2)를 포함할 수 있다. 이하에서는 예측 제어 장치(100)가 분석하는 슬러리 로딩 특성에 대하여 도 1 및 도 2를 참조하여 구체적으로 설명한다.
프로세서(120)는 데이터에 기초하여 슬러리 로딩 특성을 분석할 수 있다. 실시예에 따르면, 프로세서(120)는 유지부(A1, A2 및 A3)의 슬러리 로딩량 데이터에 기초하여 슬러리 로딩 특성을 분석할 수 있다. 실시예에 따르면, 슬러리 로딩량 데이터는 중앙 로딩량 데이터 및 좌우 유지부 로딩량 데이터를 포함할 수 있다. 본 실시예에 따르면, 프로세서(120)는 유지부의 전체 및/또는 일부를 기 설정된 기준에 따라 중앙 유지부 및 좌우 유지부로 분류될 수 있다. 이 경우, 중앙 로딩량 데이터는 중앙 유지부의 슬러리 로딩량 데이터의 평균을 의미하고, 좌우 유지부 로딩량 데이터는 좌우 유지부의 슬러리 로딩량 데이터의 평균을 의미할 수 있다. 예를 들면, 프로세서(120)는 A2를 중앙 유지부로 분류하고, A1 및 A3를 좌우 유지부로 분류할 수 있다. 다른 예를 들면, 프로세서(120)는 l3 및 l4를 중앙 유지부로 분류하고, l1 및 l6을 좌우 유지부로 분류할 수 있다. 프로세서(120)는 기재의 종류 및 특성, 예측 제어 장치의 최적화 목적, 예측 제어 장치를 구현하는 설비의 종류 등에 따라 중앙 유지부 및/또는 좌우 유지부를 분류하는 기준을 다르게 결정할 수 있다.
실시예에 따르면, 프로세서(120)는 슬러리 로딩량 데이터에 기초하여 슬러리 로딩 특성을 분석할 수 있다. 실시예에 따르면, 슬러리 로딩 특성은 슬러리 로딩량 균일성을 포함할 수 있다. 예를 들면, 프로세서(120)는 유지부(A1, A2 및 A3)의 슬러리 로딩량 데이터에 기초하여, 슬러리 로딩량 균일성을 분석할 수 있다. 프로세서(120)는 슬러리 로딩량 균일성을 분석하기 위하여, 슬러리 로딩량 데이터를 이용하여 로딩 편차를 연산할 수 있다. 실시예에 따르면, 프로세서(120)는 중앙 로딩량 데이터 및 좌우 유지부 로딩량 데이터를 이용하여 로딩 편차를 연산 할 수 있다.
예를 들어, 프로세서(120)는 하기 수학식 1에 따라 로딩 편차를 연산할 수 있다.
[수학식 1]
로딩 편차 = 중앙 로딩량 데이터 - 좌우 유지부 로딩량 데이터
본 문서에 개시된 실시예에 따라 프로세서(120)가 A2를 중앙 유지부로 분류하고, A1 및 A3를 좌우 유지부로 분류하는 경우, 프로세서(120)는 하기 수학식 2에 따라 로딩 편차를 연산할 수 있다.
[수학식 2]
로딩 편차 = (A2의 슬러리 로딩량 평균) - (A1 및 A3의 슬러리 로딩량 평균)
본 문서에 개시된 다른 실시예에 따라 프로세서(120)가 l3 및 l4를 중앙 유지부로 분류하고, l1 및 l6을 좌우 유지부로 분류하는 경우, 프로세서(120)는 하기 수학식 3에 따라 로딩 편차를 연산할 수 있다.
[수학식 3]
로딩 편차 = (l3 및 l4의 슬러리 로딩량 평균) - (l1 및 l6의 슬러리 로딩량 평균)
실시예에 따르면, 프로세서(120)는 로딩 편차가 0에 가까울수록 슬러리 로딩량이 균일하다고 분석할 수 있다.
프로세서(120)는 슬러리 로딩 특성을 분석하고, 슬러리 로딩 특성의 분석 결과에 응답하여 예측 제어 장치(100)의 제어 목표를 설정할 수 있다. 실시예에 따르면, 프로세서(120)는 슬러리 로딩량 균일성을 분석하고, 분석 결과에 응답하여 예측 제어 장치(100)의 제어 목표를 로딩 패턴에 관한 보정으로 설정할 수 있다. 프로세서(120)가 제어 목표에 따라 제어 인자를 제어하는 내용에 대해서는 도 4에서 구체적으로 설명한다.
도 4는 본 문서에 개시된 다양한 실시예에 참조되는 제어 인자 및 주요 품질 요소를 보여주는 도면이다.
도 4를 참조하면, 프로세서(120)는 제어 인자(X)를 제어하여 주요 품질 요소(Y)를 조절할 수 있다.
제어 인자(X)는 슬러리 온도, 슬러리 펌프 알피엠(RPM), 또는 다이 간격을 포함할 수 있다. 실시예에 따르면, 슬러리 펌프 알피엠은 코팅 다이의 슬러리 분사 속도에 영향을 줄 수 있다. 실시예에 따르면, 다이 간격은 코팅 다이의 좌측 간격 및/또는 우측 간격을 포함할 수 있다. 이 경우, 좌측 간격은 배터리 코팅에 사용되는 코팅 다이가 모터와 연결된 영역의 좌측 간격을 의미하고, 우측 간격은 배터리 코팅에 사용되는 코팅 다이가 모터와 연결된 영역의 우측 간격을 의미할 수 있다. 주요 품질 요소(Y)는 로딩 패턴 또는 코팅 폭을 포함할 수 있다. 실시예에 따르면, 로딩 패턴은 슬러리 로딩량 균일성 및/또는 미스 매칭을 포함할 수 있다.
프로세서(120)는 주요 품질 요소(Y)를 보정하기 위하여 제어 인자(X)를 제어할 수 있다. 실시예에 따라, 제어 인자(X)는 상호간 종속변수로 작용할 수 있다. 프로세서(120)는 제어 목표에 따라 제어 인자(X) 중 일부를 주 제어 인자로, 나머지 일부를 부 제어 인자로 결정할 수 있다. 예를 들면, 제어 목표가 로딩 패턴에 관한 보정인 경우, 프로세서(120)는 슬러리 온도 및/또는 다이 간격을 주 제어 인자로, 슬러리 펌프 알피엠을 부 제어 인자로 결정할 수 있다. 다른 예를 들면, 제어 목표가 코팅 폭에 관한 보정인 경우, 프로세서(120)는 다이 간격을 주 제어 인자로, 슬러리 온도 및/또는 슬러리 펌프 알피엠을 부 제어 인자로 결정할 수 있다.
본 문서에 개시된 실시예에 따라, 프로세서(120)가 슬러리 로딩량 균일성을 보정하기 위하여 슬러리 온도를 높이는 경우, 슬러리는 오목 패턴(U자 패턴)으로 기재에 로딩될 수 있다. 다른 실시예에 따라, 프로세서(120)가 슬러리 로딩량 균일성을 보정하기 위하여 슬러리 온도를 낮추는 경우, 슬러리는 볼록 배턴(A자 패턴)으로 기재에 로딩될 수 있다.
도 5는 본 문서에 개시된 일 실시예에 따른 예측 제어 장치가 도출한 후보 제어 값을 보여주는 도면이다.
도 5를 참조하면, 예측 제어 장치(100)의 프로세서(120)는 슬러리 온도를 포함하는 후보 제어 값을 도출할 수 있다. 프로세서(120)는 슬러리 온도, 다이 간격 및 슬러리 펌프 알피엠(Pump RPM)을 제어 인자로 하는 후보 제어 값을 도출할 수 있다. 본 문서에 개시된 실시예에 따라 다이 간격은 좌측 간격(L Gap) 및 우측 간격(R Gap)을 포함할 수 있다. 프로세서(120)는 제어 인자 각각의 현재값 및 조정 범위를 이용하여 후보 제어 값을 도출할 수 있다.
도 5에 도시된 바와 같이, 프로세서(120)는 좌측 간격, 우측 간격 및 슬러리 펌프 알피엠을 고정하고, 슬러리 온도에 조정 범위를 부여 하여 후보 제어 값을 도출할 수 있다. 실시예에 따르면, 프로세서(120)는 조정 범위 내에서 기 설정된 간격으로 슬러리 온도를 조정할 수 있다. 도 5에 도시된 실시예에 따르면, 프로세서(120)는 슬러리 온도의 조정 범위를 ±2[℃]로 하고, 슬러리 온도의 현재값을 기준으로 슬러리 온도가 ±0.4[℃] 간격으로 조정된 후보 제어 값을 도출할 수 있다.
다만, 도 5는 프로세서(120)가 도출한 후보 제어 값의 일 실시예에 해당하고, 프로세서(120)가 도출하는 후보 제어 값이 도 5의 도시된 값에 한정되는 것은 아니다. 실시예에 따르면, 프로세서(120)는 슬러리 온도의 조정 범위 및/또는 슬러리 온도의 조정 간격을 다르게 설정할 수 있다.
프로세서(120)는 후보 제어 값에 대하여 예측 모델을 이용하여 품질을 예측하고, 품질에 기초하여 최적 제어 값을 예측할 수 있다.
실시예에 따르면, 프로세서(120)는 후보 제어 값에 대하여 필터링을 실시할 수 있다. 본 실시예에 따르면, 프로세서(120)는 필터링을 통해 후보 제어 값의 수를 최소화할 수 있다. 이 경우, 프로세서(120)는 필터링을 통해 최소화된 후보 제어 값에 대하여 예측 모델을 이용하여 품질을 예측하고, 품질에 기초하여 최적 제어 값을 예측할 수 있다.
도 6은 본 문서에 개시된 일 실시예에 따른 예측 제어 장치가 후보 제어 값 중에서 최적 제어 값을 도출하는 동작을 설명하기 위한 도면이다.
도 6을 참조하면, 프로세서(120)는 예측 모델을 이용하여 후보 제어 값에 대한 품질을 예측하고, 품질에 기초하여 최적 제어 값을 도출할 수 있다.
프로세서(120)는 예측 모델을 이용하여 후보 제어 값에 대한 품질을 예측할 수 있다. 품질은 중앙 로딩량 데이터, 좌우 유지부 로딩량 데이터 및/또는 로딩 편차를 포함할 수 있으나, 이에 한정되는 것은 아니다.
실시예에 따르면, 프로세서(120)는 예측 모델을 이용하여 후보 제어 값에 대한 중앙 로딩량 데이터, 좌우 유지부 로딩량 데이터 및/또는 로딩 편차의 예측 값을 연산할 수 있다. 실시예에 따르면, 프로세서(120)가 슬러리 온도를 0.4[℃]만큼 조절하는 경우, 중앙 로딩양 데이터 및/또는 좌우 유지부 로딩량 데이터의 예측값은 최대 6[mg] 변화할 수 있다.
실시예에 따르면, 프로세서(120)는 예측 모델을 이용하여 연산된 중앙 로딩량 데이터, 좌우 유지부 로딩량 데이터 및/또는 로딩 편차의 예측 값에 기초하여 품질을 예측할 수 있다.
프로세서(120)는 품질에 기초하여 최적 제어 값을 도출할 수 있다. 실시예에 따르면, 프로세서(120)는 예측된 중앙 로딩량 데이터, 예측된 좌우 유지부 로딩량 데이터 또는 예측된 로딩 편차가 목표 값에 가장 가까운 후보 제어 값을 최적 제어 값으로 도출할 수 있다. 예를 들면, 프로세서(120)는 예측된 로딩 편차가 목표 값인 0에 가장 가까운 후보 제어 값을 최적 제어 값으로 도출할 수 있다. 도 6에 도시된 실시예에 따르면, 프로세서(120)는 로딩 편차 예측 값이 0인 후보 제어 값을 최적 제어 값으로 도출할 수 있다.
실시예에 따르면, 프로세서(120)는 도출된 최적 제어 값을 이용하여 슬러리 온도를 조절할 수 있다. 도 6에 도시된 실시예에 따르면, 프로세서(120)는 로딩 편차 예측 값이 0인 최적 제어 값을 이용하여, 슬러리 온도를 29[℃]로 조절할 수 있다.
도 7은 본 문서에 개시된 일 실시예에 따라 미스 매칭 발생 여부의 판단 방법을 설명하기 위한 도면이다.
도 7을 참조하면, 데이터 획득부(110)는 제2 데이터를 획득할 수 있다. 제2 데이터는 기재의 유지부 폭 및 기재의 무지부 폭을 이미지로 변환한 이미지 데이터를 포함할 수 있다. 실시예에 따르면, 제2 데이터는 프로세서(120)가 최적 제어 값을 이용하여 슬러리 온도를 조절한 후의 기재에 관한 데이터에 해당할 수 있다.
프로세서(120)는 사용자 단말(300)로부터 획득한 제2 데이터에 기초하여 미스 매칭 발생 여부를 판단할 수 있다. 실시예에 따르면, 제2 데이터는 프로세서(120)는 기재의 유지부 폭 및 무지부 폭을 이미지로 변환한 이미지 데이터에 기반하여 미스 매칭 발생 여부를 판단할 수 있다. 예를 들면, 프로세서(120)는 기재의 탑(Top)과 기재의 백(Back)간의 폭 차이(M1, M2, M3, M4)로 인해 미스 매칭이 발생한 것을 알 수 있다.
프로세서(120)는 기재의 탑(Top)의 무지부 폭(W1, W3, W5) 및 유지부 폭(W2, W4)과 기재의 백(Back)의 무지부 폭(X1, X3, X5) 및 유지부 폭(X2, X4)을 이용하여 폭 차이(M1, M2, M3, M4)를 연산하여 미스 매칭 발생 여부를 판단할 수 있다. 미스 매칭은, 전극의 대향면에 분사된 슬러리의 폭 및/또는 로딩량이 균일하지 못하는 것을 의미할 수 있다.
예를 들어, 프로세서(120)는 하기 [표 1]에 따라 미스 매칭 발생 여부를 판단할 수 있다.
M1= W1-X1-e
M2= W2-X2+M1
M3= W3-X3+M2
M4= W4-X4+M3
표 1에서 e는 기재의 탑(Top) 전체 너비(예를 들어, W1+W2+W3+W4+W5)와 기재의 백(Back) 전체 너비(예를 들어, X1+X2+X3+X4+X5)를 더하고 2로 나눈 값을 의미할 수 있다. 프로세서(120)는 기재의 종류 및 특성에 따라 e의 반영 여부를 결정할 수 있다. 실시예에 따르면, 프로세서(120)는 연산된 폭 차이(M1, M2, M3, M4) 값의 차이가 기준 값 이상인 경우, 미스 매칭이 발생한 것으로 판단할 수 있다.
도 8은 본 문서에 개시된 일 실시예에 따른 예측 제어 장치가 도출한 제2 후보 제어 값을 보여주는 도면이다.
도 8을 참조하면, 예측 제어 장치(100)의 프로세서(120)는 슬러리 펌프 알피엠(RPM) 또는 다이 간격을 포함하는 제2 후보 제어 값을 도출할 수 있다. 프로세서(120)는 슬러리 온도, 다이 간격 및 슬러리 펌프 알피엠(Pump RPM)을 제어 인자로 하는 제2 후보 제어 값을 도출할 수 있다. 본 문서에 개시된 실시예에 따라 다이 간격은 좌측 간격(L Gap) 및 우측 간격(R Gap)을 포함할 수 있다. 프로세서(120)는 제어 인자 각각의 현재값 및 조정 범위를 이용하여 제2 후보 제어 값을 도출할 수 있다.
도 8에 도시된 바와 같이, 프로세서(120)는 슬러리 온도를 고정하고, 좌측 간격, 우측 간격 및 슬러리 펌프 알피엠에 조정 범위를 부여하여 제2 후보 제어 값을 도출할 수 있다. 실시예에 따르면, 프로세서(120)는 조정 범위 내에서 좌측 간격, 우측 간격 및/또는 슬러리 펌프 알피엠을 조정할 수 있다. 도 8에 도시된 실시예에 따르면, 프로세서(120)는 좌측 간격 및/또는 우측 간격을 ±1[㎛] 조정하거나, 및/또는 슬러리 펌프 알피엠을 ±1만큼 조정할 수 있다. 이 경우, 프로세서(120)는 27개의 제2 후보 제어 값을 도출할 수 있다.
다만, 도 8은 프로세서(120)가 도출한 제2 푸보 제어 값의 일 실시예에 해당하고, 프로세서(120) 도출하는 후보 제어 값이 도 8에 도시된 값에 한정되는 것은 아니다. 실시예에 따르면, 프로세서(120)는 좌측 간격, 우측 간격 및/또는 슬러리 펌프 알피엠의 조정 범위 또는 단위를 다르게 설정할 수 있다.
프로세서(120)는 제2 후보 제어 값에 대하여 제2 예측 모델을 이용하여 제2 품질을 예측하고, 제2 품질에 기초하여 제2 최적 제어 값을 예측할 수 있다.
실시예에 따르면, 프로세서(120)는 제2 후보 제어 값에 대하여 필터링을 실시할 수 있다. 본 실시예에 따르면, 프로세서(120)는 필터링을 통해 제2 후보 제어 값의 수를 최소화할 수 있다. 이 경우, 프로세서(120)는 필터링을 통해 최소화된 제2 후보 제어 값에 대하여 제2 예측 모델을 이용하여 제2 품질을 예측하고, 제2 품질에 기초하여 제2 최적 제어 값을 예측할 수 있다.
도 9는 본 문서에 개시되는 일 실시예에 따른 예측 제어 장치가 제2 후보 제어 값 중에서 제2 최적 제어 값을 도출하는 동작을 설명하기 위한 도면이다.
도 9를 참조하면, 프로세서(120)는 제2 예측 모델을 이용하여 제2 후보 제어 값에 대한 품질을 예측하고, 제2 품질에 기초하여 제2 최적 제어 값을 도출할 수 있다.
프로세서(120)는 제2 예측 모델을 이용하여 제2 후보 제어 값에 대한 제2 품질을 예측할 수 있다. 제2 품질은 로딩량, 무지부 폭 및/또는 유지부 폭을 포함할 수 있으나, 이에 한정되는 것은 아니다.
실시예에 따르면, 프로세서(120)는 제2 예측 모델을 이용하여 제2 후보 제어 값에 대한 로딩량, 무지부 폭 및/또는 유지부 폭의 예측 값을 연산할 수 있다. 실시예에 따르면, 프로세서(120)는 제2 예측 모델을 이용하여 연산된 로딩량, 무지부 폭 및/또는 유지부 폭의 예측 값에 기초하여 제2 품질을 예측할 수 있다.
프로세서(120)는 제2 품질에 기초하여 제2 최적 제어 값을 도출할 수 있다. 실시예에 따르면, 프로세서(120)는 제2 후보 제어 값 중 예측된 유지부 폭 및 예측된 무지부 폭이 정상 범위이고, 예측된 로딩량이 목표 값에 가장 가까운 제2 후보 제어 값을 제2 최적 제어 값으로 도출할 수 있다. 예를 들면, 프로세서(120)는 예측된 유지부 폭 및 예측된 무지부 폭이 모두 100이고, 예측된 로딩량이 목표 값인 100인 제2 후보 제어 값을 제2 최적 제어 값으로 도출할 수 있다.
실시예에 따르면, 프로세서(120)는 도출된 제2 최적 제어 값을 이용하여 다이 간격 또는 슬러리 펌프 알피엠을 조절할 수 있다. 이 경우, 슬러리 온도는 도 5 및 도 6을 참조하여, 프로세서(120)가 최적 제어 값을 이용하여 조절한 슬러리 온도로 고정될 수 있다.
도 9에 도시된 실시예에 따르면, 예측된 유지부 폭 및 예측된 무지부 폭이 모두 100이고, 예측된 로딩량이 목표 값인 100이 되도록 하는 제2 최적 제어 값을 이용하여, 프로세서(120)는 좌측 간격을 99[㎛]로, 우측 간격을 99[㎛], 슬러리 펌프 알피엠을 1199로 조절할 수 있다.
본 문서에 개시된 실시예에 따르면, 프로세서(120)는 예측 모델을 이용하여 후보 제어 값에 대한 품질을 예측하고 최적 제어 값을 도출할 수 있고, 제2 예측 모델을 이용하여 제2 후보 제어 값에 대한 제2 품질을 예측하고 제2 최적 제어 값을 도출할 수 있다. 다만, 본 실시예에 한하지 않고, 프로세서(120)는 예측 모델 및 제2 예측 모델을 결합한 통합 예측 모델을 이용하여 통합 품질을 예측하고, 예측된 통합 품질에 기초하여 예측 제어 장치(100)의 최종적인 보정 목표를 달성하기 위한 통합 최적 제어 값을 도출할 수 있다. 이 경우, 통합 품질은 중앙 로딩량 데이터, 좌우 유지부 로딩량 데이터 및/또는 로딩 편차, 로딩량, 무지부 폭 및/또는 유지부 폭을 포함할 수 있다.
도 10은 본 문서에 개시된 일 실시예에 따른 예측 제어 장치의 동작 방법을 보여주는 흐름도이다.
도 10을 참조하면, 예측 제어 장치(100)의 동작 방법은 코팅 다이를 이용해 슬러리(slurry)가 로딩되는 기재(base material)에 관련된 데이터를 획득하는 단계(S100), 데이터에 기초하여 슬러리 로딩 특성을 분석하는 단계(S110), 슬러리 로딩 특성의 분석 결과에 응답하여 슬러리 온도를 포함하는 후보 제어 값을 도출하는 단계(S120), 예측 모델을 이용하여 후보 제어 값에 대한 품질을 예측하는 단계(S130) 및 품질에 기초하여 최적 제어 값을 도출하는 단계(S140)를 포함할 수 있다. 실시예에 따르면, 예측 제어 장치(100)의 동작 방법은 최적 제어 값을 이용하여 슬러리 온도를 조절하는 단계(S150)를 더 포함할 수 있다.
이하에서는 S100 단계 내지 S150 단계에 대하여 도 1 내지 도 6을 참조하여 구체적으로 설명하고, 중복되는 내용에 관한 설명은 생략하거나 간략하게 설명한다.
S100 단계에서, 데이터 획득부(110)는 사용자 단말(300)로부터 데이터를 획득할 수 있다. 데이터 획득부(110)가 획득한 데이터는 코팅 다이를 이용해 슬러리가 로딩되는 기재에 관련된 데이터를 포함할 수 있다. 실시예에 따르면, 데이터는 기재에 도포된 슬러리의 로딩량에 관한 슬러리 로딩량 데이터를 포함할 수 있다. 슬러리 로딩량 데이터는 중앙 로딩량 데이터 및 좌우 유지부 로딩량 데이터를 포함할 수 있다.
S110 단계에서, 프로세서(120)는 데이터 획득부(110)에서 획득한 데이터에 기초하여 슬러리 로딩 특성을 분석할 수 있다. 실시예에 따르면, 슬러리 로딩 특성은 슬러리 로딩량 균일성을 분석할 수 있다. 예를 들면, 프로세서(120)는, 데이터 획득부(110)에서 획득한 슬러리 로딩량 데이터에 기초하여 슬러리 로딩량 균일성을 분석할 수 있다. 실시예에 따르면, 프로세서(120)는 슬러리 로딩량 데이터에 기초하여 로딩 편차를 연산함으로써, 슬러리 로딩량 균일성을 분석할 수 있다. 예를 들면, 프로세서(120)는 슬러리 로딩량 데이터에 기초하여 연산된 로딩 편차가 0에 가까운지 여부를 기준으로 하여, 슬러리 로딩량 균일성을 분석할 수 있다.
S120 단계에서, 프로세서(120)는 슬러리 로딩 특성을 분석한 결과에 응답하여 후보 제어 값을 도출할 수 있다. 실시예에 따르면, 후보 제어 값은 슬러리 온도를 포함할 수 있다. 예를 들면, 프로세서(120)는 슬러리 로딩 특성을 분석한 결과에 응답하여, 슬러리 온도를 포함하는 후보 제어 값을 도출할 수 있다. 프로세서(120)는 슬러리 로딩 특성을 분석한 결과에 응답하여, 예측 제어 장치(100)의 제어 목표를 설정할 수 있다. 실시예에 따르면, 프로세서(120)는 주요 품질 요소(Y)에 관한 보정을 예측 제어 장치(100)의 제어 목표로 설정할 수 있다. 예를 들면, 프로세서(120)는 슬러리 로딩량 균일성을 분석하고, 분석 결과에 응답하여 예측 제어 장치(100)의 제어 목표를 로딩 패턴에 관한 보정으로 설정할 수 있다. 이 경우, 프로세서(120)는 로딩 패턴을 보정하기 위한 후보 제어 값을 도출할 수 있다.
S130 단계에서, 프로세서(120)는 후보 제어 값에 대한 품질을 예측할 수 있다. 실시예에 따르면, 프로세서(120)는 예측 모델을 이용하여 후보 제어 값에 대한 품질을 예측할 수 있다. 실시예에 따르면, 예측 모델은 슬러리 온도와 슬러리 로딩 특성의 상관관계를 학습하여 모델링 될 수 있다. 실시예에 따르면, 품질은 중앙 로딩량 데이터, 좌우 유지부 로딩량 데이터 및/또는 로딩 편차를 포함할 수 있으나, 이에 한정되는 것은 아니다.
S140 단계에서, 프로세서(120)는 최적 제어 값을 도출할 수 있다. 실시예에 따르면, 프로세서(120)는 S130 단계에서 예측된 품질에 기초하여 최적 제어 값을 도출할 수 있다. 실시예에 따르면, 프로세서(120)는 예측된 중앙 로딩량 데이터, 예측된 좌우 유지부 로딩량 데이터 또는 로딩 편차가 목표 값에 가장 가까운 후보 제어 값을 최적 제어 값으로 도출할 수 있다. 예를 들어, 도 6을 참조하면, 프로세서(120)는 예측된 로딩 편차가 목표 값인 0에 가장 가까운 후보 제어 값을 최적 제어 값으로 도출할 수 있다.
S150 단계에서, 프로세서(120)는 슬러리 온도를 조절할 수 있다. 실시예에 따르면, 프로세서(120)는 S140 단계에서 도출된 최적 제어 값을 이용하여 슬러리 온도를 조절할 수 있다.
도 11은 본 문서에 개시된 일 실시예에 따른 예측 제어 장치의 동작 방법을 보여주는 흐름도이다.
도 11을 참조하면, 예측 제어 장치(100)의 동작 방법은 기재에 관한 제2 데이터를 획득하는 단계(S200), 제2 데이터에 기초하여 미스 매칭 발생 여부를 판단하는 단계(S210), 미스 매칭 발생에 응답하여 슬러리 펌프 알피엠(RPM) 또는 다이 간격을 포함하는 제2 후보 제어 값을 도출하는 단계(S220), 제2 예측 모델을 이용하여 제2 후보 제어 값에 대한 제2 품질을 예측하는 단계(S230) 및 제2 품질에 기초하여 제2 최적 제어 값을 도출하는 단계(S240)를 더 포함할 수 있다. 실시예에 따르면, 예측 제어 장치(100)의 동작 방법은 제2 최적 제어 값을 이용하여 슬러리 펌프 알피엠 또는 다이 간격을 조절하는 단계(S250)를 더 포함할 수 있다.
이하에서는 S200 단계 내지 S250 단계에 대하여 도 1 내지 도 10을 참조하여 구체적으로 설명하고, 중복되는 내용에 관한 설명은 생략하거나 간략하게 설명한다.
S200 단계에서, 데이터 획득부(110)는 사용자 단말(300)로부터 제2 데이터를 획득할 수 있다. 제2 데이터는 슬러리가 도포된 기재에 관한 데이터를 포함할 수 잇다. 실시예에 따르면 데이터 획득부(110)는, 프로세서(120)가 도 10의 S150 단계를 수행한 이후에, S200 단계를 수행할 수 있다. 제2 데이터는 슬러리 온도를 조절한 후의 기재에 관한 데이터를 포함할 수 있다. 예를 들면, 제2 데이터는, S150 단계 슬러리 온도를 조절한 후에 슬러리가 도포된 기재에 관한 데이터를 포함할 수 있다. 실시예에 따르면, 제2 데이터는 기재의 유지부 폭 및 기재의 무지부 폭을 이미지로 변환한 이미지 데이터를 포함할 수 있다.
S210 단계에서, 프로세서(120)는 미스 매칭 발생 여부를 판단할 수 있다. 실시예에 따르면, 프로세서(120)는 제2 데이터에 기초하여 미스 매칭 발생 여부를 판단할 수 있다. 실시예에 따르면, 프로세서(120)는 기재의 서로 다른 두 대향면의 탑(Top) 및/또는 백(Back)의 폭 너비를 이용하여 미스 매칭 발생 여부를 연산할 수 있다. 예를 들면, 프로세서(120)는 기재의 탑(Top)의 무지부 폭(W1, W3, W5) 및 유지부 폭(W2, W4)과 기재의 백(Back)의 무지부 폭(X1, X3, X5) 및 유지부 폭(X2, X4)을 이용하여 폭 차이(M1, M2, M3, M4)를 연산하여 미스 매칭 발생 여부를 판단할 수 있다. 본 문서에 개시된 실시예에 따르면, 프로세서(120)는 연산된 폭 차이(M1, M2, M3, M4) 값의 차이가 기준 값 이상인 경우, 미스 매칭이 발생한 것으로 판단할 수 있다.
S220 단계에서, 프로세서(120)는 미스 매칭 발생 여부에 응답하여 제2 후보 제어 값을 도출할 수 있다. 실시예에 따르면, 제2 후보 제어 값은 슬러리 펌프 알피엠(RPM) 또는 다이 간격을 포함할 수 있다. 예를 들면, 프로세서(120)는 미스 매칭 발생 여부에 응답하여, 슬러리 펌프 알피엠 또는 다이 간격을 포함하는 제2 후보 제어 값을 도출할 수 있다.
S230 단계에서, 프로세서(120)는 제2 후보 제어 값에 대한 제2 품질을 예측할 수 있다. 실시예에 따르면, 프로세서(120)는 제2 예측 모델을 이용하여 제2 후보 제어 값에 대한 제2 품질을 예측할 수 있다. 실시예에 따르면, 제2 품질은 로딩량, 무지부 폭 및/또는 유지부 폭을 포함할 수 있으나, 이에 한정되는 것은 아니다.
S240 단계에서, 프로세서(120)는 제2 최적 제어 값을 도출할 수 있다. 실시예에 따르면, 프로세서(120)는 S230 단계에서 예측된 제2 품질에 기초하여 제2 최적 제어 값을 도출할 수 있다. 실시예에 따르면, 프로세서(120)는 제2 후보 제어 값 중에서 예측된 유지부 폭 및 예측된 무지부 폭이 정상 범위이고, 예측된 로딩량이 목표 값에 가장 가까운 제2 후보 제어 값을 제2 최적 제어 값으로 도출할 수 있다. 예를 들어, 도 9를 참조하면, 프로세서(120)는 예측된 유지부 폭 및 예측된 무지부 폭이 모두 100이고, 예측된 로딩량이 목표 값인 100인 제2 후보 제어 값을 제2 최적 제어 값으로 도출할 수 있다.
S250 단계에서, 프로세서(120)는 슬러리 펌프 알피엠 또는 다이 간격을 조절할 수 있다. 실시예에 따르면, 프로세서(120)는 S240 단계에서 도출된 제2 최적 제어 값을 이용하여 슬러리 펌프 알피엠 또는 다이 간격을 조절할 수 있다.
본 문서에 개시된 실시예에 따라, 프로세서(120)가 예측 모델 및 제2 예측 모델을 결합한 통합 예측 모델을 이용하는 경우, 프로세서(120)는 S100 단계 내지 S150 단계와 S200 단계 내지 S250 단계를 동시에 수행할 수 있다.
이상에서 기재된 "포함하다", "구성하다", 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소를 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
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 실시예들의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 문서에 개시된 기술 사상의 범위가 한정되는 것은 아니다. 본 문서에 개시된 기술사상의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 문서의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (16)

  1. 코팅 다이를 이용해 슬러리(slurry)가 로딩되는 기재(base material)에 관련된 데이터를 획득하는 데이터 획득부; 및
    상기 데이터에 기초하여 슬러리 로딩 특성을 분석하고, 상기 슬러리 로딩 특성의 분석 결과에 응답하여 슬러리 온도를 포함하는 후보 제어 값을 도출하고, 예측 모델을 이용하여 상기 후보 제어 값에 대한 품질을 예측하고, 상기 품질에 기초하여 최적 제어 값을 도출하는 프로세서를 포함하는 예측 제어 장치.
  2. 청구항 1에 있어서,
    상기 예측 모델은 상기 슬러리 온도와 상기 슬러리 로딩 특성의 상관관계를 학습하여 모델링 되는 예측 제어 장치.
  3. 청구항 1에 있어서,
    상기 데이터는 상기 기재의 슬러리 로딩량 데이터를 포함하고,
    상기 프로세서는 상기 슬러리 로딩량 데이터에 기초하여 슬러리 로딩량의 균일성을 분석하는 예측 제어 장치.
  4. 청구항 3에 있어서,
    상기 슬러리 로딩량 데이터는 중앙 로딩량 데이터 및 좌우 유지부 로딩량 데이터를 포함하는 예측 제어 장치.
  5. 청구항 1에 있어서,
    상기 프로세서는 상기 최적 제어 값을 이용하여 상기 슬러리 온도를 조절하는 예측 제어 장치.
  6. 청구항 5에 있어서,
    상기 데이터 획득부는, 상기 프로세서가 상기 슬러리 온도를 조절한 후의 상기 기재에 관한 제2 데이터를 획득하고,
    상기 프로세서는 상기 제2 데이터에 기초하여 미스 매칭 발생 여부를 판단하고, 상기 미스 매칭 발생에 응답하여 슬러리 펌프 알피엠(RPM) 또는 다이 간격을 포함하는 제2 후보 제어 값을 도출하고, 제2 예측 모델을 이용하여 상기 제2 후보 제어 값에 대한 제2 품질을 예측하고, 상기 제2 품질에 기초하여 제2 최적 제어 값을 도출하는 예측 제어 장치.
  7. 청구항 6에 있어서,
    상기 제2 데이터는 상기 기재의 유지부 폭 및 상기 기재의 무지부 폭을 이미지로 변환한 이미지 데이터를 포함하고,
    상기 프로세서는 상기 이미지 데이터에 기초하여 상기 미스 매칭 발생 여부를 판단하는 예측 제어 장치.
  8. 청구항 6에 있어서,
    상기 프로세서는 상기 제2 최적 제어 값을 이용하여 상기 슬러리 펌프 알피엠 또는 상기 다이 간격을 조절하는 예측 제어 장치.
  9. 코팅 다이를 이용해 슬러리(slurry)가 로딩되는 기재(base material)에 관련된 데이터를 획득하는 단계;
    상기 데이터에 기초하여 슬러리 로딩 특성을 분석하는 단계;
    상기 슬러리 로딩 특성의 분석 결과에 응답하여 슬러리 온도를 포함하는 후보 제어 값을 도출하는 단계; 및
    예측 모델을 이용하여 상기 후보 제어 값에 대한 품질을 예측하고, 상기 품질에 기초하여 최적 제어 값을 도출하는 단계를 포함하는 예측 제어 장치의 동작 방법.
  10. 청구항 9에 있어서,
    상기 예측 모델은 상기 슬러리 온도와 상기 슬러리 로딩 특성의 상관관계를 학습하여 모델링 되는 예측 제어 장치의 동작 방법.
  11. 청구항 9에 있어서,
    상기 데이터는 상기 기재의 슬러리 로딩량 데이터를 포함하고,
    상기 슬러리 로딩량 데이터에 기초하여 슬러리 로딩량 균일성을 분석하는 단계를 더 포함하는 예측 제어 장치의 동작 방법.
  12. 청구항 11에 있어서,
    상기 슬러리 로딩량 데이터는 중앙 로딩량 데이터 및 좌우 유지부 로딩량 데이터를 포함하는 예측 제어 장치의 동작 방법.
  13. 청구항 9에 있어서,
    상기 최적 제어 값을 이용하여 상기 슬러리 온도를 조절하는 단계를 더 포함하는 예측 제어 장치의 동작 방법.
  14. 청구항 13에 있어서,
    상기 슬러리 온도를 조절한 후의 상기 기재에 관한 제2 데이터를 획득하는 단계;
    상기 제2 데이터에 기초하여 미스 매칭 발생 여부를 판단하는 단계;
    상기 미스 매칭 발생에 응답하여 슬러리 펌프 알피엠(RPM) 또는 다이 간격을 포함하는 제2 후보 제어 값을 도출하는 단계;
    제2 예측 모델을 이용하여 상기 제2 후보 제어 값에 대한 제2 품질을 예측하는 단계; 및
    상기 제2 품질에 기초하여 제2 최적 제어 값을 도출하는 단계를 더 포함하는 예측 제어 장치의 동작 방법.
  15. 청구항 14에 있어서,
    상기 제2 데이터는 상기 기재의 유지부 폭 및 상기 기재의 무지부 폭을 이미지로 변환한 이미지 데이터를 포함하고,
    상기 이미지 데이터에 기초하여 상기 미스 매칭 발생 여부를 판단하는 단계를 더 포함하는 예측 제어 장치의 동작 방법.
  16. 청구항 14에 있어서,
    상기 제2 최적 제어 값을 이용하여 상기 슬러리 펌프 알피엠 또는 상기 다이 간격을 조절하는 단계를 더 포함하는 예측 제어 장치의 동작 방법.
PCT/KR2023/005370 2022-04-27 2023-04-20 예측 제어 장치 및 그의 동작 방법 WO2023211055A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0052424 2022-04-27
KR20220052424 2022-04-27

Publications (1)

Publication Number Publication Date
WO2023211055A1 true WO2023211055A1 (ko) 2023-11-02

Family

ID=88519387

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/005370 WO2023211055A1 (ko) 2022-04-27 2023-04-20 예측 제어 장치 및 그의 동작 방법

Country Status (2)

Country Link
KR (1) KR20230152578A (ko)
WO (1) WO2023211055A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120057437A (ko) * 2010-11-26 2012-06-05 삼성에스디아이 주식회사 이차전지의 전극판 건조장치 및 그 제어방법
JP2012243470A (ja) * 2011-05-17 2012-12-10 Toyota Motor Corp 電池の製造方法
JP2017188397A (ja) * 2016-04-08 2017-10-12 エリーパワー株式会社 電池電極スラリー作製用混練方法
JP2019102187A (ja) * 2017-11-29 2019-06-24 株式会社カネカ 二次電池製造システム
US20190245230A1 (en) * 2016-09-30 2019-08-08 Kolon Industries, Inc. Method for manufacturing membrane electrode assembly for fuel cell

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120057437A (ko) * 2010-11-26 2012-06-05 삼성에스디아이 주식회사 이차전지의 전극판 건조장치 및 그 제어방법
JP2012243470A (ja) * 2011-05-17 2012-12-10 Toyota Motor Corp 電池の製造方法
JP2017188397A (ja) * 2016-04-08 2017-10-12 エリーパワー株式会社 電池電極スラリー作製用混練方法
US20190245230A1 (en) * 2016-09-30 2019-08-08 Kolon Industries, Inc. Method for manufacturing membrane electrode assembly for fuel cell
JP2019102187A (ja) * 2017-11-29 2019-06-24 株式会社カネカ 二次電池製造システム

Also Published As

Publication number Publication date
KR20230152578A (ko) 2023-11-03

Similar Documents

Publication Publication Date Title
WO2018199434A1 (ko) 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법
WO2017034277A1 (ko) 이차 전지의 퇴화도 추정 장치 및 방법
WO2022114871A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2017082705A1 (ko) 이차 전지의 출력 파라미터를 조정하는 시스템 및 그 방법
WO2017043890A1 (ko) 이차 전지의 못 관통 시험 장치 및 방법
WO2018105881A1 (ko) 배터리 관리 장치 및 방법
WO2022075708A1 (ko) 배터리 상태 진단 장치 및 방법
WO2020189914A1 (ko) 배터리 상태 추정 장치
WO2022103185A1 (ko) 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템
WO2020184812A1 (ko) 배터리 건강 상태 추정 방법
WO2022092827A1 (ko) 배터리 관리 장치 및 방법
WO2021230639A1 (ko) 충전 심도 설정 장치 및 방법
WO2019078475A1 (ko) 병렬연결 구조의 배터리 팩의 히터 제어 시스템 및 그 방법
WO2022065623A1 (en) Method of implementing self-organizing network for plurality of access network devices and electronic device for performing the same
WO2022035032A1 (ko) 배터리 관리 장치 및 방법
WO2020166914A1 (ko) 충전 상태 추정 장치 및 방법
WO2020076056A1 (ko) 트래픽 오프로딩을 제어하기 위한 장치 및 방법
WO2020214000A1 (ko) 비파괴 저항 분석을 이용한 배터리 관리 장치 및 방법
WO2022265458A1 (ko) 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템
WO2023211055A1 (ko) 예측 제어 장치 및 그의 동작 방법
WO2022075709A1 (ko) 배터리 관리 장치 및 방법
WO2022080837A1 (ko) 배터리 진단 장치 및 방법
WO2020222347A1 (ko) 가상 머신 배치 방법 및 이를 구현하는 가상 머신 배치 장치
WO2021261781A1 (ko) 배터리 상태 관리 시스템 및 방법
WO2023219354A1 (ko) E-모빌리티 배터리 가치 판단 결과를 기반으로 금융 서비스를 제공하기 위한 배터리 포트폴리오 설정 방법 및 이러한 방법을 수행하는 장치

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: 23796702

Country of ref document: EP

Kind code of ref document: A1