WO2024058491A1 - 제어 인자 산출 장치 및 그의 동작 방법 - Google Patents

제어 인자 산출 장치 및 그의 동작 방법 Download PDF

Info

Publication number
WO2024058491A1
WO2024058491A1 PCT/KR2023/013353 KR2023013353W WO2024058491A1 WO 2024058491 A1 WO2024058491 A1 WO 2024058491A1 KR 2023013353 W KR2023013353 W KR 2023013353W WO 2024058491 A1 WO2024058491 A1 WO 2024058491A1
Authority
WO
WIPO (PCT)
Prior art keywords
slurry
flow rate
correlation
loading amount
control value
Prior art date
Application number
PCT/KR2023/013353
Other languages
English (en)
French (fr)
Inventor
서동민
박위대
김민수
박종석
박동욱
김설희
조은지
윤숙영
함경호
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
Priority claimed from KR1020230047518A external-priority patent/KR20240037820A/ko
Application filed by 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Publication of WO2024058491A1 publication Critical patent/WO2024058491A1/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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D7/00—Control of flow
    • G05D7/06—Control of flow characterised by the use of electric means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H01M4/13—Electrodes for accumulators with non-aqueous electrolyte, e.g. for lithium-accumulators; Processes of manufacture thereof
    • H01M4/139—Processes of manufacture

Definitions

  • Embodiments disclosed in this document relate to a control factor calculation 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 a much higher energy density than conventional Ni/Cd batteries, Ni/MH batteries, etc.
  • lithium-ion batteries can be manufactured in small and light sizes, so they are used as a power source for mobile devices. Recently, its range of use has expanded as a power source for electric vehicles, and it is attracting attention as a next-generation energy storage medium.
  • Electrodes for secondary batteries are manufactured by coating electrode slurry on a current collector and then going through a drying and rolling process. During the electrode manufacturing process, a high level of coating uniformity is required to improve the quality of the electrode slurry coating. For this coating uniformity, a method of improving coating uniformity by controlling certain factors (e.g., slurry discharge pump RPM, temperature, etc.) when an error occurs between the slurry loading amount and the target loading amount is used.
  • certain factors e.g., slurry discharge pump RPM, temperature, etc.
  • One purpose of the embodiments disclosed in this document is to provide a control factor calculation device that recommends a control factor for achieving a target slurry loading amount according to the situation and a method of operating the same.
  • One purpose of the embodiments disclosed in this document is a control factor calculation device for recommending a slurry flow rate control value that can shorten the time to reach the target slurry loading amount as a control factor for achieving the target slurry loading amount, and its operation.
  • the goal is to provide a method.
  • a control factor calculation device includes a data acquisition unit that periodically acquires data including a slurry loading amount and a slurry flow rate, and, based on the data, a difference between the slurry loading amount and the slurry flow rate. It includes a processor that learns the correlation, and the processor can calculate a slurry flow rate control value to achieve the target slurry loading amount based on the correlation.
  • the processor includes first data including a slurry loading amount of N cycles and a slurry flow rate of N+1 cycles, and slurry loading of the N+1 cycles.
  • first data including a slurry loading amount of N cycles and a slurry flow rate of N+1 cycles, and slurry loading of the N+1 cycles.
  • a first correlation between second data including quantity may be learned, and the slurry flow rate control value may be calculated based on the first correlation.
  • the slurry flow rate control value can be calculated based on the correlation.
  • the data includes slurry pump RPM
  • the processor determines a second correlation between slurry flow rate change data according to cycle change and slurry pump RPM change data. It is possible to learn and calculate a slurry pump RPM control value to achieve the flow rate control value based on the second correlation.
  • the data may further include a gap between the slurry discharge device and the base material.
  • the processor may learn the correlation based on a machine learning model or a deep learning model.
  • a control factor calculation method includes the operation of periodically acquiring data including a slurry loading amount and a slurry flow rate, and based on the data, establishing a correlation between the slurry loading amount and the slurry flow rate. It may include a learning operation, and an operation of calculating a slurry flow rate control value to achieve the target slurry loading amount based on the correlation.
  • the operation of learning the correlation includes first data including a slurry loading amount of N cycles and a slurry flow rate of N+1 cycles, and the N+ An operation of learning a first correlation between second data including a slurry loading amount of one cycle, and calculating the slurry flow rate control value, the slurry flow rate control value based on the first correlation. It may include calculation operations.
  • the operation of calculating the slurry flow rate control value includes the slurry loading amount of the N+1 cycle and the N+1 cycle corresponding to the target slurry loading amount. It may include calculating the slurry flow rate control value based on the slurry loading amount and the first correlation.
  • the data includes slurry pump RPM
  • the operation of learning the correlation is between slurry flow rate change data according to cycle change and slurry pump RPM change data.
  • An operation of learning a second correlation wherein the operation of calculating the slurry pump RPM control value includes calculating a slurry pump RPM control value to achieve the flow rate control value based on the second correlation. It can be included.
  • the data may further include the gap between the slurry discharge device and the base material.
  • the operation of learning the correlation includes learning the correlation based on a machine learning model or a deep learning model. may include.
  • achieving a target slurry loading amount based on a correlation utilizing the slurry loading amount, slurry flow rate, gap between the slurry discharge device and the base material, and/or slurry discharge pump RPM.
  • the control factor for this can be calculated.
  • the slurry flow rate control value and/or slurry pump RPM control value to achieve the target slurry loading amount can be calculated as a control factor so that the user can utilize the control factor according to the situation.
  • FIG. 1 is a block diagram of a control factor calculation device according to an embodiment.
  • Figure 2a is a diagram showing a first correlation according to one embodiment.
  • Figure 2b is a diagram showing a second correlation according to one embodiment.
  • Figure 3 is an operation flowchart of a control factor calculation device according to an embodiment.
  • 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.
  • 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, omitted, or , or one or more other operations may be added.
  • FIG. 1 is a block diagram of a control factor calculation device according to an embodiment.
  • control factor calculation device 100 may include a data acquisition unit 110 and/or a processor 120.
  • the data acquisition unit 110 may transmit and receive data with an external electronic device and/or an external server wired or wirelessly. According to one embodiment, the data acquisition unit 110 periodically collects data including slurry loading amount, slurry flow rate, slurry pump RPM (revolution per minute), and/or the interval between the slurry discharge device and the base material. It can be obtained.
  • 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.
  • the slurry loading amount may refer to the amount of slurry coated per unit area of the substrate.
  • Slurry flow rate may refer to the amount of slurry supplied to the substrate by the slurry discharge device.
  • Slurry pump RPM may refer to the output speed of the pump built into the slurry discharge device.
  • the data acquisition unit 110 may transmit the acquired data to the processor 120.
  • the processor 120 may execute software to control at least one other component connected to the processor 120 and may perform various data processing or operations. According to one embodiment, the processor 120 may control the overall operation of the control factor calculation device 110 by controlling at least one other component connected to the processor 120.
  • the processor 120 may be an application specific integrated circuit (ASIC), digital signal processor (DSP), programmable logic devices (PLD), field programmable gate arrays (FPGAs), central processing unit (CPU), microcontrollers, or microprocessors. It may include at least one processing device such as (microprocessors).
  • the processor 120 is based on data acquired through the data acquisition unit 110, at least one of slurry loading amount, slurry flow rate, gap between the slurry discharge device and the substrate, and/or slurry pump RPM. The correlation between two types of factors can be learned.
  • the processor 120 is a first data between first data including the slurry loading amount of N cycles and the slurry flow rate of N + 1 cycles, and second data including the slurry loading amount of N + 1 cycles. 1 Correlation can be learned.
  • the first data may further include data on the interval between the slurry discharge device and the substrate in N+1 cycles.
  • the first data is not limited thereto, and may include various data related to the electrode slurry coating to increase the accuracy of the learning model related to the first correlation.
  • the processor 120 may learn a second correlation between slurry flow rate change data and slurry pump RPM change data according to cycle change.
  • the slurry flow rate change (or slurry pump RPM change) may mean the difference value between the slurry flow rates (or slurry pump RPM values) of two adjacent cycles.
  • slurry flow rate change refers to the difference between the slurry flow rate of N cycles (or slurry pump RPM value) and the slurry flow rate of N+1 cycles (or slurry pump RPM value). can do.
  • the processor 120 may learn a correlation (e.g., a first correlation and/or a second correlation) based on a machine learning model or a deep learning model. there is.
  • a correlation e.g., a first correlation and/or a second correlation
  • the processor 120 may calculate a slurry flow rate control value and/or a slurry pump RPM control value to achieve the target slurry loading amount.
  • the processor 120 may calculate the slurry flow rate control value based on the first correlation. According to one embodiment, the processor 120 may calculate a slurry flow rate control value to achieve the target slurry loading amount based on the first correlation.
  • the slurry flow rate control value may mean a slurry flow rate increase value or a slurry flow rate decrease value to achieve the target slurry loading amount.
  • the processor 120 achieves the target slurry loading amount based on the first correlation with the slurry loading amount of the N + 1 cycle and the target slurry loading amount (e.g., the slurry loading amount of the N + 2 cycle).
  • the slurry flow rate control value can be calculated for: For example, the processor 120 may calculate the slurry flow rate of N+2 cycles required to achieve the target slurry loading amount. The processor 120 may calculate a slurry flow rate control value based on the difference between the slurry flow rate of the N+2 cycle and the slurry flow rate of the N+1 cycle.
  • the processor 120 determines the slurry loading amount of the N+1 cycle, the target slurry loading amount (e.g., the slurry loading amount of the N+2 cycle), and the slurry discharge device and the substrate of the N+2 cycle. Based on the interval and the first correlation, a slurry flow rate control value to achieve the target slurry loading amount can be calculated.
  • the processor 120 may calculate a slurry pump RPM control value based on the second correlation. According to one embodiment, the processor 120 may calculate a slurry pump RPM control value to achieve the slurry flow rate control value based on the second correlation.
  • the slurry pump RPM control value may mean a slurry pump RPM increase value or a slurry pump RPM decrease value to achieve the calculated slurry flow rate control value.
  • the processor 120 may calculate a slurry pump RPM control value based on the slurry flow rate control value and the second correlation. For example, the processor 120 calculates a slurry pump RPM control value between the N+1 cycle and the N+2 cycle based on the slurry flow rate control value between the N+1 cycle and the N+2 cycle and the second correlation. can do.
  • FIG. 2A is a diagram illustrating a first correlation according to an embodiment.
  • FIG. 2A can be explained using the configurations of FIG. 1.
  • the first correlation 210 is the slurry loading amount of N cycles, the slurry flow rate of N + 1 cycles, and the gap between the slurry discharge device and substrate of N + 1 cycles and the slurry of N + 1 cycles. It may mean a correlation between loading amounts.
  • the interval between the slurry discharge device of the N+1 cycle and the substrate may be excluded from the factors of the first correlation 210.
  • the processor 120 may calculate the remaining factor based on two factors among the slurry loading amount of N cycles, the slurry flow rate of N+1 cycles, or the slurry loading amount of N+1 cycles. For example, the processor 120 may calculate the slurry flow rate of the N+1 cycle based on the slurry loading amount of the N cycle and the slurry loading amount of the N+1 cycle and the first correlation 210.
  • the first correlation 210 may include the slurry loading amount of N cycles, the slurry flow rate of N + 1 cycles, the interval of N + 1 cycles, and the slurry loading amount of N + 1 cycles as factors. You can.
  • the processor 120 calculates the remaining one factor based on three factors among the slurry loading amount of N cycles, the slurry flow rate of N + 1 cycles, the interval of N + 1 cycles, or the slurry loading amount of N + 1 cycles. can be calculated.
  • the processor 120 determines the slurry loading amount of the N cycle, the interval of the N + 1 cycle, and the slurry flow rate of the N + 1 cycle based on the slurry loading amount of the N + 1 cycle and the first correlation 210. can be calculated.
  • Figure 2b is a diagram showing a second correlation according to one embodiment.
  • FIG. 2B can be explained using the configurations of FIG. 1.
  • the second correlation 220 may mean the correlation between the slurry pump RPM change and the slurry flow rate change.
  • the processor 120 may calculate the remaining factor based on one factor of slurry pump RPM change or slurry flow rate change. For example, the processor 120 may calculate the slurry pump RPM change based on the slurry flow rate change and the second correlation 220.
  • Figure 3 is an operation flowchart of a control factor calculation device according to an embodiment.
  • FIG. 3 can be explained using the configurations of FIG. 1 .
  • FIG. 3 is only an example, and the order of steps according to various embodiments of the present invention may be different from that shown in FIG. 3, and some steps shown in FIG. 3 may be omitted or the order between steps may be different. Changes may be made or steps may be merged.
  • control factor calculation device 100 may periodically acquire data.
  • control factor calculation device 100 may periodically acquire data including slurry loading amount, slurry flow rate, slurry pump RPM, and/or the gap between the slurry discharge device and the substrate.
  • control factor calculation device 100 may learn the correlation.
  • control factor calculation device 100 calculates at least two types of slurry loading amount, slurry flow rate, gap between slurry discharge device and substrate, and/or slurry pump RPM based on the data obtained in operation 305. You can learn the correlation between factors.
  • the control factor calculation device 100 includes first data including a slurry loading amount of N cycles and a slurry flow rate of N + 1 cycles, and second data including the slurry loading amount of N + 1 cycles.
  • the first correlation between data can be learned.
  • the first data may further include data on the interval between the slurry discharge device and the substrate in N+1 cycles.
  • the first data may include various data related to electrode slurry coating to increase the accuracy of the learning model related to the first correlation.
  • the control factor calculation device 100 may learn the second correlation between slurry flow rate change data and slurry pump RPM change data according to cycle change.
  • the slurry flow rate change (or slurry pump RPM change) may mean the difference value between the slurry flow rates (or slurry pump RPM values) of two adjacent cycles.
  • slurry flow rate change refers to the difference between the slurry flow rate of N cycles (or slurry pump RPM value) and the slurry flow rate of N+1 cycles (or slurry pump RPM value). can do.
  • control factor calculation device 100 calculates correlation (e.g., first correlation and/or second correlation) based on a machine learning model or a deep learning model. You can learn.
  • correlation e.g., first correlation and/or second correlation
  • control factor calculation device 100 may calculate a control factor.
  • control factor calculation device 100 may calculate a slurry flow rate control value and/or a slurry pump RPM control value to achieve the target slurry loading amount.
  • the control factor calculation device 100 may calculate a slurry flow rate control value based on the first correlation learned in operation 310. According to one embodiment, the control factor calculation device 100 may calculate a slurry flow rate control value to achieve the target slurry loading amount based on the first correlation.
  • the slurry flow rate control value may mean a slurry flow rate increase value or a slurry flow rate decrease value to achieve the target slurry loading amount.
  • the control factor calculation device 100 calculates the target slurry loading based on the slurry loading amount of the N+1 cycle and the target slurry loading amount (e.g., the slurry loading amount of the N+2 cycle) and the first correlation.
  • the slurry flow rate control value to achieve the amount can be calculated.
  • the control factor calculation device 100 may calculate the slurry flow rate of N+2 cycles required to achieve the target slurry loading amount.
  • the control factor calculation device 100 may calculate a slurry flow rate control value based on the difference between the slurry flow rate of the N+2 cycle and the slurry flow rate of the N+1 cycle.
  • the control factor calculation device 100 includes a slurry loading amount of N+1 cycle, a target slurry loading amount (e.g., slurry loading amount of N+2 cycle), and a slurry discharge device of N+2 cycle. Based on the spacing between substrates and the first correlation, a slurry flow rate control value to achieve the target slurry loading amount can be calculated.
  • the control factor calculation device 100 may calculate a slurry pump RPM control value based on the second correlation learned in operation 310. According to one embodiment, the control factor calculation device 100 may calculate a slurry pump RPM control value to achieve a slurry flow rate control value based on the second correlation.
  • the slurry pump RPM control value may mean a slurry pump RPM increase value or a slurry pump RPM decrease value to achieve the calculated slurry flow rate control value.
  • the control factor calculation device 100 may calculate a slurry pump RPM control value based on the slurry flow rate control value and the second correlation. For example, the control factor calculation device 100 controls the slurry pump RPM between the N+1 cycle and the N+2 cycle based on the slurry flow rate control value and the second correlation between the N+1 cycle and the N+2 cycle. The value can be calculated.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Materials Engineering (AREA)
  • Coating Apparatus (AREA)

Abstract

본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 장치는, 슬러리 로딩량 및 슬러리 유량을 포함하는 데이터를 주기적으로 획득하는 데이터 획득부, 및 상기 데이터에 기초하여, 상기 슬러리 로딩량과 상기 슬러리 유량 간의 상관관계를 학습하는 프로세서를 포함하고, 상기 프로세서는, 상기 상관관계에 기초하여, 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출할 수 있다.

Description

제어 인자 산출 장치 및 그의 동작 방법
관련출원과의 상호인용
본 발명은 2022.09.15.에 출원된 한국 특허 출원 제 10-2022-0116615호 및 2023.4.11.에 출원된 한국 특허 출원 제 10-2023-0047518호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시 예들은, 제어 인자 산출 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 있어 이동 기기의 전원으로 사용되며, 최근에는 전기 자동차의 전원으로 사용 범위가 확장되어 차세대 에너지 저장 매체로 주목을 받고 있다.
리튬 이온 배터리에 대한 적용 분야가 넓어짐에 따라 보다 고용량의 이차 전지에 대한 수요가 급증하고 있다. 이차 전지용 전극은 집전체 상에 전극 슬러리를 코팅한 후 건조 및 압연 과정을 거쳐 제조된다. 전극 제조 과정에서, 전극 슬러리 코팅의 품질을 향상시키기 위해 높은 수준의 코팅 균일성이 요구된다. 이러한 코팅 균일성을 위해, 슬러리 로딩량과 목표 로딩량 간의 오차가 발생할 경우 소정의 인자(예: 슬러리 토출 펌프 RPM, 온도 등)를 제어함으로써 코팅 균일성을 향상시키는 방법이 사용되고 있다.
본 문서에 개시된 실시 예들의 일 목적은, 목표 슬러리 로딩량을 달성하기 위한 제어 인자를 상황에 맞게 추천하는 제어 인자 산출 장치 및 그의 동작 방법을 제공하는데 있다.
본 문서에 개시된 실시 예들의 일 목적은, 목표 슬러리 로딩량을 달성하기 위한 제어 인자로, 목표 슬러리 로딩량에 도달하는 시간을 단축시킬 수 있는 슬러리 유량 제어 값을 추천하는 제어 인자 산출 장치 및 그의 동작 방법을 제공하는데 있다.
본 문서에 개시된 실시 예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 장치는, 슬러리 로딩량 및 슬러리 유량을 포함하는 데이터를 주기적으로 획득하는 데이터 획득부, 및 상기 데이터에 기초하여, 상기 슬러리 로딩량과 상기 슬러리 유량 간의 상관관계를 학습하는 프로세서를 포함하고, 상기 프로세서는, 상기 상관관계에 기초하여, 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 장치에 있어서, 상기 프로세서는, N 주기의 슬러리 로딩량 및 N+1 주기의 슬러리 유량을 포함하는 제1 데이터와, 상기 N+1 주기의 슬러리 로딩량을 포함하는 제2 데이터 간의 제1 상관관계를 학습하고, 상기 제1 상관관계에 기초하여 상기 슬러리 유량 제어 값을 산출할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 장치에 있어서, 상기 프로세서는, 상기 N+1 주기의 상기 슬러리 로딩량 및 상기 목표 슬러리 로딩량에 대응되는 N+1 주기의 슬러리 로딩량과 상기 제1 상관관계에 기초하여 상기 슬러리 유량 제어 값을 산출할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 장치에 있어서, 상기 데이터는 슬러리 펌프 RPM을 포함하고, 상기 프로세서는, 주기 변화에 따른 슬러리 유량 변화 데이터와 슬러리 펌프 RPM 변화 데이터 간의 제2 상관관계를 학습하고, 상기 제2 상관관계에 기초하여 상기 유량 제어 값을 달성하기 위한 슬러리 펌프 RPM 제어 값을 산출할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 장치에 있어서, 상기 데이터는 슬러리 토출 장치와 기재(base material) 사이의 간격을 더 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 장치에 있어서, 상기 프로세서는, 머신 러닝(machine learning) 모델 또는 딥 러닝(deep learning) 모델에 기초하여 상기 상관관계를 학습할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 방법은, 슬러리 로딩량 및 슬러리 유량을 포함하는 데이터를 주기적으로 획득하는 동작, 상기 데이터에 기초하여, 상기 슬러리 로딩량과 상기 슬러리 유량 간의 상관관계를 학습하는 동작, 및 상기 상관관계에 기초하여, 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출하는 동작을 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 방법에 있어서, 상기 상관관계를 학습하는 동작은, N 주기의 슬러리 로딩량 및 N+1 주기의 슬러리 유량을 포함하는 제1 데이터와, 상기 N+1 주기의 슬러리 로딩량을 포함하는 제2 데이터 간의 제1 상관관계를 학습하는 동작을 포함하고, 상기 슬러리 유량 제어 값을 산출하는 동작은, 상기 제1 상관관계에 기초하여 상기 슬러리 유량 제어 값을 산출하는 동작을 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 방법에 있어서, 상기 슬러리 유량 제어 값을 산출하는 동작은, 상기 N+1 주기의 상기 슬러리 로딩량 및 상기 목표 슬러리 로딩량에 대응되는 N+1 주기의 슬러리 로딩량과 상기 제1 상관관계에 기초하여 상기 슬러리 유량 제어 값을 산출하는 동작을 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 방법에 있어서, 상기 데이터는 슬러리 펌프 RPM을 포함하고, 상기 상관관계를 학습하는 동작은, 주기 변화에 따른 슬러리 유량 변화 데이터와 슬러리 펌프 RPM 변화 데이터 간의 제2 상관관계를 학습하는 동작을 포함하고, 상기 슬러리 펌프 RPM 제어 값을 산출하는 동작은, 상기 제2 상관관계에 기초하여 상기 유량 제어 값을 달성하기 위한 슬러리 펌프 RPM 제어 값을 산출하는 동작을 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 방법에 있어서, 상기 데이터는 슬러리 토출 장치와 기재(base material) 사이의 간격을 더 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 제어 인자 산출 방법에 있어서, 상기 상관관계를 학습하는 동작은, 머신 러닝(machine learning) 모델 또는 딥 러닝(deep learning) 모델에 기초하여 상기 상관관계를 학습하는 동작을 포함할 수 있다.
본 문서에 개시된 실시 예들에 따르면, 슬러리 로딩량, 슬러리 유량, 슬러리 토출 장치와 기재(base material) 사이의 간격, 및/또는 슬러리 토출 펌프 RPM을 활용하는 상관관계에 기반하여 목표 슬러리 로딩량을 달성하기 위한 제어 인자를 산출할 수 있다.
본 문서에 개시된 실시 예들에 따르면, 사용자가 제어 인자를 상황에 맞게 활용할 수 있도록 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값 및/또는 슬러리 펌프 RPM 제어 값 제어 인자로 산출할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 일 실시 예에 따른 제어 인자 산출 장치의 블록도이다.
도 2a는 일 실시 예에 따른 제1 상관관계를 나타낸 도면이다.
도 2b는 일 실시 예에 따른 제2 상관관계를 나타낸 도면이다.
도 3은 일 실시 예에 따른 제어 인자 산출 장치의 동작 흐름도이다.
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 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 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.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 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 실시 예들에 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 실시 예들에 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 실시 예들에 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 1은 일 실시 예에 따른 제어 인자 산출 장치의 블록도이다.
도 1을 참조하면, 제어 인자 산출 장치(100)는 데이터 획득부(110) 및/또는 프로세서(120)를 포함할 수 있다.
데이터 획득부(110)는 외부 전자 장치 및/또는 외부 서버와 데이터를 유선 또는 무선으로 송수신할 수 있다. 일 실시 예에 따르면, 데이터 획득부(110)는 슬러리 로딩량, 슬러리 유량, 슬러리 펌프 RPM(revolution per minute), 및/또는 슬러리 토출 장치와 기재(base material) 사이의 간격을 포함하는 데이터를 주기적으로 획득할 수 있다. 여기에서, 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. 슬러리 로딩량은 기재의 단위 면적 당 코팅된 슬러리의 양을 의미할 수 있다. 슬러리 유량은 슬러리 토출 장치에 의해 기재에 공급되는 슬러리의 양을 의미할 수 있다. 슬러리 펌프 RPM은 슬러리 토출 장치에 내장된 펌프의 출력 속도를 의미할 수 있다.
일 실시 예에 따르면, 데이터 획득부(110)는 획득된 데이터를 프로세서(120)로 전달할 수 있다.
프로세서(120)는 소프트웨어를 실행하여 프로세서(120)에 연결된 적어도 하나의 다른 구성 요소를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 프로세서(120)에 연결된 적어도 하나의 다른 구성 요소를 제어하여 제어 인자 산출 장치(110)의 전반적인 동작을 제어할 수 있다. 프로세서(120)는 ASIC(application specific integrated circuit), DSP(digital signal processor), PLD(programmable logic devices), FPGAs(field programmable gate arrays), CPU(central processing unit), 마이크로컨트롤러(microcontrollers) 또는 마이크로프로세서(microprocessors)와 같은 처리 장치 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 데이터 획득부(110)를 통해 획득된 데이터에 기초하여, 슬러리 로딩량, 슬러리 유량, 슬러리 토출 장치와 기재 사이의 간격, 및/또는 슬러리 펌프 RPM 중 적어도 두 종류의 인자들 간의 상관관계를 학습할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 N 주기의 슬러리 로딩량 및 N+1 주기의 슬러리 유량을 포함하는 제1 데이터와, 상기 N+1 주기의 슬러리 로딩량을 포함하는 제2 데이터 간의 제1 상관관계를 학습할 수 있다. 일 실시 예에 따르면, 제1 데이터는 N+1 주기의 슬러리 토출 장치와 기재 사이의 간격 데이터를 더 포함할 수 있다. 다만, 이에 제한되지 않고, 제1 데이터는, 제1 상관관계와 관련된 학습 모델의 정확도를 높이기 위해 전극 슬러리 코팅과 관련된 다양한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 주기 변화에 따른 슬러리 유량 변화 데이터와 슬러리 펌프 RPM 변화 데이터 간의 제2 상관관계를 학습할 수 있다. 일 실시 예에 따르면, 슬러리 유량 변화(또는, 슬러리 펌프 RPM 변화)는 2개의 서로 인접한 주기들의 슬러리 유량들(또는, 슬러리 펌프 RPM 값들) 간의 차이 값을 의미할 수 있다. 예를 들어, 슬러리 유량 변화(또는, 슬러리 펌프 RPM 변화)는 N주기의 슬러리 유량(또는, 슬러리 펌프 RPM 값)과 N+1 주기의 슬러리 유량(또는, 슬러리 펌프 RPM 값) 간의 차이 값을 의미할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 머신 러닝(machine learning) 모델 또는 딥 러닝(deep learning) 모델에 기초하여 상관관계(예: 제1 상관관계 및/또는 제2 상관관계)를 학습할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값 및/또는 슬러리 펌프 RPM 제어 값을 산출할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 제1 상관관계에 기초하여 슬러리 유량 제어 값을 산출할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 제1 상관관계에 기반하여 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출할 수 있다. 여기에서, 슬러리 유량 제어 값은 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 상승 값 또는 슬러리 유량 감소 값을 의미할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 N+1 주기의 슬러리 로딩량 및 목표 슬러리 로딩량(예: N+2 주기의 슬러리 로딩량)과 제1 상관관계에 기반하여 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출할 수 있다. 예를 들어, 프로세서(120)는 목표 슬러리 로딩량을 달성하기 위해 필요한 N+2 주기의 슬러리 유량을 산출할 수 있다. 프로세서(120)는 N+2 주기의 슬러리 유량과 N+1 주기의 슬러리 유량의 차이 값에 기반하여 슬러리 유량 제어 값을 산출할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 N+1 주기의 슬러리 로딩량, 목표 슬러리 로딩량(예: N+2 주기의 슬러리 로딩량), 및 N+2 주기의 슬러리 토출 장치와 기재 사이의 간격과 제1 상관관계에 기반하여 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 제2 상관관계에 기초하여 슬러리 펌프 RPM 제어 값을 산출할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 제2 상관관계에 기초하여 슬러리 유량 제어 값을 달성하기 위한 슬러리 펌프 RPM 제어 값을 산출할 수 있다. 여기에서, 슬러리 펌프 RPM 제어 값은 산출된 슬러리 유량 제어 값을 달성하기 위한 슬러리 펌프 RPM 상승 값 또는 슬러리 펌프 RPM 감소 값을 의미할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 슬러리 유량 제어 값 및 제2 상관관계에 기반하여 슬러리 펌프 RPM 제어 값을 산출할 수 있다. 예를 들어, 프로세서(120)는 N+1 주기 및 N+2 주기 사이의 슬러리 유량 제어 값과 제2 상관관계에 기반하여 N+1 주기 및 N+2 주기 사이의 슬러리 펌프 RPM 제어 값을 산출할 수 있다.
도 2a는 일 실시 예에 따른 제1 상관관계을 나타낸 도면이다. 도 2a는 도 1의 구성들을 이용하여 설명될 수 있다.
도 2a를 참조하면, 제1 상관관계(210)은 N 주기의 슬러리 로딩량, N+1 주기의 슬러리 유량, 및 N+1 주기의 슬러리 토출 장치와 기재 사이의 간격과 N+1 주기의 슬러리 로딩량 간의 상관관계를 의미할 수 있다.
일 실시 예에 따르면, N+1 주기의 슬러리 토출 장치와 기재 사이의 간격은 제1 상관관계(210)의 인자에서 제외될 수 있다. 이 경우, 프로세서(120)는 N 주기의 슬러리 로딩량, N+1 주기의 슬러리 유량, 또는 N+1 주기의 슬러리 로딩량 중 2개의 인자에 기반하여 나머지 1개의 인자를 산출할 수 있다. 예를 들어, 프로세서(120)는 N 주기의 슬러리 로딩량 및 N+1 주기의 슬러리 로딩량과 제1 상관관계(210)에 기반하여 N+1 주기의 슬러리 유량을 산출할 수 있다.
일 실시 예에 따르면, 제1 상관관계(210)는 N 주기의 슬러리 로딩량, N+1 주기의 슬러리 유량, N+1 주기의 간격, 및 N+1 주기의 슬러리 로딩량을 인자로 포함할 수 있다. 이 경우, 프로세서(120)는 N 주기의 슬러리 로딩량, N+1 주기의 슬러리 유량, N+1 주기의 간격, 또는 N+1 주기의 슬러리 로딩량 중 3개의 인자에 기반하여 나머지 1개의 인자를 산출할 수 있다. 예를 들어, 프로세서(120)는 N 주기의 슬러리 로딩량, N+1 주기의 간격, 및 N+1 주기의 슬러리 로딩량과 제1 상관관계(210)에 기반하여 N+1 주기의 슬러리 유량을 산출할 수 있다.
도 2b는 일 실시 예에 따른 제2 상관관계를 나타낸 도면이다. 도 2b는 도 1의 구성들을 이용하여 설명될 수 있다.
도 2b를 참조하면, 제2 상관관계(220)는 슬러리 펌프 RPM 변화와 슬러리 유량 변화 간의 상관관계를 의미할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 슬러리 펌프 RPM 변화 또는 슬러리 유량 변화 중 1개의 인자에 기반하여 나머지 1개의 인자를 산출할 수 있다. 예를 들어, 프로세서(120)는 슬러리 유량 변화와 제2 상관관계(220)에 기반하여 슬러리 펌프 RPM 변화를 산출할 수 있다.
도 3은 일 실시 예에 따른 제어 인자 산출 장치의 동작 흐름도이다. 도 3은 도 1의 구성들을 이용하여 설명될 수 있다.
도 3에 도시된 실시 예는 일 실시 예일 뿐이며, 본 발명의 다양한 실시 예에 따른 단계의 순서는 도 3에 도시된 바와 다를 수 있고, 도 3에 도시된 일부 단계들이 생략되거나 단계들 간의 순서가 변경되거나 단계들이 병합될 수도 있다.
도 3을 참조하면, 동작 305에서, 제어 인자 산출 장치(100)는 데이터를 주기적으로 획득할 수 있다.
일 실시 예에 따르면, 제어 인자 산출 장치(100)는 슬러리 로딩량, 슬러리 유량, 슬러리 펌프 RPM, 및/또는 슬러리 토출 장치와 기재 사이의 간격을 포함하는 데이터를 주기적으로 획득할 수 있다.
동작 310에서, 제어 인자 산출 장치(100)는 상관관계를 학습할 수 있다.
일 실시 예에 따르면, 제어 인자 산출 장치(100)는 동작 305에서 획득된 데이터에 기초하여, 슬러리 로딩량, 슬러리 유량, 슬러리 토출 장치와 기재 사이의 간격, 및/또는 슬러리 펌프 RPM 중 적어도 두 종류의 인자들 간의 상관관계를 학습할 수 있다.
일 실시 예에 따르면, 제어 인자 산출 장치(100)는 N 주기의 슬러리 로딩량 및 N+1 주기의 슬러리 유량을 포함하는 제1 데이터와, 상기 N+1 주기의 슬러리 로딩량을 포함하는 제2 데이터 간의 제1 상관관계를 학습할 수 있다. 일 실시 예에 따르면, 제1 데이터는 N+1 주기의 슬러리 토출 장치와 기재 사이의 간격 데이터를 더 포함할 수 있다. 다만, 이에 제한되지 않고, 제1 데이터는, 제1 상관관계와 관련된 학습 모델의 정확도를 높이기 위해 전극 슬러리 코팅과 관련된 다양한 데이터를 포함할 수 있다
일 실시 예에 따르면, 제어 인자 산출 장치(100)는 주기 변화에 따른 슬러리 유량 변화 데이터와 슬러리 펌프 RPM 변화 데이터 간의 제2 상관관계를 학습할 수 있다. 일 실시 예에 따르면, 슬러리 유량 변화(또는, 슬러리 펌프 RPM 변화)는 2개의 서로 인접한 주기들의 슬러리 유량들(또는, 슬러리 펌프 RPM 값들) 간의 차이 값을 의미할 수 있다. 예를 들어, 슬러리 유량 변화(또는, 슬러리 펌프 RPM 변화)는 N주기의 슬러리 유량(또는, 슬러리 펌프 RPM 값)과 N+1 주기의 슬러리 유량(또는, 슬러리 펌프 RPM 값) 간의 차이 값을 의미할 수 있다.
일 실시 예에 따르면, 제어 인자 산출 장치(100)는 머신 러닝(machine learning) 모델 또는 딥 러닝(deep learning) 모델에 기초하여 상관관계(예: 제1 상관관계 및/또는 제2 상관관계)를 학습할 수 있다.
동작 315에서, 제어 인자 산출 장치(100)는 제어 인자를 산출할 수 있다.
일 실시 예에 따르면, 제어 인자 산출 장치(100)는 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값 및/또는 슬러리 펌프 RPM 제어 값을 산출할 수 있다.
일 실시 예에 따르면, 제어 인자 산출 장치(100)는 동작 310에서 학습된 제1 상관관계에 기초하여 슬러리 유량 제어 값을 산출할 수 있다. 일 실시 예에 따르면, 제어 인자 산출 장치(100)는 제1 상관관계에 기반하여 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출할 수 있다. 여기에서, 슬러리 유량 제어 값은 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 상승 값 또는 슬러리 유량 감소 값을 의미할 수 있다. 일 실시 예에 따르면, 제어 인자 산출 장치(100)는 N+1 주기의 슬러리 로딩량 및 목표 슬러리 로딩량(예: N+2 주기의 슬러리 로딩량)과 제1 상관관계에 기반하여 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출할 수 있다. 예를 들어, 제어 인자 산출 장치(100)는 목표 슬러리 로딩량을 달성하기 위해 필요한 N+2 주기의 슬러리 유량을 산출할 수 있다. 제어 인자 산출 장치(100)는 N+2 주기의 슬러리 유량과 N+1 주기의 슬러리 유량의 차이 값에 기반하여 슬러리 유량 제어 값을 산출할 수 있다.
일 실시 예에 따르면, 제어 인자 산출 장치(100)는 N+1 주기의 슬러리 로딩량, 목표 슬러리 로딩량(예: N+2 주기의 슬러리 로딩량), 및 N+2 주기의 슬러리 토출 장치와 기재 사이의 간격과 제1 상관관계에 기반하여 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출할 수 있다.
일 실시 예에 따르면, 제어 인자 산출 장치(100)는 동작 310에서 학습된 제2 상관관계에 기초하여 슬러리 펌프 RPM 제어 값을 산출할 수 있다. 일 실시 예에 따르면, 제어 인자 산출 장치(100)는 제2 상관관계에 기초하여 슬러리 유량 제어 값을 달성하기 위한 슬러리 펌프 RPM 제어 값을 산출할 수 있다. 여기에서, 슬러리 펌프 RPM 제어 값은 산출된 슬러리 유량 제어 값을 달성하기 위한 슬러리 펌프 RPM 상승 값 또는 슬러리 펌프 RPM 감소 값을 의미할 수 있다.
일 실시 예에 따르면, 제어 인자 산출 장치(100)는 슬러리 유량 제어 값 및 제2 상관관계에 기반하여 슬러리 펌프 RPM 제어 값을 산출할 수 있다. 예를 들어, 제어 인자 산출 장치(100)는 N+1 주기 및 N+2 주기 사이의 슬러리 유량 제어 값과 제2 상관관계에 기반하여 N+1 주기 및 N+2 주기 사이의 슬러리 펌프 RPM 제어 값을 산출할 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 실시 예들이 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.

Claims (12)

  1. 제어 인자 산출 장치에 있어서,
    슬러리 로딩량 및 슬러리 유량을 포함하는 데이터를 주기적으로 획득하는 데이터 획득부; 및
    상기 데이터에 기초하여, 상기 슬러리 로딩량과 상기 슬러리 유량 간의 상관관계를 학습하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 상관관계에 기초하여, 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출하는, 제어 인자 산출 장치.
  2. 청구항 1에 있어서,
    상기 프로세서는,
    N 주기의 슬러리 로딩량 및 N+1 주기의 슬러리 유량을 포함하는 제1 데이터와, 상기 N+1 주기의 슬러리 로딩량을 포함하는 제2 데이터 간의 제1 상관관계를 학습하고,
    상기 제1 상관관계에 기초하여 상기 슬러리 유량 제어 값을 산출하는, 제어 인자 산출 장치.
  3. 청구항 2에 있어서,
    상기 프로세서는,
    상기 N+1 주기의 상기 슬러리 로딩량 및 상기 목표 슬러리 로딩량에 대응되는 N+1 주기의 슬러리 로딩량과 상기 제1 상관관계에 기초하여 상기 슬러리 유량 제어 값을 산출하는, 제어 인자 산출 장치.
  4. 청구항 2에 있어서,
    상기 데이터는 슬러리 펌프 RPM을 더 포함하고,
    상기 프로세서는,
    주기 변화에 따른 슬러리 유량 변화 데이터와 슬러리 펌프 RPM 변화 데이터 간의 제2 상관관계를 학습하고,
    상기 제2 상관관계에 기초하여 상기 유량 제어 값을 달성하기 위한 슬러리 펌프 RPM 제어 값을 산출하는, 제어 인자 산출 장치.
  5. 청구항 1에 있어서,
    상기 데이터는 슬러리 토출 장치와 기재(base material) 사이의 간격을 더 포함하는, 제어 인자 산출 장치.
  6. 청구항 1에 있어서,
    상기 프로세서는,
    머신 러닝(machine learning) 모델 또는 딥 러닝(deep learning) 모델에 기초하여 상기 상관관계를 학습하는, 제어 인자 산출 장치.
  7. 제어 인자 산출 방법에 있어서,
    슬러리 로딩량 및 슬러리 유량을 포함하는 데이터를 주기적으로 획득하는 동작;
    상기 데이터에 기초하여, 상기 슬러리 로딩량과 상기 슬러리 유량 간의 상관관계를 학습하는 동작; 및
    상기 상관관계에 기초하여, 목표 슬러리 로딩량을 달성하기 위한 슬러리 유량 제어 값을 산출하는 동작을 포함하는, 제어 인자 산출 방법.
  8. 제7 항에 있어서,
    상기 상관관계를 학습하는 동작은, N 주기의 슬러리 로딩량 및 N+1 주기의 슬러리 유량을 포함하는 제1 데이터와, 상기 N+1 주기의 슬러리 로딩량을 포함하는 제2 데이터 간의 제1 상관관계를 학습하는 동작을 포함하고,
    상기 슬러리 유량 제어 값을 산출하는 동작은, 상기 제1 상관관계에 기초하여 상기 슬러리 유량 제어 값을 산출하는 동작을 포함하는, 제어 인자 산출 방법.
  9. 제8 항에 있어서,
    상기 슬러리 유량 제어 값을 산출하는 동작은, 상기 N+1 주기의 상기 슬러리 로딩량 및 상기 목표 슬러리 로딩량에 대응되는 N+1 주기의 슬러리 로딩량과 상기 제1 상관관계에 기초하여 상기 슬러리 유량 제어 값을 산출하는 동작을 포함하는, 제어 인자 산출 방법.
  10. 제8 항에 있어서,
    상기 데이터는 슬러리 펌프 RPM을 더 포함하고,
    상기 상관관계를 학습하는 동작은, 주기 변화에 따른 슬러리 유량 변화 데이터와 슬러리 펌프 RPM 변화 데이터 간의 제2 상관관계를 학습하는 동작을 포함하고,
    상기 슬러리 펌프 RPM 제어 값을 산출하는 동작은, 상기 제2 상관관계에 기초하여 상기 유량 제어 값을 달성하기 위한 슬러리 펌프 RPM 제어 값을 산출하는 동작을 포함하는, 제어 인자 산출 방법.
  11. 제7 항에 있어서,
    상기 데이터는 슬러리 토출 장치와 기재(base material) 사이의 간격을 더 포함하는, 제어 인자 산출 방법.
  12. 제7 항에 있어서,
    상기 상관관계를 학습하는 동작은, 머신 러닝(machine learning) 모델 또는 딥 러닝(deep learning) 모델에 기초하여 상기 상관관계를 학습하는 동작을 포함하는, 제어 인자 산출 방법.
PCT/KR2023/013353 2022-09-15 2023-09-06 제어 인자 산출 장치 및 그의 동작 방법 WO2024058491A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20220116615 2022-09-15
KR10-2022-0116615 2022-09-15
KR10-2023-0047518 2023-04-11
KR1020230047518A KR20240037820A (ko) 2022-09-15 2023-04-11 제어 인자 산출 장치 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
WO2024058491A1 true WO2024058491A1 (ko) 2024-03-21

Family

ID=90275336

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/013353 WO2024058491A1 (ko) 2022-09-15 2023-09-06 제어 인자 산출 장치 및 그의 동작 방법

Country Status (1)

Country Link
WO (1) WO2024058491A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130108920A1 (en) * 2011-11-01 2013-05-02 Isalah O. Oladeji Composite electrodes for lithium ion battery and method of making
JP2015176822A (ja) * 2014-03-17 2015-10-05 東レエンジニアリング株式会社 電池用極板の製造装置
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
KR20200075816A (ko) * 2017-10-30 2020-06-26 니혼 스핀들 세이조 가부시키가이샤 슬러리제조장치, 및 슬러리제조장치의 운전방법
WO2022179810A1 (de) * 2021-02-26 2022-09-01 Siemens Aktiengesellschaft Verfahren zur analyse einer elektrodenschicht eines batteriespeichers und herstellungsverfahren eines batteriespeichers, herstellungseinheit

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130108920A1 (en) * 2011-11-01 2013-05-02 Isalah O. Oladeji Composite electrodes for lithium ion battery and method of making
JP2015176822A (ja) * 2014-03-17 2015-10-05 東レエンジニアリング株式会社 電池用極板の製造装置
KR20200075816A (ko) * 2017-10-30 2020-06-26 니혼 스핀들 세이조 가부시키가이샤 슬러리제조장치, 및 슬러리제조장치의 운전방법
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
WO2022179810A1 (de) * 2021-02-26 2022-09-01 Siemens Aktiengesellschaft Verfahren zur analyse einer elektrodenschicht eines batteriespeichers und herstellungsverfahren eines batteriespeichers, herstellungseinheit

Similar Documents

Publication Publication Date Title
WO2020135481A1 (zh) 一种电池充电方法和装置
WO2012165771A2 (ko) 모듈화된 bms 연결 구조를 포함하는 전력 저장 시스템 및 그 제어 방법
WO2013125810A1 (ko) 신규한 구조의 전지팩
CN113702845B (zh) 退役锂电池核心参数评估方法和设备
EP1014533A3 (en) A battery charge management architecture
WO2013035963A1 (ko) 충전 전압을 적응적으로 가변시키는 배터리 충전 장치 및 그의 배터리 충전 제어방법
CN101101323A (zh) 锂电池容量的快速检测方法
WO2020080881A1 (ko) 배터리 관리 장치
WO2022149824A1 (ko) 배터리 관리 장치 및 방법
WO2024058491A1 (ko) 제어 인자 산출 장치 및 그의 동작 방법
WO2018164346A1 (ko) 배터리 셀 전압 데이터 처리 장치 및 방법
CN111129628B (zh) 锂离子电芯充放电的控制方法、系统、介质及电子设备
WO2023013961A1 (ko) 배터리 검사 장치 및 배터리 검사 시스템
CN116381506A (zh) 基于数据聚类的可重构电池网络系统电池状态分选方法
WO2022097931A1 (ko) 배터리 관리 장치 및 방법
CN113625183B (zh) 一种电池包寿命预测方法及电池包模拟系统
WO2021125678A1 (ko) 병렬 배터리 릴레이 진단 장치 및 방법
WO2021154043A1 (ko) 배터리 충방전 제어 장치 및 방법
CN115037007A (zh) 电池设备的放电平衡方法
WO2024080507A1 (ko) 배터리 히팅 장치 및 그의 동작 방법
WO2023106583A1 (ko) 충전 프로토콜 검사 장치 및 그것의 동작 방법
WO2024112072A1 (ko) Soh 예측 장치 및 이의 동작 방법
WO2023146156A1 (ko) 배터리 관리 장치 및 그의 동작 방법
WO2023136512A1 (ko) 배터리 충전 심도 산출 장치 및 그것의 동작 방법
KR20240037820A (ko) 제어 인자 산출 장치 및 그의 동작 방법

Legal Events

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

Ref document number: 23865789

Country of ref document: EP

Kind code of ref document: A1