WO2025258945A1 - 용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템 - Google Patents

용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템

Info

Publication number
WO2025258945A1
WO2025258945A1 PCT/KR2025/007846 KR2025007846W WO2025258945A1 WO 2025258945 A1 WO2025258945 A1 WO 2025258945A1 KR 2025007846 W KR2025007846 W KR 2025007846W WO 2025258945 A1 WO2025258945 A1 WO 2025258945A1
Authority
WO
WIPO (PCT)
Prior art keywords
welding
data
lof
score
electrical data
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/KR2025/007846
Other languages
English (en)
French (fr)
Inventor
김성률
양호진
박성근
임성상
오종균
권현서
문준호
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LG Energy Solution Ltd
Original Assignee
LG Energy Solution Ltd
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 LG Energy Solution Ltd filed Critical LG Energy Solution Ltd
Publication of WO2025258945A1 publication Critical patent/WO2025258945A1/ko
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00 relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00 relating to investigating the properties, e.g. the weldability, of materials
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K37/00—Auxiliary devices or processes, not specially adapted for a procedure covered by only one of the other main groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the embodiments disclosed in this document relate to a welding management device, a welding management method, and a welding management system.
  • secondary battery refers to a rechargeable battery, encompassing both conventional Ni/Cd and Ni/MH batteries, as well as recent lithium-ion batteries.
  • lithium-ion batteries can boast higher energy densities than conventional Ni/Cd and Ni/MH batteries. They can be manufactured in small and lightweight designs, making them highly versatile power sources for mobile devices. Recently, their use has expanded to include power sources for electric vehicles, attracting attention as a next-generation energy storage medium.
  • a welding process can be performed to manufacture battery cells.
  • electric resistance welding can be performed to form the negative tab of a cylindrical battery cell.
  • electrical data such as voltage, current, temperature, and resistance of the welding device can be collected, and the welding status of the battery cell can be determined based on this electrical data.
  • the accuracy of the welding status determination can vary depending on the method of collecting the electrical data and the processing method used to process the electrical data.
  • One purpose of the embodiments disclosed in this document is to provide a welding management device, a welding management method, and a welding management system that can improve a method of collecting electrical data and a method of processing electrical data to enhance the performance of judging a welding state.
  • the welding management device includes an interface configured to acquire electrical data collected during a welding process for a battery; and a controller configured to calculate a first local reachability density (lrd) of the electrical data based on learning data stored in a local outlier factor (LOF) model and the electrical data, calculate an LOF score of the electrical data based on a second lrd of neighboring data within a reference distance from the electrical data among the learning data and the first lrd, and diagnose a welding state of the battery based on the LOF score.
  • LRF local outlier factor
  • the electrical data includes dynamic resistance values collected at a first measurement frequency during a period in which a welding voltage exceeds a reference voltage during the welding process, and the LOF model is configured to calculate the LOF score based on the dynamic resistance values.
  • the controller is configured to input values of the resistance values after a first time has elapsed from the start of a period exceeding the reference voltage into the LOF model to calculate the LOF score.
  • the controller is configured to determine the number of data of the resistance values based on the period during which the welding voltage exceeds the reference voltage and the first measurement frequency, and to calculate the number of neighboring data within the reference distance based on a Euclidean distance having a dimension of the number of data.
  • the controller is configured to diagnose the welding condition of the battery as defective if the LOF score exceeds a threshold score, wherein the threshold score is determined based on tensile strength test data of test batteries manufactured by the welding process.
  • the controller is configured to adjust the threshold score when a consumable of the welding device performing the welding process is replaced.
  • the electrical data includes first data below a cutoff frequency and one or more second data above the cutoff frequency
  • the controller is configured to detect a point of occurrence of a defect in the welding process based on an inflection point of the one or more second data when the welding condition is diagnosed as defective for the first data.
  • a welding management method includes: acquiring electrical data collected during a welding process for a battery; calculating a first local reachability density (lrd) of the electrical data based on learning data stored in a local outlier factor (LOF) model and the electrical data; calculating an LOF score of the electrical data based on a second lrd of neighboring data within a reference distance from the electrical data among the learning data and the first lrd; and diagnosing a welding state of the battery based on the LOF score.
  • LRF local outlier factor
  • the electrical data includes dynamic resistance values collected at a first measurement frequency during a period in which a welding voltage exceeds a reference voltage during the welding process, and the LOF model is configured to calculate the LOF score based on the dynamic resistance values.
  • the step of calculating the LOF score includes the step of calculating the LOF score by inputting values of the resistance values after a first time has elapsed from the start time of the period exceeding the reference voltage into the LOF model.
  • the step of calculating the LOF score includes: determining a number of data of the resistance values based on a period during which the welding voltage exceeds the reference voltage and the first measurement frequency; and calculating a number of neighboring data within the reference distance based on a Euclidean distance having a dimension of the number of data.
  • the step of diagnosing the welding condition includes the step of diagnosing the welding condition of the battery as defective if the LOF score exceeds a threshold score, wherein the threshold score is determined based on tensile strength test data of test batteries manufactured by the welding process.
  • the welding management method further comprises the step of adjusting the threshold score when a consumable of a welding device performing the welding process is replaced.
  • the electrical data includes first data below a cutoff frequency and one or more second data above the cutoff frequency
  • the welding management method further includes a step of detecting a point of occurrence of a defect in the welding process based on an inflection point of the one or more second data when the welding state is diagnosed as defective for the first data.
  • a welding management system includes: a battery; a welding device configured to perform a welding process on the battery; and a welding management device configured to obtain electrical data collected during the welding process, calculate a first local reachability density (lrd) of the electrical data based on learning data stored in a local outlier factor (LOF) model and the electrical data, calculate an LOF score of the electrical data based on a second lrd of neighboring data within a reference distance from the electrical data among the learning data and the first lrd, and diagnose a welding state of the battery based on the LOF score.
  • LEF local outlier factor
  • a welding management device can improve the method of collecting and processing electrical data to enhance the performance of determining welding conditions.
  • defects occurring during cathode tab resistance welding such as under-welding and over-welding, can be detected through an electrical data model such as the LOF model.
  • Figure 1 illustrates elements constituting a welding management system according to some embodiments.
  • FIG. 2 illustrates elements constituting a welding management device according to some embodiments.
  • Figures 3 to 5 illustrate a method of collecting electrical data according to some embodiments.
  • Figure 6 illustrates a method for calculating a local outlier factor (LOF) score according to some embodiments.
  • LEF local outlier factor
  • Figure 7 illustrates a method for diagnosing a welding condition based on a LOF score according to some embodiments.
  • Figure 8 illustrates a method for classifying weld strength based on LOF scores according to some embodiments.
  • FIG. 9 illustrates a process for setting a threshold score based on the relationship between tensile strength and LOF score according to some embodiments.
  • FIG. 10 illustrates a method for adjusting a critical score when a consumable of a welding device is replaced according to some embodiments.
  • Figure 11 illustrates steps constituting a welding management method according to some embodiments.
  • phrases “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 “at least one of A, B, or C” can each include any one of the items listed together in that phrase, or all possible combinations thereof.
  • Terms such as “first”, “second”, “first”, “second”, “A”, “B”, “(a)”, or “(b)” may be used merely to distinguish the corresponding component from other corresponding components, and do not limit the corresponding components in any other respect (e.g., importance or order) unless specifically stated otherwise.
  • a component e.g., a first component
  • a component e.g., a first component
  • the component can be connected to the other component directly (e.g., wired or wirelessly), or indirectly (e.g., via a third component).
  • the methods according to various embodiments disclosed in this document may be provided as a computer program product.
  • the computer program product may be traded as a commodity between a seller and a buyer.
  • the computer program product may be distributed in the form of a machine-readable storage medium (e.g., compact disc read-only memory, CD-ROM), or may be distributed online (e.g., downloaded or uploaded) through an application store or directly between two driver devices.
  • a machine-readable storage medium e.g., compact disc read-only memory, CD-ROM
  • the computer program product may be temporarily stored or temporarily generated 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., a module or a program of the above-described components may include one or more entities, and some of the entities may be separated and placed in other components.
  • one or more components or operations of the aforementioned components may be omitted, or one or more other components or operations may be added.
  • a plurality of components e.g., a module or a program
  • the integrated component may perform one or more functions of each of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration.
  • the 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 one or more other operations may be added.
  • Figure 1 illustrates how a welding management system operates according to some embodiments.
  • the welding management system (100) may include a welding device (120) that performs a welding process for a battery (110) and a welding management device (130) that manages the welding process.
  • a welding device (120) that performs a welding process for a battery (110)
  • a welding management device (130) that manages the welding process.
  • the present invention is not limited thereto, and some components may be omitted from the welding management system (100), or other general-purpose components may be further included in the welding management system (100).
  • the battery (110) may be formed by a welding process.
  • the battery (110) may include a battery cell, a battery module, a battery pack, etc.
  • the battery cell may include a cylindrical battery cell.
  • the cylindrical battery cell may include rivets, collectors, tabs, beading, etc. formed on the positive or negative electrode, and the detailed structure of such a cylindrical battery cell may be formed by welding.
  • a welding device (120) may perform a welding process to form a battery (110).
  • the welding process may include a resistance welding process.
  • voltage and current may be input to the welding device (120), the welding device (120) may output voltage and current to the welding target, and the temperature, resistance, etc. of the welding target may be measured.
  • the quality of the welding process for the battery (110) may be determined based on whether the electrical data during the welding process falls outside an appropriate range. Based on this, a model for estimating the welding status based on electrical data may be utilized.
  • the welding management device (130) can manage the welding process for the battery (110) performed by the welding device (120).
  • the welding management device (130) can diagnose the welding state of the battery cell (110) using a state diagnosis model.
  • the welding management device (130) can determine whether the state diagnosis model for diagnosing the welding state is operating normally or whether correction of the state diagnosis model is required.
  • the state diagnosis model may include an unsupervised learning-based model such as a local outlier factor (LOF) model, an one-class support vector machine (OC-SVM) model, a deep support vector data technique (Deep SVDD), or a supervised learning-based model such as XGBoost.
  • LEF local outlier factor
  • O-SVM one-class support vector machine
  • Deep SVDD deep support vector data technique
  • XGBoost supervised learning-based model
  • a defect phenomenon occurring during resistance welding of a negative tab such as under-welding and over-welding, can be detected through an electrical data model such as an LOF model.
  • FIG. 2 illustrates elements constituting a welding management device according to some embodiments.
  • the welding management device (130) may include an interface (131) and a controller (132).
  • the present invention is not limited thereto, and some components may be omitted from the welding management device (130), or other general-purpose components may be further included in the welding management device (130).
  • the interface (131) may be configured to acquire electrical data collected during a welding process for the battery (110).
  • the interface (131) may include a sensor configured to measure the electrical data, and the sensor may include a voltage sensor, a current sensor, a temperature sensor, a resistance sensor, or the like.
  • the sensor configured to measure the electrical data may be provided externally to the welding management device (130), and the interface (131) may include a communication unit configured to receive the electrical data from the external sensor via a wire and/or wireless connection.
  • the controller (132) may include memory and a processor.
  • the processor of the controller (132) may be implemented as an array of multiple logic gates for processing various operations or as a general-purpose microprocessor, and may be comprised of a single processor or multiple processors.
  • the processor may be implemented in the form of at least one of a microprocessor, a CPU, a GPU, and an AP.
  • the memory of the controller (132) can store various data, commands, mobile applications, computer programs, etc.
  • the processor can process various operations by executing commands stored in the memory.
  • the memory can be implemented as a non-volatile device such as ROM, PROM, EPROM, EEPROM, flash memory, PRAM, MRAM, RRAM, FRAM, etc., or a volatile device such as DRAM, SRAM, SDRAM, PRAM, etc., and can be implemented in the form of an HDD, SSD, SD, Micro-SD, etc., or a combination thereof.
  • the controller (132) may be configured to calculate a first local reachability density (lrd) of electrical data based on training data and electrical data stored in a local outlier factor (LOF) model.
  • the LOF model may include a model trained to diagnose a welding state corresponding to electrical data using an LOF algorithm.
  • the LOF model may be implemented as an artificial intelligence model trained through various machine learning techniques.
  • the LOF model stores training data used for model training, and the training data may include a set of electrical data measured during a welding process.
  • the LOF model may calculate a first lrd of electrical data collected from the battery (110).
  • the lrd value of the LOF algorithm may represent a density regarding the likelihood that new data will reach existing data. For a specific calculation process of the first lrd, reference may be made to FIG. 6, which will be described later.
  • the controller (132) may be configured to calculate the LOF score of the electrical data based on the second lrd and the first lrd of neighboring data within a reference distance from the electrical data among the learning data.
  • the learning data and the electrical data may be n-dimensional data.
  • the learning data and the electrical data may be n-dimensional dynamic resistance data.
  • other types of electrical data such as welding voltage, welding current, transformer voltage, and welding temperature may be utilized instead of dynamic resistance.
  • the dimension n of the learning data and the electrical data may correspond to the number of collected values.
  • 140-dimensional dynamic resistance data may be composed of 140 dynamic resistance values measured at regular intervals during the welding process.
  • the distance from the electrical data may be a distance in an n-dimensional space.
  • the reference distance may mean k learning data closest to the electrical data.
  • k is 5
  • five second lrd values for five learning data within the reference distance may be calculated.
  • the LOF model can calculate the LOF score of electrical data based on the first lrd and k second lrds.
  • the controller (132) may be configured to diagnose the welding condition of the battery (110) based on the LOF score.
  • the LOF score may function as an indicator representing the welding condition of the battery (110).
  • the LOF score may replace conventional indicators such as tensile strength. Tensile strength may require separate measuring equipment and a measuring process, and the battery sampled for tensile strength measurement may be destroyed.
  • LOF score-based diagnosis can perform a complete, non-destructive inspection.
  • the electrical data may include dynamic resistance values collected at a first measurement frequency during a period in which the welding voltage exceeds a reference voltage during a welding process
  • the LOF model may be configured to calculate an LOF score based on the dynamic resistance values.
  • the electrical data may be collected at the first measurement frequency during a period in which the welding voltage exceeds 0.3 V, and the electrical data may be voltage, current, temperature, etc. in addition to dynamic resistance.
  • the first measurement frequency may be 50 kHz. The specific values of the reference voltage and the first measurement frequency may be changed as needed.
  • the controller (132) may be configured to input values of the resistance values after a first time period has elapsed from the start of a period exceeding a reference voltage into the LOF model to calculate an LOF score.
  • the first time period may be the time required to pass the first 30 values and may be determined based on the first measurement frequency. A number other than 30 may be utilized as needed. By excluding the first values in this manner, transient data can be excluded, and the diagnostic performance of the LOF model can be improved.
  • the controller (132) may be configured to determine the number of data of the resistance values based on the period during which the welding voltage exceeds the reference voltage and the first measurement frequency, and to calculate the number of neighboring data within the reference distance based on the Euclidean distance having the dimension of the number of data. For example, when 140 data values are collected, the 140-dimensional Euclidean distance may be utilized for distance calculation of the LOF algorithm. According to an embodiment, the reference distance may be determined such that the number of neighboring data is a preset k.
  • the controller (132) may be configured to diagnose the welding condition of the battery (110) as defective if the LOF score exceeds a threshold score, and the threshold score may be determined based on tensile strength test data of test batteries manufactured by a welding process. For example, test batteries may be manufactured through a welding process in a mass production line, and the tensile strength values of the test batteries may be tested. Based on the tensile strength test data, a threshold score may be set, and the defect detection performance and the over-inspection performance for normal welding may be verified according to the threshold score.
  • the controller (132) may be configured to adjust the threshold score when a consumable of the welding device (120) performing the welding process is replaced.
  • the dispersion of the electrical data collected from the battery (110) may remain constant, but the average or center position of the electrical data may change.
  • maintaining the threshold score at the same value may result in over-inspection, where normal welds are classified as defective. Therefore, the threshold score may be adjusted based on the amount of variation in the average or center position.
  • the electrical data may include first data below the cutoff frequency and one or more second data above the cutoff frequency
  • the controller (132) may be configured to detect a point of occurrence of a defect in the welding process based on an inflection point of one or more second data when a welding condition is diagnosed as defective for the first data.
  • the cutoff frequency may be substantially increased compared to the conventional one.
  • a data inflection point may appear more clearly than in the case of the first data below the cutoff frequency, and thereby the point of occurrence of the cause of the welding defect may be detected.
  • Figures 3 to 5 illustrate a method of collecting electrical data according to some embodiments.
  • a graph (310) representing a conventional method for measuring welding voltage and a graph (320) representing an improved method can be illustrated.
  • the improved method of graph (320) can collect data during a period in which the welding voltage exceeds a specific value. Since data collection begins based on voltage rather than current in the improved method, the welding execution period and the data collection period can coincide.
  • FIG. 4 a graph (410) representing a conventional method for measuring dynamic resistance and a graph (420) representing an improved method can be illustrated. As with the welding voltage of FIG. 3, data collection can be more appropriately performed through the improved method in the case of dynamic resistance of FIG. 4.
  • a graph (510) showing a dynamic resistance value measured in a range below a cutoff frequency and a graph (520) showing a dynamic resistance value measured in a range above a cutoff frequency can be illustrated.
  • the graph (510) may represent a dynamic resistance value measured at a frequency of 1 kHz.
  • the cutoff frequency may be in the range of 1 kHz to 5 kHz.
  • the dynamic resistance value may include an impedance value.
  • the graph (520) may represent a dynamic resistance value measured in a frequency range exceeding the cutoff frequency. As illustrated, at frequencies such as 5 kHz, 10 kHz, and 20 kHz, an inflection point (521) where the increase/decrease pattern of the dynamic resistance value changes may appear more clearly.
  • an inflection point (521) estimated as the cause of the welding defect may be detected in a range above the cutoff frequency of the graph (520).
  • Figure 6 illustrates a method for calculating a local outlier factor (LOF) score according to some embodiments.
  • LEF local outlier factor
  • the distribution (610) of learning data and electrical data used to calculate the LOF score and formulas (620-650) for calculating the LOF score can be illustrated.
  • electrical data (p) and neighboring data (o) within a reference distance from the electrical data (p) may be depicted.
  • the number k of neighboring data (o) may be set to 5
  • the reference distance from the electrical data (p) may be set to a distance value such that k is 5.
  • the LOF score of the electrical data (p) may be calculated based on the first lrd value of the electrical data (p) and five second lrd values of five neighboring data (o).
  • k may be 5 as the number of neighboring data (o).
  • the LOF score LOF k (p) may be calculated based on the first lrd value lrd k (p), the second lrd values lrd k (o), and the set N k (p) of neighboring data (o).
  • may be the size of N k (p).
  • the first lrd value lrd k (p) may be calculated based on the set N k (p) of neighboring data (o) and the reachability distance reachability-distance k (p,o).
  • the second lrd values lrd k (o) may also be calculated in a similar manner.
  • a set N k (p) of neighboring data (o) can be calculated based on the distance d(p, q) between the learning data and the electrical data (p) and the distance k-distance(p) to the kth closest learning data from the electrical data (p).
  • a reachability distance reachability-distance k (p,o) can be calculated based on the distance k-distance(p) and the distance d(p, q) to the kth closest learning data from the electrical data (p).
  • the distance d(p, q) can be calculated as an n-dimensional Euclidean distance.
  • Figure 7 illustrates a method for diagnosing a welding condition based on a LOF score according to some embodiments.
  • a LOF model can be trained based on training data (710).
  • Each data point of the training data (710) may be electrical data measured during the welding process.
  • the training data (710) and new data (720) may represent any one of dynamic resistance, welding voltage, welding current, and welding temperature.
  • New data (720) may include new data 1 located close to the distribution of learning data (710) and new data 2 located far from the distribution of learning data (710).
  • the LOF scores of new data 1 and new data 2 may be calculated in the same manner as in FIG. 6.
  • the LOF score of new data 1 may be calculated to be a value close to 1, which may be classified as a normal weld.
  • the LOF score of new data 2 may be calculated to be a value higher than 1, which may have a high probability of being classified as a defective weld.
  • Figure 8 illustrates a method for classifying weld strength based on LOF scores according to some embodiments.
  • a graph (810) representing a conventional method of monitoring a welding status based on electrical data and a graph (820) representing an improved method can be illustrated.
  • model scores may not show a large difference even if the welding strength changes.
  • improved method of graph (820) according to the welding management system (100) excessive welding (821), normal welding (822), and insufficient welding (823) can be classified with distinct score values.
  • FIG. 9 illustrates a process for setting a threshold score based on the relationship between tensile strength and LOF score according to some embodiments.
  • a graph (900) may be illustrated showing the relationship between tensile strength and LOF score measured for multiple test batteries.
  • the tensile strength and LOF scores of the test batteries may have a significant correlation with each other.
  • the tensile strength and LOF scores of graph (900) may have an R 2 value of approximately 80%. This 80% correlation may occur not only across the entire range, but also in a region of interest near the tensile strength specification value of the battery (110).
  • a critical score (910) may be set in the graph (900). If the tensile strength specification of the battery negative tab is approximately 0.9 kgf, the 50% level of the average value of the tensile strength test data may be approximately 1.51 kgf, and test batteries with this as the control limit may be produced as samples. In this case, the LOF score corresponding to 1.51 kgf may be set as the critical score (910), and even in this case, it may be confirmed that the number of over-inspections that incorrectly classify normal welds as defective does not increase. In this manner, the critical score (910) may be set based on the tensile strength test data of the test batteries.
  • FIG. 10 illustrates a method for adjusting a critical score when a consumable of a welding device is replaced according to some embodiments.
  • a graph (1000) may be illustrated illustrating a method for adjusting a critical score when a consumable of a welding device (120) is replaced.
  • the average position of the LOF score may shift. If the critical score remains unchanged, a large number of over-inspections may occur, misdiagnosing normal welds as defective. To address this, 50 data points can be collected after the consumables of the welding device (120) are replaced, and the amount of shift can be calculated, and the critical score can be adjusted by the same amount.
  • Figure 11 illustrates steps constituting a welding management method according to some embodiments.
  • the welding management method (1100) may include steps (1110) to (1140). However, the present invention is not limited thereto, and some steps may be omitted or other general steps may be added, and the steps of the welding management method (1100) may be executed in a different order than the illustrated order.
  • the welding management method (1100) may be composed of steps that are processed in a time-series manner in the welding management device (130). Therefore, even if the content is omitted below, the content described above for the welding management device (130) may be equally applied to the welding management method (1100).
  • Steps (1110) to (1140) of the welding management method (1100) can be performed by the interface (131) and controller (132) of the welding management device (130).
  • the welding management device (130) may perform a step of acquiring electrical data collected during a welding process for a battery.
  • the welding management device (130) may perform a step of calculating a first local reachability density (lrd) of electrical data based on learning data and electrical data stored in a local outlier factor (LOF) model.
  • LEF local outlier factor
  • the welding management device (130) may perform a step of calculating an LOF score of the electrical data based on the second lrd and the first lrd of neighboring data within a reference distance from the electrical data among the learning data.
  • step (1140) the welding management device (130) can perform a step of diagnosing the welding status of the battery based on the LOF score.
  • the welding management method (1100) may be implemented in the form of a computer program stored on a computer-readable storage medium. That is, the computer program may include instructions for implementing the welding management method (1100), and the instructions of the program may be stored on the computer-readable storage medium.
  • the computer program may include a mobile application.
  • the computer-readable storage medium may include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, magneto-optical media such as floptical disks, and hardware devices specially configured to store and execute computer program instructions such as ROMs, RAMs, flash memories, and the like.
  • the computer program instructions may include machine language codes generated by a compiler and high-level language codes that can be executed by a computer using an interpreter, etc.
  • Interface 132 Controller

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Optics & Photonics (AREA)
  • Quality & Reliability (AREA)
  • Connection Of Batteries Or Terminals (AREA)

Abstract

일부 실시예들에 따르면, 용접 관리 장치는, 배터리에 대한 용접 공정 동안 수집되는 전기 데이터를 획득하도록 구성되는 인터페이스; 및 로컬 아웃라이어 팩터(LOF) 모델에 저장되어 있는 학습 데이터 및 상기 전기 데이터에 기초하여 상기 전기 데이터의 제1 로컬 도달가능성 밀도(lrd)를 계산하고, 상기 학습 데이터 중 상기 전기 데이터로부터 기준 거리 이내에 있는 이웃 데이터의 제2 lrd 및 상기 제1 lrd에 기초하여 상기 전기 데이터의 LOF 스코어를 계산하고, 상기 LOF 스코어에 기초하여 상기 배터리의 용접 상태를 진단하도록 구성되는 컨트롤러를 포함한다.

Description

용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템
관련출원과의 상호인용
본 출원은 2024년 6월 14일자로 출원된 대한민국 특허출원 제10-2024-0077282호에 기초한 우선권의 이익을 주장하며, 해당 특허출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시예들은 용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템에 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 포괄하는 것으로 해석될 수 있다. 이차 전지 중 리튬 이온 배터리는 종래의 Ni/Cd 배터리, Ni/MH 배터리 등에 비해 높은 에너지 밀도를 가질 수 있으며, 소형 및 경량으로 제작될 수 있어 이동 기기의 전원에 관하여 높은 활용성을 가질 수 있다. 최근에는 전기 자동차의 전원으로 사용 범위가 확장되어 차세대 에너지 저장 매체로 주목을 받고 있다.
배터리 셀을 제조하기 위해 용접 공정이 수행될 수 있다. 예를 들면, 원통형 배터리 셀의 음극 탭을 형성하기 위해 전기 저항 용접이 수행될 수 있다. 용접 과정에서 용접 장치의 전압, 전류, 온도, 저항 등의 전기 데이터가 수집될 수 있으며, 전기 데이터를 기반으로 배터리 셀의 용접 상태가 판정될 수 있다. 용접 상태를 판정하는 정확도는 전기 데이터의 수집 방식, 전기 데이터에 대한 처리 방식 등에 따라 변경될 수 있다.
본 문서에 개시된 실시예들의 일 목적은, 용접 상태의 판정 성능을 향상시키기 위해 전기 데이터의 수집 방식 및 전기 데이터에 대한 처리 방식을 개선할 수 있는 용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템을 제공하는 데 있다.
본 문서에 개시된 실시예들의 기술적 목적은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
일부 실시예들에 따르면, 용접 관리 장치는, 배터리에 대한 용접 공정 동안 수집되는 전기 데이터를 획득하도록 구성되는 인터페이스; 및 로컬 아웃라이어 팩터(LOF) 모델에 저장되어 있는 학습 데이터 및 상기 전기 데이터에 기초하여 상기 전기 데이터의 제1 로컬 도달가능성 밀도(lrd)를 계산하고, 상기 학습 데이터 중 상기 전기 데이터로부터 기준 거리 이내에 있는 이웃 데이터의 제2 lrd 및 상기 제1 lrd에 기초하여 상기 전기 데이터의 LOF 스코어를 계산하고, 상기 LOF 스코어에 기초하여 상기 배터리의 용접 상태를 진단하도록 구성되는 컨트롤러를 포함한다.
일부 실시예들에 따르면, 상기 전기 데이터는 상기 용접 공정 중 용접 전압이 기준 전압을 초과하는 기간 동안 제1 측정 빈도로 수집되는 동저항(dynamic resistance) 값들을 포함하고, 상기 LOF 모델은 상기 동저항 값들에 기초하여 상기 LOF 스코어를 계산하도록 구성된다.
일부 실시예들에 따르면, 상기 컨트롤러는 상기 동저항 값들 중 상기 기준 전압을 초과하는 기간의 시작 시점으로부터 제1 시간이 경과한 이후의 값들을 상기 LOF 모델에 입력하여 상기 LOF 스코어를 계산하도록 구성된다.
일부 실시예들에 따르면, 상기 컨트롤러는 상기 용접 전압이 상기 기준 전압을 초과하는 기간 및 상기 제1 측정 빈도에 기초하여 상기 동저항 값들의 데이터 개수를 결정하고, 상기 데이터 개수의 차원을 갖는 유클리드 거리에 기초하여 상기 기준 거리 이내에 있는 상기 이웃 데이터의 개수를 계산하도록 구성된다.
일부 실시예들에 따르면, 상기 컨트롤러는 상기 LOF 스코어가 임계 스코어를 초과하는 경우 상기 배터리의 용접 상태를 불량으로 진단하도록 구성되고, 상기 임계 스코어는 상기 용접 공정에 의해 제조되는 테스트 배터리들의 인장강도 테스트 데이터에 기초하여 결정된다.
일부 실시예들에 따르면, 상기 컨트롤러는 상기 용접 공정을 수행하는 용접 장치의 소모품이 교체되는 경우 상기 임계 스코어를 조정하도록 구성된다.
일부 실시예들에 따르면, 상기 전기 데이터는 차단 주파수 미만의 제1 데이터 및 상기 차단 주파수 이상의 하나 이상의 제2 데이터를 포함하고, 상기 컨트롤러는 상기 제1 데이터에 대해 상기 용접 상태가 불량으로 진단되는 경우 상기 하나 이상의 제2 데이터의 변곡점에 기초하여 상기 용접 공정의 불량 발생 시점을 검출하도록 구성된다.
일부 실시예들에 따르면, 용접 관리 방법은, 배터리에 대한 용접 공정 동안 수집되는 전기 데이터를 획득하는 단계; 로컬 아웃라이어 팩터(LOF) 모델에 저장되어 있는 학습 데이터 및 상기 전기 데이터에 기초하여 상기 전기 데이터의 제1 로컬 도달가능성 밀도(lrd)를 계산하는 단계; 상기 학습 데이터 중 상기 전기 데이터로부터 기준 거리 이내에 있는 이웃 데이터의 제2 lrd 및 상기 제1 lrd에 기초하여 상기 전기 데이터의 LOF 스코어를 계산하는 단계; 및 상기 LOF 스코어에 기초하여 상기 배터리의 용접 상태를 진단하는 단계를 포함한다.
일부 실시예들에 따르면, 상기 전기 데이터는 상기 용접 공정 중 용접 전압이 기준 전압을 초과하는 기간 동안 제1 측정 빈도로 수집되는 동저항(dynamic resistance) 값들을 포함하고, 상기 LOF 모델은 상기 동저항 값들에 기초하여 상기 LOF 스코어를 계산하도록 구성된다.
일부 실시예들에 따르면, 상기 LOF 스코어를 계산하는 단계는, 상기 동저항 값들 중 상기 기준 전압을 초과하는 기간의 시작 시점으로부터 제1 시간이 경과한 이후의 값들을 상기 LOF 모델에 입력하여 상기 LOF 스코어를 계산하는 단계를 포함한다.
일부 실시예들에 따르면, 상기 LOF 스코어를 계산하는 단계는, 상기 용접 전압이 상기 기준 전압을 초과하는 기간 및 상기 제1 측정 빈도에 기초하여 상기 동저항 값들의 데이터 개수를 결정하는 단계; 및 상기 데이터 개수의 차원을 갖는 유클리드 거리에 기초하여 상기 기준 거리 이내에 있는 상기 이웃 데이터의 개수를 계산하는 단계를 포함한다.
일부 실시예들에 따르면, 상기 용접 상태를 진단하는 단계는, 상기 LOF 스코어가 임계 스코어를 초과하는 경우 상기 배터리의 용접 상태를 불량으로 진단하는 단계를 포함하고, 상기 임계 스코어는 상기 용접 공정에 의해 제조되는 테스트 배터리들의 인장강도 테스트 데이터에 기초하여 결정된다.
일부 실시예들에 따르면, 상기 용접 관리 방법은, 상기 용접 공정을 수행하는 용접 장치의 소모품이 교체되는 경우 상기 임계 스코어를 조정하는 단계를 더 포함한다.
일부 실시예들에 따르면, 상기 전기 데이터는 차단 주파수 미만의 제1 데이터 및 상기 차단 주파수 이상의 하나 이상의 제2 데이터를 포함하고, 상기 용접 관리 방법은, 상기 제1 데이터에 대해 상기 용접 상태가 불량으로 진단되는 경우 상기 하나 이상의 제2 데이터의 변곡점에 기초하여 상기 용접 공정의 불량 발생 시점을 검출하는 단계를 더 포함한다.
일부 실시예들에 따르면, 용접 관리 시스템은, 배터리; 상기 배터리에 대한 용접 공정을 수행하도록 구성되는 용접 장치; 및 상기 용접 공정 동안 수집되는 전기 데이터를 획득하고, 로컬 아웃라이어 팩터(LOF) 모델에 저장되어 있는 학습 데이터 및 상기 전기 데이터에 기초하여 상기 전기 데이터의 제1 로컬 도달가능성 밀도(lrd)를 계산하고, 상기 학습 데이터 중 상기 전기 데이터로부터 기준 거리 이내에 있는 이웃 데이터의 제2 lrd 및 상기 제1 lrd에 기초하여 상기 전기 데이터의 LOF 스코어를 계산하고, 상기 LOF 스코어에 기초하여 상기 배터리의 용접 상태를 진단하도록 구성되는 용접 관리 장치를 포함한다.
본 문서에 개시된 실시예들에 따르면, 용접 상태의 판정 성능을 향상시키기 위해 전기 데이터의 수집 방식 및 전기 데이터에 대한 처리 방식을 개선할 수 있는 용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템이 제공될 수 있다. 특히, LOF 모델과 같은 전기 데이터 모형을 통해 약용접, 과용접과 같은 음극탭 저항 용접시 발생하는 불량 현상이 감지될 수 있다.
본 문서에 개시된 실시예들에 따른 기술적 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또다른 효과들은 본 문서의 개시에 따라 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 일부 실시예에 따른 용접 관리 시스템을 구성하는 요소들을 예시한다.
도 2는 일부 실시예에 따른 용접 관리 장치를 구성하는 요소들을 예시한다.
도 3 내지 도 5는 일부 실시예에 따른 전기 데이터를 수집하는 방식을 예시한다.
도 6은 일부 실시예에 따른 로컬 아웃라이어 팩터(LOF) 스코어를 계산하는 방식을 예시한다.
도 7은 일부 실시예에 따른 LOF 스코어를 기반으로 용접 상태를 진단하는 방식을 예시한다.
도 8은 일부 실시예에 따른 LOF 스코어를 기반으로 용접 강도를 구분하는 방식을 예시한다.
도 9는 일부 실시예에 따른 인장강도와 LOF 스코어 간의 관계에 기반하여 임계 스코어를 설정하는 과정을 예시한다.
도 10은 일부 실시예에 따른 용접 장치의 소모품이 교체되는 경우 임계 스코어를 조정하는 방식을 예시한다.
도 11은 일부 실시예에 따른 용접 관리 방법을 구성하는 단계들을 예시한다.
이하, 본 문서에 기재된 실시예들이 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 문서의 개시를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 문서에 기재된 실시예들의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
본 문서의 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예로 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. "제1", "제2", "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: 제1) 구성요소가 다른(예: 제2) 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, 또는 무선으로), 또는 간접적으로(예: 제3 구성요소를 통하여) 연결될 수 있다는 것을 의미한다.
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 운전자 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.
본 문서에 개시된 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. 본 문서에 개시된 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. 본 문서에 개시된 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 1은 일부 실시예에 따른 용접 관리 시스템이 동작하는 방식을 예시한다.
도 1을 참조하면, 용접 관리 시스템(100)은 배터리(110)에 대한 용접 공정을 수행하는 용접 장치(120) 및 용접 공정을 관리하는 용접 관리 장치(130)를 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 일부 구성이 용접 관리 시스템(100)에서 생략되거나, 다른 범용적인 구성이 용접 관리 시스템(100)에 더 포함될 수 있다.
배터리(110)는 용접 공정에 의해 형성될 수 있다. 예를 들면, 배터리(110)는 배터리 셀, 배터리 모듈, 배터리 팩 등을 포함할 수 있다. 배터리 셀은 원통형 배터리 셀을 포함할 수 있다. 원통형 배터리 셀은 양극 또는 음극에 형성되는 리벳, 콜렉터, 탭, 비딩 등을 포함할 수 있으며, 이와 같은 원통형 배터리 셀의 세부 구조는 용접에 의해 형성될 수 있다.
용접 장치(120)는 배터리(110)를 형성하기 위해 용접 공정을 수행할 수 있다. 용접 공정은 저항 용접 공정을 포함할 수 있다. 저항 용접 공정 동안 용접 장치(120)에 전압과 전류가 입력될 수 있고, 용접 장치(120)는 용접 대상에 전압과 전류를 출력할 수 있으며, 용접 대상의 온도, 저항 등이 측정될 수 있다. 배터리(110)에 대한 용접 공정의 품질은 용접 공정 동안의 위와 같은 전기 데이터가 적절한 범위를 벗어나는지 여부에 기초하여 결정될 수 있다. 이에 착안하여, 전기 데이터에 기초하여 용접 상태를 추정하는 모델이 활용될 수 있다.
용접 관리 장치(130)는 용접 장치(120)에 의해 수행되는 배터리(110)에 대한 용접 공정을 관리할 수 있다. 용접 관리 장치(130)는 상태 진단 모델을 이용하여 배터리 셀(110)의 용접 상태를 진단할 수 있다. 예를 들면, 용접 관리 장치(130)는 용접 상태를 진단하기 위한 상태 진단 모델이 정상적으로 동작하고 있는지, 또는 상태 진단 모델의 교정이 필요한지를 판단할 수 있다. 실시예에 따르면, 상태 진단 모델은 로컬 아웃라이어 팩터(LOF) 모델, 원 클래스 서포트 벡터 머신(OC-SVM) 모델, 심층 서포트 벡터 데이터 기술(Deep SVDD) 등의 비지도 학습 기반 모델, 또는 XGBoost 등의 지도 학습 기반 모델을 포함할 수 있다. 본 문서에 개시된 실시예들에 따르면, LOF 모델과 같은 전기 데이터 모형을 통해 약용접, 과용접과 같은 음극탭 저항 용접시 발생하는 불량 현상이 감지될 수 있다.
도 2는 일부 실시예에 따른 용접 관리 장치를 구성하는 요소들을 예시한다.
도 2를 참조하면, 용접 관리 장치(130)는 인터페이스(131) 및 컨트롤러(132)를 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 일부 구성이 용접 관리 장치(130)에서 생략되거나, 다른 범용적인 구성이 용접 관리 장치(130)에 더 포함될 수 있다.
인터페이스(131)는 배터리(110)에 대한 용접 공정 동안 수집되는 전기 데이터를 획득하도록 구성될 수 있다. 예를 들면, 인터페이스(131)는 전기 데이터를 측정하도록 구성되는 센서를 포함할 수 있고, 센서는 전압 센서, 전류 센서, 온도 센서, 저항 센서 등을 포함할 수 있다. 또는, 전기 데이터를 측정하도록 구성되는 센서가 용접 관리 장치(130)의 외부에 구비될 수 있고, 인터페이스(131)는 외부 센서로부터 전기 데이터를 유선 및/또는 무선으로 수신하도록 구성되는 통신 유닛을 포함할 수 있다.
컨트롤러(132)는 메모리 및 프로세서를 포함할 수 있다. 컨트롤러(132)의 프로세서는 각종 연산들을 처리하기 위한 다수의 논리 게이트들의 어레이 또는 범용적인 마이크로 프로세서로 구현될 수 있고, 단일의 프로세서 또는 복수의 프로세서들로 구성될 수 있다. 예를 들면, 프로세서는 마이크로프로세서, CPU, GPU 및 AP 중 적어도 하나의 형태로 구현될 수 있다.
컨트롤러(132)의 메모리는 각종 데이터, 명령어, 모바일 애플리케이션, 컴퓨터 프로그램 등을 저장할 수 있다. 프로세서는 메모리에 저장되는 명령어들을 실행하여 각종 연산들을 처리할 수 있다. 예를 들면, 메모리는 ROM, PROM, EPROM, EEPROM, 플래시 메모리, PRAM, MRAM, RRAM, FRAM 등과 같은 비휘발성 장치, 또는 DRAM, SRAM, SDRAM, PRAM, 등의 휘발성 장치로 구현될 수 있고, HDD, SSD, SD, Micro-SD 등의 형태, 또는 이들에 관한 조합의 형태로 구현될 수 있다.
컨트롤러(132)는 로컬 아웃라이어 팩터(LOF) 모델에 저장되어 있는 학습 데이터 및 전기 데이터에 기초하여 전기 데이터의 제1 로컬 도달가능성 밀도(lrd)를 계산하도록 구성될 수 있다. LOF 모델은 LOF 알고리즘을 이용하여 전기 데이터에 대응하는 용접 상태를 진단하도록 학습되는 모델을 포함할 수 있다. LOF 모델은 다양한 머신러닝 기법을 통해 학습되는 인공지능 모델로 구현될 수 있다. LOF 모델은 모델 학습에 이용된 학습 데이터를 저장하고 있으며, 학습 데이터는 용접 공정 동안 측정되는 전기 데이터의 집합을 포함할 수 있다. LOF 모델은 배터리(110)로부터 수집되는 전기 데이터의 제1 lrd를 계산할 수 있다. LOF 알고리즘의 lrd 값은 신규 데이터가 기존 데이터에 도달할 가능성에 관한 밀도를 나타낼 수 있다. 제1 lrd의 구체적인 계산 과정에 대해서는 후술할 도 6이 참조될 수 있다.
컨트롤러(132)는 학습 데이터 중 전기 데이터로부터 기준 거리 이내에 있는 이웃 데이터의 제2 lrd 및 제1 lrd에 기초하여 전기 데이터의 LOF 스코어를 계산하도록 구성될 수 있다. 학습 데이터 및 전기 데이터는 n차원의 데이터일 수 있다. 예를 들면, 학습 데이터 및 전기 데이터는 n차원의 동저항(dynamic resistance) 데이터일 수 있다. 또는, 동저항 대신 용접 전압, 용접 전류, 트랜스 전압, 용접 온도 등의 다른 종류의 전기 데이터가 활용될 수 있다. 학습 데이터 및 전기 데이터의 차원 n은 수집된 값들의 개수에 대응할 수 있다. 예를 들면, 140차원의 동저항 데이터는 용접 공정 동안 일정한 간격으로 측정된 140개의 동저항 값들로 구성될 수 있다. 전기 데이터로부터의 거리는 n차원 공간에서의 거리일 수 있다. 실시예에 따르면, 기준 거리는 전기 데이터에 가장 가까운 k개의 학습 데이터를 의미할 수 있다. k가 5인 경우, 기준 거리 이내에 있는 5개의 학습 데이터에 대한 5개의 제2 lrd 값들이 계산될 수 있다. LOF 모델은 제1 lrd 및 k개의 제2 lrd에 기초하여 전기 데이터의 LOF 스코어를 계산할 수 있다.
컨트롤러(132)는 LOF 스코어에 기초하여 배터리(110)의 용접 상태를 진단하도록 구성될 수 있다. LOF 스코어는 배터리(110)의 용접 상태를 표현하는 지표로 기능할 수 있다. LOF 스코어는 인장강도와 같은 종래의 지표를 대체할 수 있다. 인장강도는 별도의 측정 설비와 측정 공정을 요구할 수 있으며, 인장강도 측정을 위해 샘플링되는 배터리가 파괴될 수 있다. 반면, LOF 스코어 기반의 진단은 비파괴 방식의 전수 검사를 수행할 수 있다.
실시예에 따르면, 전기 데이터는 용접 공정 중 용접 전압이 기준 전압을 초과하는 기간 동안 제1 측정 빈도로 수집되는 동저항(dynamic resistance) 값들을 포함할 수 있고, LOF 모델은 동저항 값들에 기초하여 LOF 스코어를 계산하도록 구성될 수 있다. 예를 들면, 용접 전압이 0.3 V를 초과하는 기간 동안 제1 측정 빈도로 전기 데이터가 수집될 수 있으며, 전기 데이터는 동저항 외에 전압, 전류, 온도 등일 수 있다. 예를 들면, 제1 측정 빈도는 50 kHz일 수 있다. 기준 전압과 제1 측정 빈도의 구체적인 수치들은 필요에 따라 변경될 수 있다.
실시예에 따르면, 컨트롤러(132)는 동저항 값들 중 기준 전압을 초과하는 기간의 시작 시점으로부터 제1 시간이 경과한 이후의 값들을 LOF 모델에 입력하여 LOF 스코어를 계산하도록 구성될 수 있다. 예를 들면, 제1 시간은 최초의 30개 값들의 패싱에 소요되는 시간일 수 있고, 제1 측정 빈도에 기초하여 결정될 수 있다. 필요에 따라 30개 외의 다른 개수가 활용될 수 있다. 이와 같이 최초 값들을 제외하는 방식으로 과도 상태의 데이터가 배제될 수 있고, LOF 모델의 진단 성능이 개선될 수 있다.
실시예에 따르면, 컨트롤러(132)는 용접 전압이 기준 전압을 초과하는 기간 및 제1 측정 빈도에 기초하여 동저항 값들의 데이터 개수를 결정하고, 데이터 개수의 차원을 갖는 유클리드 거리에 기초하여 기준 거리 이내에 있는 이웃 데이터의 개수를 계산하도록 구성될 수 있다. 예를 들면, 140개의 데이터 값들이 수집되는 경우, 140 차원의 유클리드 거리가 LOF 알고리즘의 거리 계산을 위해 활용될 수 있다. 실시예에 따르면, 이웃 데이터의 개수가 미리 설정된 k가 되도록 기준 거리가 결정될 수 있다.
실시예에 따르면, 컨트롤러(132)는 LOF 스코어가 임계 스코어를 초과하는 경우 배터리(110)의 용접 상태를 불량으로 진단하도록 구성될 수 있고, 임계 스코어는 용접 공정에 의해 제조되는 테스트 배터리들의 인장강도 테스트 데이터에 기초하여 결정될 수 있다. 예를 들면, 대량 생산 라인에서 용접 공정을 통해 테스트 배터리들이 생산될 수 있고, 테스트 배터리들의 인장강도 값들이 테스트될 수 있다. 인장강도 테스트 데이터를 기반으로, 임계 스코어가 설정될 수 있으며, 임계 스코어에 따른 불량 검출 성능 및 정상 용접에 대한 과검 성능이 검증될 수 있다.
실시예에 따르면, 컨트롤러(132)는 용접 공정을 수행하는 용접 장치(120)의 소모품이 교체되는 경우 임계 스코어를 조정하도록 구성될 수 있다. 소모품이 교체되는 경우 배터리(110)로부터 수집되는 전기 데이터의 산포도는 일정하게 유지될 수 있으나, 전기 데이터의 평균 또는 중심 위치가 변경될 수 있다. 이 경우, 임계 스코어를 동일한 값으로 유지하면 정상 용접이 불량으로 분류되는 과검이 발생할 수 있으므로, 평균 또는 중심 위치의 변동량을 기반으로 임계 스코어가 조정될 수 있다.
실시예에 따르면, 전기 데이터는 차단 주파수 미만의 제1 데이터 및 차단 주파수 이상의 하나 이상의 제2 데이터를 포함할 수 있고, 컨트롤러(132)는 제1 데이터에 대해 용접 상태가 불량으로 진단되는 경우 하나 이상의 제2 데이터의 변곡점에 기초하여 용접 공정의 불량 발생 시점을 검출하도록 구성될 수 있다. 종래의 전기 데이터 측정의 경우, 차단 주파수 미만의 제1 데이터만이 수집되었으나, 이와 달리 용접 관리 시스템(100)에서는 차단 주파수 이상의 주파수 범위에 대해서도 데이터가 수집될 수 있다. 즉, 용접 관리 시스템(100)에서는 종래 대비 차단 주파수가 실질적으로 증가할 수 있다. 후술할 도 5에서와 같이, 차단 주파수 이상의 하나 이상의 제2 데이터의 경우 차단 주파수 미만의 제1 데이터의 경우보다 더 명확하게 데이터 변곡점이 나타날 수 있으며, 이를 통해 용접 불량의 원인이 발생한 시점이 검출될 수 있다.
도 3 내지 도 5는 일부 실시예에 따른 전기 데이터를 수집하는 방식을 예시한다.
도 3을 참조하면, 용접 전압을 측정하기 위한 종래 방식을 나타내는 그래프(310) 및 개선 방식을 나타내는 그래프(320)가 도시될 수 있다.
그래프(310)의 종래 방식은 용접 전류가 특정 값을 초과하는 기간 동안 데이터가 수집되는 반면, 그래프(320)의 개선 방식은 용접 전압이 특정 값을 초과하는 기간 동안 데이터가 수집될 수 있다. 개선 방식의 경우 전류가 아닌 전압을 기준으로 데이터 수집이 시작되기 때문에, 용접 수행 구간과 데이터 수집 구간이 일치할 수 있다.
그래프(310)의 종래 방식에서는 데이터 수집 구간의 지속시간과는 무관하게 동일한 개수의 데이터 포인트들이 수집되었으나, 그래프(320)의 개선 방식에서는 데이터 수집 구간의 지속시간이 길어질수록 더 많은 개수의 데이터 포인트들이 수집될 수 있다.
도 4를 참조하면, 동저항을 측정하기 위한 종래 방식을 나타내는 그래프(410) 및 개선 방식을 나타내는 그래프(420)가 도시될 수 있다. 도 3의 용접 전압의 경우와 마찬가지로, 도 4의 동저항의 경우에도 개선 방식을 통해 데이터 수집이 보다 적절하게 수행될 수 있다.
도 5를 참조하면, 차단 주파수 미만의 범위에서 측정되는 동저항 값을 나타내는 그래프(510) 및 차단 주파수 이상의 범위에서 측정되는 동저항 값을 나타내는 그래프(520)가 도시될 수 있다.
그래프(510)는 1 kHz의 주파수에서 측정된 동저항 값을 나타낼 수 있다. 예를 들면, 차단 주파수는 1 kHz 내지 5 kHz의 범위 내에 존재할 수 있다. 용접 장치(120)에 의해 제공되는 용접 전압 및/또는 용접 전류의 주파수가 변경되면, 용접 대상인 배터리(110)에서 측정되는 동저항 값도 변경될 수 있다. 동저항 값은 임피던스 값을 포함할 수 있다. 그래프(520)는 차단 주파수를 초과하는 주파수 범위에서 측정되는 동저항 값을 나타낼 수 있다. 도시된 바와 같이, 5 kHz, 10 kHz, 20 kHz 등의 주파수에서는 동저항 값의 증가/감소 패턴이 변화하는 변곡점(521)이 보다 명확하게 나타날 수 있다. 실시예에 따르면, 그래프(510)의 차단 주파수 미만의 범위에서 LOF 스코어 기반으로 용접 상태가 불량으로 진단되면, 그래프(520)의 차단 주파수 이상의 범위에서 용접 불량의 원인 시점으로 추정되는 변곡점(521)이 검출될 수 있다.
도 6은 일부 실시예에 따른 로컬 아웃라이어 팩터(LOF) 스코어를 계산하는 방식을 예시한다.
도 6을 참조하면, LOF 스코어를 계산하기 위해 이용되는 학습 데이터 및 전기 데이터의 분포(610) 및 LOF 스코어를 계산하기 위한 수식들(620-650)이 도시될 수 있다.
분포(610)에서, 전기 데이터(p) 및 전기 데이터(p)로부터 기준 거리 이내에 있는 이웃 데이터(o)가 도시될 수 있다. 실시예에 따르면, 이웃 데이터(o)의 개수 k는 5로 설정될 수 있고, 전기 데이터(p)로부터의 기준 거리는 k가 5가 되도록 하는 거리 값으로 설정될 수 있다. 전기 데이터(p)의 제1 lrd 값 및 5개의 이웃 데이터(o)의 5개의 제2 lrd 값들에 기초하여 전기 데이터(p)의 LOF 스코어가 계산될 수 있다.
수식(620)에서, k는 이웃 데이터(o)의 개수로서 5일 수 있다. LOF 스코어 LOFk(p)는 제1 lrd 값 lrdk(p), 제2 lrd 값들 lrdk(o) 및 이웃 데이터(o)의 집합 Nk(p)에 기초하여 계산될 수 있다. |Nk(p)|는 Nk(p)의 크기일 수 있다. 수식(630)에서, 제1 lrd 값 lrdk(p)는 이웃 데이터(o)의 집합 Nk(p) 및 도달가능성 거리 reachability-distancek(p,o)에 기초하여 계산될 수 있다. 이와 유사한 방식으로 제2 lrd 값들 lrdk(o)도 계싼될 수 있다.
수식(640)에서, 이웃 데이터(o)의 집합 Nk(p)은 학습 데이터 및 전기 데이터(p) 간의 거리 d(p, q) 및 전기 데이터(p)에서 k번째로 가까운 학습 데이터와의 거리 k-distance(p)에 기초하여 계산될 수 있다. 수식(650)에서, 도달가능성 거리 reachability-distancek(p,o)는 전기 데이터(p)에서 k번째로 가까운 학습 데이터와의 거리 k-distance(p) 및 거리 d(p, q)에 기초하여 계산될 수 있다. 전기 데이터(p)의 데이터 값들의 개수가 n인 경우, 거리 d(p, q)는 n차원 유클리드 거리로 계산될 수 있다.
도 7은 일부 실시예에 따른 LOF 스코어를 기반으로 용접 상태를 진단하는 방식을 예시한다.
도 7을 참조하면, LOF 스코어를 계산하기 위해 활용되는 학습 데이터(710) 및 학습 데이터(710)와 함께 표시되는 신규 데이터(720)가 도시될 수 있다. 데이터는 2차원으로 단순화되어 표현되었으나, 일반적으로 LOF 모델은 n = 140 등과 같이 고차원에서 동작할 수 있다.
학습 데이터(710)에 기초하여 LOF 모델이 학습될 수 있다. 학습 데이터(710)의 각 데이터 포인트는 용접 공정 동안 측정되는 전기 데이터일 수 있다. 예를 들면, 학습 데이터(710) 및 신규 데이터(720)는 동저항, 용접 전압, 용접 전류, 용접 온도 중 어느 하나의 데이터를 나타낼 수 있다.
신규 데이터(720)는 학습 데이터(710)의 분포에 가깝게 위치하는 신규 데이터 1 및 학습 데이터(710)의 분포와 멀리 위치하는 신규 데이터 2를 포함할 수 있다. 신규 데이터 1 및 신규 데이터 2의 LOF 스코어들은 도 6에서와 같은 방식으로 계산될 수 있다. 신규 데이터 1의 LOF 스코어는 1에 가까운 값으로 계산될 수 있고, 이는 정상 용접으로 분류될 수 있다. 반면, 신규 데이터 2의 LOF 스코어는 1보다 더 높은 값으로 계산될 수 있고, 이는 불량 용접으로 분류될 높은 확률을 가질 수 있다.
도 8은 일부 실시예에 따른 LOF 스코어를 기반으로 용접 강도를 구분하는 방식을 예시한다.
도 8을 참조하면, 전기 데이터를 기반으로 용접 상태를 모니터링하는 종래 방식을 나타내는 그래프(810) 및 개선 방식을 나타내는 그래프(820)가 도시될 수 있다.
그래프(810)의 종래 방식에서는 용접 강도가 달라지더라도 모델 스코어가 서로 큰 차이를 보이지 않을 수 있다. 반면, 용접 관리 시스템(100)에 따른 그래프(820)의 개선 방식에서는 과다 용접(821), 정상 용접(822) 및 부족 용접(823)이 서로 구분되는 스코어 값으로 분류될 수 있다.
도 9는 일부 실시예에 따른 인장강도와 LOF 스코어 간의 관계에 기반하여 임계 스코어를 설정하는 과정을 예시한다.
도 9를 참조하면, 복수의 테스트 배터리들에 대해 측정되는 인장강도와 LOF 스코어 간의 관계를 나타내는 그래프(900)가 도시될 수 있다.
그래프(900)에서와 같이, 테스트 배터리들의 인장강도와 LOF 스코어는 서로 유의미한 상관 관계를 가질 수 있다. 정량적으로, 그래프(900)의 인장강도와 LOF 스코어는 80% 수준의 R2 값을 가질 수 있다. 80% 수준의 상관 관계는 전체 구간뿐만 아니라, 배터리(110)의 인장강도 규격수치 근처의 관심 영역에서도 나타날 수 있다.
그래프(900)에서 임계 스코어(910)가 설정될 수 있다. 배터리 음극 탭의 인장강도 규격이 약 0.9kgf인 경우, 인장강도 검사 데이터의 평균값의 50% 수준은 약 1.51 kgf일 수 있고, 이를 control limit로 하는 테스트 배터리들이 샘플로 생산될 수 있다. 이 경우, 1.51 kgf에 대응하는 LOF 스코어가 임계 스코어(910)가 설정될 수 있으며, 이 경우에도 정상 용접을 불량으로 잘못 분류하는 과검이 증가하지 않는다는 점이 확인될 수 있다. 이와 같은 방식으로, 임계 스코어(910)는 테스트 배터리들의 인장강도 테스트 데이터에 기반하여 설정될 수 있다.
도 10은 일부 실시예에 따른 용접 장치의 소모품이 교체되는 경우 임계 스코어를 조정하는 방식을 예시한다.
도 10을 참조하면, 용접 장치(120)의 소모품이 교체되는 경우 임계 스코어를 조정하는 방식을 예시하는 그래프(1000)가 도시될 수 있다.
소모품이 교체되는 경우, LOF 스코어의 평균 위치가 쉬프트될 수 있다. 이 경우 임계 스코어가 변경되지 않으면, 정상 용접을 불량으로 잘못 진단하는 과검이 다량으로 발생할 수 있다. 이를 해소하기 위해, 용접 장치(120)의 소모품이 교체된 시점 이후에 50개의 데이터를 수집하여 쉬프트의 양을 계산할 수 있으며, 이와 동일한 양으로 임계 스코어가 조정될 수 있다.
도 11은 일부 실시예에 따른 용접 관리 방법을 구성하는 단계들을 예시한다.
도 11을 참조하면, 용접 관리 방법(1100)은 단계(1110) 내지 단계(1140)를 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 일부 단계가 생략되거나 다른 범용적인 단계가 추가될 수 있으며, 용접 관리 방법(1100)의 단계들은 도시된 순서와 상이한 순서로 실행될 수 있다.
용접 관리 방법(1100)은 용접 관리 장치(130)에서 시계열적으로 처리되는 단계들로 구성될 수 있다. 따라서, 이하에서 생략되는 내용이라 할지라도, 이상에서 용접 관리 장치(130)에 대해 설명되는 내용은 용접 관리 방법(1100)에 대해서도 동일하게 적용될 수 있다.
용접 관리 방법(1100)의 단계(1110) 내지 단계(1140)는 용접 관리 장치(130)의 인터페이스(131) 및 컨트롤러(132)에 의해 수행될 수 있다.
단계(1110)에서, 용접 관리 장치(130)는, 배터리에 대한 용접 공정 동안 수집되는 전기 데이터를 획득하는 단계를 수행할 수 있다.
단계(1120)에서, 용접 관리 장치(130)는, 로컬 아웃라이어 팩터(LOF) 모델에 저장되어 있는 학습 데이터 및 전기 데이터에 기초하여 전기 데이터의 제1 로컬 도달가능성 밀도(lrd)를 계산하는 단계를 수행할 수 있다.
단계(1130)에서, 용접 관리 장치(130)는, 학습 데이터 중 전기 데이터로부터 기준 거리 이내에 있는 이웃 데이터의 제2 lrd 및 제1 lrd에 기초하여 전기 데이터의 LOF 스코어를 계산하는 단계를 수행할 수 있다.
단계(1140)에서, 용접 관리 장치(130)는, LOF 스코어에 기초하여 배터리의 용접 상태를 진단하는 단계를 수행할 수 있다.
실시예에 따르면, 용접 관리 방법(1100)은 컴퓨터로 판독 가능한 저장 매체에 저장되는 컴퓨터 프로그램의 형태로 구현될 수 있다. 즉, 컴퓨터 프로그램은 용접 관리 방법(1100)을 구현하기 위한 명령어들을 포함할 수 있고, 프로그램의 명령어들은 컴퓨터로 판독 가능한 저장 매체에 저장될 수 있다. 컴퓨터 프로그램은 모바일 애플리케이션을 포함할 수 있다.
실시예에 따르면, 컴퓨터 판독 가능 저장 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 컴퓨터 프로그램 명령어들을 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 컴퓨터 프로그램 명령어는 컴파일러에 의해 만들어지는 기계어 코드 및 인터프리터 등을 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 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 기술 사상의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 문서의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
[부호의 설명]
100: 용접 관리 시스템 110: 배터리
120: 용접 장치 130: 용접 관리 장치
131: 인터페이스 132: 컨트롤러

Claims (15)

  1. 배터리에 대한 용접 공정 동안 수집되는 전기 데이터를 획득하도록 구성되는 인터페이스; 및
    로컬 아웃라이어 팩터(LOF) 모델에 저장되어 있는 학습 데이터 및 상기 전기 데이터에 기초하여 상기 전기 데이터의 제1 로컬 도달가능성 밀도(lrd)를 계산하고,
    상기 학습 데이터 중 상기 전기 데이터로부터 기준 거리 이내에 있는 이웃 데이터의 제2 lrd 및 상기 제1 lrd에 기초하여 상기 전기 데이터의 LOF 스코어를 계산하고,
    상기 LOF 스코어에 기초하여 상기 배터리의 용접 상태를 진단하도록 구성되는 컨트롤러를 포함하는, 용접 관리 장치.
  2. 제1항에 있어서,
    상기 전기 데이터는 상기 용접 공정 중 용접 전압이 기준 전압을 초과하는 기간 동안 제1 측정 빈도로 수집되는 동저항(dynamic resistance) 값들을 포함하고,
    상기 LOF 모델은 상기 동저항 값들에 기초하여 상기 LOF 스코어를 계산하도록 구성되는, 용접 관리 장치.
  3. 제2항에 있어서,
    상기 컨트롤러는 상기 동저항 값들 중 상기 기준 전압을 초과하는 기간의 시작 시점으로부터 제1 시간이 경과한 이후의 값들을 상기 LOF 모델에 입력하여 상기 LOF 스코어를 계산하도록 구성되는, 용접 관리 장치.
  4. 제2항에 있어서,
    상기 컨트롤러는 상기 용접 전압이 상기 기준 전압을 초과하는 기간 및 상기 제1 측정 빈도에 기초하여 상기 동저항 값들의 데이터 개수를 결정하고,
    상기 데이터 개수의 차원을 갖는 유클리드 거리에 기초하여 상기 기준 거리 이내에 있는 상기 이웃 데이터의 개수를 계산하도록 구성되는, 용접 관리 장치.
  5. 제1항에 있어서,
    상기 컨트롤러는 상기 LOF 스코어가 임계 스코어를 초과하는 경우 상기 배터리의 용접 상태를 불량으로 진단하도록 구성되고,
    상기 임계 스코어는 상기 용접 공정에 의해 제조되는 테스트 배터리들의 인장강도 테스트 데이터에 기초하여 결정되는, 용접 관리 장치.
  6. 제5항에 있어서,
    상기 컨트롤러는 상기 용접 공정을 수행하는 용접 장치의 소모품이 교체되는 경우 상기 임계 스코어를 조정하도록 구성되는, 용접 관리 장치.
  7. 제1항에 있어서,
    상기 전기 데이터는 차단 주파수 미만의 제1 데이터 및 상기 차단 주파수 이상의 하나 이상의 제2 데이터를 포함하고,
    상기 컨트롤러는 상기 제1 데이터에 대해 상기 용접 상태가 불량으로 진단되는 경우 상기 하나 이상의 제2 데이터의 변곡점에 기초하여 상기 용접 공정의 불량 발생 시점을 검출하도록 구성되는, 용접 관리 장치.
  8. 배터리에 대한 용접 공정 동안 수집되는 전기 데이터를 획득하는 단계;
    로컬 아웃라이어 팩터(LOF) 모델에 저장되어 있는 학습 데이터 및 상기 전기 데이터에 기초하여 상기 전기 데이터의 제1 로컬 도달가능성 밀도(lrd)를 계산하는 단계;
    상기 학습 데이터 중 상기 전기 데이터로부터 기준 거리 이내에 있는 이웃 데이터의 제2 lrd 및 상기 제1 lrd에 기초하여 상기 전기 데이터의 LOF 스코어를 계산하는 단계; 및
    상기 LOF 스코어에 기초하여 상기 배터리의 용접 상태를 진단하는 단계를 포함하는, 용접 관리 방법.
  9. 제8항에 있어서,
    상기 전기 데이터는 상기 용접 공정 중 용접 전압이 기준 전압을 초과하는 기간 동안 제1 측정 빈도로 수집되는 동저항(dynamic resistance) 값들을 포함하고,
    상기 LOF 모델은 상기 동저항 값들에 기초하여 상기 LOF 스코어를 계산하도록 구성되는, 용접 관리 방법.
  10. 제9항에 있어서,
    상기 LOF 스코어를 계산하는 단계는,
    상기 동저항 값들 중 상기 기준 전압을 초과하는 기간의 시작 시점으로부터 제1 시간이 경과한 이후의 값들을 상기 LOF 모델에 입력하여 상기 LOF 스코어를 계산하는 단계를 포함하는, 용접 관리 방법.
  11. 제9항에 있어서,
    상기 LOF 스코어를 계산하는 단계는,
    상기 용접 전압이 상기 기준 전압을 초과하는 기간 및 상기 제1 측정 빈도에 기초하여 상기 동저항 값들의 데이터 개수를 결정하는 단계; 및
    상기 데이터 개수의 차원을 갖는 유클리드 거리에 기초하여 상기 기준 거리 이내에 있는 상기 이웃 데이터의 개수를 계산하는 단계를 포함하는, 용접 관리 방법.
  12. 제8항에 있어서,
    상기 용접 상태를 진단하는 단계는,
    상기 LOF 스코어가 임계 스코어를 초과하는 경우 상기 배터리의 용접 상태를 불량으로 진단하는 단계를 포함하고,
    상기 임계 스코어는 상기 용접 공정에 의해 제조되는 테스트 배터리들의 인장강도 테스트 데이터에 기초하여 결정되는, 용접 관리 방법.
  13. 제12항에 있어서,
    상기 용접 공정을 수행하는 용접 장치의 소모품이 교체되는 경우 상기 임계 스코어를 조정하는 단계를 더 포함하는, 용접 관리 방법.
  14. 제8항에 있어서,
    상기 전기 데이터는 차단 주파수 미만의 제1 데이터 및 상기 차단 주파수 이상의 하나 이상의 제2 데이터를 포함하고,
    상기 제1 데이터에 대해 상기 용접 상태가 불량으로 진단되는 경우 상기 하나 이상의 제2 데이터의 변곡점에 기초하여 상기 용접 공정의 불량 발생 시점을 검출하는 단계를 더 포함하는, 용접 관리 방법.
  15. 배터리;
    상기 배터리에 대한 용접 공정을 수행하도록 구성되는 용접 장치; 및
    상기 용접 공정 동안 수집되는 전기 데이터를 획득하고, 로컬 아웃라이어 팩터(LOF) 모델에 저장되어 있는 학습 데이터 및 상기 전기 데이터에 기초하여 상기 전기 데이터의 제1 로컬 도달가능성 밀도(lrd)를 계산하고, 상기 학습 데이터 중 상기 전기 데이터로부터 기준 거리 이내에 있는 이웃 데이터의 제2 lrd 및 상기 제1 lrd에 기초하여 상기 전기 데이터의 LOF 스코어를 계산하고, 상기 LOF 스코어에 기초하여 상기 배터리의 용접 상태를 진단하도록 구성되는 용접 관리 장치를 포함하는, 용접 관리 시스템.
PCT/KR2025/007846 2024-06-14 2025-06-10 용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템 Pending WO2025258945A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020240077282A KR20250177041A (ko) 2024-06-14 2024-06-14 용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템
KR10-2024-0077282 2024-06-14

Publications (1)

Publication Number Publication Date
WO2025258945A1 true WO2025258945A1 (ko) 2025-12-18

Family

ID=98050882

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2025/007846 Pending WO2025258945A1 (ko) 2024-06-14 2025-06-10 용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템

Country Status (2)

Country Link
KR (1) KR20250177041A (ko)
WO (1) WO2025258945A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180122115A (ko) * 2017-05-02 2018-11-12 주식회사 엘지화학 이차전지의 용접 검사장치 및 검사방법
CN115144770A (zh) * 2022-07-01 2022-10-04 合肥工业大学智能制造技术研究院 一种基于聚类算法的锂动力电池虚焊检测方法
KR20220141249A (ko) * 2021-04-12 2022-10-19 브란손 울트라소닉스 코포레이숀 용접 품질을 예측하기 위한 분석 및 알고리즘의 사용
KR20230057894A (ko) * 2021-10-22 2023-05-02 주식회사 엘지에너지솔루션 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
KR20230058932A (ko) * 2021-10-25 2023-05-03 주식회사 엘지에너지솔루션 전지셀의 전극 탭 단선 검사장치
KR20240077282A (ko) 2022-11-24 2024-05-31 서울대학교산학협력단 활성산소종 생성용 조성물

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180122115A (ko) * 2017-05-02 2018-11-12 주식회사 엘지화학 이차전지의 용접 검사장치 및 검사방법
KR20220141249A (ko) * 2021-04-12 2022-10-19 브란손 울트라소닉스 코포레이숀 용접 품질을 예측하기 위한 분석 및 알고리즘의 사용
KR20230057894A (ko) * 2021-10-22 2023-05-02 주식회사 엘지에너지솔루션 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
KR20230058932A (ko) * 2021-10-25 2023-05-03 주식회사 엘지에너지솔루션 전지셀의 전극 탭 단선 검사장치
CN115144770A (zh) * 2022-07-01 2022-10-04 合肥工业大学智能制造技术研究院 一种基于聚类算法的锂动力电池虚焊检测方法
KR20240077282A (ko) 2022-11-24 2024-05-31 서울대학교산학협력단 활성산소종 생성용 조성물

Also Published As

Publication number Publication date
KR20250177041A (ko) 2025-12-23

Similar Documents

Publication Publication Date Title
Yuan et al. Early stage internal short circuit fault diagnosis for lithium-ion batteries based on local-outlier detection
CN112098850B (zh) 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN113687251B (zh) 一种基于双模型的锂离子电池组电压异常故障诊断方法
CN112816881B (zh) 电池压差异常检测方法、装置及计算机存储介质
CN116027199B (zh) 基于电化学模型参数辨识检测电芯全寿命内短路的方法
CN111257753B (zh) 一种电池系统故障诊断方法
CN118501744B (zh) 硬壳电池过充内压诊断方法、诊断系统和电池管理系统
CN114062932A (zh) 电池析锂检测方法
CN113391214A (zh) 一种基于电池充电电压排名变化的电池微故障诊断方法
CN115166520A (zh) 一种基于熵和聚类算法的锂离子电池组短路故障诊断方法
CN115248379A (zh) 一种基于多场景融合的动力电池微短路诊断方法及系统
JP2003308885A (ja) リチウムイオン電池の劣化診断方法及びその劣化診断方法を内蔵した装置
WO2025258945A1 (ko) 용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템
CN119335413A (zh) 一种蓄电池的健康状态显示方法及系统
CN115608653A (zh) 电池系统中异常电池单元筛选的方法及筛选装置
CN119179004A (zh) 三电极电芯充电性能的检测方法及不同电芯充电能力比较方法
CN111948544A (zh) 一种动力电池组连接故障的检测方法及系统
Stoynova et al. Utilization of infrared thermography for battery performance inspection
CN119053872A (zh) 电池内短路的检测方法、检测装置以及存储介质
CN119846475B (zh) 基于多特征融合的电池组内短路故障检测方法和系统
WO2025263734A1 (ko) 용접 관리 장치, 용접 관리 방법 및 용접 관리 시스템
WO2025150869A1 (ko) 배터리 진단 장치, 배터리 진단 방법 및 배터리 진단 시스템
CN118584353B (zh) 一种基于内短路电流观测的锂电池故障诊断方法、装置和电子设备
CN120254663B (zh) 一种固态电池储能系统集总参数的等效电路参数辨识方法
KR102727859B1 (ko) 사용중인 검사 배터리의 SoH를 검사하는 장치 및 방법

Legal Events

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

Ref document number: 25822354

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2025822354

Country of ref document: EP