WO2026005274A1 - 전자 장치 및 그의 배터리 성능영향인자 분석 방법 - Google Patents

전자 장치 및 그의 배터리 성능영향인자 분석 방법

Info

Publication number
WO2026005274A1
WO2026005274A1 PCT/KR2025/006405 KR2025006405W WO2026005274A1 WO 2026005274 A1 WO2026005274 A1 WO 2026005274A1 KR 2025006405 W KR2025006405 W KR 2025006405W WO 2026005274 A1 WO2026005274 A1 WO 2026005274A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
data
factors
influence
confirming
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/KR2025/006405
Other languages
English (en)
French (fr)
Inventor
이보라
이종민
정은주
김해창
윤지영
김형석
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.)
SNU R&DB Foundation
LG Energy Solution Ltd
Original Assignee
Seoul National University R&DB Foundation
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 Seoul National University R&DB Foundation, LG Energy Solution Ltd filed Critical Seoul National University R&DB Foundation
Publication of WO2026005274A1 publication Critical patent/WO2026005274A1/ko
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery

Definitions

  • the present disclosure relates to an electronic device and a method for analyzing factors affecting battery performance thereof.
  • the battery manufacturing process involves a complex, nonlinear interplay of various sensors and process factors, making it difficult to identify the variables that significantly impact the process.
  • Research has been conducted to identify factors that significantly impact battery cell performance using machine learning and explainable artificial intelligence (XAI) algorithms.
  • XAI machine learning and explainable artificial intelligence
  • these prior techniques are problematic in that they assume independence between unit processes within the overall process and conduct analyses.
  • this approach which assumes independence between unit processes, fails to reflect the characteristics of the battery manufacturing process, in which unit processes responsible for multiple mechanisms are sequentially connected, and provides analyses that deviate from actual system behavior.
  • the disclosed embodiments provide a method for analyzing factors affecting the performance of electronic devices and their batteries. Specifically, the purpose is to provide a data-based interpretation method capable of reflecting causal relationships between process factors and measured values, thereby improving the accuracy of determining key factor contributions.
  • One aspect of the present disclosure provides a method for analyzing battery performance influencing factors of an electronic device, comprising: a step of identifying process data including, as data instances, a causal graph representing relationships between a plurality of factors related to a battery manufacturing process and data for the plurality of factors identified for each execution of the battery manufacturing process; and a step of identifying information on influences on the characteristics of the final product for each of the plurality of factors based on the causal graph, the process data, and a model learned to predict the characteristics of the final product of the battery manufacturing process by inputting the process data, wherein the causal graph represents a graph including: a property node unidirectionally connected to correspond to the order of each sub-process included in the battery manufacturing process, each property node corresponding to a characteristic of an intermediate product and the final product produced for each of the sub-processes; and a plurality of process variable nodes unidirectionally connected toward each of the property nodes, each process variable corresponding to a process variable controlled in each of the sub-processes corresponding to each of
  • a method for analyzing battery performance influencing factors may be included, including: a step of identifying a plurality of paths connecting the plurality of process variable nodes to a property node corresponding to a characteristic of the final product based on the causal graph; and a step of identifying a virtual data instance by adjusting at least a portion of the data of the data instance included in the process data based on the identified plurality of paths; a step of inputting the virtual data instance into the model; and a step of identifying the influence information by analyzing an output of the model for the virtual data instance.
  • the step of identifying the virtual data instance may include a step of identifying at least one first path including an edge between a first node corresponding to a first factor and a second node corresponding to a child node of the first node on the causal graph based on the plurality of paths; and a step of identifying at least one first virtual data instance based on the at least one first path, and the step of identifying the influence information may include a step of identifying first value information for the first path based on the first virtual data instance and the model; and a step of identifying an influence value of the first factor for a second factor corresponding to the second node based on the first value information.
  • the step of identifying at least one first virtual data instance includes: identifying at least one path located in a previous order than the at least one first path among a plurality of permutations in which the plurality of paths are randomly listed; identifying, for each of the plurality of permutations, a first subset including the at least one path located in a previous order than the at least one first path and a second subset in which the first path is added to the first subset; and identifying a 1-1 virtual data instance by randomly sampling and adjusting data of a node that does not correspond to the first subset among the data instances, and identifying a 1-2 virtual data instance by randomly sampling and adjusting data of a node that does not correspond to the second subset among the data instances, wherein the step of identifying first value information for the first path includes: identifying the 1-1 and 1-2 value information based on a result of inputting the 1-1 and 1-2 virtual data instances identified for each of the plurality of permutations into the model; And it may
  • the step of confirming the first value information may include a method for analyzing a battery performance influencing factor, including a step of confirming the first value information for the first path based on average information of the difference information between the first-1 value information and the first-2 value information confirmed for each of the plurality of permutations.
  • the step of confirming the first value information may include a method for analyzing battery performance influencing factors, including a step of confirming the first-first output information by inputting the first-first virtual data instance into the model; and a step of confirming the first-first value information based on difference information between the average information of the confirmed output information and the first-first output information by inputting the unadjusted data instance into the model.
  • the step of checking the influence information of the first factor may include a battery performance influence factor analysis method including a step of checking the first influence value of the first factor on the second factor based on the sum information of the first value information for the first path including the edge between the first and second nodes.
  • the step of checking the influence information may include a method for analyzing battery performance influence factors, including a step of checking a matrix including, as each component, an influence value for a first factor corresponding to a first coordinate of a first axis and a second factor corresponding to a second coordinate of a second axis; and a step of checking the influence information including direct influence information and indirect influence information on the characteristics of the final product of the plurality of factors based on the matrix.
  • the step of checking the influence information may include a method for analyzing battery performance influence factors, including a step of checking the influence value of at least one factor corresponding to at least one node directly connected to a node corresponding to a characteristic of the final product on the matrix; and a step of checking the direct influence information based on the influence value of the at least one factor.
  • the step of checking the influence value of the at least one factor may include a method for analyzing battery performance influencing factors, including: checking a coordinate corresponding to a characteristic of the final product on the second axis; checking a vector on the matrix parallel to the first axis, the vector having a coordinate corresponding to the characteristic of the final product with respect to the second axis; and checking the influence value of the at least one factor based on the vector.
  • the step of checking the influence information may include a method for analyzing battery performance influence factors, including a step of checking the sum information of influence values for each factor corresponding to each of the process variable nodes; and a step of checking the indirect influence information for each factor corresponding to each of the process variable nodes based on the sum information.
  • the step of checking the sum information may include a battery performance influence factor analysis method including the steps of: checking each coordinate corresponding to each process variable on the first axis; checking each vector on the matrix parallel to the second axis with each coordinate corresponding to each process variable for the first axis; and checking each sum information of influence values included in each vector for each factor corresponding to each process variable node.
  • a battery performance influence factor analysis method may be included, further comprising a step of checking contribution ratio information indicating a ratio of values of the direct influence information and the indirect influence information for each of the plurality of factors based on the influence information.
  • a method for analyzing battery performance influencing factors may be included, further including a step of supporting control of the characteristics of the intermediate product based on the direct influence information.
  • a method for analyzing battery performance influencing factors may be included, further including a step of supporting control of the process variables for each detailed process based on the indirect influence information.
  • the step of checking the causal graph and the process data may include a method for analyzing battery performance influencing factors, including: checking the entire process data checked for each execution of the battery manufacturing process; calculating a correlation coefficient between all factors of the battery manufacturing process based on the entire process data; checking the plurality of factors by filtering at least some of the factors whose correlation coefficient is greater than or equal to a threshold value among the entire factors; and checking at least some of the data corresponding to the plurality of factors among the entire process data as the process data.
  • the step of identifying at least some of the data corresponding to the plurality of factors among the entire process data as the process data may include a method for analyzing battery performance influencing factors, including the step of identifying, among the data instances included in the entire process data, a data instance in which the measurement temperature of the characteristic of the final product corresponds to an effective temperature range as the process data.
  • a method for analyzing battery performance influencing factors may be included, including a step of inputting the process data into the model for each data instance; and a step of training the model based on a result of comparing the output of the model with actual data corresponding to the characteristics of the final product identified for each data instance.
  • an electronic device for analyzing battery performance influencing factors comprising: a processor; and a memory storing one or more instructions, wherein the processor, by executing the one or more instructions, identifies a causal graph representing relationships between a plurality of factors related to a battery manufacturing process and process data including data for the plurality of factors identified for each run of the battery manufacturing process as each data instance, and identifies influence information on the characteristics of the final product for each of the plurality of factors based on a model learned by receiving the causal graph, the process data, and the process data to predict characteristics of the final product of the battery manufacturing process, wherein the causal graph represents a graph including a property node unidirectionally corresponding to the order of each sub-process included in the battery manufacturing process and corresponding to characteristics of an intermediate product and the final product generated for each of the sub-processes; and a plurality of process variable nodes unidirectionally connected toward each of the property nodes and corresponding to process variables controlled in each of the sub-processes corresponding to each
  • Another aspect of the present disclosure may provide a non-transitory computer-readable recording medium having recorded thereon a program for executing the above-described battery performance influencing factor analysis method on a computer.
  • the accuracy of determining the contribution of major factors can be improved through a data-based interpretation method that can reflect the causal relationship between process factors and measured values.
  • the influence of process factors can be interpreted by dividing them into direct and indirect influences depending on the purpose.
  • FIG. 1 is a diagram showing an example of how an electronic device for analyzing battery performance influencing factors operates according to one embodiment.
  • Figure 2 is a flowchart illustrating a method for analyzing battery performance influencing factors according to one embodiment.
  • Figure 3 is an example diagram of a causal graph according to one embodiment.
  • FIG. 4 is an exemplary diagram of a path connecting a process variable node on a causal graph to a property node corresponding to a characteristic of a final product according to one embodiment.
  • FIG. 5 is a diagram illustrating an example of a matrix including influence values according to one embodiment.
  • FIG. 6 is a diagram illustrating an example of confirming direct influence information using a matrix according to one embodiment.
  • FIG. 7 is a diagram illustrating an example of checking indirect influence information using a matrix according to one embodiment.
  • Figures 8a and 8b are graphs showing direct and indirect influence information according to one embodiment.
  • Figure 9 is an example diagram of contribution ratio information according to one embodiment.
  • Fig. 10 illustrates a block diagram of an electronic device according to one embodiment.
  • the "terminal” mentioned below may be implemented as a computer or portable terminal that can connect to a server or other terminal via a network.
  • the computer includes, for example, a notebook, desktop, laptop, etc. equipped with a web browser
  • the portable terminal may include, for example, a wireless communication device that guarantees portability and mobility, and may include all types of handheld-based wireless communication devices such as communication-based terminals such as IMT (International Mobile Telecommunication), CDMA (Code Division Multiple Access), W-CDMA (W-Code Division Multiple Access), LTE (Long Term Evolution), smartphones, tablet PCs, etc.
  • IMT International Mobile Telecommunication
  • CDMA Code Division Multiple Access
  • W-CDMA Wide-Code Division Multiple Access
  • LTE Long Term Evolution
  • FIG. 1 is a diagram showing an example of how an electronic device for analyzing battery performance influencing factors operates according to one embodiment.
  • the electronic device (100) can operate by receiving causal graphs and process data, as will be described later.
  • the electronic device (100) may also include a model (110).
  • the model (110) can be implemented using various algorithms such as machine learning algorithms that can reflect nonlinear correlations between process factors, such as XGBoost, Random Forest, or Deep Neural Network (DNN), but is not limited to those listed above.
  • Such a model (110) may be a model trained to receive data corresponding to factors corresponding to process variables (Process Parameters, PP) controlled in each detailed process of the battery manufacturing process and data corresponding to factors corresponding to the characteristics of intermediate products (Intermediate Product Features, IPF) generated for each detailed process, and output the characteristics (Final Product Properties, FPP) of the final product generated by the entire battery manufacturing process, and the learning method may be determined in relation to a model construction method according to the various algorithms described above or other algorithms.
  • Process Parameters, PP Process Parameters
  • IPF Intermediate Product Features
  • FPP Final Product Properties
  • FIG. 1 Only components related to the present embodiment are illustrated in FIG. 1. Therefore, those skilled in the art will understand that other general components may be included in addition to the components illustrated in FIG. 1.
  • Figure 2 is a flowchart illustrating a method for analyzing battery performance influencing factors according to one embodiment.
  • the electronic device (100) can identify process data including a causal graph representing relationships between multiple factors related to the battery manufacturing process and data for the multiple factors identified for each execution of the battery manufacturing process as each data instance.
  • the electronic device (100) can identify information on the influence of each of the multiple factors on the characteristics of the final product based on a model (110) trained to predict the characteristics of the final product of the battery manufacturing process by receiving the causal graph, the process data, and the process data.
  • the electronic device (100) can obtain a causal graph.
  • the causal graph may be input into the electronic device (100) by a user with domain knowledge related to the battery manufacturing process, transmitted from another server and input into the electronic device (100), or obtained by the electronic device (100) analyzing process factors related to the battery manufacturing process.
  • Such a causal graph may include a unidirectionally connected property node corresponding to the order of each sub-process included in the battery manufacturing process, which corresponds to the characteristics of intermediate products and final products produced in each sub-process, and a plurality of process variable nodes corresponding to process variables controlled in each sub-process corresponding to each property node, which are unidirectionally connected to each property node.
  • the causal graph may be a type of directed acyclic graph (DAG).
  • examples of each detailed process included in the battery manufacturing process include a mixing process, a coating process, a roll pressing process, a slitting and notching process, an assembly process, an activation process, an aging process, and a degassing process, but are not limited to the processes listed above, and do not have to include all of the processes listed above.
  • examples of process variables controlled in each detailed process include slurry temperature, slurry flow rate, pump, coating gap length, drying temperature and air volume, coating speed, coating thickness, and coating loading for the coating process; rolling roll gap length, rolling pressure, rolling speed, and rolling thickness for the rolling process; lamination plate temperature, lamination force, lamination roller temperature, lamination speed, and dimension for the assembly process; and J/F temperature and pressure, aging time, inter-process waiting time, electrolyte amount, performance measurement temperature, and final cell thickness for the activation process, post-process, and overall process. This is also not limited to what is listed above, and does not have to include everything listed above.
  • examples of the characteristics of the intermediate product include rolling ratio, loading after rolling, negative electrode thickness after activation, loading amount of one monocell, and void amount of the positive and negative electrodes after coating/rolling/activation
  • examples of the characteristics of the final product include discharge capacity, discharge capacity fitted to the measurement temperature, and charge resistance, but is not limited to what is listed above, and does not have to include everything listed above.
  • the battery performance influencing factor analysis method of the present disclosure may be performed by selecting some of the overall factors related to the battery manufacturing process.
  • the electronic device (100) may check the overall process data confirmed for each run of the battery manufacturing process. Thereafter, the electronic device (100) may calculate a correlation coefficient between the overall factors of the battery manufacturing process based on the overall process data.
  • the electronic device (100) may check a plurality of factors by filtering at least some of the factors whose correlation coefficients are greater than or equal to a threshold among the overall factors. In other words, among the factors whose correlation coefficients are greater than or equal to the threshold, only representative factors may be retained and the rest may be filtered.
  • the combination of factors A, B, C, and D whose correlation coefficients are greater than or equal to the threshold is one of these factors, for example, factor A
  • the factor that is not filtered may be the one with the highest permutation importance within the group of factors whose correlation coefficients are greater than or equal to the threshold.
  • the correlation coefficient may be calculated using various correlation coefficient calculation methods such as the Pearson correlation coefficient, Spearman rank correlation coefficient, or Kendall tau coefficient, but is not limited to the above-listed methods, and the threshold may be set as a boundary value that can be determined to have a significant correlation depending on the characteristics of each correlation coefficient calculation method.
  • the aforementioned causal graph may be generated and input based on a selected portion of all factors related to the battery manufacturing process.
  • Figure 3 is an example diagram of a causal graph according to one embodiment.
  • one of the property nodes (310) (311) is It refers to a node corresponding to the characteristics of an intermediate product according to the process, (321) and (322) is It can mean a node corresponding to a process variable that can be controlled in relation to the process.
  • (321) is a node corresponding to the rolling pressure
  • (322) may denote a node corresponding to the rolling speed.
  • a causal graph can be confirmed in the form of a unidirectional edge connecting from a process variable node (320) corresponding to a process variable that can be controlled in the respective detailed process toward a material property node (310) corresponding to the characteristics of the intermediate product for each detailed process.
  • a unidirectional edge connected from noise to a node related to the characteristics of each intermediate product may exist to reflect measurement errors or other various errors.
  • Node (315) may be a node corresponding to the characteristics of the final product
  • the electronic device (100) can verify information about process data.
  • the process data may include data on multiple factors identified for each run of the battery manufacturing process as individual data instances.
  • each data instance may refer to data on factors related to the process of manufacturing each cell.
  • a specific data instance related to a specific cell may include information on process variables for each detailed process set in the manufacturing process of the specific cell and the characteristics of intermediate products.
  • the process data may include such data instances for each run of the battery manufacturing process.
  • the process data may include data corresponding to a selected subset of factors, if the aforementioned causal graph is generated based on a selected subset of factors related to the battery manufacturing process. For example, if some of the overall factors of the battery manufacturing process are filtered based on correlation coefficients, the process data may include data for the unfiltered factors, per data instance. Accordingly, the electronic device (100) may identify at least a subset of the data corresponding to a plurality of selected factors among the overall process data as process data.
  • some data instances can be filtered based on the measurement temperature of the characteristics of the final product. That is, the electronic device (100) can identify, as process data, data instances in which the measurement temperature of the characteristics of the final product corresponds to an effective temperature range among the data instances included in the entire process data. Since temperature has a significant influence when measuring the characteristics of the final product, such an effective temperature range can be set in order to analyze performance-influencing factors based on the characteristics of the final product measured at similar temperatures within the effective temperature range.
  • the effective temperature range can be set to a range in which the characteristics of the final product are not measured differently due to temperature, and can be set to a constant temperature range, such as 28.5 to 29.5 degrees Celsius, for example.
  • each data instance included in the process data may not include data on the characteristics of the final product according to the execution of the corresponding manufacturing process, and the model (110) may be trained by taking the data instance as input and using data on the characteristics of the actual measured final product corresponding to the data instance as the correct answer.
  • the electronic device (100) can identify multiple paths connecting a plurality of process variable nodes to a material node corresponding to the characteristics of the final product based on a causal graph. For example, the electronic device (100) can identify all possible paths for the causal graph. According to one embodiment, the electronic device (100) can identify multiple paths connecting a plurality of process variable nodes to a material node corresponding to the characteristics of the final product through a depth-first search (DFS).
  • DFS depth-first search
  • FIG. 4 one of the process variable nodes (320) described in Fig. 3 An example (410) of the first path connecting from node (321) to FPP node (315) corresponding to the characteristics of the final product can be confirmed. Although not shown in Fig. 4 for convenience of explanation, multiple paths are similar to the first path (410) and each process variable node (320), i.e., Fig. 3. (322 to 329) may include a path leading to the FPP node (315). For convenience of explanation, in the following paragraphs, FIG. 3 Each path from (322 to 329) to the FPP node (315) is described as the second to ninth paths.
  • the electronic device (100) can verify a virtual data instance by adjusting at least some of the data of the data instance included in the process data based on the plurality of paths verified in this way.
  • the virtual data instance may be data that is verified by randomly sampling within a batch (process data in the present disclosure) while using data corresponding to some factors of the data instance as is, and values corresponding to the remaining factors.
  • the electronic device (100) can input the virtual data instance verified in this way into the model (110), and analyze the output of the model (110) for the virtual data instance accordingly to verify the influence information. This process will be described in more detail below.
  • the electronic device (100) can check the influence value for each edge on the causal graph. Since the edge is unidirectional, the influence value of the corresponding edge can mean a numerical value of the influence that a factor corresponding to a parent node has on a factor corresponding to a child node. For example, the electronic device (100) calculates the influence value of the edge (330) of FIG. 3 described above, (321) Setting of process variables corresponding to nodes (311) It is possible to calculate the numerical value of the influence on the characteristics of the intermediate product corresponding to the node.
  • the electronic device (100) can identify at least one first path including an edge between a first node corresponding to a first factor and a second node corresponding to a child node of the first node on the causal graph.
  • the edge (330) of FIG. 3 described above may be included in the first path (410) of FIG. 4.
  • there is only one path including the edge but in other cases, for example, There may be multiple paths that contain edges of the liver.
  • the electronic device (100) can identify at least one first virtual data instance based on the first path.
  • a process for identifying the first virtual data instance according to one embodiment will be described.
  • the electronic device (100) can check multiple permutations in which multiple paths are randomly listed. For example, in the example of FIG. 4 described above, the electronic device (100) can check multiple permutations in which the first to ninth paths are randomly listed. The permutations of the dog can be confirmed. All such permutations can be confirmed, but an embodiment in which only some of them are sampled and confirmed is also possible. The electronic device (100) can confirm, for each permutation, at least one path located in a previous order than the first path described above.
  • the electronic device (100) can confirm the second path and the third path as at least one path located in a previous order than the first path for the permutation.
  • the electronic device (100) can confirm, for each of a plurality of permutations, a first subset including at least one path located in a previous order than the first path described above, and a second subset in which the first path is added to the first subset.
  • the first subset may be composed of [second path, third path]
  • the second subset may be composed of [second path, third path, first path].
  • the electronic device (100) can confirm the 1-1 virtual data instance by randomly sampling and adjusting data of nodes that do not correspond to the first subset of data instances, and can confirm the 1-2 virtual data instance by randomly sampling and adjusting data of nodes that do not correspond to the second subset of data instances. For example, if the above-described example is explained in combination with the path example of FIG. 4, for the first subset consisting of [the second path, the third path], the electronic device (100) leaves the values for the nodes included in the path of the first subset as they are for each data instance, and adds the values for the nodes that are not included in the path of the first subset.
  • the values of (321, 324, 325, 326, 327, 328, 329 and 312) can be randomly sampled from other data instances included in the process data to identify the 1-1 virtual data instance.
  • the 1-1 virtual data instance can be identified by performing this random sampling operation on all data instances, or the 1-1 virtual data instance can be identified by performing this operation on only some of the data instances.
  • the values corresponding to the nodes included in the path of the 2nd subset are left as they are, and the values corresponding to the nodes not included in the path of the 2nd subset are
  • the 1-2 virtual data instances can be identified by randomly sampling values from other data instances for (324, 325, 326, 327, 328, 329, and 312).
  • the same random sampling operation can be performed on all data instances to identify the 1-2 virtual data instances, or the same operation can be performed on some of the data instances to identify the 1-2 virtual data instances.
  • the electronic device (100) can verify the first-first and first-second value information based on the results of inputting the first-first and first-second virtual data instances into the model (110). Specifically, the electronic device (100) can input the first-first virtual data instance into the model (110) to verify the first-first output information. Thereafter, the electronic device (100) can input the unadjusted original data instances included in the process data into the model (110) to verify the difference information between the average information of the verified output information and the first-first output information, and verify this as the first-first value information.
  • the average information of the verified output information by inputting the unadjusted original data instances into the model (110) may be pre-calculated.
  • the electronic device (100) can input the first-second virtual data instance into the model (110) to verify the first-second output information. Thereafter, the electronic device (100) inputs the data instances of the unadjusted original data included in the process data into the model (110) to check the difference information between the average information of the confirmed output information and the first-second output information, and can check this as the first-second value information.
  • the electronic device (100) can calculate difference information between the first-1 and first-2 value information. Since the first subset and second subset, the first-1 and first-2 virtual data instances described above are identified for each permutation, the first-1 and first-2 value information can also be identified for each permutation. The electronic device (100) can calculate difference information between the first-1 and first-2 value information identified for each permutation. Thereafter, the electronic device (100) can calculate average information of the difference information between the first-1 and first-2 value information and identify it as the first value information for the first path.
  • the electronic device (100) can calculate the difference information between the 1-1 value information for the first subset consisting of [the second path, the third path] and the 1-2 value information for the second subset consisting of [the second path, the third path, the first path]. Accordingly, the difference information between the 1-1 and 1-2 value information for the corresponding permutation can be calculated, and in a similar manner, when the difference information between the 1-1 and 1-2 value information for each permutation is calculated, the average of such difference information can be identified as the 1-1 value information for the first path.
  • the method described above which will be described in more detail later with mathematical formulas, may be a suitable method for checking how much the values included in the first path contributed when the model (110) receives a data instance and outputs the characteristics of the final product.
  • the electronic device (100) can determine the first influence value of the first factor on the second factor based on the sum information of the first value information on the first path including the edge between the first and second nodes. Since the edge (330) according to the example of FIG. 3 described above is included in the first path (410) of FIG. 4, i.e., only one path, the first value information on the first path (410) can be determined as the first influence value of the first factor on the second factor. However, unlike this, in FIG. 4 and Since the edge connecting is included in all the paths 1 to 9, the sum of the value information of the paths 1 to 9 is the value of that edge, i.e. of intermediate products can be calculated as an influence value. For another example, in Fig. 4 and Since the edge connecting is included in the 5th and 6th paths, the sum of the value information of the 5th and 6th paths is the value of that edge, i.e. of intermediate products It can be calculated as an influence value on the intermediate product.
  • mathematical expression 1 means a set containing multiple permutations as described above, Is It can mean any one permutation included in .
  • the first route is a permutation Path within can mean the order of.
  • a function for calculating value information may be a function that receives a subset including at least one path as an input, leaves the values corresponding to the nodes included in the path in the data instance as they are, and outputs information on the difference between the average of the output information when the values of the factors corresponding to the nodes not included in the path are input to the model (110) by randomly sampling from other data instances of the process data and the average of the output information when the entire data instance of the process data is input to the model (110).
  • the mathematical formula 2 It is a function with the same purpose, but the format of the input value is slightly different, as explained below.
  • mathematical expression 2 represents a set (or coalition) that contains at least one node, Is Each value corresponding to the entire argument of the dog can mean, is a set About the possible combinations of variables not included in , which means that the function corresponding to the model (110) will be integrated, and the set It can be understood as being equivalent to the average of the results of inputting data instances that are randomly sampled from variables not included in the model (110). can mean the average of the model (110) output information for the entire process data set X.
  • v receives a set containing nodes as input, The meaning is slightly different in that it takes as input a set containing paths, but the usual technician takes as input a set containing paths from Equation 2. I think you will be able to understand about it.
  • mathematical expression 3 is a causal graph may mean any of the aforementioned multiple permutations, is the path Ga edge It can be a function that has a value of 1 only if it contains , and 0 otherwise. is the path It can mean value information about. According to mathematical formula 3, is the edge All paths containing The output value is the sum of the value information for the edge described above. Same definition as described for the influence value.
  • influence values according to the mathematical formula described above is adapted from the Shapley Value, a value derived from game theory and used to assess the fair contribution of each participant.
  • the influence value of each edge can be understood as a numerical value that evaluates the contribution of each edge, similar to the Shapley Value.
  • the electronic device (100) when the influence value for the factor corresponding to the child node of the factor corresponding to each edge, that is, each parent node connected through the edge, is calculated, the electronic device (100) can check a matrix including the same.
  • the electronic device (100) can check a matrix including, as each component, the influence value of the first factor corresponding to the first coordinate of the first axis and the influence value of the second factor corresponding to the second coordinate of the second axis.
  • the matrix has the form of a triangular matrix, and the diagonal components and the components indicating the influence values between nodes that are not directly connected to each other can be automatically input as 0. Refer to FIG. 5 to explain such an example.
  • FIG. 5 is a diagram illustrating an example of a matrix including influence values according to one embodiment.
  • the matrix may include a vertical axis corresponding to a parent node and a horizontal axis corresponding to a child node, and each component may mean an influence value for a factor corresponding to the coordinate of the horizontal axis of the factor corresponding to the coordinate of the vertical axis of the corresponding component.
  • an example component (501) may include: The argument It can mean an influence value for the factor.
  • the first axis can correspond to the vertical axis
  • the second axis can correspond to the horizontal axis.
  • the electronic device (100) can determine influence information including direct influence information and indirect influence information on the characteristics of the final product of multiple factors based on the aforementioned matrix.
  • the electronic device (100) can check the influence value of at least one factor corresponding to at least one node directly connected to a node corresponding to the characteristics of the final product on the matrix. For example, according to the example of FIG. 3 described above, the electronic device (100) and of The influence value can be confirmed. The electronic device (100) can directly confirm influence information based on at least one influence value confirmed in this way. The influence value of at least one factor corresponding to at least one directly connected node described above can be easily confirmed through a matrix.
  • the electronic device (100) can confirm a coordinate corresponding to a characteristic of the final product on a second axis corresponding to a child node of the matrix, confirm a vector on the matrix that has a coordinate corresponding to a characteristic of the final product with respect to the second axis and is parallel to the first axis, and confirm the influence value of at least one factor corresponding to at least one directly connected node described above based on the vector. More specifically, the components included in the vector on the confirmed matrix can be confirmed as an influence value of at least one factor corresponding to at least one directly connected node described above. Refer to FIG. 6 to examine an example of such a vector.
  • FIG. 6 is a diagram illustrating an example of confirming direct influence information using a matrix according to one embodiment.
  • the electronic device (100) can confirm that the coordinate on the second axis corresponding to the FPP is the coordinate at the right end, and can confirm a vector (600) having the corresponding coordinate and parallel to the first axis.
  • the electronic device (100) can confirm the values included in the vector (600) as influence values of at least one factor corresponding to at least one directly connected node.
  • the electronic device (100) can check the sum information of influence values for each factor corresponding to each process variable node in the matrix. And, based on the sum information, indirect influence information for each factor corresponding to each process variable node can be checked. For example, according to the example of FIG. 3 described above, the electronic device (100) can: The sum information of the influence values can be confirmed for each factor. The electronic device (100) can confirm the indirect influence information based on the sum information of at least one influence value confirmed for each factor in this way. The influence value for each factor corresponding to each process variable node described above can be easily confirmed through a matrix. For example, the electronic device (100) can confirm each coordinate corresponding to each process variable on the first axis corresponding to the parent node in the matrix.
  • the electronic device (100) can confirm each vector on the matrix parallel to the second axis with each coordinate corresponding to each process variable for the first axis.
  • the electronic device (100) can confirm the sum information of each influence value included in each vector for each factor corresponding to each process variable node, and confirm the indirect influence information based on the sum information. Refer to FIG. 7 to examine an example of such a vector.
  • FIG. 7 is a diagram illustrating an example of checking indirect influence information using a matrix according to one embodiment.
  • the electronic device (100) can check the coordinates on the first axis corresponding to each process variable node, i.e., PP, and check vectors (700) having the corresponding coordinates and parallel to the second axis.
  • the electronic device (100) can check the indirect influence information for each process variable by adding the values included in the vectors (700) for each vector.
  • the vectors (700) parallel to the second axis are displayed as if they correspond to only a part, not the entire row having the corresponding coordinates. This is because the PPs, i.e., the process variable nodes, do not influence each other and are therefore set to 0, and the result is the same whether or not the part related to the influence value between the PPs is included.
  • the electronic device (100) can identify direct and indirect influence information and graph it according to the embodiment described above.
  • Figures 8a and 8b are graphs showing direct and indirect influence information according to one embodiment.
  • Figure 8a is a graph showing direct influence information, where the vertical axis represents each factor, and the bar graph parallel to the horizontal axis allows you to check the direct influence value of each factor on the characteristics of the final product.
  • Factors with an X prefix in each factor on the vertical axis for example, The back refers to the process variables, and the factors with the prefix Y, for example, The back can refer to the properties of intermediate products.
  • Figure 8b is a graph showing indirect influence information.
  • the vertical axis represents each factor, and the bar graph parallel to the horizontal axis shows the indirect influence value of each process variable. Because this is indirect influence information, unlike Figure 8a, it can be confirmed that the characteristics of intermediate products prefixed with "Y" do not exist.
  • the direct influence information does not exist, but indirect impact information is available It can be confirmed that it exists in a high ranking of 3rd place. This is Although it has a relatively small direct influence because it is not a process variable that primarily affects the process of creating a final product from an intermediate product just before the final product, it can mean that it has a large influence on the intermediate products before it. Similarly, it is a factor that is not included in the direct influence information but accounts for a significant proportion of the indirect influence information. and There is room for different uses of direct and indirect influence information, as they provide information about slightly different factors.
  • the electronic device (100) can support controlling the characteristics of intermediate products based on direct impact information.
  • the direct impact information can be beneficially utilized by product designers who wish to analyze and adjust intermediate products to efficiently design cells.
  • the electronic device (100) can support product designers in performing cell design by adjusting intermediate products by providing direct impact information to the product designer terminal.
  • the electronic device (100) can support the control of process variables for each sub-process based on indirect impact information.
  • the indirect impact information can be beneficially utilized by process operators who wish to control quality by efficiently setting process variables associated with each sub-process. Accordingly, the electronic device (100) can support process operators in efficiently controlling process variables and ensuring good cell quality by providing the indirect impact information to the process operator terminal.
  • the electronic device (100) may also check additional analysis information. Specifically, the electronic device (100) may check contribution ratio information indicating the ratio of the values of direct influence information and indirect influence information for each of a plurality of factors based on the influence information. That is, the electronic device (100) may check contribution ratio information by adding the values indicated by the direct influence information and the values indicated by the indirect influence information for each factor and then dividing each value by the sum to calculate the ratio of direct influence and indirect influence among the influences that each factor has on the overall battery manufacturing process. Refer to FIG. 9 to examine an example of such contribution ratio information.
  • Figure 9 is an example diagram of contribution ratio information according to one embodiment.
  • the model (110) used to perform the method of analyzing battery performance influencing factors described above may be one learned by the electronic device (100), or may be a model whose learning has already been completed and input into the electronic device (100).
  • An example of a model (110) being learned by the electronic device (100) will be described below.
  • the electronic device (100) can input the aforementioned process data into the model (110) for each data instance.
  • the electronic device (100) can check the results of comparing the output of the model (110) with actual data corresponding to the characteristics of the final product identified for each data instance. Thereafter, the electronic device (100) can train the model (110) based on the results of such comparison. For example, if the model (110) is constructed using a DNN, the electronic device (100) can calculate a loss function based on the results of the aforementioned comparison and train the model (110) by backpropagating the loss.
  • Fig. 10 illustrates a block diagram of an electronic device according to one embodiment.
  • the electronic device (100) may include, according to one embodiment, a memory (101) and a processor (102).
  • the electronic device (100) illustrated in FIG. 10 only illustrates components related to the present embodiment. Therefore, it will be understood by those skilled in the art related to the present embodiment that other general components may be included in addition to the components illustrated in FIG. 10.
  • the processor (102) may be included in a controller.
  • the processor (102) can control the overall operation of the electronic device (100) and process data and signals.
  • the processor (102) can be composed of at least one hardware unit.
  • the processor (102) can operate by one or more software modules generated by executing program codes stored in the memory (101).
  • the processor (102) can include a memory, and the processor (102) can control the overall operation of the electronic device (100) and process data and signals by executing program codes stored in the memory.
  • the processor (102) may be configured to perform one or more instructions to identify process data including, as data instances, a causal graph representing relationships between a plurality of factors related to a battery manufacturing process and data for a plurality of factors identified for each run of the battery manufacturing process, and to identify information on the influence of each of the plurality of factors on the characteristics of the final product based on a model learned to receive the causal graph, the process data, and the process data and to predict the characteristics of the final product of the battery manufacturing process.
  • the electronic device (100) may additionally include a transceiver for performing wired/wireless communication.
  • the electronic device (100) may communicate with an external electronic device using the transceiver.
  • the external electronic device may be a terminal or a server.
  • the communication technologies used by the transceiver may include GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), LTE (Long Term Evolution), 5G, WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity), Bluetooth (Bluetooth), RFID (Radio Frequency Identification), Infrared Data Association (IrDA), ZigBee, NFC (Near Field Communication), etc.
  • the electronic device may include a processor, a memory for storing and executing program data, permanent storage such as a disk drive, a communication port for communicating with an external device, a user interface device such as a touch panel, a key, a button, etc.
  • the methods implemented as software modules or algorithms may be stored on a computer-readable recording medium as computer-readable codes or program instructions executable on the processor.
  • the computer-readable recording medium includes a magnetic storage medium (e.g., read-only memory (ROM), random-access memory (RAM), floppy disk, hard disk, etc.) and an optical reading medium (e.g., CD-ROM, DVD: Digital Versatile Disc)).
  • the computer-readable recording medium may be distributed to computer systems connected to a network, so that the computer-readable code may be stored and executed in a distributed manner.
  • the medium may be readable by a computer, stored in a memory, and executed by a processor.
  • the present embodiment may be represented by functional block configurations and various processing steps. These functional blocks may be implemented by various hardware and/or software configurations that perform specific functions. For example, the embodiment may employ direct circuit configurations such as memory, processing, logic, look-up tables, etc., which may perform various functions under the control of one or more microprocessors or other control devices. Similarly, the present embodiment may be implemented in a programming or scripting language such as C, C++, Java, assembler, etc., including various algorithms implemented as a combination of data structures, processes, routines, or other programming configurations. Functional aspects may be implemented as algorithms that execute on one or more processors. Furthermore, the present embodiment may employ conventional techniques for electronic configuration, signal processing, and/or data processing. Terms such as “mechanism,” “element,” “means,” and “composition” can be used broadly and are not limited to mechanical or physical structures. These terms can also encompass a series of software routines, such as those associated with a processor.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

배터리 제조 공정과 관련된 복수의 인자 간의 관계를 나타내는 인과 그래프 및 상기 배터리 제조 공정의 시행별로 확인된 상기 복수의 인자에 대한 데이터를 각각의 데이터 인스턴스로서 포함하는 공정 데이터를 확인하는 단계; 및 상기 인과 그래프, 상기 공정 데이터 및 상기 공정 데이터를 입력받아 상기 배터리 제조 공정의 최종 생성물의 특성을 예측하도록 학습된 모델에 기반하여, 상기 복수의 인자별로 상기 최종 생성물의 특성에 미치는 영향 정보를 확인하는 단계를 포함하는, 전자 장치의 배터리 성능영향인자 분석 방법이 제공된다.

Description

전자 장치 및 그의 배터리 성능영향인자 분석 방법
본 개시는 전자 장치 및 그의 배터리 성능영향인자 분석 방법에 관한 것이다.
배터리 제조 공정은 다양한 센서와 공정 인자들이 복잡한 비선형적인 방식으로 얽혀 있어, 공정에 주요하게 영향을 미치는 변수들의 판별이 어렵다. 이에 머신러닝 및 설명가능한 인공지능(eXplainable Artifical Intelligence, XAI) 알고리즘을 활용하여 배터리 셀 성능에 주요하게 영향을 주는 인자들을 판별하는 연구들이 진행되어 왔으나, 이와 같은 종래 기술은 전체 공정 내 단위 공정들 사이의 독립성을 가정하고 해석을 진행하였다는 점에서 문제가 있다. 구체적으로, 이와 같이 단위 공정들 사이의 독립성을 가정한 방식은 여러 기작을 담당하는 단위 공정들이 순차적으로 연결되어 있는 배터리 제조 공정의 특성을 반영하지 못하고, 실제 시스템 거동과는 거리가 있는 해석을 제공하게 되는 문제가 있다.
이와 같이 잘못된 분석 방법에 기초할 경우, 배터리 공정을 구성하는 수많은 인자들 중 주요 인자들을 잘못 선별하게 되므로, 효율적인 품질 관리 및 제품 설계가 어렵게 된다. 따라서 이러한 공정 인자와 측정값들 사이의 인과관계를 반영할 수 있는 데이터 기반 해석법을 모색하여 주요 인자 기여도 책정의 정확도를 끌어올릴 필요가 있다.
개시되는 실시예들은 전자 장치 및 그 배터리 성능영향인자 분석 방법을 제공하고자 한다. 구체적으로는, 주요 인자 기여도 책정의 정확도를 끌어올릴 수 있도록, 공정 인자와 측정값들 사이의 인과관계를 반영할 수 있는 데이터 기반 해석법을 제공하는 것을 일 목적으로 한다.
본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
본 개시의 일 측면은, 전자 장치의 배터리 성능영향인자 분석 방법에 있어서, 배터리 제조 공정과 관련된 복수의 인자 간의 관계를 나타내는 인과 그래프 및 상기 배터리 제조 공정의 시행별로 확인된 상기 복수의 인자에 대한 데이터를 각각의 데이터 인스턴스로서 포함하는 공정 데이터를 확인하는 단계; 및 상기 인과 그래프, 상기 공정 데이터 및 상기 공정 데이터를 입력받아 상기 배터리 제조 공정의 최종 생성물의 특성을 예측하도록 학습된 모델에 기반하여, 상기 복수의 인자별로 상기 최종 생성물의 특성에 미치는 영향 정보를 확인하는 단계를 포함하되, 상기 인과 그래프는, 상기 배터리 제조 공정에 포함된 각 세부 공정의 순서에 대응하는 단방향으로 연결된, 상기 세부 공정별로 생성되는 중간 생성물 및 상기 최종 생성물의 특성에 각각 대응하는 물성 노드; 및 각각의 상기 물성 노드를 향하여 단방향으로 연결된, 각각의 상기 물성 노드에 대응하는 각각의 상기 세부 공정에서 제어되는 공정변수에 대응하는 복수의 공정변수 노드를 포함하는 그래프를 나타내는, 배터리 성능영향인자 분석 방법을 제공할 수 있다.
본 개시의 일 실시예에서, 상기 인과 그래프에 기반하여, 상기 복수의 공정변수 노드로부터 상기 최종 생성물의 특성에 대응하는 물성 노드로 연결되는 복수의 경로를 확인하는 단계; 및 상기 확인된 복수의 경로에 기반하여, 상기 공정 데이터에 포함된 상기 데이터 인스턴스의 데이터 중 적어도 일부를 조정하여 가상 데이터 인스턴스를 확인하는 단계; 상기 가상 데이터 인스턴스를 상기 모델에 입력하는 단계; 및 상기 가상 데이터 인스턴스에 대한 상기 모델의 출력을 분석하여, 상기 영향 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 가상 데이터 인스턴스를 확인하는 단계는, 상기 복수의 경로에 기반하여, 제1인자에 대응하는 제1노드 및 상기 인과 그래프 상에서 상기 제1노드의 자식 노드에 대응하는 제2노드 간의 에지를 포함하는 적어도 하나의 제1경로를 확인하는 단계; 및 상기 적어도 하나의 제1경로에 기반하여 적어도 하나의 제1가상 데이터 인스턴스를 확인하는 단계를 포함하고, 상기 영향 정보를 확인하는 단계는, 상기 제1가상 데이터 인스턴스 및 상기 모델에 기반하여, 상기 제1경로에 대한 제1가치 정보를 확인하는 단계; 및 상기 제1가치 정보에 기반하여, 상기 제2노드에 대응하는 제2인자에 대한 상기 제1인자의 영향 값을 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 적어도 하나의 제1가상 데이터 인스턴스를 확인하는 단계는, 상기 복수의 경로를 무작위로 나열한 복수의 순열 내에서 상기 적어도 하나의 제1경로보다 앞 순서에 위치하는 적어도 하나의 경로를 확인하는 단계; 상기 복수의 순열별로, 상기 적어도 하나의 제1경로보다 앞 순서에 위치하는 상기 적어도 하나의 경로를 포함하는 제1부분집합 및 상기 제1부분집합에 상기 제1경로가 추가된 제2부분집합을 확인하는 단계; 및 상기 데이터 인스턴스의 데이터 중 상기 제1부분집합에 대응하지 않는 노드의 데이터를 무작위 샘플링하여 조정함으로써 제1-1가상 데이터 인스턴스를 확인하고, 상기 데이터 인스턴스의 데이터 중 상기 제2부분집합에 대응하지 않는 노드의 데이터를 무작위 샘플링하여 조정함으로써 제1-2가상 데이터 인스턴스를 확인하는 단계를 포함하고, 상기 제1경로에 대한 제1가치 정보를 확인하는 단계는, 상기 복수의 순열별로 확인된 상기 제1-1 및 제1-2가상 데이터 인스턴스를 상기 모델에 입력한 결과에 기반하여 제1-1 및 제1-2가치 정보를 확인하는 단계; 및 상기 제1-1 및 제1-2가치 정보 간의 차이 정보에 기반하여 상기 제1가치 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 제1가치 정보를 확인하는 단계는, 상기 복수의 순열별로 확인된 상기 제1-1가치 정보 및 상기 제1-2가치 정보 간의 상기 차이 정보의 평균 정보에 기반하여 상기 제1경로에 대한 제1가치 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 제1가치 정보를 확인하는 단계는, 상기 제1-1가상 데이터 인스턴스를 상기 모델에 입력하여, 제1-1출력 정보를 확인하는 단계; 및 상기 조정되지 않은 데이터 인스턴스를 상기 모델에 입력하여 확인된 출력 정보의 평균 정보와 상기 제1-1출력 정보 간의 차이 정보에 기반하여 상기 제1-1가치 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 제1인자의 영향 정보를 확인하는 단계는, 상기 제1 및 제2노드 간의 에지를 포함하는 상기 제1경로에 대한 상기 제1가치 정보의 합계 정보에 기반하여, 상기 제1인자의 상기 제2인자에 대한 제1영향 값을 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 영향 정보를 확인하는 단계는, 제1축의 제1좌표에 대응하는 제1인자의, 제2축의 제2좌표에 대응하는 제2인자에 대한 영향 값을 각각의 성분으로 포함하는 행렬을 확인하는 단계; 상기 행렬에 기반하여, 상기 복수의 인자의 상기 최종 생성물의 특성에 대한 직접 영향 정보 및 간접 영향 정보를 포함하는 상기 영향 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 영향 정보를 확인하는 단계는, 상기 행렬 상에서 상기 최종 생성물의 특성에 대응하는 노드와 직접 연결된 적어도 하나의 노드에 대응하는 적어도 하나의 인자의 영향 값을 확인하는 단계; 및 상기 적어도 하나의 인자의 영향 값에 기반하여 상기 직접 영향 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 적어도 하나의 인자의 영향 값을 확인하는 단계는, 상기 제2축 상에서 상기 최종 생성물의 특성에 대응하는 좌표를 확인하는 단계; 상기 제2축에 대해 상기 최종 생성물의 특성에 대응하는 좌표를 가지고 상기 제1축과 평행한 상기 행렬 상의 벡터를 확인하는 단계; 및 상기 벡터에 기반하여 상기 적어도 하나의 인자의 영향 값을 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 영향 정보를 확인하는 단계는, 각각의 상기 공정변수 노드에 대응하는 인자별로 영향 값의 합계 정보를 확인하는 단계; 및 상기 합계 정보에 기반하여, 각각의 상기 공정변수 노드에 대응하는 인자별로 상기 간접 영향 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 합계 정보를 확인하는 단계는, 상기 제1축 상에서 상기 공정변수별로 대응하는 각각의 좌표를 확인하는 단계; 상기 제1축에 대해 상기 공정변수별로 대응하는 각각의 좌표를 가지고 상기 제2축과 평행한 상기 행렬 상의 각각의 벡터를 확인하는 단계; 및 상기 각각의 벡터에 포함된 영향 값들의 각각의 합계 정보를 각각의 상기 공정변수 노드에 대응하는 인자별로 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 영향 정보에 기반하여, 상기 복수의 인자별로 상기 직접 영향 정보 및 상기 간접 영향 정보의 값의 비율을 나타내는 기여 비율 정보를 확인하는 단계를 더 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 직접 영향 정보에 기반하여, 상기 중간 생성물의 특성을 제어할 수 있도록 지원하는 단계를 더 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 간접 영향 정보에 기반하여, 상기 공정변수를 상기 세부 공정별로 제어할 수 있도록 지원하는 단계를 더 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 인과 그래프 및 상기 공정 데이터를 확인하는 단계는, 상기 배터리 제조 공정의 각 시행별로 확인된 전체 공정 데이터를 확인하는 단계; 상기 전체 공정 데이터에 기반하여, 상기 배터리 제조 공정의 전체 인자 간의 상관계수를 계산하는 단계; 상기 전체 인자 중 상기 상관계수가 임계치 이상인 인자 중 적어도 일부를 필터링함으로써 상기 복수의 인자를 확인하는 단계; 및 상기 전체 공정 데이터 중, 상기 복수의 인자에 대응하는 데이터 중 적어도 일부를 상기 공정 데이터로서 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 전체 공정 데이터 중, 상기 복수의 인자에 대응하는 데이터 중 적어도 일부를 상기 공정 데이터로서 확인하는 단계는, 상기 전체 공정 데이터에 포함된 데이터 인스턴스 중, 상기 최종 생성물의 특성의 측정 온도가 유효 온도 범위에 대응하는 데이터 인스턴스를 상기 공정 데이터로서 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
또한, 본 개시의 일 실시예에서, 상기 공정 데이터를 상기 데이터 인스턴스별로 상기 모델에 입력하는 단계; 및 상기 데이터 인스턴스별로 확인된 상기 최종 생성물의 특성에 대응하는 실제 데이터와 상기 모델의 출력을 비교한 결과에 기반하여 상기 모델을 학습하는 단계를 포함하는, 배터리 성능영향인자 분석 방법을 포함할 수 있다.
본 개시의 다른 측면은, 배터리 성능영향인자를 분석하는 전자 장치로서, 프로세서; 및 하나 이상의 인스트럭션을 저장하는 메모리를 포함하고, 상기 프로세서는, 상기 하나 이상의 인스트럭션을 수행함으로써, 배터리 제조 공정과 관련된 복수의 인자 간의 관계를 나타내는 인과 그래프 및 상기 배터리 제조 공정의 각 시행별로 확인된 상기 복수의 인자에 대한 데이터를 각각의 데이터 인스턴스로서 포함하는 공정 데이터를 확인하고, 상기 인과 그래프, 상기 공정 데이터 및 상기 공정 데이터를 입력받아 상기 배터리 제조 공정의 최종 생성물의 특성을 예측하도록 학습된 모델에 기반하여, 상기 복수의 인자별로 상기 최종 생성물의 특성에 미치는 영향 정보를 확인하도록 설정되되, 상기 인과 그래프는, 상기 배터리 제조 공정에 포함된 각 세부 공정의 순서에 대응하는 단방향으로 연결된, 상기 세부 공정별로 생성되는 중간 생성물 및 상기 최종 생성물의 특성에 각각 대응하는 물성 노드; 및 각각의 상기 물성 노드를 향하여 단방향으로 연결된, 각각의 상기 물성 노드에 대응하는 각각의 상기 세부 공정에서 제어되는 공정변수에 대응하는 복수의 공정변수 노드를 포함하는 그래프를 나타내는, 전자 장치를 제공할 수 있다.
본 개시의 또 다른 측면은 상술한 배터리 성능영향인자 분석 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한, 컴퓨터로 읽을 수 있는 비일시적 기록매체를 제공할 수 있다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
제안되는 실시예에 따를 경우 다음과 같은 효과를 하나 혹은 그 이상 기대할 수 있다.
본 명세서의 실시예에 의할 경우, 공정 인자와 측정값들 사이의 인과관계를 반영할 수 있는 데이터 기반 해석법을 통해, 주요 인자 기여도 책정의 정확도를 끌어올릴 수 있다.
또한, 본 명세서의 실시예에 의할 경우, 목적에 따라 공정 인자의 영향력을 직접 및 간접 영향력으로 구분하여 해석할 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당해 기술 분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시예에 따라 배터리 성능영향인자를 분석하는 전자 장치가 동작하는 일 예시를 나타내는 도면이다.
도 2는 일 실시예에 따른 배터리 성능영향인자 분석 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 인과 그래프의 예시도이다.
도 4는 일 실시예에 따른 인과 그래프 상의 공정변수 노드로부터 최종 생성물의 특성에 대응하는 물성 노드로 연결되는 경로의 예시 도면이다.
도 5는 일 실시예에 따른 영향 값을 포함하는 행렬의 일 예시를 나타낸 도면이다.
도 6은 일 실시예에 따른 행렬을 이용해 직접 영향 정보를 확인하는 예시를 나타낸 도면이다.
도 7은 일 실시예에 따른 행렬을 이용해 간접 영향 정보를 확인하는 예시를 나타낸 도면이다.
도 8a 및 8b는 일 실시예에 따른 직접 및 간접 영향 정보를 나타낸 그래프이다.
도 9는 일 실시예에 따른 기여 비율 정보의 예시 도면이다.
도 10는 일 실시예에 따른 전자 장치의 블록도를 나타낸다.
실시예들에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
명세서 전체에서 기재된 "a, b, 및 c 중 적어도 하나"의 표현은, 'a 단독', 'b 단독', 'c 단독', 'a 및 b', 'a 및 c', 'b 및 c', 또는 'a, b, 및 c 모두'를 포괄할 수 있다.
이하에서 언급되는 "단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말은 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, IMT(International Mobile Telecommunication), CDMA(Code Division Multiple Access), W-CDMA(W-Code Division Multiple Access), LTE(Long Term Evolution) 등의 통신 기반 단말, 스마트폰, 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
이하에서는 도면을 참조하여 본 개시의 실시예들을 상세히 설명한다.
도 1은 일 실시예에 따라 배터리 성능영향인자를 분석하는 전자 장치가 동작하는 일 예시를 나타내는 도면이다.
도 1을 참조하면, 전자 장치(100)는, 차후 설명하겠지만, 인과 그래프 및 공정 데이터를 입력받아 동작할 수 있다. 또한, 전자 장치(100)는, 모델(110)을 포함할 수도 있다.
여기서 모델(110)은, 공정 인자들 간 비선형적인 상관관계를 반영할 수 있는 머신러닝 알고리즘, 예를 들어 XGBoost, Random Forest 또는 심층신경망(Deep Neural Network, DNN) 등 다양한 알고리즘을 사용하여 구현될 수 있으나, 이상 열거한 바에 한정될 것은 아니다. 이와 같은 모델(110)은, 배터리 제조 공정의 각 세부 공정에서 제어되는 공정변수(Process Parameter, PP)에 대응하는 인자들에 대응하는 데이터와, 세부 공정별로 생성되는 중간 생성물의 특성(Intermediate Product Feature, IPF)에 대응하는 인자들에 대응하는 데이터를 입력받아, 전체 배터리 제조 공정에 의해 생성되는 최종 생성물의 특성(Final Product Properties, FPP)을 출력하도록 학습된 모델일 수 있으며, 학습 방식은 전술한 다양한 알고리즘 또는 그 외의 알고리즘에 따른 모델 구축 방식과 관련하여 결정될 수 있을 것이다.
한편, 도 1에는, 본 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
도 2는 일 실시예에 따른 배터리 성능영향인자 분석 방법을 설명하기 위한 흐름도이다.
단계 S210에서, 전자 장치(100)는, 배터리 제조 공정과 관련된 복수의 인자 간의 관계를 나타내는 인과 그래프 및 배터리 제조 공정의 시행별로 확인된 상기 복수의 인자에 대한 데이터를 각각의 데이터 인스턴스로서 포함하는 공정 데이터를 확인할 수 있다. 단계 S220에서, 전자 장치(100)는, 인과 그래프, 공정 데이터 및 공정 데이터를 입력받아 배터리 제조 공정의 최종 생성물의 특성을 예측하도록 학습된 모델(110)에 기반하여 복수의 인자별로 최종 생성물의 특성에 미치는 영향 정보를 확인할 수 있다. 이하 본 개시의 일 실시예에 따른 배터리 성능영향인자 분석 방법에 대해 구체적으로 설명하도록 한다.
먼저, 전자 장치(100)는, 인과 그래프를 획득할 수 있다. 인과 그래프는, 일 실시예에 따르면, 배터리 제조 공정과 관련된 도메인 지식을 갖추고 있는 사용자에 의해 전자 장치(100)에 입력되거나, 다른 서버로부터 전달되어 전자 장치(100)에 입력되거나, 전자 장치(100)가 배터리 제조 공정과 관련된 공정 인자들을 분석함으로써 획득될 수 있다.
이와 같은 인과 그래프는, 배터리 제조 공정에 포함된 각 세부 공정의 순서에 대응하는 단방향으로 연결된, 세부 공정별로 생성되는 중간 생성물의 특성 및 최종 생성물의 특성에 대응하는 물성 노드 및 각각의 물성 노드를 향하여 단방향으로 연결된, 각각의 물성 노드에 대응하는 각각의 세부 공정에서 제어되는 공정변수에 대응하는 복수의 공정변수 노드를 포함할 수 있다. 이상의 설명에서 유추할 수 있듯, 인과 그래프는 유향 비순환 그래프(Directed Acyclic Graph, DAG)의 일종일 수 있다.
여기서, 배터리 제조 공정에 포함된 각 세부 공정의 예시로, 믹싱 공정, 코팅 공정, 롤 프레싱 공정, 슬리팅 및 노칭 공정, 조립 공정, 활성화 공정, 에이징 공정 및 디개싱 공정 등을 들 수 있으나, 이상 나열한 공정에 한정될 것은 아니고, 또한 이상 나열한 공정을 모두 포함하여야 하는 것도 아니다. 또한, 각각의 세부 공정에서 제어되는 공정변수의 예시로서, 코팅 공정에 대해 슬러리 온도, 슬러리 유량, 펌프, 코팅 갭 길이, 건조 온도 및 풍량, 코팅 속도, 코팅 두께 및 코팅 로딩을 들 수 있고, 압연 공정에 대해 압연 롤 갭 길이, 압연 압력, 압연 속도 및 압연 두께를 들 수 있으며, 조립 공정에 대해 라미네이션 플레이트 온도, 라미네이션 힘, 라미네이션 롤러 온도, 라미네이션 속도 및 디멘션 등을 들 수 있고, 활성화 공정, 후공정 및 전체 공정에 대해 J/F 온도 및 압력, 에이징 시간, 공정 간 대기 시간, 전해액량, 성능 측정 온도 및 최종 셀 두께 등을 들 수 있다. 이 역시, 이상 나열한 바에 한정될 것은 아니고, 이상 나열한 바를 모두 포함하여야 할 것도 아니다. 또한, 중간 생성물의 특성의 예시로서, 압연율, 압연 후 로딩, 활성화 후 음극 두께, 모노셀 1장의 로딩량, 코팅/압연/활성화 후 양극 및 음극의 공극량 등을 들 수 있고, 최종 생성물의 특성의 예시로서, 방전 용량, 측정 온도에 피팅된 방전 용량, 충전 저항 등을 들 수 있으나, 이상 나열한 바에 한정될 것은 아니고, 이상 나열한 바를 모두 포함하여야 할 것도 아니다.
일 실시예에 따르면, 배터리 제조 공정과 관련된 전체 인자 중 일부를 선택하여 본 개시의 배터리 성능영향인자 분석 방법을 수행할 수도 있다. 일 예로, 전자 장치(100)는, 배터리 제조 공정의 각 시행별로 확인된 전체 공정 데이터를 확인할 수 있다. 이후, 전자 장치(100)는, 전체 공정 데이터에 기반하여, 배터리 제조 공정의 전체 인자 간의 상관계수를 계산할 수 있다. 전자 장치(100)는, 전체 인자 중 상관계수가 임계치 이상인 인자 중 적어도 일부를 필터링함으로써 복수의 인자를 확인할 수 있다. 즉, 서로 간의 상관계수가 임계치 이상인 인자들 중 대표적인 인자만을 남기고 나머지를 필터링할 수 있다. 일례로, 서로 간의 상관계수가 임계치 이상인 조합이 인자 A, B, C 및 D라면, 이 중 하나의 인자, 예로 인자 A만을 남기고 나머지는 필터링할 수 있다는 것이다. 여기서, 일 실시예에 따르면, 필터링하지 않고 남기는 인자는 상관계수가 임계치 이상인 인자들의 그룹 내에서 순열 중요도(Permutation Importance)가 가장 높은 것일 수 있다. 일 실시예에 따르면, 상관계수는 피어슨 상관계수, 스피어만 순위 상관계수 또는 켄달 타우 계수 등 다양한 상관계수 계산 방식을 사용하여 계산될 수 있으나, 이상 나열한 바에 한정될 것은 아니며, 임계치는 각 상관계수 계산 방식별 특성에 따라 유의미한 상관관계가 있을 것으로 판단할 수 있는 경계 값으로서 설정될 수 있다. 전술한 인과 그래프는, 이와 같은 배터리 제조 공정과 관련된 전체 인자 중 선택된 일부를 기준으로 생성되어 입력될 수 있다.
이상 설명한 인과 그래프의 일 예시를 살피기 위해 도 3을 참조하도록 한다.
도 3은 일 실시예에 따른 인과 그래프의 예시도이다.
도 3을 참조하면, 인과 그래프의 일 예시를 살필 수 있다. 도 3에서, 물성 노드(310) 중 하나인 (311)은 공정에 따른 중간 생성물의 특성에 대응하는 노드를 의미하고, (321) 및 (322)는 공정과 관련하여 제어할 수 있는 공정변수에 대응하는 노드를 의미할 수 있다. 예를 들어 공정이 압연 공정이라면, (321)은 압연 압력에 대응하는 노드, (322)는 압연 속도에 대응하는 노드를 의미할 수 있다. 이와 같이, 각 세부 공정별 중간 생성물의 특성에 대응하는 물성 노드(310)를 향하여, 해당 세부 공정에서 제어될 수 있는 공정변수에 대응하는 공정변수 노드(320)로부터 단방향 에지가 연결되는 형태로 인과 그래프가 확인될 수 있다. 또한, 도 3에서 확인할 수 있듯, 측정 오차나 다른 여러 오차를 반영하기 위해 각 중간 생성물의 특성과 관련된 노드에 노이즈로부터 연결된 단방향 에지가 존재할 수 있다. 한편, 노드(315)는 최종 생성물의 특성에 대응하는 노드일 수 있고, 로 표시된 노드들(311, 312, 313 및 314)는 중간 생성물의 특성에 대응하는 노드일 수 있다. 이상 설명한 도 3의 인과 그래프는 예시에 불과하며, 설명의 편의를 위해 상당 부분 단순화된 상태일 수 있다. 일례로, 도 여러 개일 수 있으며, 각 공정변수가 여러 중간 생성물과 연결된다거나, 도 3보다 훨씬 복잡한 구조로 들 간의 관계가 연결될 수도 있다. 도 3에서, (321)에서 (311)로 연결되는 에지(330)는 차후 설명을 위해 표시해 둔 것이다.
이상 설명한 인과 그래프의 확인 과정과 병렬적으로, 전자 장치(100)는, 공정 데이터에 대한 정보를 확인할 수 있다. 공정 데이터는, 배터리 제조 공정의 시행별로 확인된 복수의 인자에 대한 데이터를 각각의 데이터 인스턴스로서 포함할 수 있다. 여기서 각각의 데이터 인스턴스는, 각각의 셀을 제조하는 공정과 관련된 인자에 대한 데이터를 의미할 수 있다. 일례로, 특정 셀과 관련된 특정 데이터 인스턴스는, 특정 셀의 제조 공정에서 설정된 세부 공정별 공정변수 및 중간 생성물의 특성에 대한 정보를 포함할 수 있다. 공정 데이터는, 이와 같은 데이터 인스턴스를, 배터리 제조 공정의 시행별로 포함할 수 있다.
또한, 공정 데이터는, 전술한 인과 그래프가 배터리 제조 공정과 관련된 전체 인자 중 선택된 일부를 기준으로 생성된 경우, 해당 선택된 일부의 인자에 대응하는 데이터를 포함할 수 있다. 예를 들어, 배터리 제조 공정의 전체 인자 중 상관계수에 기반하여 일부가 필터링된 경우, 공정 데이터는 필터링되지 않은 인자에 대한 데이터를 데이터 인스턴스별로 포함할 수 있다. 이에 따라, 전자 장치(100)는, 전체 공정 데이터 중, 선택된 복수의 인자에 대응하는 데이터 중 적어도 일부를 공정 데이터로서 확인할 수 있다.
일 실시예에 따르면, 전술한 바와 같이 상관계수에 기반하여 인자를 필터링한 다음, 최종 생성물의 특성의 측정 온도에 기반하여 일부의 데이터 인스턴스를 필터링할 수 있다. 즉, 전자 장치(100)는, 전체 공정 데이터에 포함된 데이터 인스턴스 중, 최종 생성물의 특성의 측정 온도가 유효 온도 범위에 대응하는 데이터 인스턴스를 공정 데이터로서 확인할 수 있다. 최종 생성물의 특성을 측정할 때 온도가 큰 영향을 미치므로, 유효 온도 범위 내의 서로 유사한 온도에서 측정된 최종 생성물의 특성을 기준으로 성능영향인자를 분석하기 위해 이와 같은 유효 온도 범위를 설정할 수 있다. 유효 온도 범위의 설정은, 최종 생성물의 특성이 온도 때문에 다르게 측정되지 않는 범위로 설정될 수 있고, 일 예시로 섭씨 28.5도에서 29.5도와 같이 일정한 온도 범위로 설정될 수 있다. 여기서, 공정 데이터에 포함된 각각의 데이터 인스턴스는 해당 제조 공정 시행에 따른 최종 생성물의 특성에 대한 데이터를 포함하지 않을 수 있고, 모델(110)은, 데이터 인스턴스를 입력으로 하고, 해당 데이터 인스턴스에 대응하는 실제 측정된 최종 생성물의 특성에 대한 데이터를 정답으로 하여 학습된 상태일 수 있다.
이상 설명한 인과 그래프 및 공정 데이터와 함께, 모델(110)을 사용하여 전자 장치(100)가 복수의 인자별로 배터리 성능에 미치는 영향 정보를 확인하는 일 실시예에 대해 이하 설명하도록 한다.
일 실시예에 따르면, 전자 장치(100)는, 인과 그래프에 기반하여, 복수의 공정변수 노드로부터 최종 생성물의 특성에 대응하는 물성 노드로 연결되는 복수의 경로를 확인할 수 있다. 일례로, 전자 장치(100)는 인과 그래프에 대해 가능한 모든 경로를 확인할 수도 있다. 일 실시예에 따르면, 전자 장치(100)는, 이와 같이 공정변수 노드로부터 최종 생성물의 특성에 대응하는 물성 노드로 연결되는 복수의 경로를, 깊이 우선 탐색(Depth First Search, DFS)를 통해 확인할 수 있다. 전술한 도 3의 예시에 대해 이와 같이 경로를 확인한 일 예시를 도 4를 참조하여 확인하도록 한다.
도 4를 참조하면, 도 3에서 설명했던 공정변수 노드(320) 중 하나인 노드(321)로부터 최종 생성물의 특성에 대응하는 FPP 노드(315)로 연결되는 제1경로의 예시(410)를 확인할 수 있다. 설명의 편의를 위해 도 4에 표시하지는 않았지만, 복수의 경로는 제1경로(410)와 유사하게 각각의 공정변수 노드(320), 즉 도 3의 (322 내지 329)로부터 FPP 노드(315)로 이어지는 경로를 포함할 수 있다. 설명의 편의 상, 이하 단락에서는 도 3의 (322 내지 329)로부터 FPP 노드(315)로 이어지는 각각의 경로를 제2 내지 제9경로로 설명하도록 한다.
이후, 전자 장치(100)는, 이와 같이 확인된 복수의 경로에 기반하여, 공정 데이터에 포함된 데이터 인스턴스의 데이터 중 적어도 일부를 조정하여 가상 데이터 인스턴스를 확인할 수 있다. 가상 데이터 인스턴스는, 데이터 인스턴스의 데이터 중 일부 인자에 대응하는 것은 그대로 사용하되, 나머지 인자에 대응하는 값은 배치(Batch, 본 개시에서는 공정 데이터) 내에서 랜덤 샘플링하여 확인되는 데이터일 수 있다. 전자 장치(100)는, 이와 같이 확인된 가상 데이터 인스턴스를 모델(110)에 입력하고, 이에 따라 가상 데이터 인스턴스에 대한 모델(110)의 출력을 분석하여 영향 정보를 확인할 수 있다. 이하 이와 같은 과정에 대해 더욱 구체적으로 설명하도록 한다.
일 실시예에 따르면, 전자 장치(100)는, 인과 그래프 상의 각각의 에지별로 영향 값을 확인할 수 있다. 여기서 에지는 단방향으로 이루어져 있으므로, 해당 에지의 영향 값은, 부모 노드에 대응하는 인자가 자식 노드에 대응하는 인자에 미치는 영향에 대한 수치를 의미할 수 있다. 일례로, 전자 장치(100)는, 전술한 도 3의 에지(330)의 영향 값을 계산함으로써, (321) 노드에 대응하는 공정변수의 설정이 (311) 노드에 대응하는 중간 생성물의 특성에 미치는 영향의 수치를 계산할 수 있는 것이다.
이와 같이 에지의 영향 값을 계산하기 위해, 전자 장치(100)는, 제1인자에 대응하는 제1노드 및 인과 그래프 상에서 제1노드의 자식 노드에 대응하는 제2노드 간의 에지를 포함하는 적어도 하나의 제1경로를 확인할 수 있다. 전술한 도 3의 에지(330)의 예를 들면, 이는 도 4의 제1경로(410)에 포함된 것일 수 있다. 본 예시에서는 해당 에지를 포함하는 경로가 하나뿐이지만, 다른 경우, 예를 들어 간의 에지를 포함하는 경로는 여러 개일 수 있을 것이다.
전자 장치(100)는, 제1경로에 기반하여, 적어도 하나의 제1가상 데이터 인스턴스를 확인할 수 있다. 여기서 일 실시예에 따른 제1가상 데이터 인스턴스의 확인 과정에 대해 설명하도록 한다.
일 실시예에 따르면, 전자 장치(100)는, 복수의 경로를 무작위로 나열한 복수의 순열을 확인할 수 있다. 예를 들어, 전술한 도 4의 예시에서, 전자 장치(100)는 제1 내지 제9경로를 무작위로 나열한 개의 순열을 확인할 수 있다. 이와 같은 순열을 모두 확인할 수도 있지만, 일부만을 샘플링하여 확인하는 실시예도 가능하다. 전자 장치(100)는, 각각의 순열별로, 전술한 제1경로보다 앞 순서에 위치하는 적어도 하나의 경로를 확인할 수 있다. 일례로, 어떤 순열이 [제2경로, 제3경로, 제1경로, 제4경로, ...]로 구성되어 있다면, 전자 장치(100)는, 해당 순열에 대해 제2경로 및 제3경로를 제1경로보다 앞 순서에 위치하는 적어도 하나의 경로로서 확인할 수 있다. 전자 장치(100)는, 복수의 순열별로, 전술한 제1경로보다 앞 순서에 위치하는 적어도 하나의 경로를 포함하는 제1부분집합 및 제1부분집합에 제1경로가 추가된 제2부분집합을 확인할 수 있다. 일례로, 전술한 예시에 대해 보면, 제1부분집합은 [제2경로, 제3경로]로 구성되고, 제2부분집합은 [제2경로, 제3경로, 제1경로]로 구성될 수 있다.
이후 전자 장치(100)는, 데이터 인스턴스의 데이터 중 제1부분집합에 대응하지 않는 노드의 데이터를 무작위 샘플링하여 조정함으로써 제1-1가상 데이터 인스턴스를 확인하고, 데이터 인스턴스의 데이터 중 제2부분집합에 대응하지 않는 노드의 데이터를 무작위 샘플링하여 조정함으로써 제1-2가상 데이터 인스턴스를 확인할 수 있다. 일례로, 전술한 예시를 도 4의 경로 예시와 조합하여 설명하면, [제2경로, 제3경로]로 이루어진 제1부분집합에 대해, 전자 장치(100)는, 각각의 데이터 인스턴스에 대해, 제1부분집합의 경로에 포함되는 노드들에 대한 값은 그대로 두고, 제1부분집합의 경로에 포함되지 않는 노드인 (321, 324, 325, 326, 327, 328, 329 및 312)의 값을 공정 데이터에 포함된 다른 데이터 인스턴스로부터 무작위 샘플링하여 제1-1가상 데이터 인스턴스를 확인할 수 있다. 일례로, 모든 데이터 인스턴스에 대해 이와 같은 무작위 샘플링 작업을 수행하여 제1-1가상 데이터 인스턴스를 확인할 수도 있고, 데이터 인스턴스 중 일부에 대하여만 이와 같은 작업을 수행하여 제1-1가상 데이터 인스턴스를 확인할 수도 있을 것이다. 제2부분집합에 대해서도 유사하게, 각각의 데이터 인스턴스에 대해 제2부분집합의 경로에 포함되는 노드에 대응하는 값들은 그대로 두고, 제2부분집합의 경로에 포함되지 않는 노드인(324, 325, 326, 327, 328, 329 및 312)에 대해 다른 데이터 인스턴스로부터 값을 무작위 샘플링함으로써 제1-2가상 데이터 인스턴스를 확인할 수 있다. 제1-2가상 데이터 인스턴스에 대해서도, 모든 데이터 인스턴스에 대해 이와 같은 무작위 샘플링 작업을 수행하여 제1-2가상 데이터 인스턴스를 확인할 수도 있고, 데이터 인스턴스 중 일부를 골라 이와 같은 작업을 수행하여 제1-2가상 데이터 인스턴스를 확인할 수도 있을 것이다.
일 실시예에 따르면, 전자 장치(100)는, 제1-1 및 제1-2가상 데이터 인스턴스를 모델(110)에 입력한 결과에 기반하여 제1-1 및 제1-2가치 정보를 확인할 수 있다. 구체적으로, 전자 장치(100)는, 제1-1가상 데이터 인스턴스를 모델(110)에 입력하여, 제1-1출력 정보를 확인할 수 있다. 이후, 전자 장치(100)는, 공정 데이터에 포함된, 조정되지 않은 원본의 데이터 인스턴스들을 모델(110)에 입력하여 확인된 출력 정보의 평균 정보와 제1-1출력 정보 간의 차이 정보를 확인하고, 이를 제1-1가치 정보로서 확인할 수 있다. 조정되지 않은 원본의 데이터 인스턴스들을 모델(110)에 입력하여 확인된 출력 정보의 평균 정보는 미리 계산된 것일 수 있다. 또한, 유사하게, 전자 장치(100)는, 제1-2가상 데이터 인스턴스를 모델(110)에 입력하여, 제1-2출력 정보를 확인할 수 있다. 이후, 전자 장치(100)는, 공정 데이터에 포함된, 조정되지 않은 원본의 데이터 인스턴스들을 모델(110)에 입력하여 확인된 출력 정보의 평균 정보와 제1-2출력 정보 간의 차이 정보를 확인하고, 이를 제1-2가치 정보로서 확인할 수 있다.
일 실시예에 따르면, 전자 장치(100)는, 제1-1 및 제1-2가치 정보 간의 차이 정보를 계산할 수 있다. 전술한 제1부분집합 및 제2부분집합, 제1-1 및 제1-2가상 데이터 인스턴스는 각 순열별로 확인되므로, 제1-1 및 제1-2가치 정보도 각 순열별로 확인될 수 있다. 전자 장치(100)는, 각 순열별로 확인된 제1-1 및 제1-2가치 정보 간의 차이 정보를 계산할 수 있다. 이후, 전자 장치(100)는, 제1-1 및 제1-2가치 정보 간의 차이 정보의 평균 정보를 계산할 수 있고, 이를 제1경로에 대한 제1가치 정보로서 확인할 수 있다. 즉, 전술한 예시와 관련하여 다시 설명하면, 전자 장치(100)는, [제2경로, 제3경로]로 이루어진 제1부분집합에 대한 제1-1가치 정보와, [제2경로, 제3경로, 제1경로]로 이루어진 제2부분집합에 대한 제1-2가치 정보 간의 차이 정보를 계산할 수 있다. 이에 따라, 해당 순열에 대한 제1-1 및 제1-2가치 정보 간의 차이 정보가 계산될 수 있고, 이와 유사한 방식으로 각 순열에 대한 제1-1 및 제1-2가치 정보 간의 차이 정보가 계산되면, 이와 같은 차이 정보의 평균이 제1경로에 대한 제1가치 정보로서 확인될 수 있다. 이상 설명한 방식은, 차후 수학식과 함께 더욱 자세히 설명하겠지만, 데이터 인스턴스를 입력받아 모델(110)이 최종 생성물의 특성을 출력할 때, 제1경로에 포함된 값들이 얼마나 기여했는지 여부를 확인하기에 적합한 방식일 수 있다.
일 실시예에 따르면, 전자 장치(100)는, 제1 및 제2노드 간의 에지를 포함하는 제1경로에 대한 제1가치 정보의 합계 정보에 기반하여, 제1인자의 제2인자에 대한 제1영향 값을 확인할 수 있다. 전술한 도 3의 예시에 따른 에지(330)는 도 4의 제1경로(410), 즉 단 하나의 경로에 포함된 것이기 때문에, 해당 제1경로(410)에 대한 제1가치 정보를 그대로 제1인자의 제2인자에 대한 제1영향 값으로서 확인할 수 있다. 하지만, 이와 달리, 도 4에서 및 를 잇는 에지는 제1 내지 제9경로에 모두 포함되므로, 제1 내지 제9경로의 가치 정보의 합계가 해당 에지, 즉 중간 생성물의 에 대한 영향 값으로 계산될 수 있다. 또다른 예시를 들면, 도 4에서 및 을 잇는 에지는 제5 및 제6경로에 포함되므로, 제5 및 제6경로의 가치 정보의 합계가 해당 에지, 즉 중간 생성물의 중간 생성물에 대한 영향 값으로 계산될 수 있다.
이상 설명한 일련의 영향 값 계산 과정을 수학식 1 내지 3을 통해 이하 설명하도록 한다. 먼저, 가치 정보를 계산하는 함수와 관련된 수학식 1을 먼저 설명하도록 한다.
수학식 1에서, 는 전술한 복수의 순열을 포함하는 집합을 의미하고, 는 에 포함된 어느 하나의 순열을 의미할 수 있다. 또한,는 제1경로, 는 순열 내에서 경로 의 순서를 의미할 수 있다. 이와 같은 정의에 비추어 보면, 는 해당 순열 내에서 제1경로와 순서가 같거나 빠른 경로를 원소로 포함하는 집합으로서 전술한 제2부분집합을 의미하고, 는 해당 순열 내에서 제1경로보다 순서가 빠른 경로를 원소로 포함하는 집합으로서 전술한 제1부분집합을 의미한다는 점을 이해할 수 있다. 또한 는 가치 정보를 계산하는 함수로서, 전술한 바와 같이, 적어도 하나의 경로를 포함하는 부분집합을 입력으로 받아, 데이터 인스턴스에서 해당 경로에 포함되는 노드에 대응하는 값은 그대로 두고, 해당 경로에 포함되지 않는 노드에 대응하는 인자의 값들은 공정 데이터의 다른 데이터 인스턴스들로부터 무작위 샘플링하여 모델(110)에 입력하였을 때의 출력 정보의 평균과 공정 데이터의 전체 데이터 인스턴스를 모델(110)에 입력하였을 때의 출력 정보의 평균 간의 차이 정보를 출력하는 함수일 수 있다. 는 수학식 2의 와 취지가 동일한 함수인데, 다만 이하 설명할 바와 같이 입력 값의 형식이 조금 다른 것이다.
수학식 2에서, 는 적어도 하나의 노드를 포함하는 집합(또는 연합체, Coalition)을 나타내고, 는 개의 전체 인자에 대응하는 각각의 값을 의미할 수 있으며, 는 집합 에 포함되지 않은 변수들의 가능한 조합에 대해 , 즉 모델(110)에 대응하는 함수를 적분하겠다는 의미로, 집합 에 포함되지 않은 변수들을 무작위 샘플링한 데이터 인스턴스를 모델(110)에 입력한 결과의 평균과 동치인 것으로 이해할 수 있다. 는 공정 데이터 전체 집합 X에 대한 모델(110) 출력 정보의 평균을 의미할 수 있다. 이상 수학식 2에 대해 해석한 내용에서 확인할 수 있듯이, v는 노드를 포함하는 집합을 입력으로 받고, 는 경로를 포함하는 집합을 입력으로 받는다는 점에서 의미가 약간 다르지만, 통상의 기술자가 수학식 2로부터 경로를 포함하는 집합을 입력으로 받는 에 대해 이해할 수 있을 것으로 본다.
수학식 3에서, 는 인과 그래프 의 전술한 복수의 순열을 의미할 수 있으며, 는 경로 가 에지 를 포함하는 경우에만 1의 값을 가지고, 포함하지 않는 경우에는 0을 가지는 함수일 수 있다. 는 경로 에 대한 가치 정보를 의미할 수 있다. 이와 같은 수학식 3에 따르면, 는 에지 를 포함하는 모든 경로 에 대한 가치 정보의 합계 정보를 출력 값으로 가지며, 이는 전술한 에지 의 영향 값에 대해 설명한 정의와 동일하다.
이상 설명한 수학식에 따른 영향 값의 계산 방식은 Shapley Value를 계산하는 방식으로부터 응용된 것으로, Shapely Value는 게임이론에서 유래된, 각 참여자의 공평한 기여도를 평가하기 위해 사용되는 값이다. 즉, 각 에지의 영향 값은, Shapley Value와 유사한 취지로 각 에지의 기여도를 평가한 수치라고 이해될 수 있다.
이상 설명한 실시예에 따라 각 에지별로, 즉 에지를 통해 연결된 각각의 부모 노드에 대응하는 인자의 자식 노드에 대응하는 인자에 대한 영향 값이 계산되면, 전자 장치(100)는, 이를 포함하는 행렬을 확인할 수 있다. 일례로, 전자 장치(100)는, 제1축의 제1좌표에 대응하는 제1인자의, 제2축의 제2좌표에 대응하는 제2인자에 대한 영향 값을 각각의 성분으로 포함하는 행렬을 확인할 수 있다. 제1축의 제1좌표에 대응하는 제1인자의, 제2축의 제2좌표에 대응하는 제2인자에 대한 영향 값을 성분으로 포함하는 것이기 때문에, 행렬은 삼각 행렬의 형태를 갖게 되며, 대각 성분과, 서로 직접 연결되지 않은 노드 간의 영향 값을 나타내는 성분은 자동으로 0으로 입력될 수 있다. 이와 같은 예시에 대해 설명하기 위해 도 5를 참조하도록 한다.
도 5는 일 실시예에 따른 영향 값을 포함하는 행렬의 일 예시를 나타낸 도면이다.
도 5를 참조하면, 행렬은 부모 노드에 대응하는 세로 축과 자식 노드에 대응하는 가로 축을 포함할 수 있으며, 각 성분은, 해당 성분의 세로 축의 좌표에 대응하는 인자의 가로 축의 좌표에 대응하는 인자에 대한 영향 값을 의미할 수 있다. 예를 들어, 예시 성분(501)은, 인자의 인자에 대한 영향 값을 의미할 수 있다. 도 5의 예시에서는 제1축이 세로축, 제2축이 가로축에 대응할 수 있다.
일 실시예에 따르면, 전자 장치(100)는, 전술한 행렬에 기반하여, 복수의 인자의 최종 생성물의 특성에 대한 직접 영향 정보 및 간접 영향 정보를 포함하는 영향 정보를 확인할 수 있다.
먼저, 직접 영향 정보에 대해 설명하면, 전자 장치(100)는, 행렬 상에서 최종 생성물의 특성에 대응하는 노드와 직접 연결된 적어도 하나의 노드에 대응하는 적어도 하나의 인자의 영향 값을 확인할 수 있다. 일례로, 전술한 도 3의 예시에 따르면, 전자 장치(100)는, 및 의 에 대한 영향 값을 확인할 수 있다. 전자 장치(100)는, 이와 같이 확인된 적어도 하나의 영향 값에 기반하여 직접 영향 정보를 확인할 수 있다. 전술한 직접 연결된 적어도 하나의 노드에 대응하는 적어도 하나의 인자의 영향 값은 행렬을 통해 용이하게 확인할 수 있다. 즉, 전자 장치(100)는, 행렬의 자식 노드에 대응하는 제2축 상에서 최종 생성물의 특성에 대응하는 좌표를 확인하고, 제2축에 대해 해당 최종 생성물의 특성에 대응하는 좌표를 가지면서 제1축과 평행한 행렬 상의 벡터를 확인하고, 해당 벡터에 기반하여 전술한 직접 연결된 적어도 하나의 노드에 대응하는 적어도 하나의 인자의 영향 값을 확인할 수 있다. 더욱 구체적으로는, 확인된 행렬 상의 벡터에 포함된 성분들을 전술한 직접 연결된 적어도 하나의 노드에 대응하는 적어도 하나의 인자의 영향 값으로서 확인할 수 있다. 이와 같은 벡터의 일 예시를 살피기 위해 도 6을 참조하도록 한다.
도 6은 일 실시예에 따른 행렬을 이용해 직접 영향 정보를 확인하는 예시를 나타낸 도면이다.
도 6을 참조하면, 전자 장치(100)는, FPP에 대응하는 제2축 상의 좌표가 오른쪽 끝의 좌표라는 점을 확인하고, 해당 좌표를 가지며 제1축과 평행한 벡터(600)를 확인할 수 있다. 전자 장치(100)는, 벡터(600)에 포함된 값들을 직접 연결된 적어도 하나의 노드에 대응하는 적어도 하나의 인자의 영향 값으로서 확인할 수 있다.
다음으로, 간접 영향 정보에 대해 설명하면, 전자 장치(100)는, 행렬 상에서 각각의 공정변수 노드에 대응하는 인자별로 영향 값의 합계 정보를 확인할 수 있다. 그리고, 합계 정보에 기반하여, 각각의 공정변수 노드에 대응하는 인자별로 간접 영향 정보를 확인할 수 있다. 일례로, 전술한 도 3의 예시에 따르면, 전자 장치(100)는, 각각의 인자별로 영향 값의 합계 정보를 확인할 수 있다. 전자 장치(100)는, 이와 같이 각각의 인자별로 확인된 적어도 하나의 영향 값의 합계 정보에 기반하여 간접 영향 정보를 확인할 수 있다. 전술한 각각의 공정변수 노드에 대응하는 인자별 영향 값은 행렬을 통해 용이하게 확인할 수 있다. 일례로, 전자 장치(100)는, 행렬에서 부모 노드에 대응하는 제1축 상에서 공정변수별로 대응하는 각각의 좌표를 확인할 수 있다. 전자 장치(100)는, 제1축에 대해 공정변수별로 대응하는 각각의 좌표를 가지고 제2축과 평행한 행렬 상의 각각의 벡터를 확인할 수 있다. 전자 장치(100)는, 각각의 벡터에 포함된 영향 값들의 각각의 합계 정보를 각각의 공정변수 노드에 대응하는 인자별로 확인하고, 합계 정보에 기반하여 간접 영향 정보를 확인할 수 있다. 이와 같은 벡터의 일 예시를 살피기 위해 도 7을 참조하도록 한다.
도 7은 일 실시예에 따른 행렬을 이용해 간접 영향 정보를 확인하는 예시를 나타낸 도면이다.
도 7을 참조하면, 전자 장치(100)는, 각각의 공정변수 노드들, 즉 PP에 대응하는 제1축 상의 좌표들을 확인하고, 해당 좌표를 가지며 제2축과 평행한 벡터들(700)을 확인할 수 있다. 전자 장치(100)는, 벡터들(700)에 포함된 값들을 벡터별로 합함으로써, 각각의 공정변수별로 간접 영향 정보를 확인할 수 있다. 도 7에서, 제2축과 평행한 벡터들(700)이, 해당 좌표를 가지는 행 전체가 아니라 일부에만 해당하는 것처럼 표시되어 있는데, 이는 PP, 즉 공정변수 노드들 간에는 서로 영향을 미치지 않기 때문에 0으로 설정되어 있을 것인바 PP들 간의 영향 값과 관련된 부분은 포함하든 포함하지 않든 결과는 동일하기 때문이다.
일 실시예에 따르면, 전자 장치(100)는, 이상 설명한 일 실시예에 따라 직접 및 간접 영향 정보를 확인하고, 이를 그래프화할 수 있다. 이와 같이 그래프화된 직접 및 간접 영향 정보의 일 예시를 살피기 위해 도 8a 및 8b를 참조하도록 한다.
도 8a 및 8b는 일 실시예에 따른 직접 및 간접 영향 정보를 나타낸 그래프이다.
도 8a는 직접 영향 정보를 나타낸 그래프로서, 세로축은 각각의 인자를 나타내고, 가로축과 평행한 막대그래프를 통해 최종 생성물의 특성에 대한 각 인자의 직접 영향값을 확인할 수 있다. 세로축의 각 인자에서 접두어로 X가 붙어 있는 인자들, 예를 들어 등은 공정변수를 의미하고, 접두어로 Y가 붙어 있는 인자들, 예를 들어 등은 중간 생성물의 특성을 의미할 수 있다.
도 8b는 간접 영향 정보를 나타낸 그래프로서, 세로축은 각각의 인자를 나타내고, 가로축과 평행한 막대그래프를 통해 각 공정변수의 간접 영향값을 확인할 수 있다. 간접 영향 정보이기 때문에, 도 8a와 달리 접두어로 Y가 붙어 있는 중간 생성물의 특성은 존재하지 않음을 확인할 수 있다.
도 8a와 도 8b를 비교하면, 직접 영향 정보에는 가 존재하지 않지만, 간접 영향 정보에는 가 3위의 높은 순위로 존재하는 것을 확인할 수 있다. 이는 가 최종 직전의 중간 생성물로부터 최종 생성물을 생성하는 과정에서 주로 작용하는 공정변수가 아니기 때문에 직접 영향력이 다소 적지만, 그 이전의 중간 생성물들에 대한 영향력이 크다는 것을 의미할 수 있다. 이와 유사하게, 직접 영향 정보에는 포함되지 않으나 간접 영향 정보에서 적지 않은 비중을 차지하는 인자로 및 가 있다. 이와 같이 직접 영향 정보와 간접 영향 정보가 서로 약간 다른 인자에 대한 정보를 보여준다는 점에서, 다르게 사용될 여지가 있다.
일 실시예에 따르면, 전자 장치(100)는, 직접 영향 정보에 기반하여, 중간 생성물의 특성을 제어할 수 있도록 지원할 수 있다. 구체적으로, 직접 영향 정보는, 중간 생성물들을 분석하고, 이들을 조절하여 효율적으로 셀 설계를 하고자 하는 제품 디자이너에 의해 유익하게 사용될 수 있다. 이에 따라 전자 장치(100)는 직접 영향 정보를 제품 디자이너 단말에 제공함으로써 제품 디자이너들이 중간 생성물들을 조절하여 셀 설계를 수행할 수 있도록 지원할 수 있다.
일 실시예에 따르면, 전자 장치(100)는, 간접 영향 정보에 기반하여, 공정변수를 세부 공정별로 제어할 수 있도록 지원할 수 있다. 구체적으로, 간접 영향 정보는, 각각의 세부 공정들과 관련된 공정변수를 효율적으로 설정하여 품질을 제어하고자 하는 공정 운영자들에 의해 유익하게 사용될 수 있다. 이에 따라 전자 장치(100)는, 간접 영향 정보를 공정 운영자 단말에 제공함으로써 공정 운영자들이 공정변수를 효율적으로 제어하여 좋은 셀 품질을 확보할 수 있도록 지원할 수 있다.
일 실시예에 따르면, 전자 장치(100)는, 추가적인 분석 정보도 확인할 수 있다. 구체적으로, 전자 장치(100)는, 영향 정보에 기반하여, 복수의 인자별로 직접 영향 정보 및 간접 영향 정보의 값의 비율을 나타내는 기여 비율 정보를 확인할 수 있다. 즉, 전자 장치(100)는 각각의 인자에 대해 직접 영향 정보가 나타내는 값과 간접 영향 정보가 나타내는 값을 합친 후 각각의 값을 합으로 나누어 각각의 인자가 배터리 제조 공정 전반에 미치는 영향력 중 직접 영향력이 얼마의 비율이고 간접 영향력이 얼마의 비율인지를 계산함으로써 기여 비율 정보를 확인할 수 있다. 이와 같은 기여 비율 정보의 일 예시를 살피기 위해 도 9를 참조하도록 한다.
도 9는 일 실시예에 따른 기여 비율 정보의 예시 도면이다.
도 9를 참조하면, 공정변수의 경우 직접 영향 정보의 비율이 압도적으로 높고, 및 공정변수의 경우 간접 영향 정보의 비율이 압도적으로 높은 것을 확인할 수 있다. 이와 같은 기여 비율 정보에 분석하여, 관리자들은 의 영향력이 잘 반영되는 중간 생성물 특성이 존재하지 않는다는 점과, 및 은 반대로 이와 연결된 중간 생성물 특성에 큰 영향을 미칠 수 있다는 점을 확인할 수 있다. 또한, 추가적인 예로, 관리자들은, 인과 그래프 상에서 및 에 대응하는 노드가 같은 중간 생성물 특성에 대응하는 노드와 연결된 경우라면, 및 을 조절하여 해당 중간 생성물 특성을 제어할 수 있을 것임을 분석할 수 있을 것이다.
이상 설명한 배터리 성능영향인자의 분석 방법을 수행하기 위해 사용되는 모델(110)은, 전자 장치(100)에 의해 학습된 것일 수도 있고, 이미 학습이 완료된 모델이 전자 장치(100)에 입력된 것일 수도 있다. 전자 장치(100)에 의해 모델(110)이 학습되는 일 예시에 대해 이하 설명하도록 한다.
일 실시예에 따르면, 전자 장치(100)는, 전술한 공정 데이터를 데이터 인스턴스별로 모델(110)에 입력할 수 있다. 전자 장치(100)는, 데이터 인스턴스별로 확인된 최종 생성물의 특성에 대응하는 실제 데이터와 모델(110)의 출력을 비교한 결과를 확인할 수 있다. 이후, 전자 장치(100)는, 이와 같은 비교 결과에 기반하여 모델(110)을 학습할 수 있다. 일례로, 모델(110)이 DNN을 활용해 구축된 것이라면, 전자 장치(100)는 전술한 비교 결과에 기반하여 손실함수를 계산하고, 손실을 역전파함으로써 모델(110)을 학습할 수 있다.
도 10는 일 실시예에 따른 전자 장치의 블록도를 나타낸다.
전자 장치(100)는 일 실시예에 따라, 메모리(101) 및 프로세서(processor)(102)를 포함할 수 있다. 도 10에 도시된 전자 장치(100)는 본 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 10에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다. 일 실시예에서 프로세서(102)는 제어부(controller)에 포함될 수 있다.
프로세서(102)는 전자 장치(100)의 전반의 동작을 제어하고 데이터 및 신호를 처리할 수 있다. 프로세서(102)는 적어도 하나의 하드웨어 유닛으로 구성될 수 있다. 또한, 프로세서(102)는 메모리(101)에 저장된 프로그램 코드를 실행하여 생성되는 하나 이상의 소프트웨어 모듈에 의해 동작할 수 있다. 프로세서(102)는 메모리를 포함할 수 있는 바, 프로세서(102)는 메모리에 저장된 프로그램 코드를 실행하여 전자 장치(100)의 전반의 동작을 제어하고 데이터 및 신호를 처리할 수 있다.
프로세서(102)는 하나 이상의 인스트럭션을 수행함으로써, 배터리 제조 공정과 관련된 복수의 인자 간의 관계를 나타내는 인과 그래프 및 배터리 제조 공정의 각 시행별로 확인된 복수의 인자에 대한 데이터를 각각의 데이터 인스턴스로서 포함하는 공정 데이터를 확인하고, 인과 그래프, 공정 데이터 및 공정 데이터를 입력받아 배터리 제조 공정의 최종 생성물의 특성을 예측하도록 학습된 모델에 기반하여, 복수의 인자별로 최종 생성물의 특성에 미치는 영향 정보를 확인하도록 설정될 수 있다.
실시예에 따라서는, 전자 장치(100)는 유/무선 통신을 수행하기 위한 트랜시버(transceiver)를 추가로 포함할 수 있다. 전자 장치(100)는 트랜시버를 이용하여 외부의 전자 장치와 통신할 수 있다. 외부의 전자 장치는 단말 또는 서버가 될 수 있다. 또한, 트랜시버가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth쪠), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있을 수 있다.
전술한 실시예들에 따른 전자 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-Access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독 가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 실시예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 실시예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "매커니즘", "요소", "수단", "구성"과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
전술한 실시예들은 일 예시일 뿐 후술하는 청구항들의 범위 내에서 다른 실시예들이 구현될 수 있다.

Claims (20)

  1. 전자 장치의 배터리 성능영향인자 분석 방법에 있어서,
    배터리 제조 공정과 관련된 복수의 인자 간의 관계를 나타내는 인과 그래프 및 상기 배터리 제조 공정의 시행별로 확인된 상기 복수의 인자에 대한 데이터를 각각의 데이터 인스턴스로서 포함하는 공정 데이터를 확인하는 단계; 및
    상기 인과 그래프, 상기 공정 데이터 및 상기 공정 데이터를 입력받아 상기 배터리 제조 공정의 최종 생성물의 특성을 예측하도록 학습된 모델에 기반하여, 상기 복수의 인자별로 상기 최종 생성물의 특성에 미치는 영향 정보를 확인하는 단계를 포함하되,
    상기 인과 그래프는,
    상기 배터리 제조 공정에 포함된 각 세부 공정의 순서에 대응하는 단방향으로 연결된, 상기 세부 공정별로 생성되는 중간 생성물 및 상기 최종 생성물의 특성에 각각 대응하는 물성 노드; 및
    각각의 상기 물성 노드를 향하여 단방향으로 연결된, 각각의 상기 물성 노드에 대응하는 각각의 상기 세부 공정에서 제어되는 공정변수에 대응하는 복수의 공정변수 노드를 포함하는 그래프를 나타내는, 배터리 성능영향인자 분석 방법.
  2. 제1항에 있어서,
    상기 인과 그래프에 기반하여, 상기 복수의 공정변수 노드로부터 상기 최종 생성물의 특성에 대응하는 물성 노드로 연결되는 복수의 경로를 확인하는 단계; 및
    상기 확인된 복수의 경로에 기반하여, 상기 공정 데이터에 포함된 상기 데이터 인스턴스의 데이터 중 적어도 일부를 조정하여 가상 데이터 인스턴스를 확인하는 단계;
    상기 가상 데이터 인스턴스를 상기 모델에 입력하는 단계; 및
    상기 가상 데이터 인스턴스에 대한 상기 모델의 출력을 분석하여, 상기 영향 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  3. 제2항에 있어서,
    상기 가상 데이터 인스턴스를 확인하는 단계는,
    상기 복수의 경로에 기반하여, 제1인자에 대응하는 제1노드 및 상기 인과 그래프 상에서 상기 제1노드의 자식 노드에 대응하는 제2노드 간의 에지를 포함하는 적어도 하나의 제1경로를 확인하는 단계; 및
    상기 적어도 하나의 제1경로에 기반하여 적어도 하나의 제1가상 데이터 인스턴스를 확인하는 단계를 포함하고,
    상기 영향 정보를 확인하는 단계는,
    상기 제1가상 데이터 인스턴스 및 상기 모델에 기반하여, 상기 제1경로에 대한 제1가치 정보를 확인하는 단계; 및
    상기 제1가치 정보에 기반하여, 상기 제2노드에 대응하는 제2인자에 대한 상기 제1인자의 영향 값을 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  4. 제3항에 있어서,
    상기 적어도 하나의 제1가상 데이터 인스턴스를 확인하는 단계는,
    상기 복수의 경로를 무작위로 나열한 복수의 순열 내에서 상기 적어도 하나의 제1경로보다 앞 순서에 위치하는 적어도 하나의 경로를 확인하는 단계;
    상기 복수의 순열별로, 상기 적어도 하나의 제1경로보다 앞 순서에 위치하는 상기 적어도 하나의 경로를 포함하는 제1부분집합 및 상기 제1부분집합에 상기 제1경로가 추가된 제2부분집합을 확인하는 단계; 및
    상기 데이터 인스턴스의 데이터 중 상기 제1부분집합에 대응하지 않는 노드의 데이터를 무작위 샘플링하여 조정함으로써 제1-1가상 데이터 인스턴스를 확인하고, 상기 데이터 인스턴스의 데이터 중 상기 제2부분집합에 대응하지 않는 노드의 데이터를 무작위 샘플링하여 조정함으로써 제1-2가상 데이터 인스턴스를 확인하는 단계를 포함하고,
    상기 제1경로에 대한 제1가치 정보를 확인하는 단계는,
    상기 복수의 순열별로 확인된 상기 제1-1 및 제1-2가상 데이터 인스턴스를 상기 모델에 입력한 결과에 기반하여 제1-1 및 제1-2가치 정보를 확인하는 단계; 및
    상기 제1-1 및 제1-2가치 정보 간의 차이 정보에 기반하여 상기 제1가치 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  5. 제4항에 있어서,
    상기 제1가치 정보를 확인하는 단계는,
    상기 복수의 순열별로 확인된 상기 제1-1 및 제1-2가치 정보 간의 상기 차이 정보의 평균 정보에 기반하여 상기 제1경로에 대한 제1가치 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  6. 제4항에 있어서,
    상기 제1가치 정보를 확인하는 단계는,
    상기 제1-1가상 데이터 인스턴스를 상기 모델에 입력하여, 제1-1출력 정보를 확인하는 단계; 및
    상기 조정되지 않은 데이터 인스턴스를 상기 모델에 입력하여 확인된 출력 정보의 평균 정보와 상기 제1-1출력 정보 간의 차이 정보에 기반하여 상기 제1-1가치 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  7. 제3항에 있어서,
    상기 제1인자의 영향 정보를 확인하는 단계는,
    상기 제1 및 제2노드 간의 에지를 포함하는 상기 제1경로에 대한 상기 제1가치 정보의 합계 정보에 기반하여, 상기 제1인자의 상기 제2인자에 대한 제1영향 값을 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  8. 제1항에 있어서,
    상기 영향 정보를 확인하는 단계는,
    제1축의 제1좌표에 대응하는 제1인자의, 제2축의 제2좌표에 대응하는 제2인자에 대한 영향 값을 각각의 성분으로 포함하는 행렬을 확인하는 단계;
    상기 행렬에 기반하여, 상기 복수의 인자의 상기 최종 생성물의 특성에 대한 직접 영향 정보 및 간접 영향 정보를 포함하는 상기 영향 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  9. 제8항에 있어서,
    상기 영향 정보를 확인하는 단계는,
    상기 행렬 상에서 상기 최종 생성물의 특성에 대응하는 노드와 직접 연결된 적어도 하나의 노드에 대응하는 적어도 하나의 인자의 영향 값을 확인하는 단계; 및
    상기 적어도 하나의 인자의 영향 값에 기반하여 상기 직접 영향 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  10. 제9항에 있어서,
    상기 적어도 하나의 인자의 영향 값을 확인하는 단계는,
    상기 제2축 상에서 상기 최종 생성물의 특성에 대응하는 좌표를 확인하는 단계;
    상기 제2축에 대해 상기 최종 생성물의 특성에 대응하는 좌표를 가지고 상기 제1축과 평행한 상기 행렬 상의 벡터를 확인하는 단계; 및
    상기 벡터에 기반하여 상기 적어도 하나의 인자의 영향 값을 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  11. 제8항에 있어서,
    상기 영향 정보를 확인하는 단계는,
    각각의 상기 공정변수 노드에 대응하는 인자별로 영향 값의 합계 정보를 확인하는 단계; 및
    상기 합계 정보에 기반하여, 각각의 상기 공정변수 노드에 대응하는 인자별로 상기 간접 영향 정보를 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  12. 제11항에 있어서,
    상기 합계 정보를 확인하는 단계는,
    상기 제1축 상에서 상기 공정변수별로 대응하는 각각의 좌표를 확인하는 단계;
    상기 제1축에 대해 상기 공정변수별로 대응하는 각각의 좌표를 가지고 상기 제2축과 평행한 상기 행렬 상의 각각의 벡터를 확인하는 단계; 및
    상기 각각의 벡터에 포함된 영향 값들의 각각의 합계 정보를 각각의 상기 공정변수 노드에 대응하는 인자별로 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  13. 제8항에 있어서,
    상기 영향 정보에 기반하여, 상기 복수의 인자별로 상기 직접 영향 정보 및 상기 간접 영향 정보의 값의 비율을 나타내는 기여 비율 정보를 확인하는 단계를 더 포함하는, 배터리 성능영향인자 분석 방법.
  14. 제8항에 있어서,
    상기 직접 영향 정보에 기반하여, 상기 중간 생성물의 특성을 제어할 수 있도록 지원하는 단계를 더 포함하는, 배터리 성능영향인자 분석 방법.
  15. 제8항에 있어서,
    상기 간접 영향 정보에 기반하여, 상기 공정변수를 상기 세부 공정별로 제어할 수 있도록 지원하는 단계를 더 포함하는, 배터리 성능영향인자 분석 방법.
  16. 제1항에 있어서,
    상기 인과 그래프 및 상기 공정 데이터를 확인하는 단계는,
    상기 배터리 제조 공정의 각 시행별로 확인된 전체 공정 데이터를 확인하는 단계;
    상기 전체 공정 데이터에 기반하여, 상기 배터리 제조 공정의 전체 인자 간의 상관계수를 계산하는 단계;
    상기 전체 인자 중 상기 상관계수가 임계치 이상인 인자 중 적어도 일부를 필터링함으로써 상기 복수의 인자를 확인하는 단계; 및
    상기 전체 공정 데이터 중, 상기 복수의 인자에 대응하는 데이터 중 적어도 일부를 상기 공정 데이터로서 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  17. 제16항에 있어서,
    상기 전체 공정 데이터 중, 상기 복수의 인자에 대응하는 데이터 중 적어도 일부를 상기 공정 데이터로서 확인하는 단계는,
    상기 전체 공정 데이터에 포함된 데이터 인스턴스 중, 상기 최종 생성물의 특성의 측정 온도가 유효 온도 범위에 대응하는 데이터 인스턴스를 상기 공정 데이터로서 확인하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  18. 제1항에 있어서,
    상기 공정 데이터를 상기 데이터 인스턴스별로 상기 모델에 입력하는 단계; 및
    상기 데이터 인스턴스별로 확인된 상기 최종 생성물의 특성에 대응하는 실제 데이터와 상기 모델의 출력을 비교한 결과에 기반하여 상기 모델을 학습하는 단계를 포함하는, 배터리 성능영향인자 분석 방법.
  19. 제1항 내지 제18항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한, 컴퓨터로 읽을 수 있는 비일시적 기록매체.
  20. 배터리 성능영향인자를 분석하는 전자 장치로서,
    프로세서; 및
    하나 이상의 인스트럭션을 저장하는 메모리를 포함하고,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 수행함으로써,
    배터리 제조 공정과 관련된 복수의 인자 간의 관계를 나타내는 인과 그래프 및 상기 배터리 제조 공정의 각 시행별로 확인된 상기 복수의 인자에 대한 데이터를 각각의 데이터 인스턴스로서 포함하는 공정 데이터를 확인하고, 상기 인과 그래프, 상기 공정 데이터 및 상기 공정 데이터를 입력받아 상기 배터리 제조 공정의 최종 생성물의 특성을 예측하도록 학습된 모델에 기반하여, 상기 복수의 인자별로 상기 최종 생성물의 특성에 미치는 영향 정보를 확인하도록 설정되되,
    상기 인과 그래프는,
    상기 배터리 제조 공정에 포함된 각 세부 공정의 순서에 대응하는 단방향으로 연결된, 상기 세부 공정별로 생성되는 중간 생성물 및 상기 최종 생성물의 특성에 각각 대응하는 물성 노드; 및
    각각의 상기 물성 노드를 향하여 단방향으로 연결된, 각각의 상기 물성 노드에 대응하는 각각의 상기 세부 공정에서 제어되는 공정변수에 대응하는 복수의 공정변수 노드를 포함하는 그래프를 나타내는, 전자 장치.
PCT/KR2025/006405 2024-06-26 2025-05-12 전자 장치 및 그의 배터리 성능영향인자 분석 방법 Pending WO2026005274A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020240083788A KR20260000891A (ko) 2024-06-26 2024-06-26 전자 장치 및 그의 배터리 성능영향인자 분석 방법
KR10-2024-0083788 2024-06-26

Publications (1)

Publication Number Publication Date
WO2026005274A1 true WO2026005274A1 (ko) 2026-01-02

Family

ID=98222432

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2025/006405 Pending WO2026005274A1 (ko) 2024-06-26 2025-05-12 전자 장치 및 그의 배터리 성능영향인자 분석 방법

Country Status (2)

Country Link
KR (1) KR20260000891A (ko)
WO (1) WO2026005274A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150018681A (ko) * 2013-08-08 2015-02-24 국립대학법인 울산과학기술대학교 산학협력단 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법
KR20240024694A (ko) * 2022-08-17 2024-02-26 주식회사 엘지에너지솔루션 배터리 제조 공정 관리 시스템 및 이의 동작 방법
WO2024077587A1 (zh) * 2022-10-14 2024-04-18 宁德时代新能源科技股份有限公司 电池性能预测方法与电池性能分布预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150018681A (ko) * 2013-08-08 2015-02-24 국립대학법인 울산과학기술대학교 산학협력단 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법
KR20240024694A (ko) * 2022-08-17 2024-02-26 주식회사 엘지에너지솔루션 배터리 제조 공정 관리 시스템 및 이의 동작 방법
WO2024077587A1 (zh) * 2022-10-14 2024-04-18 宁德时代新能源科技股份有限公司 电池性能预测方法与电池性能分布预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIAXUAN WANG; JENNA WIENS; SCOTT LUNDBERG: "Shapley Flow: A Graph-based Approach to Interpreting Model Predictions", ARXIV.ORG, 26 February 2021 (2021-02-26), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081885405 *
MICHAEL KIRCHHOF; KLAUS HAAS; THOMAS KORNAS; SEBASTIAN THIEDE; MARIO HIRZ; CHRISTOPH HERMANN: "Root Cause Analysis in Lithium-Ion Battery Production with FMEA-Based Large-Scale Bayesian Network", ARXIV.ORG, 1 January 1900 (1900-01-01), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081692314 *

Also Published As

Publication number Publication date
KR20260000891A (ko) 2026-01-05

Similar Documents

Publication Publication Date Title
WO2023287064A1 (ko) 이상 데이터 자동 검출 및 자동 라벨링 기술을 이용한 학습 데이터베이스 구축 방법 및 시스템
EP4037286A1 (en) Method and apparatus for predicting fault of optical module
WO2018101722A2 (ko) 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
WO2021075742A1 (ko) 딥러닝 기반의 가치 평가 방법 및 그 장치
WO2022092521A1 (ko) 복수의 모델들 중 어느 하나의 모델을 이용하여 기지국의 네트워크의 상태를 조정하기 위한 상태 제어 파라미터를 제어하는 방법 및 이를 수행하는 전자 장치
WO2019132299A1 (ko) 클라우드 시스템에서의 우선 순위 기반 자원 스케일링 시스템, 장치 및 방법
WO2011065660A4 (ko) 계산 시뮬레이션 모사 시스템 및 그 방법
WO2025135535A1 (ko) 사출 충전 예측 시뮬레이션 서비스를 운영하는 방법과 시스템 및 이 서비스를 운영하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
CN115223005A (zh) 一种光交接箱资源确认方法及系统
WO2019112380A1 (ko) 스마트 팩토리 레이아웃 효율성 평가 방법 및 시스템
Hou Time parameters shape the controllability of temporally switching networks
WO2026005274A1 (ko) 전자 장치 및 그의 배터리 성능영향인자 분석 방법
CN109960881A (zh) 基于格兰杰因果性的过程变量评估方法
CN109436980A (zh) 电梯部件的状态检测方法和系统
Huang et al. Combinatorial pure exploration with continuous and separable reward functions and its applications.
CN109829550A (zh) 模型评价方法和装置、模型评价系统及其训练方法和装置
WO2022114436A1 (ko) 블록체인 트랜잭션 데이터의 트래픽 제어 시스템 및 방법
CN113486933A (zh) 模型训练方法、用户身份信息预测方法及装置
WO2025159311A1 (ko) 커피 생산에 관한 탄소 배출을 평가하기 위한 방법 및 시스템
EP4625430A1 (en) Apparatus for evaluating ethicality of artificial intelligence model according to user type
CN111107569A (zh) 一种问题小区的筛选方法和装置
CN118330038A (zh) 建筑幕墙隔音性能检测系统及方法
WO2024143668A1 (ko) 아이템의 판매량에 관한 예측을 제공하는 전자 장치 및 그 방법
CN117665626A (zh) 国产平台下基于大模型的电池续航测试方法及系统
WO2021167257A1 (ko) Ppt 추천방법 및 그 장치

Legal Events

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

Ref document number: 25827283

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2025827283

Country of ref document: EP