KR102666899B1 - System and method for diagnosing internal state of battery based on change of voltage characteristics - Google Patents
System and method for diagnosing internal state of battery based on change of voltage characteristics Download PDFInfo
- Publication number
- KR102666899B1 KR102666899B1 KR1020230061443A KR20230061443A KR102666899B1 KR 102666899 B1 KR102666899 B1 KR 102666899B1 KR 1020230061443 A KR1020230061443 A KR 1020230061443A KR 20230061443 A KR20230061443 A KR 20230061443A KR 102666899 B1 KR102666899 B1 KR 102666899B1
- Authority
- KR
- South Korea
- Prior art keywords
- characteristic
- points
- battery
- low
- point
- Prior art date
Links
- 230000008859 change Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims description 48
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 230000008685 targeting Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000007599 discharging Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 description 81
- 230000006399 behavior Effects 0.000 description 30
- 230000032683 aging Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 24
- 238000013473 artificial intelligence Methods 0.000 description 22
- 230000006866 deterioration Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 230000015556 catabolic process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 4
- XOJVVFBFDXDTEG-UHFFFAOYSA-N Norphytane Natural products CC(C)CCCC(C)CCCC(C)CCCC(C)C XOJVVFBFDXDTEG-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004064 recycling Methods 0.000 description 4
- 230000028327 secretion Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010014415 Electrolyte depletion Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007166 healthy aging Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- QELJHCBNGDEXLD-UHFFFAOYSA-N nickel zinc Chemical compound [Ni].[Zn] QELJHCBNGDEXLD-UHFFFAOYSA-N 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- 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
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/10—Measuring sum, difference or ratio
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/12—Measuring rate of change
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
본 발명의 일 실시예에 의한 배터리 정밀 진단시스템은 배터리의 충전에 따른 전압값의 변화를 나타내는 특성함수를 생성하되, 초기배터리를 대상으로 하는 제1특성함수 및 진단 대상 배터리인 타겟배터리를 대상으로 하는 제2특성함수를 생성하는 데이터생성부; 상기 제1특성함수에서 전압의 증가율 변화가 상대적으로 큰 포인트인 제1포인트 및 상기 제2특성함수에서 전압의 증가율 변화가 상대적으로 큰 포인트인 제2포인트를 각각 복수 개 선별하는 포인트선별부; 상기 제1포인트 각각에서의 접선이 가지는 기울기 사이의 제1비율 및 상기 제2포인트 각각에서의 접선이 가지는 기울기 사이의 제2비율을 연산하는 데이터연산부; 및 상기 제1 및 제2비율 사이의 비율을 이용하여 상기 타겟배터리의 내재 상태에 대한 진단데이터를 생성하는 진단데이터생성부를 포함하는 것을 특징으로 한다.The battery precision diagnosis system according to an embodiment of the present invention generates a characteristic function that represents the change in voltage value according to the charging of the battery, and a first characteristic function targeting the initial battery and a target battery that is the battery to be diagnosed. a data generator that generates a second characteristic function; a point selection unit that selects a plurality of first points, which are points where the change in the rate of increase in voltage in the first characteristic function is relatively large, and a plurality of second points, which are points where the change in the rate of increase in voltage is relatively large in the second characteristic function; a data operation unit that calculates a first ratio between slopes of tangent lines at each of the first points and a second ratio between slopes of tangent lines at each of the second points; and a diagnostic data generator that generates diagnostic data about the internal state of the target battery using the ratio between the first and second ratios.
Description
본 발명은 배터리의 내적 상태를 진단하고 진단 결과를 이용하여 배터리를 범주화하는 시스템 등에 관한 것으로서, 더욱 구체적으로는 전압 특성의 상대적 변화를 파싱하고 이를 정량화하는 프로세싱을 적용함으로써 배터리의 내적 상태를 정밀하게 진단함은 물론, 진단 결과를 이용하여 해당 배터리의 향후 노화 양상 내지 과정을 신뢰성 높게 추정할 수 있는 시스템 및 방법에 관한 것이다.The present invention relates to a system for diagnosing the internal state of a battery and categorizing the battery using the diagnosis results. More specifically, the internal state of the battery can be precisely determined by parsing the relative change in voltage characteristics and applying processing to quantify it. It relates to a system and method that not only diagnoses but also uses the diagnosis results to highly reliably estimate the future aging pattern or process of the battery.
전기를 구동원으로 사용하는 노트북, 비디오 카메라, 모바일 전화기 등과 같은 휴대용 전자 제품의 수요가 급격하게 증가하고, 이동형 로봇, 전기 자전거, 전동 카트, 전기 자동차 등이 보편화됨에 따라 반복적인 충방전이 가능한 고성능 이차 전지에 대한 연구가 활발히 진행되고 있다.As the demand for portable electronic products such as laptops, video cameras, and mobile phones that use electricity as a driving source increases rapidly, and as mobile robots, electric bicycles, electric carts, and electric vehicles become more common, high-performance secondary devices capable of repeated charging and discharging are required. Research on batteries is actively underway.
상용화된 이차전지로는 니켈 카드뮴 전지, 니켈 수소 전지, 니켈 아연 전지, 리튬 이차전지 등이 있는데, 이 중에서 리튬 이차전지는 니켈 계열의 이차전지에 비해 메모리 효과가 거의 일어나지 않아 충방전이 자유롭고, 자가 방전율이 매우 낮은 장점을 가짐은 물론, 에너지 밀도가 높고 작동 전압이 높은 특성을 가지고 있어 다른 종류의 이차전지에 비해 더욱 집중적으로 연구됨은 물론, 실제 제품에도 더욱 확장적으로 적용되고 있다.Commercially available secondary batteries include nickel cadmium batteries, nickel hydrogen batteries, nickel zinc batteries, and lithium secondary batteries. Among these, lithium secondary batteries rarely have a memory effect compared to nickel-based secondary batteries, so they can be freely charged and discharged, and are self-sustaining. Not only does it have the advantage of a very low discharge rate, but it also has high energy density and high operating voltage, so it is being studied more intensively than other types of secondary batteries and is being applied more extensively to actual products.
최근에는 휴대형 전자기기와 같은 소형 장치뿐 아니라, 전기 자동차나 전력저장장치(ESS, Energy Storage System)와 같은 중대형 장치에도 이차전지가 널리 이용되고 있다.Recently, secondary batteries have been widely used not only in small devices such as portable electronic devices, but also in medium-to-large devices such as electric vehicles and energy storage systems (ESS).
이러한 이차전지 기반의 배터리는 액체 또는 기체 형태의 화석연료 등과는 달리 전기 화학적 반응에 기반하여 전기 에너지를 생성(충전)하고 생성된 에너지를 소모(방전)하므로 배터리의 용량 등을 물리적인 방법으로 측정하는 것은 불가능하다.Unlike liquid or gaseous fossil fuels, these secondary battery-based batteries generate (charge) electrical energy based on electrochemical reactions and consume (discharge) the generated energy, so the capacity of the battery is measured by physical methods. It is impossible to do.
그러므로 배터리의 잔존 용량(SOC, State of Charge) 또는 배터리의 용량 퇴화의 정도를 정량적으로 나타내는 SOH(State of Health) 등은, 추정-개방전압값과 맵핑테이블을 이용한 맵핑방법, 전류적산법, 내부저항과 온도 등의 환경 조건에 따른 SOC의 상대적 비율 연산법 등과 같은 다양한 수학적 연산 등을 통하여 추정된다.Therefore, the battery's remaining capacity (SOC, State of Charge) or SOH (State of Health), which quantitatively indicates the degree of battery capacity degradation, is estimated using the estimated open-circuit voltage value and mapping method using a mapping table, current integration method, and internal resistance. It is estimated through various mathematical calculations, such as the relative ratio calculation method of SOC according to environmental conditions such as temperature and temperature.
SOC 또는 SOH 등과 같은 상태정보를 추정 내지 진단하고 그 결과를 피드백하는 것은 가용 용량, 가용 출력 등이 항시적으로 중요한 요소가 되며 운행가능거리 등을 제공하야 하는 전기자동차(EV, Electric Vehicle)에서 특히 중요하다고 할 수 있다.Estimating or diagnosing status information such as SOC or SOH and feeding back the results is especially important in electric vehicles (EVs) where available capacity, available output, etc. are always important factors and driving range must be provided. It can be said to be important.
전기자동차의 경우 충분한 적정거리 이상의 운행이 담보되어야 함은 물론, 전기전자장비, 히터, 에이컨 등 차랑내 거의 모든 장치 등이 배터리로 구동되므로 고출력 대용량 배터리가 필수적이고 그로 인하여 전기 자동차 등에 장착되는 배터리는 차량 가격의 상당 부분을 차지할 정도로 비싸지게 된다.In the case of electric vehicles, not only must they be able to drive over a sufficient distance, but almost all devices in the vehicle, including electrical and electronic equipment, heaters, and air conditioners, are powered by batteries, so high-output, large-capacity batteries are essential. As a result, batteries installed in electric vehicles, etc. It becomes so expensive that it takes up a significant portion of the vehicle price.
이러한 차량용(또는 중대형용) 배터리의 높은 가격은 장시간 소요되는 충전시간 및 효율성 문제 등과 함께 전기 차량의 상용화에 중요한 저해 요인이 되고 있다.The high price of such vehicle (or medium-to-large) batteries, along with long charging times and efficiency issues, is an important impediment to the commercialization of electric vehicles.
이러한 문제점을 해소하기 위하여 최근 배터리를 교체하거나, 공유 또는 구독하는 서비스 모델이 주목되고 있다. 이러한 서비스 모델이 확대되기 위해서는 정책적 과제 등이 함께 해결되어야 하나 무엇보다 현재 배터리의 잔존 수명 등에 대한 가치 판단이 선결적으로 이루어져야 한다.To solve these problems, service models that replace batteries, share, or subscribe have recently been receiving attention. In order for this service model to expand, policy issues must be resolved together, but above all, a value judgment on the remaining lifespan of the current battery must be made first.
배터리가 일정 시간 사용된 이후에는 용량 열화, 출력 열화 등에 따른 사용 효용성이 감소하고 안전성 또한, 위험 요소로 작용하게 되므로 교체 시점의 결정, 배터리 공유 내지 구독을 위한 객관적인 가격 결정 및 배터리의 재사용 또는 재활용의 효율성 제고 등을 위해 현재 배터리의 SOH 진단과 그에 따른 잔존 수명 예측이 신속하고 정확하게 이루어질 필요가 있다.After the battery has been used for a certain period of time, its usefulness decreases due to capacity deterioration and output deterioration, and safety also acts as a risk factor. Therefore, it is important to determine the timing of replacement, determine an objective price for battery sharing or subscription, and reuse or recycle the battery. In order to improve efficiency, it is necessary to quickly and accurately diagnose the SOH of the current battery and predict its remaining life.
그러나 초기 대비 용량 열화 상태를 이용하여 SOH를 추정하는 종래 방법은 향후 싸이클 수명 거동에서 다른 열화 경로가 언제든지 발현될 수 있어 객관적인 지표가 활용되기 어렵다.However, the conventional method of estimating SOH using the capacity deterioration state compared to the initial stage is difficult to use as an objective indicator because other deterioration paths may appear at any time in future cycle life behavior.
또한, pOCV(pseudo Open Circuit Voltage)를 활용하는 방법의 경우, 배터리의 실질적인 pOCV를 생성하기 위해서 장시간 전류 공급이 이루어져야 하므로 신속성 내지 즉시성을 구현하기 어려움은 물론, 장시간 전류 공급에 따른 에너지 비효율성 이슈가 필수적으로 수반되므로 시장 친화적인 방법이 되기에는 근본적인 한계가 있다.In addition, in the case of a method using pOCV (pseudo open circuit voltage), current must be supplied for a long time to generate actual pOCV of the battery, so it is difficult to implement speed or immediacy, as well as energy inefficiency issues due to long-term current supply. Since it is necessarily involved, there are fundamental limitations in being a market-friendly method.
한편, 배터리의 퇴화도 내지 노화도 등의 평가에는 SOH, 용량 손실률(Capacity lass) 등이 주로 이용되고 있다. 그러나 이러한 기준은 외적으로 관찰되는 몇 가지 파라미터를 이용하여 추정된 지표에 해당하므로 배터리의 구동 환경, 조건 등을 정밀하게 반영하지 못한다는 한계가 있다.Meanwhile, SOH, capacity loss rate, etc. are mainly used to evaluate the degree of deterioration or aging of a battery. However, since these standards are indicators estimated using several externally observed parameters, they have the limitation of not accurately reflecting the operating environment and conditions of the battery.
즉, 종래 평가 지표 등은 구동 환경의 가혹성 정도, 온도 환경, 충전 반복 싸이클, 충전 환경(충전전압, 전류 크기 등), 배터리 한계 수준의 급속 충전 등 다양한 환경과 조건에 따라 배터리의 남은 수명 주기의 마감까지 해당 배터리의 노화 패턴이나 양상 등이 크게 다를 수 있음을 정밀하게 반영하지 못하는 한계가 있다.In other words, conventional evaluation indicators, etc. are based on the remaining life cycle of the battery depending on various environments and conditions, such as the severity of the driving environment, temperature environment, repeated charging cycle, charging environment (charging voltage, current size, etc.), and rapid charging at the battery limit level. There is a limitation in that it cannot accurately reflect the fact that the aging pattern or aspect of the battery may vary significantly until the end of the battery.
이러한 문제는 배터리의 후속 사용 환경에 영향을 미치게 되므로 전기차량 등에 사용시 안전 사고에 직결될 수 있음은 물론, 교체, 순환, 후속 사용 가능 기간, 리사이클링, 소재 추출 등과 같은 다양한 이슈에도 직간접적인 영향을 미치게 된다.These problems not only affect the subsequent use environment of the battery, which can lead to safety accidents when used in electric vehicles, etc., but also directly or indirectly affect various issues such as replacement, circulation, subsequent use period, recycling, and material extraction. do.
본 발명은 상기와 같은 배경에서 상술된 문제점을 해결하기 위하여 창안된 것으로서, 배터리의 전기적 특성을 나타내는 특성데이터 또는 특성함수를 이용하여 배터리의 특성을 표상하는 포인트 또는 이 포인트들의 상호 관계에 기반한 특성점을 선별하고 선별된 포인트에 해당하는 특성값의 상대적 변화량 등을 이용하여 배터리의 내적 상태를 정밀하게 진단함은 물론, 진단결과를 이용한 분류 체계를 통하여 향후 배터리의 노화 거동이나 양상 등을 더욱 정밀하게 추정할 수 있는 배터리 정밀 진단시스템 등을 제공하는데 그 목적이 있다.The present invention was created to solve the above-mentioned problems against the above background. Points that represent the characteristics of the battery using characteristic data or characteristic functions representing the electrical characteristics of the battery, or characteristic points based on the interrelationship of these points In addition to accurately diagnosing the internal state of the battery by selecting and using the relative change in characteristic values corresponding to the selected points, the aging behavior or pattern of the battery in the future can be more precisely diagnosed through a classification system using the diagnosis results. The purpose is to provide a precise battery diagnosis system that can be estimated.
본 발명의 다른 목적 및 장점들은 아래의 설명에 의하여 이해될 수 있으며, 본 발명의 실시예에 의하여 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타난 구성과 그 구성의 조합에 의하여 실현될 수 있다.Other objects and advantages of the present invention can be understood from the description below, and will be more clearly understood through embodiments of the present invention. In addition, the objects and advantages of the present invention can be realized by the configuration indicated in the patent claims and the combination of the configuration.
상기 목적을 달성하기 위한 본 발명의 배터리 정밀 진단시스템은 배터리의 충전 또는 방전에 따른 전압값의 변화를 나타내는 특성데이터를 생성하되, 초기배터리를 대상으로 하는 제1특성데이터 및 진단 대상 배터리인 타겟배터리를 대상으로 하는 제2특성데이터를 생성하는 데이터생성부; 상기 제1특성데이터에서 개형의 특이성을 가지는 포인트인 제1포인트 및 상기 제2특성데이터에서 개형의 특이성을 가지는 포인트인 제2포인트를 각각 복수 개 선별하는 포인트선별부; 상기 제1포인트 각각에서의 전압증가율 및 상기 제2포인트 각각에서의 전압증가율을 연산하는 데이터연산부; 및 상기 제1 및 제2포인트 각각에서의 상기 접압증가율을 상호 대비하여 상기 타겟배터리의 내재 상태에 대한 진단데이터를 생성하는 진단데이터생성부를 포함하여 구성될 수 있다.The battery precision diagnosis system of the present invention to achieve the above purpose generates characteristic data showing changes in voltage value according to charging or discharging of the battery, first characteristic data targeting the initial battery and the target battery, which is the battery to be diagnosed. a data generator that generates second characteristic data targeting; a point selection unit that selects a plurality of first points, which are points with reformular specificity in the first characteristic data, and a plurality of second points, which are points with reformular specificity in the second characteristic data; a data operation unit that calculates a voltage increase rate at each of the first points and a voltage increase rate at each of the second points; and a diagnostic data generator that generates diagnostic data about the internal state of the target battery by comparing the contact pressure increase rates at each of the first and second points.
바람직하게, 본 발명의 상기 데이터연산부는 상기 제1포인트 각각에서의 상기 전압증가율 사이의 제1비율 및 상기 제2포인트 각각에서의 상기 전압증가율 사이의 제2비율을 연산하도록 구성될 수 있다. 이 경우 본 발명의 상기 진단데이터생성부는, 상기 제1 및 제2비율 사이의 비율을 이용하여 상기 타겟배터리의 내재 상태에 대한 진단데이터를 생성하도록 구성될 수 있다.Preferably, the data calculation unit of the present invention may be configured to calculate a first ratio between the voltage increase rates at each of the first points and a second ratio between the voltage increase rates at each of the second points. In this case, the diagnostic data generator of the present invention may be configured to generate diagnostic data about the internal state of the target battery using the ratio between the first and second ratios.
여기에서, 상기 제1포인트는 상기 제1특성데이터의 변곡점이며, 상기 제2포인트는 상기 제2특성데이터의 변곡점일 수 있다.Here, the first point may be an inflection point of the first characteristic data, and the second point may be an inflection point of the second characteristic data.
바람직하게, 본 발명은 상기 특성데이터에서 저전압구간 및 고전압구간을 설정하는 구간설정부를 더 포함할 수 있다. Preferably, the present invention may further include a section setting unit that sets a low voltage section and a high voltage section in the characteristic data.
이 경우 상기 포인트선별부는, 상기 제1 및 제2포인트를 상기 저전압 및 고전압구간 각각에서 복수 개 선별하도록 구성되며, 상기 데이터연산부는, 상기 저전압 및 고전압구간에서 선별된 상기 제1포인트를 이용하여 각각 연산된 상기 제1비율인 제1로우비율 및 제1하이비율 그리고 상기 저전압 및 고전압구간에서 선별된 상기 제2포인트를 이용하여 각각 연산된 상기 제2비율인 제2로우비율 및 제2하이비율을 연산하도록 구성될 수 있다.In this case, the point selection unit is configured to select a plurality of first and second points from each of the low voltage and high voltage sections, and the data operation unit uses the first points selected from the low voltage and high voltage sections, respectively. The calculated first ratio, the first low ratio and the first high ratio, and the second ratio, the second low ratio and the second high ratio, respectively calculated using the second points selected from the low voltage and high voltage sections. It can be configured to calculate.
아울러, 상기 진단데이터생성부는 상기 제1 및 제2로우비율 사이의 비율 및 상기 제1 및 제2하이비율 사이의 비율을 이용하여 상기 진단데이터를 생성하도록 구성될 수 있다.In addition, the diagnostic data generator may be configured to generate the diagnostic data using a ratio between the first and second low rates and a ratio between the first and second high rates.
실시형태에 따라서 본 발명은 복수 개 상기 제1포인트 사이의 위치 관계를 이용한 제1특성점 및 복수 개 상기 제2포인트 사이의 위치 관계를 이용한 제2특성점을 산출하는 특성점산출부를 더 포함할 수 있다. 이 경우 본 발명의 상기 진단데이터생성부는, 상기 제1 및 제2특성점 각각에 대응되는 SOC값 사이의 차이값을 더 이용하여 상기 진단데이터를 생성하도록 구성될 수 있다.According to the embodiment, the present invention may further include a characteristic point calculation unit for calculating a first characteristic point using the positional relationship between the plurality of first points and a second characteristic point using the positional relationship between the plurality of second points. You can. In this case, the diagnostic data generator of the present invention may be configured to generate the diagnostic data by further using the difference value between the SOC values corresponding to each of the first and second characteristic points.
바람직하게, 본 발명의 특성점산출부는 상기 저전압구간에서 선별된 상기 제1포인트인 제1로우포인트 사이의 위치 관계를 이용한 제1로우특성점, 상기 저전압구간에서 선별된 상기 제2포인트인 제2로우포인트 사이의 위치 관계를 이용한 제2로우특성점, 상기 고전압구간에서 선별된 상기 제1포인트인 제1하이포인트 사이의 위치 관계를 이용한 제1하이특성점 및 상기 고전압구간에서 선별된 상기 제2포인트인 제2하이포인트 사이의 위치 관계를 이용한 제2하이특성점을 산출하도록 구성될 수 있다.Preferably, the characteristic point calculation unit of the present invention uses the positional relationship between the first low point, which is the first point selected from the low voltage section, and the second low characteristic point, which is the second point selected from the low voltage section. A second low characteristic point using the positional relationship between low points, a first high characteristic point using the positional relationship between the first high point, which is the first point selected from the high voltage section, and the second selected from the high voltage section. It may be configured to calculate the second high characteristic point using the positional relationship between the second high points, which are points.
이 경우 본 발명의 상기 진단데이터생성부는 상기 제1 및 제2로우특성점 각각에 대응되는 SOC값 사이의 차이값 및 상기 제1 및 제2하이특성점 각각에 대응되는 SOC값 사이의 차이값을 더 이용하여 상기 진단데이터를 생성하도록 구성될 수 있다.In this case, the diagnostic data generator of the present invention generates a difference value between the SOC values corresponding to each of the first and second low characteristic points and a difference value between the SOC values corresponding to each of the first and second high characteristic points. It may further be configured to generate the diagnostic data.
여기에서 본 발명의 상기 제1로우특성점은 복수 개 상기 제1로우포인트 각각에서의 접선들이 상호 교차하는 교차점이며, 상기 제1하이특성점은, 복수 개 상기 제1하이포인트 각각에서의 접선들이 상호 교차하는 교차점일 수 있으며, 상기 제2로우특성점은, 복수 개 상기 제2로우포인트 각각에서의 접선들이 상호 교차하는 교차점, 상기 제2하이특성점은, 복수 개 상기 제2하이포인트 각각에서의 접선들이 상호 교차하는 교차점일 수 있다.Here, the first low characteristic point of the present invention is an intersection where a plurality of tangent lines at each of the first low points intersect, and the first high characteristic point is a plurality of tangent lines at each of the first high points. It may be an intersection where a plurality of tangent lines at each of the second low points intersect, and the second high characteristic point is an intersection at each of the plurality of second high points. It may be an intersection where the tangent lines of intersect each other.
이 경우 본 발명의 상기 진단데이터생성부는 상기 제1 및 제2로우특성점 각각에 대응하는 전압값 사이의 차연산 결과값을 더 이용하여 상기 진단데이터를 생성하도록 구성될 수 있다.In this case, the diagnostic data generator of the present invention may be configured to generate the diagnostic data by further using the result of calculating the difference between voltage values corresponding to each of the first and second low characteristic points.
바람직하게 본 발명은 아래 수식을 이용하여 상기 진단데이터의 스코어를 산출하는 스코어산출부를 더 포함할 수 있다.Preferably, the present invention may further include a score calculation unit that calculates the score of the diagnostic data using the formula below.
상기 수식에서 DNPscore는 진단데이터의 스코어, PEscore는 양극에 대한 진단데이터의 스코어, NEscore는 음극에 대한 진단데이터의 스코어, ξPE는 상기 제1 및 제2하이비율 사이의 비율, δPE는 상기 제1 및 제2하이특성점 각각에 대응하는 SOC값의 차이값, ξNE는 상기 제1 및 상기 제2로우비율 사이의 비율, δNE는 상기 제1 및 제2로우특성점 각각에 대응하는 SOC값의 차이값, AF는 제1 및 제2로우특성점에 각각 대응하는 전압값의 차이값이다.In the above formula, DNP score is the score of diagnostic data, PE score is the score of diagnostic data for the anode, NE score is the score of diagnostic data for the cathode, ξ PE is the ratio between the first and second high ratios, and δ PE is the difference value of the SOC value corresponding to each of the first and second high characteristic points, ξ NE is the ratio between the first and second low ratios, and δ NE is the difference between the first and second low characteristic points, respectively. The difference value of the corresponding SOC value, AF, is the difference value of voltage values corresponding to the first and second low characteristic points, respectively.
실시형태에 따라서 본 발명의 상기 스코어산출부는 아래 수식을 이용하여 상기 진단데이터의 스코어를 산출하도록 구성될 수 있다.Depending on the embodiment, the score calculation unit of the present invention may be configured to calculate the score of the diagnostic data using the formula below.
상기 수식에서 σ(x)는 활성화함수이다.In the above formula, σ(x) is the activation function.
바람직하게, 본 발명에 의한 배터리 정밀 진단시스템은 복수 개 타겟배터리 각각의 상기 DNPscore를 포함하는 하나 이상의 기준을 이용하여 상기 복수 개 타겟배터리를 복수 개 그룹으로 그룹핑하는 분류처리부를 더 포함할 수 있다.Preferably, the battery precision diagnosis system according to the present invention may further include a classification processing unit that groups the plurality of target batteries into a plurality of groups using one or more criteria including the DNP score of each of the plurality of target batteries. .
구체적으로 본 발명의 상기 데이터생성부는, 특성저항을 표상하는 이미지데이터 및 특성저항에 대응하는 의사개방전압(pOCV)을 표상하는 이미지데이터가 페어(pair)를 이루는 트레이닝데이터를 학습하는 인공지능부; 테스트전류가 인가된 상기 타겟배터리를 대상으로 서로 다른 종류의 특성저항인 프로파일저항값을 생성하는 프로파일생성부; 상기 프로파일저항값을 표상하는 제1이미지데이터를 생성하는 전처리부; 학습된 인공지능모델을 이용하여 상기 제1이미지데이터에 상응하는 데이터로서, 의사개방전압(pOCV)을 표상하는 이미지데이터인 제2이미지데이터를 생성하도록 상기 인공지능부를 제어하는 메인처리부; 및 상기 제2이미지데이터를 가공하여 상기 타겟배터리의 pOCV 특성데이터를 생성하고 이를 이용하여 상기 타겟배터리의 상기 제2특성데이터를 생성하는 데이터처리부를 포함하여 구성될 수 있다.Specifically, the data generation unit of the present invention includes an artificial intelligence unit that learns training data in which image data representing characteristic resistance and image data representing pseudo open voltage (pOCV) corresponding to the characteristic resistance are paired; a profile generator that generates profile resistance values, which are different types of characteristic resistances, for the target battery to which a test current is applied; a preprocessor that generates first image data representing the profile resistance value; A main processing unit that controls the artificial intelligence unit to generate second image data, which is data corresponding to the first image data and is image data representing a pseudo open voltage (pOCV), using a learned artificial intelligence model; and a data processing unit that processes the second image data to generate pOCV characteristic data of the target battery and uses this to generate the second characteristic data of the target battery.
본 발명의 다른 측면에 의한 배터리 정밀 진단방법은 배터리의 충전 또는 방전에 따른 전압값의 변화를 나타내는 특성데이터를 생성하되, 초기배터리를 대상으로 하는 제1특성데이터 및 진단 대상 배터리인 타겟배터리를 대상으로 하는 제2특성데이터를 생성하는 데이터생성단계; 상기 제1특성데이터에서 개형의 특이성을 가지는 포인트인 제1포인트 및 상기 제2특성데이터에서 개형의 특이성을 가지는 포인트인 제2포인트를 각각 복수 개 선별하는 포인트선별단계; 상기 제1포인트 각각에서의 전압증가율 및 상기 제2포인트 각각에서의 전압증가율을 연산하는 데이터연산단계; 및 상기 제1 및 제2포인트 각각에서의 상기 전압증가율을 상호 대비하여 상기 타겟배터리의 내재 상태에 대한 진단데이터를 생성하는 진단데이터생성단계를 포함하여 구성될 수 있다.The battery precision diagnosis method according to another aspect of the present invention generates characteristic data showing the change in voltage value according to charging or discharging of the battery, and first characteristic data targeting the initial battery and the target battery, which is the battery to be diagnosed. A data generation step of generating second characteristic data of; A point selection step of selecting a plurality of first points, which are points with reform specificity from the first characteristic data, and a plurality of second points, which are points with reform specificity from the second characteristic data; A data operation step of calculating a voltage increase rate at each of the first points and a voltage increase rate at each of the second points; and a diagnostic data generation step of generating diagnostic data about the inherent state of the target battery by comparing the voltage increase rates at each of the first and second points.
본 발명의 일 실시예에 의할 때, 배터리의 내적 특성을 표상하는 포인트를 선별하고 선별된 해당 포인트가 가지는 전기적 특성값의 상대적 변화를 충실히 반영할 수 있어 해당 배터리의 내적 상태에 대한 진단을 더욱 정밀하게 구현할 수 있다.According to one embodiment of the present invention, points representing the internal characteristics of the battery can be selected and the relative changes in the electrical characteristic values of the selected points can be faithfully reflected, making diagnosis of the internal state of the battery more possible. It can be implemented precisely.
또한, 본 발명에 의하는 경우, 배터리의 내적 상태를 표상하는 다양한 요소들을 다중적으로 함수화할 수 있어 진단 정밀성을 더욱 극대화시킬 수 있음은 물론, 배터리의 내적 상태를 진단하는 표준화된 방법론을 제공할 수 있다.In addition, according to the present invention, various elements representing the internal state of the battery can be multifunctionalized, thereby further maximizing diagnostic accuracy, as well as providing a standardized methodology for diagnosing the internal state of the battery. You can.
본 발명의 다른 실시예에 의하는 경우, 배터리의 음극 특성의 상대적 변화와 양극 특성의 상대적 변화를 독립적으로 정량화하고 이들을 유기적으로 접목하는 프로세싱을 적용함으로써 배터리의 내적 상태를 더욱 실질적으로 반영할 수 있다.According to another embodiment of the present invention, the internal state of the battery can be more practically reflected by independently quantifying the relative change in the cathode characteristics and the relative change in the anode characteristics of the battery and applying processing to organically combine them. .
본 발명은 진단데이터를 기반으로 하는 분류 체계를 통하여 배터리의 향후 노화 패턴이나 양상 등을 더욱 신뢰성 높게 추정할 수 있음은 물론, 배터리의 교체, 순환, 재활용, 경제성 확보 등에 더욱 최적화되는 응용 솔루션을 제공할 수 있으며, 배터리의 사용중 및 사용후 안전성 관리 등을 더욱 효과적으로 구현할 수 있다.The present invention not only provides a more reliable estimate of the future aging pattern or aspect of the battery through a classification system based on diagnostic data, but also provides an application solution that is more optimized for battery replacement, circulation, recycling, and economic efficiency. It is possible to implement safety management during and after use of the battery more effectively.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 후술되는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 효과적으로 이해시키는 역할을 하는 것이므로, 본 발명은 이러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 바람직한 일 실시예에 의한 정밀 진단시스템의 상세 구성을 도시한 블록도,
도 2는 본 발명의 전체적인 프로세싱 과정을 설명하는 흐름도,
도 3은 전압 구간별로 수행되는 프로세싱을 과정을 설명하는 흐름도,
도 4는 특성점을 기준으로 전기적 특성값의 변화를 이용하여 진단데이터를 생성하는 프로세싱의 과정을 설명하는 흐름도,
도 5는 특성점을 기준으로 다른 전기적 특성값의 변화를 이용하여 진단데이터를 생성하는 프로세싱의 과정을 설명하는 흐름도,
도 6은 배터리의 특성데이터(특성함수)에 대한 거동 특성을 설명하는 도면,
도 7은 전압 구간별 배터리의 특성에 지배적인 영향을 미치는 거동 특성을 설명하는 도면,
도 8 및 도 9는 특성데이터(특성함수)에서 배터리의 특징을 표상하는 포인트 및 이를 이용한 특성점을 설명하는 도면,
도 10은 배터리의 내적 상태를 진단하는 다양한 요소를 설명하는 도면,
도 11은 초기배터리와 타겟배터리의 특성함수를 이용하여 산출된 진단데이터의 스코어에 대한 다양한 예를 설명하는 도면,
도 12는 정량화된 진단데이터를 기준으로 복수 개 범주로 타겟배터리를 범주화하는 예를 설명하는 도면,
도 13은 1차 수명 주기에서의 용량 저하를 설명하는 예시 도면,
도 14는 도 13에 예시된 타겟배터리들의 1차 수명 주기에서의 진단 스코어를 설명하는 도면,
도 15는 도 13에 예시된 타겟배터리들의 후속 수명 주기에서의 용량손실률을 설명하는 도면,
도 16은 도 1에 도시된 데이터생성부의 상세 구성을 도시한 블록도,
도 17은 도 16의 인공지능부에 포함되는 AI모델의 논리 구조를 개략적으로 설명하는 도면,
도 18은 pOCV 특성데이터를 생성하는 본 발명의 바람직한 일 실시예에 의한 프로세싱 과정을 설명하는 흐름도,
도 19는 배터리의 특성저항을 생성하는 본 발명의 일 실시예에 의한 프로세싱 과정을 설명하는 흐름도,
도 20은 pOCV 특성데이터가 생성되는 프로세싱의 일 실시예를 설명하는 흐름도,
도 21은 펄스전류 인가에 따른 배터리의 거동 특성을 나타내는 도면,
도 22는 용량손실률을 기준으로 본 발명에 의한 프로세싱의 신뢰성 결과를 도시한 도면이다.The following drawings attached to this specification illustrate preferred embodiments of the present invention, and together with the detailed description of the invention described later, serve to more effectively understand the technical idea of the present invention, so the present invention is described in these drawings. It should not be interpreted as limited to the specifics.
1 is a block diagram showing the detailed configuration of a precision diagnosis system according to a preferred embodiment of the present invention;
Figure 2 is a flow chart explaining the overall processing process of the present invention;
Figure 3 is a flowchart explaining the processing performed for each voltage section;
Figure 4 is a flowchart illustrating the process of generating diagnostic data using changes in electrical characteristic values based on characteristic points;
Figure 5 is a flowchart illustrating the process of generating diagnostic data using changes in other electrical characteristic values based on characteristic points;
Figure 6 is a diagram explaining the behavior characteristics of the characteristic data (characteristic function) of the battery;
Figure 7 is a diagram illustrating the behavior characteristics that have a dominant influence on the characteristics of the battery for each voltage section;
Figures 8 and 9 are diagrams illustrating points representing battery characteristics in characteristic data (characteristic functions) and characteristic points using the same;
10 is a diagram illustrating various elements for diagnosing the internal state of the battery;
11 is a diagram illustrating various examples of scores of diagnostic data calculated using the characteristic functions of the initial battery and the target battery;
12 is a diagram illustrating an example of categorizing target batteries into multiple categories based on quantified diagnostic data;
13 is an example diagram illustrating capacity degradation in the first life cycle;
FIG. 14 is a diagram illustrating diagnostic scores in the first life cycle of the target batteries illustrated in FIG. 13;
FIG. 15 is a diagram illustrating the capacity loss rate in the subsequent life cycle of the target batteries illustrated in FIG. 13;
Figure 16 is a block diagram showing the detailed configuration of the data generation unit shown in Figure 1;
Figure 17 is a diagram schematically explaining the logical structure of the AI model included in the artificial intelligence unit of Figure 16;
Figure 18 is a flowchart illustrating a processing process according to a preferred embodiment of the present invention for generating pOCV characteristic data;
19 is a flowchart illustrating a processing process according to an embodiment of the present invention for generating characteristic resistance of a battery;
20 is a flow chart illustrating one embodiment of processing by which pOCV characteristic data is generated;
21 is a diagram showing the behavior characteristics of the battery according to the application of pulse current;
Figure 22 is a diagram showing reliability results of processing according to the present invention based on capacity loss rate.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the attached drawings. Prior to this, the terms or words used in this specification and claims should not be construed as limited to their usual or dictionary meanings, and the inventor should appropriately define the concept of terms in order to explain his or her invention in the best way. It must be interpreted as meaning and concept consistent with the technical idea of the present invention based on the principle of definability.
따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.Therefore, the embodiments described in this specification and the configuration shown in the drawings are only one of the most preferred embodiments of the present invention and do not represent the entire technical idea of the present invention, and therefore, various equivalents that can replace them at the time of filing the present application It should be understood that variations and variations may exist.
도 1에 도시된 바와 같이 본 발명의 배터리 정밀 진단시스템(이하 '정밀 진단시스템'으로 지칭한다)(1000)은 데이터생성부(100), 포인트선별부(200), 데이터연산부(300), 진단데이터생성부(400), 구간설정부(500), 특성점산출부(600), 스코어산출부(700) 및 분류처리부(800)를 포함하여 구성될 수 있다.As shown in Figure 1, the battery precision diagnosis system (hereinafter referred to as 'precision diagnosis system') 1000 of the present invention includes a
본 발명의 상세한 설명에 앞서, 도 1에 도시된 본 발명의 정밀 진단시스템(1000)의 각 구성요소는 물리적으로 구분되는 구성요소라기보다는 논리적으로 구분되는 구성요소로 이해되어야 한다.Prior to a detailed description of the present invention, each component of the
즉, 각각의 구성은 본 발명의 기술 사상을 실현하기 위한 논리적인 구성요소에 해당하므로 각각의 구성요소가 통합 또는 분리되어 구성되더라도 본 발명의 논리 구성이 수행하는 기능이 실현될 수 있다면 본 발명의 범위 내에 있다고 해석되어야 하며, 동일 또는 유사한 기능을 수행하는 구성요소라면 그 명칭 상의 일치성 여부와는 무관히 본 발명의 범위 내에 있다고 해석되어야 함은 물론이다.In other words, each component corresponds to a logical component for realizing the technical idea of the present invention, so even if each component is integrated or separately configured, if the function performed by the logical configuration of the present invention can be realized, the present invention It should be interpreted as being within the scope, and any component that performs the same or similar function should be interpreted as being within the scope of the present invention regardless of whether or not the name matches.
한편, 진단데이터 생성, 진단데이터의 정량화 및 이를 이용하여 타겟배터리를 분류하는 방법 등은 하드웨어 구성과 연관될 수는 있으나 이는 하드웨어 구성으로부터 출력되는 정보 내지 데이터를 이용하는 것이므로 특정 하드웨어에 직접적으로 제한되지 않는다. Meanwhile, the generation of diagnostic data, the quantification of the diagnostic data, and the method of classifying the target battery using this may be related to the hardware configuration, but since this uses information or data output from the hardware configuration, it is not directly limited to specific hardware. .
본 발명의 진단데이터 생성방법 등은 전체적으로 데이터의 가공, 처리, 연산 등에 관한 프로세싱의 집합 내지 알고리즘으로 구현되므로 도 1에 도시된 논리구성들의 조합에 의한 구현은 물론, 컴퓨터 또는 이에 준하는 단말, 모듈 등에 탑재되어 구동되는 소프트웨어의 형태로 구현될 수 있음은 물론이다.Since the diagnostic data generation method of the present invention is implemented as a set or algorithm of processing related to data processing, processing, calculation, etc., it can be implemented not only by a combination of the logical structures shown in FIG. 1, but also in a computer or a terminal or module equivalent thereto. Of course, it can be implemented in the form of software that is mounted and driven.
본 발명의 데이터생성부(100)는 진단 대상이 되는 배터리(이하 '타겟배터리'라 지칭한다)(10)를 대상으로 배터리의 충전에 따른 전압값의 변화를 나타내는 데이터 내지 특성함수를 생성한다(S2000, 도 2 참조).The
본 발명의 설명에서 진단의 대상이 되는 타겟배터리 또는 이 타겟배터리의 스펙에 상응하는 초기배터리(미노화배터리)는, 이차전지의 단일 유닛인 배터리 셀(cell)을 의미할 수 있으나 실시형태에 따라서, 이 베터리 셀이 그룹핑되는 배터리 어셈블리(assembly), 배터리 어셈블리 복수 개가 그룹핑되는 배터리 모듈 등이 될 수도 있음은 물론이다. In the description of the present invention, the target battery that is the subject of diagnosis or an initial battery (unaged battery) corresponding to the specifications of the target battery may mean a battery cell, which is a single unit of a secondary battery, but depending on the embodiment, , Of course, this can be a battery assembly in which these battery cells are grouped, a battery module in which a plurality of battery assemblies are grouped, etc.
상기 특성데이터는 도 6 등에 도시된 바와 같이 SOC(State of Charge)와 전압(Voltage) 사이의 관계를 나타내는 데이터에 해당한다.The characteristic data corresponds to data representing the relationship between SOC (State of Charge) and voltage (Voltage), as shown in FIG. 6, etc.
도 6 등에는 이 기술분야에서 널리 이용되는 바와 같이 X축에는 SOC를, Y축에는 전압값이 설정된 형태의 그래프가 도시되어 있으나, 각 좌표축의 파라미터는 서로 변경될 수 있다. 또한, 도 6 등에는 상용화된 일 예의 배터리(배터리 셀)를 기준으로 전압 범위를 3.0V에서 4.2V로 설정하고 있으나, 이는 배터리(배터리 셀)의 스펙(Spec.)이나 적용 형태 등에 다를 수 있음은 물론이다.6 and the like show a graph in which SOC is set on the In addition, in Figure 6, etc., the voltage range is set from 3.0V to 4.2V based on a commercially available battery (battery cell), but this may differ depending on the specifications or application type of the battery (battery cell). Of course.
상기 특성데이터는 타겟배터리(10)를 대상으로 충전 또는 방전을 진행하면서 계측되는 데이터를 이용하여 생성될 수 있으며, 도 16 등을 참조하여 후술되는 바와 같이 추정된 pOCV 데이터를 이용하여 생성될 수도 있다. pOCV 데이터를 추정하는 본 발명의 기술 사상 및 이를 구현하는 실시예 등은 후술하도록 한다.The characteristic data may be generated using data measured while charging or discharging the
상기 특성데이터는 보간법(interpolation) 등의 프로세싱과 같은 같은 가공 프로세싱을 통하여 연속적 특징을 가지는 함수로 변환될 수 있다. 이하 설명에서 이와 같이 함수화되는 특성데이터를 '특성함수'라 지칭하다.The characteristic data can be converted into a function with continuous characteristics through the same processing, such as interpolation. In the following description, characteristic data that is functionalized in this way is referred to as 'characteristic function'.
이와 같이 특성데이터가 함수화되면 이를 대상으로 다양한 알고리즘 등을 적용하여 특정 포인트에서의 접선의 기울기는 물론, 변곡점에 해당하는 포인트 선별 등을 수행할 수 있다.When the characteristic data is functionalized in this way, various algorithms can be applied to it to select the slope of the tangent line at a specific point as well as the point corresponding to the inflection point.
본 발명의 데이터생성부(100)는 타겟배터리(10)와 동등 수준의 스펙을 가진 미노화배터리(이하 '신규배터리', '초기배터리' 또는 'pristine 배터리'로 지칭한다)를 대상으로 한 특성함수(특성데이터)도 생성할 수 있다. 초기배터리의 특성함수 내지 특성데이터는 실시형태에 따라서 스펙정보 등을 통하여 제조사로부터 제공될 수도 있다.The
이하 특성데이터를 서로 구분하기 위하여 초기배터리를 대상으로 생성되는 특성데이터(특성함수)를 '제1특성데이터'('제1특성함수')로, 타겟배터리(10)를 대상으로 생성되는 특성데이터(특성함수)를 '제2특성데이터('제2특성함수')로 지칭한다.Hereinafter, in order to distinguish the characteristic data from each other, the characteristic data (characteristic function) generated for the initial battery is referred to as 'first characteristic data' ('first characteristic function'), and the characteristic data generated for the
본 발명의 포인트선별부(200)는 제1특성데이터에서 개형의 특이성을 가지는 포인트인 제1포인트를 복수 개 선별하며, 제2특성데이터에서도 개형의 특이성을 가지는 포인트인 제2포인트를 복수 개 선별한다(S2100). The
상기 제2포인트는 타겟배터리(10)의 전압 특성을 특징적으로 표상하는 포인트로 설정되는 것이 바람직하다. 개형의 특이성을 가지는 포인트는 상기 특성데이터가 연속성을 가지도록 가지도록 함수화되는 경우, 해당 함수가 표현되는 그래프의 모양, 형상, 곡률, 오목 개형과 볼록 개형의 임계적 변화 등을 기준으로 주변 포인트와 대비하여 특이성을 가지는 포인트를 의미한다.The second point is preferably set to a point that characteristically represents the voltage characteristics of the
각 특성함수에서 선별되는 포인트의 개수는 함수적 처리의 정확성을 높이기 위하여 동수(同數)가 되는 것이 바람직하며, 연산 처리의 효율성에 상대적 중점을 두는 차원에서 이하 설명에서 제1 및 제2포인트의 선별 개수는 2개로 전제한다.It is desirable that the number of points selected from each characteristic function be the same in order to increase the accuracy of functional processing. In order to place relative emphasis on the efficiency of computational processing, the first and second points are discussed below in the following description. The number of selections is assumed to be 2.
특성데이터 또는 특성함수는 충전이나 방전이 진행됨에 따라 변화되는 전압 거동 특성을 나타내는 데이터 또는 함수이며, 개형의 특이성이 두드러진 발생되는 지점은 증가율(V/SOC(또는 Q))의 임계적 변화가 발생되는 지점일 수 있다. 그러므로 본 발명의 실시예에서는 제2특성함수에서 변곡점(point of inflection)에 해당하는 포인트를 제2포인트로 설정하는 것이 바람직할 수 있다. 제1특성함수에서 선정되는 제1포인트 또한, 이와 같다.Characteristic data or characteristic function is data or function that represents the voltage behavior characteristics that change as charging or discharging progresses, and the point where the specificity of the reform occurs is a critical change in the increase rate (V/SOC (or Q)). This may be the point. Therefore, in an embodiment of the present invention, it may be desirable to set the point corresponding to the point of inflection in the second characteristic function as the second point. The first point selected from the first characteristic function is also like this.
이와 같이 제2포인트가 선별되면 본 발명의 데이터연산부(300)는 선별된 2개의 제2포인트 각각에서의 전압증가율을 연산한다.When the second point is selected in this way, the
구체적으로 본 발명의 데이터연산부(300)는 2개의 제2포인트 각각에서의 접선(tangent line)을 산출하고 이 접선들 각각의 기울기(slope)를 연산한다(S2200). 제2포인트 각각에서의 기울기(slope of tangent line)는 제2특성함수의 미분함수를 이용하는 등의 방법이 적용될 수 있다.Specifically, the
제2특성함수에서 변곡점을 선별하는 방법 또한, 미분함수를 다시 미분한 함수(2차 도함수)를 이용하는 방법은 물론, 1차 미분함수에서 피크(peak)를 이루는 포인트를 선정하는 방법 등이 적용될 수 있다.In addition to the method of selecting the inflection point in the second characteristic function, a method of using a function obtained by differentiating the differential function (second derivative) as well as a method of selecting the point forming the peak in the first derivative function can be applied. there is.
이와 같이 제2포인트 각각에서의 기울기(slope of tangent line)가 연산되면 본 발명의 데이터연산부(300)는 이들 기울기 사이의 비율(이하 '제2비율'이라 지칭한다)을 연산한다.In this way, when the slope of the tangent line at each of the second points is calculated, the
본 발명의 데이터연산부(300)는 제2비율이 연산되는 방법과 상응하는 방법으로 초기배터리(pristine battery)를 대상으로 제1포인트 각각에서의 전압증가율, 구체적으로 제1포인트 각각에서의 기울기(slope of tangent line) 및 이들 사이의 비율인 제1비율을 연산한다.The
앞서 설명된 바와 같이 제1(2)포인트 각각은 제1(2)특성함수의 거동 특성이 두드러지게 변화되는 포인트이며, 해당 포인트에서의 접선 기울기는 충전에 따른 해당 포인트에서의 전압 증가율을 의미한다.As explained previously, each of the first (2) points is a point where the behavior characteristics of the first (2) characteristic function change significantly, and the tangent slope at that point means the rate of increase in voltage at that point due to charging. .
그러므로 제2비율은 거동 특성이 두드러지게 변화되는 복수의 포인트 각각에 대한 전압 증가율의 상대적 비율로 정의될 수 있으며, 나아가 현재 타겟배터리(10)의 내적 상태 내지 내재적 특성을 표상하는 지표가 될 수 있다. 대응되는 관점에서 제1비율은 동일한 스펙을 가진 초기배터리의 최초 내적 상태를 표상하는 지표가 될 수 있다.Therefore, the second ratio can be defined as the relative ratio of the voltage increase rate for each of a plurality of points where the behavior characteristics change significantly, and can further be an indicator representing the internal state or intrinsic characteristics of the
이와 같이 제1포인트 각각에서의 전압증가율 및 제2포인트 각각에서의 전압증가율이 연산되면 본 발명의 진단데이터생성부(400)는 이들 전압증가율의 상호 대비를 통하여 타겟배터리의 내재 상태에 대한 진단데이터를 생성할 수 있다.In this way, when the voltage increase rate at each of the first points and the voltage increase rate at each of the second points are calculated, the
바람직하게, 본 발명의 진단데이터생성부(400)는 앞서 기술된 바와 같이 제1 및 제2비율이 연산되면 제1 및 제2비율 사이의 비율 또는 이에 준하는 함수 관계를 이용하여 타겟배터리(10)의 내재 상태에 대한 진단데이터를 생성할 수 있다(S2300).Preferably, when the first and second ratios are calculated as described above, the
이와 같이, 초기배터리(미노화 배터리)의 특성을 표상하는 지표를 기준으로, 노화가 진행된 타겟배터리(10)의 특성을 표상하는 지표를 상대적으로 대비함으로써 타겟배터리(10)의 내재상태를 진단할 수 있다.In this way, the intrinsic state of the
이와 같이 타겟배터리(10)의 진단데이터가 생성되면 본 발명의 스코어산출부(700)는 상기 진단데이터를 대상으로 후속 프로세싱을 수행하여 상대적 대비가 가능한 정량화된 수치인 스코어를 산출한다(S2400).When the diagnostic data of the
스코어를 산출하는 방법은 함수 처리, 정규화 프로세싱 등을 포함하여 타겟배터리(10)들의 내적 상태를 정량화된 수치로 산출할 수 있는 다양한 방법이 적용될 수 있음은 물론이다. 스코어를 산출하는 본 발명의 바람직한 실시예는 후술하도록 한다.Of course, various methods that can calculate the internal state of the
이와 같이 타겟배터리(10)의 스코어가 산출되면 본 발명의 분류처리부(800)는 타겟배터리(10)의 스코어를 단일 파라미터로 하거나 또는 타겟배터리(10)의 특성을 특정할 수 있는 다른 파라미터(예를 들어, 용량손실률(capacity loss)) 등과 함께 2차원 평면 또는 3차원 공간 등으로 타겟배터리(10)의 내적 특성에 따라 구분되는 복수 개 그룹(클래스 등)으로 타겟배터리(10)를 그룹핑 내지 분류한다(S2500). 이에 대한 구체적인 예시 등은 후술하도록 한다. When the score of the
본 발명의 다른 실시예의 설명에 앞서 배터리의 전압 거동에 대한 좀 더 면밀한 특성을 도 6 및 도 7을 참조하여 먼저 설명하도록 한다. Before describing other embodiments of the present invention, more detailed characteristics of the voltage behavior of the battery will first be described with reference to FIGS. 6 and 7.
도 6은 배터리의 특성함수(특성데이터)에 대한 거동 특성을 설명하는 도면이며, 도 7은 전압 구간별 배터리의 특성에 지배적인 영향을 미치는 거동 특성을 설명하는 도면이다.Figure 6 is a diagram explaining the behavior characteristics of the characteristic function (characteristic data) of the battery, and Figure 7 is a diagram explaining the behavior characteristics that have a dominant influence on the characteristics of the battery for each voltage section.
도 6의 가장 윗 부분에 도시된 그래프(가운데 삼각형 표기)는 타겟배터리(10)의 양극(PE, Positive Electrode)에 대한 전압 특성을, 가장 아래 부분에 도시된 그래프(가운데 역삼각형 표기)는 타겟배터리(10)의 음극(NE, Negative Electode)에 대한 전압 특성을 나타내는 그래프이며, 가운데 도시된 그래프(가운데 원 표기)는 양극과 음극 사이의 차이로 정의되는 타겟배터리(10)의 전압을 나타내는 그래프이다.The graph shown in the upper part of FIG. 6 (indicated by a triangle in the middle) shows the voltage characteristics of the positive electrode (PE, Positive Electrode) of the
도면에서 확인되는 바와 같이 타겟배터리(10)의 전압 거동 특성 즉, 충전이 진행되면서 변화되는 전압의 거동 특성은 저전압구간(LS, Low Section)에서는 음극의 전압 거동 특성에 지배적인 영향을 받으며, 고전압구간(HS, High Section)에서는 양극의 전압 거동 특성에 상대적으로 더 큰 영향을 받는다.As can be seen in the drawing, the voltage behavior characteristics of the
또한, 도 7에서 확인되는 바와 같이 서로 다른 환경 조건에서 노화된 각각의 타겟배터리는 서로 비슷한 SOH 수준을 가지나 초기배터리(pristine battery)와 대비하여 그 거동 특성이 와해되는 양상이나 패턴이 서로 상이한 특성을 가질 수 있다. 이는 배터리가 노화될 때 작동 환경에 따라 내부 손상 메커니즘이 다르게 일어난다는 것을 의미한다.In addition, as can be seen in Figure 7, each target battery aged under different environmental conditions has a similar SOH level, but has different characteristics in terms of the breakdown or pattern of its behavior characteristics compared to the pristine battery. You can have it. This means that as batteries age, internal damage mechanisms occur differently depending on the operating environment.
저온 환경(0℃)에서 노화된 배터리의 거동 특성(가운데 삼각형 표기)을 살펴보면, 도 7의 왼쪽 아래에 도시된 바와 같이, 초기배터리(점선 표기)와 대비하여 저전압구간에서 그 변형이 상대적으로 크게 발생하였음에 반해, 고전압구간에서는 그 변형이 상대적으로 적게 발생한다.Looking at the behavior characteristics of the aged battery (indicated by a triangle in the middle) in a low-temperature environment (0°C), as shown in the lower left of FIG. 7, the deformation is relatively large in the low voltage section compared to the initial battery (indicated by a dotted line). However, relatively little deformation occurs in the high voltage section.
반면, 고온 환경(45℃)에서 노화된(사용된) 배터리의 거동특성(가운데 사각형 표기)은 도 7의 오른쪽 아래에 도시된 바와 같이, 초기배터리와 대비하여 고전압구간에서 그 변형이 상대적으로 크게 발생하고, 저전압구간에서 변형이 상대적으로 적게 발생한다.On the other hand, as shown in the lower right corner of FIG. 7, the behavior characteristics of the aged (used) battery in a high temperature environment (45°C) (indicated by a square in the middle) show relatively large deformation in the high voltage section compared to the initial battery. occurs, and relatively little deformation occurs in the low voltage section.
이와 같이 저전압구간 및 고전압구간마다 배터리 전압의 거동특성이 노화환경에 따라 서로 다른 양상을 가지며, 배터리의 전압 특성은 양단(양극과 음극) 사이의 전압 차이에 의하여 정의된다. In this way, the behavior characteristics of the battery voltage in each low-voltage section and the high-voltage section have different aspects depending on the aging environment, and the voltage characteristics of the battery are defined by the voltage difference between the two ends (anode and cathode).
그러므로 배터리의 내적 상태를 상대적 저전압구간과 고전압구간으로 구분하여 개별적으로 진단하고 즉, 음극의 특성과 양극의 특성을 개별적으로 진단하고 이들 사이의 관계(ex 이들의 차연산 결과)를 타겟배터리(10)의 내적 상태에 대한 진단데이터로 생성하는 것이 더욱 바람직할 수 있다.Therefore, the internal state of the battery is separately diagnosed by dividing it into a relatively low voltage section and a high voltage section, that is, the characteristics of the cathode and the anode are individually diagnosed, and the relationship between them (ex. the result of their difference calculation) is diagnosed separately in the target battery (10 It may be more desirable to generate diagnostic data about the internal state of ).
이하 도 3을 참조하여 설명되는 본 발명의 실시예는 배터리의 이러한 본질적 특성을 더욱 실질적으로 반영하는 실시예에 해당한다.The embodiment of the present invention described below with reference to FIG. 3 corresponds to an embodiment that more substantially reflects these essential characteristics of the battery.
우선, 본 발명의 구간설정부(500)는 특성함수(제1특성함수 및 제2특성함수)에서 저전압구간과 고전압구간을 설정한다(S3050). 구간설정 방법은 배터리 전압의 범위가 [aV, bV]인 경우, 가운데 전압[(a+b)/2]을 기준으로 두 구간을 설정하는 방법을 비롯하여 다양한 방법이 적용될 수 있다. First, the
특성함수의 중간 전압대에서는 뚜렷한 특성 변화의 포착이 어려울 수 있다는 사실을 반영하여 본 발명의 일 실시예에서는 가운데 전압을 기준으로 최저 전압 방향으로 편향된 영역을 저전압구간으로, 최고 전압 방향으로 편향된 영역을 고전압구간으로 설정한다.Reflecting the fact that it may be difficult to capture clear characteristic changes in the middle voltage range of the characteristic function, in one embodiment of the present invention, the area biased in the lowest voltage direction based on the center voltage is defined as the low voltage section, and the region biased in the highest voltage direction is defined as the low voltage section. Set to high voltage section.
도면에 도시된 실시예는 전압 범위가 3.0V(최저 전압)에서 4.2V(최고 전압)인 타겟배터리(10)를 기준으로 저전압구간이 3.4V~3.7V로, 고전압구간이 3.9V~4.2V로 설정된 실시예이다.In the embodiment shown in the figure, the low voltage section is 3.4V to 3.7V and the high voltage section is 3.9V to 4.2V, based on the
앞서 설명된 바와 같이 본 발명의 포인트선별부(200)는 제2포인트 즉, 제2특성함수에서 전압의 증가율 변화가 상대적으로 큰 포인트인 제2포인트를 저전압구간에서 복수 개(2개), 고전압구간에서 복수 개(2개)를 선별하며 제1포인트 또한, 저전압 및 고전압 구간 각각에서 복수 개 선별한다(S3100, S3110). As described above, the
이하, 제2특성함수의 저전압구간에서 선별되는 제2포인트를 제2로우포인트로, 제2특성함수의 고전압구간에서 선별되는 제2포인트를 제2하이포인트로 지칭하며, 상응하는 관점에서 제1특성함수의 저전압 및 고전압구간 각각에서 선별되는 제1포인트 각각은 제1로우포인트 및 제1하이포인트로 지칭한다.Hereinafter, the second point selected in the low voltage section of the second characteristic function is referred to as the second low point, and the second point selected in the high voltage section of the second characteristic function is referred to as the second high point. The first points selected from each of the low voltage and high voltage sections of the characteristic function are referred to as the first low point and the first high point.
앞서 기술된 바와 같이 제2포인트가 제2특성함수의 변곡점으로 설정되는 경우, 상기 제2로우포인트는 제2특성함수의 저전압구간에서 변곡점에 해당하는 2개의 포인트이며, 제2하이포인트는 제2특성함수의 고전압구간에서 변곡점에 해당하는 2개의 포인트가 된다. 제1로우포인트 및 제2하이포인트 또한, 이와 같다.As described above, when the second point is set as the inflection point of the second characteristic function, the second low point is the two points corresponding to the inflection point in the low voltage section of the second characteristic function, and the second high point is the second There are two points corresponding to the inflection point in the high voltage section of the characteristic function. The first low point and the second high point are also like this.
이와 같이 제1 및 제2로우포인트 그리고 제1 및 제2하이포인트가 선별되면 본 발명의 데이터연산부(300)는 제1특성함수의 저전압구간에서 선별된 두 개의 제1로우포인트를 이용하여 연산된 제1비율인 제1로우비율을 연산하고, 제1특성함수의 고전압구간에서 선별된 두 개의 제1하이포인트를 이용하여 연산된 제1비율인 제1하이비율을 연산한다(S3200, S3210). In this way, when the first and second low points and the first and second high points are selected, the
참고로, 제1비율은 앞서 기술된 바와 같이 제1포인트 각각에서의 접선이 가지는 기울기 사이의 비율을 의미한다. 그러므로 제1로우비율은 두 개의 제1로우포인트 각각에서의 접선이 가지는 기울기 사이의 비율을 의미한다.For reference, the first ratio refers to the ratio between the slopes of the tangent lines at each first point, as described above. Therefore, the first low ratio means the ratio between the slopes of the tangent lines at each of the two first low points.
또한, 본 발명의 데이터연산부(300)는 제2로우비율 즉, 제2특성함수의 저전압구간에서 선별된 2개의 제2로우포인트 각각에서의 접선이 가지는 기울기 사이의 비율을 연산하고, 제2특성함수의 고전압구간에서 선별된 2개의 제2하이포인트 각각에서의 접선이 가지는 기울기 사이의 비율인 제2하이비율을 연산한다(S3200, S3210). In addition, the
도 8은 도 9에 도시된 제2특성함수의 미분함수를 도시한 그래프로서, 수치적 의미와 전압구간의 구분을 강조하기 위하여 X축에 전압이, Y축에 전하량(충전량)의 미분값이 설정되어 있다.Figure 8 is a graph showing the differential function of the second characteristic function shown in Figure 9. In order to emphasize the numerical meaning and distinction between voltage sections, the differential value of voltage is shown on the It is set.
도 8에 도시된 미분함수(제2특성함수의 미분함수)에서 기울기가 0이 되는 포인트 즉, 원함수인 제2특성함수에서 변곡점이 되는 제2포인트는 저전압구간에서 ⓐ 및 ⓑ가 되며, 고전압구간에서는 ⓒ와 ⓓ가 된다. 그러므로 제2로우포인트는 ⓐ 및 ⓑ이며, 제2하이포인트는 ⓒ와 ⓓ이다.The point where the slope becomes 0 in the differential function (differentiation function of the second characteristic function) shown in FIG. 8, that is, the second point that becomes the inflection point in the second characteristic function, which is the original function, becomes ⓐ and ⓑ in the low voltage section, and at high voltage In the section, it becomes ⓒ and ⓓ. Therefore, the second low point is ⓐ and ⓑ, and the second high point is ⓒ and ⓓ.
이와 같이 본 발명의 데이터연산부(300)에 의하여, 제1로우비율, 제1하이비율, 제2로우비율 및 제2하이비율이 산출되면, 본 발명의 진단데이터생성부(400)는 제1로우비율과 제2로우비율 사이의 비율인 로우특성비율 및 제1하이비율과 제2하이비율 사이의 비율인 하이특성비율을 이용하여 타겟배터리(10)의 진단데이터를 생성한다(S3300).In this way, when the first low ratio, the first high ratio, the second low ratio, and the second high ratio are calculated by the
이와 같이 진단데이터가 생성되면 앞서 설명된 바와 같이 진단데이터에 해당하는 스코어를 연산하는 프로세싱(S3400) 및 타겟배터리(10)를 복수 개 범주로 분류하는 프로세싱이 수행될 수 있다(S3500).When diagnostic data is generated in this way, processing to calculate a score corresponding to the diagnostic data (S3400) and processing to classify the
앞서 설명된 저전압 및 고전압구간의 변곡점에서의 기울기 크기 사이의 비율 관계를 이용하여 산출되는 로우특성비율 및 하이특성비율은 초기배터리를 기준으로 한, 타겟배터리(10)의 곡률이 와해되는 즉, 거동특성의 변화가 붕괴되는 정도를 표상한다.The low characteristic ratio and high characteristic ratio calculated using the ratio relationship between the slope magnitude at the inflection point of the low voltage and high voltage section described above is the behavior in which the curvature of the
이러한 로우특성비율 및 하이특성비율은 양극과 음극 모두의 노화 특성을 각각 반영하는 요소에 해당한다. 이러한 특성을 반영하여 본 발명에서는 이 지표를 열화 인자(Degradation Factor, ξ)로 정의한다(도 10 참조).These low characteristic ratios and high characteristic ratios correspond to factors that reflect the aging characteristics of both the anode and the cathode, respectively. Reflecting these characteristics, in the present invention, this indicator is defined as Degradation Factor (ξ) (see FIG. 10).
도 4는 특성점을 기준으로 전기적 특성값의 변화를 이용하여 진단데이터를 생성하는 프로세싱의 과정을 설명하는 흐름도로서, 타겟배터리(10)의 노화 양상이나 정도 등을 진단하는 다른 실시예의 프로세싱을 설명하는 도면이다.FIG. 4 is a flowchart illustrating the process of generating diagnostic data using changes in electrical characteristic values based on characteristic points, and illustrates processing of another embodiment of diagnosing the aging pattern or degree of the
S4000 내지 S4100 과정은 앞서 상술된 실시예와 대응되므로 그 상세한 설명은 생략한다.Since the processes S4000 to S4100 correspond to the above-described embodiment, detailed description thereof is omitted.
본 발명의 특성점산출부(600)는 복수 개 상기 제1포인트 사이의 위치 관계를 이용한 제1특성점 및 복수 개 상기 제2포인트 사이의 위치 관계를 이용한 제2특성점을 산출한다(S4200).The characteristic
상기 제1(2)특성점은 복수 개 제1(2)포인트 모두를 통계적으로 반영할 수 있는 단일 포인트(sinlge point)로서, 실시형태에 따라서 복수 개(2개) 제1포인트 사이의 중점으로 설정되거나 적절한 비율 관계(내분 관계, 외분 관계 등)을 가지는 위치 정보로 설정되는 등 다양한 적용예가 가능하다.The first (2) characteristic point is a single point that can statistically reflect all of the plurality of first (2) points, and depending on the embodiment, is the midpoint between the plurality (2) first points. Various application examples are possible, such as being set or set as location information with an appropriate ratio relationship (internal relationship, external relationship, etc.).
실시형태에 따라서, 상기 제1특성점은 2개의 제1포인트 각각에서의 접선들이 상호 교차하는 교차점으로, 제2특성점은 2개의 제2포인트 각각에서의 접선들이 상호 교차하는 교차점으로 설정될 수 있다. Depending on the embodiment, the first characteristic point may be set as an intersection where tangent lines at each of two first points intersect, and the second characteristic point may be set as an intersection where tangent lines at each of two second points intersect. there is.
이러한 본 발명의 실시 구성에 의하는 경우, 앞서 설명된 접선 및 접선의 기울기에 관련된 데이터를 더욱 유기적으로 반영할 수 있어 진단데이터 사이의 연관성, 데이터 산출의 효율성과 정밀성 모두를 향상시킬 수 있다.According to this implementation configuration of the present invention, the data related to the tangent line and the slope of the tangent line described above can be reflected more organically, improving both the correlation between diagnostic data and the efficiency and precision of data calculation.
이와 같이 제1 및 제2특성점이 산출되면 본 발명의 진단데이터생성부(400)는 제1특성함수(제1특성데이터)에서 제1특성점에 대응되는 SOC값 및 제2특성함수(제2특성데이터)에서 제2특성점에 대응되는 SOC값을 각각 선별하고(S4300), 이들 사이의 차이값을 연산한 후(S4400), 그 결과값 등을 이용하여 진단데이터를 생성한다(S4500).When the first and second characteristic points are calculated in this way, the
앞서 기술된 바와 같이 본 발명의 구간설정부(500)에 의하여 특성함수 내 저전압구간 및 고전압구간이 설정되는 경우, 본 발명의 특성점산출부(600)는 2개의 제2로우포인트(ⓐ 및 ⓑ, 도 9 등 참조)(제2특성함수의 저전압구간 내 제2포인트(ex. 변곡점)) 사이의 위치 관계를 이용한 제2로우특성점(LCP2, 도 9참조)을 산출한다(S4200, S4210).As described above, when the low-voltage section and the high-voltage section within the characteristic function are set by the
앞서 설명된 실시예에 의하는 경우, 제2로특성점(LCP2)은 제2로우포인트(ⓐ,ⓑ) 각각의 접선이 만나는 교차점(junction of tangent lines)이 된다.In the case of the previously described embodiment, the second low characteristic point LCP2 becomes a junction of tangent lines where the tangent lines of each of the second low points ⓐ and ⓑ meet.
또한, 본 발명의 특성점산출부(600)는 2개의 제2하이포인트(ⓒ 및 ⓓ, 도 9 등 참조) 사이의 위치 관계를 이용한 제2하이특성점(HCP2, 도 9참조)을 산출한다(S4200, S4210).In addition, the characteristic
상술된 방법과 대응되는 방법으로 본 발명의 특성점산출부(600)은 제1특성함수에서 연산되거나 생성되는 데이터를 이용하여 제1로우특성점 및 제1하이특성점을 산출한다(S4200, S4210).In a method corresponding to the method described above, the characteristic
본 발명의 진단데이터생성부(400)는 제2특성함수를 기준으로 제2로우특성점(LCP2)의 좌표[(x,y)=(SOC, V)]에 해당하는 SOC값과 제1특성함수를 기준으로 제1로우특성점의 좌표에 해당하는 SOC값 각각을 선별하고 이들의 차이값을 산출한다.The
이 결과값은 저전압구간을 기준으로 타겟배터리(10)가 노화됨에 따라 SOC의 편의(shift)가 어느 정도 발생하였는지를 정량적으로 판단할 수 있는 지표가 된다.This result serves as an indicator that can quantitatively determine the extent to which the shift in SOC has occurred as the
이와 대응되는 방법을 적용하여, 본 발명의 진단데이터생성부(400)는 고전압구간을 기준으로 제2하이특성점(HCP2)에 해당하는 SOC값과 제1하이특성점에 해당하는 SOC값 사이의 차연산을 수행한다. 이 결과값은 고전압구간을 기준으로 타겟배터리(10)가 노화됨에 따라 SOC의 편이(shift)가 어느 정도 발생하였는지를 정량적으로 판단할 수 있는 지표가 된다.By applying a method corresponding to this, the
초기배터리를 기준으로 하는 타겟배터리(10)의 SOC 편이는 타겟배터리(10)의 노화에 따른 열화 현상에 기인하며, 양극에서 발생된 정도와 음극에서 발생된 정도를 상호 대비시킴으로써 양극과 음극 사이의 열화의 우열 수준을 반영하는 요소로 기능한다. 이러한 점을 반영하여 본 발명에서는 이 지표를 우세 인자(Dominance factor, δ)로 정의한다(도 10 참조).The SOC deviation of the
도 5는 특성점을 기준으로 다른 전기적 특성값의 변화를 이용하여 진단데이터를 생성하는 프로세싱의 과정을 설명하는 흐름도로서, 타겟배터리(10)의 노화 양상이나 정도 등을 진단하는 또 다른 실시예의 프로세싱을 설명하는 도면이다.Figure 5 is a flowchart illustrating the process of generating diagnostic data using changes in other electrical characteristic values based on characteristic points, and is another embodiment of processing for diagnosing the aging pattern or degree of the
도 5에 도시된 실시예는 앞서 도 4를 참조하여 설명된 특성점을 기준으로 전압값 변이의 정도를 평가함으로써 타겟배터리(10)의 노화 양상을 평가 내지 진단하는 실시예에 해당한다.The embodiment shown in FIG. 5 corresponds to an embodiment of evaluating or diagnosing the aging pattern of the
초기배터리와 타겟배터리(10) 사이의 전압값 변이는 앞서 설명된 SOC 편이와는 달리 저전압구간에서 특히 유의미하게 발생한다. 그러므로 도 5의 S5000 내지 S5200은 앞서 도 4에서 설명된 내용과 동일하게 적용할 수 있음은 물론이나, 실시형태에 따라서 저전압구간에서 선별된 제1로우특성점과 제2로우특성점만을 이용할 수 있다(S5050, S5110, S5210).Unlike the SOC shift described above, the voltage value variation between the initial battery and the
앞서 기술된 바와 같이 제1로우특성점과 제2로우특성점이 선별되면, 본 발명의 진단데이터생성부(400)는 제1 및 제2로우특성점 각각에 대응하는 전압값을 추출하고(S5300), 이들 사이의 차이값을 연산하며(S5400) 그 결과값 등을 이용하여 타겟배터리(10)의 진단데이터를 생성한다(S5500).As described above, when the first low characteristic point and the second low characteristic point are selected, the
초기배터리를 기준으로 하는 타겟배터리(10)의 전압 편이(shfit)는 타겟배터리(10)의 노화에 따른 열화 현상에 기인하며, 음극(NE, Negative Electrode)의 열화를 촉진시켜 전체적으로 타겟배터리(10)의 노화를 가속화하는 요소로 기능한다. 이러한 점을 반영하여 본 발명에서는 이 지표를 가속 인자(Acceleration factor, AF)로 정의한다(도 10 참조).The voltage shift (shfit) of the target battery (10) based on the initial battery is due to a deterioration phenomenon due to aging of the target battery (10), and promotes the deterioration of the negative electrode (NE), thereby reducing the overall target battery (10). ) functions as a factor that accelerates the aging process. Reflecting this point, in the present invention, this indicator is defined as acceleration factor (AF) (see FIG. 10).
이하에서는 상술된 진단데이터를 종합적으로 이용하여 진단데이터의 스코어를 산출하는 본 발명의 바람직한 실시예를 상세히 설명한다.Hereinafter, a preferred embodiment of the present invention that calculates the score of the diagnostic data by comprehensively using the above-described diagnostic data will be described in detail.
앞서 설명된 바와 같이 양극의 거동특성이나 노화 양상 등은 음극과 동일하지 않으므로 본 발명은 개별 전극(양극 및 음극)의 진단데이터를 각각 독립적으로 산출하되, 이들을 유기적으로 통합 반영함으로써 타겟배터리(10)의 진단데이터를 최종적으로 정량화하는 프로세싱을 적용한다.As previously explained, the behavior characteristics and aging patterns of the anode are not the same as those of the cathode, so the present invention calculates diagnostic data for individual electrodes (anode and cathode) independently, but integrates and reflects them organically to form a target battery (10). Processing is applied to finally quantify the diagnostic data.
아래 수식은 이러한 본 발명의 기술사상을 표상하는 수식이며, 스코어산출부(700)는 이 수식을 이용하여 진단데이터의 스코어를 산출하도록 구성될 수 있다.The formula below represents the technical idea of the present invention, and the
상기 수학식 1에서, DNPscore는 진단데이터의 스코어, PEscore는 양극에 대한 진단데이터의 스코어, NEscore는 음극에 대한 진단데이터의 스코어이다.In Equation 1, DNP score is the score of diagnostic data, PE score is the score of diagnostic data for the anode, and NE score is the score of diagnostic data for the cathode.
양극에 대한 진단데이터의 스코어인 PEscore는 아래 수식으로 정의될 수 있다.The PE score , which is the score of diagnostic data for the anode, can be defined by the formula below.
상기 수학식 2에서 ξPE(양극의 열화인자(Degradation factor))는 상기 제1 및 제2하이비율 사이의 비율(하이특성비율)이며, δPE(양극의 우세인자(Dominace factor))는 상기 제1 및 제2하이특성점 각각에 대응하는 SOC값의 차이값이다.In Equation 2, ξ PE (Degradation factor of the anode) is the ratio (high characteristic ratio) between the first and second high ratios, and δ PE (Dominance factor of the anode) is the ratio above. It is the difference value of the SOC value corresponding to each of the first and second high characteristic points.
앞서 설명된 바와 같이, 제1하이비율은 제1특성함수의 고전압구간에서 선별된 두 개의 제1하이포인트를 이용하여 연산된 제1비율(접선 기울기 사이의 비율)이며, 제2하이비율은 제2특성함수의 고전압구간에서 선별된 두 개의 제2하이포인트(ⓒ,ⓓ)를 이용하여 연산된 제1비율이다. As previously explained, the first high ratio is the first ratio (ratio between the tangent slopes) calculated using the two first high points selected from the high voltage section of the first characteristic function, and the second high ratio is the 2This is the first ratio calculated using the two second high points (ⓒ,ⓓ) selected from the high voltage section of the characteristic function.
그러므로 하이특성비율인 ξPE는 아래와 같이 수식화될 수 있다. 로우특성비율ξNE도 이와 상응하는 방식으로 수식화될 수 있다.Therefore, the high characteristic ratio, ξ PE , can be expressed as follows. The raw characteristic ratio ξ NE can also be formulated in a corresponding manner.
상기 수식에서 ρh2는 제2하이비율, ρh1은 제1하이비율이며, A는 결과값의 부호 등을 조정하기 위한 상수이다(예를 들어 자연수 "1").In the above formula, ρ h2 is the second high ratio, ρ h1 is the first high ratio, and A is a constant for adjusting the sign of the result (for example, the natural number "1").
음극에 대한 진단데이터의 스코어인 NEscore는 아래 수식으로 정의될 수 있다.NE score , which is the score of diagnostic data for the cathode, can be defined by the formula below.
상기 수학식 4에서 ξNE ((음극의 열화인자(Degradation factor))는 상기 제1 및 제2로우비율 사이의 비율(로우특성비율), δNE(음극의 우세인자(Dominance factor))는 상기 제1 및 제2로우특성점 각각에 대응하는 SOC값의 차이값이며, AF(가속인자, Acceleration factor)는 제1 및 제2로우특성점에 각각 대응하는 전압값의 차이값이다.In Equation 4, ξ NE ( (Degradation factor of the cathode) is the ratio (low characteristic ratio) between the first and second low ratios, and δ NE (Dominance factor of the cathode) is the ratio (low characteristic ratio) between the first and second low ratios. It is the difference value of SOC values corresponding to each of the first and second low characteristic points, and AF (Acceleration factor) is the difference value of voltage values corresponding to each of the first and second low characteristic points.
실시형태에 따라서, 본 발명의 스코어산출부(700)는 아래 수식을 이용하여 진단데이터의 스코어를 산출하도록 구성될 수 있다.Depending on the embodiment, the
상기 수식에서 σ(x)는 활성화함수이다. 활성화함수(Activation Function)는 종합적인 입력 신호를 특정 형태의 출력 신호로 변환하는 함수로서, 입력받은 신호를 어떤 방식으로 출력할지 여부를 결정할 수 있는 함수에 해당한다.In the above formula, σ(x) is the activation function. The Activation Function is a function that converts a comprehensive input signal into a specific type of output signal, and corresponds to a function that can determine how to output the input signal.
예를 들어, 활성화함수로 자주 사용되는 ReLU(Rectified Linear Unit)함수의 경우 음수값이 입력되면 0이 출력되며, 양수값이 입력되면 입력된 크기 그대로 출력되도록 하는 함수이다.For example, in the case of the ReLU (Rectified Linear Unit) function, which is often used as an activation function, when a negative value is input, 0 is output, and when a positive value is input, it is a function that outputs the input size as is.
또한, 활성화함수의 일 예인 Sigmoid(또는 Logistic)함수의 경우, 입력값이 음에 가까울수록 입력이 무시되며, 역치 이상에서 기울기가 증가하여 1에 수렴하는 함수로서 데이터의 중요도에 따라 값의 규모가 결정되므로 통계학, 딥러닝, 생물학 등 여러 분야에 활용된다. In addition, in the case of the Sigmoid (or Logistic) function, which is an example of an activation function, the closer the input value is to negative, the more the input is ignored. Above the threshold, the slope increases and converges to 1, and the scale of the value depends on the importance of the data. Because it is determined, it is used in various fields such as statistics, deep learning, and biology.
Hyperbolic Tangent function, Gomperz function 등이 이에 속한다. Gomperz function의 경우 θ1, θ2, θ3파라미터 값에 따른 함수 형태를 취하며 데이터 민감성 조절이 용이한 특성을 가진다.These include hyperbolic tangent function and Gomperz function. In the case of the Gomperz function, it takes the form of a function according to the θ1, θ2, and θ3 parameter values and has the characteristic of being easy to control data sensitivity.
수학식 5와 같이 양극에 대한 진단데이터의 스코어(PEscore) 및 음극에 대한 진단데이터의 스코어(NEscore)를 연산함에 있어 활성화함수를 이용하게 되면 초기 변화에는 둔감하게 반응하고 역치 이상의 변화에는 민감하게 반응하는 특성을 부여할 수 있어, 각 수치의 특징적 의미를 더욱 부각할 수 있는 장점을 가질 수 있다.As shown in Equation 5, when an activation function is used to calculate the score of diagnostic data for the anode (PE score ) and the score of diagnostic data for the cathode (NE score ), it responds insensitively to initial changes and is sensitive to changes above the threshold. It is possible to give characteristics that respond well, which has the advantage of further highlighting the characteristic meaning of each number.
도 11은 아래 표 1과 같은 다양한 환경에서 노화된 타겟배터리(10)와 해당 타겟배터리(10)에 대응하는 초기배터리 각각의 특성함수 그리고 이를 기초로 상술된 본 발명의 구성을 적용하여 산출된 각 타겟배터리(10)에 대한 진단데이터 스코어(DNPscore)의 예들을 도시한 도면이다.Figure 11 shows the characteristic functions of each
이와 같이 다양한 환경에서 노화된 타겟배터리(10)를 대상으로 DNPscore가 산출되면, 본 발명의 분류처리부(800)는 이들 데이터들의 중위값, 사분위값 등의 통계적 기준값 등을 활용하여 복수 개 범주(class)로 타겟배터리(10)의 추정된 노화의 양상 등을 분류한다(S2500, S3500).When the DNP score is calculated for the
도 12는 상술된 타겟배터리(10)의 DNPscore 및 타겟배터리(10)의 용량손실률(Capacity loss) 두 가지 파라미터를 이용하여 2차원 평면에서 타겟배터리(10)들을 5개의 그룹(class)로 분류한 결과를 도시한 도면이다.Figure 12 classifies the
각 그룹(class)별의 노화 거동 특성을 보충적으로 설명하면 다음과 같다.A supplementary explanation of the aging behavior characteristics of each group (class) is as follows.
Class A에 속한 타겟배터리(10)들의 경우, 양호한 상태를 유지한 채 용량 감소 경향성을 보이는 배터리군에 해당하며, Class B의 경우, 특수한 상태로 단정할 수는 없으나, 싸이클 대비 용량 손실의 정도가 빨라 조절이 필요한 노화 특성을 가지는 타겟배터리(10)로 간주될 수 있다. In the case of the
Class C의 경우, 배터리(타겟배터리)의 수명 저하가 반절 정도 진행됐으나 노화 메커니즘이 양, 음극 간 균형을 무너트리지 않아 온화한 환경에서 수명 주기의 마감까지 연착륙할 수 있는 내부 상태로 평가될 수 있다.In the case of Class C, the lifespan of the battery (target battery) has been reduced by about half, but the aging mechanism does not destroy the balance between the positive and negative electrodes, so it can be evaluated as an internal state that can make a soft landing until the end of the life cycle in a mild environment.
반면, Class D에 속한 배터리들의 경우, 저온 구동, 낮은 전압 범위 반복 싸이클 및 배터리의 한계 수준 급속 충전 등 특수한 열화 환경에 노출된 배터리로서 양, 음극 간 열화 균형에 주의를 기울여야 하며 용량이 유의미하게 남아있는 상태이기에 사용 환경의 개선이 필수적인 배터리들로 추정될 수 있다.On the other hand, in the case of Class D batteries, they are exposed to special deterioration environments such as low-temperature operation, repeated cycles in low voltage ranges, and rapid charging to the battery's limit, so attention must be paid to the deterioration balance between the positive and negative electrodes and the capacity remains significant. It can be assumed that these are batteries in which improvement of the usage environment is essential because of their existing condition.
Class E에 분류된 배터리들의 경우 균형이 와해된 상태로 급격한 충/ 방전의 제한이 요구됨은 물론, 안전사고에 주의가 필요하며 활물질 추출 등 재활용 등이 고려되어야 할 대상으로 추정될 수 있다.In the case of batteries classified as Class E, it can be assumed that restrictions on rapid charging/discharging are required due to the state of imbalance, and caution is required to prevent safety accidents, and recycling, such as extraction of active materials, should be considered.
도 13은 1차 수명 주기에서의 용량 저하를 설명하는 예시 도면, 도 14는 도 13에 예시된 타겟배터리들의 1차 수명 주기에서의 진단 스코어를 설명하는 도면이며, 도 15는 도 13에 예시된 타겟배터리들의 후속 수명 주기에서의 용량손실률을 설명하는 도면이다.FIG. 13 is an example diagram illustrating capacity degradation in the first life cycle, FIG. 14 is a diagram illustrating the diagnostic scores in the first life cycle of the target batteries illustrated in FIG. 13, and FIG. 15 is a diagram illustrating the capacity degradation in the first life cycle. This is a diagram explaining the capacity loss rate in the subsequent life cycle of target batteries.
이들 도면들은 앞서 상술된 본 발명의 진단데이터의 스코어(DNPscore)의 효용성을 보충적으로 설명하기 위한 도면들이다. 도 13의 x축 파라미터는 실효 사이클 수(EFC, Effective Full Cycles)로서 배터리 용량에 해당하는 만큼 에너지를 사용할 때마다 1사이클씩 증가하는 수치를 의미한다.These drawings are drawings for supplementary explanation of the utility of the diagnostic data score (DNP score ) of the present invention described above. The x-axis parameter in FIG. 13 is Effective Full Cycles (EFC), which means a value that increases by one cycle each time energy is used corresponding to the battery capacity.
도 13에 예시된 4가지 타겟배터리(10) 모두 실효 사이클 수가 증가함에 따라 타겟배터리(10)의 SOH가 감소하는, 전체적으로 동일한 거동 특성을 가지므로 SOH만으로는 이들 4가지 타겟배터리(10)의 향후 노화 양상 등을 정밀하게 진단할 수 없다.Since all four
반면, 도 14에 예시된 바와 같이 상술된 본 발명만의 기술 사상이 반영된 DNPScore는 용량 손실률에 따라 서로 다른 특성을 가짐을 확인할 수 있다.On the other hand, as illustrated in FIG. 14, it can be confirmed that the DNP Score , which reflects the technical idea unique to the present invention described above, has different characteristics depending on the capacity loss rate.
도 15는 이들의 향후 노화 양상을 실증적으로 판단하기 위하여, 가혹 환경에서 수명이 소진될 때까지 45℃ 1C 충전/1.25C 방전, 100% 방전 심도를 반복하는 싸이클 조건에서 2차 수명 주기의 실험 결과를 도시한 도면이다.Figure 15 shows the experimental results of the second life cycle under cycle conditions of repeating 45°C 1C charge/1.25C discharge and 100% discharge depth until life is exhausted in a harsh environment in order to empirically determine their future aging patterns. This is a drawing showing.
도 15에서 확인되는 바와 같이, 1차 수명 주기에서 싸이클 당 용량 소모 속도는 상대적으로 빠르나 양극 및 음극의 열화 상태가 역전되지 않은 P-1, P-2 배터리는 싸이클을 정상 수행하여 싸이클 환경에서 겪게 되는 스트레스에 따라 유사한 용량 손실율을 보인다.As can be seen in Figure 15, the rate of capacity consumption per cycle in the first life cycle is relatively fast, but the P-1 and P-2 batteries, in which the deterioration of the anode and cathode have not been reversed, perform the cycle normally and experience the cycle environment. It shows a similar capacity loss rate depending on the stress.
반면, N-1, N-2 배터리의 경우 특수한 열화를 겪어 양, 음극 노화 수준의 균형이 붕괴됨에 따라 동일한 작동 조건에서도 상이한 노화 패턴을 보이며 특히 용량 손실이 비선형적으로 가속화되는 현상으로 배터리의 가치가 상당히 떨어지는 것을 알 수 있다. 따라서, 이러한 배터리의 경우 온화한 환경에서만 사용되도록 구동 환경을 제한하거나 또는 소재 추출 등 재활용 경제성을 고려해야 할 대상으로 간주될 수 있다.On the other hand, N-1 and N-2 batteries undergo special deterioration, and as the balance between positive and negative aging levels is disrupted, they show different aging patterns even under the same operating conditions. In particular, capacity loss is accelerated non-linearly, which increases the value of the battery. It can be seen that is dropping significantly. Therefore, in the case of such batteries, the operating environment may be restricted to be used only in mild environments, or the economics of recycling, such as material extraction, may be considered as subjects to consider.
앞서 건강한 노화 패턴 양상을 가지는 배터리(P-1, P-2)의 DNPscore는 도 14에서 확인되는 바와 같이 0 보다 큰 수를 가짐에 반해, 급격한 성능 열화의 노화 패턴을 보이는 배터리(N-1, N-2)의 DNPscore는 0 보다 작은 분포를 가진다.As can be seen in Figure 14, the DNP score of the batteries (P-1, P-2) with a healthy aging pattern has a number greater than 0, while the battery (N-1) shows an aging pattern of rapid performance deterioration. , N-2)'s DNP score has a distribution smaller than 0.
그러므로 본 발명에서 제안하는 DNPscore는 향후 노화가 진행되는 배터리의 거동 특성, 양상 등을 실제적으로 표상함을 확인할 수 있다.Therefore, it can be confirmed that the DNP score proposed in the present invention actually represents the behavior characteristics and aspects of the battery as it ages in the future.
이하에서는 도 16 내지 도 22를 참조하여, 충전 진행에 따라 타겟배터리(10)의 전압값을 측정하는 방식이 아닌, 수초 정도의 테스트 전류로 타겟배터리(10)의 전압(pOCV)를 추정하고 이를 이용하여 타겟배터리(10)의 특성데이터(특성함수)를 생성하는 실시예에 대하여 상세히 설명하도록 한다.Hereinafter, with reference to FIGS. 16 to 22, instead of measuring the voltage value of the
도 16에 도시된 바와 같이 본 발명의 데이터생성부(100)는 펄스전류 인가부(110), 센싱부(120), 프로파일생성부(130), 전처리부(140), 메인처리부(150), 데이터처리부(160), 인공지능부(170), 학습DB부(175) 및 추정진단부(180)를 포함하여 구성될 수 있다.As shown in Figure 16, the
도 16에 도시된 본 발명의 데이터생성부(100)의 각 구성요소 또한, 물리적으로 구분되는 구성요소라기보다는 논리적으로 구분되는 구성요소로 이해되어야 한다.Each component of the
후술되는 본 발명의 데이터 생성방법 또한, 전체적으로 데이터의 가공, 처리, 연산등에 관한 프로세싱의 집합 내지 알고리즘으로 구현되므로 도 16에 도시된 논리구성들의 조합에 의한 구현은 물론, 컴퓨터 또는 이에 준하는 단말, 모듈 등에 탑재되어 구동되는 소프트웨어의 형태로 구현될 수 있음은 물론이다.The data generation method of the present invention, which will be described later, is also implemented as a whole as a set or algorithm of processing related to data processing, processing, calculation, etc., so it can be implemented by a combination of the logical configurations shown in FIG. 16, as well as a computer or a terminal or module equivalent thereto. Of course, it can be implemented in the form of software that is mounted and driven on the back.
본 발명의 펄스전류 인가부(110)는 진단용 데이터의 생성 대상이 되는 배터리(이하 '타겟배터리'(target battery)라 지칭한다)에 펄스전류 등과 같은 테스트 전류를 인가한다(S310, 도 18 참조).The pulse current applicator 110 of the present invention applies a test current, such as a pulse current, to a battery (hereinafter referred to as a 'target battery') that is the target of diagnostic data generation (S310, see FIG. 18). .
이차전지 기반의 배터리는 적용분야 또는 실시형태 등에 따른 다양한 조합적 구성에 의하여 배터리 셀, 셀 어셈블리, 배터리모듈 또는 배터리팩 등으로 구현될 수 있으며, 본 발명의 핵심적 기술 사상은 pOCV와 같이 배터리의 내재적 특성을 판단할 수 있는 데이터를 생성하는 것이므로 이하 설명에서 배터리는 배터리 셀, 셀 어셈블리, 배터리모듈 또는 배터리팩 등을 통칭하는 객체일 수 있다.Secondary battery-based batteries can be implemented as battery cells, cell assemblies, battery modules, or battery packs through various combinations according to application fields or embodiments, and the core technical idea of the present invention is to improve the battery's inherent power, such as pOCV. Since data that can determine characteristics is generated, in the following description, the battery may be an object that collectively refers to a battery cell, cell assembly, battery module, or battery pack.
이와 같이 타겟배터리(10)에 테트스전류가 인가되면, 본 발명의 프로파일생성부(130)는 센싱부(120)의 감지 프로세싱을 통하여 타겟배터리(10)에 대한 서른 다른 종류의 특성저항(characteristic resistance)의 수치정보인 프로파일저항값을 생성한다(S320).In this way, when the test current is applied to the
배터리는 전기 화학적 반응 등에 기반하므로 그 사용이 지속됨에 따라 양극(음극)이 손상되고 활성 리튬이 손실되는 등의 열화가 발생하며 그에 따른 내재적 저항(IR, internal resistance)이 증가하는 특성을 가지게 된다. Since batteries are based on electrochemical reactions, etc., as their use continues, deterioration such as damage to the anode (cathode) and loss of active lithium occurs, and internal resistance (IR) increases accordingly.
또한, 온도 환경, 전류율(C-rate), 방전 깊이(DOD, Depth Of Discharge)와 같은 외적 요인에 의하여 배터리의 내재적 저항이 급격하게 변화하기도 하며, 활성 리튬의 반응/확산 제약에 따른 리튬석출 현상, 분리막 및 전극 표면 등에 형성되는 이물질에 의한 이온 확산 등과 관련된 저항 증가, 전극의 크랙 손상, 전해질 고갈 등에 따른 저항 증가, 전극-전해질 계면의 고체막(SEI, Solid Electrolyte Interphase) 형성에 따른 전하 전달 저항치 증가 등이 발생한다. In addition, the intrinsic resistance of the battery may change rapidly due to external factors such as temperature environment, current rate (C-rate), and depth of discharge (DOD), and lithium precipitation due to reaction/diffusion restrictions of active lithium. phenomenon, increased resistance due to ion diffusion due to foreign substances formed on the separator and electrode surfaces, increased resistance due to crack damage to the electrode, electrolyte depletion, etc., and charge transfer due to the formation of a solid electrolyte interphase (SEI) at the electrode-electrolyte interface. Resistance increases, etc.
이와 같이 배터리의 저항성분 또는 이의 변화는 배터리의 사용에 따른 내재적 상태를 직간접적으로 표상하게 되므로 본 발명은 노화가 진행되지 않는 미노화배터리(초기배터리 또는 신규배터리)와 타겟배터리(10) 각각의 특성저항 및 그들 사이의 상대적 변화량 등을 지표로 배터리의 내재적 상태 예를 들어, pOCV를 추정하는 방법을 적용한다.In this way, the resistance component of the battery or its change directly or indirectly represents the inherent state resulting from the use of the battery, so the present invention provides a non-aging battery (initial battery or new battery) and a target battery (10) that do not age. A method of estimating the intrinsic state of the battery, for example, pOCV, is applied using the characteristic resistance and the relative amount of change between them as indicators.
구체적으로 상기 특성저항은 아래 수식에 의하여 정해지는 저항성분비 및 저항성장률 중 하나 이상일 수 있다.Specifically, the characteristic resistance may be one or more of resistance secretion and resistance growth rate determined by the formula below.
상기 수식에서 RCR는 저항성분비, RGR는 저항성장률이며, Ra1은 테스트전류 인가에 따른 타겟배터리의 전압 거동 중 최초 임계적 변화가 발생된 시점인 제1시점(t1)의 타겟배터리 저항값, Ra2는 제1시점(t1) 이후의 시점인 제2시점(t2)의 타겟배터리 저항값, Ri2는 타겟배터리와 동일 또는 동등 수준의 스펙을 가지는 초기배터리(pristine battery)의 제2시점(t2) 저항값이다. Ra2 및 Ri2는 실시형태에 따라서 제1시점 이후 제2시점까지 측정된 저항값으로 설정될 수도 있다.In the above formula, RCR is the resistance ratio, RGR is the resistive growth rate, R a1 is the target battery resistance value at the first time point (t 1 ), which is when the first critical change occurs during the voltage behavior of the target battery according to the application of the test current, R a2 is the resistance value of the target battery at the second time point (t 2 ), which is after the first time point (t 1 ), and R i2 is the second pristine battery having the same or equivalent specifications as the target battery. This is the resistance value at the time point (t 2 ). R a2 and R i2 may be set to a resistance value measured from the first time point to the second time point depending on the embodiment.
실시형태에 따라서 상기 특성저항에는 아래 수식에서 정해지는 저항벡터크기가 포함될 수 있다.Depending on the embodiment, the characteristic resistance may include a resistance vector size determined in the formula below.
상기 수식에서 RVS은 저항벡터크기이며, Ri1은 신규배터리(초기배터리)의 상기 제1시점(t1) 저항값이다.In the above formula, RVS is the resistance vector size, and R i1 is the resistance value of the new battery (initial battery) at the first time point (t 1 ).
배터리의 특성저항 생성에 관한 프로세싱 과정을 설명하는 도 19 및 테스트전류(펄스전류) 인가에 따른 배터리의 거동 특성을 나타내는 도 21을 참조하여 상술된 수식과 관련된 내용을 추가적으로 설명하면 다음과 같다.Referring to FIG. 19, which illustrates the processing process for generating characteristic resistance of the battery, and FIG. 21, which shows the behavior characteristics of the battery according to the application of a test current (pulse current), the contents related to the above-mentioned equation are further explained as follows.
타겟배터리(10)에 테스트전류가 인가되면(S400) 시간 경과에 따라 전압이 증가하는 거동특성을 보이는데, 배터리의 내재적 특성에 의하여 도 21에 도시된 바와 같이 수초 이내 타겟배터리(10)의 전압 거동에 임계적 변화가 발생한다(S410).When a test current is applied to the target battery 10 (S400), the voltage increases over time. Due to the inherent characteristics of the battery, the voltage behavior of the
이와 같이 임계적 변화가 발생된 시점이 제1시점(t1)이 되며, 이 제1시점(t1)의 타겟배터리(10)의 저항값이 Ra1이 된다(S420). 도 21의 실시예를 기준으로 할 때, 테스트전류의 크기가 2mA인 경우, Ra1는 오옴의 법칙(Ohm's law)에 따라 110Ω(220mV/2mA)이 된다.In this way, the point in time when the critical change occurs becomes the first time point (t 1 ), and the resistance value of the
제2시점(t2)은 제1시점(t1) 이후, 전압 거동의 변화가 안정화되는 기준 시점으로서 제1시점(t1)을 기준으로 수초 이상으로 정해질 수 있다. 이와 같이 제1시점(t2)에서 기준 시간이 경과되면(S430), 제2시점(t2)의 저항값이 측정된다(S440).The second time point (t 2 ) is a reference point at which the change in voltage behavior stabilizes after the first time point (t 1 ), and may be set to be several seconds or more based on the first time point (t 1 ). In this way, when the reference time has elapsed at the first time point (t 2 ) (S430), the resistance value at the second time point (t 2 ) is measured (S440).
Ra2는 상기 제2시점(t2)에서의 타겟배터리(10) 저항값으로서, 도 21의 실시예에서는 132Ω이 되며, 타겟배터리(10)와 동일 또는 동등 수준의 스펙을 가지는 신규배터리(초기배터리)의 제2시점(t2) 저항값인 Ri2는 65Ω(130mV/2mA)가 되며, Ri1 즉, 제1시점(t1)의 신규배터리의 저항값은 50Ω(100mV/2mA)이 된다.R a2 is the resistance value of the
신규배터리의 제1시점(t1) 저항값 및 제2시점(t2) 저항값은 타겟배터리(10)와 동일한 환경과 조건 등에서 측정될 수 있음은 물론이나, 배터리의 제조 과정에서 제공될 수 있는 스펙(spec,)정보 등을 통해서도 확보될 수 있다. The first time (t 1 ) resistance value and the second time point (t 2 ) resistance value of the new battery can be measured in the same environment and conditions as the
그러므로 신규배터리의 제1시점(t1) 저항값 및 제2시점(t2) 저항값을 획득하는 과정(S450)은 도 19에 예시된 바와 같이 타겟배터리(10)에 대한 저항값을 측정한 이후 진행되는 형태에 국한되지 않는다.Therefore, the process (S450) of acquiring the resistance value at the first time point (t 1 ) and the resistance value at the second time point (t 2 ) of the new battery is to measure the resistance value for the
도 21의 실시예를 기준으로, 본 발명에서 정의되는 저항성분비(RCR), 저항성장률(RGR) 및 저항벡터크기(RVS)는 각각 아래와 같이 연산된다.Based on the embodiment of FIG. 21, the resistive ratio (RCR), resistive growth rate (RGR), and resistance vector size (RVS) defined in the present invention are each calculated as follows.
본 발명의 프로파일생성부(130)는 이와 같이 RCR, RGR 및 RVS 각각에 해당하는 [0.2, 2, 60.4]로 이루어지는 데이터셋 중 하나 이상을 타겟배터리(10)의 프로파일저항값으로 생성한다(S320, S460).The profile generator 130 of the present invention generates one or more of the data sets consisting of [0.2, 2, 60.4] corresponding to RCR, RGR, and RVS, respectively, as the profile resistance value of the target battery 10 (S320 , S460).
타겟배터리(10)의 프로파일저항값이 생성되면, 본 발명의 전처리부(140)는 상기 프로파일저항값을 표상하는 이미지데이터(이하 '제1이미지데이터'라 지칭한다)를 생성한다(S330, S500. 도 20 참조).When the profile resistance value of the
구체적으로 본 발명의 전처리부(140)는 상기 저항성분비(RCR), 저항성장률(RGR) 및 저항벡터크기(RVS) 중 하나 이상을 제1이미지데이터의 색공간데이터 중 하나 이상으로 설정하여 상기 제1이미지데이터를 생성하도록 구성될 수 있다.Specifically, the preprocessor 140 of the present invention sets one or more of the resistive secretion ratio (RCR), resistive growth rate (RGR), and resistance vector size (RVS) to one or more of the color space data of the first image data. 1 It may be configured to generate image data.
이미지데이터를 구성하는 픽셀(pixel)의 색상(color)은 색상혼합의 관점, 휴먼 시각 체계와의 유사성 등의 기준에 따라 RGB, CMYK, CIE, YCbCr 등 다양한 색공간으로 표현될 수 있으며, 이종(異種) 색공간 사이의 변환은 복잡하지 않은 수학적 변환식에 의하여 이루어질 수 있다. The color of the pixels that make up image data can be expressed in various color spaces such as RGB, CMYK, CIE, YCbCr, etc., depending on criteria such as color mixing perspective and similarity to the human visual system, and can be expressed in heterogeneous ( Conversion between heterogeneous color spaces can be accomplished using a simple mathematical conversion formula.
일예로 RGB를 색상공간으로 하는 경우, 본 발명의 전처리부(140)는 저항성분비(RCR), 저항성장률(RGR) 및 저항벡터크기(RVS) 중 하나 이상을 (R, G, B) 중 하나 이상으로 설정하여 제1이미지데이터를 생성한다. For example, when RGB is used as the color space, the preprocessor 140 of the present invention selects one or more of resistive secretion ratio (RCR), resistive growth rate (RGR), and resistance vector size (RVS) as one of (R, G, B). The above settings are used to generate first image data.
제1이미지데이터의 사이즈는 인공지능모델과의 인터페이싱 환경 등을 고려하여 다양하게 설정될 수 있다. 또한, 프로파일저항값은 제1이미지데이터 전체 픽셀 각각에 또는 일부 픽셀에 수록되거나 프로파일저항값이 단일 픽셀로 구성되는 등 다양한 변형례가 가능함은 물론이다.The size of the first image data can be set in various ways considering the interfacing environment with the artificial intelligence model. In addition, of course, various modifications are possible, such as the profile resistance value being recorded in each or some pixels of the first image data, or the profile resistance value being composed of a single pixel.
실시형태에 따라서 예를 들어 R,G,B 중 2개의 성분에 저항성분비와 저항성장률이 각각 설정된다면 R,G,B 중 나머지 하나에는 미리 정해진 기준에 따른 디폴트(default)값이 설정될 수 있다.Depending on the embodiment, for example, if the resistance secretion and resistance growth rate are respectively set for two components among R, G, and B, a default value according to a predetermined standard may be set for the remaining one of R, G, and B. .
본 발명은 인공지능(AI)을 이용하여 특성저항값 즉, 프로파일저항값에 상응하는 pOCV데이터를 추정 생성하도록 구성된다. The present invention is configured to estimate and generate pOCV data corresponding to the characteristic resistance value, that is, the profile resistance value, using artificial intelligence (AI).
인공지능을 구현하는 다양한 방법론 중 적용 효율성을 높이고 입력요소와 출력요소 사이의 상호 매칭 정밀성과 신뢰성을 더욱 향상시키기 위하여 본 발명에서는 입력 이미지 도메인과 출력 이미지 도메인을 상호 변환하여 생성하는 이미지기반 인공지능 모델이 적용되도록 구성될 수 있다.In order to increase application efficiency among various methodologies for implementing artificial intelligence and further improve the precision and reliability of mutual matching between input and output elements, the present invention is an image-based artificial intelligence model that is generated by mutually converting the input image domain and the output image domain. It can be configured to apply this.
이를 위하여 본 발명의 인공지능부(170)는 특성저항을 표상하는 이미지데이터 및 특성저항에 대응하는 의사개방전압(pOCV)을 표상하는 이미지데이터가 쌍(pair)을 이루는 트레이닝데이터를 학습하도록(S300) 구성된다. To this end, the artificial intelligence unit 170 of the present invention learns training data in which image data representing the characteristic resistance and image data representing the pseudo open voltage (pOCV) corresponding to the characteristic resistance are paired (S300). ) is composed.
상기 트레이닝데이터는 본 발명의 학습DB부(175)에 갱신 저장될 수 있으며, 인공지능부(170)에 의하여 연산된 결과 데이터 등도 순환적으로 트레이닝데이터로 활용될 수 있다.The training data can be updated and stored in the learning DB unit 175 of the present invention, and the result data calculated by the artificial intelligence unit 170 can also be cyclically used as training data.
트레이닝데이터를 구성하는 의사개방전압은 장시간 전류 인가 등을 통하여 실제 관측된 전압을 기반으로 생성되는 데이터로서, 온도 환경, 배터리 사용 환경, 배터리의 노화도 등에 따라 분류되는 특성저항과 함께 하나 이상의 집합체로 클러스터화될 수 있다.The pseudo-open voltage that constitutes the training data is data generated based on the voltage actually observed through long-term current application, etc., and is clustered into one or more aggregates with characteristic resistance classified according to temperature environment, battery usage environment, battery aging degree, etc. You can get angry.
의사개방전압이 관측되면 소정 단위를 기준으로 하는 샘플링 프로세싱 및/또는 정규화 프로세싱 등을 거치며, 그 결과값들을 이미지데이터의 각 픽셀에 맵핑하는 과정을 통하여 의사개방전압을 표상하는 이미지데이터를 생성한다.When a pseudo-open voltage is observed, it undergoes sampling processing and/or normalization processing based on a predetermined unit, and the resulting values are mapped to each pixel of the image data to generate image data representing the pseudo-open voltage.
트레이닝데이터의 일 구성으로서, 상기 의사개방전압과 페어(pair)를 이루는 특성저항 및 이 특성저항을 표상하는 이미지데이터는 앞서 설명된 프로파일저항값 및 제1이미지데이터와 대응되는 방법으로 생성될 수 있음은 물론이다.As a component of training data, a characteristic resistance pairing with the pseudo-open voltage and image data representing this characteristic resistance may be generated in a method corresponding to the profile resistance value and first image data described above. Of course.
도 17은 인공지능부(170)에 탑재되는 AI모델(200)의 논리 구조를 개략적으로 설명하는 도면이다.Figure 17 is a diagram schematically explaining the logical structure of the
본 발명에 적용될 수 있는 AI모델(200)은 생성자G(Generator G)(210), 구분자Y(Discriminator Y)(220), 생성자F(Generator F)(230) 및 구분자X(Discriminator X)(240)를 포함하여 구성될 수 있으며, AI모델(200)에서 학습이 완료된 이후, 입력 도메인이 입력되면 생성자G(210)를 통하여 출력 도메인을 생성함으로써 도메인 전환이 이루어질 수 있다. The
본 발명의 상기 AI모델(200)은 입력 도메인을 조건으로, 요구되는 출력 도메인을 생성하는 모델로서 복수 개 생성자과 구분자가 순환 구조를 이루며 학습프로세싱을 진행한다.The
구체적으로, 실제 특성저항을 표상하는 이미지데이터인 실 펄스저항 이미지데이터(Image_Real pulse resistance)(212)가 입력되면 생성자G(210)는 모조 전압 이미지데이터(Image_simulated voltage)(214)를 실 전압 이미지데이터(Image_Real voltage)(232)와 유사하게 생성하도록 학습하고 구분자Y(220)는 모조 전압 이미지데이터(214)와 실 전압 이미지데이터(232)를 비교하여 모조 전압 이미지데이터를 판별해 내도록 학습한다. 이러한 학습 과정은 간단히 도식화할 때 x→G(x)→F(G(x))x의 형태로 순환 일관성(cycle consistency)을 유지하도록 설계될 수 있다.Specifically, when real pulse resistance image data (Image_Real pulse resistance) 212, which is image data representing actual characteristic resistance, is input, generator G (210) converts simulated voltage image data (Image_simulated voltage) 214 into real voltage image data. (Image_Real voltage) 232 is learned to be generated similarly, and the separator Y 220 is learned to distinguish fake voltage image data by comparing the fake voltage image data 214 and the real voltage image data 232. This learning process can be simply schematized as x→G(x)→F(G(x)) It can be designed to maintain cycle consistency in the form of x.
앞서 기술된 바와 같이 본 발명의 전처리부(140)에 의하여 프로파일저항값을 표상하는 제1이미지데이터가 생성되면, 본 발명의 인공지능부(170)는 상술된 바와 같이 학습된 인공지능모델을 이용하여 제1이미지데이터에 상응하는 데이터로서, 의사개방전압(pOCV)을 표상하는 이미지데이터(이하 '제2이미지데이터'라 지칭한다)를 생성한다(S340, S510).As described above, when first image data representing the profile resistance value is generated by the pre-processing unit 140 of the present invention, the artificial intelligence unit 170 of the present invention uses the artificial intelligence model learned as described above. As data corresponding to the first image data, image data representing the pseudo-open voltage (pOCV) (hereinafter referred to as 'second image data') is generated (S340, S510).
데이터 처리의 효율성 등을 높이기 위하여 실시형태에 따라서 메인처리부(150)가 상기 인공지능부(170)를 제어함으로써 상기 제2이미지데이터가 생성되도록 구성될 수 있다.In order to increase the efficiency of data processing, etc., depending on the embodiment, the main processing unit 150 may be configured to generate the second image data by controlling the artificial intelligence unit 170.
이 경우 본 발명의 인공지능부(170)는 전압값을 표상하는 색공간데이터가 이미지데이터를 구성하는 픽셀의 방향성에 따라 시계열적인 값을 가지도록 제2이미지데이터를 생성하도록 구성될 수 있다.In this case, the artificial intelligence unit 170 of the present invention may be configured to generate second image data so that color space data representing voltage values have time-series values according to the direction of pixels constituting the image data.
도 20에 예시된 바와 같이 제2이미지데이터는 색공간데이터가 좌측에서 우측으로 향하는 등의 방향성을 가지면서 맵핑되는 형태로 생성되는 것이 바람직하다. 이러한 실시 구성에 의하면, 직관적 인식력을 향상시킬 수 있음은 물론, pOCV 개형의 렌더링 등을 위한 연산처리 등의 효율성을 높일 수 있다. As illustrated in FIG. 20, the second image data is preferably generated in a mapped form with color space data having a direction such as from left to right. According to this implementation configuration, not only can intuitive recognition be improved, but also the efficiency of computational processing for pOCV reformatting rendering, etc. can be improved.
의사개방전압을 표상하는 이미지데이터의 색공간데이터가 방향성을 가지지도록 구성되는 상술된 내용은 앞서 기술된 트레이닝데이터를 학습하는 과정에서도 동일하게 적용될 수 있음은 물론이다.Of course, the above-described content in which the color space data of the image data representing the pseudo-open voltage is configured to have directionality can be equally applied to the process of learning the training data described above.
이와 같이 제2이미지데이터가 생성되면 본 발명의 데이터처리부(160)는 상기 제2이미지데이터를 대상으로 후가공 프로세싱(샘플링 프로세싱, 스케일링 프로세싱, 그래픽 렌더링 프로세싱 등)을 수행하여 상기 타겟배터리(10)에 대한 pOCV 특성데이터를 생성한다(S350, S530). When the second image data is generated in this way, the data processing unit 160 of the present invention performs post-processing (sampling processing, scaling processing, graphic rendering processing, etc.) on the second image data to the
이와 같이 전압(pOCV 특성데이터)가 생성되면 본 발명의 데이터처리부(160)는 SOC 데이터와의 연계 등을 통하여 상술된 특성데이터(특성함수)를 생성한다.When voltage (pOCV characteristic data) is generated in this way, the data processing unit 160 of the present invention generates the above-described characteristic data (characteristic function) through linkage with SOC data.
구체적으로 본 발명의 데이터처리부(160)는 상기 제2이미지데이터에 수록된 색공간데이터 및 상기 제2이미지데이터에 수록된 색공간데이터의 개수에 따른 단위 크기로 나누어지는 단위 SOC를 이용하여 타겟배터리(10)의 pOCV 특성데이터를 생성하도록 구성될 수 있다.Specifically, the data processing unit 160 of the present invention uses color space data contained in the second image data and a unit SOC divided into a unit size according to the number of color space data contained in the second image data to target battery (10). ) can be configured to generate pOCV characteristic data.
예를 들어, 제2이미지데이터에 수록된 색공간데이터의 개수가 200개인 경우, 0~100%의 범위를 가지는 SOC를 200등분하여 개별 단위 SOC를 결정하여 좌표축(X축)에 설정하고, 제2이미지데이터에 수록된 색공간데이터 각각의 값들을 200개로 나누어진 좌표축(X축) 각각의 위치에 따른 Y좌표값으로 부여하여 pOCV 특성데이터를 생성할 수 있다.For example, if the number of color space data included in the second image data is 200, the SOC with a range of 0 to 100% is divided into 200 equal units, the individual unit SOC is determined, and set on the coordinate axis (X-axis), and the second pOCV characteristic data can be generated by assigning each value of color space data contained in the image data as a Y coordinate value according to the position of each coordinate axis (X axis) divided into 200 coordinates.
타겟배터리(10)의 pOCV 특성데이터가 생성되면 본 발명의 추정진단부(180)는 생성된 pOCV 특성데이터를 이용하여 타겟배터리(10)의 SOH 등을 추정하고 이에 대한 정보데이터를 출력하도록 구성된다.When the pOCV characteristic data of the
도 22는 초기 대비 용량손실률(SOH Loss)을 기준으로 본 발명에 의한 프로세싱의 신뢰성 결과를 도시한 도면이다. 도 22의 Y축은 본 발명에 의하여 생성된 pOCV를 기준으로 연산된 추정 용량손실률(Predicted Capacity Loss)이며, 도 22의 X축은 실제 pOCV를 기준으로 연산된 실제 용량손실률(True Capacity Loss)이다.Figure 22 is a diagram showing the reliability results of processing according to the present invention based on the capacity loss rate (SOH Loss) compared to the initial stage. The Y-axis of FIG. 22 is the predicted capacity loss rate (Predicted Capacity Loss) calculated based on the pOCV generated by the present invention, and the X-axis of FIG. 22 is the actual capacity loss rate (True Capacity Loss) calculated based on the actual pOCV.
도 22에서 확인되는 바와 같이, 이들은 기울기가 1인 선형적(linear) 분포에 수렴하며 실험 결과에 의할 때, MAE(Mean Absolute Error)가 0.118 그리고 결정계수(coefficient of determination, R2)가 96.21%로 나타나므로 본 발명의 구성과 프로세싱을 통하여 수초 내지 수십초 내외에서 추정 생성된 pOCV를 기반으로 하는 용량손실률은 장시간 측정에 의한 실제 pOCV를 기반으로 하는 용량손실률과 동등 수준의 높은 신뢰성을 가질 수 있다.As can be seen in Figure 22, they converge to a linear distribution with a slope of 1, and according to the experimental results, the MAE (Mean Absolute Error) is 0.118 and the coefficient of determination (R 2 ) is 96.21. Since it is expressed in %, the capacity loss rate based on the pOCV estimated to be generated within a few to tens of seconds through the configuration and processing of the present invention can have high reliability at the same level as the capacity loss rate based on the actual pOCV measured over a long period of time. there is.
이상에서 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.Although the present invention has been described above with limited examples and drawings, the present invention is not limited thereto, and the technical idea of the present invention and the description below will be understood by those skilled in the art to which the present invention pertains. Of course, various modifications and variations are possible within the scope of equivalence of the patent claims.
상술된 본 발명의 설명에 있어 제1 및 제2 등과 같은 수식어는 상호 간의 구성요소를 상대적으로 구분하기 위하여 사용되는 도구적 개념의 용어일 뿐이므로, 특정의 순서, 우선순위 등을 나타내기 위하여 사용되는 용어가 아니라고 해석되어야 한다.In the description of the present invention described above, modifiers such as first and second are merely instrumental terms used to relatively distinguish components from each other, and are therefore used to indicate a specific order, priority, etc. It should be interpreted that it is not a valid term.
본 발명의 설명과 그에 대한 실시예의 도시를 위하여 첨부된 도면 등은 본 발명에 의한 기술 내용을 강조 내지 부각하기 위하여 다소 과장된 형태로 도시될 수 있으나, 앞서 기술된 내용과 도면에 도시된 사항 등을 고려하여 본 기술분야의 통상의 기술자 수준에서 다양한 형태의 변형 적용 예가 가능할 수 있음은 자명하다고 해석되어야 한다.The drawings attached to explain the present invention and illustrate its embodiments may be shown in a somewhat exaggerated form in order to emphasize or highlight the technical content of the present invention, but the contents described above and the matters shown in the drawings, etc. Considering this, it should be interpreted as obvious that various types of modifications and application examples may be possible at the level of a person skilled in the art.
상술된 본 발명의 정밀 진단데이터 생성방법 및 배터리 진단용 데이터 생성방법(특성함수 생성방법)은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치(시디롬, 램, 롬, 플로피 디스크, 자기 디스크, 하드 디스크, 광자기 디스크 등)를 포함하며, 유무선 인터넷 전송을 위한 서버도 포함한다.The method of generating precision diagnostic data and the method of generating data for battery diagnosis (characteristic function generation method) of the present invention described above can be implemented as computer-readable codes on a computer-readable recording medium. Computer-readable recording media include all types of recording devices (CD-ROM, RAM, ROM, floppy disk, magnetic disk, hard disk, magneto-optical disk, etc.) that store data that can be read by a computer, and include wired and wireless Internet. It also includes servers for transmission.
1000 : 정밀 진단시스템 100 : 데이터생성부
200 : 포인트선별부 300 : 데이터연산부
400 : 진단데이터생성부 500 : 구간설정부
600 : 특성점산출부 700 : 스코어산출부
800 : 분류처리부
110 : 펄스전류 인가부 120 : 센싱부
130 : 프로파일생성부 140 : 전처리부
150 : 메인처리부 160 : 데이터처리부
170 : 인공지능부 175 : 학습DB부
180 : 추정진단부1000: Precision diagnosis system 100: Data generation unit
200: Point selection unit 300: Data calculation unit
400: Diagnostic data generation unit 500: Section setting unit
600: Characteristic point calculation unit 700: Score calculation unit
800: Classification processing unit
110: pulse current application unit 120: sensing unit
130: Profile creation unit 140: Preprocessing unit
150: main processing unit 160: data processing unit
170: Artificial Intelligence Department 175: Learning DB Department
180: Presumptive diagnosis unit
Claims (14)
상기 특성데이터에서 저전압구간 및 고전압구간을 설정하는 구간설정부;
상기 제1특성데이터의 저전압구간에서 변곡점에 해당하는 제1로우포인트, 상기 제1특성데이터의 고전압구간에서 변곡점에 해당하는 제1하이포인트, 상기 제2특성데이터의 저전압구간에서 상기 제1로우포인트와 동일 순서의 변곡점에 해당하는 제2로우포인트 및 상기 제2특성데이터의 고전압구간에서 상기 제1하이포인트와 동일 순서의 변곡점에 해당하는 제2하이포인트를 각각 두 개씩 선별하는 포인트선별부;
상기 제1로우포인트 각각에서의 접선들이 상호 교차하는 교차점인 제1로우특성점, 상기 제1하이포인트 각각에서의 접선들이 상호 교차하는 교차점인 제1하이특성점, 상기 제2로우포인트 각각에서의 접선들이 상호 교차하는 교차점인 제2로우특성점, 상기 제2하이포인트 각각에서의 접선들이 상호 교차하는 교차점인 제2하이특성점을 산출하는 특성점산출부; 및
상기 제1 및 제2로우특성점 각각에 대응되는 SOC값 사이의 차이값 및 상기 제1 및 제2하이특성점 각각에 대응되는 SOC값 사이의 차이값을 이용하여 상기 타겟배터리의 내재 상태에 대한 진단데이터를 생성하는 것을 진단데이터생성부를 포함하는 특징으로 하는 배터리 정밀 진단시스템. A data generator that generates characteristic data indicating changes in voltage value due to charging or discharging of the battery, and generates first characteristic data targeting the initial battery and second characteristic data targeting the target battery, which is the battery to be diagnosed. ;
a section setting unit that sets a low voltage section and a high voltage section from the characteristic data;
A first low point corresponding to an inflection point in the low voltage section of the first characteristic data, a first high point corresponding to an inflection point in the high voltage section of the first characteristic data, and the first low point in the low voltage section of the second characteristic data. a point selection unit that selects two second low points corresponding to inflection points of the same order and two second high points corresponding to inflection points of the same order as the first high point in the high voltage section of the second characteristic data;
A first low characteristic point which is an intersection point where tangent lines at each of the first low points intersect each other, a first high characteristic point which is an intersection point where tangent lines at each of the first high points intersect each other, and a first low characteristic point at each of the second low points. a characteristic point calculation unit that calculates a second low characteristic point, which is an intersection point where tangent lines intersect each other, and a second high characteristic point, which is an intersection point where tangent lines at each of the second high points intersect each other; and
The intrinsic state of the target battery is determined by using the difference value between the SOC values corresponding to each of the first and second low characteristic points and the difference value between the SOC values corresponding to each of the first and second high characteristic points. A battery precision diagnosis system characterized by including a diagnostic data generation unit for generating diagnostic data.
상기 제1 및 제2로우특성점 각각에 대응하는 전압값 사이의 차연산 결과값을 더 이용하여 상기 진단데이터를 생성하는 것을 특징으로 하는 배터리 정밀 진단시스템.The method of claim 1, wherein the diagnostic data generator,
A precision battery diagnosis system characterized in that the diagnostic data is generated by further using a difference calculation result between voltage values corresponding to each of the first and second low characteristic points.
상기 제1로우포인트 각각에서의 전압증가율 사이의 비율인 제1로우비율, 상기 제1하이포인트 각각에서의 전압증가율 사이의 비율인 제1하이비율, 상기 제2로우포인트 각각에서의 전압증가율 사이의 비율인 제2로우비율 및 상기 제2하이포인트 각각에서의 전압증가율 사이의 비율인 제2하이비율을 연산하는 데이터연산부; 및
아래 수식을 이용하여 상기 진단데이터의 스코어를 산출하는 스코어산출부를 더 포함하는 것을 특징으로 하는 배터리 정밀 진단시스템.
상기 수식에서 DNPscore는 진단데이터의 스코어, PEscore는 양극에 대한 진단데이터의 스코어, NEscore는 음극에 대한 진단데이터의 스코어, ξPE는 상기 제1 및 제2하이비율 사이의 비율, δPE는 상기 제1 및 제2하이특성점 각각에 대응하는 SOC값의 차이값, ξNE는 상기 제1 및 상기 제2로우비율 사이의 비율, δNE는 상기 제1 및 제2로우특성점 각각에 대응하는 SOC값의 차이값, AF는 제1 및 제2로우특성점에 각각 대응하는 전압값의 차이값이다.According to clause 8,
The first low ratio, which is the ratio between the voltage increase rates at each of the first low points, the first high ratio, which is the ratio between the voltage increase rates at each of the first high points, and the voltage increase rate at each of the second low points. a data operation unit that calculates a second low ratio, which is a ratio, and a second high ratio, which is a ratio between the voltage increase rate at each of the second high points; and
A precision battery diagnosis system further comprising a score calculation unit that calculates a score of the diagnostic data using the formula below.
In the above formula, DNP score is the score of diagnostic data, PE score is the score of diagnostic data for the anode, NE score is the score of diagnostic data for the cathode, ξ PE is the ratio between the first and second high ratios, and δ PE is the difference value of the SOC value corresponding to each of the first and second high characteristic points, ξ NE is the ratio between the first and second low ratios, and δ NE is the difference between the first and second low characteristic points, respectively. The difference value of the corresponding SOC value, AF, is the difference value of voltage values corresponding to the first and second low characteristic points, respectively.
복수 개 타겟배터리 각각의 상기 DNPscore를 포함하는 하나 이상의 기준을 이용하여 상기 복수 개 타겟배터리를 복수 개 그룹으로 그룹핑하는 분류처리부를 더 포함하는 것을 특징으로 하는 배터리 정밀 진단시스템.According to clause 9,
A precision battery diagnosis system further comprising a classification processing unit that groups the plurality of target batteries into a plurality of groups using one or more criteria including the DNPscore of each of the plurality of target batteries.
아래 수식을 이용하여 상기 진단데이터의 스코어를 산출하는 것을 특징으로 하는 배터리 정밀 진단시스템.
상기 수식에서 σ(x)는 활성화함수이다.The method of claim 9, wherein the score calculation unit,
A precision battery diagnosis system characterized by calculating the score of the diagnostic data using the formula below.
In the above formula, σ(x) is the activation function.
상기 특성데이터에서 저전압구간 및 고전압구간을 설정하는 구간설정단계;
상기 제1특성데이터의 저전압구간에서 변곡점에 해당하는 제1로우포인트, 상기 제1특성데이터의 고전압구간에서 변곡점에 해당하는 제1하이포인트, 상기 제2특성데이터의 저전압구간에서 상기 제1로우포인트와 동일 순서의 변곡점에 해당하는 제2로우포인트 및 상기 제2특성데이터의 고전압구간에서 상기 제1하이포인트와 동일 순서의 변곡점에 해당하는 제2하이포인트를 각각 두 개씩 선별하는 포인트선별단계;
상기 제1로우포인트 각각에서의 접선들이 상호 교차하는 교차점인 제1로우특성점, 상기 제1하이포인트 각각에서의 접선들이 상호 교차하는 교차점인 제1하이특성점, 상기 제2로우포인트 각각에서의 접선들이 상호 교차하는 교차점인 제2로우특성점, 상기 제2하이포인트 각각에서의 접선들이 상호 교차하는 교차점인 제2하이특성점을 산출하는 특성점산출단계; 및
상기 제1 및 제2로우특성점 각각에 대응되는 SOC값 사이의 차이값 및 상기 제1 및 제2하이특성점 각각에 대응되는 SOC값 사이의 차이값을 이용하여 상기 타겟배터리의 내재 상태에 대한 진단데이터를 생성하는 진단데이터생성단계를 포함하는 것을 특징으로 하는 배터리 정밀 진단방법.A data generation step of generating characteristic data indicating a change in voltage value according to charging or discharging of the battery, and generating first characteristic data targeting the initial battery and second characteristic data targeting the target battery, which is the battery to be diagnosed. ;
A section setting step of setting a low voltage section and a high voltage section from the characteristic data;
A first low point corresponding to an inflection point in the low voltage section of the first characteristic data, a first high point corresponding to an inflection point in the high voltage section of the first characteristic data, and the first low point in the low voltage section of the second characteristic data. A point selection step of selecting two second low points corresponding to inflection points of the same order and two second high points corresponding to inflection points of the same order as the first high point in the high voltage section of the second characteristic data;
A first low characteristic point which is an intersection point where tangent lines at each of the first low points intersect each other, a first high characteristic point which is an intersection point where tangent lines at each of the first high points intersect each other, and a first low characteristic point at each of the second low points. A characteristic point calculation step of calculating a second low characteristic point, which is an intersection point where tangent lines intersect each other, and a second high characteristic point, which is an intersection point where tangent lines at each of the second high points intersect each other; and
The intrinsic state of the target battery is determined by using the difference value between the SOC values corresponding to each of the first and second low characteristic points and the difference value between the SOC values corresponding to each of the first and second high characteristic points. A precision battery diagnosis method comprising a diagnostic data generation step of generating diagnostic data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230061443A KR102666899B1 (en) | 2023-05-12 | 2023-05-12 | System and method for diagnosing internal state of battery based on change of voltage characteristics |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230061443A KR102666899B1 (en) | 2023-05-12 | 2023-05-12 | System and method for diagnosing internal state of battery based on change of voltage characteristics |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102666899B1 true KR102666899B1 (en) | 2024-05-17 |
Family
ID=91331384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230061443A KR102666899B1 (en) | 2023-05-12 | 2023-05-12 | System and method for diagnosing internal state of battery based on change of voltage characteristics |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102666899B1 (en) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100804698B1 (en) | 2006-06-26 | 2008-02-18 | 삼성에스디아이 주식회사 | The method of assuming the state of charge of the battery, battery management system using the method and the driving method of the battery management system using the method |
| KR20160120476A (en) * | 2015-04-08 | 2016-10-18 | 현대자동차주식회사 | Apparatus and Method for caculating degradation degree |
| KR20170068283A (en) | 2015-12-09 | 2017-06-19 | 엘지이노텍 주식회사 | State of charge(SOC) estimation device for battery and method thereof |
| KR101853384B1 (en) | 2015-10-07 | 2018-04-30 | 자동차부품연구원 | Apparatus for analyzing aging states of battery |
| KR101989692B1 (en) | 2017-09-26 | 2019-06-14 | 주식회사 포스코아이씨티 | Method and System for Diagnosing Battery Aging |
| KR20190118535A (en) * | 2018-04-10 | 2019-10-18 | 주식회사 엘지화학 | Apparatus and method for diagnosing battery cell |
| KR20210045830A (en) * | 2019-10-17 | 2021-04-27 | 경북대학교 산학협력단 | State of battery monitoring method and apparatus |
| KR20210064931A (en) * | 2019-11-26 | 2021-06-03 | 주식회사 엘지에너지솔루션 | Apparatus and method for diagnosing battery state |
| JP2022011801A (en) * | 2020-06-30 | 2022-01-17 | 株式会社デンソー | Device for determining deterioration level of secondary battery |
| KR20220045451A (en) * | 2020-10-05 | 2022-04-12 | 주식회사 엘지에너지솔루션 | Apparatus and method for diagnosing state of battery |
| KR20220065604A (en) * | 2020-11-13 | 2022-05-20 | 주식회사 엘지에너지솔루션 | Apparatus and method for diagnosing battery |
-
2023
- 2023-05-12 KR KR1020230061443A patent/KR102666899B1/en active IP Right Grant
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100804698B1 (en) | 2006-06-26 | 2008-02-18 | 삼성에스디아이 주식회사 | The method of assuming the state of charge of the battery, battery management system using the method and the driving method of the battery management system using the method |
| KR20160120476A (en) * | 2015-04-08 | 2016-10-18 | 현대자동차주식회사 | Apparatus and Method for caculating degradation degree |
| KR101853384B1 (en) | 2015-10-07 | 2018-04-30 | 자동차부품연구원 | Apparatus for analyzing aging states of battery |
| KR20170068283A (en) | 2015-12-09 | 2017-06-19 | 엘지이노텍 주식회사 | State of charge(SOC) estimation device for battery and method thereof |
| KR101989692B1 (en) | 2017-09-26 | 2019-06-14 | 주식회사 포스코아이씨티 | Method and System for Diagnosing Battery Aging |
| KR20190118535A (en) * | 2018-04-10 | 2019-10-18 | 주식회사 엘지화학 | Apparatus and method for diagnosing battery cell |
| KR20210045830A (en) * | 2019-10-17 | 2021-04-27 | 경북대학교 산학협력단 | State of battery monitoring method and apparatus |
| KR20210064931A (en) * | 2019-11-26 | 2021-06-03 | 주식회사 엘지에너지솔루션 | Apparatus and method for diagnosing battery state |
| JP2022011801A (en) * | 2020-06-30 | 2022-01-17 | 株式会社デンソー | Device for determining deterioration level of secondary battery |
| KR20220045451A (en) * | 2020-10-05 | 2022-04-12 | 주식회사 엘지에너지솔루션 | Apparatus and method for diagnosing state of battery |
| KR20220065604A (en) * | 2020-11-13 | 2022-05-20 | 주식회사 엘지에너지솔루션 | Apparatus and method for diagnosing battery |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
| Feng et al. | Propagation mechanisms and diagnosis of parameter inconsistency within Li-Ion battery packs | |
| US11637330B2 (en) | Battery charging method and apparatus | |
| CN107290679B (en) | The Intelligentized battery method for detecting health status of charging pile is shared for electric car | |
| CN110678765B (en) | Apparatus and method for testing performance of battery cell | |
| CN116502112B (en) | New energy power supply test data management method and system | |
| CN113887601B (en) | Retired power battery recombination method based on cluster sorting | |
| CN108931729B (en) | A kind of capacity of lithium ion battery circulation degeneration dynamic identifying method | |
| JP6342612B2 (en) | Secondary battery diagnostic device and secondary battery diagnostic method | |
| KR20220045451A (en) | Apparatus and method for diagnosing state of battery | |
| KR20210000207A (en) | Method of detecting internal short-circuit cell | |
| CN112287980A (en) | Power battery screening method based on typical feature vector | |
| CN115270454A (en) | Battery life prediction method and related equipment | |
| KR102666899B1 (en) | System and method for diagnosing internal state of battery based on change of voltage characteristics | |
| CN112084459A (en) | Method and device for predicting battery charge-discharge cycle life, electronic terminal and storage medium | |
| Zhao et al. | Battery degradation stage detection and life prediction without accessing historical operating data | |
| Zhu et al. | A novel fast estimation and regroup method of retired lithium‐ion battery cells | |
| US11385296B2 (en) | Estimating a battery state of an electrochemical battery | |
| Ma et al. | A novel health index for battery RUL degradation modeling and prognostics | |
| Lin et al. | Retired battery screening based on Markov transition field and Swin transformer | |
| Wei et al. | Two-phase early prediction method for remaining useful life of lithium-ion batteries based on a neural network and Gaussian process regression | |
| US20230194622A1 (en) | Battery abnormality diagnosis apparatus and method | |
| US20210123977A1 (en) | Analyzing Electrical Impedance Measurements of an Electromechanical Battery | |
| KR102553873B1 (en) | System and method for generating battery diagnosis data using AI model based on image | |
| Liu et al. | Fast sorting method of retired batteries based on multi-feature extraction from partial charging segment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |