Press release

2023. 11. 8 (수) 부터 보도해 주시기 바랍니다.

다 써버린 자동차 배터리,‘원스톱’으로 빠르게 진단한다!

UNIST 공동 연구팀, 배터리 분해 없이 내부 진단해 재활용 여부 판단
다양한 배터리에 적용 가능해… J. Mater. Chem. A 표지논문 선정

다 써버린 배터리의 건강상태를 진단하고 재활용 여부를 쉽게 판단할 수 있는 기술이 개발됐다. 기기 종류에 제한받지 않고 진단 가능해 배터리 건전성 관리 분야에 큰 영향을 미칠 것으로 기대된다.

UNIST(총장 이용훈) 에너지화학공학과 김동혁, 최윤석 교수 및 탄소중립대학원 임한권 교수팀은 컴퓨터가 독립적으로 훈련하는 딥러닝을 기반으로 배터리 부품의 건강 상태를 진단할 수 있는 시스템 DeepSUGAR를 개발했다. 학습을 통해 새로운 창작물을 만드는 생성형 인공지능 기술 ‘생성형 대립 신경망(GAN)’과 효과적으로 이미지 처리할 수 있는 ‘합성곱 신경망(CNN)’을 결합했다.

DeepSUGAR는 리튬 배터리를 충·방전 시킬 때 얻은 전압, 전류, 용량 데이터를 빛의 삼원색 값으로 변환해 이미지화한다. 이를 기반으로 딥러닝 모델을 활용해 배터리의 건강 상태를 예측한다. 모듈, 팩 등 배터리 구성에 상관없이 적용 가능해 기존 배터리 진단 방법과 차별화된다.

김동혁 교수는 “충·방전 데이터를 이미지화하는 DeepSUGAR의 특징을 활용해 배터리를 분해하지 않고도 사용된 배터리의 재활용 여부를 판단할 수 있는 검증 시스템을 구축했다”고 설명했다.

연구팀이 구축한 시스템은 생성형 AI를 이용해 배터리의 건강 상태를 바탕으로 배터리 부품인 모듈의 충·방전 데이터까지 뽑아낼 수 있다. 배터리를 분해하거나 실제 충·방전 테스트 없이도 내부 모듈의 재활용 여부를 판단할 수 있는 것이다.

제 1저자 박서정 에너지화학공학과 석박사통합과정연구원은 “개발된 시스템은 생성형 AI를 활용해 팩 충·방전 시험만으로도 각 내부 구성 모듈의 재사용 가능 여부를 확인할 수 있어 재활용 절차를 간소화 시킬 수 있었다”며 “기기 종류에 국한되지 않고 범용적으로 적용할 수 있어, 배터리 재활용 분야에 큰 기여를 할 수 있을 것으로 기대된다”고 설명했다.

또한, 공동 제1저자인 임동준 에너지화학공학과 석박사통합과정연구원은 “배터리 재활용 분야뿐 아니라 실생활에서도 배터리 팩 진단을 통해 내부 모듈의 건강 상태를 예측할 수 있다”며 “성능이 저하된 모듈만 교체할 수 있어 향후 다양한 분야에서 그린에너지를 실현에 도움이 될 것으로 기대된다”고 전했다.

이번 연구는 UNIST 탄소중립실증화센터, 과학기술정보통신부의 바이오·의료기술개발사업, 산업통상자원부의 재원으로 한국산업기술평가관리원의 지원을 받아 수행됐다. 국제학술지 ’재료화학 A (Journal of Materials Chemistry A)’에 10월 17일 온라인 게재됐고, 11월호 표지논문(Back Cover)으로 선정됐다.

(논문명: A deep learning-based framework for battery reusability verification: one-step state-of-health estimation of pack and constituent modules using a generative algorithm and graphical representation)

자료문의

대외협력팀: 서진혁 팀장, 우종민 담당 (052)217-1232

에너지화학공학과: 김동혁 교수 (052)217-2945

  • %ec%97%b0%ea%b5%ac%ec%a7%84-%ec%9c%97%ec%a4%84-%ec%99%bc%ec%aa%bd-%ec%9b%90%ed%98%95%eb%b6%80%ed%84%b0-%ec%9e%84%ed%95%9c%ea%b6%8c-%ea%b5%90%ec%88%98-%ea%b9%80%eb%8f%99%ed%98%81-%ea%b5%90%ec%88%98
  • [연구그림1] One-step 배터리 재사용성 검증 기술
  • [연구그림2] 딥러닝 알고리즘 학습 데이터 생성을 위한 실험 셋업
  • [연구그림3] DeepSUGAR을 이용해 팩의 건강상태를 조건으로 내부 모듈의 충방전 이미지를 복원하여 건강상태를 진단한 결과
  • [연구그림4] Journal of Materials Chemistry A 표지논문(Back Cover) 선정
 

[붙임] 연구결과 개요

1. 연구배경

사용 후 배터리는 회수된 후 배터리의 건강상태(SOH, State-of-Health)를 기준으로 한 잔존가치에 따라 분류된다. 일반적으로 회수된 배터리는 배터리 팩의 충방전 시험을 통한 SOH 테스트를 거친 후 내부 구성 모듈 단위로 분해되어 모듈의 충방전 시험을 통한 SOH 테스트를 거치게 된다. 이러한 평가 프로세스는 충방전 시험을 배터리 팩과 내부 구성 모듈 각각에 대해 진행해야 하므로 시간적 복잡도와 전력 소모가 크다.

뿐 만 아니라, 배터리 SOH는 완만한 기울기의 선형 감소 경향을 보이다 급격한 비선형적 감소 경향으로 이어지는 열화 가속화 현상을 나타낸다. 급격한 비선형적 감소 경향이 시작되는 SOH는 급속 충전 등의 배터리 운용 방식에 따라 큰 차이가 있다. 따라서 사용 후 배터리의 SOH를 수식을 통해 계산해 내는 방법에는 한계가 있다. 이에 배터리 충방전 시험을 통해 얻은 전압, 전류 등의 곡선으로부터 수치화한 개형적 특징으로부터 기계학습 및 신경망에 대한 선행 기술들이 다수 발표되어 왔다. 하지만, 이러한 충방전 시험 곡선의 개형적 특징을 수치화하는 방법론은 배터리 팩의 구성(configuration)에 따라 조금씩 달라지는 프로파일의 형태적 차이를 반영할 수 없다. 이에 배터리 구조에 관계없이 범용적인 적용에 어려움이 있어 배터리 구조 별 개별적인 모델 구축이 필요하다.

이러한 분야적 병목에 따라 본 연구는 배터리 팩 분해 없이 내부 구성 모듈의 건강상태 예측이 가능한 팩과 모듈 평가 시스템 단일화를 목표로 한다. 이를 위해, 전압, 전류, 용량 프로파일을 이미지화하여 합성곱 신경망을 훈련시킴으로서 팩과 내부 모듈에 동시 적용 가능한 범용적 SOH 예측 시스템을 구축하고자 한다. 또한, 조건부 딥러닝 생성모델을 활용하여 배터리 팩의 SOH로부터 내부 구성 모듈의 충방전 곡선을 생성 및 기 훈련된 합성곱 신경망 모델에 입력하여 모듈이 건강상태를 예측함으로써 비침습적인 잔존가치 평가 시스템 구축을 목표로 한다.

2. 연구내용

본 연구는 배터리 팩과 내부 구성 모듈에 동시 적용 가능한 SOH 예측 딥러닝 모델과 배터리 팩의 SOH로부터 내부 구성 모듈의 충방전 데이터를 생성해내는 딥러닝 모델이 유기적으로 연결된 형태로 구성된다. 이를 위해, 배터리 팩과 내부 모듈의 충방전 데이터를 동시에 모니터링 할 수 있는 실험 시스템을 설계했으며, 얻어진 충방전 커브 중 전압, 전류, 용량 프로파일을 이미지화 하여 합성곱 신경망 모델을 학습시킴으로서 배터리 configuration에 관계없이 적용 가능한 SOH 예측 시스템을 구축한다.

위의 훈련된 합성곱 신경망에 배터리 팩의 충방전 시험 곡선을 변환한 이미지를 입력하여 얻은 SOH를 입력값으로하여 내부 모듈의 충방전 전압, 전류, 용량 곡선을 생성하도록 조건부 딥러닝 생성 모델을 학습한다. 이를 통해 생성된 내부 모듈의 충방전 곡선은 다시 이미지화되어 기 훈련된 합성곱 신경망 모델을 통해 내부 모듈의 SOH를 예측할 수 있는 비 침습적인 건강상태 예측을 도모한다.

3. 기대효과

딥러닝 기반의 배터리 건강상태 예측 및 팩과 내부 모듈 평가 시스템 단일화 알고리즘은 측정이 쉬운 충방전 시험 곡선인 전압, 전류, 용량 데이터를 이미지화하여 배터리 configuration에 관계 없이 범용적으로 적용이 가능하다. 한차례의 배터리 팩 충방전 시험 만으로도 팩 분해 없이 내부 모듈의 건강상태를 평가할 수 있어 분류 시험 절차 간소화를 도모할 수 있다. 뿐 만 아니라, 간소화된 분류 시험 절차는 재사용성 검증 시험에 소요되는 시간을 단축할 수 있으며, 시험에 필요한 전력 소모를 줄일 수 있어 환경경제 효율이 높을 것으로 기대된다.

 

[붙임] 용어설명

1. 합성곱 신경망 (Convolutional neural network, CNN)

인간의 시신경을 모방하여 만든 딥러닝 모델 중 하나로, 이미지의 공간적인 특징을 유지하는 장점이 있음.

2. 생성형 대립 신경망 (Generative adversarial networks, GAN)

실제에 가까운 이미지나 사람이 쓴 것 같은 글 등 가짜 데이터를 생성하는 대표적인 생성형 AI.

3. 배터리 configuration

전자기기 구동을 위해서는 가장 기본 단위인 배터리 셀이 수십개에서 많게는 수천개까지 필요하다. 이러한 다량의 배터리 셀을 안전하고 효율적으로 관리하기 위해 여러개의 셀을 묶어 모듈을 만들고, 모듈을 묶어 팩을 구성하게 된다. 이러한 배터리 구성을 배터리 configuration 이라고 한다.

4. State-of-Health (SOH)

배터리의 최초 성능 대비 현재 가진 성능 수준. 이상적인 조건과 비교한 배터리 건강상태 지수이다.

 

[붙임] 그림설명

그림1. One-step 배터리 재사용성 검증 기술

배터리 팩 분해 없이 내부 구성 모듈의 건강상태 예측이 가능한 팩과 모듈 평가 시스템 단일화.

그림2. 딥러닝 알고리즘 학습 데이터 생성을 위한 실험 셋업

배터리 팩과 내부 모듈의 충방전 데이터가 동시 모니터링될 수 있는 실험 시스템 구축.

그림3. DeepSUGAR을 이용해 팩의 건강상태를 조건으로 내부 모듈의 충방전 이미지를 복원하여 건강상태를 진단한 결과

배터리 팩 내부 모듈의 불균일한 열화가 보존된 충방전 데이터 생성을 확인하였으며, 이를 이용해 기 훈련된 CNN 모델에 입력하여 건강상태 예측 시 높은 정확도를 보인다.