[붙임] 연구결과 개요

1.연구배경

고에너지 리튬이온 배터리1는 전자기기, 전기차, 전기 항공기 등 다양한 분야에서 광범위하게 사용되고 있다. 이에 따라 배터리의 수명을 향상시키고 제조 비용을 절감하기 위한 양극재 개발이 필수적이다. 고함량의 니켈이 포함된 NCM2 계층 구조 산화물은 높은 에너지 밀도와 낮은 비용으로 주목받는 양극재 후보이다. 그러나 실제 활용에 있어 표면 격자 붕괴, Ni 용출, 금속 이온 용해 등 화학적·기계적 열화 문제가 배터리의 성능과 안전성을 저하시킨다. 이러한 문제를 해결하기 위해 입자의 농도 구배 형성 및 구형도 확보가 중요하다. 특히 대량 생산 시 조성 불균일성과 입자 크기 편차가 발생하기 쉬워, 실험실 수준의 안정적인 공정 기술을 산업 현장에 적용하는 데에는 한계가 있다. 또한 생산 중 Ni 용출은 입자 크랙을 유발해 품질 저하를 초래하므로 철저한 공정 제어가 요구된다.

2.연구내용

본 연구에서는 대규모 공침 반응3 공정에서 발생하는 Ni 용출 현상을 체계적으로 분석하고, 이를 기반으로 반응 일정을 최적화하였다. 구체적으로, 연속적이고 자동화된 배치 공정에서 교반 속도, pH, 암모니아 농도(NH₄OH)를 정밀하게 제어하여 입자의 균일성과 고밀도화를 달성하였다. 기존 CSTR 및 Couette-Taylor 반응기 방식의 한계를 보완하고, 입자의 구형도 및 농도 구배 특성을 안정적으로 구현할 수 있도록 설계하였다. 아울러, 시간에 따른 설비 성능 저하 및 외부 환경 변화에 따른 데이터 불일치를 극복하기 위해 도메인 적응 인공지능 모델4을 개발하였다. 해당 모델은 시계열 데이터를 활용해 공정 이상 및 결함을 고정밀로 탐지할 수 있도록 설계되었으며, 97.8%의 이상 탐지 정확도를 기록하였다.

3.기대효과

이번 연구를 통해 개발된 NCM 전구체는 실험실과 산업 규모 모두에서 우수한 전기화학적 특성과 높은 수율을 확인했다. 니켈 용출을 억제해 입자 갈라짐을 방지함으로써 양극재의 품질 안정성을 크게 향상시켰다. 또한 인공지능 기반 도메인 적응 기술을 활용해 공정 중 이상 징후를 실시간으로 감지·예측할 수 있게 됐으며, 이를 통해 설비 노후화나 환경 변화로 인한 성능 저하를 최소화할 수 있었다.

AI 적용 전 연간 30개 배치에서 불량이 발생하던 것을 2개 수준으로 줄였으며, 공정 불량으로 인한 원료 손실과 생산 중단 비용을 연간 기준으로 93.3% 줄인 약 22억 원 규모의 비용 절감 효과를 얻을 수 있다.

본 연구는 고성능 리튬이온 배터리의 안정적인 대량 생산을 위한 실질적 기준을 제시하며, 향후 배터리 제조 공정의 디지털 전환에도 기여할 수 있을 것으로 기대된다.

[붙임] 용어설명

1.리튬이온 배터리

리튬이온 배터리는 스마트폰, 노트북, 전기차 등 다양한 전자기기에 사용되는 충전식 배터리로, 양극과 음극 사이를 이동하는 리튬 이온을 통해 전기를 저장하거나 방출한다. 에너지 밀도가 높고 무게가 가벼워 소형 기기 및 이동 수단에 적합하며, 메모리 효과가 적어 반복 충전 시에도 성능 저하가 비교적 적다. 높은 효율성과 긴 수명을 바탕으로 상업적 활용도가 높으며, 친환경 에너지 저장장치로의 활용도 증가해 리튬이온 배터리는 차세대 에너지 저장 기술로 주목받고 있다.

2.NCM 전구체

NCM 전구체는 니켈(Nickel), 코발트(Cobalt), 망간(Manganese) 성분을 일정한 비율로 조합하여 만든 리튬이온 배터리 양극재의 전 단계 소재이다. 이 전구체는 고성능 배터리의 특성과 수명을 결정짓는 핵심 요소로, 주로 분말 형태로 제조된다. 최근에는 고에너지 밀도 및 안정성을 확보하기 위해 니켈 함량이 높은 전구체의 개발이 활발히 이루어지고 있다.

3.공침 반응

공침 반응은 여러 종류의 금속 이온을 수용액 상태에서 동시에 침전시키는 화학 반응으로, 배터리 소재의 전구체 제조 과정에 주로 활용된다. 이 반응을 통해 금속 성분이 고르게 혼합된 고체 형태로 얻어지며, 반응 조건(온도, pH, 농도 등)에 따라 입자 크기 및 조성이 정밀하게 제어될 수 있다. 공정의 일관성과 효율성이 높아 대량 생산에 적합하다.

4.도메인 적응 인공지능 모델

도메인 적응 인공지능 모델은 학습한 데이터와 특성이 다른 새로운 환경(도메인)에서도 높은 예측 정확도를 유지할 수 있도록 설계된 AI 기술이다. 기존 데이터셋으로 학습된 모델이 실제 응용 환경의 데이터와 차이가 있을 경우, 도메인 적응을 통해 성능 저하를 최소화한다. 주로 데이터 수집이 어려운 환경이나 변화가 잦은 산업 현장에서 활용되며, 기존 도메인과 대상 도메인 간의 특징 차이를 효과적으로 줄임으로써 일반화 능력을 향상시킨다.

[붙임] 그림설명

그림 1. 리튬이온 배터리의 구조 및 NCM 양극재의 연구실 규모 제조과 대량 생산 과정의 비교 A. NCM 양극재의 연구실 규모 제조과 대량 생산 과정의 비교 B. 리튬 이온 배터리의 구조 및 충방전 과정 모식도 C. 주사전자현미경(SEM)으로 관찰한 NCM 양극재의 전구체

그림 2. 공정 최적화 및 모니터링 기반의 대량 생산 흐름도 A.대량 생산을 위한 NCM 공정 라인 모식도와 정상 및 불량 생산 과정 예시 B.본 연구의 NCM 대량 생산 흐름도

그림 3. 합성 조건별 NCM 전구체 구형도 및 충방전 성능 비교  A-B. 용액 pH에 따른 전구체 구형도 및 충방전 성능 C-D. 교반기 RPM에 따른 전구체 구형도 및 충방전 성능 E-F. 초기 암모니아 농도에 따른 전구체 구형도 및 충방전 성능

그림 4. 공정 데이터 예시 및 공정 최적화 워크플로우  A.수집한 데이터의 라벨링 기준 및 개별 데이터의 구성 시각화 B.공정 최적화 및 AI 모니터링 워크플로우 C-D. 정상 및 불량 데이터 예시

그림 5. AI 모니터링을 통한 생산 설비 이상 탐지 및 결함으로 인한 NCM 전구체 구형도 A. 실제 생산 라인 내 설비 이상 발생 위치 B. 사례별 AI를 활용한 생산 설비 결함 모니터링 결과 및 결함에 따른 NCM 전구체 구형도