KIC News, Volume 23, No. 4, 2020
KIC News, Volume 23, No. 4, 2020 71
기계학습 기반의 리튬이온전지 internal short circuit 탐지
삼성전자(Samsung Electronics)의 Mobile Battery Research 연구실에서 supervised machine learning 을 이용하여 리튬이온전지의 내부 합선 유무 예측 시스템을 개발하는데 성공했다. 리튬이온전지의 높은 에 너지 밀도와 수명으로 스마트폰 등 전자기기에서의 수요가 급증하면서 배터리의 안전 문제가 화두로 떠오 르기 시작했는데 배터리 사고의 대부분이 내부 합선 문제로 인해 발생한다. 이러한 문제를 해결하기 위해 사고의 가능성이 있는 리튬이온배터리를 미리 예측하는 것이 중요하다. 연구팀은 내부 합선이 일어나는 경 우를 모방하기 위해 외부에서 short circuit resistance를 단자에 걸어준 배터리와 문제가 없는 정상적인 배 터리를 스마트폰에 연결하여 각각 charge-discharge 데이터를 수집하였으며 이러한 데이터를 바탕으로 기계학습 모델을 training 시켰다. 또한 생활 속에서 일어날 수 있는 다양한 배터리의 기계적 손상을 구현 하기 위해 무작위로 떨어뜨린 배터리와 정상적인 배터리를 스마트폰에 연결한 후 charge-discharge 데이 터를 수집하였다. 정상적인 배터리인지 문제가 있는 배터리인지를 분류하기 위해 Random Forest 모델을 사용하였으며 모델을 구축한 후에는 testing 데이터를 통해 정확성을 판단했다. 이렇게 수집된 testing 데이 터를 통해 판단된 예측 모델의 정확성은 97%로 매우 정확한 편이었으며 Li 이온 배터리의 안전 문제를 미 리 예측해 해결할 수 있을 것으로 기대된다. 본 연구성과는 2020년 Scientific Reports에 게재되었다
※발표논문: A. Naha et al., Internal short circuit detection in Li-ion batteries using supervised machine learning, Scientific Reports, 10, 1301, 2020.
Figure. 기계학습 기반의 training, testing data 생성 흐름 및 실험 모습 출처: 2020. 1. 28. Scientific Reports (https://www.nature.com/articles/s41598-020-58021-7) 작성: 이 승 걸 (부산대학교)