내부 저항은 시간에 따라 변하는 상태 모니터링 신호로 모델링되며, 그 추세는 배터리 열화를 보여줍니다. 노화 시간 (t)에서 배터리 (i)에 대한 일반적인 모델은 다음과 같습니다.
[ CM_i(t)=R_i(t)=b_{i0}+b_{i1}t+b_{i2}t^2+e_i(t) ]
여기서 (R_i(t))는 측정된 내부 저항이고, 계수들은 배터리의 열화 추세를 나타내며, (e_i(t))는 측정 노이즈를 나타냅니다.
핵심 개념은 평균 저항 증가 추세와 그 추세에서 벗어나는 셀별 편차를 모두 모델링하는 것입니다. 혼합효과 회귀는 셀 간 차이를 반영하면서, 수명, 신뢰성 및 위험 분석에 활용할 수 있는 저항 추세를 추정하도록 합니다.
내부 저항이 모니터링 신호가 되는 방식
저항은 제어된 전기적 응답으로부터 측정됩니다
내부 저항은 일반적으로 직접 관찰되지 않으며, 알려진 전류 변동에 대한 전압 응답으로부터 추정됩니다. 짧은 방전 펄스의 경우 다음과 같습니다.
[ R_i(t)=\frac{V_{\text{rest},i}(t)-V_{\text{loaded},i}(t)}{I_i(t)} ]
여기서 (V_{\text{rest}}})는 펄스 전의 전압, (V_{\text{loaded}})는 펄스 중의 전압, (I)는 인가된 전류입니다.
일반적인 시험에서는 선택한 시험 프로토콜에 따라 셀이 충분히 안정화된 후 높은 전류의 펄스를 인가합니다. 그 결과로 얻은 저항 추정값은 셀의 열화 이력에서 하나의 관측값이 됩니다.
저항 증가는 노화를 나타냅니다
배터리가 열화되면 내부 저항은 일반적으로 증가합니다. 저항이 증가하면 부하 상태에서 더 큰 전압 강하가 발생하므로 출력 성능이 감소합니다.
[ \Delta V \approx I R ]
따라서 저항은 과도한 전압 손실 없이 전류를 공급하는 셀의 능력과 직접적으로 관련된 상태 모니터링 신호를 제공합니다.
시험 조건을 제어해야 합니다
저항은 열화뿐만 아니라 온도, 충전 상태, 펄스 지속 시간, 전류 수준 및 안정화 시간에도 영향을 받습니다. 따라서 달력 수명 시험에서는 정의된 온도 및 SoC 조건에서 저항을 측정하여 시간에 따른 변화가 노화로 잘못 해석되지 않도록 합니다.
혼합효과 저항 모델
고정효과는 모집단 추세를 나타냅니다
2차 상태 모니터링 모델은 다음과 같이 작성할 수 있습니다.
[ CM_i(t)=b_{i0}+b_{i1}t+b_{i2}t^2+e_i(t) ]
계수는 다음과 같은 실질적 의미를 가집니다.
- (b_{i0}): 추정된 초기 저항 또는 기준 수준
- (b_{i1}): 대략적인 선형 저항 증가율
- (b_{i2}): 열화 추세의 곡률
- (e_i(t)): 무작위 측정 오차 또는 모델 오차
2차항을 사용하면 열화가 일정한 속도로 진행된다고 가정하지 않고, 노화에 따라 저항 증가율이 변하는 상황을 나타낼 수 있습니다.
무작위효과는 셀 간 변동성을 나타냅니다
셀 (i)의 계수 벡터는 다음과 같습니다.
[ \mathbf b_i= \begin{bmatrix} b_{i0}\ b_{i1}\ b_{i2} \end{bmatrix} ]
일반적으로 다음과 같이 모델링합니다.
[ \mathbf b_i \sim \mathcal N(\boldsymbol\mu_b,\mathbf\Sigma_b) ]
여기서 (\boldsymbol\mu_b)는 평균적인 배터리 추세를 나타내고, (\mathbf\Sigma_b)는 셀 간 변동성을 나타냅니다.
이러한 변동성은 전극 압착 및 셀 조립을 포함한 제조상의 차이에서 발생할 수 있습니다. 따라서 명목상 동일한 두 셀도 서로 다른 저항으로 시작하거나 서로 다른 속도로 열화될 수 있습니다.
측정 노이즈가 모델을 완성합니다
오차항은 다음과 같은 정규분포를 따른다고 가정하는 경우가 많습니다.
[ e_i(t)\sim \mathcal N(0,\sigma_e^2) ]
이를 통해 무작위 측정 변동과 기본 저항 추세를 분리할 수 있습니다. 보다 일반적인 구현에서는 데이터에 비일정 분산이 나타날 경우 작동 조건이나 노화 시간에 따라 노이즈 분산이 변하도록 설정할 수 있습니다.
모델이 열화 분석을 지원하는 방식
추정된 추세는 노이즈가 있는 관측값을 평활화합니다
개별 펄스 측정값은 시험 반복성 및 작동 조건으로 인해 변동할 수 있습니다. 혼합효과 모델을 적합하면 측정된 각 지점을 건강 상태의 확정적인 변화로 간주하는 대신 잠재적인 저항 추세를 추정할 수 있습니다.
그 결과 각 셀에 대해 더 평활하고 통계적으로 해석 가능한 상태 모니터링 신호를 얻을 수 있습니다.
계수는 열화 특성을 제공합니다
적합된 계수는 상태 관련 특성값으로 사용할 수 있습니다.
- 높은 (b_{i0})는 초기 저항이 높다는 것을 나타냅니다.
- 높은 (b_{i1})는 초기 저항 증가가 빠르다는 것을 나타냅니다.
- 양의 (b_{i2})는 저항 증가가 가속되고 있음을 나타냅니다.
- 적합된 전체 곡선은 모델의 유효 범위 내에서 관측되지 않은 노화 시간의 저항을 추정합니다.
이러한 특성값을 사용하면 분석가가 공통의 수학적 기준으로 셀과 배터리 조성을 비교할 수 있습니다.
모델은 모집단 수준의 추론을 가능하게 합니다
계수에 모집단 분포가 존재하므로, 이 분석은 셀 하나씩 적합하는 것 이상의 정보를 제공합니다. 일반적인 열화 거동과 셀 간 차이로 인한 불확실성을 모두 추정합니다.
이 정보는 셀이 시간에 따라 정의된 수명 종료 조건에 도달할 확률을 설명하는 신뢰성 함수 또는 위험 함수를 구성하는 데 사용할 수 있습니다.
수명 종료에는 정의된 임계값이 필요합니다
저항 모델링만으로는 고장을 정의할 수 없습니다. 연구에서는 저항 한계, 출력 성능 한계 또는 용량과 저항을 결합한 요구사항과 같은 수명 종료 기준을 지정해야 합니다.
임계값이 정의되면 적합된 추세를 평가하여 셀이 해당 임계값을 언제 초과할 것으로 예상되는지 추정할 수 있습니다. 그 결과로 얻은 임계값 도달 시간 분포는 수명 및 신뢰성 분석을 지원할 수 있습니다.
시험 조건을 반영한 모델 확장
온도와 SoC는 실험 요인으로 처리할 수 있습니다
서로 다른 온도 또는 SoC 수준에서 측정한 저항값은 이러한 조건을 고려하지 않고 통합해서는 안 됩니다. 실용적인 방법은 각 시험 조건에 대해 별도의 추세를 적합하거나 온도와 SoC를 설명 변수로 포함하는 것입니다.
기본적인 시간 의존 구조는 다음과 같이 유지됩니다.
[ R_i(t)=\text{기준 및 조건 효과}+\text{노화 추세}+\text{셀별 효과}+\text{노이즈} ]
이를 통해 가역적인 작동 조건의 영향이 비가역적인 열화와 혼동되는 것을 방지할 수 있습니다.
용량과 저항은 상호 보완적인 신호를 제공합니다
용량 유지율은 배터리가 공급할 수 있는 전하량을 측정하는 반면, 저항 증가는 배터리가 얼마나 효과적으로 전류를 공급할 수 있는지를 측정합니다. 두 신호를 함께 모니터링하면 하나의 신호에만 의존하는 것보다 서로 다른 열화 양상을 더욱 효과적으로 구분할 수 있습니다.
따라서 저항 추세는 더 광범위한 배터리 상태 모델 내의 하나의 상태 모니터링 채널로 보는 것이 가장 적절합니다.
절충점 이해하기
2차 모델은 유용하지만 항상 유효한 것은 아닙니다
2차 형식은 곡률을 표현할 수 있을 만큼 유연하면서도 추정하기에는 간단합니다. 그러나 실제 열화 과정이 다른 단계로 변화하는 경우, 관측된 노화 구간을 벗어나면 비현실적으로 외삽될 수 있습니다.
따라서 별도 검증 데이터로 검증하고 장기 수명 예측에는 신중하게 사용해야 합니다.
측정 조건이 겉보기 노화를 지배할 수 있습니다
낮은 온도나 다른 SoC로 인해 발생한 저항 증가는 반드시 영구적인 열화를 의미하지는 않습니다. 일관되지 않은 펄스 프로토콜, 안정화 시간 또는 전압 샘플링은 셀 노화와 관련 없는 겉보기 저항 변화를 일으킬 수 있습니다.
의미 있는 추세 비교를 위해서는 표준화된 시험 조건이 필수적입니다.
정규성 가정은 모델링 선택입니다
무작위효과에 대한 다변량 정규분포와 정규 측정 오차 가정은 편리한 통계적 근사입니다. 이러한 가정을 자동으로 받아들이기보다는 잔차와 적합된 계수 분포를 통해 검토해야 합니다.
데이터에 강한 왜도, 이상치 또는 비일정 분산이 나타나는 경우에는 강건 오차 또는 다른 분포 모형이 필요할 수 있습니다.
저항만으로는 완전한 상태 진단이 되지 않습니다
높은 저항은 출력 성능 저하를 나타낼 수 있지만, 근본적인 열화 메커니즘을 고유하게 식별하지는 못합니다. 저항이 변하는 이유를 설명하려면 용량, 온도 응답, 임피던스 특성 및 기타 진단 신호가 필요할 수 있습니다.
목표에 맞는 선택
모델의 적절한 활용 방식은 측정, 비교 또는 예측 중 무엇을 우선시하는지에 따라 달라집니다.
- 주요 관심사가 저항 측정인 경우: 제어된 전류 펄스를 인가하고, 반복 가능한 온도, SoC 및 안정화 조건에서 (R=(V_{\text{rest}}-V_{\text{loaded}})/I)를 계산합니다.
- 주요 관심사가 셀 간 비교인 경우: 정규분포를 따르는 무작위 절편과 추세 계수를 포함한 혼합효과 모델을 적합하여 모집단 거동과 제조 변동성을 분리합니다.
- 주요 관심사가 열화율 추정인 경우: (b_{i1}) 및 (b_{i2})를 사용하여 선형 및 가속 저항 증가를 정량화하고, 의도한 노화 범위에서 2차 형식을 검증합니다.
- 주요 관심사가 수명 또는 신뢰성 예측인 경우: 명시적인 저항 또는 성능 기반 수명 종료 임계값을 정의한 다음, 적합된 추세 분포를 사용하여 임계값 도달 시간과 위험 함수를 추정합니다.
잘 제어된 저항 측정과 검증된 혼합효과 추세 모델을 결합하면 원시 전압 펄스 데이터를 해석 가능한 배터리 열화 신호로 변환할 수 있습니다.
요약 표:
| 모델 구성 요소 | 수식/설명 | 목적 |
|---|---|---|
| 저항 측정 | (R_i(t) = \frac{V_{rest,i}(t) - V_{loaded,i}(t)}{I_i(t)}) | 전류 펄스에 대한 전압 응답으로부터 내부 저항을 추정합니다. |
| 2차 혼합효과 모델 | (CM_i(t) = b_{i0} + b_{i1}t + b_{i2}t^2 + e_i(t)) | 고정효과(모집단)와 무작위효과(셀별)를 사용하여 저항 추세를 모델링합니다. |
| 고정효과 | (b_{i0}, b_{i1}, b_{i2}) | 모집단 기준값, 선형 증가율 및 곡률을 나타냅니다. |
| 무작위효과 | (\mathbf{b}_i \sim \mathcal{N}(\boldsymbol{\mu}_b, \mathbf{\Sigma}_b)) | 계수의 셀 간 변동성을 반영합니다. |
| 측정 노이즈 | (e_i(t) \sim \mathcal{N}(0, \sigma_e^2)) | 무작위 측정 오차를 반영합니다. |
| 수명 종료 기준 | 정의된 임계값(예: 저항 한계) | 적합된 추세와 함께 사용하여 고장 시간을 예측합니다. |
정밀한 상태 모니터링으로 배터리 연구를 한 단계 발전시킬 준비가 되셨나요? KINTEK은 내부 저항 측정을 위한 정밀 테스터를 포함하여 배터리 연구개발을 위한 첨단 실험실 장비를 제공합니다. 당사의 솔루션은 정확한 열화 분석을 지원하고 신뢰할 수 있는 성능을 확보하는 데 도움을 드립니다. 오늘 문의해 주세요 — 당사의 장비가 귀사의 배터리 시험 요구사항에 어떻게 도움이 될 수 있는지 상담해 드립니다. 문의하기.