[논문 리뷰] Differential voltage analysis for battery manufacturing process control

Andrew P. Weng, Jason B. Siegel외 1명|arXiv (Cornell University)|2023. 03. 13.

Advanced Battery Technologies Research인용 수 6

한 줄 요약

이 논문은 종량제 배터리 제조 공정 제어를 위한 자동화되고 재현 가능한 차등 전압 분석(DVA) 프레임워크를 제시한다. 전체 전지 전압 곡선을 사용하여 형성 동안 소모된 리튬 및 실용적 음극 대 양극 비율과 같은 전기화학적으로 해석 가능한 지표를 추출한다. 기존의 DVA에 비해 '접근 불가능한 리튬 문제'로 인한 모델 불확실성을 체계화함으로써 비파괴적이고 확장 가능한 진단 기법을 개선하였으며, 제조 변동성과 장기적 세포 성능 간의 연관성을 연결한다.

ABSTRACT

Voltage-based battery metrics are ubiquitous and essential in battery manufacturing diagnostics. They enable electrochemical "fingerprinting" of batteries at the end of the manufacturing line and are naturally scalable, since voltage data is already collected as part of the formation process which is the last step in battery manufacturing. Yet, despite their prevalence, interpretations of voltage-based metrics are often ambiguous and require expert judgment. In this work, we present a method for collecting and analyzing full cell near-equilibrium voltage curves for end-of-line manufacturing process control. The method builds on existing literature on differential voltage analysis (DVA or dV/dQ) by expanding the method formalism through the lens of reproducibility, interpretability, and automation. Our model revisions introduce several new derived metrics relevant to manufacturing process control, including lithium consumed during formation and the practical negative-to-positive ratio, which complement standard metrics such as positive and negative electrode capacities. To facilitate method reproducibility, we reformulate the model to account for the "inaccessible lithium problem" which quantifies the numerical differences between modeled versus true values for electrode capacities and stoichiometries. We finally outline key data collection considerations, including C-rate and charging direction for both full cell and half cell datasets, which may impact method reproducibility. This work highlights the opportunities for leveraging voltage-based electrochemical metrics for online battery manufacturing process control.

연구 동기 및 목표

• 배터리 제조에서 전압 기반 지표를 해석하는 데 있어 모호성과 전문가 의존도를 해결한다.
• 모델 불확실성을 체계화함으로써 종량제 테스트에서 차등 전압 분석(DVA)의 재현성과 해석 가능성 향상.
• 형성 동안 소모된 리튬 및 실용적 음극 대 양극 비율과 같은 새로운 전기화학적 특징을 개발하여 공정 제어에 직접 활용 가능하게 한다.
• 기존의 형성 데이터를 활용해 DVA의 자동화를 통해 확장 가능하고 실시간 제조 공정 모니터링을 가능하게 한다.
• 모델 출력의 재현성을 보장하기 위해 명확한 데이터 수집 지침(C-율, 전류 방향, 스무딩)을 제공한다.

제안 방법

• 전극 용량과 스토이히오메트리의 모델링과 진짜 값 간의 격차를 보정하기 위해 '접근 불가능한 리튬 문제'를 고려한 물리 기반 전기화학 모델을 사용해 DVA를 재구성한다.
• 전체 전지 전압 곡선을 적합하고 주요 매개변수인 양극/음극 전극 용량, 初기 스토이히오메트리, SEI 형성으로 인한 리튬 손실량을 추정하기 위해 비선형 최소 제곱 최적화 프레임워크를 도입한다.
• 모델 출력에서 유도된 지표인 가용 리튬 인벤토리, 실용적 음극 대 양극 비율(NP 비율), 그리고 음극 과잉 용량을 정의한다.
• 전체 전지 및 반전지 전압 데이터를 모두 활용하여 매개변수 식별성 향상과 모델 예측의 불확실성 감소를 도모한다.
• 노이즈 유도 변동성을 최소화하기 위해 데이터 스무딩과 신중한 C-율 선택을 적용한다.
• MATLAB 및 Python을 사용해 엔드 투 엔드 분석을 구현하였으며, 오픈소스 코드와 데이터셋을 공개하여 보급한다.

실험 결과

연구 질문

• RQ1 차등 전압 분석을 어떻게 체계화할 수 있을까? 이는 배터리 제조에서의 재현성 향상과 전문가 의존도 감소에 기여한다.
• RQ2 DVA에서 유도할 수 있는 새로운 전기화학적 특징은 무엇이며, 이는 공정 제어와 장기 성능에 직접적으로 어떻게 기여할 수 있는가?
• RQ3 데이터 수집 프로토콜의 변동성(C-율, 전류 방향, 스무딩)이 DVA에서 유도된 지표의 재현성에 어떤 영향을 미치는가?
• RQ4 '접근 불가능한 리튬 문제'는 DVA 기반 매개변수 추정에 얼마나 큰 편향을 유도하는가? 이를 어떻게 보정할 수 있는가?
• RQ5 파괴적 테스트 없이도 DVA는 SEI 형성의 차이나 전극 적재량의 이질성과 같은 의미 있는 제조 변동성을 감지할 수 있는가?

주요 결과

• 다시 구성된 DVA 모델은 접근 불가능한 리튬 문제를 성공적으로 고려하여, 추정된 전극 용량과 스토이히오메트리의 체계적 오차를 감소시켰다.
• 이 방법은 두 개의 세포 배치 간에 SEI 형성 동안 소모된 리튬의 3배 이상의 차이를 비파괴적 분석을 통해 탐지하여, 뚜렷한 제조 변동성을 드러냈다.
• 한 배치에서의 전체 전지 용량 변동성은 양극 적재량의 변동성으로 인해 기인하는 것으로 규명되었으며, 이는 성능 차이의 근본 원인을 특정하는 데에 본 방법의 능력을 입증한다.
• 실용적 음극 대 양극 비율과 가용 리튬 인벤토리는 성공적으로 추정되었으며, 제조 이질성에 민감하게 반응하는 것으로 확인되었다.
• C-율과 전류 방향과 같은 데이터 수집 매개변수는 모델 출력의 재현성에 중대한 영향을 미치며, 느린 C-율과 일관된 충전 방향이 안정성을 향상시킨다.
• 오픈소스 구현과 공개된 데이터셋은 복제 가능성과 산업 공정 제어 파이프라인에의 통합을 가능하게 한다.

Figure 1: Summary of how differential voltage analysis can enable coordinated battery manufacturing process control via end-of-line testing . The provided table describes the voltage-based electrochemical features derived from the method, including applications in manufacturing and test design consi