[논문 리뷰] Feature Analyses and Modelling of Lithium-ion Batteries Manufacturing based on Random Forest Classification

Kailong Liu, Xiao Hu외 4명|arXiv (Cornell University)|2021. 02. 10.

Advanced Battery Technologies ResearchEngineering참고 문헌 36인용 수 18

한 줄 요약

이 논문은 랜덤 포레스트(RF) 기반 프레임워크를 제안하여 리튬이온 이차전지 제조 특성을 분석하고 모델링한다. 배치 외 예측(out-of-bag predictions), 지니 중요도(Gini importance), 예측 상관도 측도(PM熟悉 of Association, PMOA)를 사용하여 특성 중요도와 상관관계를 정량화한다. 이 방법은 전극 질량 적재량 분류에 대해 90.1%의 매크로 F1, 다공도 분류에 대해 66.4%의 매크로 F1를 기록하여 높은 분류 정확도를 달성하며, 해석 가능한 민감도 분석과 차원 축소를 가능하게 한다.

ABSTRACT

Lithium-ion battery manufacturing is a highly complicated process with strongly coupled feature interdependencies, a feasible solution that can analyse feature variables within manufacturing chain and achieve reliable classification is thus urgently needed. This article proposes a random forest (RF)-based classification framework, through using the out of bag (OOB) predictions, Gini changes as well as predictive measure of association (PMOA), for effectively quantifying the importance and correlations of battery manufacturing features and their effects on the classification of electrode properties. Battery manufacturing data containing three intermediate product features from the mixing stage and one product parameter from the coating stage are analysed by the designed RF framework to investigate their effects on both the battery electrode active material mass load and porosity. Illustrative results demonstrate that the proposed RF framework not only achieves the reliable classification of electrode properties but also leads to the effective quantification of both manufacturing feature importance and correlations. This is the first time to design a systematic RF framework for simultaneously quantifying battery production feature importance and correlations by three various quantitative indicators including the unbiased feature importance (FI), gain improvement FI and PMOA, paving a promising solution to reduce model dimension and conduct efficient sensitivity analysis of battery manufacturing.

연구 동기 및 목표

• 리튬이온 이차전지 제조 공정에서 복잡하고 상호의존적인 특성들을 분석하기 위한 해석 가능한 데이터 기반 방법의 부족을 보완한다.
• 공정 변수가 전극 특성에 미치는 영향을 이해하는 데 있어 시험적·오차 중심 접근법과 투명성 없는 모델의 한계를 극복한다.
• 민감도 분석과 모델의 해석 가능성 향상을 위해 특성 중요도와 상관관계를 동시에 정량화하는 체계적인 프레임워크를 개발한다.
• 혼합 및 코팅 공정 단계에서의 제조 데이터를 활용하여 핵심 전극 특성인 질량 적재량과 다공도를 신뢰성 있게 분류할 수 있도록 한다.
• 배터리 제조 공급망에서 모델 차원 축소 및 공정 이해 향상을 위한 확장 가능한 솔루션을 제공한다.

제안 방법

• 배터리 제조 데이터에 기반한 랜덤 포레스트(RF) 분류기를 사용하며, 성능 추정에 배치 외(OOB) 예측을 활용하여 편향 없는 평가를 수행한다.
• 각 특성(AMMC, StoLR, CG, 점도)이 전극 질량 적재량 및 다공도 분류 정확도에 기여하는 정도를 지니 중요도로 정량화한다.
• 예측 상관도 측도(PMOA)를 적용하여 특성 간 쌍별 상관관계를 추정하고, 강한 상관관계를 가지는 특성 조합을 식별한다.
• OOB 오차, 지니 중요도, PMOA의 세 가지 별도 지표를 통합하여 종합적인 특성 분석을 위한 유일한 프레임워크를 구성한다.
• 정확한 비교를 위해 경쟁 모델(DT, KNN, SVM)의 초모수를 랜덤 탐색을 통해 최적화한다.
• 5개의 교차검증 폴드를 사용하여 매크로 F1 및 AUC를 주요 지표로 삼아 분류 성능을 평가한다.

실험 결과

연구 질문

• RQ1 데이터 기반 접근법을 통해 리튬이온 이차전지 제조 공정 데이터에서 특성 중요도와 상관관계를 어떻게 체계적으로 정량화할 수 있는가?
• RQ2 혼합 공정 단계의 특성(AMMC, StoLR, 점도, CG)이 전극 질량 적재량 및 다공도 분류에 얼마나 영향을 미치는가?
• RQ3 제안된 RF 프레임워크는 이와 같은 맥락에서 다른 기계학습 모델(DT, KNN, SVM 등)과 비교해 볼 때 분류 성능가 얼마나 뛰어나게 되는가?
• RQ4 각 제조 공정 특성이 전극 질량 적재량 및 다공도 예측에 기여하는 상대적 기여도는 어느 정도인가?
• RQ5 특성 간 상호의존성을 식별함으로써 이 프레임워크는 차원 축소 및 민감도 분석을 지원할 수 있는가?

주요 결과

• 제안된 RF 프레임워크는 전극 질량 적재량 분류에 대해 90.1%의 매크로 F1, 다공도 분류에 대해 66.4%의 매크로 F1를 기록하여 DT, KNN, SVM보다 두 지표 모두에서 뛰어난 성능을 보였다.
• 코팅 무게(CG)는 전극 질량 적재량 예측에서 가장 중요한 특성으로, 제거 시 지니 불순도가 60.7% 감소함을 확인하였다.
• AMMC와 StoLR는 질량 적재량과 다공도 모두에서 높은 상관관계(PMOA > 0.6)를 보였으며, 슬러리 조성에서의 공통적 역할로 인해 강한 기능적 관계를 가짐을 시사한다.
• 점도는 다공도 분류에 있어 낮은 중요도를 보였으며, 슬러리 가공 공정에서의 역할에도 불구하고 이 성질에 직접적인 영향을 미치지 못함을 시사한다.
• 프레임워크는 건조 및 캘린더링 파rameter가 다공도 예측에 매우 중요할 수 있음을 드러내었으며, 현재의 특성만으로는 최적의 분류 성능를 달성하지 못함을 시사한다.
• OOB 오차, 지니 중요도, PMOA의 통합은 민감도 분석 및 배터리 제조 모델링에서 효과적인 차원 축소를 가능하게 하는 강력하고 해석 가능한 특성 분석 방법을 제공한다.