[기계신문] 사용 후 배터리는 회수된 후 배터리의 건강상태(SOH, State-of-Health)를 기준으로 한 잔존가치에 따라 분류된다.
일반적으로 회수된 배터리는 배터리 팩의 충·방전 시험을 통한 SOH 테스트를 거친 후 내부 구성 모듈 단위로 분해되어 모듈의 충·방전 시험을 통한 SOH 테스트를 거치게 된다. 이런 평가 프로세스는 충·방전 시험을 배터리 팩과 내부 구성 모듈 각각에 대해 진행해야 하므로 시간적 복잡도와 전력 소모가 크다.
그런데 최근 다 써버린 배터리의 건강상태를 진단하고 재활용 여부를 쉽게 판단할 수 있는 기술이 개발됐다. 기기 종류에 제한받지 않고 진단 가능해 배터리 건전성 관리 분야에 큰 영향을 미칠 것으로 기대된다.
UNIST 에너지화학공학과 김동혁, 최윤석 교수와 탄소중립대학원 임한권 교수 공동 연구팀이 컴퓨터가 독립적으로 훈련하는 딥러닝을 기반으로 배터리 부품의 건강상태를 진단할 수 있는 시스템 DeepSUGAR를 개발했다.
학습을 통해 새로운 창작물을 만드는 생성형 인공지능 기술 ‘생성형 대립 신경망(GAN)’과 효과적으로 이미지 처리할 수 있는 ‘합성곱 신경망(CNN)’을 결합했다.
DeepSUGAR는 리튬 배터리를 충·방전시킬 때 얻은 전압, 전류, 용량 데이터를 빛의 삼원색 값으로 변환해 이미지화한다. 이를 기반으로 딥러닝 모델을 활용해 배터리의 건강상태를 예측한다. 모듈, 팩 등 배터리 구성에 상관 없이 적용 가능해 기존 배터리 진단 방법과 차별화된다.
김동혁 교수는 “충·방전 데이터를 이미지화하는 DeepSUGAR의 특징을 활용해 배터리를 분해하지 않고도 사용된 배터리의 재활용 여부를 판단할 수 있는 검증 시스템을 구축했다”고 설명했다.
연구팀이 구축한 시스템은 생성형 AI를 이용해 배터리의 건강상태를 바탕으로 배터리 부품인 모듈의 충·방전 데이터까지 뽑아낼 수 있다. 배터리를 분해하거나 실제 충·방전 테스트 없이도 내부 모듈의 재활용 여부를 판단할 수 있는 것이다.
박서정 에너지화학공학과 석박사통합과정연구원은 “개발된 시스템은 생성형 AI를 활용해 팩 충·방전 시험만으로도 각 내부 구성 모듈의 재사용 가능 여부를 확인할 수 있어 재활용 절차를 간소화시킬 수 있었다”며 “기기 종류에 국한되지 않고 범용적으로 적용할 수 있어 배터리 재활용 분야에 크게 기여할 것으로 기대된다”고 말했다.
또한, 임동준 에너지화학공학과 석박사통합과정연구원은 “배터리 재활용 분야뿐 아니라 실생활에서도 배터리 팩 진단을 통해 내부 모듈의 건강상태를 예측할 수 있다”며 “성능이 저하된 모듈만 교체할 수 있어 향후 다양한 분야에서 그린에너지를 실현에 도움이 될 것으로 기대된다”고 언급했다.
한편, 이번 연구는 UNIST 탄소중립실증화센터, 과학기술정보통신부의 바이오·의료기술개발사업, 산업통상자원부의 재원으로 한국산업기술평가관리원의 지원을 받아 수행됐다.
연구 결과는 국제학술지 ’재료화학 A (Journal of Materials Chemistry A)’에 10월 17일 온라인 게재됐고, 11월호 표지논문(Back Cover)으로 선정됐다.
기계신문, 기계산업 뉴스채널