조나스 위트 | Siemens 올해의 발명가 | 신인
리튬 이온 배터리에는 알루미늄 음극 (- 극) 과 구리 양극 (+ 극) 이 있어요.제조 과정에서 활성 물질 (예: 리튬 코발트 산화물이나 리튬 철 인산염) 을 긴 구리 또는 알루미늄 호일 스트립에 얇게 도포해요.이 긴 전극 스트립을 작은 조각으로 잘라서 결합해서 개별 배터리 셀에 감거나 쌓아 올려요.“금속 호일 코팅은 중요한 공정 단계예요.활성 층의 두께는 호일 전체 너비에 걸쳐 균일해야 해요.” 라고 조나스는 말합니다.“배터리 셀 불량의 주요 원인은 여기 오류예요.인정받고 있는 두 가지 발명품은 우리가 이 생산 단계를 더 잘 이해하고 개선하는 데 도움이 돼요.”
오류의 원인을 더 정확하게 추적할수록 솔루션 개발이 더 쉬워져요. 이 원칙은 배터리 제조에도 적용돼요.조나스와 그의 팀은 특정 배터리 셀과 그것을 생산하는 구리/알루미늄 호일 스트립 부분을 연결할 방법을 찾았어요.조나스는 이렇게 설명합니다. “예전에는 긴 조각의 소재에 생산 데이터를 할당했어요.“저희 새 시술은 더 정확하고 비침습적이에요.재료의 표면 패턴이 개별 코팅 세그먼트마다 고유하다는 것을 발견했어요. 지문처럼 말이죠.세그먼트마다 패턴의 차이가 너무 명확해서 특정 배터리 셀의 경우 제조된 정확한 호일 세그먼트, 제조 시기, 사용된 설정을 추적할 수 있어요.이 지식으로 우리는 옛날 표시를 더 이상 쓸모없게 만들었을 뿐만 아니라 폐기물이 언제, 왜 그렇게 많이 또는 거의 나오지 않았는지 그 어느 때보다 정확하게 분석할 수 있어요.”
생산 기계의 정확한 캘리브레이션이 핵심 요소예요.조나스는 이렇게 말합니다. “기계 작업자는 일반적으로 프로세스 파라미터를 최적으로 설정하는 데 필요한 적절한 감각을 기르려면 몇 달 동안 교육을 받아야 해요.“많은 양의 스크랩이 만들어지는 경우가 많아요. 뭔가를 간과했기 때문이에요.”그래서 조나스랑 그의 팀이 고도로 숙련된 기계 작업자의 검사 행동을 이용해 AI 모델을 훈련시켰어요. 진행 중인 작업 중에 최적의 구성을 위한 권장 사항을 제공하는 시스템을 개발하기 위해서예요.조나스는 이렇게 단언합니다. “운영 데이터를 기반으로 보면 잘 훈련된 AI 모델은 최적에서 너무 멀리 벗어날 때 이를 훨씬 더 빨리 인식해요.“가까운 장래에 코팅 공정을 완전 자동으로 제어하여 배터리 셀의 불량률을 약 10% 줄일 수 있게 하는 것이 목표예요.상업용 면허는 이미 땄어요.”