리튬 이온 배터리 노화: 테스트 신호와 열화 메커니즘 연결
두 개의 리튬 이온 셀은 매우 다른 이유로 동일한 양의 용량을 잃을 수 있습니다. 하나는 부반응에서 순환 가능한 리튬을 소모했을 수 있습니다. 다른 하나는 균열 또는 전기 접촉 손실을 통해 전극의 일부를 고립시켰을 수 있습니다. 세 번째는 여전히 많은 양의 리튬 재고를 보유하고 있지만 저항이 증가했기 때문에 테스트 속도에서 더 적은 에너지를 제공할 수 있습니다.
용량 저하는 메커니즘이 아니라 증상입니다. 유용한 노화 연구는 셀 내부에서 무엇이 변했는지, 어떤 작동 스트레스가 그것을 유발했는지, 그리고 어떤 측정 방법이 그 설명을 다른 대안들과 구별할 수 있는지를 묻습니다.
이것이 배터리 노화가 하나의 곡선 또는 하나의 범용 수명 모델로 축소될 수 없는 이유입니다. 화학, 전극 설계, 셀 형식, 온도, 충전 상태, 전류, 압력 및 제조 이력이 상호 작용합니다. 또한 동일한 셀은 노화됨에 따라 지배적인 열화 경로를 다른 경로로 변경할 수 있습니다.
셀의 스트레스 이력으로 시작하세요
진단 데이터를 해석하기 전에 셀이 경험한 것을 재구성하십시오. 캘린더 노화는 셀이 보관되어 있는 동안 발생하며, 시간, 온도, 충전 상태가 반응에 큰 영향을 미칩니다. 사이클 노화는 반복적인 리튬 운송, 부피 변화, 열 발생 및 전류 의존적 분극을 추가합니다. 실제 사용에서는 두 가지가 함께 발생합니다.
프로토콜이 불완전하면 노화 데이터를 비교하기 어렵습니다. 충방전율, 전압 한계, 정전압 유지 기준, 방전 깊이, 휴식 기간, 온도, 관련 압력, 참조 성능 테스트 빈도를 기록합니다. 고속으로 측정된 용량 값은 느리게 측정된 값과 직접 비교할 수 없습니다. 분극은 전압 한계에 도달하기 전에 얼마나 많은 저장된 전하에 접근할 수 있는지 변경하기 때문입니다.
실험실 셀의 경우 제조 이력도 동일한 기록에 속합니다. 슬러리 분산, 코팅 로딩, 기공률, 건조, 전해액 양, 분리막 선택, 스택 압력은 모두 명백한 노화 차이를 만들 수 있습니다. 배터리 슬러리 준비 및 반복 가능한 코인셀 조립에 대한 저희 가이드는 셀 간 변동의 두 가지 일반적인 원인을 다룹니다.
대부분의 관찰 가능한 열화를 설명하는 세 가지 원장
연구자들은 종종 열화를 리튬 재고 손실, 활물질 손실, 저항 또는 수송 변화로 분류합니다. 이는 성능 손실을 설명하는 데 사용되는 모드이며, 단일 화학 반응이 아닙니다. 여러 메커니즘이 각 모드에 기여할 수 있으며, 하나의 메커니즘이 하나 이상의 원장에 영향을 미칠 수 있습니다.
리튬 재고 손실 (LLI)
LLI는 전극 사이를 이동할 수 있는 순환 가능한 리튬이 적다는 것을 의미합니다. 계면층의 성장 및 복원은 리튬과 전해액을 소모할 수 있습니다. 리튬 도금은 특히 충전 조건이 높은 양극 분극을 유발할 때 정상적인 삽입 반응에서 리튬을 제거할 수도 있습니다. 도금된 리튬의 일부는 회수될 수 있지만, 다른 부분은 전기적으로 고립되거나 추가 반응을 일으킬 수 있습니다.
SEI 성장은 많은 흑연 기반 셀에서 중요하지만, 증거 없이 지배적인 원인으로 선언되어서는 안 됩니다. 균형은 전극 화학, 온도, 전압 창, 형성 이력 및 작동 조건에 따라 달라집니다.
활물질 손실 (LAM)
LAM은 전극의 일부가 더 이상 효과적으로 참여할 수 없을 때 발생합니다. 입자가 깨지거나, 전도성 네트워크와의 접촉을 잃거나, 불리한 구조적 변화를 겪거나, 저항성 표면 생성물로 덮일 수 있습니다. 실리콘이 풍부한 양극, 층상 산화물 음극, 흑연 및 리튬 금속은 동일한 방식으로 노화되지 않으므로 LAM의 물리적 원인은 실제로 사용된 재료와 관련되어야 합니다.
기계적 손상은 항상 즉각적인 용량 손실을 일으키지는 않습니다. 새로운 표면은 추가적인 부반응을 유발할 수 있으며, 접촉은 점차적으로 악화될 수 있습니다. 이러한 결합은 단일 진단 신호가 고유한 메커니즘을 거의 식별하지 못하는 이유 중 하나입니다.
저항 및 수송 변화
옴 저항, 계면 전하 이동 거동, 다공성 전극을 통한 이온 수송, 고체 상태 확산은 모두 노화와 함께 변할 수 있습니다. 그 결과는 더 큰 전압 분극, 더 낮은 전력, 더 많은 열 또는 더 높은 속도에서 감소된 사용 가능한 용량으로 나타날 수 있습니다.
저항 성장과 용량 손실은 관련이 있지만 상호 교환될 수 없습니다. 셀은 전력 요구 사항을 충족하지 못하면서 상당한 저속 용량을 유지할 수 있습니다. 반대로, 큰 직류 저항 변화가 명백해지기 전에 리튬 재고가 감소할 수 있습니다.
노화 신호를 층별로 읽기
실용적인 진단은 쉽게 반복할 수 있는 측정에서 시작하여 더 구체적이거나 침습적인 측정으로 발전합니다. 독립적인 신호들 간의 일치는 단일 데이터셋의 복잡한 해석보다 더 설득력이 있습니다.
용량, 에너지 및 쿨롱 효율
참조 성능 테스트는 제어된 조건에서 셀이 얼마나 많은 전하와 에너지를 전달하는지 확립합니다. 각 검사점에서 동일한 온도, 휴식 시간, 속도 및 전압 제한을 사용하십시오. 충전 및 방전 에너지를 모두 추적하면 용량 유지 그래프만으로는 숨겨질 수 있는 증가하는 분극을 나타낼 수 있습니다.
고정밀 쿨롱 효율은 작은 기생 손실을 드러낼 수 있지만, 그 차이는 종종 미묘합니다. 온도 안정성, 전류 정확도, 채널 교정 및 충분한 반복 셀이 중요합니다. 효율 변화는 그 자체로 어떤 부반응이 일어났는지 식별하지 못합니다.
증분 용량 및 차동 전압
증분 용량 분석(ICA, dQ/dV) 및 차동 전압 분석(DVA, dV/dQ)은 전압-용량 데이터를 변환하여 전기화학적 특징의 변화를 더 쉽게 볼 수 있도록 합니다. 피크 이동, 면적 변화 및 변경된 간격은 활물질 손실로부터 전극 균형의 변화를 분리하는 데 도움이 될 수 있습니다.
이러한 방법은 강력하지만 프로토콜 및 처리에 민감합니다. 전류, 온도, 전압 해상도, 평활화 및 셀 이완은 결과에 영향을 미칩니다. 완전 셀 피크는 또한 두 전극의 기여를 결합합니다. 강력한 해석은 일반적으로 시각적 검사에 의해 모든 피크를 할당하는 대신 적절한 하프 셀 참조 데이터 또는 검증된 전극 모델에 의존합니다.
전기화학 임피던스 분광법
EIS는 주파수에 걸쳐 셀 반응을 조사하여 다양한 특성 시간을 가진 프로세스에 접근할 수 있도록 합니다. 옴성, 계면 및 수송 관련 거동의 체계적인 변화를 나타낼 수 있으며 통계 모델에 풍부한 입력을 제공할 수 있습니다.
임피던스 스펙트럼은 자동 응답이 하나 있는 지문이 아닙니다. 등가 회로 피팅은 유일하지 않을 수 있으며, 특징들이 겹칠 수 있습니다. 온도와 충전 상태는 영구적인 열화 없이도 스펙트럼을 이동시킬 수 있습니다. 측정 조건을 보고하고, 피팅 불확실성을 확인하며, 제어된 참조 상태에 걸쳐 추세를 비교하십시오.
네이처 커뮤니케이션스 연구는 기계 학습이 20,000개 이상의 EIS 스펙트럼에서 건강 정보를 추출할 수 있음을 보여주었습니다. 저자들은 또한 중요한 한계를 지적했습니다: 그들의 테스트 셀은 훈련 셀과 동일한 충방전 속도를 사용했으며, 더 넓은 작동 속도 검증이 여전히 필요했습니다. 이 경계는 헤드라인 결과만큼 중요합니다.
전기화학적 단서만으로는 부족할 때
사후 작업은 사이클링, ICA/DVA 및 EIS에서 형성된 가설을 테스트할 수 있습니다. 질문에 따라 연구자들은 현미경, X선 회절, 분광학, 원소 분석, 가스 분석 또는 3전극 측정을 사용할 수 있습니다. 가장 좋은 기술은 의심되는 메커니즘을 반증할 수 있는 것이지, 단순히 상세한 이미지를 생성하는 것이 아닙니다.
셀을 열면 증거가 변경될 수 있습니다. 공기 노출, 세척 용매, 건조, 샘플링 위치 및 분석 전 지연은 표면 종을 변경할 수 있습니다. 노화 테스트가 끝나기 전에 분해를 계획하고, 일치하는 원래 상태의 대조군을 보존하며, 각 샘플이 어디에서 왔는지 정확히 문서화하십시오.
안전 참고 사항: 리튬 이온 셀의 파괴 분석은 반응성 전극과 가연성 전해액을 노출시킬 수 있습니다. 셀 상태를 완전히 평가하고 승인된 불활성 분위기 또는 제어된 환경 절차, 적절한 개인 보호 장비 및 실험실의 폐기물 및 비상 프로토콜을 사용하십시오.
예측은 진단과 다릅니다
기계 학습 모델은 초기 사이클 곡선, 임피던스, 온도 및 작동 이력으로부터 건강 상태 또는 남은 유효 수명을 추정할 수 있습니다. 초기 사이클 예측 연구는 명백한 용량 저하 이전에 유용한 신호가 존재함을 보여주었습니다. 더 최근의 모델은 다양한 온도, 프로토콜, 형식 및 화학에 걸쳐 학습을 전이시키려고 시도합니다.
어떤 오류율도 보편적으로 적용되지 않습니다. 성능은 훈련 모집단, 수명 종료 정의, 미래 의무 사이클 및 목표 셀이 훈련 분포 밖에 얼마나 멀리 떨어져 있는지에 따라 달라집니다. 모델은 노화의 물리적 원인을 식별하지 않고도 끝점을 정확하게 예측할 수 있습니다. 또한 화학 또는 프로토콜 변경 후 실패하는 유용한 상관 관계를 식별할 수도 있습니다.
연구용으로는 개별 사이클보다는 셀별로 훈련-테스트 분할을 보고하고, 진정으로 보지 못한 검증 셀을 보존하며, 불확실성을 정량화하고, 화학 또는 작동 조건의 의도적인 변경 후 성능을 테스트하십시오. 물리학 정보 모델은 일관성을 향상시킬 수 있지만, 물리적 제약은 누락된 열화 메커니즘이나 편향된 데이터를 보상하지 못합니다.
노화 연구를 위한 실용적인 청사진
- 결정을 정의합니다. 연구에 메커니즘 식별, 수명 비교, 전력 제한, 안전 경고 또는 RUL 모델이 필요한지 여부를 명시합니다.
- 일치하는 셀 및 대조군을 구축합니다. 재료 효과를 조립 산포와 구별하기에 충분한 반복 수를 사용합니다.
- 스트레스 및 측정 사이클을 분리합니다. 노화 조건을 일관되게 적용한 다음 표준화된 참조 테스트를 사용하여 비교합니다.
- 보완적인 신호를 수집합니다. 용량 및 에너지를 선택된 전압 분석, 저항, EIS, 온도 또는 가설에 의해 정당화되는 기타 진단과 결합합니다.
- 사전에 사후 검토 기준을 설정합니다. 최종 곡선을 보기 전에 샘플링 지점 및 대조군 재료를 선택합니다.
- 불확실성 및 예외를 보고합니다. 이상치, 실패한 셀, 고정 장치 문제 및 프로토콜 편차는 증거의 일부입니다.
연구에서 메커니즘, 측정 및 예측을 분리하면 배터리 노화가 더 이해하기 쉬워집니다. 용량은 성능이 변경되었음을 알려줍니다. 진단은 가능한 원인을 좁힙니다. 제어된 사후 작업은 이러한 원인을 테스트할 수 있습니다. 그런 다음 예측 모델은 학습할 수 있는 더 깨끗하고 추적 가능한 데이터셋을 갖게 됩니다.
참고문헌
- 리튬 이온 배터리 열화: 알아야 할 사항, 물리화학 화학 물리학 (2021).
- Li-Ion 배터리의 정전류 사이클 데이터 차동 분석, 재료 화학 (2022).
- 기계 학습을 사용하여 임피던스 분광법에서 리튬 이온 배터리의 열화 패턴 식별, 네이처 커뮤니케이션스 (2020).
- 용량 저하 전 배터리 사이클 수명에 대한 데이터 기반 예측, 네이처 에너지 (2019).
- 셀 간 딥 러닝을 이용한 다양한 노화 조건에서의 배터리 수명 예측, 네이처 머신 인텔리전스 (2024).
