Development of Novel Fixture for Cylindrical Secondary Battery Cell Using AI-based Predictive Model

Abstract

지속 가능한 발전의 중요성이 높아짐에 따라, 에너지 저장 및 운송, 엔지니어링 등 다양한 산업 분야에서 온실가스 배출량을 줄이고 탄소 중립을 달성하기 위한 노력이 이어지고 있다. 특히 자동차 산업에서는 기존의 내연기관 사용을 줄이기 위해 이차전지의 수요가 급증하고 있다. 원통형 이차전지의 경우, Case 역할을 하는 원통형 공작물 내부 표면에 잔여 가공물이 남아있거나 표면 정도가 고르지 못한 경우, 이차전지의 안정성과 성능에 부정적인 영향을 끼칠 수 있다. 이에 본 연구에서는 유연한 절삭 공구를 사용하는 자기 연마 가공을 통해 원통형 공작물의 내부 표면을 정밀 가공하고자 한다. 현재 내부 자기 연마 가공 장치가 확립되어 있지 않기 때문에, 본 연구에서는 적합한 고정 장치를 설계하기 위하여 동적 자기 역학 해석을 통해 자속밀도 데이터를 획득하고 이를 활용한 표면 가공성 예측 모델을 개발하였다. 최소한의 실험 횟수로 예측 모델을 구축하고 공정 조건 간의 복잡한 관계를 효과적으로 분석할 수 있는 반응표면분석법을 활용하여 자기포화를 방지하는 공정 조건을 설계하였다. 이를 통해 도출된 내부 표면에서 최대 자속밀도를 유지하는 최적 조건은 원주 방향의 영구자석 개수가 7개, 반경 방향의 영구자석 개수가 5개, 공작물과 영구자석 간의 거리가 0.5 mm, 공작물의 회전 속도가 2,500 rpm일 때로 나타났다. 자기 연마 가공의 표면 가공성 예측 모델에는 반응표면분석법과 릿지 회귀 모델, 딥 러닝 모델을 활용하였다. 반응표면분석법의 경우, 중앙합성계획법을 적용하였으며, 결정 계수는 0.9428, 평균 제곱 오차는 0.0016으로 나타났다. 또한, 최적 가공 조건에서의 시뮬레이션 자속밀도 값과 예측 자속밀도 값의 상대오차는 0.74%임을 확인할 수 있었다. 릿지 회귀 모델에서는 정규화 강도를 최적화하기 위하여 grid search, random search, automated optimization 세 가지 기법을 적용하였다. 학습 데이터와 검증 데이터의 예측 정확도는 각각 grid search에서 98.06%, 86.07%, random search에서 98.82%, 87.64%, automated optimization에서 98.87%, 87.63%로 나타났으며 평균 제곱 오차의 경우 grid search에서 0.019, 0.137 나머지 방법에서 0.012, 0.124로 도출되어 반응표면분석법을 활용한 예측 모델 대비 낮은 성능을 가짐을 확인할 수 있었다. 최적 가공 조건에서의 시뮬레이션 값과 예측값 사이의 상대오차 또한 반응표면분석법 대비 증가함을 확인할 수 있었다. 딥 러닝 모델에서 학습 데이터의 예측 정확도는 97.72%, 검증 데이터의 예측 정확도는 98.50%임을 확인할 수 있었으며, 평균 제곱 오차는 5.29×10-4와 5.01×10-4로 나타났다. 또한, 최적 가공 조건에서 실제 값과 예측값의 상대오차는 0.21%로 도출되었다. 본 결과를 통해 딥 러닝을 활용한 표면 가공성 예측 모델이 가장 높은 예측 정확도와 낮은 예측 오차를 가져 자기 연마 가공의 표면 가공성 예측 모델로 적합함을 확인할 수 있었다. 제안한 고정 장치와 시뮬레이션을 기반으로 한 예측 모델의 성능 및 신뢰성을 확인하기 위하여 실제 장치를 사용하여 검증실험을 수행하였다. 최적 가공 조건에서 가공 후 표면거칠기는 0.314 μm로, 산업 표준인 0.350 μm 이하의 수준을 만족하였으며 이를 통해 자기 연마 가공의 표면 품질 향상 효과를 실험적으로 입증하였다. 본 연구의 결과는 단순 원통형 공작물뿐만 아니라 복잡한 형상의 공작물 표면 가공에도 자기 연마 가공이 적용될 수 있음을 보여주며, 실제 산업 활용 가능성 확대에 기여할 것으로 기대된다.