[PLOS-2017] A degradation-based sorting method for lithium-ion battery reuse

A degradation-based sorting method for lithium-ion battery reuse

PLOS ONE 12(10): e0185922 (2017) · Hao Chen, Julia Shen · DOI: https://doi.org/10.1371/journal.pone.0185922 · 원문: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0185922

---

5줄 핵심 요약
1) 이 논문은 폐 18650 리튬이온 셀을 전부 파쇄하지 말고, 재사용 가능한 셀만 빠르게 골라내기 위한 X-ray 기반 비파괴 선별법을 제안합니다.
2) 저자들은 배터리 내부층의 X-ray 대비(contrast)가 열화와 연동된다는 관찰을 바탕으로, 국소·전역 contrast index를 만들고 이를 합성한 c34 지표로 good/bad를 분류했습니다.
3) 58개 중고 18650 셀, 174장의 X-ray 영상, 용량/내부저항 기준값을 사용해 검증했고, 내부저항 150 mΩ을 measured health 기준선으로 썼습니다.
4) 결과는 약 79% sorting accuracy, 셀당 0.22~0.23초 수준 실행시간으로, 재활용 라인의 실시간 1차 선별기 가능성을 보여줍니다.
5) 완성형 진단기는 아니지만, 재사용 가치가 있는 셀을 먼저 건져 셀당 약 2달러의 추가 경제가치를 확보할 수 있다는 산업적 문제정의를 매우 선명하게 제시한 논문입니다.

---

1. 이 논문이 풀려는 진짜 문제

이 논문의 핵심은 배터리 진단 알고리즘 자체보다도, 배터리 재활용 공정의 경제적 병목을 겨냥했다는 데 있습니다. 저자들은 당시 리튬이온 셀 시장이 빠르게 커지고 있었고, 특히 18650 셀이 노트북과 전기차에 대량 사용되면서 폐셀 처리 규모가 커지고 있다고 봅니다. 그런데 기존 재활용은 좋은 셀과 나쁜 셀을 구분하지 못한 채 전부 파쇄해 금속 원소만 회수하는 방식에 가깝기 때문에, 아직 usable capacity가 남아 있는 셀도 같이 사라집니다.

저자들이 제시한 경제 논리는 명확합니다. 원소 회수 가치가 18650 셀당 약 0.5달러인 반면, 재사용 가능한 셀로 repurpose하면 셀당 약 2.5달러 가치가 있다고 봅니다. 즉, 선별만 잘해도 셀당 약 2달러의 추가 가치가 생깁니다. 이 논문은 바로 그 추가 가치의 실현 조건, 즉 대량·실시간·비파괴 선별을 공학적으로 구현하려고 합니다.

---

2. 왜 기존 방법으로는 부족했는가

• 용량 시험(capacity test): 건강도 판단에는 유용하지만 충전-방전-재충전 절차가 필요해 수시간이 걸립니다.
• 내부저항 측정: 남은 수명과 연관되지만 접촉식 측정이라 컨베이어 기반 자동화 공정에 부적합합니다.
• 팩 내부 셀 문제: 노트북 팩 안 개별 셀은 케이스를 깨지 않으면 저항 측정조차 어렵습니다.
• 기존 optical sorting: 외형·크기·형상 구분용이지, 잔존 수명이나 열화 수준을 판별하는 방법이 아닙니다.

즉 기존 방법들의 한계는 단순히 정확도가 아니라, 현장 throughput과 자동화 적합성입니다. 하루 수만 개 셀을 다뤄야 하는 재활용 라인에서는, 느리거나 접촉식인 방법은 사실상 1차 대량 선별기로 쓰기 어렵습니다.

---

3. 논문의 중심 가설과 novelty

저자들의 중심 가설은 다음과 같습니다. 건강한 셀일수록 내부 전극/분리막 층 구조가 X-ray 이미지에서 더 선명하게 보이고, 열화된 셀일수록 대비가 흐려진다. 따라서 영상 대비를 수치화하면 전기적 건전도의 proxy로 쓸 수 있다는 것입니다.

이게 당시 왜 새로웠냐면, 선행연구는 배터리 degradation modeling이나 기계적 거동, 혹은 일반 재료 손상 계측 쪽은 있었지만, X-ray radiography + contrast computation으로 used Li-ion cell을 real-time sorting하는 방법은 없었다고 저자들이 문헌조사 결과를 밝힙니다. 즉 이 논문의 신기함은 정확한 전기화학 추정 모델보다 재활용 공정에서 바로 쓸 수 있는 고속 분류 프록시를 만들었다는 데 있습니다.

---

4. 데이터셋, 재료, 장비, 실험 환경

• 시험 셀: 지역 배터리 재활용 업체에서 확보한 중고 18650 Li-ion 셀 58개
• X-ray 영상: 총 174장 = 셀당 3장
• 촬영 각도: 셀당 120도 간격으로 3회 스캔
• 해상도: 10~20 μm
• X-ray 장비: University of Michigan의 micro-focused X-ray radiographic system
• 용량 측정: SkyRC / IMAX B6AC charger-discharger와 custom instrument
• 저항 측정: KT-97B battery impedance tester와/또는 custom instrument
• 연산 환경: MATLAB(Image Processing Toolbox), ASUS laptop, Intel i7 2.30GHz

실험 설계상 중요한 점은, 이 논문이 X-ray만으로 health를 “직접 정의”하지 않았다는 것입니다. 먼저 용량과 내부저항으로 measured health를 만들고, X-ray 기반 contrast 지표로 computed health를 만든 다음, 둘의 일치율로 선별법의 타당성을 검증합니다.

---

5. measured health 정의: 기준 라벨은 어떻게 만들었나

저자들은 용량 감소율과 내부저항을 측정했지만, 이진 good/bad 분류의 실질 기준은 내부저항 150 mΩ입니다.

• Good cell: 내부저항 < 150 mΩ
• Bad cell: 내부저항 > 150 mΩ

또한 용량 감소율 bcr = (bco - bcc) / bco 를 제시해 각 셀의 열화 정도를 보조적으로 보여줍니다. 여기서 bco는 원래 용량, bcc는 현재 용량입니다. 즉 ground truth는 엄밀한 다변량 health score라기보다 실용적 binary sorting label에 가깝습니다.

---

6. 방법론 전체 구조: local, global, hybrid

방법은 크게 세 단계입니다.

1. X-ray 영상에서 픽셀 intensity를 읽는다.
2. 국소 대비(local contrast)와 전역 대비(global contrast)를 각각 계산한다.
3. 이들을 합성한 contrast index로 셀의 computed health를 구하고, threshold로 good/bad를 나눈다.

저자 표기에서 픽셀 intensity는 I(i,j), contrast는 c(i,j)입니다. intensity 범위는 0~1이며, 0은 black, 1은 white입니다.

6-1. Local analysis

c1은 현재 픽셀과 그 주변 1-ring 이웃 픽셀들 사이 intensity 차이의 누적값입니다. 직관적으로는 경계가 얼마나 또렷한지, 즉 층 구조의 선명도를 국소적으로 측정합니다. 내부층이 선명하면 주변과의 밝기 차가 커져 c1이 커지고, 구조가 흐려지면 c1이 작아집니다.

c2는 Michelson contrast 계열로, 어떤 국소 윈도에서 최대 intensity와 최소 intensity의 차이를 합으로 정규화한 값입니다. 즉 한 국소 영역의 밝기 진폭을 보는 지표입니다. 저자들은 여기서 이웃 반경을 나타내는 k를 사용합니다.

요약하면 local 지표는 “작은 영역에서 층 구조가 또렷한가?”를 묻습니다. 다만 촬영 조건, 위치, 마스크 크기에 따라 민감해질 수 있다는 약점이 있습니다.

6-2. Global analysis

c3는 배경 intensity Ib = 1.0을 기준으로 각 픽셀 밝기가 배경에서 얼마나 떨어져 있는지를 봅니다. 논문에서는 Ib - I(i,j)로 단순화해 계산합니다. 이 값은 전체적으로 구조가 얼마나 배경과 분리돼 보이는지를 반영합니다.

c4는 RMS(root mean square) contrast에서 영감을 받은 지표입니다. 평균 주변에서 intensity가 얼마나 퍼져 있는지, 즉 영상 전체 대비의 분산적 크기를 나타냅니다.

전역 지표의 장점은 local mask 크기에 덜 의존한다는 것입니다. 실제로 저자들이 최종적으로 c34를 선호한 이유도 여기에 있습니다.

6-3. Hybrid analysis

저자들은 먼저 네 지표를 모두 선형 결합한 c1234 = k1*c1 + k2*c2 + k3*c3 + k4*c4 를 정의하고, k1=k2=k3=k4=0.25를 부여합니다.

하지만 실제 결과표에서는 더 단순한 c34 = q3*c3 + q4*c4 를 사용하고, q3=q4=0.5를 둡니다. 즉 최종 의사결정은 사실상 두 개의 global contrast 지표의 평균입니다.

이 선택은 중요합니다. 저자들은 c3와 c4가 mask size에 독립적이어서, 이미지마다 값이 하나로 안정적으로 정해진다는 점을 장점으로 듭니다. 현장 적용성을 생각하면, 이건 “조정 변수가 적은 더 단순한 신호를 택했다”는 뜻입니다.

---

7. Thresholding logic: computed health를 good/bad로 바꾸는 규칙

영상으로부터 구한 c34 값을 바로 쓰지 않고, 저자들은 threshold t = 0.357 를 기준으로 이진 분류합니다.

• c34 >= 0.357 이면 computed health를 good으로
• c34 < 0.357 이면 computed health를 bad로

논문 discussion에 따르면 이 threshold는 good과 bad가 가장 잘 분리되는 값으로 정했고, X-ray source power level에 의존합니다. 하지만 공장에서는 소스 파워를 고정할 수 있으므로, 한 번 calibration 하면 상수 threshold로 계속 쓸 수 있다는 게 저자들의 주장입니다.

---

8. 핵심 결과

• Overall sorting accuracy: 약 79%
• Confusion breakdown (Table 2): True positive 25, True negative 21, False positive 7, False negative 5
• 실행 시간 (Table 3): 첫 5개 셀이 각각 0.23, 0.23, 0.23, 0.22, 0.22초
• 처리량 환산: 대략 초당 4.3~4.5 셀, 논문 discussion에서는 5~6 cells/s 수준의 conveyor operation 가능성을 언급

정확도 79%는 진단 알고리즘으로 보면 높지 않을 수 있지만, 이 논문은 애초에 완전 판정기가 아니라 재활용 라인의 실시간 1차 선별기를 목표로 합니다. 즉 “몇 시간짜리 capacity test를 모든 셀에 하는 것”과 비교해야 의미가 제대로 보입니다.

---

9. Figure / Table 중심 상세 해설

Figure 1 — 리튬이온 배터리 기본 구조와 작동

원문 Figure 1

이 그림은 전극 사이 리튬 이온 이동이라는 기본 작동 원리를 보여줍니다. 이 논문에서 중요한 이유는, 저자들이 겉모양이 아니라 내부 전극/분리막 구조를 진단 신호로 삼기 때문입니다. 즉 선별의 단서는 외형 흠집이 아니라 내부층의 선명도입니다.

Figure 2 — 18650 셀의 대규모 사용 맥락

원문 Figure 2

노트북 팩과 Tesla Model S 같이 18650 셀이 대량으로 쓰이는 예를 제시합니다. 논문이 공정 자동화를 강조하는 이유가 여기 있습니다. 셀 수가 클수록, 느린 정밀검사보다 빠른 pre-screening의 경제성이 훨씬 커집니다.

Figure 3 — 현재 재활용의 한계: 좋은 셀도 함께 파쇄

원문 Figure 3

이 그림이 사실상 논문의 문제정의를 가장 압축해서 보여줍니다. used cells는 이미 모여 있는데, 현행 흐름은 원소 회수 위주라 good cell과 bad cell을 구분하지 못합니다. 저자들의 주장은 간단합니다. 파쇄 전에 선별만 잘해도 경제성이 달라진다.

Figure 4 — 기존 optical sorting 설비

원문 Figure 4

OBS 600 자동 분류 장비를 통해, 외형 분류는 이미 산업 현장에 존재함을 보여줍니다. 그러나 이것은 카테고리 분류일 뿐이고, 이 논문이 겨냥하는 것은 그 다음 단계인 degradation-based sorting입니다. 즉 “AA냐 18650이냐”가 아니라 “이 18650을 재사용 가능한가”를 묻습니다.

Figure 5 — X-ray 촬영 장비

원문 Figure 5

University of Michigan의 micro-focused X-ray radiographic system입니다. 이 그림은 방법의 핵심 제약도 같이 보여줍니다. 알고리즘은 빠르지만, 실제 현장 도입에는 X-ray 라인 설치 비용·안전·shielding·throughput integration 문제가 따라옵니다.

Figure 6 — 기준 측정 장비: 용량/저항 ground truth

원문 Figure 6

왼쪽은 charger/discharger, 오른쪽은 impedance tester입니다. 중요한 점은 X-ray 결과가 이 장비들을 대체하는 게 아니라, 이 장비들이 만든 measured health와 얼마나 맞는지를 검증하는 구조라는 것입니다.

Figure 7 — 전체 재활용 프로세스 속 degradation-based sorting 위치

원문 Figure 7

왼쪽은 전체 재활용 workflow에서 이 방법이 끼어드는 위치, 오른쪽은 알고리즘 설계 흐름을 보여줍니다. optical sorting으로 형식 분류를 먼저 하고, 그 다음 X-ray contrast 기반으로 degradation sorting을 수행하는 2단계 공정으로 이해하면 됩니다.

Figure 8 — 좋은 셀과 나쁜 셀의 X-ray 대비 차이

원문 Figure 8

이 논문의 가장 중요한 시각적 증거입니다. 저자들은 good cell의 내부층 구조가 더 선명하고, bad cell은 더 blurred하다고 봅니다. 뒤의 모든 수식은 결국 이 육안 차이를 재현 가능하고 자동화 가능한 숫자로 바꾸는 작업입니다.

Figure 9 — 픽셀/이웃 정의

원문 Figure 9

Local contrast 계산의 문법을 제공하는 그림입니다. 현재 픽셀과 이웃 픽셀의 관계, 그리고 국소 마스크 개념을 정의합니다. c1, c2는 이 그림 없이는 의미가 불분명한데, 결국 “현재 픽셀 주변에서 경계가 얼마나 선명한가”를 계산한다고 이해하시면 됩니다.

Table 1 — 58개 셀의 용량 감소율·내부저항·c34·정답/예측

원문 Table 1

이 표는 논문의 실질 데이터셋입니다. 몇 가지 패턴이 보입니다. 내부저항이 매우 높은 셀(예: 1Ω 초과, 표에서는 ∞로 표기)은 대체로 bad로 분류되며, c34도 낮은 편입니다. 반대로 수십 mΩ 수준의 셀은 대체로 good으로 분류됩니다. 다만 경계 근처에서 오분류가 생기며, 이게 전체 정확도를 79%로 제한합니다.

Table 2 — 오분류 분포

원문 Table 2

표에 따르면 true prediction은 positive cell 25개, negative cell 21개이며, false prediction은 positive 7개, negative 5개입니다. 합치면 58개 중 46개를 맞춘 셈이라 약 79.3%입니다. 즉 이 모델은 완벽한 판정기보다, 어느 정도 noise를 감수한 선별기라는 해석이 맞습니다.

Table 3 — 실제 계산 시간

원문 Table 3

처음 5개 셀의 처리 시간이 0.23, 0.23, 0.23, 0.22, 0.22초로 제시됩니다. 이 숫자가 중요한 이유는, 논문 가치가 정확도보다 throughput feasibility에 있기 때문입니다. 저자들은 이를 근거로 conveyor-belt 환경에서도 적용 가능성을 주장합니다.

---

10. 결과를 어떻게 읽어야 하나: 정확도 79%의 의미

79%는 배터리 health estimation 논문으로 읽으면 평범하거나 낮아 보일 수 있습니다. 하지만 이 논문은 정확한 잔존수명 회귀모델을 내놓는 게 아니라, 재사용 가치가 있는 셀을 대량으로 빨리 건져내는 산업용 선별기를 제안합니다. 이 기준에서는 79%와 0.2초대 속도의 조합이 더 중요합니다.

실무적으로는 다음 같은 방식이 자연스럽습니다.

• 1차: X-ray contrast 기반으로 빠르게 good 후보를 추림
• 2차: 그 후보군에만 느린 capacity / impedance 정밀검사 적용
• 3차: 통과 셀만 repurposing line으로 보냄

즉 이 논문은 standalone 최종 판정기라기보다, 비싼 정밀검사의 앞단에 놓이는 triage engine으로 이해해야 합니다.

---

11. 저자들이 제시한 물리적 해석

논문 discussion은 영상 대비가 왜 열화와 연결되는지에 대해 두 가지 설명을 제안합니다.

• 전극/분리막의 재료 열화가 구조 경계를 덜 선명하게 만든다.
• 전해질의 점진적 소모가 X-ray상 내부 구조를 더 blurred하게 보이게 한다.

이 설명은 정량적으로 완전히 검증된 메커니즘이라기보다, 관찰된 상관성의 plausible explanation에 가깝습니다. 즉 이 논문은 물리모델 완성보다 현상학적 proxy에 더 가깝습니다.

---

12. 한계와 비판적 독해

• 정확도 한계: 79%는 산업용 최종 판정기로는 부족할 수 있습니다. 특히 false positive는 나쁜 셀을 좋은 셀로 넘길 위험을 뜻합니다.
• ground truth 단순화: measured health를 내부저항 150 mΩ 임계값으로 이진화했는데, 실제 재사용 적합성은 capacity, self-discharge, safety risk 등을 함께 봐야 합니다.
• 표본 규모: 58셀은 feasibility study로는 괜찮지만, 산업 일반화에는 매우 작습니다.
• 셀 형식 일반화 부족: 18650 원통형에 초점이 맞춰져 있어 pouch/prismatic으로 바로 확장하기 어렵습니다.
• X-ray 장비 통합 비용: 알고리즘이 빠르더라도, 공정 설치·방호·정렬·image acquisition 시간이 전체 throughput의 병목이 될 수 있습니다.
• threshold dependence: 임계값 0.357은 X-ray source power에 의존하므로, 장비나 조건이 바뀌면 재교정이 필요합니다.
• 머신러닝 이전 단계: 저자들도 인정하듯 선형 결합은 단순합니다. 비선형 decision boundary를 배우지 못합니다.

---

13. 실무적/산업적 의미

이 논문이 지금도 읽을 가치가 있는 이유는, 배터리 재활용을 materials recovery problem이 아니라 asset triage problem으로 재정의했기 때문입니다. 즉 폐배터리는 모두 폐기물이 아니라, 일부는 아직 에너지 자산이라는 시각입니다.

오늘날 second-life battery, pack remanufacturing, ESS용 재사용 셀 선별 같은 흐름을 생각하면, 이 논문은 초창기지만 문제를 정확히 짚었습니다. 특히 “정확한 과학 측정”보다 “공장 throughput에 맞는 충분히 좋은 신호”를 택한 점이 산업공학적으로 흥미롭습니다.

---

14. 최종 종합

이 논문은 배터리 열화를 정밀하게 모델링한 논문이라기보다, 폐 18650 셀 중 재사용 가능한 셀을 빠르게 건져내는 공정용 방법론을 제안한 논문입니다. 핵심 아이디어는 good cell이 bad cell보다 X-ray에서 내부층 구조가 더 선명하다는 관찰을 local/global contrast index로 정량화하고, 최종적으로 c34와 threshold 0.357 로 binary sorting을 수행하는 것입니다.

실험은 58개 used 18650 셀과 174장의 X-ray 영상, 용량/내부저항 기준값을 사용했고, 결과는 약 79% 정확도와 약 0.22~0.23초 실행시간이었습니다. 정확도만 보면 제한적이지만, 컨베이어 라인의 1차 선별기로는 충분히 의미가 있습니다. 더 중요한 것은 저자들이 원소 회수보다 재사용이 셀당 약 2달러의 추가 가치를 만든다는 경제 논리를 같이 제시했다는 점입니다.

따라서 이 논문은 “배터리 내부를 X-ray로 보면 열화가 보인다”는 과학적 직관을 넘어, 재활용 전 good cell harvesting라는 산업 프로세스의 설계문제로 번역했다는 데 가장 큰 가치가 있습니다. 한마디로, 완성형 진단기는 아니지만 배터리 reuse economics를 공정 자동화와 연결한 선구적 feasibility study입니다.