2030년까지 1,500억 달러 이상의 투자와 5배 BESS 성장이 예상됨에 따라 배터리 제조업체는 더 빠르고 효율적이며 수익성 있는 혁신을 추구하게 되었다. 포괄적인 디지털트윈 및 생성형AI 와 같은 도구는 이러한 성장 기대치를 충족하는 데 도움이 될 수 있다.

 

출처: 지멘스

 

 

배터리산업 은 배터리 에너지 저장 시스템(BESS) 및 방위 애플리케이션과 같은 EV를 넘어 다양한 수요에 힘입어 향후 5년 동안 엄청난 변화를 겪을 가능성이 높다. 그러나 지속적인 과잉 생산능력으로 인해 많은 기업에 강한 역풍이 계속 존재하며, 이로 인해 비용이 낮아지고 이윤에 영향을 미치고 있습니다. 또한 배터리 제품에 대한 가장 큰 시장 중 일부에서 배터리 여권 규정이 임박했다.

 

그러나 배터리 부문에도 엄청난 기회가 있다. 향후 5년 동안 새로운 배터리 기술에 1,500억 달러 이상의 투자가 예상되고 2030년까지 BESS 수요가 5배 증가할 것으로 예상되는 지금이 배터리 제조업체가 이러한 성장을 활용하기 위해 디지털 혁신을 시작해야 할 때다.

 

배터리 개발 및 제조의 여러 분야에서 필요한 강력한 협업은 생성형 인공 지능(GenAI)을 기반으로 하는 디지털 혁신에 이상적이다. 내연 기관용으로 개발된 전통적인 엔지니어링 및 제조 방법은 배터리 개발에 부적절ㅏ다.

 

셀 화학 및 제조를 지속적으로 반복적으로 개선하면서 성장 기대치를 충족하기 위해 배터리 제조업체는 디지털 트윈 프레임워크, 자동화 기술 및 산업용 IoT를 연결하는 엔드 투 엔드 솔루션이 필요하다. 포괄적인 디지털 트윈(cDT)은 현실 세계와 디지털 세계를 하나로 묶고, 올바른 AI 애플리케이션은 배터리 생산 초기 시점부터 기업을 성공으로 이끌 수 있도록 한다.

 

현대 제품에서 배터리의 중요성으로 인해 배터리 제조는 단순한 개별 셀 그 이상이다. 출처: 지멘스

 

제품 개발 가속화

 

고에너지 밀도 배터리 개발을 가속화하기 위해 기업은 다양한 요소를 해결해야 한다. 예를 들어, 새로운 화학은 열 관리, 충전 제어 및 배터리 상태 보고와 같은 대규모 통합 시스템에 영향을 미칠 수 있는 요소 외에도 셀 성능 및 안전과 관련하여 이해되어야 한다. 그러나 제조업체가 제품에 대해 원하는 대부분의 모든 개선에 대해서도 마찬가지다.

 

문제는 배터리 엔지니어링에 대한 전통적인 물리적 테스트 접근 방식이 느리고 비용이 많이 든다는 것이다. 해결책은 cDT 및 집중 AI 도구를 사용하여 가상 검증 및 검증을 조기에 수행하는 데 있다. 이를 통해 화학 성분으로 가능한 설계 탐색 공간이 넓어지는 동시에 엔지니어링이 새로운 제형의 예상 재료 특성을 기반으로 가능한 엔지니어링 문제를 더 빨리 표시할 수 있다.

 

배터리 작동 재구성에서 cDT의 힘을 설명하기 위해 유럽의 한 주요 자동차 OEM은 제품 개발과 관련하여 위에서 언급한 모든 문제에 직면해 있었다. 배터리 개발에 cDT를 채택함으로써 회사는 화학, 전기, 기계, 소프트웨어 및 시스템 엔지니어링 영역을 원활하게 연결할 수 있었다. 이는 배터리 엔지니어링 프로세스에 완전히 혁명을 일으켰다. 단일 정보 소스와 데이터에 대한 즉각적인 액세스를 통해 팀은 설계의 복잡한 절충안을 탐색하고 광범위한 프로토타이핑의 필요성을 줄일 수 있었다. 이러한 변화는 팩 개발 시간을 50% 이상 단축하는 데 도움이 되었다.

 

 

배터리 설계는 셀에 그치지 않고 차량, BESS 또는 전기 드론 등 전체 제품에 통합해야 한다. 출처:지멘스

 

생산량 극대화

 

엔지니어링 시간을 절약하는 것은 매우 중요하지만 디지털 혁신을 실현한다는 것은 개발의 생산 측면을 다루는 것을 의미하기도 한다. 제조업체가 더 큰 용량을 구축하고 더 넓은 글로벌 시장에 진출함에 따라 생산 효율성은 성공과 수익성의 훨씬 더 큰 동인이 된다.

 

딜레마는 배터리 제조 공장 운영에 대한 전문 지식의 대부분이 고도로 현지화되어 있으며 기업이 성장함에 따라 사용 가능한 자원을 늘릴 수 있는 방법이 필요하다는 것이다. 여기에서 AI는 기존 공장의 제도적 지식을 포착하여 신입 사원이 프로세스에 대한 속도를 높이고 교육을 받는 데 도움을 줄 수 있다. AI 지원 도구에 대한 액세스는 현장에 있는 직원들이 문제를 더 빨리 발견하고 해결하는 데 도움이 될 수도 있다.

 

예를 들어, 선도적인 배터리 제조업체는 특수 배터리의 소량 생산을 위해 작업 현장의 복잡한 전환 시간과 함께 글로벌 OEM 고객의 고용량 및 품질 기대치를 모두 충족해야 했다. 제조 라인 역학, 로봇 공학 및 자동화를 디지털 방식으로 검증하기 위해 cDT를 구현함으로써 재무 위험을 낮추고 배포 시간을 30% 단축했다.

 

또한 제조업체는 엔드 투 엔드 생산 시스템을 시뮬레이션하여 최대 처리량을 보장하는 동시에 리소스 할당을 최적화하고 고객에게 정시 배송을 보장했다. 향후 유사한 제품의 효율적인 출시를 위한 표준화 경로와 결합하여 cDT를 워크플로에 구현하여 비용을 20% 절감할 수 있었다.

 

 

스크랩률 감소 및 제조 품질 향상

 

배터리 사업의 수익성에 대한 많은 과제 외에도 더 높은 수율과 더 낮은 마진으로 고품질 제품을 제공할 수 있는 능력이 있다. 배터리 에너지 저장 시스템과 같이 수명에 대한 요구 사항이 더 높은 더 많은 제품에 배터리가 사용됨에 따라 품질이 주요 비즈니스 동인이 되었다.

 

그리고 품질 셀과 스크랩 비율 사이에는 상관관계가 있습니다. 아시아의 Tier 1 배터리 공급업체는 셀이 만들어진 후 20일 후인 적격성 평가가 끝날 때 스크랩률이 높은 생산 기간을 주기적으로 확인한다. 또한 ‘양호한’ 것으로 추정되는 세포의 반품 승인(RMA)에 대한 비율이 높았다. 이러한 오류는 생산량의 2% 이상을 차지했으며 연간 거의 1억 달러에 달했다.

 

제조 단계 간의 전환은 특성화하기 어려울 수 있지만 AI와 cDT는 기업이 격차를 해소하는 데 도움이 되고 있다. 출처: 지멘스

 

문제는 제조 중 품질 예측으로 귀결되었다. Siemens의 배터리 제조 솔루션과 배터리 인텔리전스 소프트웨어 제공업체인 Voltaiq을 활용하여 고객은 형성 후 첫 몇 시간 내에 초기 고장 신호를 식별할 수 있었다. 공정 및 측정 데이터의 업스트림 데이터를 기반으로 이 검증 프로세스를 자동화함으로써 생산 중 고장난 셀과 슬리팅 블레이드 교체 사이의 인과 관계가 발견되었다.

 

기계 학습 형태의 AI도 블레이드 교체를 위한 예측 유지 관리 절차를 설정하는 데 사용되었다. cDT 및 AI를 사용하여 데이터에 컨텍스트를 제공함으로써 이 제조업체는 2%의 용량 감소를 방지하고 품질에 중요한 다른 문제에 동일한 방법론을 적용하여 총 수율을 10% 이상 향상시킬 수 있었다.

 

가치 사슬 전반의 협업

이 세 가지 예시 사례는 데이터 투명성을 설정하고 정보에 대한 컨텍스트를 생성하는 것의 힘을 보여줍니다. 가상 세계에서 포괄적인 디지털 트윈을 사용하여 설계 및 제조의 동작에 대한 더 큰 이해를 제공함으로써 기업은 모든 가능성에 대비하여 배터리 생산을 최적화하고 보다 효과적으로 보상을 얻을 수 있습니다.

 

더욱이 AI는 배터리의 품질과 생산을 모두 개선하기 위한 새로운 솔루션의 발견을 점점 더 촉진하고 있다. 배터리 산업이 끊임없이 진화하는 것처럼 cDT 위에 구축된 AI 솔루션도 진화하고 있다.

 

저자: 푸니트 신하(Puneet Sinha), 배터리 산업 부문 수석 이사, Siemens Digital Industries Software