배터리 수명·스트레스 예측 시스템 구축 사례: 생산 비용 $59.8M 절감, 개발 기간 90일 단축

배터리 팩 설계를 최적화하려면, 실제로 만들어 수백 일을 실험하는 수밖에 없었다

전기차 배터리 팩 설계에서 모듈의 크기와 구성을 결정하는 일은 생산 비용과 직결됩니다. 문제는 배터리의 스트레스 변화와 수명(SOH)을 사전에 예측하기 어려워, 최적 설계안을 찾으려면 실제 셀을 제작해 고장이 날 때까지 실험을 반복해야 했다는 점입니다. 완전한 수명 실험에는 최대 180일이 소요됐고, 그만큼 설계 검증과 양산 준비에 걸리는 시간과 비용이 늘어났습니다.

실험 없이 배터리 상태를 예측하고, 설계 최적화까지 한 번에

배터리 모듈의 스트레스 변화를 수치로 추적하는 등가 기계 모델을 구성하고, 칼만 필터 기반의 SOH 예측 모델을 개발했습니다. 이 모델은 불확실성을 반영해 배터리 상태를 확률 분포로 표현하며, 실험 데이터가 추가될수록 예측 정확도가 높아지는 구조입니다. 스트레스·팽창·SOH 예측값을 기반으로 신뢰성 최적화 설계를 적용해, 실험 없이도 배터리 모듈의 최적 구성을 도출할 수 있게 됐습니다. 

$59.8M 생산 비용 절감과 90일 개발 기간 단축

생산 비용 $59.8M 절감 신뢰성 기반 설계 최적화를 통해 배터리 모듈 볼륨을 8.3% 줄일 수 있게 됐습니다. 이를 EV 양산 규모에 적용하면 예상 생산 비용 절감액은 $59.8M에 달합니다.

개발 기간 90일 단축 기존에는 수명 실험에 최대 180일이 필요했지만, SOH 예측 모델을 활용하면 500 사이클 수준의 실험만으로 동일한 결론을 도출할 수 있어 개발 기간을 90일 단축할 수 있습니다. 신차 출시 일정에 맞춘 빠른 설계 검증이 가능해졌습니다. 데이터 기반 설계로 패러다임 전환 반복적인 물리 실험에 의존하던 배터리 팩 설계 방식에서 벗어나, 데이터와 AI 예측 모델을 기반으로 설계를 검증하는 체계를 마련했습니다. 신규 배터리 셀이나 모듈 구성이 바뀌더라도 빠르게 적용할 수 있습니다.