Non-Destructive Degradation Diagnosis of NCM Cathodes Using X-ray Microscopy and Machine Learning = X-선 현미경 및 머신러닝 기반 NCM 양극재의 비파괴 열화 진단

다국어 초록 (Multilingual Abstract)

The rapid expansion of electric vehicles has accelerated the need for advanced battery recycling technologies that ensure high resource recovery efficiency and economic sustainability. Among various approaches, direct recycling has gained significant attention because it allows recovery of cathode active materials while preserving their structure, enabling reuse without resynthesis. However, accurately assessing the degradation state of electrodes during the re-lithiation step remains challenging, and as a result, re-lithiation is typically carried out with an excess amount of lithium. This leads to the formation of residual lithium species such as Li₂CO₃ and LiOH, which generate gas and consequently degrade cell performance, thereby requiring further post-processing, such as washing or heat treatment. Therefore, a nondestructive and reliable method for diagnosing electrode State of Health (SOH) is essential.
In this study, X-ray Microscopy (XRM) was used to obtain high-resolution, nondestructive images of NCM cathodes cycled under three different conditions, with samples harvested at specific SOH levels for each condition. Because structural differences across SOH levels were not clearly distinguishable through qualitative observation, a quantitative image-analysis pipeline was developed. This pipeline includes K-means clustering for component segmentation, local watershed–based particle identification, feature extraction at both image and particle levels, and feature importance evaluation using mutual information and random forest–based metrics. The selected features were used as inputs to the SOH classification model, which was independently trained and evaluated for each of the three cycling conditions (25 °C 4.165 V, 45 °C 4.165 V, 25 °C 4.2 V).
The proposed model achieved SOH classification accuracies of 95%, 83%, and 80% for each condition, with an average accuracy of 86.1%, demonstrating a substantial improvement over qualitative or conventional image-based diagnostic approaches. These results indicate that XRM-derived structural information can effectively reflect electrode degradation through appropriate quantification and feature selection.
The diagnostic approach presented in this work can support more informed lithium adjustment strategies in direct battery recycling by providing reliable SOH information, which may help reduce the formation of residual lithium species and ease the burden of downstream processes such as washing or heat treatment. This nondestructive SOH diagnostic methodology contributes to the advancement of battery recycling technologies and enhances their practical applicability.

국문 초록 (Abstract)

전기차 보급 확대에 따라 폐배터리의 재활용 수요가 증가하면서, 자원 회수 효율과 공정 경제성을 확보할 수 있는 고도화된 재활용 기술의 필요성이 커지고 있다. 특히 폐배터리 직접 재활용 방식은 활물질의 구조를 유지한 상태로 재사용이 가능하다는 장점으로 주목받고 있으나, 리튬 재삽입 과정에서 전극의 열화 상태를 정량적으로 평가하기 어려워 과량의 리튬 원료가 투입되는 문제가 존재한다. 이로 인해 Li2CO3 및 LiOH 형태의 잔류 리튬이 형성되며, 이는 가스 발생을 유발하여 셀 성능 저하를 초래하고, 추가적인 후처리 공정을 요구한다. 따라서 전극의 상태건전도(State of Health, SOH)를 비파괴적으로 진단할 수 있는 기술이 요구된다.
본 연구에서는 X-ray Microscopy(XRM)를 활용하여 다양한 SOH 조건의 NCM 전극으로부터 비파괴적 고해상도 이미지를 획득하고, 정량적 이미지 분석과 머신러닝 기반 분류를 적용하여 자동화된 SOH 진단 모델을 구축하였다. XRM 이미지에서는 SOH에 따른 구조적 차이가 정성적으로 명확하게 구분되지 않았기 때문에, K-평균 군집화 기반 이미지 분류, 국소 워터셰드 기법(local watershed) 기반 입자 인식, 이미지·입자 단위 특성 추출, 상호정보량 및 랜덤포레스트 기반 특성 중요도 평가를 포함하는 정량적 분석 절차를 설계하였다. 이후 중요도가 높은 특성을 입력으로 하는 SOH 분류 모델을 세 가지 조건(25 °C–4.165 V, 45 °C–4.165 V, 25 °C–4.2 V)에 대해 독립적으로 학습 및 평가하였다.
그 결과, 각 조건에서 SOH 분류 정확도는 각각 95%, 83%, 80%로 나타났으며, 평균 정확도는 86.1%로 기존의 정성적 접근 방식이나 단순 이미지 기반 진단 방법에 비해 유의미하게 향상된 성능을 보였다. 이는 XRM 기반 구조 정보가 적절한 정량화 및 특성 선별 과정을 거칠 경우 전극의 열화 상태를 효과적으로 반영할 수 있음을 시사한다.
본 연구에서 제안한 분석 체계는 전극의 열화 정도를 정량적으로 진단함으로써 직접 재활용 공정의 리튬 재삽입 과정에서 리튬 공급량을 보다 적절하게 조정하는 데 기여할 수 있다. 이를 통해 잔류 리튬(Li₂CO₃, LiOH 등) 생성 가능성을 낮추고 후처리 공정의 부담을 줄이는 데 도움이 될 수 있다. 이러한 비파괴 기반 SOH 진단 기술은 배터리 재활용 공정의 고도화 및 산업적 적용 가능성을 확장하는 데 중요한 기여를 할 것으로 기대된다.

목차 (Table of Contents)

• Chapter 1 Introduction 1
• 1.1 Background 1
• 1.2 Limitations of previous studies 3
• 1.3 Objectives of this study 5
• Chapter 2 Methods 8
• 2.1 Preparation of electrode samples 8
• 2.2 X-ray Microscopy(XRM) imaging 8
• 2.3 Image preprocessing and segmentation 9
• 2.4 Feature extraction and SOH classification 10
• Chapter 3 Results and discussion 17
• 3.1 Structural analysis and segmentation performance 17
• 3.2 Feature analysis and importance evaluation 18
• 3.3 SOH classification results and discussion 19
• Chapter 4 Conclusion 30
• Bibliography 32
• 국문초록 33