Schnelle Charakterisierung der Leistungsfähigkeit von Lithium-Ionen-Batterien aus der Produktionslinie mit maschinellem Lernen

Mit dem Projekt “SPEED” sollen innovative Ansätze entwickelt werden, um mithilfe von maschinellem Lernen die Bewertung der Leistungsfähigkeit von Batterien aus Produktionslinien zu automatisieren, digitalisieren und zu beschleunigen. Es soll hierdurch eine zeitnahe Rückmeldung über die Leistungsfähigkeit der Batterien ermöglicht werden, insbesondere in Bezug auf die Lebensdauer für verschiedene Anwendungsfälle. Dadurch wird der Test- und Entwicklungsprozess von Batterien erheblich beschleunigt und die Entwicklungskosten gesenkt. Durch den Einsatz von automatisierten Diagnoseverfahren, fortschrittlicher Testinfrastruktur und digitalen Modellen wird angestrebt, die Produktionskapazitäten für Batteriezellen in Europa zu erweitern und die Qualitätssicherung zu optimieren. Die im Rahmen des Projekts gewonnenen Ergebnisse können über Schnittstellen zur Produktionslinie direkt in den Produktionsprozess integriert werden.

Aus diesem Vorhaben leiten sich für SPEED folgende wissenschaftliche und technische Arbeitsziele ab:

1. Automatisierung:

Der Charakterisierungstest wird einerseits durch die Integration von industrieller Computertomographie (CT), Wärmebildgebung und elektrochemischer Impedanzspektroskopie (EIS) revolutioniert und andererseits durch einen Roboter automatisiert. Es wird ein experimentelles und rechnergestütztes Framework entwickelt, das eine automatisierte nicht-invasive Extraktion der elektrochemischen und physikalischen Parameter, einschließlich der morphologischen, direkt aus dem Charakterisierungstest ermöglicht und den Bedarf an aufwändigen Zerlegungen der Zellen reduziert. Das automatisierte Charakterisierungssystem ermöglicht die Auswertung von zehn Zellen pro Tag. Es richtet sich dabei an die Erkennung von Anomalien in Batteriezellen und die schnelle Rückmeldung auf physikalischer Parameter-Ebene hinsichtlich Energie- und Leistungsdichte, thermischer Inhomogenität und Zell-zu-Zell-Varianz.

2. Beschleunigung:

Der Alterungstest wird basierend auf der international einzigartigen Testinfrastruktur für bis zu 2000 Zellen beschleunigt. Dazu werden eine große Anzahl beschleunigter kalendarischer und zyklischer Alterungstests mit erhöhten Belastungsfaktoren (z. B. Temperatur, Stromstärke, Leerlaufzeit usw.) parallel durchgeführt. Die Testdauer wird durch Vorhersage des zukünftigen Alterungsverlaufs anhand der Daten aus frühen Testzyklen reduziert. Es wird eine geschlossene Testpipeline mit maschinellem Lernen entwickelt, um Rückmeldungen aus vergangenen Experimenten in zukünftige Entscheidungen bei Alterungstests einzubeziehen, was die Effizienz der Tests erhöht sowie Kosten und Zeit reduziert. Während des Alterungstests werden neue Sensortechnologien wie Dehnungsmessstreifen integriert, um weitere Informationen zu extrahieren. Die generierten multidimensionalen Big Data werden sowohl aus dem Charakterisierungstest als auch aus dem Alterungstest mit maschinellem Lernen automatisch und effizient vorverarbeitet und ausgewertet. Korrelationen und Datenmuster zwischen den Merkmalen aus dem Charakterisierungstest und dem Alterungstest bezüglich der Batterielebensdauer und -qualität werden identifiziert, um eine qualitative Prognose der Batterielebensdauer zu ermöglichen.

3. Digitalisierung:

Entsprechend der Idee von Industrie 4.0 wird die Charakterisierung der Leistungsfähigkeit von Batterien durch den Einsatz von umfangreichen Testdaten und maschinellem Lernen digitalisiert, um schnelles Feedback an die Produktionslinien zu liefern. Basierend auf den Daten aus den physischen Tests, d.h. dem Charakterisierungs- und dem Alterungstest, werden datengetriebene Modelle entwickelt, um die Batteriealterung vorherzusagen und die Inhomogenität basierend auf den Daten aus der frühen Lebensphase zu bewerten. Durch die große Menge an Testdaten aus umfassenden Testbedingungen zur Modellparametrierung einerseits und die hohe Extrapolationsfähigkeit des physikbasierten maschinellen Lernmodells andererseits wird eine hohe Übertragbarkeit vom Labor auf neue Anwendungsbedingungen erreicht. Mit den Leistungs- und Alterungsmodellen werden virtuelle Tests für eine schnelle Bewertung der Batterielebensdauer und -qualität für verschiedene Anwendungsfälle entworfen und durchgeführt. Die begrenzenden physikalischen Parameter für die Batterielebensdauer und -qualität können virtuell identifiziert und zusammen mit genauen Informationen über die Lebensdauer und Qualität an die Produktionslinien zurückgemeldet werden.

Quelle: https://www.isea.rwth-aachen.de/cms/isea/forschung/projekte/oeffentliche-projekte/laufende-projekte/~bhorzk/speed/ (jüngster Zugriff: 12.08.2024)