Multimodale KI-gestützte Qualitätsbewertung von Batteriezellen

Die wachsende Nachfrage nach leistungsfähigen zylindrischen Lithium-Ionen-Batterien erfordert effiziente, ressourcenschonende und zuverlässigere Produktionsprozesse. Hohe Ausschussraten und die damit verbundenen Material-, Energie- und CO2-Aufwendungen stellen sowohl eine wirtschaftliche als auch eine ökologische Herausforderung dar. Gleichzeitig sind etablierte Diagnoseverfahren oft nicht ortsaufgelöst und ermöglichen häufig keine genaue Charakterisierung von Defekten während der Produktion.

Hier setzt das Projekt BatterSense an. Im Rahmen den Projekts wird ein ultraschallbasiertes, zerstörungsfreies Messverfahren entwickelt, das eine schnelle und kostengünstige frühzeitige Erkennung von Anomalien und Defekten während der Batterieproduktion ermöglicht. Ziel ist es, Qualitätsabweichungen während des Herstellungsprozesses zu identifizieren und dadurch sowohl eine gezielte Optimierung der Produktion als auch eine Steigerung der Qualität und Lebensdauer der Batterien zu ermöglichen.

Im Projekt wird dazu ein Scanning Acoustic Microscope (SAM) zur Untersuchung von zylindrischen Zellen entwickelt, welches Einblicke in das Innere der Zellen ermöglicht. Ergänzend werden moderne KI-Modelle entwickelt, um eine automatisierte Erkennung, Lokalisierung und Klassifizierung von Anomalien und Defekten auf Basis dieser Ultraschalldaten zu ermöglichen. Dadurch sollen unter anderem Prozesse wie die Optimierung von Schweißverbindungen und die Elektrolytbefüllung gezielt verbessert werden. Zusätzlich zu den Ultraschalldaten werden komplementäre CT-Aufnahmen als Referenz und zum Abgleich herangezogen.

Quelle: https://www.isea.rwth-aachen.de/go/id/buqunw#aaaaaaaaabuquoe (jüngster Zugriff: 23.09.2026)