Schlechte Batterien früh erkennen und ausschleusen

Bei der Produktion von Batterien für Elektroautos ist der Ausschuss noch immer ein großes Effizienzproblem. Mit vorausschauenden Qualitätsanalysen ist es der Firma Elisa Smart Factory aus Finnland nun gelungen, die Produktionsausbeute im Elektromobilitätslabor eLab der RWTH Aachen um 16 Prozent zu steigern.

Bild: Elisa Smart Factory

Als der Tesla-Gründer Elon Musk 2017 in der Öffentlichkeit über die Gewinnprognose des Unternehmens sprach, bat er: „Kann sich bitte jemand einen Durchbruch bei Batterien einfallen lassen? Wir würden uns sehr freuen!“ Seine Ansichten spiegeln die Komplexität der Herausforderung wider, die sein Unternehmen zu meistern versucht. Einen Beitrag dazu haben jetzt die Datenwissenschaftler des finnischen Unternehmens Elisa geleistet. Ihnen ist es gelungen, den Ertrag der Batteriezellenproduktion um 16 Prozent zu steigern, indem sie die Fertigungsqualität prognostiziert haben.

Nur im Grunde einfach

Die Herstellung von Lithium-Ionen-Batteriezellen für Elektroautos ist im Grunde ein einfaches Verfahren. Anoden- und Kathodenelektroden werden in mehreren einzelnen Teilprozessen aus einer Mischung verschiedener Rohstoffe hergestellt und dann in Batteriezellen verpackt, die mit dem Elektrolyten gefüllt, versiegelt und damit verschlossen werden, bevor sie für Leistungstests zum letzten Schritt der Produktion weitergegeben werden. Der Prozess ist jedoch viel komplizierter. Eine Hauptherausforderung bei der Herstellung von Batteriezellen besteht darin, dass die endgültige Qualität der hergestellten Zellen erst nach langwierigen End-of-Line-Tests überprüft werden kann. Die Durchführung des Tests kann bis zu drei Wochen dauern. Erst danach kann der Hersteller ermitteln, ob ein fertiges Batteriezellenprodukt für die Herstellung von Batteriepacks weiterverwendet werden kann, oder ob es als Sondermüll entsorgt werden muss. Ausrangierte Batteriezellen können nicht recycelt werden, was zur Folge hat, dass knappe, nicht erneuerbare und teure Rohstoffe wie Lithium, Kobalt, Nickelsulfat, Kupfer, Aluminium und Graphit in diesem Prozess vergeudet werden. Der globale durchschnittliche First Time Yield (FTY) für Batteriezellen wird auf eine Höhe von 15 Prozent geschätzt, was die Herstellung von Batteriezellen teuer und langsam macht.

RWTH forscht praxisnah

Im eLab, dem Forschungszentrum für Elektromobilität an der RWTH Aachen, wurde diese Qualitätsherausforderung als wichtiges Thema identifiziert, das einer kosteneffizienten Herstellung im Weg steht und die Einführung umweltfreundlicher Elektroautos verlangsamt. eLab und das Data-Scientist-Team von Elisa Smart Factory arbeiten auf der Suche nach besseren Herstellungsverfahren für Batteriezellen zusammen.

Seiten: 1 2Auf einer Seite lesen

ELISA SMART FACTORY
www.elisasmartfactory.com

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige