© Kittipong Jirasukhanont / 123RF.com

Machine Learning findet heute den Weg in Anwendungsbereiche, die man noch vor Kurzem fest in der Hand menschlicher Ingenieure glaubte wie die Entwicklung und Herstellung von Batteriezellen. Dabei dient KI-Technik dazu, Produktionsprozesse kontinuierlich zu optimieren.

Unsere Welt bewegt sich speziell im Hinblick auf Mobilität mit hohem Tempo in Richtung einer immer stärker elektrifizierten Zukunft. Bis Ende 2022 könnten E-Autos nach Schätzungen der Unternehmensberatung EY gut ein Drittel aller neu zugelassenen Pkw auf Deutschlands Straßen ausmachen. 2031 soll der Anteil elektrischer Neufahrzeuge demnach sogar schon bei 66 Prozent liegen. Das EU-Parlament hat mehrheitlich für ein Aus für den Verbrennungsmotor ab 2035 votiert. Die seit Jahresanfang mit dem Ausbruch des Ukraine-Kriegs massiv gestiegenen Kraftstoffkosten dürften dieser Entwicklung zusätzlichen Schub verleihen.

Doch nicht nur die Mobilität auf der Straße wird elektrifiziert. Der Trend betrifft ebenso das Wachstum der Städte, den Bedarf an mehr Nachhaltigkeit in der Luftfahrt sowie auf und unter dem Wasser. Die Digitalisierung immer weiterer Bereiche von Alltag und Wirtschaft sorgt praktisch überall für den Einsatz immer neuer elektrischer Lösungen. Im Zentrum all dieser Entwicklungen stehen spezielle Lithium-Ionen-Batteriezellen. Sie geben den Takt dieser umfassenden technologischen Transformation vor. Ob es um die Entwicklung von Flugtaxis und unbemannten Forschungs-U-Booten geht, um den Betrieb neuartiger Medizintechnik oder auch von Fotovoltaikanlagen – keine dieser Lösungen wäre ohne Batteriezellen möglich, die exakt auf die spezifischen Erfordernisse der jeweiligen Anwendung angepasst sind.

Komplexität beherrschbar machen

Dabei sind Batteriezellen äußerst komplex und die Zahl der möglichen Parameter, die über die Qualitäten einer Zelle entscheiden, liegt sehr hoch. Anoden, Kathoden, Separatoren, Elektrolyte und Gehäusematerialien beeinflussen die chemischen Reaktionen im Inneren der Zelle und bestimmen unter anderem die Ladeeigenschaften und die Lebensdauer.

Technologien der künstlichen Intelligenz und dabei speziell das Machine Learning können einen wichtigen Beitrag zur Optimierung leisten und die Komplexität zumindest in Teilen beherrschbar machen. Indem die Produktionssysteme beispielsweise eigenständig erkennen, welche Prozessparameter zu besonders wünschenswerten Resultaten führen, helfen sie, die Qualität der Produkte zu verbessern und den Durchsatz zu erhöhen. In diesen Fällen stellt das System fortwährend die Eigenschaften der Zelle und ihrer Teilkomponenten den Parameter-Sets der einzelnen Prozessschritte gegenüber. So kann dieses Vorgehen etwa ein spezifisches Parameter-Set identifizieren, das sich besonders gut dazu eignet, den Innenwiderstand einer Zelle zu verringern.

Im Zusammenhang mit der Prozessoptimierung in der Batteriezellenherstellung ist es wichtig zu verstehen, dass dort ein hoher Anteil von Ausschuss noch immer eines der größten Probleme darstellt. Der durchschnittliche First-Time-Yield (also der Prozentsatz einwandfreier Produkte nach einem Produktionsschritt) wird in der Batteriezellenherstellung bisweilen mit nur 15 bis 16 Prozent beziffert. End-of-Line-Tests, deren Ergebnisse oft erst Tage oder Wochen nach der Produktion vorliegen, eignen sich da offensichtlich nicht als alleinige Lösung. Stattdessen gilt es, die gesamte Wertschöpfungskette zu überwachen.

Inline-Inspektionen mithilfe von Computer Vision können dazu einen wichtigen Beitrag leisten. In Verbindung mit Sensordaten, statistischen Algorithmen und Deep Learning kann das maschinelle Sehen nicht nur Auffälligkeiten in einzelnen Produktionsschritten wie dem Beschichtungs- und Stapelungsprozess erkennen. Es ermöglicht daneben Predictive-Quality-Analytics-Ansätze, um frühzeitig Aussagen über die spätere Leistungsfähigkeit der Zelle treffen zu können. Als Teil eines cyber-physischen Systems lassen sich solche Lösungen wiederum so nutzen, dass die Maschine selbst fortwährend und automatisiert alle Einzelprozesse optimiert.

Derzeit prüft der Batteriehersteller CUSTOMCELLS (Abbildung 1) für verschiedene Einzelprozesse und gemeinsam mit Partnern in entsprechenden Forschungsprojekten, welche Optimierungen sich mittels Machine Learning erzielen lassen. Dem geht jedoch der Aufbau einer umfangreichen Datengrundlage voraus. Schließlich können das Machine Learning wie auch andere innovative Technologien nur so erfolgreich sein, wie es die Datenbasis zulässt.

Abbildung 1: 2012 aus dem Fraunhofer Institut ausgegründet, beschäftigt CUSTOMCELLS heute mehr als 120 hochqualifizierte Mitarbeiter und betreibt Produktions- und Entwicklungsstandorte in Itzehoe und Tübingen.

Je nach dem im Einzelfall betrachteten Prozess testet der Produzent dabei softwareseitig verschiedene Machine-Learning-Ansätze, die wahlweise auf überwachte Lernverfahren wie Random Forest setzen oder auch Kombinationen von überwachten und unüberwachten Verfahren nutzen. Gerade angesichts des Versuchscharakters, der viele der Optimierungsschritte gegenwärtig kennzeichnet, bietet sich oft der Einsatz von Python zusammen mit der Bibliothek Scikit-learn an, um schnell erste Ergebnisse zu erzielen, auf deren Grundlage sich weitere konkrete Entwicklungsschritte planen lassen. Daneben spielen einschlägige Deep-Learning-Frameworks wie TensorFlow oder PyTorch eine Rolle.

Großes Potenzial für die Entwicklung

Während die Aufmerksamkeit gegenwärtig vor allem dem Einsatz von Machine Learning für die Prozessoptimierung in der Produktion (Abbildung 2) zugutekommt, bietet die Technologie auch in der Entwicklung ein enormes Potenzial, besonders in Kombination mit einem digitalen Zwilling. Statt anwendungsspezifische Batteriezellen mithilfe einer breiten Versuchsmatrix zu entwickeln, lassen sich verschiedene Einstellungen durch die KI gesteuert in einer digitalen Umgebung anpassen. Das reicht von der richtigen Konfiguration des Mischwerks für die Elektroden-Slurries bis hin zur Entdeckung innovativer Materialkombinationen.

Abbildung 2: Als führendes Unternehmen in der Entwicklung und Serienfertigung modernster Lithium-Ionen-Batteriezellen produziert CUSTOMCELLS Hightech-Lösungen im Bereich Elektroden, Elektrolyte, Batteriezellen und Batteriemodule, maßgeschneidert auf das jeweilige Anforderungsprofil der Kunden.

Der Weg zu einer vollautomatisierten Entwicklung, die per Knopfdruck die passenden Materialien samt Zelldesign für den anwendungsspezifischen Zweck bereitstellt und sich mittels Reinforcement Learning obendrein fortwährend weiterentwickelt, bleibt dennoch lang. Das ist nicht zuletzt dem Umstand geschuldet, dass es in der Entwicklung zahlreiche Randbedingungen zu beachten gilt. Grundsätzlich könnte eine KI mittels Machine Learning aussichtsreiche Elektrodenkonfigurationen identifizieren – entsprechende Ansätze werden in der Forschung bereits verfolgt. Die KI lernt in diesen Fällen, Vorhersagen zu den elektrochemischen Eigenschaften verschiedenster Materialien zu treffen. Künftig dürfte das dazu beitragen, Entwicklungsprozesse zu beschleunigen. Die KI könnte dann beispielsweise helfen, eine Vorauswahl von Materialien zu treffen oder den Blick auf bislang wenig beachtete Werkstoffe zu lenken.

Allerdings schließen sich an solche Auswahlprozesse per Machine Learning eine Reihe von Folgefragen an, die derartige Systeme bislang meist noch außer Acht lassen: Sind die entsprechenden Werkstoffe überhaupt verfügbar? Ist der Einsatz der Materialien wünschenswert? Wie steht es um das Kosten-Nutzen-Verhältnis? Kann die Produktion im Falle einer späteren Serienreife skaliert werden? Lassen sich die Materialien mit den vorhandenen Maschinen verarbeiten? Ein hochtoxisches Material mag nach Einschätzungen der KI besonders geeignet sein, verwenden lässt es sich womöglich dennoch nicht.

Qualität und Verfügbarkeit von Daten

Eine weitere Herausforderung beim Einsatz von Machine-Learning-Modellen ergibt sich in der Entwicklung durch die Frage, auf welche Daten die Unternehmen und ihre jeweilige KI überhaupt zurückgreifen können. Besonders leistungsstark sind solche Ansätze dann, wenn sie nicht mit vereinzelten Datensätzen eines Unternehmens oder Forschungslabors arbeiten, sondern ihnen eine Vielzahl unterschiedlichster Daten und Datensätze zur Verfügung stehen. Die Übertragung von Betriebsdaten, wie sie bei vielen Softwareanwendungen heutzutage üblich ist, wäre auch im Bereich des Maschinenbaus wichtig, um Weiterentwicklungen zu beschleunigen und Innovationen zu ermöglichen.

In der Realität setzen rechtliche Vorgaben dem Austausch von Daten jedoch enge Grenzen, gerade dann, wenn er über verschiedene Kontinente hinweg erfolgen soll. Dabei geht es nicht allein um die oft diskutierten rechtlichen Unterschiede zwischen der EU und den USA, sondern ebenso um den oft fehlenden Austausch zwischen asiatischen Abnehmern und europäischen Produzenten. Eine europäische Supply Chain, wie CUSTOMCELLS sie in großen Teilen nutzt, ist daher stets auch unter dem Aspekt der Datenverfügbarkeit zu sehen.

Lebenszyklus einer Zelle optimieren

CUSTOMCELLS entwickelt und fertigt Batteriezellen, die optimal zu ihrem jeweiligen Anwendungsfall passen. Dafür reizt das Unternehmen regelmäßig Rand- und Grenzbereiche der Physik und Chemie aus. Genau darin liegt auch eine der großen Herausforderungen: Es geht darum, Lösungen nicht nur entwickeln zu können, sondern sie später in der Herstellung auch zu skalieren. Machine Learning kann zukünftig in diesem Zusammenhang einen erheblichen Beitrag leisten, um Prozesse zu optimieren und zu stabilisieren.

Teilprozesse und einzelne Entwicklungsschritte durch Machine Learning zu optimieren, ist dabei nur der Anfang. Perspektivisch dürfte Machine Learning auch in Kombination mit erweiterten statistischen Analyseverfahren den gesamten Lebenszyklus einer Batteriezelle prägen, von der Entwicklung über die Produktion und die spätere primäre Nutzung bis hin zur Second-Life-Anwendung und einem späteren Recycling.

Inwieweit eine solche Lifecycle-Betrachtung gelingt, steht und fällt mit der Beantwortung zweier Fragen. Erstens: Sind die Daten verfügbar? Zweitens: Gelingt es, die Komplexität, die sich entlang des gesamten Lebenszyklus aufbaut, in Gänze zu verstehen, um sie dann in Algorithmen abbilden und angemessen reduzieren zu können? Lassen sich beide Fragen in Zukunft positiv beantworten, dürfte das erheblich zum Tempo in der Entwicklung und Herstellung von Batteriezellen beitragen und damit noch stärker den Weg in eine elektrifizierte Zukunft ebnen. (jcb/jlu)