Intelligentes Electrospinning in der Zellfertigung mittels Maschinellem Lernen

IntelliSpin

Im Projekt „IntelliSpin“ wird ein alternativer Prozessschritt zur Erhöhung der Flexibilität bei der Lamination von Lithium-Ionen-Akkumulatoren untersucht. Im Speziellen werden nicht laminierfähige Separatoren betrachtet, welche zur Lamination befähigt werden sollen. Dies wird durch die Electrospinning-Technologie, welche das Einbringen einer dünnen Polymerschicht ermöglicht, erreicht. Die eingetragene Schicht, ein Nanofaser-Vlies, zeichnet sich einerseits durch eine hohe Porosität und andererseits durch eine geringe Massenbeladung aus – ideale Eigenschaften für eine passive Laminationsschicht in Lithium-Ionen-Akkumulatoren. So können die Vorteile der Lamination auch bei ursprünglich nicht laminierfähigen Separatoren ermöglicht werden.

Im Bereich der Produktion von Lithium-Ionen-Akkumulatoren liegt der Fokus des Projektes „IntelliSpin“ auf der Lamination – dem Herstellen einer permanenten mechanischen Verbindung von Elektroden und Separatoren. Eine Möglichkeit, solch einen mechanisch belastbaren Verbund auch bei nicht laminierfähigen Separatoren zu ermöglichen, stellt die Oberflächenmodifikation durch das Einbringen einer dünnen Polymerschicht dar. Solch eine dünne Schicht wird bei Electrospinning-Prozessen als Nanofaser-Vlies mit geringer Massenbeladung aufgetragen. Im Projekt wird die Anwendung des neuartigen Beschichtungsverfahrens hinsichtlich seiner Verwendbarkeit in der Zellfertigung untersucht. Hierfür werden Versuchsserien durchgeführt, um den Einfluss der Nanofaser-Schicht in der Lithium-Ionen-Zelle zu ergründen. Des Weiteren wird eine neuartige Prozessbeobachtung entwickelt, welche die Optimierung und damit einhergehende Industrialisierung von Electrospinning-Prozessen in der Zellfertigung beschleunigt.

Das übergeordnete Ziel des Forschungsvorhabens IntelliSpin ist die Befähigung von Electrospinning-Prozessen als innovative Beschichtungsverfahren in der industriellen Produktion von Lithium-Ionen-Batterien. Konkret soll die Lamination von Elektrode und Separator durch das Einbringen einer dünnen Polymerschicht mittels Electrospinning erforscht werden. Hierbei gilt es, zwei wesentliche Forschungslücken zu adressieren: Einerseits muss der Einfluss von gesponnenen Schichten in der Zelle experimentell erforscht werden (Produktaspekt). Dabei ist nicht nur die Beschichtung und anschließende Lamination zu untersuchen, sondern auch deren Auswirkungen auf spätere Prozessschritte in der Lithium-Ionen-Batterie-Produktionskette bis hin zu einer elektrochemischen Charakterisierung der finalen Lithium-Ionen-Batteriezellen. Auch muss die Einsetzbarkeit der Electrospinning-Technologie unter Einhaltung aller Voraussetzungen an die Produktionsumgebung in der Herstellung von Lithium-Ionen-Batterien untersucht werden (Produktionsaspekt). Hierfür müssen Anforderungen an eine industrielle Produktion gesammelt und die Skalierbarkeit des Prozesses geprüft werden. Um sowohl die Untersuchungen hinsichtlich des Produkt- als auch des Produktionsaspektes zu unterstützen soll im Forschungsprojekt der Einsatz von neuartiger Sensorik zur Prozessbeobachtung und ‑auswertung eingesetzt werden. Dabei gilt es mit datengetriebenen Methoden den Einsatz der Electrospinning-Technologie in der Produktion von Lithium-Ionen-Batterien zu unterstützen und die Befähigung der Technologie zu beschleunigen.

Kontakt

Projektlaufzeit

Themenfeld

• Stand der Technik
• Ausgewählte Ergebnisse
• Transferangebot an die Industrie

Das Laminieren von Lithium-Ionen-Batteriezellen ist Stand der Technik und wird bereits eingesetzt, da sich daraus Vorteile für nachfolgende Prozessschritte und die elektrochemischen Eigenschaften der Lithium-Ionen-Batteriezelle ergeben. Dabei wird durch einen laminierbaren Separator unter Druck und Hitze eine Haftverbindung zwischen den Elektroden hergestellt. Solche Separatoren zeichnen sich durch einen höheren Preis und eine eingeschränkte Auswahl an verfügbaren Separatoren aus. Darüber hinaus schränken die Parameter der Laminierung wie Druck und Hitze die Verwendbarkeit bestimmter Materialien für solche laminierbaren Separatoren weiter ein.

Der Electrospinning-Prozess ist ein Beschichtungsverfahren, mit dem eine dünne Schicht aus Nanofasern auf ein Substrat aufgebracht werden kann (siehe Abbildung 1). Nanofasern ermöglichen aufgrund ihrer außergewöhnlichen physikalischen Eigenschaften neuartige Beschichtungen. Einzelne Nanofasern haben einen Durchmesser von einigen hundert Nanometern. Typische thermoplastische Polymere, die für die Laminierung von Lithium-Ionen-Batteriezellen verwendet werden, können in Electrospinning-Prozessen zu Schichten aus Nanofasern verarbeitet werden.

Das physikalische Grundprinzip des Electrospinning ist simpel: Ein mit einer Polymerlösung benetzter Draht wird einem starken elektrischen Feld (10 bis 100 kV) ausgesetzt, wodurch sich in der Flüssigkeit einzelne Erhebungen bilden (siehe Abbildung 2). Diese so genannten Taylor-Koni bilden den Ausgangspunkt für mikrofluidische Strömungskanäle der Polymerlösung. Durch das starke elektrische Feld wird die Polymerlösung in diesen Kanälen in Richtung des Substrats beschleunigt, das zur Gegenelektrode des elektrischen Feldes ausgerichtet ist. Kontrollierte Umgebungsbedingungen in Bezug auf Temperatur und Feuchtigkeit bewirken, dass das Lösungsmittel auf dem Weg vom Draht zum Substrat verdampft. Dort lagern sich dann dünne und trockene Polymer-Nanofasern auf dem Substrat ab.

Die Morphologie der Nanofasern, wie z.B. ihre Dicke, hängt dabei stark von den eingestellten Prozessparametern ab. Neben den Anlagenparametern beeinflussen viele im Labor bestimmbare chemische und physikalische Eigenschaften der Polymerlösung den Prozess. Aufgrund des komplexen elektrohydrodynamischen Kräftegefüges in der Polymerlösung ist das Verhalten im Electrospinning-Prozess kaum vorhersagbar. Die Optimierung dieser Lösungen erfordert einen hohen Aufwand und spezifisches Expertenwissen, da die Qualität der Nanofasern mit herkömmlichen Lichtmikroskopen nicht oder nur schwer überprüft werden kann. Die Qualität der Nanofasern sowie die Prozessstabilität werden von Experten anhand von aufwendig erstellten Rasterelektronenmikroskop-Aufnahmen beurteilt (siehe Abbildung 3). Dies führt zu einer für Electrospinning-Prozesse typischen langwierigen Optimierung der Spinning-Parameter.

Es ist jedoch möglich, kamerabasierte Sensorik einzusetzen, um den Prozess zu beobachten und anhand einzelner Merkmale zu charakterisieren. Da Electrospinning-Prozesse in hoher Geschwindigkeit und auf mikroskopischen Skalen stattfinden stellt dies Herausforderungen an das externe Kamerasystem. Eine durchgeführte Charakterisierung kann jedoch dazu genutzt werden, um frühzeitig Aussagen über die Prozessstabilität zu treffen und somit die Entwicklung von industriell einsetzbaren Electrospinning-Prozessen zu beschleunigen.

Während bei typischen Electrospinning-Anwendungen, wie der Herstellung von Filtermaterialien, der Faserdurchmesser als entscheidendes Zielkriterium optimiert wird, sind für den Einsatz beim Laminieren von Lithium-Ionen-Batteriezellen vor allem die thermoplastischen Eigenschaften des Polymers sowie die Oberflächenbedeckung der Schicht aus Polymer-Nanofasern entscheidend. Die Polymere müssen daher nach ihren thermoplastischen Eigenschaften ausgewählt und anschließend auf ihre Spinnbarkeit untersucht werden. Außerdem muss die Menge der Nanofasern auf dem Substrat genau eingestellt werden, um den Ionentransport in der Lithium-Ionen-Batteriezelle nicht negativ zu beeinflussen.

Die Prozesskombination Electrospinning-Lamination, bei der gesponnene Schichten aus Polymer-Nanofasern für die Laminierung genutzt werden, ist noch nicht ausreichend erforscht. Während das Electrospinning als Verfahren in der Grundlagenforschung intensiv untersucht wird, ist eine industrielle Anwendung in der Produktion von Lithium-Ionen-Batterien nach heutigem Stand der Technik noch nicht gegeben. Die feinporige Struktur der Nanofasern und die außergewöhnlichen Eigenschaften der dünn aufgetragenen Schichten machen diese zu einem vielversprechenden Kandidaten für einen zukünftigen Einsatz in der Produktion von Lithium-Ionen-Batterien.

Für einen erfolgreichen Einsatz in der Produktion von Lithium-Ionen-Batteriezellen ist der Einfluss der Prozesskombination Electrospinning-Lamination auf nachgelagerte Prozessschritte experimentell zu untersuchen. Die Prozessbewertung durch datengetriebene Methoden sowie die darauf aufbauende beschleunigte Parameteroptimierung für industriell einsetzbare Electrospinning-Prozesse kann dabei einen erheblichen Beitrag zur Industrialisierung der Technologie leisten.

Zusammenfassend kann festgestellt werden, dass die Prozesskombination Electrospinning-Lamination bisher weder experimentell untersucht noch auf ihre industrielle Eignung für die Herstellung von Lithium-Ionen-Batterien überprüft wurde. Neue Ansätze für die langwierige Prozessoptimierung sind ebenso notwendig wie die Sicherstellung der Stabilität in kontinuierlichen Prozessen. Es besteht noch erheblicher Forschungsbedarf im Bereich der Prozessoptimierung und -steuerung, um das volle Potenzial der Technologie für die Entwicklung neuartiger Beschichtungen auszuschöpfen.

Im Rahmen des Forschungsvorhabens konnte gezeigt werden, dass die Prozesskombination Electrospinning-Lamination eine Alternative zum konventionellen Laminieren mittels intrinsisch laminierbaren Separatoren darstellt. Für die Verfahrenskombination wurden sowohl der Produktaspekt als auch der Produktionsaspekt untersucht, wobei die wichtigsten erzielten Ergebnisse dem Prozessablauf folgend erläutert werden.

Laboruntersuchungen der Eigenschaften von für das Spinning geeigneten Polymerlösungen
Verschiedene Polymere wurden auf ihre thermoplastischen Eigenschaften für die Lamination geprüft und anschließend experimentell auf ihre Spinnbarkeit untersucht. Dazu wurden Polymerlösungen hergestellt, im Labor hinsichtlich ihrer physikalischen Eigenschaften vermessen und anschließend in Spinning-Experimenten auf ihre grundsätzliche Spinnbarkeit untersucht. Dabei wurde ein Hochgeschwindigkeitskamera-basiertes Prozessbeobachtungssystem aufgebaut, um die Dynamik der Polymerlösung auf dem Draht in Bildern zu erfassen (siehe Abbildung 2).

Entwicklung von Algorithmen zur Merkmalsextraktion aus Inline-Prozessbeobachtungen
Die Aufnahmen der Hochgeschwindigkeitskamera wurden anschließend zur Entwicklung von Algorithmen zur quantitativen Erfassung der identifizierten Merkmale verwendet. Insbesondere die Anzahl der Taylor-Koni sowie die Kante der Polymerlösung am Draht können Aufschluss über den Prozess geben. In Abbildung 4 sind diese erfassten Merkmale in eine typische Aufnahme der Prozessbeobachtung eingezeichnet. Die für die industrielle Anwendung notwendige Stabilität von Elektrospinnprozessen kann durch statistische Analysen der Merkmale gewährleistet werden. Beispielsweise können durch die Analyse der Merkmale über mehrere Aufnahmen hinweg eindeutige Phasen des Spinning-Prozesses erkannt und dadurch ein Prozessdrift bereits frühzeitig vermieden werden (siehe Abbildung 5).

Nachgelagerte Experimente zur Produktcharakterisierung
Um die Eignung der mit Polymer-Nanofasern beschichteten Separatoren für die Lamination von LIB-Zellen zu prüfen, wurden Experimente zu deren Charakterisierung durchgeführt. In einem ersten Schritt wurde der Bedeckungsgrad der gesponnenen Polymer-Nanofaserschichten aus rasterelektronenmikroskopischen Aufnahmen der Proben bestimmt. Dazu wurden Bildverarbeitungsalgorithmen entwickelt, die diese aus den erhaltenen Aufnahmen extrahieren konnten (siehe Abbildung 6). Durch die Analyse mehrerer solcher Aufnahmen konnte ein Prozessmodell erstellt werden, mit dem der Bedeckungsgrad bei Variation der Substratgeschwindigkeit vorhergesagt werden kann.
Zur Überprüfung der Permeabilität der Nanofaserbeschichtung nach dem Laminieren wurden Versuchsreihen zur Eingrenzung des Prozessfensters durchgeführt. Im Einzelnen wurden in Gurley-Experimenten die Laminationsparameter Druck und Temperatur variiert. Als letzter Schritt der Charakterisierung wurden Versuchsreihen zur Bestimmung der Haftfestigkeit des laminierten Zellverbundes durchgeführt, um die für eine erfolgreiche Lamination erforderlichen Haftkräfte experimentell zu bestätigen.

Zellbau und anschließende elektrochemische Charakterisierung
Um die verbesserten Eigenschaften der mittels der Prozesskombination Electrospinning-Lamination hergestellten Lithium-Ionen-Batteriezellen nachzuweisen, wurden elektrochemische Charakterisierungen von laminierten und unlaminierten Zellen durchgeführt. In den dabei durchgeführten Tests mit hohen Lade- und Entladeströmen (C-Rate-Test) sowie Langzeittests mit bis zu 200 Zyklen zeigen die mit der Prozesskombination Electrospinning-Lamination hergestellten Zellen eine höhere Entlade- und Restkapazität als unlaminierte Zellen (siehe Abbildung 7). Dies lässt auch auf ein verbessertes Alterungsverhalten der Zellen schließen.

Operator-Tool zur Analyse von Electrospinning-Prozessen
Bei neu für die Prozesskombination Electrospinning-Lamination eingesetzten Polymeren ist es notwendig, neben einer Optimierung der Parameter auch die Stabilität der Electrospinning-Prozesse garantieren zu können. Zu diesem Zweck wurde ein Operator-Tool entwickelt, das die Überprüfung der Stabilität durch statistische Auswertung von Merkmalen ermöglicht. Dabei werden Einzelbilder der Electrospinning-Prozesse über definierte Zeiträume beobachtet und ausgewertet (siehe Abbildung 8).

Wirtschaftlichkeit und Machbarkeit des industriellen Einsatzes der Prozesskombination Electrospinning-Lamination
Um den Produktionsaspekt der Prozesskombination Electrospinning-Lamination zu untersuchen wurden die Anforderungen einer skalierten Produktion von Lithium-Ionen-Batterien erhoben und aktuelle Electrospinning-Anlagentechnik hinsichtlich dieser Anforderungen geprüft. Um zusätzlich die Wirtschaftlichkeit der Technologie abzuschätzen, wurden Angebote für industrielle Electrospinning-Anlagen eingeholt und ein Kostenmodell erstellt. Die Kosten für den Einsatz der Prozesskombination Electrospinning-Lamination in der Produktion von Lithium-Ionen-Batterien wurden auf einen Bereich von 1,83 €/kWh bis 3,67 €/kWh eingegrenzt.

Legende

Ansprechpartner: Prof. Dr. rer. nat. Karl-Heinz Pettinger

Ansprechpartner: Viktoria Peterbauer

Ansprechpartner: Prof. Dr. rer. nat. Karl-Heinz Pettinger

Ansprechpartner: Viktoria Peterbauer

Ansprechpartner: Prof. Dr.-Ing. Rüdiger Daub

Ansprechpartner: Stephan Trattnig

Intelligente Batteriezellfertigung mit KI-gestütztem Prozessmonitoring auf Basis einer generischen Systemarchitektur

KIproBatt

Die Batterieproduktion und die Nutzung von Methoden der künstlichen Intelligenz (KI) sind zwei Schlüsseltechnologien für den Wirtschaftsstandort Deutschland, die diesen in den kommenden Jahren weiter prägen. Für die Fertigung von Batteriezellen ist u. a. eine Erhöhung der Produktivität nötig. Diese lässt sich durch eine Reduzierung des Ausschusses, Material- und Energieeinsatz steigern. Durch die Digitalisierung der Produktion und unter Einsatz von KI basierten Methoden kann die Produktivität signifikant erhöht werden. Hierfür müssen die Technologie für die Branche angepasst und der Nachweis für die Anwendungsfähigkeit in der Batterieproduktion noch erfolgen, um so das Vertrauen der industriellen Anwender zu gewinnen.
Um insbesondere die nationale Zellproduktion zu unterstützen, werden im Rahmen des Projektes „KIproBatt“ gezielt Fortschritte in den Bereichen der Digitalisierung und der statistischen Datenauswertung unterstützt durch KI angestrebt.

Mit dem Einsatz der KI-Technologie können eine Reduzierung der Produktionskosten und eine Erhöhung der Produktqualität von Batteriezellen herbeigeführt werden. Mit den im Projekt entwickelten KI-Modellen und -Methoden kann die Zielsetzung einer Produktivitätssteigerung und Erhöhung der Produktqualität erreicht werden. Hierzu werden die Elektrolytmenge und der Energieverbrauch je Zelle optimiert. Im Weiteren wird der Material-, Geometrie- und umweltbedingte Ausschuss durch die Entwicklungsarbeit gesenkt. Zudem wird ein Beitrag zur Standardisierung von Schnittstellen und semantischen Beschreibung von Daten geleistet. Durch diese Aktivität und die Entwicklungen im Projekt „KIproBatt“ ergibt sich die Voraussetzung für den Einsatz im industriellen Umfeld.

Das übergeordnete Forschungsziel des Projekts besteht in der Erweiterung einer Batteriezellfertigung durch die Implementierung eines KI-gestützten Prozessmonitorings. Dies soll auf einer generischen Systemarchitektur basieren, die Sensorhardware wie Kamerasysteme, Druckmessungen in der Assemblierung sowie Temperatur- und Formierdaten mit einer zentralen, semantisch strukturierten Datenplattform mit einer spezialisierten KI-Toolbox verknüpfen. Das Ziel ist es, eine universelle und übertragbare Lösung zu schaffen, die auch bei geringer Datenverfügbarkeit in Pilotanlagen und Kleinserienproduktionen durch den Einsatz hybrider KI-Methoden erfolgreich ist. Die entwickelte Methodik soll auf zukünftige Anlagen zur Pouchzellassemblierung übertragen werden. Hierzu wird eine Definition einer Ontologie für ausgewählte Produktionsbereiche vorgenommen. Eine Evaluierung hybrider KI-Methoden für das Prozessmonitoring, basierend auf Sensordaten und Domänenwissen, wird durchgeführt.

Kontakt

Projektlaufzeit

Themenfeld

Förderkennzeichen

• Stand der Technik
• Ausgewählte Ergebnisse
• Transferangebot an die Industrie

Die Forschung im Bereich des Predictive Process Monitoring hat in vielen industriellen Fertigungsprozessen im Zuge der Entwicklung von „Industrie 4.0“ eine zunehmende Bedeutung erlangt. Diese Entwicklung beinhaltet eine engmaschige, sensorgestützte Prozessüberwachung, die durch die hardwareseitige Ausrüstung von Anlagen und die Erfassung großer Datenmengen vorangetrieben wird. Allerdings stellt die intelligente, KI-gestützte Prozesssteuerung eine weiterführende Herausforderung dar, bei der eine nachgelagerte Strukturierung der Daten und ihre Verknüpfung mit Domänenwissen von wesentlicher Bedeutung sind.
Generische Systemarchitekturen, etabliert im Bereich der Data Science, bieten eine klare Strukturierung in verschiedene Ebenen zur Organisation von Datenhandling und Datenmodellierung. Diese Plattformen werden aktuell für verschiedene Einsatzfelder weiterentwickelt und berücksichtigen auch eine Mikroservice-Architektur für wissenschaftliche Datenauswertung und Simulation. In der Batteriezellfertigung verspricht eine solche Systemarchitektur einen Professionalisierungsschub, der Barrieren für KI-Anwendungen reduziert und den Aufbau eines KI-gestützten Prozessmonitorings erlaubt. Dies ermöglicht auch die Kombination von Simulationen im Bereich der Batteriezellenfertigung mit datenbasierten Methoden.

Die Digitalisierung aller Prozessschritte durch erweiterte Nutzung von Sensor- und Aktordaten in Verbindung mit datenbasierten Ansätzen ermöglicht den Transfer von bestehenden linearen Prozessketten zu einer format- und auftragsflexiblen, modularen Batteriezellproduktion. Diese Entwicklung wird als entscheidender Wettbewerbsvorteil nationaler Unternehmen im globalen Kontext betrachtet.
Im Bereich der physikalischen Forschung gewinnen theoriegeleitete Data Science Analysen an Bedeutung und dienen als Grundlage für hybride Modellierung. Dieser Ansatz ist auch für das Prozessmonitoring in einer Forschungsfabrik geeignet, indem bestehendes Prozesswissen in datenbasierten Ansätzen zur Überwachung und Modellierung von Prozessen eingesetzt wird. Diese Ansätze bewegen sich jedoch auf einem Technology Readiness Level (TRL) von 4 und wurden aufgrund ihrer Komplexität und Interdisziplinarität noch nicht im industriellen Umfeld etabliert. Das vorliegende Projekt hat das Ziel, im Bereich der Batteriezellfertigung eine generische Systemarchitektur zu entwickeln und zu evaluieren, indem Materialwissenschaft, Prozesstechnologie, Informationstechnologie sowie mathematische und betriebswirtschaftliche Aspekte zusammengeführt werden.

Durch den Einsatz von Machine Learning konnten erste Arbeiten die Einflüsse von im Herstellungsprozess gemessenen Parametern auf die Qualität von Lithium-Ionen-Batterien modellieren. Dabei wurden verschiedene maschinelle Lernverfahren verglichen und auf Basis von Parametern wie Schweißzeiten, Schweißstromstärken und Massen des Verarbeitungsmaterials eine Vorhersage der Produktqualität ermöglicht. Jedoch erfolgt in den bisherigen Arbeiten noch kein Echtzeit-Monitoring des Produktionsprozesses und es werden keine auf andere Anlagen adaptierbaren Ontologien eingesetzt.

Das Konzept des Predictive Process Monitoring, das die vollumfängliche Überwachung von Produktionsprozessen beschreibt, wird im Kontext der Batteriezellfertigung noch nicht angewendet. Dieser Ansatz zielt darauf ab, frühzeitig außerplanmäßige Stillstände zu erkennen, Prognosen über folgende Prozessschritte zu erhalten, Erkenntnisse über die Prozessperformance zu gewinnen und Ausschussrisiken frühzeitig festzustellen. Die Anwendungsmöglichkeiten dieses Konzepts von der Vorhersage der restlichen Produktionszeit bis hin zu Kosten- und Belastungsberechnungen müssen weiter erforscht und evaluiert werden.

Im Rahmen des Projekts KIproBatt wurden in verschiedenen Bereichen Fortschritte erzielt. Insbesondere wurden Ergebnisse in der Prozessbeschreibung, der statistischen Versuchsplanung und der Implementierung von Machine-Learning-Ansätzen verzeichnet. Ein herausragendes Ergebnis ist auf der Webseite „https://kiprobatt.de/wiki/Main_Page“ verfügbar. Hier wird der Wissensgraph präsentiert und sein Aufbau erläutert (Abbildung 1).

Eine Lösung zur Prozessbeschreibung wurde durch den Einsatz der BPMN-Spezifikationssprache (Business Process Model and Notation) realisiert. Dabei wurde ein Prozessschema für die Batteriezellfertigung an der bestehenden Anlage des Fraunhofer ISC erstellt. Das Schema umfasst sämtliche Schritte der Prozesskette, beginnend beim Konfektionieren der Elektroden bis hin zum End-of-Line (EOL)-Test (Abbildung 2). Es berücksichtigt dabei ein- und ausgehende Daten, Produkte sowie Key Performance Indicators (KPIs). Darüber hinaus wurden Erweiterungen am Prozessschema der vorhandenen Anlage vorgenommen. Dies umfasste die Integration potenzieller zusätzlicher Sensorik, datengetriebener bzw. physikalischer Modelle und deren Einfluss auf die entsprechenden KPIs.

Im nächsten Schritt wurden kritische Teilschritte in der Batteriezellfertigung identifiziert und eine umfassende Wirkungsmatrix wurde erstellt. Die Einflüsse der bisher messbaren physikalischen Größen wurden im Hinblick auf durch zusätzliche Sensorik messbare Größen und deren Auswirkungen auf die KPIs analysiert. Die insgesamt 1161 betrachteten Wirkzusammenhänge wurden auf Grundlage von Expertenwissen und vorhandener Literatur in fünf Hauptkategorien unterteilt:
• 0 für Unabhängigkeit,
• 1 für mathematisch beschreibbare und interpretierbare Zusammenhänge,
• 2 für wahrscheinliche Zusammenhänge, die noch nicht sinnvoll interpretierbar sind,
• 3 für unbekannte Zusammenhänge und
• 4 für indirekte Zusammenhänge.
Als kritische Teilschritte mit dem höchsten Potenzial zur Prozessoptimierung wurden das Trocknen, das Elektrolyt-Füllen sowie die Verarbeitung der Elektroden (Konfektionieren, Stapeln) identifiziert (Abbildung 3).

Ein weiteres Ergebnis umfasst die Auswahl einer geeigneten Design of Experiment (DOE) für die Datenerfassung unter den Bedingungen eines festen Datenvolumens und eines bestimmten Maßes an Messunsicherheit. Ein Versuchsplan für die Qualitätsanalyse im „Small-data context“ wurde entwickelt, um den Anforderungen an die geringe Datenmenge in der Pilotproduktion und kleinen bis mittleren Produktionslinien gerecht zu werden.
Es wurde eine methodische Vorgehensweise für die Implementierung von Machine-Learning-Ansätzen in einem Kontext mit begrenzten Datenressourcen erarbeitet (Video 4). Dies umfasst die Zusammenführung früheren Prozesswissens, die Datenerfassung sowie die datengetriebene Korrelationsanalyse und Modellierung. Besonderes Augenmerk wurde auf den Aufbau eines robusten Machine-Learning-Schemas unter den Einschränkungen eines begrenzten Datenvolumens gelegt (Video 5).

Legende

Ansprechpartner: Dr. Simon Stier

Ansprechpartner: Dr. Lukas Gold

Ansprechpartner: Prof. Dr. Maximilian Röglinger

Ansprechpartner: Prof. Michael Möckel

Ansprechpartner: Prof. Michael Möckel

Ansprechpartner: Prof. Michael Möckel

Ansprechpartner: Dr. Andreas Flegler

Skalierte Laserstrukturierung und -trocknung von Lithium-Ionen-Akkumulatoren zur Steigerung der Leistungsfähigkeit

LaserScale

Das Forschungsvorhaben „LaserScale“ verfolgt das Ziel, ein innovatives Anlagenkonzept zur Reduzierung der Produktionskosten bei gleichzeitiger Erhöhung der Produktqualität für die Herstellung von Lithium-Ionen-Batterien (LIB) umzusetzen. Das energieeffiziente Anlagenkonzept soll dabei die Steigerung der Energie- und Leistungsdichte von LIBs ermöglichen. Durch die Kombination der Laserstrukturierung mit flexibler Lasertrocknung soll hierbei zugleich eine Prozesseffizienzsteigerung realisiert werden. Dies adressiert gleichzeitig das Thema Nachhaltigkeit im Sinne einer „grünen Batterie“.

Das innovative Anlagenkonzept soll die Steigerung der Energie- und Leistungsdichte von Lithium-Ionen-Batterien ermöglichen, indem Mikrostrukturen mit Hilfe von Laserstrahlung in die Elektroden eingebracht werden. Die flächige Strukturierung des Elektrodenmaterials soll dabei über den Einsatz eines Multistrahl-Multiscanner-Moduls eruiert werden. Durch die Kombination der Laserstrukturierung mit einer flexiblen Lasertrocknung soll sich zudem eine Prozesseffizienzsteigerung erreichen lassen. Für die Trocknung der beschichteten Elektrodenfolien sind sogenannte Oberflächenemitter vorgesehen, die eine dynamische Anpassung und Regelung der Temperaturverteilung zur zielgerichteten Trocknung der Elektroden ermöglichen. Mit Hilfe der Einbindung einer datengetriebenen Prozesssteuerung sollen wesentliche Prozessdaten erfasst und entsprechend dem optimalen Systembereich angepasst werden. Ein Schwerpunkt des Forschungs-Teams liegt außerdem auf der Skalierung der zugrundeliegenden Laserverfahren in Richtung einer industriellen Anwendbarkeit.

Das Forschungsvorhaben LaserScale verfolgt das Ziel, ein innovatives Anlagenkonzept zur Reduzierung der Produktionskosten bei gleichzeitiger Erhöhung der Produktqualität für die Herstellung von Lithium-Ionen-Batterien – umzusetzen. Das energieeffiziente Anlagenkonzept soll dabei die Steigerung der Energie- und Leistungsdichte von Lithium-Ionen-Batterien ermöglichen, indem Mikrostrukturen mit Hilfe von Laserstrahlung in die Elektroden eingebracht werden. Durch die Kombination der Laserstrukturierung mit flexibler Lasertrocknung soll hierbei zugleich eine Prozesseffizienzsteigerung realisiert werden. Dies adressiert gleichzeitig das Thema Nachhaltigkeit im Sinne einer „grünen Batterie“. Im Fokus der Forschungsarbeiten liegt hierbei die Skalierung der Abtragsraten der zugrundeliegenden Laserverfahren in Richtung industrieller Anwendbarkeit. Hierzu wird innerhalb des Projekts die flächige Strukturierung in einem Multistrahl-Multiscanner-Modul eruiert (Abbildung 1 & 2).

Kontakt

Projektlaufzeit

Themenfeld

Förderkennzeichen

• Stand der Technik
• Ausgewählte Ergebnisse
• Transferangebot an die Industrie

Für höhere Energiedichten in der Lithium-Ionen-Batterie werden immer dickere und dichtere Aktivmaterialschichten erforderlich. Diese weisen eine geringe Porosität und verminderte Austauschgeschwindigkeit von Lithium-Ionen auf. Dagegen wirkt der positive Effekt der Elektrodenstrukturierung (Einbringen von Mikroporen bzw. Diffusionskanälen mit Strukturgrößen < 50 μm) auf einen gesteigerten Ionentransport und damit auf die Leistungsfähigkeit von Lithium-Ionen-Batterien, welcher bereits gezeigt werden konnte. So weisen laserstrukturierte, 210 μm dicke Kathoden eine um 74 % höhere Zyklenfestigkeit bei Lade- bzw. Entladeraten von 5C auf als die unstrukturierten Elektroden. Während die Bearbeitungsqualität derzeitiger UKP-Laserverfahren die sehr hohen Ansprüche erfüllt, limitieren die zur Verfügung stehenden Systemtechnikkomponenten, wie die Strahlablenkung oder Strahlquellenleistung, die Produktivität für den industriellen Einsatz in der Produktion von Lithium-Ionen-Batterien. Die Abtragsraten heutiger UKP-Laserverfahren sind um mindestens eine Größenordnung zu gering, um in der industriellen Batteriezellproduktion eingesetzt werden zu können. Um relevante Vorschubgeschwindigkeiten im Technikumsmaßstab von 1 bis 10 m/min bzw. für Industrieanlagen von 50 bis 100 m/min zu realisieren, ist eine massive Skalierung des Laserstrukturierungsverfahrens erforderlich. Dabei ist die Produktionskette von Lithium-Ionen-Batteriezellen selbst durch eine hohe Komplexität gekennzeichnet, die durch eine Vielzahl von Prozessschritten verursacht wird. So ist jeder Prozessschritt durch eine hohe Anzahl von Ein- und Ausgangsgrößen definiert. Zu den Eingangsgrößen gehören beispielsweise die Materialeigenschaften, Prozessparameter oder Störungen. Als Ausgangsgrößen werden Merkmale von Zwischenprodukten betrachtet, die wiederum als Input für nachfolgende Prozesse dienen können. Die Prozesskette für die Herstellung von Lithium-Ionen-Batteriezellen enthält hierbei mehr als 600 Variablen, wodurch sich ein komplexes Geflecht von Ursache-Wirkungs-Beziehungen ergibt. Hierdurch ergeben sich besondere Herausforderungen in Bezug auf die Skalierung von innovativen Technologien, als auch auf die Datenverarbeitung sowie der Ansätze einer KI-Überwachten Produktion.

Hier knüpft das Projekt LaserScale an und hebt sich von bisherigen bzw. aktuellen Forschungsprojekten ab. Hierzu zählt das Anfang 2020 abgeschlossene Projekt SurfaLIB, in welchem verschiedene Verfahren zur Oberflächenmodifikation untersucht wurden und die Laserstrukturierung von Elektroden erstmalig befähigt wurde. Eine Skalierung der Technologie wurde jedoch nur rudimentär adressiert. Dieser widmen sich (zumindest zu Teilen) die aktuellen Forschungsprojekte structur.e und NextGen-3DBat. Innerhalb des aktuellen Forschungsvorhabens structur.e sollen hierbei die Schnellladefähigkeiten von Lithium-Ionen-Batterien durch eine laserinduzierte Microstrukturierung der Elektroden untersucht und optimiert werden. Das Projekt NextGen-3DBat ist fokussiert auf eine 3D-Laserstrukturierung der Zellkomponenten zur Entwicklung von Hochenergie- und Hochleistungsbatteriesystemen. Allerdings stehen in beiden Projekten prozess- bzw. produktseitige Themen im Vordergrund. In LaserScale soll nun ein anlagentechnisches Konzept für die Hochdurchsatz-Laserstrukturierung entwickelt und umgesetzt werden. Die Laserstrukturierung soll im Kontrast zu aktuellen Ansätzen innerhalb der Elektrodenherstellung (und nicht nach dieser) angesiedelt sein. Hierzu wird in LaserScale die flächige Strukturierung in einem Multistrahl-Multiscanner-Modul erfolgen. Das auf mehreren Galvanometerscannern basierende Optikkonzept ermöglicht hohe Flexibilität in der Bearbeitungsstrategie von Elektroden. Sowohl die Lasermikrostrukturierung über parallele Teilstrahlen als auch die Untersuchung von Synergieeffekten aus Lasertrocknung und -strukturierung wurden bisher noch nicht untersucht.

Die Trocknung von wasserbasierten oder lösemittelbasierten Slurries stellt eine weitere maßgebliche Herausforderung in der Zellfertigung dar. Bei der ofenbasierten Trocknung werden lange Trocknungsstecken von bis zu 100 m, sowie hohe Temperaturen von 50 bis 160 °C benötigt, was maßgeblich zum hohen Energie- und Platzbedarf beiträgt. Durch den Einsatz von VCSEL-basierten Laserstrahlquellen zur Trocknung von wasserbasierten bzw. lösungsmittelhaltigen Slurries kann der Energiebedarf halbiert werden, ohne dabei den Trocknungsgrad oder die elektrochemischen Eigenschaften zu beeinflussen. Die Verwendung von modernen Laserstrahlquellen erlaubt dabei eine extrem variable und kompakte Bauweise, was den Platzbedarf des Trocknungsmoduls in einer Rolle-zu-Rolle-Elektrodenproduktion stark reduziert. Im Gegensatz zu herkömmlichen, konvektionsbasierten Trocknungsverfahren kann dieses Konzept aufgrund der reduzierten Länge der Trocknungsstrecke auch für Beschichtungs- und Trocknungsprozesse in einer vertikalen Orientierung angewandt werden, was weitere Anlagenstandfläche einspart. Die vertikale Ausrichtung der Beschichtungsanlage befähigt hierbei aufgrund des gleichmäßigen Eingriffs der Gewichts- und Scherkräfte auf die aufgetragenen Aktivmasse die beidseitig-simultane Beschichtung und trägt zu einer weiteren Reduzierung der Prozesszeiten bei. Die Beschichtung besteht hierbei an der Anode aus einer Graphitstruktur und an der Kathode aus einem Metalloxid. Literaturquellen, die eine vertikale, laserbasierte Trocknung beschreiben, sind bisher nicht bekannt.

Darüber hinaus erfolgen die Prozessdigitalisierung und die Anwendung von industriellem Machine Learning mit dem Ziel, die optimalen Steuerungsparameter für das Anlagensystem abzuleiten. Dies berücksichtigt die Robustheit gegenüber Prozessunsicherheiten, ein sicheres Explorieren von Anlagenparametern und ein dateneffizientes Trainieren. Die Prozessdigitalisierung ist dabei ein essenzieller Grundbaustein für die Befähigung und Optimierung des gesamten Produktionssystems. Nur auf Basis dieser Digitalisierung kann die Anwendung von Machine Learning mit dem Ziel der Ableitung optimaler Steuerungsparameter erfolgen. In einem industriellen Kontext unterliegt die Anwendung von Machine Learning besonderen Herausforderungen, welche von den angewandten Methoden berücksichtigt werden müssen.

Im Rahmen des Projekts LaserScale ist es gelungen, ein neuartiges Laserstrukturierungsmodul zu entwickeln und in eine Beschichtungsanlage zu integrieren (Abbildung 1). Durch dieses Modul wird es möglich, Elektroden-Bandmaterial bis zu einer Breite von 250 mm bei Bandgeschwindigkeiten von bis zu 10 m/min zu strukturieren. Dazu wird ein Pikosekunden-Laser eingesetzt. Durch die extrem kurzen Laserpulse, welche mit dieser Laserstrahlquelle realisiert werden können, wird eine Schädigung des Elektrodenmaterials (z.B. Verglasung) unterbunden. Durch eine Kombination von optischen Elementen und mehreren, synchronisierten Laserscannern erfolgt die Bearbeitung simultan mit 24 Teilstrahlen (Abbildung 2). Dadurch kann die Flächenrate deutlich gesteigert werden. Um die Abtragseffizienz weiter zu steigern, wurde neben der parallelisierten Bearbeitung die Verwendung von Pulsbursts untersucht, bei welchen der Einzelpuls in eine Vielzahl von Pulsen aufgeteilt wird. Dadurch konnte eine Steigerung der Abtragseffizienz um einen Faktor 5 generiert werden (definierte Lochgeometrie mit 50 µm Tiefe). In enger Zusammenarbeit haben die Projektpartner ILT und iwb den Einfluss verschiedener Prozessparameter untersucht und optimiert. Dabei konnte nachgewiesen werden, an welcher Stelle in der Prozesskette zur Herstellung von Lithium-Ionen-Batterien Elektroden die Strukturierung zu welchen Effekten in Morphologie, Ladefähigkeit und Leistungsfähigkeit führt. Die aktuelle Limitierung in der erreichbaren Flächenrate liegt in der begrenzten Leistung von Ultrakurzpulslaser. Durch die Optimierung innerhalb des Projekts ist die Industrialisierung und Skalierung der Laserstrukturierung bei Bandgeschwindigkeiten > 60 m/min in greifbare Nähe gerückt. Die notwendigen Laserleistungen sind momentan noch nicht verfügbar, die Entwicklung von kommerziellen Systemen wird jedoch in den nächsten 1-2 Jahren erwartet.

In den Arbeitspaketen zur Lasertrocknung wurde ein Lasertrocknungsmodule inkl. Prozessüberwachung und Absaugung entwickelt, welche sich platzsparend in bereits bestehende Beschichtungsanlagen integrieren lässt (Abbildung 3). Bei der kontinuierlichen Trocknung von Lithium-Ionen-Batterie Elektroden mittels Laserstrahlung treten hohe Verdampfungsrate von bis zu 50 g/(m²/s) auf. Im Vergleich dazu werden bei der Ofentrocknung lediglich Werte von maximal 15 g/(m²/s) erreicht. Durch diese hohen Verdampfungsraten können Effekte wie Bindermigration, Skin-Effekt und Delaminierung auftreten. Diese müssen durch eine präzise Prozessführung innerhalb eines schmalen Prozessfensters vermieden werden. Durch die schnelle Regelbarkeit der eingesetzten Dioden-Laserstrahlquellen kann jedoch kurzfristig auch geringfügige Schwankungen im Prozess (z.B. Schichtdicke) reagiert werden. Das entwickelte Trocknungsmodul wurde in eine vertikale (Projektpartner PEM) und eine horizontale Beschichtungsanlage (Projektpartner Fraunhofer ILT) integriert und in einem kontinuierlichen Beschichtungsprozess validiert. Da bei den hohen Verdampfungsraten auch hohe Konzentrationen an Lösungsmitteldämpfen auftreten musste das Absaugsystem des Lasertrocknungsmoduls mehrfach optimiert werden, um eine möglichst hohe Trocknungseffizienz zu erreichen. Durch den dedizierten Energieeintrag konnte der Footprint des Trocknungsmoduls im Vergleich zur konventionellen Trocknung mittels Durchlaufofen um ca. 60% reduziert werden. Gleichzeitig konnte die Energieeffizienz der Trocknung um 50% gesteigert werden.

Die laserbasierte Trocknung erfordert eine zeitlich hoch aufgelöste Aufnahme von Temperaturdaten. Zusammen mit den Daten der Beschichtungsanlage (Bandgeschwindigkeit, Bandspannung usw.) sowie der Materialparameter (Zusammensetzung, Mischparameter, Pumpendruck usw.) sowie der Laserstrukturierung liegt in Summe eine heterogene Datenbasis vor, welche der Projektpartner IMA in einer Datenbank zusammenführt. Das Ziel dieser zusammengeführten Datenbasis ist die Entwicklung eines datengetriebenen Abbilds der Prozesskette. Dieses Abbild bildet die Grundlage für die virtuelle Optimierung von Einflussparametern anhand eines Optimierungsalgorithmus (Abbildung 4). Die Optimierung erfolgt dabei unter Einbeziehung der Modellunsicherheiten des virtuellen Prozessabbildes, sodass gezielt Einflussparameter ausgewählt werden, die auf möglichst sicheren Modellvorhersagen beruhen. Dies soll einen erfolgreichen Transfer der optimierten Parameter in die reale Anlage sicherstellen. Die initiale datengetriebene Optimierung der Einflussparameter soll dabei vor allem das Einfahren neuer Prozesse in der industriellen Produktion unterstützen.

Legende

Ansprechpartner: Prof. Achim Kampker

Ansprechpartner: Prof. Rüdiger Daub

Ansprechpartner: Dr. Christian Vedder

Ansprechpartner: Prof. Dr. phil. Ingrid Isenhardt

Optimierte Zellfinalisierung durch innovative Anlagentechnik und parametergestützte Auswertung der Prozess- und Qualitätsparameter im virtuellen Produktionssystem

OptiPro

Die Zellfinalisierung der Batteriezellproduktion ist bisher durch Limitation des erzielbaren Durchsatzes und unzureichend bekannte Beeinflussung der Zellqualitätsparameter gekennzeichnet. Dies spiegelt sich unter anderem in hohen Fertigungskosten wider. Die großen Energie- und Ressourcenbedarfe einiger Teilschritte (u.a. Befüllen, Formieren, Testlagern und EOL-Test) motivieren dazu, Prozesszeiten zu minimieren. Der Materialbedarf stellt einen signifikanten Kostentreiber dar, in der Folge wird ein gezieltes Reduzieren des Ausschusses durch die Optimierung der Prozesse angetrieben. Es besteht somit ein großes Potential, die Attraktivität für eine kompetitive Batterieproduktion in Deutschland zu stärken, indem die Zellfinalisierung ganzheitlich beeinflusst wird.

Im Projekt „OptiPro“ werden in Arbeitspaket 1 die Einflussparameter auf den Zellfinalisierungsprozess untersucht, die bestehende Messtechnik bewertet und neue Methoden identifiziert. Darauf aufbauend werden in Arbeitspaket 2 die neuen Messmethoden aufgebaut und in die Anlagentechnik integriert. Arbeitspaket 3 behandelt die Schnittstelle zwischen den realen und virtuellen Systemen. Hier werden Algorithmen entwickelt, welche die Messdaten automatisiert auswerten und dem virtuellen Produktionssystem zur Verfügung stellen können. Das virtuelle Produktionssystem wird in Arbeitspaket 4 entwickelt und implementiert. Die abschließende Validierung der Modellbildung und Untersuchung der Wirtschaftlichkeit erfolgt in Arbeitspaket 5.

Das Ziel des Forschungsvorhabens ist es eine optimierte Zellfinalisierung durch innovative Anlagentechnik und parametergestützte Auswertung der Prozess- und Qualitätsparameter im virtuellen Produktionssystem zu realisieren. Als Zellfinalisierung sind für dieses Projekt die Prozessschritte der Befüllung, des Versiegelns, der Formierung, des Alterns und der EoL-Test definiert. Im Projekt soll die gesamte Prozesskette der Zellfinalisierung auf dem aktuellen Stand der Technik digitalisiert werden. Dies bedeutet, dass innovative Messtechnik verwendet wird, um eine parametergestützte Auswertung der Prozess- und Qualitätsparameter des jeweiligen Prozessschritts zu ermöglichen. Die Abbildung der Daten soll in einem virtuellen Produktionssystem erfolgen und mittels künstlicher Intelligenz (KI) analysiert und ausgewertet werden. Alle verwendeten Anlagentechniken innerhalb der Zellfinalisierung sollen zwischen dem realen und dem virtuellem Produktionssystem kommunizieren. Diese Technologien werden mittels Zellproduktionskampagnen erprobt und validiert. Die untergeordneten Ziele der Optimierung der Zellfinalisierung sind die Früherkennung von Fehlern im Finalisierungsprozess und die Steigerung der Zellqualität durch ein besseres Verständnis der Zusammenhänge der gemessenen Werte mit der Zellqualität. Dies ermöglicht es fehlerhafte Batteriezellen bereits früh aus dem Zellfinalisierungsprozess auszuschleusen und somit Kapazitäten zu schaffen die anderenfalls durch Batteriezellen mit nicht ausreichender Kapazität belegt wären. Darüber hinaus können die Produktionsschritte der Formierung, des Alterns und des EoL-Tests verkürzt werden, da die Parameter Zellqualität bereits früher bekannt sind.

Kontakt

Projektlaufzeit

Themenfeld

Förderkennzeichen

• Stand der Technik
• Ausgewählte Ergebnisse
• Transferangebot an die Industrie

Die Befüllung der Batteriezellen mit Elektrolyt ist der erste Schritt der Zellfinalisierung. In diesem ist eine gleichmäßige Benetzung aller Komponenten mit Elektrolyt für die Leistung und Sicherheit der Zelle entscheidend. Eine unzureichende Benetzung kann zu Dendritenbildung und weiteren potenziellen Qualitätseinbußen oder Sicherheitsrisiken führen. Der Prozess unterteilt sich in zwei Schritte: Die eigentliche Befüllung und die anschließende Benetzung, wobei letztere mehrere Stunden bis Tage dauern kann. Es gibt Messtechniken, wie die Neutronenradiographie, um die Elektrolytverteilung und -benetzung in der Zelle zu überwachen. Diese ist jedoch aufgrund eines notwendigen Nuklearreaktors sehr aufwändig. Im Projekt sollen einfachere Verfahren etabliert werden. Die elektrochemische Impedanzspektroskopie (EIS) stellt der Literatur zufolge einen vielversprechenden Ansatz hierfür dar.

Die versiegelten Zellen werden anschließend durch Heißsiegelprozesse verschlossen, wobei auf optimale Dichtigkeit und Vermeidung von Elektrolytrückständen in der Siegelnaht geachtet wird. Die Dichtigkeit der Zellen kann durch spezielle Geräte überprüft werden.

Die Formierung der Batteriezelle ist ein weiterer elementarer Schritt, bei dem die Zellen zum ersten Mal einer kontrollierten Beladung ausgesetzt werden. Dabei entstehen wichtige Grenzflächenreaktionen zwischen dem Elektrolyt und der Anode, die Solid Elektrolyte Interphase (SEI). Die SEI-Bildung ist entscheidend für die Kapazitäts- und Lebensdauereigenschaften der Batterie, da sie eine passivierende Schutzschicht auf der Anode ist und gleichzeitig Lithium bindet. Diese Schicht sollte möglichst dünn, vollständig ausgebildet und homogen sein. Der Formierprozess selbst kann über 20 Stunden dauern und mehrere Lade- und Entladezyklen beinhalten. Zur Beschleunigung können beispielsweise die Zyklen reduziert oder der Strom erhöht werden, was jedoch häufig zu schlechterer Qualität der SEI führt. Die Zusammenhänge zwischen der beschleunigten Formierung und der Batteriezellqualität sind zum Projektstart nur in Ansätzen erforscht und sollen weiter verbessert werden. Zu Projektstart beschränken sich die bekannten Ansätze zur Qualitätsbestimmung der SEI-Schicht zumeist auf aufwändige Verfahren, die entweder sehr teuer sind oder eine Öffnung der Zelle benötigen. Dazu gehören die Neutronen-Tiefenprofilierung, die Fourier-Transform-Infrarotspektroskopie und die Energy-Dispersive X-ray Spectroscopy. Lasermikroskope und Rasterelektronenmikroskope sind ebenfalls mögliche Analyseverfahren. Auch hier ist als eine Alternative der Einsatz der EIS-Messung vor, während und nach der Formierung ein interessantes zusätzliches Verfahren, das verhältnismäßig einfach in den laufenden Produktionsprozess integriert werden kann (in-situ).
Das Altern (engl. Aging) der Batteriezellen stellt den größten Zeitfaktor dar, da hier über bis zu drei Wochen die Selbstentladung der Batteriezelle im Ruhezustand gemessen wird. Die Literatur zeigt hier, dass durch zusätzliche Messung und Auswertung von Daten die Lagerzeit deutlich verkürzt werden kann.
Der EoL-Test bildet den Abschluss der Produktion, wobei wichtige Zelleigenschaften wie Innenwiderstand und Selbstentladung geprüft werden. Auch hier zeigt die Literatur, dass die elektrochemische Impedanzspektroskopie eine wesentliche Rolle bei der Charakterisierung der Zelleigenschaften spielen kann, vor allem in Kombination mit der Auswertung weiterer Daten.

Schließlich umfasst das OptiPro-Projekt auch die Entwicklung eines virtuellen Produktionssystems, das die gesammelten Daten nutzt, um konventionelle und KI-Algorithmen zur Prozessoptimierung einzusetzen.
Diese Methoden bieten ein hohes Potenzial für in dynamischen Produktionsumgebungen. Verschiedene Ansätze aus der Literatur zeigen, wie die integrierte Sensorik zur datenbasierten Prozessoptimierung genutzt werden kann, wobei Methoden wie beispielsweise Supervised und Unsupervised Learning zum Einsatz kommen, um Muster und Fehler in großen Datensätzen zu erkennen. Diese Technologien ermöglichen es, aus den Prozessdaten Erkenntnisse zu gewinnen, die zur Effizienzsteigerung und Qualitätssicherung in der LIB-Produktion beitragen können. Damit wird ein fortschrittlicher Ansatz zur Optimierung der Produktionsprozesse von Lithium-Ionen-Batterien verfolgt, der sowohl auf moderner Messtechnik als auch auf datengetriebenen Analysemethoden basiert.

Die Ergebnisse des Projekts lassen sich in mehrere Kernbereiche unterteilen. Hierbei gibt es Verbesserungen, die auf der Prozessebene erzielt wurden, Optimierungen auf Anlagenebene sowie die Aufnahme, Verarbeitung und Auswertung der Daten im virtuellen Produktionssystem. Des Weiteren leisten die Algorithmen zur schnellen Qualitätsbewertung sowie die genaue Analyse der Batteriezellqualität auf Datenbasis bis hin zur Post-Mortem-Analyse einen zentralen Beitrag zum Verständnis der Einordnung der Batteriezellen in verschiedene Qualitätsklassen.

Die Verbesserungen auf Prozessebene stützen sich auf mehrere Maßnahmen in der Prozesskette von der Befüllung bis zum EoL-Test.

In der Befüllung wurden unterschiedliche Befüllparameter und deren Beeinflussung der Benetzungszeit getestet. Gleichzeitig wurde gezeigt, dass mit einer EIS-Messung im hochfrequenten Bereich in der Befüllanlage der Fortschritt der Benetzung mit Elektrolyt in der Batteriezelle zuverlässig qualitativ ermittelt werden kann. [Abbildung 1] Dies ermöglicht eine Verkürzung der Benetzungszeit durch verbesserte Prozesskenntnis, da die bisher notwendigen Pufferzeiten wegfallen können.

Im nächsten Produktionsschritt der Formierung wurden zusätzlich eine Messung der Gasbildung in der Batteriezelle und ebenfalls die EIS-Messung genutzt. Durch die Messung der Gasbildung während der Formierung mittels Ermittlung der Volumenänderung können die chemischen Prozesse in der Batteriezelle, beispielsweise die Bildung der SEI, zeitlich eingeordnet werden. Dies hilft bei der Optimierung der Spannungsfenster, Ströme und Zyklen der Formierung und reduziert durch bessere Prozesskenntnis die zur Formierung notwendige Zeit stark. Dazu wurde am IWB der TUM eine entsprechende Vorrichtung entwickelt, die für die Gasmessungen im Projekt entwickelt wurde. [Abbildung 2] Eine entsprechende Veröffentlichung zu den detaillierten Ergebnissen ist vorhanden. Hier wurde gezeigt, dass nur noch ein Ladezyklus bis zu einem mittleren Spannungsfenster notwendig ist, um eine Formierung ohne Qualitätsabstriche zu erreichen. Die EIS-Messungen in der Formierung dienen als zusätzlicher Datenpunkt zur frühen Bestimmung der Qualität.
Für die Verkürzung der Alterung kann auf die zuvor zusätzlich generierten Daten zurückgegriffen werden, da die Batteriezellen bereits nach der Formierung in Qualitätsklassen eingestuft werden können. Dies ermöglicht eine Verkürzung dieses Schritts auf wenige Tage.

Im Schritt des EoL-Tests wurde nachgewiesen, dass mittels der parallelen Prüfung mehrerer verschalteter Batteriezellen an einem Testkanal ebenfalls belastbare Ergebnisse zur Batteriezellqualität erzielt werden können. Als zusätzlich geeignetes Testverfahren wurde hier die differentielle Spannungsanalyse bei niedrigen Strömen identifiziert, die viele Fehlerarten noch besser detektiert als beispielsweise die EIS-Messungen. Dies ermöglicht zum einen die Reduktion von Equipment für die gleiche Anzahl getesteter Batteriezellen, zum anderen eine bessere und genauere Fehlererkennung als bisher. Auch die zuvor zusätzlich gesammelten Daten ermöglichen es in diesem Schritt eine bessere Übersicht und Auswertung zur Batteriezellqualität zur Verfügung zu stellen. Am FTM der TUM wurde hierzu ein Analysetool entwickelt [Abbildung 3], das durch auf Algorithmen basierende Auswertungstools des ISEA der RWTH Aachen ergänzt wird.

Auf Anlagenseite wurden in München sowie Aachen Geräte zur Messung mittels EIS beschafft und digital eingebunden. Zusätzlich wurde in München im Technikum des IWB eine neue Elektrolytbefüllungsanlage installiert, die eine hohe Dosiergenauigkeit, eine integrierte Kontaktierung der Batteriezellen sowie eine digitale Einbindung ermöglicht. Auch wurden an beiden Universitäten neue Warenträger für die Formierung der Batteriezellen entwickelt. Zur und Speicherung, Aufbereitung und Analyse der Daten wurde am IMA der RWTH Aachen ein zentraler Projektserver beschafft. Am ISEA der RWTH Aachen und FTM der TUM wurden zusätzliche Zelltestgeräte beschafft, die auch EIS-Messungen durchführen können.

Den letzten Bereich stellen die Optimierungen hinsichtlich der Aufnahme, Verarbeitung und Auswertung der Daten im virtuellen Produktionssystem dar. Die zuvor beschriebene Anlagentechnik stellt die Basis hierfür dar, um die Daten der betrachteten Produktionsschritte zu sammeln und zentralisiert auswerten zu können. Hierbei werden die Daten der Produktion in den Linien in München und Aachen zunächst auf der IT-Infrastruktur der jeweiligen Institute gesammelt und im Anschluss mit dem zentralen Server des virtuellen Produktionssystems des IMA der RWTH Aachen gesammelt. Für den Nutzer zeigt sich das virtuelle Produktionssystem in einem Dashboard mit einer Übersicht der verschiedenen Produktionsschritte des Projekts (Befüllung – EoL-Test). Hier kann für jeden Produktionsschritt ein eigenes Dashboard aufgerufen werden, in dem wiederum die Daten für die gewünschte Auswahl an Batteriezellen in den entsprechenden Graphen dargestellt werden [Abbildung 4]. Bei entsprechender Einrichtung ist das System ebenfalls in der Lage diese Daten direkt während der Produktion darzustellen, indem eine stetige Synchronisierung zwischen den Servern der jeweiligen Institute mit dem zentralen Projektserver am IMA eingerichtet wird. Darüber hinaus verfügt das System über eine Einstufung der Batteriezellen aus der Produktion zu den eingeführten Quality Gates. Hierbei kommen sowohl konventionelle Algorithmen und Analysemethoden als auch solche die dem Bereich der Künstlichen Intelligenz (KI) zuzurechnen sind. Hierbei wurden die konventionellen Algorithmen maßgeblich am ISEA der RWTH Aachen entwickelt, während die KI-Algorithmen am IMA der RWTH Aachen und am IWB der TUM zum Einsatz kamen. Diese Auswertungen ermöglichen dem Bediener in der Produktion eine fortlaufende Qualitätsbeurteilung mit detaillierten Datensätzen, was im nächsten Schritt zu einer Optimierung der Produktion und der schnellen und frühen Identifizierung, Diagnose und Behebung von Fehlern führt.

Um die Datenanalysen mit der Lebenserwartung der Batteriezellen abzugleichen, wurden die produzierten Batteriezellen bis zu einer verbleibenden Restkapazität von 80 % zyklisiert. Am FTM der TUM wurde hierzu ein neues Protokoll zur Zyklisierung entwickelt, das die Alterung im realen Fahrbetrieb nachstellt, um schnellere und bessere Ergebnisse bezüglich der Alterung der Batteriezellen im Betrieb zu erreichen [Abbildung 5]. Im Anschluss werden die Batteriezellen am ISEA der RWTH Aachen geöffnet und anhand ihrer Alterungsmechanismen analysiert. Auch diese Ergebnisse werden zur Verbesserung der Algorithmen zur Vorhersage der Batteriezellqualität und deren zugrunde liegenden Mechanismen genutzt. Zusammenfassend leistet das Projekt OptiPro einen Beitrag zur frühen Fehlererkennung und -behebung in den Schritten der Zellfinalisierung. Dies ermöglicht, kombiniert mit Verbesserungen in den einzelnen Prozessschritten von der Befüllung bis zum EoL-Test, eine reduzierte Durchlaufzeit bei geringeren Ausschüssen und besserer Qualität. Die Basis hierfür bildet eine Datenaufnahme und -auswertung die deutlich über den Stand der Technik hinausgeht.

Legende

Ansprechpartner: Dr.-Ing. Anas Abdelrazeq

Ansprechpartner: Prof. Dr.-Ing. Robert Schmitt

Ansprechpartner: Prof. Dr.-Ing. Rüdiger Daub

Ansprechpartner: Prof. Dr.-Ing. Achim Kampker

Ansprechpartner: Prof. Dr. Dirk Uwe Sauer

Ansprechpartner: Prof. Dr.-Ing. Markus Lienkamp

Regelbare Beschichtungseinheit für die flexible Beschichtung von Batterieelektroden

ReFlexBat

Die Produktion von Batterieelektroden stellt nach dem derzeitigen Stand der Technik einen hoch produktiven aber starren Prozess dar. Auf Schwankungen oder sich ändernde Produkte kann nur mit hohem zeitlichem Aufwand reagiert werden. Hier wird bisher auf das manuelle Eingreifen erfahrener Anlagenbediener gesetzt. Während dieser Einstellphase entsteht an den hoch produktiven Anlagen eine enorme Menge an Ausschuss.
Um auf Schwankungen und die schnellen Entwicklungen im Batteriezelldesign reagieren zu können, ist es deshalb notwendig, dass die Anlagen über eine autonome Regelung verfügen. Diese Regelung ermöglicht es, auf Änderungen reagieren und schnell eine defektfreie Produktion erreichen zu können. Als besonders kritisch wird der Beschichtungsprozess angesehen. Durch die hohen Qualitätsanforderungen ist ein kleines Produktionsfenster einzuhalten und es wird die Ausgangssituation für alle folgenden Prozesse erzeugt. Deshalb ist eine gleichbleibende und sensortechnisch erfasste Qualität von großer Bedeutung.

In einem ganzheitlichen Ansatz soll im Projekt „ReFlexBat“ aufbauend auf allgemeingültigen Erkenntnissen und Methoden eine hochflexible, selbstregelnde Beschichtungseinheit entwickelt werden, die automatisiert auf variable Prozessbedingungen, z. B. Änderungen der Elektrodenformulierung oder der Nassfilmgeometrie, reagiert und qualitativ hochwertige Batterieelektroden reproduzierbar formatflexibel beschichten kann. Dadurch wird der Anlauf des Beschichtungsschritts deutlich verkürzt. Das Beschichtungsmodul kann beim Chargenwechsel beispielsweise zwischen Elektroden verschiedener Breite oder Pastenzusammensetzung agil und schnell umstellen, ohne dass eine manuelle Einstellung nötig ist. Durch die gewählten Ansätze ist eine Skalierbarkeit unmittelbar gegeben, was zu einer nachhaltigen Stärkung der Innovationspipeline im Rahmen des Dachkonzepts „Forschungsfabrik Batterie“ führt. Das Vorhaben wird durch neuartige Anlagentechnik kombiniert mit datengetriebener Modellierung und state-of-the-art Machine Learning (ML)-Algorithmen realisiert.

Im Projekt ReFlexBat wird eine autonome Beschichtungseinheit entwickelt, um den Anfahrprozess zu beschleunigen, auf neue Randbedingungen zu reagieren und allgemein den Ausschuss im
Beschichtungsprozess zu reduzieren. Neben der Anlagenbefähigung durch geeignete inline-Messtechnik und Aktuatoren für Stellgrößen zur Optimierung der Prozessführung im laufenden Betrieb wird dafür eine ML- Regelung entwickelt. Zusätzlich wird ein neues Düsendesign entwickelt, welches offline die Einstellung der Beschichtungsbreite erlaubt.

Kontakt

Projektlaufzeit

Themenfeld

Förderkennzeichen

• Stand der Technik
• Ausgewählte Ergebnisse
• Transferangebot an die Industrie

Der größte Hebel zur Steigerung der Produktivität in der Batteriezellfertigung und zur Reduzierung der Zellkosten liegt in der konsequenten Reduzierung von Anfahrverlusten und Ausschuss. Der in dieser Hinsicht kritischste Teilprozess ist die Beschichtung der metallischen Ableiterfolien mit Elektrodenpasten. Das Anfahren einer Forschungs- oder Produktionsanlage, Veränderungen des Materialsystems, der Prozessparameter, der Pasteneigenschaften und sogar der Umgebungsbedingungen führen regelmäßig zu langwierigen Iterationen, bei denen die Beschichtungsparameter und die Position des Beschichtungswerkzeugs (meist Schlitzdüse) manuell nachjustiert werden müssen, um eine defektfreie Elektrodenbeschichtung zu garantieren, die den hohen Qualitätsanforderungen einer großformatigen Zellfertigung genügt. Zur Reduzierung des Ausschusses müssen neue, innovative und intelligente Anlagenkonzepte entwickelt werden. Während die wissenschaftlichen Grundlagen des Beschichtungsprozesses an sich bereits weitgehend erforscht sind (z.B. in den Projekten HighEnergy, HiStructures), fehlt es bislang an einer Kombination von geeigneter Aktorik und Sensorik, die über leistungsfähige Regelalgorithmen miteinander verknüpft sind. Für die Einzelfunktion der dynamischen Änderung der Auslassbreite der Schlitzdüse existiert ein Patent, in dem es ebenfalls an einer automatisierten in-Line-Regelung zur Anpassung an sich ändernde Prozessparameter fehlt.

Ein neuer Lösungsansatz soll im Rahmen des hier vorgestellten Forschungsvorhabens durch die Entwicklung einer autonomen Positioniereinheit inklusive Schlitzdüse mit einem schnellen und intelligenten Regelkreislauf realisiert werden. Hierfür werden eine ganzheitliche, echtzeitfähige inline Messung des Auftragsgewichtes und eine inline Regelung des dafür verantwortlichen Aggregats benötigt. Im Gegensatz zum Stand der Technik erfolgt die Einstellung des Spalts zwischen Düse und Substrat, des Anstellwinkels und der Schlitzbreite durch eine Aktorik automatisiert. Sensoren geeigneter Messverfahren erfassen die Ergebnisse des Beschichtungsprozesses, evtl. erforderliche Anpassungen der Prozessparameter werden ermittelt und die geänderten Werte der Parameter direkt an das Regelglied kommuniziert. Dieses verknüpft mittels Maschinellen Lernens Qualitätsdaten und Prozessparameter mit physikalischen Modellen (teilweise aus relevantem Vorwissen gewonnen) und übergibt die optimierten Prozessparameter zur Düsenpositionierung an das Stellglied. Somit kann die Position der Schlitzdüse automatisch und flexibel auf das entstehende Auftragsgewicht abgestimmt und geregelt werden. Zur schnellen Reaktion der Regelung sollten Qualitätsmessungen möglichst nah an der Schlitzdüse erfolgen, wenn möglich in einer kompakten Sensor-/Auswerteeinheit. Zusätzlich wird durch eine In-Line-Regelung des Anstellwinkels der Schlitzdüse die Kantenqualität der Beschichtung verbessert. Diese In-Line-Regelung greift bei Variation der Pasteneigenschaften, hervorgerufen beispielsweise durch Inhomogenität innerhalb eines Batchs oder die Integration unterschiedlicher Dosiersysteme.

Die Erfordernisse für den Beschichtungsprozess ergeben sich aus der angestrebten Flächenkapazität der Batterieelektrode. Ein spezifischer Volumenstrom (q) lässt sich durch die Bahngeschwindigkeit (uWeb) und das Flächengewicht der Elektrode im trockenen bzw. nassen Zustand korrelieren. Durch die Anpassung geeigneter Prozessbedingungen mittels Regelung sollen die Zielgrößen für den geforderten Volumenstrom in den optimalen Zustand überführt werden. Bei der Beurteilung der Beschichtungsqualität spielen insbesondere die Geometrie des Nassfilms, darunter Nassfilmhöhe (hWet), Nassfilmbreite (bWet) und die Homogenität des Nassfilmhöhenprofils (insbesondere im Randbereich), eine entscheidende Rolle. Es gilt außerdem, Oberflächendefekte zu vermeiden. Diese Qualitätsmerkmale können im Prozess gezielt durch die Einstellparameter Spaltabstand (hGap) und Anstellwinkel (α) beeinflusst werden. Die relevanten Steuer- und Zielgrößen sind in einer Seitenansicht in Abbildung 1 [1] dargestellt.

Die Bahngeschwindigkeit soll einen Bereich von 0,25 bis 60 m/min abdecken und somit direkt die Produktivität der Anlage beeinflussen. Der Spaltabstand zwischen Schlitzdüse und Substrat resultiert aus der geforderten Nassfilmhöhe, der Auslassbreite der Schlitzdüse und dem Volumenstrom. Dieser Spaltabstand, der im Bereich von 100 bis 600 µm betrachtet wird, ist entscheidend für die Stabilität der Beschichtung. Zusätzlich soll die Variation des Anstellwinkels für die Feinoptimierung der Beschichtung, insbesondere in den Randbereichen, genutzt werden.

Konzeptionelle Gestaltung:
Die Umsetzung der genannten Freiheitsgrade erfolgt durch das entwickelte Konzept, wie schematisch in Abbildung 2 dargestellt.

Die Ausgangsbasis für den Demonstrator bildet der Aufbau eines Beschichtungsprüfstandes im Labormaßstab. Die Schlitzdüse ist auf einem verfahrbaren Schlitten positioniert, wodurch der Abstand zur Beschichtungswalze eingestellt werden kann. Die Schlitzdüse ist in der 8-Uhr-Position platziert und kann rotiert werden, um den Anstellwinkel des Spalts anzupassen (siehe Abbildung 1). Das Ergebnis der Beschichtung wird auf der Walze, am oberen Scheitelpunkt dargestellt, durch Profilsensoren und eine Zeilenkamera erfasst. Um weiterhin den bestehenden manuellen Prozess als Referenz nutzen zu können, wird neben der im Projekt umzusetzenden automatisierten Regelung auch zukünftig eine manuelle Einstellmöglichkeit analog zum aktuellen Stand ermöglicht. So kann auch die bereits vorhandene Datengrundlage aus vorherigen Projekten an der Anlage berücksichtigt werden. Die Einstellung des Anstellwinkels erfolgt durch die Rotation der Grundplatte, auf der die Schlitzdüse befestigt ist. Die Umsetzung wurde dabei so gewählt, dass die Einstellung von Spaltabstand und Anstellwinkel unabhängig voneinander erfolgen kann.

Die Einstellung des Spaltabstandes erfolgt durch lineare Bewegung der Schlitzdüse vor und zurück. In Versuchen wurde eine minimale Genauigkeit des Spaltabstands von 15 µm identifiziert. Mit dieser Genauigkeit wird im betrachteten Parameterraum die angestrebte Reduktion der Schwankung der Zielgrößen für die Beschichtung auf unter 1,5 % erreicht.

Zur Messung des Spaltabstands zwischen Schlitzdüse und Walze werden beidseitig der Schlitzdüse konfokale Punktsensoren angebracht. Durch die Messung des tatsächlichen Spaltabstands wird dieser durch einen geschlossenen Regelkreis überwacht. Wichtige Anforderungen sind eine Auflösung von 1 µm und ein Präzisions-Messbereich von mindestens 500 µm, welcher dem abzudeckenden Bereich der Nassfilmhöhe entspricht. Die Sensoren werden zusätzlich zur Überwachung des Spaltabstands genutzt, um einen Mindestabstand der Schlitzdüse zur Walze sicherzustellen und so eine Kollision zu vermeiden.

Erfassung der Beschichtungsqualität:
Zur Regelung des Beschichtungsprozesses ist die Kenntnis der relevanten Qualitätskenngrößen (Geometrie des Nassfilms, Oberflächendefekte) erforderlich. Geeignete inlinefähige Messtechnik wurde zur Erfassung integriert.

Zur Erfassung von Oberflächendefekten wird eine Zeilenkamera in Kombination mit einer Linienbeleuchtung verwendet. Diese Messtechnik bietet die notwendige Abtastrate, um Defekte ab einer Größe von 200 µm zuverlässig zu detektieren, insbesondere bei spiegelnder Oberfläche. Die Integration erfolgt so, dass die Kamera die Spiegelung einer projizierten Linie aufnehmen kann. Die Deflektometrie ermöglicht die Sichtbarkeit auch kleiner Defekte der Oberfläche durch deutliche Helligkeitsänderungen. Die simultane Aufnahme unter verschiedenen Belichtungseinstellungen (siehe Abbildung 3) ermöglicht die Detektion unterschiedlichster Effekte im Nassfilm. Gleichzeitig kann die Zeilenkamera zur Erfassung der Nassfilmbreite (bWet) eingesetzt werden.

Zur Erfassung der Nassfilmgeometrie (Nassfilmhöhe und Profil im Randbereich) kommen verschiedene Messtechniken in Frage. Zur Auswahl des anwendungsspezifisch geeignetsten Messverfahrens wurden als Ausschlusskriterien die Notwendigkeit der Inlinefähigkeit sowie des berührungslosen Messens festgelegt. Anschließend wurden Anforderungen des Messverfahrens an das Messobjekt und die Messumgebung bewertet, wobei Kriterien wie Auflösung, Messfrequenz, Kosten und Bauraum einbezogen wurden. Zudem wurde die Eignung der Messverfahren für den Prozess abgeschätzt. Als geeigneten Kompromiss konnten dabei das 2D-Lichtschnittverfahren (Lasertriangulation) und das chromatisch-konfokale Messverfahren identifiziert werden.

Mit diesen Verfahren wurden in einem zweiten Schritt mögliche Integrationsoptionen (I) erarbeitet. Die Optionen unterscheiden sich in Anzahl, Anordnung, Integration und Ausführung der jeweils benötigten Sensoren (siehe Bild 4, Lasertriangulationssensoren sind blau und mit breitem Messbereich dargestellt; konfokale Sensoren sind rot und mit fokussiertem Messbereich dargestellt).

In den bestehenden Aufbau implementiert wurden für den Zweck der Erfassung des Nassfilmprofils zwei stationäre Lichtschnittsensoren, welche über die Breite flexibel positioniert werden können. So können die Optionen I5 und I8 abgebildet werden. Weiter wird die Option eines traversierenden chromatisch-konfokalen Sensorkopfes geprüft, welcher keine kontinuierliche Aufnahme des vollständigen Randprofils erlaubt, jedoch eine höhere Auflösung bietet. Hier ist abzuwägen, welche Lösung für den In-Line betrieb zielführender ist.
Nachfolgend wurden für diese favorisierten Integrationsoptionen vier geeignete Sensortypen von drei verschiedenen Sensorherstellern betrachtet und unter Laborbedingungen und anschließend an der Versuchsanlage getestet. Die Messungen unter Laborbedingungen erfolgten hierbei mit getrockneten und kalandrierten Anodenstücken mit Dicken von 151 µm. Die Messungen an der Versuchsanlage erfolgten bei einer Nassfilmhöhe von 150 µm. Anhand dieser Untersuchungen konnten drei Sensortypen aufgrund unzureichender Genauigkeit im benötigten Mess- und kHz-Bereich ausgeschlossen und nur ein Sensortyp als geeignet identifiziert werden.

Regelung
Die KI-basierte Regelung besteht aus drei Schritten. Zunächst müssen die Features, also die für die Regelung relevanten individuellen Merkmale der Beschichtung, aus den gesammelten Rohdaten extrahiert werden. Als Rohdaten stehen die Bilder der Zeilenkamera und die Beschichtungsprofile des Lasersensors zur Verfügung. Aus den Profilen der Beschichtung werden die Randüberhöhung, die Höhe der Beschichtung im stabilen Bereich und die Randbreite erhalten, wie in Bild 5 gezeigt. Die Bilder der Kamera liefern Informationen über Defekte in der Beschichtung, wie Löcher und Wellen.

In einem zweiten Schritt werden die extrahierten Features interpretiert. Ist eine Regelung notwendig, werden die Features zusammen mit den aktuellen Betriebsparametern als Eingangsgrößen für das Reglermodell verwendet, um die notwendige Anpassung zu berechnen. Dazu kann auf eine Basis aus physikalischen Gegebenheiten, Expertenwissen sowie die Erkenntnisse aus verschiedenen Versuchen zurückgegriffen werden. Mithilfe der Daten aus über 500 Versuchen wurde ein Modell zur Vorhersage der Eigenschaften von Beschichtung entwickelt. Das Ziel ist es, für einen gegebenen Satz von Eingangsparametern die Qualität der Beschichtung (Defektfreiheit sowie geringe Soll-Ist-Abweichungen von Nassfilmhöhe und Randüberhöhung) zu bestimmen. Für die Vorhersage der Qualität wird eine Support-Vector-Machine, aufgebaut mit einem RBF-Kernel, verwendet. Dadurch konnten bereits im ersten Anlauf 91 % der Fälle korrekt vorhergesagt werden. Parallel dazu wurde ein lineares Regressionsmodell trainiert, um mittlere Nassfilmhöhe sowie die Randüberhöhung vorherzusagen wodurch ein Mean Absolute Percentage Error von 3% erzielt werden konnte.

Während den ersten Tests mit dem Regler hat sich gezeigt, dass es notwendig ist, die Vorhersagemodelle um eine iterative Komponente zu erweitern. Denn auch im stabilen Betrieb kann die Abweichung zwischen Vorhersage und Realität zu groß ausfallen, um den Vorgaben zu entsprechen. Ein Grund hierfür kann z.B. sein, dass die Anlage in einem Bereich betrieben wird, der in den Trainingsdaten für das Model unterrepräsentiert ist und die Vorhersage des Modells dadurch nicht so genau wie in anderen Bereichen ist. An dieser Stelle kommt die iterative Komponente ins Spiel, die den Prozessparameter so anpasst, dass er den Anforderungen entspricht.

Um den Regler überwachen zu können und die Interaktion des Benutzers mit dem Regler zu vereinfachen, wurde auch ein User Interface entwickelt. Dieses läuft, zusammen mit dem Regler in einer isolierten Laufzeitumgebung, was das Deployment vereinfacht.

[1] Entwicklung einer autonomen Elektrodenbeschichtung, http://dx.doi.org/10.1515/zwf-2022-1128

Legende

Ansprechpartner: Prof. Dr.-Ing. Jürgen Fleischer

Ansprechpartner: Prof. Schabel, Dr. Scharfer

Ansprechpartner: Prof. Dr.-Ing. Habil. Jürgen Beyerer

Tracking und Tracing in der Batterieproduktion

TrackBatt

Der Aufbau einer wirtschaftlichen und nachhaltigen Batteriezellproduktion ist nach wie vor eine Herausforderung, die Deutschland bewältigen muss, um im globalen Wettbewerb als Anbieter im Bereich der Elektromobilität eine führende Position einzunehmen. Die Umsetzung dieser Vision wird durch Industrie 4.0-Anwendungen unterstützt, die eine Transformation der Produktion hin zu effizienteren Prozessen, höherer Qualität und Kosteneinsparungen ermöglichen. Die Produktion von Lithium-Ionen-Batterien zeichnet sich durch eine hohe Komplexität aus und beinhaltet eine hohe Anzahl unterschiedlicher sowohl kontinuierlicher als auch diskreter Materialflüsse und Prozesse. Ein erster Schritt zur Beherrschung der Komplexität und Gestaltung einer effizienten Produktion ist die Schaffung von Transparenz durch systematische und gezielte Datenerfassung.

Ziel des Forschungsprojekts „TrackBatt“ ist die Entwicklung und prototypische Umsetzung eines Ansatzes zur lückenlosen Rückverfolgung („Tracking und Tracing“, kurz T&T) der Prozess- und Produktdaten in der Batterieproduktion über die Prozesskette hinweg. Hiermit soll ermöglicht werden, die Performance und potenzielle Schadensbilder hergestellter Batteriezellen eindeutig auf Produktionsprozesse und -parameter zurückzuführen. Zudem können Inline-Prozessregelungen und Produktionssteuerungen befähigt werden, welche die Herstellungskosten reduzieren und die Qualität der Batteriezellen erhöhen.
Die wesentlichen Aspekte bei der Implementierung eines T-&-T-Systems sind die Auswahl der geeigneten Markierungstechnologie und der markierten Objekte bzw. Zwischenprodukte entlang der gesamten Wertschöpfungskette. Weiterhin sind die Übertragung der Informationen von kontinuierlichen auf diskrete Fertigungsprozesse und die Bestimmung der optimalen Granularität der rückverfolgbaren Informationen essenziell. Für eine eindeutige Rückverfolgung der Prozess- und Produktdaten wird im Rahmen des Projekts eine ontologiebasierte Datenstruktur für den digitalen Zwilling sämtlicher Materialien, Zwischenprodukte und Zwischenstruktureigenschaften bis zur finalen Batteriezelle entwickelt.

Ziel des Forschungsvorhabens ist die Entwicklung und prototypische Umsetzung eines Ansatzes zur lückenlosen Rückverfolgung („Tracking und Tracing“, kurz T&T) der Prozesse bzw. der Prozesskette in der Batterieproduktion. Hiermit können Performance und Schadensbilder hergestellter Batteriezellen eindeutig auf Produktionsprozesse und ‑parameter zurückgeführt werden. Dies ermöglicht eine inline-Prozessoptimierung, welche den Ausschuss ganzer Zellbatches verhindert. Im Rahmen dieses Forschungsprojektes werden geeignete Markierungen für das T&T-System der Batteriezellen von der Elektrodenfertigung bis zur Formierung erarbeitet, eine globale Datenerfassung realisiert sowie eine gesamtheitliche Auswertung ermöglicht. Hierzu werden etablierte Technologien aus artfremden Produktionslinien (z. B. lasergestützte Markierung) und Expertise aus anderen Branchen eingesetzt sowie innovative Technologiekonzepte (z. B. Fingerprintmethode) untersucht, mit dem Ziel, den Technologie-Reifegrad von 2 auf 6 bzw. von 0 auf 4 zu erhöhen. Mit Hilfe der hierbei generierten Ergebnisse lassen sich standardisierte Methoden zur Implementierung von T&T-Systemen für verschiedene Zellformate und das entsprechende Datenmanagement ableiten.

Kontakt

Projektlaufzeit

Themenfeld

Förderkennzeichen

• Stand der Technik
• Ausgewählte Ergebnisse
• Transferangebot an die Industrie

Die Fertigung von Lithium-Ionen-Batterien besteht aus kontinuierlichen verfahrenstechnischen Prozessen sowie Einzelteilfertigungsprozessen mit konvergierenden und divergierenden Materialflüssen. Eine der zentralen Herausforderungen der Produktion besteht in der Sensibilität der Batteriezellkosten gegenüber möglichen Produktionsfehlern oder Ungenauigkeiten. Hierfür sind klassische Maßnahmen des Qualitätsmanagements wie eine konventionelle Chargenrückverfolgung zumeist nicht ausreichend. Aufgrund der hohen Wertströme in der Batterieproduktion verursacht der Ausschuss ganzer Zellbatches überproportionale Kosten. Um eine höhere Qualität (z. B. maximale Kapazität, hohe Energiedichte) zu gewährleisten, wird in der Literatur vermehrt auf in der Digitalisierung eingesetzte Ansätze durch datengestützte Methoden und Anwendungen zurückgegriffen. Dieser Rückgriff zielt darauf ab, unbekannte Zusammenhänge oder Interdependenzen in der Herstellungsprozesskette auf Basis erhobener Produktions- und Qualitätsdaten aufzudecken. Sämtliche Methoden bedürfen einer hohen Vielfalt sowie produktspezifischer Zuordnung konsistenter Daten, um ihr volles Potenzial ausschöpfen zu können. Die Kombination kontinuierlicher und diskreter Fertigungsprozesse in der Batterieproduktion hat oftmals die Inkonsistenz von Produktionsdatensätze zur Folge. In der Literatur wurden T&T-Ansätze im Bereich der Batteriezellproduktion bisher nicht beschrieben; mittlerweile hat auch die Industrie diese Herausforderung erkannt.

In der Industrie werden in vielen Branchen Markierungen wie Barcodes mittels Tintenstrahldrucker oder der Einsatz von RFID zur konventionellen Nachverfolgung von Produkten verwendet. Eine Nachverfolgung durch diskrete Markierungen bis auf Zellebene wurde bisher allenfalls rudimentär realisiert. Informationen zu Flächengewichten oder weiteren Elektrodenstrukturmerkmalen gehen zumeist (spätestens) bei der Vereinzelung der Elektrodensheets aus dem kalandrierten Coil gänzlich verloren. Eine neuere und innovativere Methode stellt das Markieren mittels DataMatrix-Codes dar, die sowohl mit Lasersystemen als auch mit Tintenstrahldruckern erfolgen kann. Eine längere Anlagenlebensdauer ermöglicht einen kostengünstigeren Einsatz über die Gesamtlaufzeit hinweg als konventionelle Tintenstrahldrucker. Einen weiteren Forschungsansatz bietet die Nachverfolgbarkeit über Produktmerkmale wie beispielsweise über Fingerprints, die Verteilung der Massenbeladung oder Schichtdicke. Ziel des Projektes ist es, mittels bereits vorhandener oder neuartiger Messsysteme charakteristische Merkmale der Elektrode zu identifizieren und durch den Abgleich der Daten Elektrodenstruktureigenschaften auf Zellebene zuzuordnen. Die Nachverfolgbarkeit mit Auflösung bis auf die Elektrodenebene (Segmente: Wickellänge, Einzelblattebene) entspricht nicht dem derzeitigen Stand der Technik. Ein entsprechendes Datenmanagement für alle kontinuierlichen Datensätze bis auf einzelne Elektroden in automatisierter Verarbeitungsweise und mit geeigneten Auswerte- und Analysemethoden ist hierfür erforderlich, um so das Potential eines T&T-Ansatzes nutzen zu können. Dies ermöglicht die Ableitung neuer Fähigkeiten wie die Minimierung von Ausschuss (z. B. Wickelabschnitte nach Fehlerauslassung schneiden über vernetzte Maschinenkommunikation Industrie 4.0), die Generierung engerer Zellvarianzen auf Basis physikalischer Elektrodenparameter (z. B. Massenbeladungsvarianz der Zelle – individuelle Sortierung), die echtzeitfähige Datenauswertung sowie modellbasierte Analysen und Prozessoptimierungen (z. B. massenbeladungsbasierte Elektrodensortierung für engere Zellvarianz – analog Zell-Kapazitätssortierung in der Batteriemodulfertigung).

Im Rahmen des Forschungsprojekts TrackBatt wurden inhaltlich drei thematische Schwerpunkte bearbeitet:

Schwerpunkt 1: Entwicklung und Implementierung eines Tracking-und-Tracing-Systems unter Einsatz von Markierungen zur genauen Zuordnung von Daten auf der Elektrodenblattebene

Bei der Herstellung von Lithium-Ionen-Batterien (LIB) werden die elektrochemischen Zelleigenschaften maßgeblich in der Elektrodenfertigung eingestellt und beeinflusst. Um ein tiefgehendes Prozessverständnis aufzubauen und unbekannte Ursache-Wirkungs-Zusammenhänge aufzudecken, ist es daher wichtig, die Produktionsdaten bereits in der Elektrodenfertigung einzelnen Elektroden zuzuordnen, anstelle sie lediglich dem gesamten Elektroden-Coil zuzuordnen. Dadurch lassen sich feingranulare Analysen durchführen und Zusammenhänge gezielter darstellen. Hierfür wurden zwei Ansätze zur Segmentierung der hergestellten Elektroden im Beschichtungsprozess in der Produktionslinie untersucht, um diskrete Abschnitte für Tracking-und-Tracing-Anwendungen bereitzustellen. Laser- und Tintenmarkierungssysteme wurden verwendet, um eindeutige Markierungen aufzubringen, die anschließend für die Zuordnung von Produkt- und Prozessdaten ausgelesen werden. In Abbildung 1 sind die aufgebrachten Lasermarkierungen in der Pilotlinie des iwb gezeigt. Abbildung 2 zeigt die aufgebrachten Tintenmarkierungen auf den Elektroden des ZSW. Für beide Markierungssysteme müssen geeignete Integrationsanforderungen erfüllt werden, um lesbare Markierungen aufzubringen. Die Anforderungen für beide Markierungssysteme werden aus dem jeweiligen Betriebsmodus abgeleitet und miteinander verglichen. Des Weiteren wurde der Einfluss der Markierung auf die zellinterne Kontaktierung untersucht, welcher individuell für die verwendeten Materialien und das eingesetzte Markierungsverfahren bewertet werden muss. Es wurde zudem gezeigt, dass Lasersysteme technisch anspruchsvoller und kostenaufwendiger zu integrieren sind als Tintensysteme, jedoch eine größere geometrische Flexibilität bieten. Darüber hinaus wird erläutert, wie beide Markierungstechnologien in die jeweiligen Beschichtungslinien für Lithium-Ionen-Batterieelektroden innerhalb der Pilotproduktionslinien an zwei Forschungseinrichtungen integriert sind. Die Rückverfolgbarkeit von Produktdaten zu einzelnen Elektrodenabschnitten wurde unter Verwendung von in-line und handgemessenen Elektrodenbeladungsdaten demonstriert. Des Weiteren wurde gezeigt, dass die einzelnen Batteriezellen in der Zellassemblierung mittels Markierungen auf dem Zellgehäuse eindeutig identifiziert und den entsprechenden Produktionsdaten zugeordnet werden können.

Schwerpunkt 2: Entwicklung eines Digitalisierungskonzepts und einer Datenstruktur für den digitalen Zwilling

Die lückenlose Rückverfolgung im Produktionsprozess der LIB erfordert eine klare Interpretation und Verknüpfung von Entitäten wie Produkt, Prozess, Maschine, Material und Mensch. Die Entwicklung einer Ontologie für das T&T in der Batteriezellproduktion auf Basis eines Wissensgraphen ermöglicht dieses Verständnis. Die Ontologie repräsentiert eine allgemeingültige, modulare Darstellung, welche die Beziehungen zwischen Datensätzen und die Verknüpfung von Informationen abbildet. Die darauf basierende Datenstruktur für ein universelles T&T-System wurde erfolgreich mit Projektpartnern durch einen Demonstrator validiert.

Die Datenerfassung und -verarbeitung in der LIB-Produktion integriert physische und virtuelle Aspekte. Ziel ist es, das Wissen entlang der Batteriezellproduktion zu erfassen und in einem Wissensgraphen abzubilden. Workshops mit Prozessexperten und Umfragen wurden genutzt, um aktuelles Wissen zu erfassen und zu formalisieren. Die Herausforderungen liegen in der mangelnden Interoperabilität existierender Daten und der unsystematischen Erfassung von Wissen. Das IWF formalisierte Erkenntnisse und überführte sie in eine allgemeingültige Ontologie als Grundlage für die Dateninfrastruktur.

Der Wissensgraph und die Ontologie adressieren zwei zentrale Herausforderungen: die Interoperabilität existierender Daten und die unsystematische Erfassung von Wissen. Das IWF definierte Schnittstellen und Beziehungen zwischen physischer und virtueller Welt. Die digitale Infrastruktur für die Datenerfassung und -verknüpfung in der heterogenen Prozesskette der LIB-Produktion ist komplex. Daher wurde ein Werkzeug zur Entscheidungsunterstützung entwickelt, basierend auf dem Wissensgraphen und der Ontologie, um die Auswahl geeigneter Methoden zur Datenerfassung und -verknüpfung zu erleichtern. Diese Ergebnisse bilden eine Grundlage für die Auslegung der Datenerfassung und des T&T in der LIB-Produktion und sind auf verschiedene Prozessketten übertragbar.

Schwerpunkt 3: Entwicklung eines hybriden Messsystems für das Tracking und Tracing der Produkt- und Prozessdaten

Im Rahmen von Schwerpunkt 3 wurden verschiedene Inline-Sensoriken eingehend analysiert und implementiert. Das vorrangige Ziel dieses Untersuchungsbereichs bestand darin, die im Inline-Modus erfassten Messungen als repräsentative Qualitätsindikatoren zu etablieren. Zu diesem Zweck erfolgte eine disaggregierte Analyse der ermittelten Daten auf Ebene der einzelnen Blätter, gefolgt von einer präzisen Qualitätsbewertung der jeweiligen Blätter. Sofern die individuellen Eigenschaften der Sensoren dies zuließen, wurde darüber hinaus die Möglichkeit einer Datenerfassungsmethode zur Generierung eines eindeutigen „Fingerprints“ untersucht, der eine Zuordnung ohne Verwendung der Markierung ermöglichen würde. Für die Implementierung des hybriden Ansatzes wurden vor und nach der Kalandrierung Bildaufnahmen der Elektroden erstellt. Diese dienten als Grundlage für die präzise Zuordnung verschiedener Abschnitte mittels Bilderkennung, wie in Abbildung 3 dargestellt.

Für jeden erkannten Fehler wurde ein „Suchfenster“ definiert, das den Fehler räumlich umgibt. Der betrachtete Fehler befindet sich dabei in einer festen Ecke dieses Fensters, während alle weiteren Fehler innerhalb des Fensters durch ihre jeweiligen Koordinaten gekennzeichnet sind. Bei aufeinander folgenden Aufnahmen wurde ein Abgleich dieser Koordinaten durchgeführt, um Veränderungen zu detektieren. Die erreichte Genauigkeit der Zuordnung betrug in diesem Zusammenhang beeindruckende 95 %. Durch diese Methode ist eine präzise Zuordnung der Elektrodenabschnitte möglich. Mithilfe der Inline-Fehlerdetektion kann eine Fehlerkarte erstellt werden und sämtliche zusätzlichen aufgezeichneten Daten können dieser Fehlerkarte zugeordnet werden. Die aufkommenden Fehler dienen dann als Referenzpunkte für die jeweiligen Abschnitte.

Legende

Ansprechpartner: Prof. Dr.-Ing. Rüdiger Daub

Ansprechpartner: Prof. Dr.-Ing. Klaus Dilger

Entwicklung virtueller Produktionssysteme in der Batteriezellfertigung zur prozessübergreifenden Produktionssteuerung

ViPro

Der Aufbau eines virtuellen Abbilds einer Batteriezellfertigung ist motiviert durch das Ziel, komplexe Ursache-Wirkungs-Zusammenhänge zu quantifizieren und über dieses Verständnis eine Steigerung der Produktivität sowie einen effizienteren Maschinen- und Anlagenbetrieb zu erzielen. In einem virtuellen Produktionssystem (VPS) können Optimierungsansätze im virtuellen Raum realitätsnah und risikoarm erprobt werden. Erweisen sich die entwickelten Lösungen als robust, kann anschließend die Umsetzung in den realen Prozessen, Maschinen und Anlagen erfolgen. Unter Berücksichtigung dieser Motivation sollen im Projekt „ViPro“ im Wesentlichen zwei Probleme adressiert werden. Erstens sind die bisher entwickelten Modelle für die Prozesse einer Batteriezellfertigung vielfach heterogen und bieten keine Schnittstelle zur einheitlichen Nutzung von Steuerungs-, Prozess-, Maschinen- und Anlagendaten. Zweitens gibt es bis heute keinen Ansatz, wie das an unterschiedlichen Standorten vorhandene Prozesswissen standortübergreifend zur Qualitätssteigerung der Modelle erschlossen werden kann.

Zur Zielerreichung sollen insbesondere folgende Teilaspekte entwickelt werden: ein virtuelles Produktionssystem auf Basis anpassungsfähiger und verknüpfbarer Prozess-, Maschinen- und Anlagenmodelle mit standardisierten semantischen Beschreibungen sowie Schnittstellen zur Kommunikation und zum Austausch von Daten mit realen Maschinen und Anlagen. Zudem wird eine Vernetzung zwischen realem und virtuellem Produktionssystem unter Nutzung echtzeitnaher Kommunikationsstandards als Grundlage für die Entwicklung adaptiver, selbstlernender und prozessübergreifender Steuerungskonzepte entwickelt. Zur Verknüpfung, Überwachung und Auswertung der Einzelmodelle wird ein intelligentes Betriebsleitsystem ausgearbeitet und prototypisch umgesetzt. Auf dieser Ebene werden prozessübergreifende Steuerungskonzepte erprobt und für die Rückkopplung der Ergebnisse an die realen Maschinen und Anlagen vorbereitet. Ein virtuelles Produktionssystem wird an den einzelnen Standorten für die Prozesse Beschichtung (ZSW), Assemblierung (wbk), Elektrolytbefüllung (IWF) und Formierung (IPA) partiell implementiert und anschließend mit dem intelligenten Betriebsleitsystem in einer Plattform vernetzt.

Im Forschungsprojekt ViPro wird ein System zur prozessübergreifenden Steuerung konzipiert und die kommunikationstechnische Machbarkeit untersucht. Ziel eines solchen virtuellen Abbilds einer Batteriezellfertigung ist es, komplexe Ursache-Wirkung-Zusammenhänge zu quantifizieren und über dieses Verständnis eine Steigerung der Produktivität sowie einen effizienteren Maschinen- und Anlagenbetrieb zu erzielen. Optimierungsansätze im virtuellen Raum können realitätsnah und risikoarm erprobt werden. Ziel des Projekts ist zudem der Aufbau eines virtuellen Produktionssystems auf Basis standardisierter Modelle und die Erschließung standortübergreifender Datenpools entlang der Prozesskette einer Batteriezellfertigung.
Zur einheitlichen Nutzung von Steuerungs-, Prozess-, Maschinen- und Anlagendaten werden dazu Möglichkeiten zur Standardisierung der notwendigen Kommunikationsschnittstellen sowie von Anlagenmodellen entwickelt und erprobt.
Die Entwicklung eines virtuellen Produktionssystems erfolgt auf Basis anpassungsfähiger und verknüpfbarer Prozess-, Maschinen- und Anlagenmodelle mit standardisierten semantischen Beschreibungen sowie Schnittstellen zur Kommunikation und zum Austausch von Daten mit realen Maschinen und Anlagen. Der Aufbau und die Erprobung einer Vernetzung zwischen realem und virtuellem Produktionssystem unter Nutzung echtzeitnaher Kommunikationsstandards bildet die Grundlage für die Entwicklung adaptiver, selbstlernender Steuerungskonzepte. Auf der Ebene des Betriebsleitsystems werden prozessübergreifende Steuerungskonzepte erprobt und für die Rückkopplung der Ergebnisse an die realen Maschinen und Anlagen vorbereitet.

Kontakt

Projektlaufzeit

Themenfeld

Förderkennzeichen

• Stand der Technik
• Ausgewählte Ergebnisse
• Transferangebot an die Industrie

Prozessübergreifende Steuerung
Prozessübergreifende Steuerungen nutzen üblicherweise nur Zeit-Informationen zur Synchronisation hintereinandergeschalteter Prozesse. Eine prozessübergreifende Sichtweise wird ansonsten durch einmalige datengetriebene und übergreifende Analysen oder in Form von prozessbegleitenden SCADA-Systemen zum Untersuchen vom Wirkzusammenhängen zwischen Prozessen genutzt. So gewonnene Daten fließen nicht direkt in die Steuerung zurück, sondern werden für manuelle Anpassungen an einzelnen Prozessen genutzt.
Es mangelt an Lösungen, um gewonnene Erkenntnisse zu Wirkzusammenhängen zwischen Prozessen in feinerer Auflösung bis hin zum einzelnen Produkt zur Optimierung von Einzelprozessen und der Fertigungslinie zu nutzen.
Kommunikation für eine prozessübergreifende Steuerung (Cloud-IoT-System, Middleware, Anlagenanbindung, etc.)
Die IT-Systemlandschaft und Anlagentechnik sind geprägt von einer Vielzahl an proprietären Schnittstellen und Datenformaten. Dies hemmt die Realisierung neuartiger und innovativer Konzepte wie die in ViPro entwickelte prozessübergreifende Steuerung, da der Aufwand und die Fehlerhäufigkeit für die Integration solcher Systeme sehr hoch sind. Daher gibt es eine Vielzahl an Bestrebungen, eine Standardisierung auf unterschiedlichsten Ebenen der Schnittstellen und Datenformate voranzutreiben.

Anlagenmodelle für eine prozessübergreifende Steuerung
Die Modellierung der einzelnen Prozesse für die Batterieproduktion bietet signifikante Potenziale, um Inbetriebnahmeprozesse und den Betrieb der Produktionsanlagen zu optimieren, insbesondere um Materialausschussraten zu reduzieren. Im Stand der Technik sind vielfältige Modellierungsansätze zu finden, insbesondere hinsichtlich der Modellierung materialseitiger Einflüsse auf die entsprechenden Produktionsprozesse. Um die Batterieproduktion in ihrer Gesamtheit zu optimieren, ist es notwendig, dass die Produktionsprozessmodelle über definierte Schnittstellen gekoppelt und anlagenseitige Einflussfaktoren berücksichtigt werden. Dadurch lassen sich verschiedene Anwendungsfälle ableiten, wie beispielsweise die Vorhersage entsprechender Zwischenprodukteigenschaften in Abhängigkeit von Einstellparametern der Maschinen oder die Ableitung optimaler Parameter auf Basis von Zwischenprodukteigenschaften vorgelagerter Prozessschritte.

Prozessübergreifende Steuerung
Im Rahmen von ViPro wurde eine prozessübergreifende Steuerung auf zwei Ebenen entwickelt (siehe Abbildung 1). Die übergeordnete Ebene ist ein anwendernahes intelligentes Betriebsleitsystem, welches Daten zur aktuellen Produktion anzeigt und der untergeordneten prozessübergreifenden Steuerungsebene initiale Produktionsparameter liefert. Auf Steuerungsebene werden wahlweise und individuell austauschbar Anlagen und Prozessmodelle angesteuert. So ist es möglich, eine Produktion auf räumlich getrennten Anlagen zu optimieren.
Ein im Rahmen des Projektes entwickeltes Regressionsmodell ermöglicht die Prädiktion von Endprodukteigenschaften und wird zur zellspezifischen Optimierung von Prozessparametern zwischen Produktionsschritten verwendet. Für diesen Schritt sowie um eine Bewertung der vorgeschlagenen Parameteränderungen durch ein weiteres Machine-Learning-Modell auf Ebene des Betriebsleitsystems zu ermöglichen, wurde ein breites Spektrum plausibler Eingangsdaten zur Erstellung einer Datengrundlage genutzt.
Kommunikation für eine prozessübergreifende Steuerung (Cloud-IoT-System, Middleware, Anlagenanbindung, etc.)
Die im Rahmen des Projekts entwickelte einheitliche Schnittstellentechnologie ermöglicht eine effiziente Inbetriebnahme der einzelnen Komponenten. Darüber hinaus können dadurch auch Erweiterungen oder bestehende Systeme einfacher ein Teil der ViPro Plattform werden. Dabei wurde auf standardisierte Technologien zurückgegriffen, die eine flexible Anpassung an zukünftige Entwicklungen ermöglichen.
Die Erweiterung des Konnektors StationConnector um diese ViPro-Schnittstelle ermöglicht die einfache Integration einer Vielzahl von Anlagen und Steuerungen unterschiedlichster Hersteller in die ViPro-Plattform (Abbildung 2 zeigt beispielhafte Anlagen im Trockenraum des Zentrums für Digitalisierte Batteriezellenproduktion am Fraunhofer IPA).
Zur Evaluation der Schnittstellen und der Module bereits zu einem frühen Zeitpunkt des Projektes wurden zudem Kommunikationsemulatoren als softwarebasierte Agenten um diese Schnittstelle erweitert. Dadurch können Systeme bezüglich ihrer Leistung und Robustheit beispielsweise gegenüber Störungen einfach und sicher getestet werden. Abbildung 3 stellt die finale Infrastruktur und die Kommunikationsflüsse schematisch dar.

Anlagenmodelle für eine prozessübergreifende Steuerung
Im Rahmen des Projekts wurden entsprechende Prozess- und Anlagenmodelle auf Basis unterschiedlicher Modellierungsansätze entwickelt. Beispielsweise wird für den Beschichtungsprozess auf Machine Learning-Methoden zurückgegriffen, um das Flächengewicht vorherzusagen. Beim Assemblierungsprozess wird eine multiphysikalische Systemsimulation verwendet, um die Materialbelastung von Elektroden- und Separatorbahnen zu ermitteln (siehe Abbildung 4). Die Modellierungstätigkeiten umfassen die klare Definition von Schnittstellen zwischen den einzelnen Modellen und dem übergeordneten Leitsystem. Hierdurch lassen sich Optimierungsansätze entlang der Prozesskette virtuell und risikolos erschließen.

Legende

Ansprechpartner: Prof. Dr.-Ing. Dipl.-Kfm. Alexander Sauer

Ansprechpartner: Prof. Dr.-Ing. Klaus Dröder (IWF-KD)

Ansprechpartner: Prof. Dr.-Ing. Christoph Herrmann (IWF-CH)

Ansprechpartner: Prof. Dr.-Ing. Jürgen Fleischer

Ansprechpartner: Dr. Wolfgang Braunwarth

Ansprechpartner: Herr Prof. Dr. Ing. Jürgen Fleischer

Ansprechpartner: Prof. Dr.-Ing. Dipl.-Kfm. Alexander Sauer

Ansprechpartner: Herr Prof. Dr. Ing. Jürgen Fleischer

Ansprechpartner: Prof. Dr.-Ing. Dipl.-Kfm. Alexander Sauer