Skip to main content

KontElPro

Kontinuierliche, lösungsmittelfreie Elektrodenherstellung mit intelligenter Qualitätssicherung und Prozessüberwachung gekoppelt mit KI

KontElPro

Motivation

Durch den Einsatz von lösungsmittelfreien Herstellungsverfahren kann auf eine zeit- und energieintensive Trocknung der Elektroden verzichtet werden. Weiterhin kann die Produktion durch die Vermeidung eines Einsatzes des giftigen Lösungsmittels NMP, welches insbesondere bei der Kathodenherstellung eingesetzt wird, nachhaltiger gestaltet werden. Die eingesetzten Verfahren sind unabhängig vom verwendeten Aktivmaterial und daher auch für nicht giftige, Co oder Ni freie Elektroden einsetzbar, womit grüne, nachhaltige Zellen hergestellt werden können. Des Weiteren sollen zur Reduktion hoher Ausschussquoten (selbst bei erfahrenen Zellherstellern fallen im normalen Produktionsbetrieb ca. 5% des Elektrodenmaterials als Ausschuss an) die bestehenden und installierten Produktionsprozesse um weitere Prozesssensoren zur Bereitstellung von inline-Informationen ergänzt werden. Dadurch kann während der Produktion korrigierend eingegriffen werden. Die kontinuierlich aufgenommenen Sensor- und Prozessdaten jedes Projektpartners werden wie die elektrochemischen Messergebnisse in einer Datenbank gespeichert. Mit Hilfe der KI sollen sowohl Einzelprozesse als auch komplette Prozessketten optimiert und darüber hinaus auch gesteuert werden. Somit sind deutliche Kosteneinsparungen gegenüber konventionellen Vorgehensweisen möglich.

Projektinhalt

Die Arbeitspakete des Projekts „KontElPro“ umfassen zum einen die kontinuierliche (batchfreie) Herstellung von Elektroden/Elektrolyt durch Extrusion mit nachgeschalteter Düse und Kalander und zum anderen durch das Trockentransfer-Verfahren hergestellte lösungsmittelfreie Elektroden mit geringen Binderanteilen sowie ihre Charakterisierung. Darüber hinaus wird für Extrusion und Trockenbeschichtung ein Sensorkonzept entwickelt und darauf aufbauend ein selbstlernendes Steuerungssystem erarbeitet, realisiert und validiert. Außerdem wird eine no-SQL Datenbank programmiert, die möglichst in Echtzeit Datenströme jedes Prozesssensors speichern kann, so dass diese Daten mit weiteren off-line Analysen und elektrochemischen Ergebnissen korreliert werden können. Die Datenbank ist auch Grundlage für Track und Trace und die Sensitivitätsanalyse von Fertigungsparametern in Bezug auf Zielgrößen mit datengetriebenen KI-Methoden, zuerst im Offline- und danach im Online-Betrieb für Einzel- wie auch für die Gesamtheit der betrachteten Prozesse. Es werden digitale Zwillinge für alle Prozesse erstellt, die für die Optimierung der Prozesse eingesetzt und mit Active Learning kontinuierlich verbessert werden.

Projektziele

Ziel von KontElPro ist es, bestehende, innovative und gut skalierbare Verfahren der lösungsmittelfreien Elektrodenfertigung (Extrusion, Trockentransfer-Verfahren DRYtraec®) mit einer Inline-Prozesskontrolle und einer standortübergreifenden, vernetzten Datenbank zu erweitern. Eine automatisierte Datenauswertung sowie die KI-gestützte Modellierung und Optimierung der Prozesse mit digitalen Zwillingen helfen, die Elektrodenfertigung effizienter zu machen, die Qualität zu verbessern und Ausschuss zu reduzieren. Ziel ist es, durch Verknüpfung von Prozessparametern und Anlagenparametern mit elektrochemischen Ergebnissen und durch Einsatz von KI in Verbindung mit digitalen Zwillingen und anderen Machine-Learning-Methoden die besonders qualitätskritischen Prozessschritte und -parameter zu identifizieren und Quality Gates festzulegen. Mit Hilfe der KI-Modelle werden Prozessparameter vorgeschlagen, welche die Qualität der produzierten Elektroden verbessern. Die Prozessparameter werden im Prozess überwacht und bei Bedarf angepasst. Mit Hilfe von Inline-Sensorik, Inline-Analytik und darauf aufbauenden Methoden, sollen die Prozessparameter überwacht, Gesetzmäßigkeiten erkannt und durch KI-Algorithmen Optimierungen vorgenommen und Erkenntnisse auf andere Materialsysteme übertragen werden. Ein Überblick über das Projekt ist schematisch in Abbildung 1 und Abbildung 2 dargestellt.

Kontakt

Dr.-Ing. Philipp Heugel
Fraunhofer-Gesellschaft
Institut für Chemische Technologie (ICT)
Joseph-von-Fraunhofer-Str. 7, 76327 Pfinztal
Tel.: +49 721 4640 517
E-Mail: philipp.heugel@ict.fraunhofer.de

Projektlaufzeit

01.01.2021-31.03.2024

Themenfeld

KI in der Produktion

Förderkennzeichen

03XP0325A

Technologietransfer

Batterieelektroden für Lithium-Ionen-Batterien werden in der Regel mit Flüssigbeschichtungsverfahren hergestellt. Dabei kommen sogenannte Slurries zum Einsatz, welche Dispersionen aus Aktivmaterialien, Leitadditiven und Bindern in Lösemitteln darstellen. Häufig werden auch organische Lösemittel wie das toxische N-Methyl-2-pyrrolidon (NMP) verwendet. Der mittels Schlitzdüsen hergestellte Nassfilm muss im Anschluss aufwendig getrocknet werden. Organische Lösemittel müssen zudem destillativ zurückgewonnen werden. Für künftige Batteriematerialien wie Nickel-reiche Aktivmaterialien oder sulfidische Festelektrolyte führen Lösemittel gar zur Verringerung der Kapazität bzw. Leitfähigkeit. Daher gibt es einige Forschungsansätze, Elektroden lösemittelfrei herzustellen. Diese Ansätze zielen somit auf verringerte Prozesskosten und Investitionskosten, die Effizienzsteigerung des Verfahrens und ressourcenschonende und ökologische Prozessführung ab.

Genau hier setzt auch das Projekt KontElPro mit dem Trockenbeschichtungsverfahren DRYtraec® an. In kontinuierlicher Prozessführung ist es möglich, aus Pulvergemischen von Aktivmaterial, Ruß und Binder trockene Elektroden herzustellen. Der Binder bildet unter Einwirkung von Scherkräften Fibrillen aus und stabilisiert rein mechanisch die Pulverkomponenten. Durch die Nutzung von Kalandrieranlagen mit unterschiedlicher Walzendrehgeschwindigkeit wird der trockene Elektrodenfilm im Walzenspalt auf die sich schneller rotierende Walzenoberfläche appliziert und abschließend unmittelbar auf die Stromableiterfolie laminiert. Die Bildung eines fragilen freistehenden Films ist nicht erforderlich. Es wird gänzlich auf toxische Lösungsmittel verzichtet und der Platzbedarf der Anlagen sowie die Betriebskosten sind aufgrund nicht benötigter Trocknungsstrecken um ein Vielfaches geringer im Vergleich zum konventionellen Slurry-Prozess. Beschichtungsgeschwindigkeiten mit DRYtraec® von bis zu 10 m/min wurden bereits nachgewiesen.

Der Industriestandard in der Batterieproduktion bezüglich der Prozessoptimierung ist hier weiterhin das Entwerfen eines Design of Experiment. Mit diesem wird der Raum der möglichen Parametereinstellungen im Prozess sowie der verwendeten Materialien durchsucht. Dies geschieht in der Regel, um ein ausgewähltes Ziel zu optimieren wie etwa die Zellkapazität. ML/KI-Methoden werden hier bisher nicht eingesetzt. In Bezug auf die Qualitätskontrolle haben sich ML/KI-Anwendungen bereits etabliert. Nach dem Vorbild der Automotive-Industrie werden jedoch meist bildgebende Verfahren eingesetzt, um fehlerhafte Teile zu identifizieren. Performance/Condition-Monitoring und Predictive Maintenance werden in den letzten Jahren jedoch vermehrt in Betracht gezogen. Auch das Thema Echtzeitoptimierung der Prozesse steht noch ganz am Anfang: In die Regelung einzugreifen, wenn Qualitätsmerkmale sich verändern, ist bisher nur im akademischen Umfeld untersucht und KontElPro ist hier eines der ersten Projekte, welches sich mit diesem Thema als Schwerpunkt befasst.

Diese modernen Verfahren erfordern spezialisierte Softwarelösungen. Aktuell am Markt erhältliche Datenbanksoftwares verwenden in der Regel Rechner mit installierter BTSServer-Software. Alle Messdaten werden dabei auf diesem entsprechenden Server gespeichert. Der Server überträgt Befehle und verwaltet Rohdaten in der Datenbank. Diese Server sind allerdings nur für ein spezielles bzw. herstellerspezifisches Datenformat ausgelegt und unterstützen nur ebendieses. Im Vergleich zu den auf dem Markt erhältlichen Datenbanksoftwares kann die im Projekt KontElPro entwickelte Software sämtliche Messdaten, unabhängig vom eingesetzten Messgerät, in einer zentralen Datenbank speichern. Es wird deshalb nur ein einziger Server benötigt, welcher alle Daten von unterschiedlichen Messgeräten speichert. So müssen z. B. nicht mehrere Datenbanken nach einem File durchsucht werden, dieses dann aufwendig exportiert und konvertiert werden, sondern hier können über Filter und Sortierfunktion direkt auf alle Daten gleichzeitig zugegriffen werden und ebenfalls in der Oberfläche diese Daten direkt für die Weiterverarbeitung (mit beliebiger anderer Software) vorbereitet werden. Hier können ebenfalls direkte Schnittstellen angebunden werden und die Daten können nach externer Auswertung ebenfalls wieder zurückgespeichert werden.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

  • Abbildung 4

  • Abbildung 5

  • Abbildung 6

  • Abbildung 7

  • Abbildung 8

  • Abbildung 9

  • Abbildung 10

Bei der trockenen Mischung von Kathodengranulaten auf Basis von PTFE als Binder konnten durch die Wahl von geeigneten Parametersätzen in Kneter- und Extrusionsprozessen sehr homogene Mischungen aller festen Bestandteile der Kathodenaktivschicht (Aktivmaterial, Leitruß und Binder) erreicht werden. Dabei wurden vor allem die beiden Parameter Temperatur und Drehzahl variiert. Auch die kontinuierliche Verarbeitung der Granulate in einem Doppelschneckenextruder konnte erfolgreich dargestellt werden. Durch die Variation von Drehzahl und Temperatur konnten auch hier Abhängigkeiten zur Qualität des Kathodengranulats aufgezeigt werden. Zusätzlich ist hier die Qualität allerdings auch stark abhängig von der Schneckenkonfiguration, die nur bedingt im Projekt variiert wurde.

Auf Abbildung 3 ist das Kathodengranulat zu sehen wie es direkt aus dem Extruder, d.h. der kontinuierlichen Mischung erhalten wird. Da komplett ohne Lösungsmittel gearbeitet wird, bildet sich kein zusammenhängendes Gefüge, sondern einzelne Granalien. Diese können analog zu den aus dem Batch Prozess erhaltenen Materialien für die Trockenbeschichtung weiterverwendet werden. Auf Abbildung 4 ist das Kathodengranulat nach der Batch-Mischung innerhalb des Kneters gezeigt. Es ist gut zu erkennen, dass sich aus den vorgelegten Pulvermaterialien durch die Defibrillierung des PTFE eine homogene Masse ergeben hat, die ebenfalls in den Trockenbeschichtungsprozess übergeben werden kann.

Die Kontrolle der Qualität erfolgte durch REM-Aufnahmen der finalen Kathodengranulate. Dabei konnte ein direkter Zusammenhang zwischen der Weiterverarbeitbarkeit und Ratenfähigkeit zu der Morphologie gezeigt werden, der durch den Einsatz von ML-Modellen nachgebildet werden konnte. Entsprechend ist das Ziel, durch das Anlernen eines passenden Modells die Qualität der Mischungen anhand der Prozessparameter vorhersagen zu können und so die aufwendige REM-Analytik im industriellen Prozess zu ersetzen, erreicht worden.

Durch Integration innovativer Inline-Sensorik und der Überführung der in einer Vielzahl von Beschichtungskampagnen gesammelten Daten in die entwickelten Datenbanksoftwares Mind und Collect wurde der Datengrundstein gelegt. Die trockenen Mischungen wurden zunächst in einen dosierfähigen Zustand überführt. Anschließend sind die so erhaltenen trockenen Gemische im Batch-Prozess mit unterschiedlichen Parametermatrizen verarbeitet worden. Die variierten Parameter umfassten die Walzenanstellkraft, den Spalt, die absolute Geschwindigkeit sowie Geschwindigkeitsdifferenz der Walzen und die Temperatur. In Abbildung 5 ist ein Übersichtsbild der Sensorik gezeigt, die im Rahmen des KontElPro-Projektes am IWS-Versuchskalander integriert wurde, um Daten zur Prozessüberwachung und KI zu sammeln. Sofern eine Elektrodenschicht hergestellt werden konnte, erfolgte die Charakterisierung mittels Bestimmung der Schichtdicke, Beladung, Dichte, Adhäsion und des Widerstandes. An ausgewählten Proben wurden zudem Knopfzelltests durchgeführt. Es folgte die Übertragung sämtlicher Daten (sowohl mit Erfolg als auch Misserfolg versehene) in die im Projekt entwickelten Datenbanken und damit die Weiterleitung dieser Daten an die KI. In der elektrochemischen Charakterisierung wurde nach erfolgtem Test die 4C-Rate als Qualitätskriterium herangezogen. Die Daten wurden vom KI-Algorithmus analysiert und es wurden von diesem neue Parametersets und damit Versuche vorgeschlagen, um die 4C-Rate der Kathode zu optimieren. Die bevorzugte Mischung mit durchweg positiver Charakteristik wurde in größerem Maßstab hergestellt, sodass im Trockenbeschichtungsverfahren DRYtraec® kontinuierliche Versuche durchgeführt werden konnten. Die im Rahmen von KontElPro integrierte Sensorik (Drehmoment, Spalt, Kraft, Inline-Schichtdicke) konnte somit umfangreich erprobt sowie erfolgreich validiert werden und hat sich in der Testumgebung bewährt.

Die Datenpakete wurden mit einer eineindeutigen Nomenklatur versehen und dienten zur Weiterentwicklung des KI-Algorithmus, um diesen mit Daten aus dem kontinuierlichen Prozess zu analysieren. Die KI hat, basierend auf den Trainingsdatensätzen, neuartige Parameterkombinationen vorgeschlagen, die durch den menschlichen Experten empirisch nicht angewendet worden wären. Es hat sich gezeigt, dass die 4C-Kapazität mittels DRYtraec® hergestellter LFP-Trockenkathoden durch Parameteranpassung der KI, optimiert werden kann. Die durchgeführten Tests sind in Abbildung 6 gezeigt. Der hellgrüne Bereich zeigt die Zelltests nach der Design of Experiment-Studie. Der dunkelgrüne Bereich hingegen zeigt die Zelltests mit Proben, deren Herstellung auf vorgeschlagene Parameter (auf Basis der Trainingsdaten aus dem hellgrünen Bereich) durch die KI vorgegeben wurden. Verschieden vorgeschlagene Prozessparameter führten zu stabilen laufenden DRYtraec-Knopfzellen mit durchgehend hoher 4C-Kapazität. Ergänzend wurden erfolgreich Elektroden aus Pulverkompositen hergestellt, bei denen zum ursprünglichen Feedstock recyceltes Material (Verschnitt) mit einem Anteil von bis zu 5% beigemischt wurde.

Im Projekt wurde ein Softwaresystem zur automatisierten Verarbeitung von Daten und Informationen entwickelt, die bei der Produktion/Charakterisierung und bei elektrochemischen Messungen der Projektpartner anfallen. Die Daten und Informationen (Batch- und kontinuierlicher Prozess) werden in einer Datenbank gespeichert, aufbereitet, vernetzt und allen Beteiligten Prozessen zurückgespiegelt bzw. zur Verfügung gestellt. Insbesondere für die KI-Entwicklung werden über eine Schnittstelle die strukturierten, aufbereiteten Daten bereitgestellt. Alle Daten im Projekt werden automatisch gesammelt, gespeichert und kategorisiert. So können sämtliche Prozesse in KontElPro logisch abgebildet und mit den jeweiligen Daten und Informationen vernetzt werden. In Abbildung 7 ist eine Teilprozesskette mit Inputs und Outputs (d.h. Eingangsmaterialien, Zwischenprodukte und Endprodukte) dargestellt, wie sie in der Datenbanksoftware Mind angelegt und angezeigt werden kann. Hier lassen sich alle Informationen (Prozess- und Anlagenparameter, Messungen etc.), welche in der Datenbank Collect (siehe Abbildung 8) gespeichert sind, zum jeweiligen Prozessschritt (automatisiert) zuordnen.

Es wurden KI-Modelle als Digitale Zwillinge für alle Einzelprozesse in der Produktionskette erzeugt. Zudem wurden für viele Messwerte, die einen direkteren Einfluss auf die Zielwerte, wie etwa die 4C-Kapazität haben, virtuelle Sensoren erstellt. Für diese virtuellen Sensoren gibt es deutlich mehr Datenpunkte als für die finalen elektrochemischen Messungen, sodass deren Einbeziehung einen direkten Mehrwert für die Abbildung des Gesamtprozesses bringt. In Abbildung 9 ist eine Übersicht der Vorgehensweise bildhaft dargestellt. Sowohl am IFAM wie auch am IWS fallen diverse Messdaten auf allen Teilen des Prozesses an. Diese Daten werden benötigt, zum einen für das inline Performance Monitoring (Inference Module), wie auch um die Einzelmodelle aktuell zu halten mit dem derzeitigen Status der Anlagen (Life Long Learning Module). Hierfür werden die Daten aus den verschiedenen Quellen am ICT in der Datenbank Collect gesammelt und über die Logik, welche in Mind realisiert ist, vereinheitlicht. Dadurch stehen dem ZSW alle Daten des Gesamtprozesses in konsistenter Form zur Verfügung, um die KI-Modelle zu versorgen. Der datengetriebene Digitale Zwilling (Digital Twin, DT, siehe Abbildung 10) besteht aus der Kombination aller DTs der Teilprozesse, sowie diverser Virtueller Sensoren, welche die Vorhersagegenauigkeit der DTs signifikant verbessern. Der finale DT besteht aus 18 Modellen (Neuronale Netze und Symbolic Regression) die so zusammenarbeiten. Dennoch ist der DT mit 4 Updates pro Sekunde weiterhin echtzeitfähig auf einer herkömmlichen CPU. Alle Einzelmodelle werden auf einer gängigen CPU (Intel I7 13700) in wenigen Millisekunden ausgeführt, sodass die Ausführung der Modelle der gesamten Prozesskette in unter 40 ms möglich ist. Bis Projektende wird der Transfer der Modelle, welche auf den Batchprozessen trainiert wurden, auf den kontinuierlichen Prozess realisiert.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

  • Abbildung 4

  • Abbildung 5

  • Abbildung 6

  • Abbildung 7

  • Abbildung 8

  • Abbildung 9

  • Abbildung 10

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

Erstellen und Trainieren von virtuellen Sensoren zur Parameterkontrolle mit Hilfe von Machine Learning-Methoden. Identifikation der relevanten Prozessparameter.

Ansprechpartner: Dr. Frank Sehnke

Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg (ZSW)
Meitnerstr. 1, 70563 Stuttgart
Tel.: +49 711 78 70-303
E-Mail-Adresse: frank.sehnke@zsw-bw.de


Trockene Elektrodenherstellung mittels DRYtraec®: Das Angebot deckt die Wertschöpfungskette von Material- über Prozess- und Anlagentechnik bis hin zum Technologietransfer ab. Dies ist sowohl für LIB, als auch SSB, Li-S und SIB-Systeme möglich.

Ansprechpartner: Dr. Benjamin Schumm (IWS)

Fraunhofer-Institut für Werkstoff- und Strahltechnik IWS
Winterbergstr. 28, 01277 Dresden
Tel.: +49 351 83391-3714
E-Mail-Adresse: benjamin.schumm@iws.fraunhofer.de


Zentralisierung sämtlicher Produkt-, Prozess-, und Anlagenparameter in einer übersichtlichen Oberfläche (Prozesskette). Automatisches Sammeln (OPC-UA, manueller Upload, automatischer Datenupload), Speichern, Sortieren, Anzeigen und Auswerten von Prozess- und Produktdaten und elektrochemischer Messungen – alles in einer übersichtlichen Datenbank.

Ansprechpartner: Prof. Dr. Jens Tübke

Fraunhofer-Institut für chemische Technologie ICT
Joseph-von-Fraunhofer-Straße 7, D-76327 Pfinztal (Berghausen)
Tel.: +49 721 4640 343
E-Mail-Adresse: jens.tuebke@ict.fraunhofer.de

Projektpartner

  • Fraunhofer-Gesellschaft
    Institut für Chemische Technologie (ICT)
    Joseph-von-Fraunhofer-Str. 7, 76327 Pfinztal
    Vertreten durch Philipp Heugel
    www.ict.fraunhofer.de

  • Fraunhofer-Gesellschaft
    Institut für Werkstoff- und Strahltechnik (IWS)
    Winterbergstr. 28, 01277 Dresden
    Vertreten durch Dr. rer. nat. Benjamin Schumm
    www.iws.fraunhofer.de

  • Fraunhofer-Gesellschaft
    Institut für Fertigungstechnik und Angewandte Materialforschung (IFAM)
    Wiener Str. 12, 28359 Bremen
    Vertreten durch Dr. Ingo Bardenhagen
    www.ifam.fraunhofer.de

  • Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg (ZSW)
    Simulation und Optimierung (SimOpt)
    Meitnerstr. 1, 70563 Stuttgart
    Vertreten durch Anton Kaifel
    www.zsw-bw.de

Zurück zur Übersicht

Weiterlesen

Batterl4.0

Leitfaden zur Digitalisierung der Batteriezellproduktion

Batterl4.0

Motivation

Weltweit sind derzeit zwei Megatrends zu beobachten, die sich maßgeblich auf die in Europa angesiedelte Industrie auswirken: die Einführung von Digitalisierung und Industrie 4.0 in Fabriken sowie der weltweit steigende Bedarf an Batteriezellen. Die Sicherung der globalen Wettbewerbsfähigkeit Europas erfordert eine systematische Methodik zur Einführung von Digitalisierung und Industrie 4.0 in die Batteriezellproduktion. Bislang fehlen allerdings Konzepte zur ganzheitlichen und schnellen Umsetzung dieser Aspekte. Ebenso ist ein Hilfsmittel zur Bewertung und Verortung bereits bestehender Technologien im Hinblick auf Digitalisierung und Industrie 4.0 nicht verfügbar. Selbiges gilt für Ansätze zur Generierung neuer Ideen und Lösungen in diesem Kontext.

Projektinhalt

Das Projekt BatterI4.0 entwickelt einen Digitalisierungsleitfaden für die Batteriezellproduktion, der eine Messbarkeit und Weiterentwicklung von Digitalisierung und Industrie 4.0 in der Batteriezellproduktion ermöglicht. Die Messbarkeit erfolgt dabei durch eine Methodensammlung in Form von Werkzeugkästen, die durch Anwendungsebenen und Entwicklungsstufen beschrieben werden. Die Anwendungsebenen stellen dabei die Themenfelder, in denen Industrie 4.0 und Digitalisierung zum Einsatz kommen, dar, die Entwicklungsstufen hingegen, wie stark die Aspekte von Industrie 4.0 und Digitalisierung jeweils ausgeprägt sind. Anhand der Werkzeugkästen sollen Technologien in bestehenden Batteriezellproduktionen ganzheitlich verortet und bewertet werden können. Zudem wird durch die Arbeitsinhalte des Projekts die Entwicklung neuer Ideen in Bezug auf zukünftige Anlagengenerationen unterstützt.

Projektziele

Weltweit sind derzeit zwei Megatrends zu beobachten, die einen erheblichen Einfluss auf die in Deutschland ansässige Batteriebranche haben. Diese sind die Einführung von Digitalisierung und Industrie 4.0 in Fabriken sowie die weltweit steigende Nachfrage nach Batteriezellen.
Unternehmen werden mit der Einführung von Industrie 4.0 in die Lage versetzt, neue produktionstechnische Methoden entlang der gesamten Wertschöpfungskette anzuwenden, Prozess- und Produktdaten zu sammeln und mit intelligenten Algorithmen auszuwerten. Aus den gewonnenen Erkenntnissen lassen sich Handlungsempfehlungen ableiten, mit denen Unternehmen deutliche Wettbewerbsvorteile erzielen können. Dazu gehören die Senkung der Herstellungskosten, die Verbesserung der Produktqualität und die Erhöhung der Flexibilität bei schwankender Nachfrage. Die Idee von Industrie 4.0 hat mittlerweile in allen Bereichen der produzierenden Industrie Einzug gehalten und ist sowohl in kleinen Unternehmen als auch in internationalen Konzernen zu finden.
Die Lithium-Ionen-Batterie hat sich zu einem der wichtigsten Energiespeicher unserer Zeit entwickelt und wird in verschiedenen Bereichen wie der Elektromobilität und stationären Energiespeichern eingesetzt. In Industrie und Forschung gibt es weltweit zunehmend Bestrebungen, den interdisziplinären und mehrstufigen Batterieherstellungsprozess umfassend zu erforschen. Insbesondere agile und intelligente Produktionssysteme, innovative Anlagentechnik, Digitalisierung und künstliche Intelligenz in der Produktion rücken dabei zunehmend in den Fokus. Diese sollen es ermöglichen, Batteriezellen mit unterschiedlichen Materialsystemen und Formaten kostengünstig und in hoher Qualität zu produzieren. Gleichzeitig soll ein hohes Maß an Flexibilität im Hinblick auf Nachfrageschwankungen gegeben sein.
Bislang fehlten Konzepte für die ganzheitliche und schnelle Umsetzung von Digitalisierung und Industrie 4.0 in der Batteriezellenproduktion. Auch für die Bewertung und Verortung bestehender Technologien im Hinblick auf Digitalisierung und Industrie 4.0 gab es kein Werkzeug. Gleiches gilt für Ansätze zur Generierung neuer Ideen und Lösungen. Das InZePro-Begleitprojekt BatterI4.0, das gemeinsam von den produktionstechnischen Instituten der Hochschulen in Aachen, Braunschweig, Karlsruhe und München durchgeführt wird, hat daher zum Ziel, einen Leitfaden für die systematische Umsetzung von Digitalisierung und Industrie 4.0 in der Batteriezellenproduktion zu entwickeln. Damit sollen Unternehmen in die Lage versetzt werden, die Wettbewerbsfähigkeit ihrer Batteriezellenproduktion schnell und effektiv zu steigern. Somit soll ein grundlegender Beitrag zum Erhalt der Attraktivität des Produktionsstandortes Deutschland im Hinblick auf eine neue Schlüsseltechnologie geleistet werden.

Kontakt

Prof. Dr.-Ing. Jürgen Fleischer
Karlsruher Institut für Technologie (KIT)
wbk Institut für Produktionstechnik
Kaiserstr. 12, 76131 Karlsruhe
Tel.: +49 721 608 44009
E-Mail: juergen.fleischer@kit.edu

Projektlaufzeit

01.09.2020-30.04.2024

Themenfeld

Begleitprojekt

Förderkennzeichen

03XP0300A

Technologietransfer

Es existieren zwar umfangreiche Untersuchungen und Studien mit Leitfadencharakter jeweils getrennt zur Batteriezellfertigung und zur Digitalisierung, allerdings ist keine Kombination aus beidem mit gesamtheitlicher Betrachtung aller produktionstechnischen Aspekte bekannt.
Hier setzt die Neuheit des Lösungsansatzes von BatterI4.0 an. Innovative Lösungen zur Sicherung und Steigerung globaler Wettbewerbsfähigkeit verlangen eine systematische Methodik in der Bewertung und Weiterentwicklung bestehender technischer und organisatorischer Ansätze von Industrie 4.0 in der Batteriezellfertigung. Dies ist insbesondere in Anbetracht des steigenden Drucks durch asiatische und nordamerikanische Batterieproduzenten von großer Bedeutung. Darüber hinaus ist es notwendig, die gesamte Produktionstechnik in allen Facetten mit einzubeziehen. Hierzu gehören die grundlegende Prozesstechnik der einzelnen Fertigungsprozesse, die dazugehörige Maschinen- und Anlagentechnik sowie das Qualitätsmanagement zur Sicherstellung der erforderlichen Qualität. Weiterhin müssen zwingend auch organisatorische Aspekte der Produktionsplanung, -steuerung und -logistik für eine ganzheitliche Betrachtung von Industrie 4.0 in der Batteriezellfertigung hinzugezogen werden. Vorangegangene und laufende Bestrebungen zur Integration von Industrie 4.0 in der Batteriezellfertigung fokussieren sich in der Forschung auf konkrete Fragestellungen der Datenerfassung und -auswertung sowie cyberphysischen Systemen in der Zellfertigung. Ebenso erfolgt keine systematische Methodenentwicklung zur Digitalisierungsbewertung.
Es zeigt sich, dass industrieseitig in Batteriezellproduktionen weltweit bereits Ansätze zu Industrie 4.0 verfolgt werden, aber keine systematische Methodenentwicklung zur Digitalisierungsbewertung und keine methodische Vorgehensweise, die die Ist-Situation von Industrie 4.0-Anwendungen in der Batteriezellfertigung einordnet, existiert Darüber hinaus besteht ebenfalls kein vom Anwendungsfall losgelöstes Werkzeug, um Aspekte von Industrie 4.0 aus Anwendersicht systematisch weiterentwickeln zu können, sowie die entwickelten Lösungen im Sinne von Industrie 4.0 bewerten zu können. Hervorzuheben ist weiterhin das Defizit einer gesamtheitlichen Betrachtung der Batteriezellfertigung in den Aspekten Prozesstechnik, Maschinen- und Anlagentechnik, Qualitätsmanagement sowie Produktionsplanung, -steuerung und -logistik sowie dessen inhaltliche Zusammenführung in einem gemeinsamen Leitfaden.
Ein Leitfaden zur systematischen Umsetzung von Digitalisierung und Industrie 4.0 für die Batteriezellproduktion existiert bisher nicht. Damit entgehen den Batteriezellproduzenten Effektivitäts- und Effizienzsteigerungen und damit international notwendige Wettbewerbsfähigkeit. Auch aus bereits vorhandenen Werken kann keine eindeutige Vorgehensweise abgeleitet werden. An diesem Defizit setzt das Projekt an und erarbeitet auf Basis des 2015 entwickelten, etablierten Leitfadens Industrie 4.0 einen Leitfaden zur Digitalisierung der Batteriezellproduktion, um so einen Beitrag zu einer wettbewerbsfähigen Batteriezellproduktion in Deutschland zu leisten.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

Um unterschiedliche Ausprägungen von Digitalisierung und Industrie 4.0 für alle Bereiche der Batteriezellproduktion individuell zu bestimmen, wurden in der Produktion die vier produktionstechnischen Bereiche Produktionsplanung und -steuerung sowie Logistik, Maschinen- und Anlagentechnik, Qualitätsmanagement und Prozesstechnik identifiziert. Da nicht alle Themenbereiche innerhalb der Batteriezellproduktion einem einzelnen Bereich zugeordnet werden können, werden die vier Bereiche durch einen übergreifenden Bereich „Allgemeines“ ergänzt. So spielt beispielsweise das Produkt je nach Prozessschritt in allen vier Bereichen eine entscheidende Rolle. Die fünf Bereiche stellen jeweils einen so genannten Werkzeugkasten dar. Mit dieser können der Ist-Zustand und die Ziele des Unternehmens in Bezug auf Industrie 4.0 definiert werden. Jede Toolbox enthält wiederum Unterkategorien, die sogenannten Anwendungsebenen. Der Aufbau der Toolboxen orientiert sich am VDMA-Leitfaden Industrie 4.0 , da die Anwendbarkeit dieses Ansatzes bereits nachgewiesen werden konnte. Alle Toolkits bestehen aus verschiedenen Anwendungsebenen, die für die jeweilige Domäne wichtige Anwendungen abbilden, z. B. Condition Monitoring im Bereich Maschinen- und Anlagentechnik. Jede Anwendungsebene ist zusätzlich in sieben Entwicklungsstufen unterteilt, die den Innovationsgrad in den jeweiligen Anwendungen beschreiben. Die Unterteilung der Entwicklungsstufen orientiert sich am Industrie 4.0 Maturity Index.
Die sechs Stufen des Maturity Index bilden die Formen der Digitalisierung und Industrie 4.0 von der Computerisierung bis zur Adaptivität ab. Die Stufen 1 Computerisierung und 2 Konnektivität können aus dem bestehenden Maturity Index übernommen werden. Da der Maturity Index jedoch generell auf die gesamte Unternehmensstruktur abzielt, müssen die Definitionen der Stufen 3 bis 6 an die Produktion angepasst werden. Um Stufe 3 zu erreichen, müssen Sensoren in einen Prozess integriert werden, um Produkt- und Prozessdaten zu erfassen. In der anschließenden Stufe 4 wird die Prozess-Produkt-Wirkungsbeziehung ermittelt. In diesem Schritt wird der Einfluss eines Eingangsparameters auf einen Ausgangsparameter interpretiert. Mit Hilfe dieses Verständnisses kann auch ein digitaler Zwilling der Anlage oder des Prozesses erstellt und mit den Sensordaten verknüpft werden. Auf der nächsthöheren Ebene 5 wird der digitale Zwilling verwendet, um die Ausgangsparameter auf der Grundlage der verfügbaren Eingangsparameter vorherzusagen. Es besteht keine direkte Verbindung zur Anlage. In Level 6 werden die Einstellungen dann autonom von der Anlage vorgenommen. Um auch Fälle ohne Digitalisierung abdecken zu können, wird die Toolbox um eine Entwicklungsstufe 0 erweitert.
Durch die Methodik der Toolboxen ist der Anwender in der Lage, seine Produktion schnell, umfassend und klar differenziert hinsichtlich der Digitalisierung zu klassifizieren. Dabei können unterschiedliche Bereiche wie Logistik oder Verfahrenstechnik adressiert werden, da bestimmte Anwender oder Unternehmen unterschiedliche Schwerpunkte haben. So kann für den Maschinenhersteller eines Mischers die Prozessüberwachung im Vordergrund stehen, während für den Zellhersteller die Digitalisierung der Logistik besonders relevant ist. Neben der Statusanalyse kann auch ein zu erreichender Zielstatus definiert, visualisiert und kontinuierlich verfolgt werden. Darüber hinaus können aus den Entwicklungsschritten der Anwendungsebenen die notwendigen Schritte zur Erreichung des Zielzustandes abgeleitet werden. Die Toolboxen stellen somit das entscheidende Werkzeug für eine geführte und umfassende Umsetzung von Industrie 4.0 in der Batteriezellproduktion dar.
Um die verschiedenen Anwendungsebenen und Entwicklungsstufen der Batteriezellproduktion zu identifizieren, wurde eine umfassende Grundlagenanalyse der oben genannten Produktionsbereiche durchgeführt. Darüber hinaus wurde die Batteriezellproduktion analysiert, indem alle notwendigen Input- und Outputdaten sowie etablierte Prozess- und Digitalisierungstechnologien identifiziert und zusammengefasst wurden.
Durch das aktuell laufende „Dachkonzept Forschungsfabrik Batterie“ und verschiedene Batterie-Cluster-Initiativen des Bundesministeriums für Bildung und Forschung (BMBF) in Deutschland besteht eine intensive Zusammenarbeit zwischen allen in Deutschland tätigen Batterieinstituten. Ausgehend von der Zusammenarbeit im Cluster InZePro besteht ein enger Kontakt zu parallel laufenden Projekten. Darüber hinaus wurden öffentlich geförderte Projekte zur Batteriezellproduktion befragt, um den Zielzustand der Digitalisierung und Industrie 4.0 in der Batteriezellproduktion zu erfassen. Parallel dazu wurde das Wissen von Industrieunternehmen einbezogen, um den aktuellen Stand und die Defizite von Digitalisierung und Industrie 4.0 in der Industrie zu identifizieren. Das Spektrum der Unternehmen reichte dabei von Zellherstellern und Anlagenbauern bis hin zu Sensorikentwicklern im Batteriezellenbereich. Aus der Grundlagenanalyse, der Prozessanalyse und den Interviews ergab sich die Notwendigkeit, die einzelnen Produktionsbereiche in weitere Anwendungsebenen zu unterteilen. Dazu wurden die verschiedenen Themen aggregiert und geclustert. Die so entstandenen Cluster wurden in Anwendungsebenen überführt.
Insgesamt entstanden sovierzehn Anwendungsebenen, die mit dem vorgestellten Vorgehen zur Erstellung der Toolkits identifiziert wurden. So ergeben sich für den allgemeinen Werkzeugkasten die Anwendungsebenen Daten, Produkt und Unternehmensnetzwerk, die von allen vier produktionstechnischen Bereichen adressiert werden. Für die Toolbox Planung, Steuerung und Logistik wurden die drei Anwendungsebenen Produktionsplanung, Transport/Material und Lager identifiziert. Die Toolbox Maschinen- und Anlagentechnik umfasst die Kommunikation, die sich wiederum in Mensch-Maschine und Maschine-Maschine unterteilt, die Aktorik/Sensorik und die Instandhaltung zur Abbildung von Predictive Maintenance. Im Werkzeugkasten Qualitätsmanagement wurde die Qualitätssicherung und die Materialeingangs und Ausgangsprüfung eingeführt, die in Stufe 6 eigenständig abläuft. In der letzten der fünf Toolboxen, der Prozesstechnik, wurde der Prozess zur autonomen Einstellung der Prozesse entlang der Prozesskette und die Prozessüberwachung zur Optimierung der anlageninternen Prozessparameter beschrieben. Um anschließend die Entwicklungsstufen der einzelnen Anwendungsebenen zu bestimmen, wurden die identifizierten Anwendungsfälle der Digitalisierung aus den Interviews und der Grundlagenanalyse in der Batteriezellenproduktion abstrahiert und den einzelnen Stufen zugeordnet.

Der Digitalisierungsleitfaden setzt sich also aus Methodensammlungen, den sogenannten Toolboxen, in den vier Bereichen Maschinen- und Anlagentechnik, Qualitätsmanagement, Prozesstechnik sowie Planung, Steuerung und Logistik zusammen. Damit werden alle produktionsrelevanten Bereiche der Batteriezellenfertigung vollständig abgedeckt. Mit Hilfe der Toolboxen sollen Technologien in bestehenden Batteriezellenproduktionen ganzheitlich verortet und bewertet werden, um Digitalisierung und Industrie 4.0 schnell und systematisch in Anlagen und Prozessketten einzuführen und darüber hinaus auch die Entwicklung neuer Ideen für zukünftige Anlagengenerationen zu unterstützen. Neben der Steigerung der Wettbewerbsfähigkeit führt dies zu einer verbesserten Prozess- und Anlagenüberwachung, die unter anderem Ausschuss vermeidet und damit die Ressourceneffizienz erhöht.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

Werkzeugkasten 1

Werkzeugkasten 2

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

Beratungsangebot an Unternehmen zur zielgerichteten Digitalisierung im Kontext der Batteriezellproduktion

Ansprechpartner: Prof. Dr.-Ing. Jürgen Fleischer

Karlsruher Institut für Technologie (KIT)
wbk Institut für Produktionstechnik
Kaiserstraße 12, 76133 Karlsruhe
Tel.: +49 721 608 – 44009
E-Mail-Adresse: Juergen.Fleischer@kit.edu
www.wbk.kit.edu

Projektpartner

  • Karlsruher Institut für Technologie (KIT)
    wbk Institut für Produktionstechnik
    Kaiserstr. 12, 76131 Karlsruhe
    Vertreten durch Prof. Dr.-Ing. Jürgen Fleischer
    www.wbk.kit.edu

  • Rheinisch-Westfälische Technische Hochschule Aachen
    Production Engineering of E-Mobility Components (PEM)
    Bohr 12, 52072 Aachen
    Vertreten durch Prof. Dr.-Ing. Achim Kampker
    www.pem.rwth-aachen.de

  • Technische Universität Braunschweig
    Institut für Werkzeugmaschinen und Fertigungstechnik (IWF)
    Langer Kamp 19b, 38106 Braunschweig
    Vertreten durch Prof. Dr.-Ing. Klaus Dröder
    www.tu-braunschweig.de/iwf

  • Technische Universität München
    Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
    Boltzmannstr. 15, 85748 Garching b. München
    Vertreten durch Prof. Dr.-Ing. Rüdiger Daub
    www.mec.ed.tum.de/iwb

Zurück zur Übersicht

Weiterlesen

DataBatt

Integration horizontaler Datenstrukturen in der Batterieproduktion

DataBatt

Motivation

Durch den Einsatz von Digitalisierungsansätzen ist es möglich, flexible Anlagentechnik prozessspezifisch zu steuern, Anomalien in der Produktion zu erkennen und Produktionskosten durch Verkürzung von Einfahrprozessen und Steigerung der Gesamtanlageneffektivität (OEE) zu reduzieren. Einen wesentlichen Bestandteil bei der Anwendung solcher Digitalisierungsansätze bilden eine umfassende Datengrundlage und eine technologieübergreifend Erfassung von Daten aus den Maschinen und Anlagen innerhalb der Batteriezellproduktion. Die generierten Datenmengen ermöglichen dabei durch Methoden der Mustererkennung eine Erhöhung der Produktivität und Ausbringung der Zellproduktion. Durch eine Integration von horizontalen Datenstrukturen können Informationen prozessübergreifend nutzbar gemacht werden. Dies ist eine elementare Anforderung an die Digitalisierung der Produktion und Voraussetzung für die effiziente und nachhaltige Anwendung von Digitalisierungsansätzen wie z.B. Methoden der Mustererkennung.

Projektinhalt

Die Vision des Forschungsvorhabens besteht in einer systematischen Datenverwertung über die einzelnen Technologieketten hinaus und darin, eine standardisierte Datenbereitstellung für virtuelle Produktionssysteme zu schaffen sowie innovative Anlagentechnik durch prozessübergreifende Datenstrukturen zu befähigen. Mangelnde Standards stellen Anlagenhersteller und -betreiber bei der direkten oder indirekten Erfassung von Daten und bei der Datenaufbereitung und-speicherung vor große Herausforderungen. Durch die Bereitstellung von horizontalen Datenstrukturen mit entsprechender Nutzung von Inline-Sensorik können neben einzelnen Prozessen die gesamte Produktionssteuerung optimiert und die Produktqualität durch Predictive Quality erhöht werden. Dafür ist es notwendig, eine durchgängige Einbindung und Anwendung von Daten entlang der gesamten Prozesskette zu ermöglichen.

Projektziele

Das Forschungsziel des Projekts DataBatt ist die Optimierung der Batteriezellproduktion durch Vereinfachung und Standardisierung der Datenaufnahme, um basierend auf diesen Produktionsdaten Effizienzsteigerung und Ausschussreduktion zu erwirken. In der aktuellen Forschungslandschaft sind die Ursache-Wirkungs-Zusammenhänge von Produktionsparametern und deren Einfluss auf Qualitätsindikatoren sowie die daraus resultierende Prozessstabilität nur begrenzt identifiziert und publiziert. Diese Zusammenhänge sind Gegenstand intensiver Forschung. Ein wesentlicher Bestandteil des Projekts DataBatt ist die datenbasierte Analyse solcher Ursache-Wirkungs-Beziehungen, beziehungsweise insbesondere die Vorbereitung von Daten, welche in der Produktion generiert werden. Dies schließt sowohl Prozess- als auch Produktdaten sowie Maschinendaten ein.
Ein zentrales Element von DataBatt ist die digitale Anbindung von Produktionsequipment und die Extraktion von Daten in geeigneter Qualität, wie Vollständigkeit. Dies stellt in der Batteriezellproduktion eine große Herausforderung dar, insbesondere aufgrund der großen Anzahl an Prozessschritten, unterschiedlichen Anlagenlieferanten und dem Fehlen von Kommunikationsstandards. Das Ziel des Projekts ist es daher, horizontale Datenstrukturen und standardisierte Schnittstellen zu entwickeln, um die digitale Anbindung zu vereinfachen. Dies ermöglicht einen einfacheren Austausch von Anlagen, z. B. von verschiedenen Herstellern und erleichtert die Übertragbarkeit von Daten und Erkenntnissen von einer Produktionsstätte auf eine andere Produktionslinie. Dadurch soll eine effizientere, flexiblere und transparentere Batteriezellproduktion ermöglicht werden, die einen wesentlichen Beitrag zur Bewältigung der Klimakrise leisten kann.

Kontakt

Prof. Dr.-Ing. Achim Kampker
Rheinisch-Westfälische Technische Hochschule Aachen
Production Engineering of E-Mobility Components (PEM)
Bohr 12, 52072 Aachen
Tel.: +49 241 80 27406
E-Mail: a.kampker@pem.rwth-aachen.de

Projektlaufzeit

01.11.2020-30.04.2024

Themenfeld

Digitalisierung

Förderkennzeichen

03XP0323A

Technologietransfer

Das Forschungsziel des Projekts DataBatt ist die Optimierung der Batteriezellproduktion durch Vereinfachung und Standardisierung der Datenaufnahme, um basierend auf diesen Produktionsdaten Effizienzsteigerung und Ausschussreduktion zu erwirken. In der aktuellen Forschungslandschaft sind die Ursache-Wirkungs-Zusammenhänge von Produktionsparametern und deren Einfluss auf Qualitätsindikatoren sowie die daraus resultierende Prozessstabilität nur begrenzt identifiziert und publiziert. Diese Zusammenhänge sind Gegenstand intensiver Forschung. Ein wesentlicher Bestandteil des Projekts DataBatt ist die datenbasierte Analyse solcher Ursache-Wirkungs-Beziehungen, beziehungsweise insbesondere die Vorbereitung von Daten, welche in der Produktion generiert werden. Dies schließt sowohl Prozess- als auch Produktdaten sowie Maschinendaten ein.
Ein zentrales Element von DataBatt ist die digitale Anbindung von Produktionsequipment und die Extraktion von Daten in geeigneter Qualität, wie Vollständigkeit. Dies stellt in der Batteriezellproduktion eine große Herausforderung dar, insbesondere aufgrund der großen Anzahl an Prozessschritten, unterschiedlichen Anlagenlieferanten und dem Fehlen von Kommunikationsstandards. Das Ziel des Projekts ist es daher, horizontale Datenstrukturen und standardisierte Schnittstellen zu entwickeln, um die digitale Anbindung zu vereinfachen. Dies ermöglicht einen einfacheren Austausch von Anlagen, z. B. von verschiedenen Herstellern und erleichtert die Übertragbarkeit von Daten und Erkenntnissen von einer Produktionsstätte auf eine andere Produktionslinie. Dadurch soll eine effizientere, flexiblere und transparentere Batteriezellproduktion ermöglicht werden, die einen wesentlichen Beitrag zur Bewältigung der Klimakrise leisten kann.

Der aktuelle Stand der Technik in der Digitalisierung der Batteriezellproduktion ist ein komplexes und vielschichtiges Feld, das sich durch die fortschreitende Integration digitaler Technologien in die verschiedenen Produktionsphasen kennzeichnet. Ausschnitte aus der Produktion sind in Abbildung 1 bis 3 am Beispiel der Pilotlinie des PEM zu sehen. Die Batteriezellproduktion gliedert sich in die drei Hauptabschnitte Elektrodenfertigung, Zellassemblierung und Formierung, die wiederum in mindestens 15 Prozessschritte unterteilt sind. Ein wesentliches Merkmal dieser Produktion ist die Nutzung von Anlagen unterschiedlicher Maschinen- und Anlagenbauer, was zu einer Vielfalt an Schnittstellen und Kommunikationsprotokollen führt.
Diese Heterogenität stellt eine Herausforderung für die digitale Anbindung und Datenextraktion dar. OPC UA etabliert sich als ein Standard für die industrielle Kommunikation, jedoch fehlt es in der Zellproduktion an einem spezifischen Standard wie der Companion Specification. Ein weiteres Kernproblem ist das Fehlen eines vollumfassenden Datenabbildes der Zellproduktion, welches für das Verständnis der Ursache-Wirkungs-Zusammenhänge und zur Reduzierung von Ausschussraten essenziell wäre.
Die Lösung dieser Herausforderungen erfordert eine umfassende Digitalisierungsstrategie, die sowohl die Harmonisierung der Schnittstellen und Kommunikationsprotokolle als auch die Entwicklung von standardisierten Datenmodellen und -plattformen umfasst. Dies würde nicht nur eine effizientere Datenerfassung und -nutzung ermöglichen, sondern auch die Basis für fortschrittliche Analysemethoden bilden, die zur Optimierung der Produktionsprozesse und zur Qualitätssteigerung beitragen können.
Insgesamt steht die Industrie vor der Aufgabe, die digitale Transformation in der Batteriezellproduktion voranzutreiben. Für eine wettbewerbsfähige Produktion am Standort Europa muss die Effizienz gesteigert und die Produktqualität verbessert werden. Nur so kann ein entscheidender Beitrag zur Bewältigung globaler Herausforderungen wie der Energiewende und dem Klimaschutz geleistet werden.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

Im Rahmen des Forschungsprojekts DataBatt wurden entscheidende Fortschritte in der Digitalisierung der Batteriezellproduktion erzielt. Zunächst wurden umfassende Anforderungen an eine Datengrundlage geschaffen. Dazu wurden die relevanten Informationen aus der Batteriezellproduktion gesammelt, strukturiert und in einer Ontologie semantisch verknüpft. Diese Daten, geordnet nach Prozessschritten und kategorisiert nach Typ wie Materialdaten, Prozessparameter und Qualitätsmerkmale, sind essenziell für die Produktqualität und Prozesseffizienz. Das Ergebnis ist eine Liste, welche unterteilt nach Prozessabschnitten (Elektrodenfertigung, Assemblierung, Finalisierung) und Prozessschritten relevante Parameter aufführt. Diese Liste wurde zur Validierung mit dem gesamten InZePro-Cluster geteilt und das Feedback entsprechend ergänzt.
Weiterhin erfolgte die Entwicklung von Software zur Realisierung einer Datenpipeline von der Maschinen- bis auf die Datenanalyseebene (zu sehen in Abbildung 4). Ziel dieser Software ist die effiziente, automatisierte Umsetzung von Datenanalyse-Use Cases. So sollen die Daten aus der Produktion automatisiert aufbereitet und gespeichert werden, sodass Algorithmen für die Analyse direkt auf diese zugreifen können. Dazu wurde ein DataLake für die Datenspeicherung sowie eine Middleware zur vereinfachten Extraktion von Daten in der Zellproduktion entwickelt. Im DataLake kann auf Basis einer entwickelten Basis-Ontologie eine prozessspezifische Ontologie abgeleitet. Dies bedeutet, dass abhängig von der vorliegenden Produktionskette Prozessschritte inklusive zugehöriger Datenpunkte in der Ontologie hinzugefügt oder entfernt werden können. In der Ontologie werden Datenpunkte mit Metadaten, bspw. Verortung in der Prozesskette und verwendeter Einheit, angereichert. Anschließend kann die Ontologie in die Middleware geladen werden. In dieser werden die Daten aus der Ontologie mit den Datenpunkten aus der Produktion verknüpft. Dazu greift die Middleware auf einen bereits vorhandenen OPC UA Server zu. Anschließend können die Daten, angereichert mit den Metadaten, aus der Middleware zurück in den DataLake gestreamt werden, wodurch die effiziente Datennutzung für automatisierte Analysen ermöglicht wird. Dieser Ansatz erlaubt es, Daten unabhängig vom Prozessschritt oder Anlagenhersteller strukturiert und maschinenlesbar zu speichern, wie Abbildung 5 zeigt.
Die praktische Anwendung der entwickelten Datenstrukturen wurde bereits im Bereich der Elektrodenfertigung demonstriert. Hier ermöglicht die Technologie eine automatisierte Erkennung und Gruppierung von Defekten in Beschichtungsprozessen, wie Abbildung 6 zeigt. Weitere Anwendungsfälle, wie die Analyse vom Einfluss von Prozessparametern in der Beschichtung und beim Kalandern auf die Präzision bei der Vereinzelung, werden aktuell durchgeführt (siehe Abbildung 7). Die Software ist dabei so gestaltet, dass diese nicht spezifisch für eine Produktionslinie ist, sondern universell eingesetzt werden kann, solange ein OPC UA Server vorliegt. Der Data Lake ist webbasiert und somit ebenfalls unabhängig von Design und Ort der Produktionslinie. Zum Nachweis wird dieselbe Dateninfrastruktur sowohl an der RWTH Aachen (PEM) als auch am KIT (wbk) eingesetzt.
Diese Ergebnisse markieren einen signifikanten Fortschritt in der Digitalisierung der Batteriezellproduktion. Sie tragen dazu bei, die Effizienz zu steigern, die Produktqualität zu verbessern und ermöglichen ein tieferes Verständnis der komplexen Prozessabläufe. Die Forschungsergebnisse aus dem DataBatt-Projekt stellen somit einen wichtigen Schritt hin zu einer intelligenten, datengesteuerten Produktionstechnologie dar.

  • Abbildung 4

  • Abbildung 5

  • Abbildung 6

  • Abbildung 7

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

Data Health Check:
Umfassende Prüfung des Status Quo von Daten und Parametern innerhalb der Produktionsprozesse. Ableiten von Handlungsempfehlungen, die auf eine datenbasierten Optimierung Ihrer Produktions-abläufe abzielen zur Steigerung der Prozesseffizienz.

Ansprechpartner: Prof. Dr.-Ing. Achim Kampker

PEM der RWTH Aachen
Bohr 12, 52072 Aachen
Tel.: +49 241 80 27406
E-Mail-Adresse: a.kampker@pem.rwth-aachen.de


Data Pipline aaS (as a Service):
Auslegung und Umsetzung einer end-to-end (von Datenakquise bis Datenanalyse) Datenpipeline für einen kundenspezifischen, datengetriebenen Use Case. Dadurch wird der Data-Engineering-Aufwand reduziert und datengetriebene Produktion möglich.

Ansprechpartner: Prof. Dr.-Ing. Achim Kampker

PEM der RWTH Aachen
Bohr 12, 52072 Aachen
Tel.: +49 241 80 27406
E-Mail-Adresse: a.kampker@pem.rwth-aachen.de


Workshop „Smart Battery Manufacturing“:
Beratung für Maschinen- & Anlagenbauer zur optimalen Aus- & Nachrüstung ihrer Anlagen (Hard- & Software-Sicht) für verbessertes Leistungsangebot im Hinblick auf datenbasierte Produktion.

Ansprechpartner: Prof. Dr.-Ing. Achim Kampker

PEM der RWTH Aachen
Bohr 12, 52072 Aachen
Tel.: +49 241 80 27406
E-Mail-Adresse: a.kampker@pem.rwth-aachen.de

Projektpartner

  • Rheinisch-Westfälische Technische Hochschule Aachen
    Production Engineering of E-Mobility Components (PEM)
    Bohr 12, 52072 Aachen
    Vertreten durch Prof. Dr.-Ing. Achim Kampker
    www.pem.rwth-aachen.de

  • Rheinisch-Westfälische Technische Hochschule Aachen
    Lehrstuhl für Informationsmanagement im Maschinenbau (IMA)

    Dennewartstr. 27, 52068 Aachen
    Vertreten durch Prof. Dr. phil. Ingrid Isenhardt
    www.cybernetics-lab.de

  • Karlsruher Institut für Technologie (KIT)
    wbk Institut für Produktionstechnik
    Kaiserstr. 12, 76131 Karlsruhe
    Vertreten durch Prof. Dr.-Ing. Jürgen Fleischer
    www.wbk.kit.edu

  • Fraunhofer-Einrichtung Forschungsfertigung Batteriezelle FFB
    Bergiusstraße 8, 48165 Münster
    Vertreten durch Prof. Dr.-Ing. Achim Kampker
    www.ffb.fraunhofer.de

  • Helmholtz-Institut Ulm
    Elektrochemische Energiespeicherung (HIU)
    Helmholtzstr. 11, 89081 Ulm
    Vertreten durch JunProf. Dr.-Ing. Helge S. Stein
    www.hiu-batteries.de

Zurück zur Übersicht

Weiterlesen

GranuProd

Granulatbasierte Einschritt-Elektrodenproduktionsanlage mit intelligenter Produktionsregelung

GranuProd

Motivation

Das neuartige Produktionssystem der granulatbasierten Beschichtung integriert die Teilschritte Beschichten, Trocknen und Verdichten in einer Anlagentechnik („Einschrittanlage“) und reduziert somit deutlich Investitions- und Betriebskosten gegenüber der bislang üblichen Herstellung von Elektroden. Hohe Trocknungskosten werden durch eine deutliche Reduktion des Lösemittelanteils von mindestens 10 bzw. 25 Gew.-% für Kathoden bzw. Anoden minimiert, was zusätzlich zu einem wesentlich geringeren Global Warming Potential (GWP)/CO2-Footprint und damit zu einer höheren ökologischen Effizienz der Produktionstechnologie führt. Dabei wird bewusst ein geringer Anteil an Lösemittelrest verwendet, um eine leichtere Handhabung während der Dispergierung (Kaltextrusion) zu ermöglichen und eine definierte Porenstruktur während der Trocknung gezielter einstellen zu können. Darüber hinaus dienen im Gegensatz zu suspensionsbasierten, traditionellen Beschichtungsprozessen Granulate aus einem energieeffizienten Extruderprozess als Eingangsmaterialien. Deren Lagerstabilität ist mit mehreren Wochen im Vergleich zu wenigen Stunden der üblich eingesetzten Suspensionen deutlich größer, sodass eine zeitliche und räumliche Entkopplung der Ausgangsmaterialherstellung (bzw. der gekoppelten Geschäftsmodelle) ermöglicht wird. Hierdurch wird eine höhere Flexibilität der Produktion, bspw. hinsichtlich schwankender Auftragslage und hoher Produktvarianz, aber auch eine vollständige Entkopplung der Geschäftsfelder Material- und Elektrodenherstellung ermöglicht.

Projektinhalt

Innerhalb des Projektes „GranuProd“ werden die aus dem BMBF-Projekt „HEMkoop” entwickelten Kenntnisse zur hochviskosen Beschichtung von Granulaten im Kalanderspalt vertieft und in ein hochskaliertes Anlagensystem übersetzt. Dadurch wird das Technology Readiness Level (TRL) dieser neuartigen Beschichtungstechnik von 3 auf 5-6 erhöht. Die Trocknung der erzeugten Schichten aus Granulaten mit geringer Porosität wird unter definierten Laborbedingungen am TFT (KIT) untersucht. Der daraus resultierende Wissensgewinn wird in Kombination mit den Betriebs- und Inlinemessdaten der Anlagentechnik genutzt, um am iPAT einen intelligenten digitalen Zwilling zur Anlagenregelung zu entwickeln. Die Konzeption und die Umsetzung der Regelungsstrategie durch Ansteuerung und Verschaltung der Betriebsparameter und einer geeigneten Inline-Messsensorik unter Zuhilfenahme des entwickelten digitalen Zwillings erfolgen federführend durch das iwb.

Projektziele

Wesentlicher Kern des Kompetenzclusters „Intelligente Batteriezellproduktion“ ist die Reduzierung der Produktionskosten und die Erhöhung der Produktqualität von Batteriezellen über eine neuartige und innovative Anlagen- und Regelungstechnik. Diesbezüglich werden innerhalb des Projektes GranuProd am IPAT (TUBS-AK) die aus dem BMBF-Projekt „HEMkoop” entwickelten Kenntnisse zur hochviskosen Beschichtung von Granulaten im Kalanderspalt vertieft und in ein hochskaliertes Anlagensystem übersetzt, wodurch das Technology Readiness Level (TRL) dieser neuartigen Beschichtungstechnik von 3 auf 5-6 erhöht wird. Die Trocknung der erzeugten Schichten aus Granulaten mit geringer Porosität wird unter definierten Laborbedingungen am TFT (KIT) untersucht. Der daraus resultierende Wissensgewinn wird in Kombination mit den Betriebs- und Inlinemessdaten der Anlagentechnik genutzt, um am iPAT (TUBS-CS) einen intelligenten digitalen Zwilling zur Anlagenregelung basierend auf datengetriebenen Methoden des maschinellen Lernens in Kombination mit existierenden Short-cut Modellen zur Schichttrocknung zu entwickeln. Die Konzeption und die Umsetzung der Regelungsstrategie durch Ansteuerung und Verschaltung der Betriebsparameter und einer geeigneten Inline-Messsensorik unter Zuhilfenahme des entwickelten digitalen Zwillings erfolgt federführend durch das iwb (TUM). Die auf Basis von Betriebsparameter- und (intelligenter) Regelungsvariation gefertigten Elektroden werden in Form von großformatigen Pouch-Zell-Demonstratoren (bis 5 Ah) am iwb verbaut, um den neuen Prozess und die zugehörige Regelung inklusive Prozessschwankungen und -unsicherheiten hinsichtlich einer verbesserten Elektrodenqualität zu bewerten.

Dabei ist das Gesamtziel des Verbundprojektes, eine integrierte Anlagentechnik mit eigenständiger, intelligenter Regelungsstrategie für das Produktionssystem zur „Granulatbasierten-Einschritt-Elektrodenproduktion“ zu schaffen. Dieses neuartige Produktionssystem integriert die Teilschritte Beschichten, Trocknen und Verdichten in einer Anlagentechnik („Einschrittanlage“) und reduziert somit deutlich Investitions- und Betriebskosten gegenüber der bislang üblichen Herstellung von Elektroden. Hohe Trocknungskosten werden durch eine deutliche Reduktion des Lösemittelanteils von mindestens 10 bzw. 25 Gew.-% für Kathoden bzw. Anoden minimiert, was zusätzlich zu einem wesentlich geringeren Global Warming Potential/CO2-Footprint und damit einer höheren ökologischen Effizienz der Produktionstechnologie führt. Dabei wird bewusst ein geringer Anteil an Lösemittelrest verwendet, um eine leichtere Handhabung während der Dispergierung (Kaltextrusion) zu ermöglichen und eine definierte Porenstruktur während der Trocknung gezielter einstellen zu können. Darüber hinaus dienen im Gegensatz zu suspensionsbasierten, traditionellen Beschichtungsprozessen Granulate aus einem energieeffizienten Extruderprozess als Eingangsmaterialien. Deren Lagerstabilität ist mit mehreren Wochen im Vergleich zu wenigen Stunden der üblich eingesetzten Suspensionen deutlich größer, sodass eine zeitliche und räumliche Entkopplung der Ausgangsmaterialherstellung (bzw. der gekoppelten Geschäftsmodelle) ermöglicht wird. Hierdurch wird eine höhere Flexibilität der Produktion, bspw. hinsichtlich schwankender Auftragslage und hoher Produktvarianz, aber auch vollständige Entkopplung der Geschäftsfelder Material- und Elektrodenherstellung eröffnet. Bei der Trocknung tritt keine Schichtschrumpfung und somit im Idealfall keine Komponentenentmischung (Binder/Ruß) auf, wie es bei aktuellen Produktionen der Fall ist. Der Durchsatz wird damit von der Produktqualität entkoppelt und deutlich gesteigert. Bezüglich der Produktvarianz realisiert die adressierte Produktionstechnologie gegenüber der aktuellen Technologie einen gerichteten, einmaligen Schichtaufbau und eine anlagentechnisch besser kontrollierbare Elektrodenqualität. Der Aufbruch und stochastische Neuformierung von fixierten Binder-/Leitrußpfaden nach der Trocknung durch die anschließende Kalandrierung kann hierbei vollständig vermieden werden.

Kontakt

Prof. Dr.-Ing. Arno Kwade
Technische Universität Braunschweig
Institut für Partikeltechnik (iPAT)
Volkmaroderstr. 5, 38104 Braunschweig
Tel.: +49 531 391 9610
E-Mail: a.kwade@tu-braunschweig.de

Projektlaufzeit

01.01.2021-30.06.2024

Themenfeld

KI in der Produktion

Förderkennzeichen

03XP0344A

Technologietransfer

Konventionelle Beschichtungsverfahren für Elektroden in Lithium-Ionen-Batterien wie etwa Rakel- oder Schlitzdüsenbeschichtung erfordern typischerweise niedrige Feststoffgehalte (45-50 Gew.-%) und Viskositäten (normalerweise zwischen 4-8 Pa s bei einer Scherrate von 100 s-1). Diese Parameter resultieren in langen Trocknungszeiten und führen zu hohen Energie- und Investitionskosten. Bei solchen Verfahren besteht aufgrund des hohen Lösungsmittelanteils die Möglichkeit der Entmischung von Elektrodenbestandteilen mit geringerer spezifischer Dichte. Diese Entmischung kann die mechanischen Eigenschaften und die Ladungsübertragungsfähigkeit beeinträchtigen. Aus diesen Gründen wurden alternative Prozessentwicklungen für lösungsmittelfreie Beschichtungstechnologien bei Lithium-Ionen-Batterien und anderen Festkörperbatterien durchgeführt.
Das hier präsentierte Verfahren nutzt geringe Restmengen an Lösungsmitteln, um eine dispergierbare Elektrodenpaste in einem kontinuierlichen Dispergierprozess (Extruder) zu handhaben und die für die Lithium-Ionen-Diffusion notwendige Porosität zu erzeugen. Die im BMBF-Projekt „HEMkoop“ entwickelte Material-/Prozesstechnologie verwendet minimale Lösungsmittelanteile, um sowohl die Verarbeitungseffizienz im kontinuierlichen Extruder zu verbessern als auch den Verschleiß der Maschine zu reduzieren. Für Elektroden von All Solid State Batterien (ASSB) erscheint auch ein lösungsmittelfreier Ansatz vielversprechend. Die Herausforderung in diesem Forschungsvorhaben besteht darin, Trocknungsstrukturen zu behandeln, die aufgrund des niedrigen Lösemittelgehalts voraussichtlich keine Filmschrumpfung mehr erfahren. Die neuartige Porenstruktur könnte sich positiv auf die Bindermigration auswirken, da weniger große Poren vorhanden sind, die vom Substrat bis zur Filmoberfläche reichen.
Im Zusammenhang mit dem Beschichtungsprozess haben Selivanov et al. eine Kombination von Methoden der Künstlichen Intelligenz (KI) und Fuzzy-Logik vorgestellt, um eine optimale Beschichtungstechnologie mit definierten Eigenschaften auszuwählen. Cunha et al. haben verschiedene KI-Methoden auf den Kathodenherstellungsprozess angewendet, um Deskriptoren der Endelektrode vorherzusagen. Im Bereich der Batterieelektrodenherstellung gibt es jedoch kaum Studien zur intelligenten Prozessregelung, bei der mechanistische Modelle mit datengetriebenen Methoden des maschinellen Lernens kombiniert werden. Eine durchgehende Verschaltung von Extrudieren, Beschichten und anschließender Trocknung mit Regelungs- und Kontrolltechnik wurde bisher nicht umgesetzt. Eine Prozessregelung basierend auf einem digitalen Zwilling könnte jedoch aufgrund des vorhandenen Wissens über die physikalischen Vorgänge beim Beschichten und Trocknen zielgerichtet entwickelt werden.
Auf Patentebene hat die Anzahl von Patenten, insbesondere aus dem asiatischen Raum, in den letzten Jahren stark zugenommen. Diese Patente beziehen sich hauptsächlich auf das Design der Schneckengeometrie oder die Zuführung und Entgasung der Suspension, nicht jedoch auf die Produktion von Granulaten und deren Weiterverarbeitung. Patente zur Regelung der Elektrodensuspension mittels Methoden des maschinellen Lernens sind ebenfalls begrenzt. Ein Beispiel ist die Verschaltung des Misch- und Beschichtungsprozesses über eine KI-Regelung zur Effizienzsteigerung. Patente zur Kombination von KI-Regelung mit mechanistischen Short-cut-Modellen sind bisher nicht bekannt.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

  • Abbildung 4

Der Energieverbrauch insbesondere in den Teilprozessen der Beschichtung und Trocknung konnte durch den semi-trockenen Prozess signifikant reduziert werden, was anhand des Vergleichs mit dem konventionellen Prozess in Abbildung 1 zu erkennen ist. Der hohe Energieverbrauch des konventionellen Referenzverfahrens ist größtenteils auf die Erwärmung konvektiver Trockner und die anschließende Behandlung des verdampften Lösungsmittels NMP zurückzuführen. Dieser Verbrauch ist beim semitrockenen Verfahren aufgrund des reduzierten Lösungsmittelgehalts, hauptsächlich bestehend aus Wasser, erheblich geringer. Zudem wird die energieeffizientere konduktive Erwärmung anstelle der konvektiven Erwärmung verwendet. Konduktive Trocknung ermöglicht die Übertragung größerer Energiemengen auf die feuchte Elektrode innerhalb eines kürzeren Zeitrahmens im Vergleich zu konvektiven Methoden. Dies führt zu erhöhten Trocknungsraten (um etwa einen Faktor von 2) und verkürzten Trocknungszeiten.

Im Fall der niedrigviskosen Referenzsuspension können Sedimentationsphänomene auftreten, die zu einem Verteilungsgefälle von inaktiven und aktiven Materialien führen. Die initiale Form der Granulate im halbtrockenen Verfahren ist bereits konsolidiert, was jegliche Entmischung auch bei hohen Trocknungsraten verhindert. Zusätzlich entfallen Energie-, Investitions- und Platzbedarf für das Kalandrieren aufgrund der genannten Prozessintegration.

Dennoch ist zu beachten, dass diese Energiemessungen unter Verwendung von Geräten erfolgten, die einem maximalen TRL-Niveau von 4 bis 5 entsprechen. Daher sind die Daten möglicherweise nicht direkt auf den industriellen Maßstab übertragbar. Darüber hinaus sind wasserbasierte Alternativen zur konventionellen LFP-Verarbeitung auf dem neuesten Stand der Technik, was die Notwendigkeit der NMP-Verarbeitung und die damit verbundenen Energiekosten eliminiert. Dennoch zeigen die Bedeutsamkeit und Klarheit der Ergebnisse eine erhebliche Energieeinsparung im halbtrockenen Verfahren (eine relative Reduktion von etwa 80%), die in Verbindung mit reduzierten Investitions- und Platzanforderungen auf industrieller Ebene deutlich relevant ist.

In ersten Trocknungsuntersuchungen wurden nach dem GranuProd-Prozess hergestellte Elektroden unterschiedlich schnell getrocknet. Anschließend erfolgte die Ermittlung der Adhäsionskraft zwischen Elektrode und Substratfolie. Diese kann als indirektes Maß für die bei ungünstigen Trocknungsbedingungen stattfindende Bindermigration dienen. Für SoA-Elektroden nimmt für gewöhnlich die Haftkraft für höhere Trocknungsraten ab [*Altvater et al. DOI: 10.1002/ente.202200785]. Bei den untersuchten GranuProd-Elektroden zeigte sich im Vergleich zu den ebenfalls mittels IR-Strahlers getrockneten SoA-Elektroden lediglich eine geringe Haftkraftabnahme bei zehnfach schnellerer Trocknung (Abbildung 2).

In experimentellen Untersuchungen wurde der Einfluss von Prozessparametern wie Granulatgröße, Walzentemperatur, Produktionsgeschwindigkeit und Spaltweiten untersucht und deren Einfluss auf Elektrodeneigenschaften analysiert. In einem vorher definierten Versuchsplan wurden automatisiert unterschiedliche Prozessparameterkombinationen über die Datenschnittstelle OPC UA variiert und gleichzeitig Produktionsdaten aufgezeichnet und in einer Datenbank gespeichert. Die semi-trocken-produzierten Elektroden wurden sowohl mechanisch (Flächenbeladung, Schichtdicke, Porosität, Haftfestigkeit) als auch elektrochemisch (Leitfähigkeitsmessungen, Zelltests) charakterisiert. Dadurch konnten Prozess-Produkt-Korrelationen identifiziert werden, die Prozessparameter-Vorhersagen für bestimmte Elektrodeneigenschaften zulassen. Abbildung 3 zeigt eine positive Korrelation der Flächenbeladung mit der Produktionsgeschwindigkeit.

Die systematisch erzeugten Datensätze werden zusätzlich zum Training und späterer Anwendung von KI-Modellen verwendet. Hieraus folgen Vorhersagen zu bestimmten Produktparametern wie der Flächenbeladung oder Schichtdicke aus Prozessparametern wie bspw. der Produktionsgeschwindigkeit oder Spaltweiten der Kalanderwalzen, um eine weitergehende Prozessoptimierung zu ermöglichen. Dafür wurde ein umfangreiches Framework aus Kombinationen von Genetischen Algorithmen und Neuronalen Netzwerken entwickelt. Dieses soll ermöglichen, dass eine hohe Genauigkeit der Vorhersagen auch bei geringen Datensätzen gewährleistet wird. Dabei stützt sich die KI-Vorhersage zusätzlich auf von symbolischer Regression erstellte Gleichungsmodellen, welche im ein besseres Prozessverständnis ermöglichen. Die Abbildung 4 zeigt ein Paritätsdiagramm zur Vorhersage der Flächenbeladung der verschiedenen Methoden aus Versuchsdaten sowie die jeweiligen R² der Modelle. Bei hoher Genauigkeit der Modelle werden diese dann als Basis einer Regelungsstrategie verwendet.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

  • Abbildung 4

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

ML-basierte Prozessmodellierung in Kombination mit DEM/CFD-Simulationsmodellen. Umsetzung einer Anlagenregelung über OPC-UA-Schnittstelle und digitalem Zwilling.

Ansprechpartner: Prof. Dr. Carsten Schilde

Technische Universität Braunschweig (TUBS-CS)
Institut für Partikeltechnik (IPAT)
Franz-Liszt Str. 35A, 38104 Braunschweig
Tel.: 0531/39165551
E-Mail-Adresse: c.schilde@tu-braunschweig.de

Ansprechpartner: Prof. Dr.-Ing. Rüdiger Daub

TUM – Technische Universität München
iwb – Institut für Werkzeugmaschinen
und Betriebswissenschaften
Boltzmannstr. 15, 85748 Garching b. München
Tel.: +49 89 289 15504
E-Mail-Adresse: rüdiger.daub@iwb.tum.de


Der semi-trockene Prozess ermöglicht die Integration der Teilprozessschritte Beschichten, Trocknen und Verdichten. Zugleich schafft die sedimentationstabile granulare Form der dispergierten Form eine örtliche und zeitliche Entkoppelung des Dispergier- und Beschichtungsprozesses.

Ansprechpartner: Prof. Dr.-Ing. Arno Kwade

Technische Universität Braunschweig (TUBS-AK)
Institut für Partikeltechnik (iPAT)
Volkmaroder Straße 5, 38104 Braunschweig
Tel.: +49 (0)531 391 9610
E-Mail-Adresse: a.kwade@tu-braunschweig.de


Untersuchung von Trocknungsraten und Trocknungsverhalten (umfassende Analyse) von trocknungsbedingten Strukturen.

Ansprechpartner: Prof. Dr.-Ing. Wilhelm Schabel

Karlsruher Institut für Technologie (KIT)
Thin Film Technology (TFT)
Straße am Forum 7, 76131 Karlsruhe
Tel.: +49 (0)721-608 45348
E-Mail-Adresse: wilhelm.schabel@kit.edu

Ansprechpartner: Dr.-Ing. Philip Scharfer

Karlsruher Institut für Technologie (KIT)
Thin Film Technology (TFT)
Straße am Forum 7, 76131 Karlsruhe
Tel.: +49 (0)721-608 45348
E-Mail-Adresse: philip.scharfer@kit.edu

Projektpartner

  • Technische Universität Braunschweig
    Institut für Partikeltechnik (iPAT)
    Volkmaroderstr. 5, 38104 Braunschweig
    Vertreten durch Prof. Dr.-Ing. Arno Kwade und Prof. Dr.-Ing. Carsten Schilde
    www.tu-braunschweig.de/ipat

  • Karlsruher Institut für Technologie (KIT)
    Thin Film Technology (TFT)
    Kaiserstr. 12, 76131 Karlsruhe
    Vertreten durch Prof. Dr.-Ing. Wilhelm Schabel
    www.tft.kit.edu

  • Technische Universität München
    Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
    Boltzmannstr. 15, 85748 Garching b. München
    Vertreten durch Prof. Dr.-Ing. Rüdiger Daub
    www.mec.ed.tum.de/iwb

Zurück zur Übersicht

Weiterlesen

InForm

Entwicklung intelligenter Formieranlagen zur Optimierung und Diagnose von Zelleigenschaften

InForm

Motivation

Die sich während der Formierung bildenden Grenzschichten (SEI und CEI) sind maßgeblich für die Performanz, Sicherheit und Langlebigkeit einer Batterie entscheidend. Die Formierung ist allerdings ein enorm zeit-, energie- und daraus folgend kostenintensiver Produktionsschritt in der Forschung wie auch in der Industrie. Da die Formierung an Zellchemie und individuelle Zellparameter gebunden ist, ist auch eine individuelle Optimierung der Formierung nötig. Diese individuelle Optimierung kann mittels einer KI realisiert werden. Diese intelligente beschleunigte Formierung kann die Anlaufzeit reduzieren, den Ausschuss an Zellen verringern, kürzere Belegzeiten zur Folge haben und insgesamt zu einer höheren Energieeffizienz, auch beim Endverbraucher, führen.

Projektinhalt

Anhand der elektrochemischen Zellcharakterisierung verschiedener Batteriegrößen werden im Projekt „InForm“ Daten generiert, mit deren Hilfe Modelle erstellt und mit einer KI verknüpft werden. Damit soll die Formierung anschließend live beeinflusst werden können, um einen möglichst optimalen und effizienten Formierprozess in kürzester Zeit zu ermöglichen. Dabei sollen auch die Formierungen verschiedener Batterietypen der Projektpartner über eine Anbindung an das Modell optimiert werden können. Die Anbindung erfolgt in enger Kooperation mit ThyssenKrupp, das die API (Application Programming Interface) entwickelt hat. Durch ein besseres KI-basiertes Verständnis der Formierung und der ablaufenden Prozesse sowie ihrer Auswirkung auf Qualitätskennwerte der hergestellten Zellen soll die Alterung der Zellen hinsichtlich Entladekapazität und Innenwiderstand verbessert und eine geringere Streubreite in der Zellqualität erzielt werden.

Projektziele

Maßgeschneiderte Batterien mit automatisierter Qualitätsbeurteilung sind der Schlüssel zu einer intelligenten und hochproduktiven Formierung für eine konkurrenzfähige Batterieproduktion höchster Qualität am Industrie 4.0 Standort Deutschland. Die Formierung ist der letzte Produktionsschritt, welcher maßgeblich über die spätere Leistung, Sicherheit und Langlebigkeit der Zelle entscheidet. Dabei gilt er als sehr kostenintensiv aufgrund seiner Dauer.
Dieses Projekt hat das Ziel mittels zweier intelligenter Optimierungskreisläufe die Formierung zu beschleunigen und qualitativ zu optimieren. Hierbei wird mittels KI und physiko-chemischem Modell aktiv in die Formierung eingegriffen, um einen sicheren Prozess zu gewährleisten (z.B. Verhindern der Über-/Unterschreitung der Temperatur der Elektroden) und positive Zelleigenschaften zu erzielen. Im Projekt entwickelte Zelldiagnosemethoden sollen bereits während der Formierung eine Abschätzung der Zellqualität ermöglichen, um frühzeitig Ausschuss zu identifizieren zu können.
Mittels InForm soll gezeigt werden, dass es möglich ist bei verkürzten Prozesszeiten langlebige Batterien zu formieren und bedarfsgerechte Formierungsprozeduren beschleunigt zu entwickeln.

Kontakt

Prof. Dr. Maximilian Fichtner
Helmholtz-Institut Ulm
Solid-State Chemistry
Helmholtzstraße 11, 89081 Ulm
Tel.: +49 (0731) 50 34201
E-Mail: maximilian.fichtner@kit.edu

Projektlaufzeit

01.03.2021-31.08.2024 (beantragt)

Themenfeld

KI in der Produktion

Förderkennzeichen

03XP0363A

Technologietransfer

Die ersten Lade- und Entladezyklen einer Lithium-Ionen-Batterie während der Formierung haben einen entscheidenden Einfluss auf die Performance, Alterung und Sicherheit. Aufgrund des niedrigen Potentials der negativen Elektrode wird der Elektrolyt zersetzt und bildet dabei die passivierende Solid-EIectrolyte-Interphase (SEI). Mit den Prozessparametern der Formierung sollen die strukturellen und morphologischen Eigenschaften der SEI kontrolliert eingestellt werden, um die Zelleigenschaften und Prozessdauer positiv zu beeinflussen. Dabei besteht die SEI-Schicht aus mehreren Phasen, welche insgesamt die Eigenschaften bestimmen. Es existieren nur vereinzelt Studien zum Einfluss der Prozessparameter wie Temperatur, Stromdichte, Spannungsprofile und diverser Materialien. Eine systematische Untersuchung und Diskussion des Einflusses der Prozessparameter während der Formierung fehlt. Dabei hat die Wahl der Formierstrategie einen entscheidenden Einfluss auf die SEI-Schichtmorphologie und damit auf Zelleigenschaften, wie z.B. die Alterungseigenschaften. Es gibt bereits erste Modellierungsansätze zur Berücksichtigung der SEI-Schicht als homogene Schicht oder als Multiskalenmodellierung auf Basis der Monte Carlo Methode zur Simulation der Schichtstruktur. Nachteilig an solchen Modellen ist jedoch eine komplexe und aufwendige Modellparametrierung und oftmals nicht direkt validierbare Ergebnisse. Konventionelle molekular-dynamische Modelle sind auf sehr kurze Zeitskalen begrenzt und können daher nicht für Simulationen von technisch relevanten Prozesszeiten eingesetzt werden. Im Gegensatz dazu ermöglichen physikalische Ersatzschaltbildmodelle mit intrinsischen Zustandsinformationen die Simulation und Prädiktion von internen Zelleigenschaften.

Außerdem können solche Modelle auch dazu genutzt werden, um die maximalen Betriebsgrenzen während der Formierung zu bestimmen, welche keine schädliche Degradationseffekte hervorrufen.
Bevor die Formierung beginnen kann, müssen die Elektroden und der Separator bereits ausreichend mit Elekrolyt durchtränkt sein, welches durch lange Benetzungszeiten von bis zu 24 h realisiert wird. Die Elektrolytbenetzung erfolgt in der Regel mehrstufig und führt mit herkömmlichen Standard-Formierprozeduren zu Prozesszeiten von bis zu sieben Tagen. Mithilfe von experimentellen Anpassungen durch Erhöhung der Stromrate, Reduzierung der Anzahl von Formierzyklen oder Verringerung der Entladeladetiefe nach initialer Ladung wurden kürzere Formierzeiten von ca. 26 h, 21 h und 14 h erreicht, ohne die Zellqualität dabei negativ zu beeinträchtigen. Die Prozesszeiten sind dabei vom verwendeten Zellmaterial und Zellformat abhängig und bilden die Bandbreite des aktuellen Stands der Wissenschaft und das Effizienzsteigerungspotenzial ab. Aufgrund der langen Durchlaufzeiten sowie hohen Prozess- und Anlagenkosten bietet die intelligente
Optimierung der Formierung z.B. über sequentielles Lernen oder Modelle mit Unsicherheitsquantifizierung eine exzellente Forschungsthematik für dieses Projekt. Im Rahmen des Projektes InForm sollen durch KI-gestützte live-Prozessoptimierung und mittels physiko-chemischer Batteriemodelle Prozesszeiten verkürzt, Zelleigenschaften gezielt verbessert und prädiktive Diagnosemethoden von Zelleigenschaften entwickelt werden. Die Kombination von physiko-chemischen Modellen und KI zur optimierten Formierung von Zelleigenschaften ist bisher nicht Gegenstand von Veröffentlichungen oder Forschungsprojekten gewesen. Zelleigenschaften sollen durch adaptive Formierprozeduren gezielt eingestellt und auf Prozessschwankungen in den vorgelagerten Prozessen der Zell- und Elektrodenherstellung verändert werden. Dazu ist ein tiefergehendes Prozessverständnis notwendig, dass mit der konventionellen Messtechnik nicht erfasst wird. Dieses Verständnis soll durch neue, außerhalb der Prozesskette erfolgende Untersuchungen bzgl. neuer Messmethoden und Automatisierung unternommen werden, damit aussagekräftige Modelle zum Verhalten der Zellcharakteristika erstellt werden können. Eine optimierte Formierung mit kürzeren Durchlaufzeiten und höherer Qualität könnte für die Produktion von Batterien am Industriestandort Deutschland einen deutlichen Wettbewerbsvorteil verschaffen.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

  • Abbildung 4

Zur Erforschung und Datenaufnahme der Formierung wurden am ZSW Elektroden für alle Partner in großem Maßstab beschichtet und verteilt. Mittels dieser Elektroden und einer entwickelten Referenzformierung konnte ein Benchmarking Datensatz über verschiedene Zellformate (PHEV1, Pouch- und Knopfzellen) aufgenommen und veröffentlicht werden. Ebenfalls darin enthalten sind Daten zum Langzeitverhalten der Zellen. Diese und weitere Daten bilden die Basis für das im Projekt zu entwickelnde KI-Modell zur Reduzierung der Formierdauer.

Verschiedenste Formierstrategien wurden bei allen Partnern erprobt und untersucht (siehe Abbildung 1).
Einige Formierstrategien konnten erfolgreich hinsichtlich Zeitreduktion bei gleichbleibender Zellqualität und Lebenszeit getestet werden. Für eine dieser Strategien wurde ein Patent eingereicht.

Für die Kopplung von KI und Modell wurde am elenia ein physiko-chemische Modell basierend auf einem Ersatzschaltbild der Zelle entwickelt, welches mit der Spannung als Eingangsparameter einen Ladestrom errechnet. Dieser Ladestrom sorgt für ein positives Anodenpotential und so zur Vermeidung Lithium-Plating. Dieser Schädigungsmechanismus ist eine der Hauptursachen für eine verringerte Lebensdauer der Zellen.
Dieses Modell wurde bereits mehrfach in Publikationen verwendet.

Mittels am elenia durchgeführten optischer in-situ Messungen konnten neben dem Lithium-Plating auch andere Schädigungsmechanismen während der Formierung erkannt werden (siehe Abbildung 2). Dadurch konnten schädliche Ströme und in verschiedenen Spannungsbereichen identifiziert werden.

Am ZSW konnte ebenfalls mittels CT-Analyse Qualitätsschwankungen von Zellen erkannt und ihre Ursachen (z.B. Faltenwurf der Elektroden, Swelling der Elektroden) identifiziert werden.

Mittels verschiedener post-mortem und post-Formierung Analysen Methoden (optisch, XPS) konnten bei allen Partnern das Lithium-Plating als einflussreichsten Schädigungsmechanismus identifiziert werden und Verbindungen zur Formierung identifiziert werden.

Zur Bestimmung der Zellqualität wurde am PEM EIS-Messtechnik in den Formierungsprozess integriert, welche es ermöglicht ohne Unterbrechung der Formierung Impedanzspektren aufzunehmen. Mit Hilfe der Impedanzspektren kann ein elektrisches Ersatzschaltbild der Batteriezelle parametrisiert werden und die Veränderung des Ersatzschaltbildes und damit der Zelleigenschaften über den Formierungsprozess dargestellt werden. Insbesondere ist die Darstellung des elektrischen Widerstandes der SEI-Schicht (siehe Abbildung 3) gut beobachtbar, wodurch sich Rückschlüsse auf die Qualität der Batteriezelle schließen lassen.

In enger Zusammenarbeit des HIU, ZSW und deren Anlagenhersteller ThyssenKrupp wurden Datenschnittstellen zur Datenübertragung und eingeschränkter Steuerung der Formieranlage entwickelt, um den Eingriff der KI in die Formierung zu ermöglichen.

Die KI wird zunächst den Strom vorhersagen, dieser wird dann mittels des elenia Modells überprüft, um Lithium-Plating zu vermeiden. Bei erfolgreicher Prüfung wird der Strom an die Steuerung übertragen, bei erfolgloser Prüfung wird das Ergebnis mittels Feedback-Loop an das Modell übertragen und erneut ein neuer Strom vorhergesagt (siehe Abbildung 4).

Hieraus sollen optimale Stromprofile für die Formierung entstehen, welche eine kürzere Formierdauer bei gleichbleibender oder verbesserter Qualität und Lebensdauer aufweist. Die Ergebnisse der integrierten KI inclusive Modell in der Anlage des ZSW folgen noch.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

  • Abbildung 4

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

Mit Hilfe der am PEM der RWTH bereitstehenden Anlagen können Elektroden von Industrieunternehmen elektrisch charakterisiert werden. Dabei kann insb. auf eine elektrochemische-Impedanzspektroskopie während des Formierungsprozesses zurückgegriffen werden. Das PEM der RWTH Aachen kann bei der Auslegung und innovativen Prozessen der Zellfinalisierung Unternehmen beratend zur Seite stehen.

Ansprechpartner: Prof. Dr.-Ing. Achim Kampker

Lehrstuhl für Production Engineering of E-Mobility Components
Bohr 12, 52074 Aachen
Tel.: +49 241 80-27406
E-Mail-Adresse: a.kampker@pem.rwth-aachen.de
www.wbk.kit.edu


Das Angebot beinhaltet die Entwicklung und Bereitstellung einer optimierten Formierstrategie in Abhängigkeit der kunden- bzw. elektrodenspezifischen Eigenschaften und Anforderungen. Mithilfe des entwickelten Live-Eingriff auf die Prozessparameter kann die Formierungsdauer dabei signifikant verkürzt werden, ohne die Zellqualität zu reduzieren. Eine umfassende elektrochemische Analyse von kundenspezifischen Elektroden kann ebenfalls optional angeboten werden.

Ansprechpartner: Dr. Wolfgang Braunwarth

Fachgebietsleitung Produktionsforschung (ECP)
Zentrum für Sonnenenergie- und Wasserstoff-Forschung
Baden-Württemberg (ZSW)
Lise-Meitner-Straße 24 D-89081 Ulm
Tel.: +49 731 9530 562
Mobil: +49 162 2915 632
E-Mail-Adresse: wolfgang.braunwarth@zsw-bw.de


Optische in-situ und post-mortem Analysen der Formierung zur Identifikation potentiellen Lithium-Platings. Dabei können sicherheitskritische Schädigungsmechanismen vermieden, sowie die Qualität und Lebensdauer der Zellen gesteigert werden.

Ansprechpartner: Dr. Michael Kurrat

elenia Institut
Technische Universität Braunschweig
Tel.: +49 531 391 7735
E-Mail-Adresse: m.kurrat@tu-braunschweig.de

Projektpartner

  • Helmholtz-Institut Ulm
    Elektrochemische Energiespeicherung (HIU)
    Helmholtzstr. 11, 89081 Ulm
    Vertreten durch JunProf. Dr.-Ing. Helge S. Stein
    www.hiu-batteries.de

  • Technische Universität Braunschweig
    Institut für Hochspannungstechnik und Elektrische Energiesysteme (elenia)
    Schleinitzstr. 23, 38106 Braunschweig
    Vertreten durch Prof. Dr.-Ing. Michael Kurrat
    www.tu-braunschweig.de/elenia

  • Rheinisch-Westfälische Technische Hochschule Aachen
    Production Engineering of E-Mobility Components (PEM)
    Bohr 12, 52072 Aachen
    Vertreten durch Prof. Dr.-Ing. Achim Kampker
    www.pem.rwth-aachen.de

  • Fraunhofer-Gesellschaft
    Institut für Produktionstechnik und Automatisierung (IPA)
    Nobelstr. 12, 70569 Stuttgart
    Vertreten durch Prof. Dr.-Ing. Dipl. Kfm. Alexander Sauer
    www.ipa.fraunhofer.de

  • Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg (ZSW)
    Produktionsforschung (ECP)
    Lise-Meitner-Str. 24, 89081 Ulm
    Vertreten durch Dr. Wolfgang Braunwarth
    www.zsw-bw.de

Zurück zur Übersicht

Weiterlesen

InMiTro

Intelligentes Mischen und Trocknen

InMiTro

Motivation

Nach aktuellem Stand der Technik ist die Qualitätssicherung für die Prozesse Mischen und Trocknen unzureichend implementiert und basiert in hohem Maße auf Empirik. Durch fehlende Analysemethoden ist das Verständnis der Prozesse Mischen und Trocknen der Beschichtung sowie deren Wechselwirkung limitiert. Rückschlüsse auf den Misch- bzw. Trockenprozess sowie auf potenzielle Fehlerursachen können erst durch eine elektrochemische Auswertung der Zellen nach den zeit- und kostenintensiven Produktionsprozessen gezogen werden. Auch die Einflüsse der Atmosphäre bei der Lagerung von Pulvermaterialien sind nicht ausreichend untersucht, sodass keine klaren Anforderungen an die Atmosphäre im Lagerraum bekannt sind. Um sicherzugehen, werden in der Industrie oftmals hochkonditionierte Atmosphären eingesetzt, die nur durch einen hohen Energie- und Kostenaufwand aufrechterhalten werden können.

Projektinhalt

Mit Hilfe innovativer Inline-Messmethoden und Anlagentechnik wird im Rahmen des Projektes „InMiTro“ ein Gesamtkonzept zur Qualitätssteigerung und Vertiefung des Verständnisses der Prozessschritte Pulverhandhabung, Mischen und Trocknen und ihrer Zusammenhänge erzeugt. Neben einer umfassenden Untersuchung der Umgebungsbedingungen beim Pulverhandling wird auch eine allgemeine Analysemethode zur Bestimmung der Mischqualität entwickelt, die eine Übertragbarkeit auf unterschiedliche Material- und Mischsysteme ermöglicht. Der Trocknungsprozess wird durch den Einsatz eines Infrarot-Flächenlasers erweitert, welcher den gezielten, intensiven Energieeintrag zu bestimmten Zeitpunkten während des Trocknungsprozesses ermöglicht. Zusätzlich wird ein kombinierter Nahinfrarot-Wirbelstromsensor zur Inline-Überwachung des Trocknungszustandes entwickelt.
Das Projekt konzentriert sich somit auf drei qualitäts- und kostenkritische Aspekte in der Batteriezellproduktion und zielt darauf ab, durch die Bereitstellung von Analysemethoden, Anlagentechnik und Prozessverständnis einen wesentlichen Beitrag zu einer wirtschaftlich und ökologisch nachhaltigen Batterieproduktion zu leisten.

Projektziele

Um die meist unklaren Anforderungen an die Atmosphäre im Lagerraum zu adressieren, sollen für unterschiedliche Pulvermaterialien kostengünstige Lagermöglichkeiten identifiziert werden. Durch umfangreiche Lagerversuche wird das Degradationsverhalten der Materialien, abhängig von den Lagerbedingungen und -dauern, untersucht. Hierdurch wird eine Präzisierung der Anforderung an die Atmosphäre beim Lagern und Handling von Pulvermaterialien angestrebt, sodass die Produktionskosten durch reduzierten Energieaufwand bei der Luftaufbereitung bzw. Bereitstellung von Inertgasatmosphäre gesenkt werden können. Die Ergebnisse sollen in einem Lagersystemkonzept zusammengefasst werden, wobei unterschiedliche Produktionsszenarien und Durchsät­ze berücksichtigt werden. Das Lagersystemkonzept soll einem Anwender bei der Fabrikplanung dienen, um die Rohstofflagerung kosten- und energiesparend für eine materialflexible Klein-, Mittel- oder Großserienproduktion auszulegen.

Die Implementierung von Inline-Sensorik ermöglicht ein erweitertes Prozessverständnis, um Anomalien im Mischprozess frühzeitig zu erkennen bzw. zu vermeiden. Durch eine Analysemethode, die die Mischgüte definiert und auf Messdaten (Viskosität, Partikelgrößenverteilung, Drehmoment, Temperatur, etc.) aus dem Prozess basiert, kann der Mischprozess zielgerichtet gesteuert werden, sodass eine Verringerung des Zeit- und Energieaufwands erwartet wird. Um den zeitabhängigen Verlauf der Viskosität im Mischprozess zu untersuchen und darüber die Mischgüte zu validieren, wird am IKTS ein neuartiger, kommerzieller Sensor zur Viskositätsmessung evaluiert und im Mischprozess integriert. Solche kontinuierlichen Sensoren kommen aktuell nicht zum Einsatz, daher erfolgen Viskositätsmessungen nur prozessbegleitend.

Um die Problematik der fehlenden Sensorik zur Überwachung der Elektrodenqualität während der Trocknung zu beheben, soll im Projekt ein kombinierter Wirbelstrom- und Nahinfrarot-spektroskopischer Sensor aufgebaut werden. Erste Laborversuche haben gezeigt, dass mit dem Wirbelstromverfahren das Perkolationsverhalten und mit der Nahinfrarot-Spektroskopie der Feuchtegehalt im Elektrodenmaterial während des Trocknungsprozesses verfolgt werden kann. Die prinzipielle Machbarkeit der Überwachung des Trocknungsprozesses mit dem Wirbelstromverfahren wurde somit bereits gezeigt.
Der Neuheitsgrad dieser Inline-Sensorik liegt in der Kombination der beiden Prüfverfahren und der Applikation Batterie. Mit dem Wirbelstromverfahren soll das Perkolationsverhalten/Ausbildung der Elektrodenmorphologie während der Trocknung und mit den Nahinfrarot-Sensoren der Feuchtegehalt detektiert werden. Es wird anvisiert, über den Feuchtegehalt Rückschlüsse auf die Porenentleerung zu ziehen. Dadurch könnten kritische Trocknungsetappen während des Prozesses Inline bestimmt werden.
Durch diesen kombinierten in-situ-Sensor soll eine intelligente Anlagensteuerung über Anpassung der Trocknungsprofile ermöglicht werden. Im Rahmen des Projektes werden hierzu Flächenlasermodule eingesetzt, da deren Temperaturregelung mit minimalem Zeitversatz angepasst werden kann. Durch das innovative Zusammenspiel mit der neu entwickelten Sensorik stellt dieses Anlagenkonzept eine ideale Ergänzung zu den bislang verwendeten Trocknungsverfahren dar. Die zusätzlichen Analysemethoden beider Prozesse erlauben eine Korrelation des Trocknungsverhaltens, insbesondere der Bindermigration, mit dem Mischprozess.

Kontakt

Prof. Dr.-Ing. Rüdiger Daub
Technische Universität München
Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)

Boltzmannstr. 15, 85748 Garching b. München
Tel.: +49 89 289 15504
E-Mail: ruediger.daub@iwb.tum.de

Projektlaufzeit

01.01.2021-30.06.2024

Themenfeld

Innovative agile Anlagentechnik

Förderkennzeichen

03XP0345A

Technologietransfer

Nach aktuellem Stand der Technik ist eine Inline-Überwachung der Prozesse Mischen und Trocknen zur Qualitätssicherung nur unzureichend implementiert. Die Prozessierung basiert in hohem Maße auf Empirik. Durch die fehlende Inline-Messtechnik ist das Prozessverständnis limitiert, sodass wenig in-situ-Daten über die Einzelprozesse Mischen und Trocknen und insbesondere deren Wechselwirkungen vorliegen. Erst die elektrochemische Auswertung der Zellen nach den zeit- und kostenintensiven Produktionsprozessen ermöglicht Rückschlüsse auf den Misch- bzw. Trockenprozess und potenzielle Fehlerursachen. Dies limitiert bisher die Anwendung von Methoden der Industrie 4.0 bei der Produktionssteuerung. Daher ist eine frühe Charakterisierung der Suspensions- und Elektrodeneigenschaften während des Fertigungsprozesses entscheidend für eine ausschussarme, energieeffiziente Batteriefabrik. Aus der Wissenschaft ist bekannt, dass fehlerhafte Prozesse (z. B. zu geringer Rußaufschluss beim Mischen oder zu hohe Trocknungsge schwin­digkeiten) zu einer deutlichen Verschlechterung der C-Raten- und Zyklenstabilität aufgrund von Binder- und Leitrußgradienten in der Elektrode führen. Es wurden bereits Analysemethoden zur Suspension­scharakterisierung beschrieben, die jedoch nicht mit den Zelleigenschaften korreliert wurden. Zudem fehlt die Integration in eine bestehende Anlage zur kontinuierlichen Analyse. Auch im Rahmen des ProZell-Projekts MultiDis wurden Untersuchungen zur Verbesserung der Suspensionsqualität angesetzt. Diese stützten sich aber vorrangig auf Simulationen, sodass eine experimentelle Untersuchung noch aussteht.

Es ist bekannt, dass Pulvermaterialien in der Batterieproduktion in Normalatmosphäre degradieren. Neben einer geringeren Kapazität kann dies auch zur Gelierung im Mischprozess führen. Diese Phänomene werden vor allem bei nickelreichen Kathodenmaterialien z. B. NMC811 beobachtet. Zwar wurden bereits Studien angesetzt, die beschreiben, wie diese Materialien degradieren, allerdings können daraus keine geeigneten Lagerbedingungen abgeleitet werden. Häufig werden in der Industrie als Vorsichtsmaßnahme Inertgasatmosphären eingesetzt oder das gesamte Lager in Trockenraumumgebung versetzt, um feuchtesensitive, hochnickelhaltige Kathodenmaterialien zu lagern, ohne die notwendige Reinheit der Atmosphäre zu kennen.

Darüber hinaus gibt es aktuell keine Inline-Messtechnik zur Überwachung des Trocknungsvorganges während der Elektrodenherstellung. Einzig Lösungsmittelsensoren oder Oberflächentemperaturmessungen mittels Infrarot-Pyrometer werden teilweise in den Anlagen bzw. an der Abluft verbaut. Diese haben allerdings nicht das Ziel, die Qualität der Elektroden zu überwachen, sondern dienen lediglich dem Monitoring des Lösemittelgehalts und sind relevant für den Explosionsschutz (ATEX). Für das WS-Verfahren und der Nahinfrarot-Spektroskopie konnte in ersten Laborversuchen gezeigt werden, dass das Perkolationsverhalten bzw. der (Wasser‑) /Feuchtegehalt im Elektrodenmaterial während des Trocknungsprozesses verfolgt werden kann. Damit konnte die prinzipielle Machbarkeit der Überwachung des Trocknungsprozesses mit dem Wirbelstromverfahren bereits nachgewiesen werden.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

  • Abbildung 4

Zur Analyse der Umgebungsanforderungen für die Lagerung von Pulvermaterialien wurden Pulverlagerexperimente mit den Aktivmaterialien NMC622, NCA und NMC811 durchgeführt und deren Degradationsverhalten untersucht. Hierfür wurde ein Pulverhandhabungssystem ausgelegt und beschafft, um die Inertisierung der Prozesskette sicherzustellen, sodass die Untersuchungen gezielt durchgeführt werden können. Die Versuchsdurchführung bestand aus der Lagerung der Aktivmaterialien in Umgebungsatmosphäre sowie in weiteren definierten Atmosphären für jeweils unterschiedliche Zeiträume, der anschließenden Elektrodenherstellung, dem Bau von Knopfzellen und der abschließenden Kapazitätsbestimmung mittels Zelltests. Bei NMC622 zeigte sich in den betrachteten Versuchszeiträumen kaum ein Einfluss der Atmosphäre während der Lagerung auf die spezifische Entladekapazität nach Formierung, wohingegen bei NCA und NMC811 ein deutlicherer Einfluss der Lagerungsatmosphäre festgestellt wurde. Zu den Lagerexperimenten wurden zudem Sorptionsmessungen durchgeführt. Die Ergebnisse deuten bei den Aktivmaterialien NCA und NMC622 auf eine verstärkte Wasseraufnahme in Stickstoffatmosphäre ab einer Taupunkttemperatur von 5 °C hin, was eine kritische Veränderung der Materialien darstellen kann.

Um für den Mischprozess geeignete Messmethoden zur Qualitätssicherung zu identifizieren, wurden verschiedene Slurry-Charakterisierungsmethoden getestet. Hierbei konnte neben den konventionellen Messmethoden der Viskositäts- und Partikelgrößenverteilungsmessung auch die Slurry-Impedanzmessung über elektrochemische Impedanzspektroskopie als vielversprechende Messtechnik ermittelt werden. Für letztere Messmethode ist darüber hinaus auch ein großes Potenzial zur Inline-Befähigung gegeben. Mit dieser Methode konnte eine Korrelation des elektrischen Slurry-Widerstands mit der Mischzeit erkannt werden, was als Grundlage für weitere Versuche dient.

Mithilfe der Viskositäts- und Partikelgrößenverteilungsmessung wurde schließlich eine Mischgütefunktion erarbeitet, die die Mischgüte bzw. Homogenität des Slurrys während des Mischprozesses beschreibt. Diese basiert auf experimentellen Daten, welche im statischen Zustand erfasst wurden (Abbildung 1). Für zukünftige Arbeiten in Nachfolgeprojekten ist die Überführung in ein kontinuierliches System eine interessante Fragestellung.
Darüber hinaus wurde ein Dissolver für die Inline-Viskositätsmessung von Elektroden-Slurry modifiziert und mit entsprechender Anlagentechnik erweitert, sodass eine kontinuierliche Überwachung der Viskosität während des Mischprozesses ermöglicht wurde (Abbildung 2). Es zeigte sich, dass die Viskositätstrends im Allgemeinen konsistent mit der offline-Messung sind, jedoch ergeben sich für bestimmte Mischabschnitte größere Abweichungen, sodass hier eine eingehendere Untersuchung erforderlich wird.

Entwickelt wurde darüber hinaus ein multisensorisches Messystem (Messrohr) auf Basis der akustischen Spektroskopie (Ultraschall) und der induktiv elektrischen Impedanzspektroskopie (HF-Wirbelstrom). Mit beiden Verfahren kann von außen durch das Rohr gemessen werden, sodass die Sensorik selbst dem Slurry-Strom nicht ausgesetzt ist. Voraussetzung für die induktiv elektrische Impedanzspektroskopie ist die Verwendung eines nichtmetallischen Materials (POM, Teflon oder Keramik) für das Prüfrohr. Der Innendurchmesser des Prüfrohres kann an das vorhandene Rohrsystem angepasst werden, um Strömungshindernisse zu verhindern. Zur Ansteuerung der Ultraschall- und der induktiven Sensoren kommt die am Fraunhofer IKTS verwendete PCUS ®- und EddyCus®-Prüfelektronik zum Einsatz. Diese kann flexibel parametriert und an unterschiedliche Materialsysteme angepasst werden.

Bei den Offline-Messungen konnten die Auswirkungen des Mischens auf die Slurry-Eigenschaften und die elektrochemischen Eigenschaften der Elektrode erörtert werden. Hierbei konnte der Feststoffgehalt als größter Einfluss auf die Slurry-Viskosität identifiziert werden, während Mischparameter wie Mischzeit und -geschwindigkeit einen geringeren Einfluss aufwiesen.

Zur Untersuchung des Trocknungs-Monitorings wurden zwei Lösungsansätze auf Basis der abbildenden Wirbelstromprüfung entwickelt und erprobt.
Zum einen wurden Wirbelstrom-Sensoren entlang eines Trocknungstunnels installiert. Die beschichtete Elektrodenfolie läuft dabei mit geringem Spalt, berührungslos unter den WS-Sensoren entlang. Über eine Auswertung der elektrischen Impedanz kann eine Aussage zum Grad der Perkolation hergestellt werden. Die so generierten Messdaten erlauben eine in-situ-Bewertung des Trocknungszustandes und der Ausbildung der elektrischen Eigenschaften.
Der zweite entwickelte Ansatz verwendet ein ortsauflösendes Wirbelstrom-Sensor-Array, welches quer zur Bewegungsrichtung der Elektrode eingesetzt wird (Abbildung 3). Somit kann nach der Schichttrocknung ortsaufgelöst der Schichtwiderstand und damit die Homogenität der Flächenbeladung geprüft werden.

Für weiterführende Trocknungsversuche wurde ein Infrarot-Laser (Vertical Cavity Surface Emitting Laser) beschafft und charakterisiert (Abbildung 4). Die Durchführung von Trocknungsversuchen an Graphitanoden unter Variation der Leistung des Lasermoduls bestätigten den geringen Zeitversatz bei dessen Regelung und zeigten auf, dass die resultierende Trocknungsrate direkt an die Laserleistung gekoppelt ist. Eine Steigerung der Laserleistung führt zu einer Erhöhung der Trocknungsrate, wobei letztere durch Vorgabe einer definierten Leistung präzise und reproduzierbar eingestellt werden kann.

Die Charakterisierung der Elektrodenschichten ergab, dass mittels Vertical-Cavity-Surface-Emitting-Laser-Modul getrocknete Elektroden deutlich höhere Haftkräfte als konvektive Referenzanoden bei vergleichbarer Trocknungsgeschwindigkeit aufweisen. Im Hinblick auf die Produktionsgeschwindigkeit wurde eine Steigerung der Trocknungsrate um 280% bei gleicher Haftung wie die konvektivgetrocknete Referenz erreicht. Eine zusätzliche Steigerung der Trocknungsrate ohne negative Beeinträchtigung der Haftkraft konnte durch zweistufige Trocknungsprofile, in welchen der Energieeintrag an den Trocknungsfortschritt der Elektrode angepasst wurde, erzielt werden.

Darüber hinaus wurde ein digitaler Zwilling zur Beschreibung und Vorhersage des Trocknungsprozesses in Abhängigkeit der Struktur- und Prozessparameter entwickelt. Dieser ermöglicht eine flexible Trocknersteuerung bei wechselnden Materialparametern und dadurch einen effizienten Trocknerbetrieb.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

  • Abbildung 4

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

Unterstützung beim Pulverhandling feuchtesensibler Materialien, um möglichst kostengünstige Lösungen zur Lagerung zu finden.

Ansprechpartner: Prof. Rüdiger Daub

Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
Boltzmannstraße 15, 85748 Garching b. München
Tel.: +49 89 289-15504
E-Mail-Adresse: ruediger.daub@iwb.tum.de


System zum Inline-Monitoring von Elektrodensuspensionen mittels kontaktfreier akustischer und induktiv elektrischer Impedanzspektroskopie. Ortsauflösende Überwachung von Elektrodenflächen beim Trocknungsprozess mit Wirbelstromsensor-Arrays.

Ansprechpartner: Prof. Henning Heuer

Fraunhofer-Institut für Keramische Technologien und Systeme IKTS
Maria-Reiche-Str. 2, 01109 Dresden
Tel.: +49 351 88815-630
E-Mail-Adresse: henning.heuer@ikts.fraunhofer.de


Entwicklungsunterstützung bei der Lagerkonzeptionierung feuchtesensibler Pulvermaterialien sowie bei der Befähigung von Lasertrocknung, um Energieeffizienz in der LIB-Produktion zu erhöhen.

Ansprechpartner: Prof. Wilhelm Schabel

Thin Film Technology (TFT), KIT
Straße am Forum 7, 76131 Karlsruhe
Tel.: +49 (721) 608 29069
E-Mail-Adresse: wilhelm.schabel@kit.edu, philip.scharfer@kit.edu

Projektpartner

  • Technische Universität München
    Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
    Boltzmannstr. 15, 85748 Garching b. München
    Vertreten durch Prof. Dr.-Ing. Rüdiger Daub
    www.mec.ed.tum.de/iwb

  • Karlsruher Institut für Technologie (KIT)
    Thin Film Technology (TFT)
    Kaiserstr. 12, 76131 Karlsruhe
    Vertreten durch Prof. Dr.-Ing. Wilhelm Schabel
    www.tft.kit.edu

  • Fraunhofer-Gesellschaft
    Institut für Keramische Technologien und Systeme (IKTS)
    Abteilung Mobile Energiespeicher und Elektrochemie
    Winterbergstr. 28, 01277 Dresden
    Vertreten durch Dr.-Ing. Mareike Partsch
    www.ikts.fraunhofer.de

  • Fraunhofer-Gesellschaft
    Institut für Keramische Technologien und Systeme (IKTS)
    Abteilung für Prüf- und Analysesysteme
    Maria-Reiche-Str. 2, 01109 Dresden
    Vertreten durch Prof. Dr.-Ing. Henning Heuer
    www.ikts.fraunhofer.de

Zurück zur Übersicht

Weiterlesen

IntelliPast

Entwicklung eines intelligenten und autonomen Pastenproduktionsverfahrens

IntelliPast

Motivation

Das Forschungsprojekt „IntelliPast“ zielt darauf ab, die Produktionskosten zu senken und die Produktqualität von Batteriezellen zu erhöhen. Das Konzept setzt auf eine innovative und agile Anlagentechnik, die flexible Formate mit der Möglichkeit eines schnellen Rezepturwechsels für eine kontinuierliche Zellfertigung zulässt. Dies erfolgt vor dem Hintergrund einer nachhaltigen Produktion bei einem nur unbedingt notwendigen Rohstoffeinsatz mit dem Ziel, Rohstoffverschwendungen bzw. Pastenverluste zu minimieren. Die Prozessführungsstrategie basiert auf einem adaptiven, digitalen Konzept zur Gewährleistung einer hohen Qualität der Pasten bei höchstem Automatisierungsgrad und minimalem Energieeinsatz. Um einen Prozessbruch mit den nachfolgenden Prozessschritten zu vermeiden, stellt das kontinuierliche Mischen mittels eines Extruders eine empfehlenswerte Möglichkeit dar.

Projektinhalt

Die Mischtechnik zur Herstellung der Anoden- und Kathodenpasten ist ein wesentlicher Produktionsschritt der Batteriezellherstellung. Beim Mischen der Komponenten, im Allgemeinen bestehend aus Aktivmaterial, Leitfähigkeitskomponenten, Binder und Lösungsmittel mit eventuell weiteren Zusätzen, findet nicht nur eine Homogenisierung der Komponenten statt, sondern auch eine Strukturierung der Paste mit einem entscheidenden Einfluss auf die weitere Verarbeitung und die Qualität des Endprodukts.
Um eine hohe Gesamtanlageneffizienz sicherzustellen, wird eine Produktionssteuerung und -optimierung auf Basis eines digitalen Zwillings entwickelt, der selbst bei schwankender Auftragslage und hoher Produktvarianz eine robuste und reproduzierbare Produktion gewährleistet. Unter Einbeziehung von Grey-Box Modellen, welche aus einer Verknüpfung von parametrischen Methoden (White Box Modelle) mit datengetriebenen KI-Methoden (Black Box Modelle) entstehen, werden Prozessführungsstrategien zur Regelung des realen Prozesses bei Störfällen und Unsicherheiten entwickelt. Diese basieren auf einer laufenden Datenerfassung über eine Inline-Sensorik sowie auf der Kommunikation der Anlagen innerhalb der Prozesskette.

Projektziele

Das Ziel des Projektes ist es, die Erweiterung eines bestehenden Mischprozesses zu einem intelligenten, autonomen und kontinuierlichen Pastenproduktionsverfahren zu entwickeln. Hierbei steht die Identifikation relevanter Regelgrößen zum Rückschluss von Einflüssen auf den Dispersionsgrad im Vordergrund. Des Weiteren soll ein digitaler Zwilling entwickelt und eine Kopplung mit der Anlagensteuerung realisiert werden.

Die Motivation resultiert aus der Intention, eine autonome Ausführung von Produktions- und Reinigungsabläufen zu gewährleisten. Hierbei wird eine Reduktion von Stand- und Rüstzeiten erzielt, welche im Vergleich zum aktuellen Batch-Prozess quantifiziert werden sowie die Erhöhung des Automatisierungsgrades. Zusätzlich soll die Umsetzung einer komplexen Parameterwahl im Mischprozess beherrschbar für variable Rezepturen realisiert werden. Schließlich erfolgt die Entwicklung einer effizienten und ressourcenschonenden Prozesssteuerung.

Darüber hinaus liegt das Projektziel des Forschungsnetzwerks in der Stärkung der nationalen Batteriezellproduktion. Der hohe Automatisierungsgrad der Produktionsstraße ist ein wichtiger Aspekt zur signifikanten Steigerung der Fertigungskapazität bei zeitgleicher Verbesserung der Produktqualität. Dies ist ein wichtiger Schritt zur Festigung der Wettbewerbsfähigkeit der Batteriezellfertigung mit Standort in Deutschland.

Kontakt

Prof. Dr.-Ing. Hermann Nirschl
Karlsruher Institut für Technologie (KIT)
Institut für Mechanische Verfahrenstechnik und Mechanik (MVM)
Straße am Forum 8, 76131 Karlsruhe
Tel.: +49 721 608 42404
E-Mail: hermann.nirschl@kit.edu

Projektlaufzeit

01.01.2021-30.06.2024

Themenfeld

Digitalisierung

Förderkennzeichen

03XP0343A

Technologietransfer

Die Leistungsfähigkeit von Lithium-Ionen-Batteriezellen ist maßgeblich von der Struktur der Elektrodenschicht abhängig. Ein an die Rezeptur angepasster Dispergierprozess legt somit mit der Desagglomeration und der kontrollierten Zerkleinerung vorhandener Agglomerate einen wichtigen Grundstein für die optimale Struktur der Elektrode. Der internationale Stand der Technik, v.a. seitens der Industrie, ist nur schwer darstellbar, da die Technologie des Dispergierprozesses in Asien fast ausschließlich innerhalb der produzierenden Großunternehmen vorhanden ist.

Aktuell liegen keine dedizierten Qualitätsparameter für die Elektrodenherstellung vor. Abhängig von der hergestellten Batteriepaste im Mischprozess sind also keine Rückschlüsse auf die zu fertigende Batterie ausführbar. Daher sind nur qualitative Aussagen vorhanden, da gewisse Abhängigkeiten zu erahnen sind. Des Weiteren ist die Skalierbarkeit schwierig umzusetzen, da die Qualitätssicherung hierbei eine wichtige Rolle spielt.

Gegenwärtige Mischprozesse werden vorwiegend über eine Prozessierung im Batch ausgeführt, welche mit einem hohen Zeitaufwand verbunden sind. Neben der aufwendigen Reinigungszeit ist das Thema Ausschussreduktion ebenfalls von Bedeutung.

Ein Extruder zur kontinuierlichen Dispergierung wird zunehmend zur industriellen Massenproduktion genutzt, aber mit trockener batchweiser Vormischung und nachgeschaltetem Mischbehälter vor der Förderung zur Beschichtungsanlage. Die Attraktivität des Einsatzes eines Extruders liegt u.a. in der Möglichkeit, im kontinuierlichen Prozess Batteriepasten für den nachfolgenden Beschichtungsschritt zur Verfügung zu stellen. Darüber hinaus ermöglicht die Implementierung von In-situ-Messtechniken die Einbindung von digitalen Zwillingen und damit eine Prozessführungsstrategie für eine hochgradige Automatisierung und Prozessüberwachung.

Für die Automatisierung der Regelung von Misch- und Extrusionsprozessen allgemein wurde ein dynamisches Extruder-Geschwindigkeitsregelungsmodell demonstriert. Des Weiteren wurden weitere KI-gestützte Steuerungsmöglichkeiten zusammengefasst, wobei der Großteil auf schwer übertragbaren Varianten neuronaler Netze setzte. Zudem existieren Ansätze zur Temperaturregelung, u.a. auch mittels unscharfer genetischer Algorithmen.

Darüber hinaus sind vor allem im Bereich der Herstellung von Batterieelektroden keine Untersuchungen zur intelligenten Prozessregelung zu finden. Die durchgehende Verschaltung von Trockenmischen, kontinuierlichem Nassdispergieren und direkter Coater-Beschickung mit der notwendigen Mess-, Regelungs- und Steuerungstechnik ist bislang ebenfalls nicht realisiert worden. Hinzu kommt, dass die bisherige Regelung über Methoden des maschinellen Lernens rein datengetrieben erfolgt und daher bei Änderung in der Produktrezeptur oder Verwendung eines anderen Prozessaggregates keine Übertragbarkeit der Regelung möglich ist. Hierzu ist eine Kopplung mit Short-Cut-Modellen und ein physikalisches Verständnis der Vorgänge in Misch- und Extrudieraggregaten notwendig (‚Grey-Box-Modeling‘).

Hinsichtlich der Messtechnik existieren Messsysteme für eine offline -Bestimmung wichtiger Pastencharakterisierungsparameter (u.a. Viskosität, Partikeleigenschaften undelektrische Leitfähigkeit). Für eine autonome Betriebsweise sind jedoch In-situ-Messverfahren notwendig, die zwar teilweise von der Industrie angeboten werden, jedoch bislang im Umfeld der Batteriepastenproduktion weder integriert noch getestet wurden.

In den letzten Jahren ist die Anzahl an Patenten zur Produktion von Lithium-Ionen-Batterien mittels alternativer Prozessrouten bzw. die Kombination und Anpassung bestehenden Anlagenequipments vor allem im Bereich chinesischer und japanischer Patenanmeldungen stark angestiegen. Dies betrifft neuerdings auch den Einsatz von Zweischneckenextrudern, speziell für die Förderung höher viskoser Elektrodenpasten. In Bezug auf Extruder stützen sich die Patente in der Regel auf das Design der Schneckengeometrie, um beispielsweise nanopartikuläre Elektrodensuspensionen zunächst zu Mischen und anschließend effektiv zu Dispergieren oder auf apparative Erweiterungen, z.B. um eine kontinuierliche Beschickung des Extruders über einen weiteren Extruder zu gewährleisten.

Hierzu gehört auch die variable Beschickung des Extruders über vorgelagerte Fördereinheiten zur Senkung der Produktionskosten. Darüber hinaus existieren einige wenige Patente zur Prozessintegration bei der Herstellung der Elektrodensuspension, beispielsweise die Durchführung des Trockenmischprozesses innerhalb des Extruders mit anschließender Flüssigkeitszugabe, Entgasung und Dispergierung. Zur Regelung der Herstellung der Elektrodensuspension mittels Methoden des maschinellen Lernens existieren allerdings kaum Patente. Ein Beispiel hierfür ist die Verschaltung des Misch- und Beschichtungsprozesses über eine KI-Regelung zur Verbesserung der Effizienz. Patente zur Kombination einer KI-Regelung mit mechanistischen Short-Cut-Modellen existieren nicht.

Das ‚freedom to operate‘ liegt demnach in der Möglichkeit, mittels einer innovativen und agilen Anlagentechnik und den Einsatz von digitalen Zwillingen sowie KI-Methoden zur Produktionsoptimierung und Produktionssteuerung eine kontinuierliche Produktion von Batteriepasten mit höchster Qualität zur Verfügung zu stellen. Das Ziel ist, eine Produktivitätssteigerung durch eine hohe Gesamtanlageneffektivität bei schwankender Auftragslage und Produktvarianz unter Berücksichtigung einer hohen Rohstoffausnutzung zu erreichen.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

  • Abbildung 4

  • Abbildung 5

  • Abbildung 6

  • Abbildung 7

  • Abbildung 8

  • Abbildung 9

Ein Ziel der Forschungsarbeiten bestand im darin, das Prozessverständnis der Batteriepastenproduktion zu verbessern und damit den Grundstein für eine autonome Prozessierung zu legen. Hierfür kam ein Doppelschneckenextruder zum Einsatz, welcher in der Abbildung 1 illustriert wird. In diesem Zuge wurden drei Teilaspekte betrachtet: Die Definition eines Qualitätsparameters, die Prozess-Produkt-Wechselwirkungen und das Inline-Monitoring. Diese Übersicht wird in der nachfolgenden Abbildung 2 schematisch illustriert. Des Weiteren wurde ein Qualitätsparameter entwickelt und etabliert, welcher es erlaubt den Dispergierprozess zu steuern und zu regeln. Es konnte gezeigt werden, wie sich dieser Parameter auf die Elektroden- und Zelleigenschaften auswirkt. Auf Grundlage dieser Informationen wurde ein Zielwert für den Dispergierprozess am Beispiel von Kathoden definiert. Auf Basis der erhobenen Daten wurde ein mechanistisches Modell entwickelt mit dem der Qualitätsparameter als Funktion der Prozessparameter vorhergesagt werden kann.

Als Qualitätsparameter wurde der Carbon Black Dispersion Index DICB entwickelt und etabliert, welcher es erlaubt den Dispergierprozess zu steuern und zu regeln. Der DICB beschreibt den Oberflächenänderung des Leitadditivs im Dispergierprozess und fasst die wichtigsten Informationen aus der Partikelgrößenverteilung zusammen. Dieser Wert eignet sich auch ideal in Kombination mit Qualitätsregelkarten um das Prozessverhalten zu bewerten. Mit Hilfe dieses Parameters lassen sich Entwicklungszyklen für neue Prozesse / Materialien signifikant beschleunigen. Zudem kann der Parameter genutzt werde um den Prozess vom Labor- über den Technikums- in den Produktionsmaßstab zu übertragen. Die Abbildung 3 demonstriert die mathematische Definition des DI und zeigt einen schematischen Verlauf in Abhängigkeit von der spezifischen Energie. Ferner konnte gezeigt werden, inwiefern sich dieser Parameter auf die Elektroden- und Zelleigenschaften auswirkt. Auf Grundlage dieser Informationen wurde ein Zielwert für den Dispergierprozess am Beispiel von Kathoden definiert. 

Auf Basis der erhobenen Daten wird ein mechanistisches Modell entwickelt mit dem der Qualitätsparameter als Funktion der Prozessparameter vorhergesagt werden kann. Das Modell berücksichtigt neben der Drehzahl, dem Durchsatz und dem Feststoffgehalt auch die Schneckengeometrie. Diese wird über einen neu entwickelten Parameter beschrieben. Das Modell erlaubt es basierend auf Zielwerten den Durchsatz von Extrusionsanlagen für die Herstellung von Batteriesuspensionen zu maximieren oder die Parameter auf einen Zieldurchsatz anzupassen. Es ist geplant dieses Modell mit KI-basierten Methoden zu erweitern um noch gezieltere Parameterabschätzungen zu geben.

Für das In-Line Monitoring wurden unterschiedliche Sensoren getestet. Dabei konnte gezeigt werden, dass eine Korrelation der In-Line Daten mit den Daten aus der offline Analyse grundsätzlich möglich ist, was in Abbildung 4 dargestellt ist. Je nach Art des verwendeten Sensors erfordert dies allerdings einen hohen Aufwand in Hinblick auf die Parametrierung. Neben der Überwachung der Produkteigenschaften ermöglicht die hohe Datenaufnahmerate auch die Identifikation von Prozessschwankungen oder –fehlern.

Aufbauend auf den bisherigen Fortschritten des Projekts lag der Fokus darauf den Aspekt des digitalen Zwillings zu verbessern, indem ein ausgefeiltes und auf KI basierendes Python-Framework entwickelt wurde. Dieses Framework ist darauf ausgelegt, komplexe Beziehungen zwischen Schlüsselprozess- und Rezeptparametern zu identifizieren und zu verstehen, indem es bereits vorhandene Short-Cut-Modelle im Extrudersystem berücksichtigt. Die allgemeine Übersicht des Frameworks ist in der Abbildung 5 illustriert. Dieser Ansatz umfasst drei Kernkomponenten:

  • Vorläufige Analyse: Erste Untersuchung der Prozessparameter.
  • Genetische Programmierung (GP): Einsatz zur Entwicklung von Prozessmodellen, allerdings mit Einschränkungen aufgrund ihrer Abhängigkeit von Trainingsdaten und dem Mangel an physischer Erklärungskraft.
  • Tiefes neuronales Netzwerk (DNN): Das Herzstück des Frameworks, das eine tiefere und flexiblere Analyse von Prozessbeziehungen ermöglicht.

Die Rolle des tiefen neuronalen Netzwerks (DNN) war zentral für das System. Anstatt einfach vorhandene Daten zu extrapolieren, durchsucht das DNN aktiv eine umfassende Bibliothek von Short-Cut-Modellen, um zu bestimmen, ob ein bestehendes Modell in das Endmodell integriert oder ob es dieses beeinflussen kann. Durch diesen proaktiven Suchprozess ist das DNN in der Lage, intelligent zu identifizieren, welche Modelle den aktuellen physischen Parametern des Prozesses entsprechen. Ein solch adaptiver Ansatz ist entscheidend, um sich an geringfügige physische Veränderungen anzupassen, ohne dass eine umfangreiche manuelle Neuprogrammierung erforderlich ist, und um die Integrität des kontinuierlichen und autonomen Systembetriebs aufrechtzuerhalten.

Eine wesentliche Phase war die Validierung des DNN-Modells. Es wurden mehrere Tests mit Formeln aus der Herstellung von Lithium-Ionen-Batterien durchgeführt, um sicherzustellen, dass das Modell physikalische Ausdrücke genau identifizieren kann. Diese rigorosen Tests bestätigten die Fähigkeit des Modells sowie die Handhabung von komplexen Beziehungen und Prozessvariationen. Abbildung 6 zeigt, wie das Framework komplexe Interdependenzen zwischen Variablen wie Feststoffgehalt, Durchsatz und Schneckengeschwindigkeit umsetzt. Das Diagramm, welches sich auf die genauste gefundene Gleichung bezieht, zeigt, dass das Modell einen außergewöhnlichen Genauigkeitsgrad mit einem R²-Wert von rund 0,98 erreicht, was einer nahezu perfekte Vorhersageleistung entspricht.

Das linke Diagramm in Abbildung 6 veranschaulicht die tatsächlichen Werte im Vergleich zu den vorhergesagten Werten basierend auf der jeweiligen Gleichung und bestätigt die Wirksamkeit des Frameworks bei der Erfassung der nuancierten Dynamik des Extrusionsprozesses. Die Datenpunkte zeigen eine konsistente Übereinstimmung zwischen den vorhergesagten und den tatsächlichen Werten, womit die Zuverlässigkeit und Präzision des Modells verifiziert wurde. Darüber hinaus präsentiert das rechte Diagramm einen Vergleich der ursprünglichen und vorhergesagten Werte der spezifischen Energie (Spez. Energie), welche einen entscheidenden Parameter für den Extrusionsprozess darstellt. Die Linearität der Datenpunkte um die 45-Grad-Linie ist ein Beleg für die Vorhersagekraft des Frameworks.

Die Integration dieser Ergebnisse in diese Projektgeschichte demonstriert die greifbaren Vorteile, die das entwickelte KI-Framework bietet, und positioniert das Vorhaben an der Spitze der Digital-Twin-Technologie im Bereich der autonomen und intelligenten Batteriepastenproduktionssystzeme. Abschließend markierten die Entwicklung und Integration dieses fortgeschrittenen Frameworks für digitale Zwillinge einen bedeutenden Schritt vorwärts in diesem Projekt. Es verbessert nicht nur unser Verständnis des Extrusionsprozesses, sondern trägt auch zum übergeordneten Ziel bei, die Produktion von Batteriepasten zu automatisieren und zu optimieren.

Für nähere Untersuchungen zur Vorbereitung eines automatisierten Reinigungskonzeptes wurden diverse Extrusionsprozesse im Labormaßstab analysiert. Bezüglich der flexiblen Variation der Rezepturen und zur Gewährleistung einer automatisierten Prozessierung wurden die jeweiligen Viskositäten für verschiedene Rezepturen gemessen. Der vorliegende CMC-Anteil hat einen maßgeblichen Einfluss auf die Viskosität der Anodenpasten, da das CMC (Carboxymethylcellulose) als Verdicker agiert und eine entsprechende verdickte Matrix ausbildet. Ein hohe Viskositätswert kann das Rühren und das Mischen erschweren, wodurch die Paste nicht vollständig dispergiert wird und ggf. unerwünschte Agglomerate verbleiben.

Die folgende Grafik in Abbildung 7 zeigt den jeweiligen Viskositätsverlauf für eine Anodenpaste mit > 93 wt% Graphit, 1 wt% Carbon Black und 2 wt% SBR. Die jeweiligen CMC-Anteile variieren zwischen 1 bis 3 wt%. Hierbei ist die dynamische Viskosität über die Scherrate aufgetragen und alle drei Proben weisen ein scherverdünnendes Verhalten auf. Die Herstellung wurde mit einem Pharma 11 Extruder bei einer Drehzahl von 500 Umdrehungen pro Minute durchgeführt.

Diese Erkenntnisse sind relevant für die Reinigung, da die Viskosität eine entscheidende Komponente für die vollständige Reinigung darstellt. Je nach der gewünschten Viskosität für den konsekutiven Beschichtungsschritt, die erzielt werden soll, ist dies für das finale Reinigungskonzept zu berücksichtigen. Ein weiterer Grund für die erhöhte Viskosität des CMCs liegt in der Hydratation, da CMC-Moleküle das Wasser binden und aufquellen, wodurch eine erhöhte Viskosität resultiert, weshalb dieser Binder als Verdicker agiert.

Zur Vorbereitung eines automatisiertes Reinigungskonzeptes fanden diverse Untersuchungen im Extruder mit Hinblick auf den Sinnerschen Kreis statt. Dieser beurteilt die Reinigung nach den Bereichen der Temperatur, der Chemie, der Reinigungszeit und der Mechanik. Die Temperatur stellt den limitierenden Faktor in Bezug auf das Reinigungsmedium dar. Hinsichtlich der Chemie werden vorzugsweise Basen oder Alkohole verwendet, da aus der Prozessierbarkeit von Säuren eine Salzbildungsreaktion erfolgen kann.

Des Weiteren wurden in mehreren Versuchen die Einflüsse der Drehzahl der Doppelschnecken sowie der Volumenstrom des Reinigungsmediums untersucht. Abbildung 8 demonstriert den Einfluss des Volumenstroms auf die Trübung. Hier wurde nach abgeschlossener Pastenproduktion das Reinigungsmedium Wasser in den Extruderraum eingeführt und über eine Zeitdauer von zehn Minuten wurde verschiedene Proben gezogen, um rückwirkend die entsprechende Trübung zu messen.

Bei einer moderaten Drehzahl von 500 Umdrehungen pro Minute zeigt sich für einen erhöhten Volumenstrom ein deutlich besseres Reinigungsverhalten, da die Trübung in kurzer Zeit stärker abfällt bzw. die Probe deutlich klarer wird. Somit kann mit einem erhöhten Volumenstrom eine kürzere Reinigungszeit erreicht werden.

Im Rahmen des Projektes wurde eine Mastersteuerung basierend auf neuester industrieller Steuerungstechnik aufgebaut und zur Automatisierung des kontinuierlichen Mischprozesses eingesetzt. Die Steuerungsarchitektur basiert dabei auf einem zentralen, übergeordneten Leitstandrechner sowie dezentralen Steuerungselementen. In den dezentralen Steuerungselementen werden die Messdaten der Sensoren gesammelt und vorverarbeitet. Diese Informationen werden dem Leitstandrechner bereitgestellt und dort zur Ausführung des entwickelten Regelungscodes genutzt. Weiter ermöglicht die zentrale Mastersteuerung die automatisierte Erstellung von Datensätzen, die für KI-Modell und Analyse genutzt werden können. Ebenso wird eine Schnittstelle für den Datenaustausch mit Steuerungen aus nachfolgenden Prozessschritten oder KI-Modellen bereitgestellt.

Der entwickelte Regelungscode basiert auf miteinander kombinierten Schleifen. In einer ersten Schleife erfolgt die Regelung der Slurry-Dichte. Sofern die Dichte innerhalb der vorab spezifizierten Parametergrenzen liegt, wird in der nachfolgenden Regelung die automatisierte Anpassung der Verfahrenstemperatur umgesetzt. In der abschließende Regelschleife erfolgt die Einstellung der Viskosität. Hierbei wird auf ein iteratives Vorgehen gesetzt, welches bei Schwankungen automatische Anpassungen vornimmt.

Weiter wurde ein digitaler Zwilling (DT) der Anlage basierend auf einem digitalen Modell und mechatronischen Restriktionen entwickelt, welcher schematisch in Abbildung 9 demonstriert ist. Mit diesem digitalen Zwilling können alle zulässigen Anlagenzustände abgebildet werden und bei Verlassen des zulässigen Bereiches erfolgt eine automatisierte Regelung der kritischen Parameter, sodass diese wieder in den zulässigen Bereich zurückgeführt werden. Weiter ermöglicht der digitale Zwilling eine simulative Absicherung des Steuerungscodes vor dem realen Einsatz. Zudem ist der DT in der Lage, basierend auf den simulativen Ergebnissen, Anpassungen an der realen Prozesssteuerung zu initiieren. Der Aufbau und die Funktionalität des entwickelten DT unterstützen den bestimmungsgemäßen Betrieb des Extruders. Der DT wurde um ein Sicherheitssystem zur Vorabvalidierung des Steuerungscodes erweitert, das aus einem Sicherheitsfilter in Kombination mit einem Sicherheitsprogramm besteht. Zusammenfassend ist festzuhalten, dass der entwickelte DT und das Sicherheitssystem eine Vorabvalidierung von Steuerungscode ermöglichen. In einem ersten Schritt kann der Steuerungscode mit dem Sicherheitsfilter validiert werden. Anschließend ist eine virtuelle Validierung des Codes unter Verwendung des DT möglich. Fehler, die an der realen Anlage auftreten können, werden hier über das Sicherheitsprogramm detektiert und die Gesamtanlage in einen sicheren Zustand überführt.

  • Abbildung 1

  • Abbildung 2

  • Abbildung 3

  • Abbildung 4

  • Abbildung 5

  • Abbildung 6

  • Abbildung 7

  • Abbildung 8

  • Abbildung 9

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

Angebot für Industrie-Workshop zum Thema „Mischen von Elektroden-Slurry“. Die charakteristischen Merkmale des Mischprozesses, die Vor- und Nachteile der verschiedenen Mischverfahren (diskret vs. Kontinuierlich) sowie die Einsatzgebiete werden vorgestellt. Die Entwicklung und Integration eines Digitalen Zwillings wird ebenfalls beleuchtet.

Ansprechpartner: Prof. Dr. Hermann Nirschl

Karlsruher Institut für Technologie, Institut für Mechanische
Verfahrenstechnik und Mechanik (MVM)
Straße am Forum 8, 76131 Karlsruhe
Tel.: 0721/60842404
E-Mail-Adresse: hermann.nirschl@kit.edu

Ansprechpartner: Prof. Dr. Arno Kwade

Technische Universität Braunschweig (TUBS-K)
Institut für Partikeltechnik (IPAT)
Volkmaroder Straße 5, Gebäude 007, 38104 Braunschweig
Tel.: 0531/3919610
E-Mail-Adresse: a.kwade@tu-braunschweig.de


Durchführung von Auftragsforschung und kundenspezifische Prozessierung von State-of-the-Art sowie neuen Zellchemien. Ebenso wird eine prozesstechnische Unterstützung beim Produktionsanlauf und identifizieren der optimalen Prozessparameter angeboten.

Ansprechpartner: Prof. Dr. Hermann Nirschl

Karlsruher Institut für Technologie, Institut für Mechanische
Verfahrenstechnik und Mechanik (MVM)
Straße am Forum 8, 76131 Karlsruhe
Tel.: 0721/60842404
E-Mail-Adresse: hermann.nirschl@kit.edu

Ansprechpartner: Prof. Dr. Jürgen Fleischer

Karlsruher Institut für Technologie, Institut für Produktionstechnik (WBK)
Kaiserstraße 12, Gebäude 50.36, 76131 Karlsruhe
Tel.: 0721/60844011
E-Mail-Adresse: juergen.fleischer@kit.edu

Ansprechpartner: Prof. Dr. Arno Kwade

Technische Universität Braunschweig (TUBS-K)
Institut für Partikeltechnik (IPAT)
Volkmaroder Straße 5, Gebäude 007, 38104 Braunschweig
Tel.: 0531/3919610
E-Mail-Adresse: a.kwade@tu-braunschweig.de


Experimentdurchführung zur Sammlung von Daten, sodass ein symbolisches Regressions-Framework an reale, industrielle Bedingungen angepasst werden kann, um die Leistung von bestehenden Extrudern zu optimieren. Anpassung des neuro-adaptiven Controllers an die dynamischen Anpassungen von Prozessparametern

Ansprechpartner: Prof. Dr. Carsten Schilde

Technische Universität Braunschweig (TUBS-S), Institut für Partikeltechnik (IPAT)
Franz-Liszt Str. 35A, 38104 Braunschweig
Tel.: 0531/39165551
E-Mail-Adresse: c.schilde@tu-braunschweig.de


Beratung und das Angebot einer innovativen Lösung für eine effiziente und automatisierte Reinigung von kontinuierlichen Prozessen für die Industrie sowohl im Labor- als auch im Pilot-Maßstab. Die Unterstützung ist darauf ausgelegt, Arbeitsverläufe zu optimieren, die Reinigungsqualität zu steigern und gleichzeitig den Einsatz von Ressourcen zu minimieren. Damit wird ein schnellerer Rezepturwechsel ermöglicht, um eine bessere Prozessierbarkeit der Anlage zu gewährleisten.

Ansprechpartner: Prof. Dr. Hermann Nirschl

Karlsruher Institut für Technologie, Institut für Mechanische
Verfahrenstechnik und Mechanik (MVM)
Straße am Forum 8, 76131 Karlsruhe
Tel.: 0721/60842404
E-Mail-Adresse: hermann.nirschl@kit.edu


Beratung und Unterstützung bei der Konzeptionierung, Entwicklung und Optimierung einer automatisierten Mischprozessführung. Bestandteil hierbei kann die digitale Absicherung von Steuerungscode mittels digitalem Anlagen- und Prozesszwilling sein. Unterstützung beim Aufbau einer qualitätsorientierten Messstrecke.

Ansprechpartner: Prof. Dr. Jürgen Fleischer

Karlsruher Institut für Technologie, Institut für Produktionstechnik (WBK)
Kaiserstraße 12, Gebäude 50.36, 76131 Karlsruhe
Tel.: 0721/60844011
E-Mail-Adresse: juergen.fleischer@kit.edu


Unsere Lösungen beinhalten Werkzeuge zur Erhöhung der betrieblichen Effizienz, Strategien für effektives Datenmanagement sowie innovative Ansätze zur vorausschauenden Wartung. Darüber hinaus bieten wir einen speziellen Workshop an, der darauf abzielt, das volle Potenzial dieser Werkzeuge in der Industrie zu integrieren und optimal zu nutzen. Diese Maßnahmen sind darauf ausgerichtet, Unternehmen bei der digitalen Transformation und der Steigerung ihrer operativen Leistungsfähigkeit zu unterstützen.

Ansprechpartner: Prof. Dr. Carsten Schilde

Technische Universität Braunschweig (TUBS-S), Institut für Partikeltechnik (IPAT)
Franz-Liszt Str. 35A, 38104 Braunschweig
Tel.: 0531/39165551
E-Mail-Adresse: c.schilde@tu-braunschweig.de

Projektpartner

  • Karlsruher Institut für Technologie (KIT)
    Institut für Mechanische Verfahrenstechnik und Mechanik (MVM)
    Straße am Forum 8, 76131 Karlsruhe
    Vertreten durch Prof. Dr.-Ing. Hermann Nirschl
    www.mvm.kit.edu

  • Technische Universität Braunschweig
    Institut für Partikeltechnik (iPAT)
    Volkmaroderstr. 5, 38104 Braunschweig
    Vertreten durch Prof. Dr.-Ing. Arno Kwade und Prof. Dr.-Ing. Carsten Schilde
    www.tu-braunschweig.de/ipat

  • Karlsruher Institut für Technologie (KIT)
    wbk Institut für Produktionstechnik
    Kaiserstr. 12, 76131 Karlsruhe
    Vertreten durch Prof. Dr.-Ing. Jürgen Fleischer
    www.wbk.kit.edu

Zurück zur Übersicht

Weiterlesen

InQuZell

Intelligente Qualitätssicherung und -dokumentation für die laserbasierte zellinterne Kontaktierung

InQuZell

Motivation

Lithium-Ionen-Batterien (LIB) werden entlang einer Fertigungskette produziert, die aus einer Vielzahl an zusammenhängenden und aufeinander abgestimmten Einzelprozessen besteht. Die zellinterne Kontaktierung der gestapelten Elektroden (Hardcase-Zellen und Pouch-Zellen) erfolgt erst zu einem späten Zeitpunkt innerhalb dieser Prozesskette. Im Sinne eines nachhaltigen und ressourceneffizienten Umgangs mit den eingesetzten Halbzeugen sowie einer Reduktion der Ausschusskosten ist eine stabile und prozesssichere Kontaktierung erforderlich. Aufgrund der kontinuierlichen Erweiterung der Einsatzbereiche von LIB, der Variantenvielfalt hinsichtlich der Zellformate und der stetigen Weiterentwicklungen von Batteriezellen werden geometrie- und stückzahlflexible sowie skalierbare Fertigungsverfahren benötigt. Im Forschungsvorhaben „InQuZell“ wird die laserbasierte interne Kontaktierung von LIB thematisiert. Dieses Verfahren zeichnet sich durch eine flexible Prozessführung sowie hohe Schweißgeschwindigkeiten aus und ermöglicht einen industriell skalierbaren Kontaktierungsprozess.

Projektinhalt

Im Rahmen des Projekts „InQuZell“ wird eine Methode zur Inline-Qualitätsüberwachung und -dokumentation für die Messung der Zwischenproduktqualität während und nach der laserbasierten Kontaktierung erarbeitet. Diese Methode leistet einen Beitrag zu einer lückenlosen Fertigungsdokumentation und trägt zu einer konstant hohen Endproduktqualität bei. Die während des Schweißprozesses erfassten Daten können genutzt werden, um Qualitätsschwankungen in der Produktion frühzeitig zu erkennen, den Ausschuss signifikant zu reduzieren und wertvolle Ressourcen einzusparen. Als zweite Säule des Projekts werden Konzepte zur kontinuierlichen Eingliederung der laserbasierten internen Kontaktierung in die bestehende Produktionskette erarbeitet, um so einen Beitrag zur hochflexiblen Batteriezellfertigung zu leisten. Ein wesentlicher Aspekt ist die Entwicklung einer automatisierten und gleichzeitig flexiblen Spannvorrichtung, welche eine definierte Spannung der Folien bei gleichzeitiger Zugänglichkeit für die erforderlichen Sensoriken ermöglicht. Zudem werden Konzepte zur kontinuierlichen Eingliederung der laserbasierten internen Kontaktierung in die bestehende Produktionskette erarbeitet.

Projektziele

Im Forschungsvorhaben InQuZell wird ein ganzheitlicher Ansatz zur Implementierung eines prozesssicheren laserbasierten Kontaktierungsprozesses innerhalb der Zellproduktion verfolgt. Die laserbasierte zellinterne Kontaktierung ermöglicht durch eine flexible Prozessführung und hohe Schweißgeschwindigkeiten einen variantenflexiblen und industriell skalierbaren Fügeprozess für eine zukunftsfähige und moderne Batteriezellproduktion. Im Rahmen des Forschungsprojekts soll eine Pilotanlage zur formatflexiblen Kontaktierung mit integrierter Prozessüberwachung als Anwendungsbeispiel für das erarbeitete Gesamtkonzept aufbaut werden. Die Inline-Prozessüberwachung ermöglicht eine Messung der Zwischenproduktqualität und erlaubt die lückenlose Dokumentation relevanter Qualitätsmerkmale entlang der Fertigungskette. Qualitätsschwankungen werden dadurch frühzeitig erkannt, der Ausschuss signifikant reduziert und wertvolle Ressourcen eingespart. Der verfolgte Ansatz ermöglicht eine konstant hohe Endproduktqualität bei der formatflexiblen Kontaktierung.

Kontakt

Prof. Dr.-Ing. Michael Zäh
Technische Universität München
Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
Boltzmannstr. 15, 85748 Garching b. München
Tel.: +49 89 289 15502
E-Mail: michael.zaeh@iwb.tum.de

Projektlaufzeit

01.01.2021-31.03.2024

Themenfeld

KI in der Produktion

Förderkennzeichen

03XP0342A

Technologietransfer

Die Produktion von Lithium-Ionen-Batterien wird in die drei Teilbereiche Elektrodenfertigung, Zellassemblierung und Modulmontage gegliedert. Entlang der gesamten Prozesskette fallen verschiedene Füge- und Trennaufgaben an. Hierfür stehen unterschiedliche Fertigungstechnologien zur Verfügung. Die flexible, berührungslose und schnelle Materialbearbeitung mittels Laserstrahlung bietet entlang der gesamten Prozesskette Vorteile gegenüber anderen, beispielsweise mechanischen, Bearbeitungsverfahren. Bei der internen Kontaktierung von Batteriezellen werden jeweils die einzelnen, gestapelten Substratfolien der Anode bzw. der Kathode miteinander verschweißt und mit einem Ableitertab verbunden. Die dünnen Folien bestehen aus Aluminium (Kathode, Dicke: 12 – 20 µm) und Kupfer (Anode, Dicke: 8 – 10 µm). Die einzelnen Elektrodenblätter werden durch die zellinterne Kontaktierung parallel geschalten und eine Abfuhr des Stroms aus der Zelle wird ermöglicht. Sowohl an die Schweißnähte als auch an den Fügeprozess werden sehr hohe Qualitätsanforderungen in Bezug auf die Nahteigenschaften (beispielsweise niedriger elektrischer Widerstand) und die Prozesssicher­heit (beispielsweise die Vermeidung von Schweißspritzern) gestellt. In der industriellen Batteriezellproduktion erfolgt die zellinterne Kontaktierung derzeit bevorzugt mittels Ultraschallschweißen. Das Verfahren weist jedoch Defizite in der Prozessrobustheit und der Format-Flexibilität auf. Beim Schweißen werden Schwingungen ins Bauteil eingebracht, welche zu einer mechanischen Beschädigung der dünnen Aluminium- und Kupferfolien in Form von Rissen führen können. Zudem können während des Schweißens Partikel, beispielsweise des Aktivmaterials, abgelöst werden und einen Kurzschluss in der Zelle hervorrufen. Verfahrensbedingt geht beim USS eine Änderung der Nahtgeometrie mit einer Umrüstung der Anlage und einer Neukonstruktion der Werkzeuge einher. Als limitierend hinsichtlich der Flexibilität wirkt sich zudem die beidseitig erforderliche Zugänglichkeit zur Fügestelle aus. Insbesondere die Konstruktionsfreiheit im Zelldesign und der Anordnung der einzelnen Zellkomponenten wird stark eingeschränkt. Dies kann hohe Totvolumina in der Zelle bedingen. In vorausgegangen Forschungsarbeiten wurde gezeigt, dass das Laserstrahlschweißen eine vielversprechende Alternative für die interne Kontaktierung der Batteriezellen darstellt. Das Fügen der dünnen Folien zur zellinternen Kontaktierung ist vor allem aufgrund der zahlreichen Grenzflächen und zwischen den einzelnen Lagen verbleibender Luft sehr herausfordernd. Die Qualität der Fügeverbindung wird maßgeblich von der Spanntechnik bestimmt. Im Labormaßstab konnten bereits Spannkonfigurationen mit einem Nullspalt realisiert werden. Für den Einsatz in der Industrie besteht dahingehend noch erheblicher Forschungs- und Entwicklungsaufwand.

Für die Etablierung einer wettbewerbsfähigen Zellproduktion im Sinne einer Null-Fehler-Strategie sind neben modernen Produktionsanlagen innovative Methoden zur leistungsfähigen Qualitätssicherung notwendig. Um die hohen Anforderungen an die Produktqualität innerhalb der Batterieproduktion erfüllen zu können, ist es unabdingbar, die Qualitätssicherung, die Produktentwicklung und die Prozessentwicklung von Beginn an gemeinsam zu betrachten. Zur Prozessüberwachung beim Laserstrahlschweißen können diverse Sensorsystemen zur Erfassung von Prozessdaten vor, während und nach dem Schweißprozess eingesetzt werden. In Abhängigkeit von der Position der Messstelle zur Prozesszone wird auch von Prä-Prozess-, In-Prozess- und Post-Prozessüberwachung gesprochen. Die Prozessbeobachtung kann mithilfe von Sensoren erfolgen, welche akustische, thermische oder optische Signale aus Prozess-Emissionen oder den Schweißnähten, beispielsweise Körperschall, detektieren. Bislang sind keine Ansätze bekannt, die Nahtqualität in Mehrlagensystemen zu erfassen. Relevante Zielgrößen für die Qualität der zellinternen Kontaktierung sind beispielsweise die Bewertung der Anbindung der einzelnen Folien sowie die Detektion von Lufteinschlüssen zwischen den Folienlagen.

Im Rahmen von InQuZell wurden Prozessstrategien zum Fügen von Folienstapeln mit einem Ableiter-Tab entwickelt, wobei Schweißnähte mit unterschiedlichen Qualitätsklassen gefertigt wurden. Zur Evaluierung der elektrischen Nahteigenschaften wurde eine Messmethode erarbeitet und experimentell erprobt. Diese Methode ermöglicht eine reproduzierbare und präzise Bestimmung des elektrischen Widerstands mehrlagiger Verbindungen. Die Untersuchung verschiedener Prüfspitzen hinsichtlich der Wiederholgenauigkeit bei der elektrischen Widerstandsmessung ergab, dass Prüfspitzen mit geriffelten Oberflächen die Oxidschichten auf Kupfer- und Aluminiumproben durchbrechen und somit für die Ermittlung des elektrischen Widerstands metallischer Folien geeignet sind.
Im Hinblick auf die Inline-Datenakquise wurden verschiedene Ansätze verglichen, wobei drei Photodioden und eine Hochgeschwindigkeitskamera als vielversprechendste Sensoren identifiziert und in die Laserschweißanlage integriert wurden. Die detektierten Signale der Photodioden und die mittels Hochgeschwindigkeitskamera aufgenommenen Bilder lieferten Informationen zur Qualität der Fügestelle. Hingegen enthielten die Pyrometerdaten nur begrenzte Informationen zur Nahtqualität.

Die Untersuchung des Zusammenhangs zwischen den Prozessdaten und der Prozessstabilität ermöglichte die Klassifizierung der Schweißnähte in defektfreie Nähte, solche mit einem Spalt zwischen den Folien und dem Tab sowie Proben mit Beschichtung in der Fügezone. Eine semi-automatische Spanntechnik wurde unter Berücksichtigung der Zugänglichkeit für die Prozessüberwachung konstruiert und gefertigt.

Des Weiteren wurde ein Prozessmonitoring-System für Kontaktierungsaufgaben konzeptioniert und implementiert. Eine umfassende Kostenbewertung verschiedener Fügeverfahren für die zellinterne Kontaktierung wurde durchgeführt, um fundierte Entscheidungen im Hinblick auf die wirtschaftliche Umsetzbarkeit zu ermöglichen. Insgesamt tragen die erarbeiteten Methoden und Erkenntnisse dazu bei, die Effizienz und Qualität des Fügeprozesses von Folienstapeln mit einem Ableiter-Tab zu verbessern.

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

Das Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb) hat umfassende Expertise zur Auslegung des Laserstrahlschweißprozesses für Batteriezellkontaktierungen. Dies umfasst sowohl zellinterne als auch zellexterne Fügeaufgaben. Gemeinsam mit Industriepartnern können verschiedenen Schweißstrategien und Fügekonfigurationen untersucht werden und der Industriepartnern bei der Auswahl geeigneter Qualitätssicherungssysteme unterstützt werden.

Ansprechpartner: Prof. Dr.-Ing. Michael Zäh

Technische Universität München
Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
Boltzmannstraße 15, 85748 Garching
Tel.: +49 (0) 89 289 15502
E-Mail-Adresse: michael.zaeh@iwb.tum.de


Das wbk Institut für Produktionstechnik besitzt das Know-how in der Entwicklung und Implementierung von Monitoring-Systemen für Kontaktieraufgaben. Dies umfasst sowohl den Einsatz von Data Science und KI-Methoden für die Qualitätssicherung als auch die Gestaltung von Dashboards für eine klare Prozessvisualisierung. In Kooperation mit Industriepartnern kann bei der Auswahl und Anwendung von passenden Algorithmen und KI-Modellen unterstützt werden.

Ansprechpartner: Prof. Dr.-Ing Jürgen Fleischer

Karlsruher Institute für Technologie (KIT)
wbk Institute für Produktionstechnik
Kaiserstraße 12, 76131 Karlsruhe
Tel.: +49 (0) 721 608-44009
E-Mail-Adresse: Juergen.fleischer@kit.edu


Der Lehrstuhl Production Engineering for E-Mobility Components (PEM) hat im Rahmen des Projekts ein Kostenberechnungs-Tool für die zellinternen Kontaktierungsprozesse entwickelt. Anschließend wurden in ausführlichen Experten-Interviews Daten aus der Industrie zur Validierung des Tools zusammengetragen. Gemeinsam mit Industriepartnern kann dieses Tool um andere Fügeschritte erweitert oder auf andere Produktionsprozesse übertragen werden.

Ansprechpartner: Prof. Dr.-Ing. Achim Kampker

RWTH Aachen University
Lehrstuhl für Production Engineering of E-Mobility Components (PEM)
Bohr 12, 52072 Aachen
Tel.: + 49 241 80-27406
E-Mail-Adresse: a.kampker@pem.rwth-aachen.de

Projektpartner

  • Technische Universität München
    Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
    Boltzmannstr. 15, 85748 Garching b. München
    Vertreten durch Prof. Dr.-Ing. Michael Zäh
    https://www.mec.ed.tum.de/iwb

  • Rheinisch-Westfälische Technische Hochschule Aachen
    Production Engineering of E-Mobility Components (PEM)
    Bohr 12, 52072 Aachen
    Vertreten durch Prof. Dr.-Ing. Achim Kampker
    www.pem.rwth-aachen.de

  • Karlsruher Institut für Technologie (KIT)
    wbk Institut für Produktionstechnik
    Kaiserstr. 12, 76131 Karlsruhe
    Vertreten durch Prof. Dr.-Ing. Jürgen Fleischer
    www.wbk.kit.edu

Zurück zur Übersicht

Weiterlesen

InTeAn

Intelligente Anlaufsteuerung zur kostenreduzierten und flexiblen Fertigung zukünftiger Batteriezellen

InTeAn

Motivation

Der intelligente und flexible Anlauf von Produktionsanlagen stellt eine der wesentlichen Herausforderungen in der gegenwärtigen Fertigung von Batteriezellen dar. Während sich die Stilllegung diverser Produktionsanlagen generell als weniger problematisch erweist, gestaltet sich die erneute Inbetriebnahme der Anlagen und Systeme oft schwierig. Ziel des Projekts „InTeAn“ ist daher die Entwicklung einer Gesamtmethodik zum schnellen (Wieder-) Anlauf industrieller Fertigungsprozessketten.

Projektinhalt

Eine Vielzahl der auftretenden Komplikationen im Anlauf ist auf die unflexible und ungeregelte Anlaufsteuerung der Produktionsanlagen zurückzuführen. Diverse Unsicherheitsfaktoren wie Kundenerwartungen, Marktanforderungen, Wettbewerbssituation und die zu produzierenden Stückzahlen bedingen eine erhöhte Aufmerksamkeit, was den Anlauf der Batteriezellenfertigung u.a. für den Einsatz in der Elektromobilität angeht. Dabei stellt die Skalierbarkeit der Produktion eine wesentliche Bezugsgröße in der Produktionsplanung dar. Für den Erfolg oder Misserfolg des Produkts sind die Umsetzung der Anlaufsteuerung sowie Kosten, Qualität und Produktkomplexität maßgebend. Vor dem Hintergrund neuer, teils noch unbekannter Herausforderungen der Batteriezellproduktion kann die Anwendung eines integrierten Anlaufmanagementmodells maßgeblich dazu beitragen, den Produktionsprozess effizienter, nachhaltiger und transparenter zu gestalten.

Projektziele

Der intelligente und flexible Anlauf von Produktionsanlagen stellt eine der wesentlichen Herausforderungen in der gegenwärtigen Fertigung von Batteriezellen dar. Während sich die Stilllegung diverser Produktionsanlagen generell als weniger problematisch erweist, gestaltet sich die erneute Inbetriebnahme der Anlagen und Systeme oft schwierig. Ziel des Projekts „InTeAn“ ist daher die Entwicklung einer Gesamtmethodik zum schnellen (Wieder-) Anlauf industrieller Fertigungsprozessketten. Das entwickelte Verfahren soll industriellen Batteriezellfertigungslinien als Ausgangsbasis für die Auslegung einer flexiblen Zellfertigungslinie dienen, welche verschiedene Batteriezellkonzepte umfasst. Hierzu werden im Projekt zunächst die zukünftige Relevanz und die Marktnachfrage von Zellchemien und -dimensionen ermittelt. Aufbauend auf den Erkenntnissen werden relevante Anlaufszenarien, für die im Projekt betrachteten Batteriezellfertigungsprozesse (Beschichtung und Trocknung sowie Stapeln) definiert. Anschließend erfolget die Auswahl und initiale Korrelationsanalyse von datengetriebenen Modellen, welche für den Anlaufprozess angewandt werden können. Im Anschluss erfolgt eine Integration eines KI-basierten Reglers in den Fertigungsschritten des Beschichtens und Trocknens. Anhand von vertiefenden Experimenten wird die Prozessregelung anschließend optimiert. Abschließend erfolgt eine Validierung des Vorgehens zur Implementierung der KI-basierten Regelung im Beschichtungsprozess anhand des Stapelprozesses sowie eine Zusammenfassung der gesammelten Erkenntnisse in einem standardisierten Vorgehensmodell.

Kontakt

Prof. Dr.-Ing. Achim Kampker
Rheinisch-Westfälische Technische Hochschule Aachen

Production Engineering of E-Mobility Components (PEM)
Bohr 12, 52072 Aachen
Tel.: +49 241 80 27406
E-Mail: a.kampker@pem.rwth-aachen.de

Projektlaufzeit

01.03.2021-31.08.2024

Themenfeld

KI in der Produktion

Förderkennzeichen

03XP0357A

Technologietransfer

Eine zentrale Herausforderung in der Batteriezellproduktion stellen die im Industrievergleich hohen Ausschussquoten dar. Ursache ist ein unvollständiges Verständnis der Zusammenhänge zwischen Prozesseinflüssen und Produktqualität. Aufgrund der komplexen und sensiblen Interdependenzen innerhalb der Batteriezellfertigungskette stellt die Ermittlung und Einhaltung geeigneter Prozesstoleranzen eine komplexe Problemstellung dar. Vor diesem Hintergrund ergeben sich ebenfalls nach dem Ramp-Up von Batteriezellfertigungen im Serienmaßstab oftmals Ausschussraten von mehr als 5% im End of Line Testing. Die hohen Ausschussraten haben einen maßgeblichen Einfluss auf die operativen Kosten der Batteriezellfertigung.

Gegenwärtig werden die Prozessparameter beim Hochlauf einer Produktionsanlage überwiegend manuell eingestellt. Als Grundlage hierfür werden Erfahrungswerte verwendet und die Einstellungen so lange angepasst, bis der Produktionsprozess stabil ist und den gewünschten Eigenschaften entspricht. Durch dieses Herantasten an den optimalen Betriebspunkt entsteht eine große Menge an Ausschuss. Dies ist besonders kritisch, wenn zum Beispiel neue Materialien verwendet werden, über deren Einfluss auf den Prozess es noch wenig Erfahrungen gibt. Die Batteriezellenfertigung mit ihrer voranschreitenden Entwicklung ist ein solcher Anwendungsfall.

Einen Lösungsansatz zur Reduktion des hohen Ausschusses im Ramp-Up und der Fertigung stellt der Einsatz von datenbasierten Ansätzen zur Ermittlung und Modellierung von Wirkzusammenhängen und Ableitung von konkreten Handlungsempfehlungen dar. Insbesondere die Anwendung von Methoden der künstlichen Intelligenz (KI) bietet einen vielversprechenden Ansatz zur Optimierung der Produktionsprozesse und der Produktqualität von Lithium-Ionen-Batteriezellen. Bisherige Forschungsansätze im Bereich der datenbasierten Analyse von Interdependenzen zwischen Produktqualität und Produktionseinflüssen betrachten überwiegend die Modellierung und Simulation einzelner Anlagen oder Prozesse.

Künstliche Intelligenz kommt heutzutage im klassischen Hochlauf von Produktionsprozessen im industriellen Kontext der Batteriezellproduktion noch nicht zur Anwendung. Ein Grund hierfür ist, dass der Prozess während des Hochlaufens häufig noch nicht mit den notwendigen Sensoren ausgestattet ist, um die Daten zu generieren, die für das Trainieren von Modellen benötigt werden.
Des Weiteren ist bei komplexen, zusammenhängenden Prozessen nicht nur der aktuelle Prozessschritt für das Ergebnis ausschlaggebend, sondern auch alle vorgelagerten Prozessschritte. Darüber hinaus reicht es nicht aus, die einzelnen Fertigungsschritte isoliert zu betrachten, um eine Vorhersage über die Qualität des Produktes zu treffen.

Künstliche Intelligenz liefert Methoden, solche komplexen Systeme zu beschreiben. Sie kann zur Klassifizierung und Kategorisierung von Daten verwendet werden.
Auf Maschinenebene können so z. B. Fehlerbilder identifiziert werden. Darüber hinaus kann künstliche Intelligenz dazu eingesetzt werden, die Performance einer Produktionsanlage mittels gesammelter Produktionsdaten zu erhöhen bzw. eine optimale Parameterkonfiguration zu finden. Ein solches System, das die überwachten Prozessparameter mit Qualitätsmerkmalen korreliert und eigenständig lernt Prozessgrößen einzustellen, ist in der Batteriezellenproduktion noch nicht bekannt.

  • Bild 1

  • Bild 2

  • Bild 3

  • Bild 4

  • Bild 5

In dem Projekt wurde eine umfangreiche Studie zu existierenden Trends im Bereich der Lithium-Ionen-Zellfertigung erstellt. Die Technologie-Roadmap erhält Erkenntnisse über die Änderungszyklen von Zellchemien und eine Analyse der Dimensionsgrenzen. Hierbei war zu erkennen, dass die Zellchemie in der Serienfertigung derzeit in Abständen von drei bis sechs Jahren wechselt. In der Forschung ist eine noch häufigere Variation anzutreffen. Hinsichtlich der Dimensionsgrenzen ist ein eindeutiger Trend zu der Erhöhung der Maße einer Dimension (Länge bzw. Breite) der Zellen zu erkennen. Darüber hinaus ist insbesondere bei Pouch- und Prismatischen-Zellen eine klare Tendenz hin zu Cell2Pack Technologien erkennbar. Im Consumer Electronics Bereich hingegen gibt es keine eindeutigen Trends. Im Bereich Power Tools werden aufgrund der großen Verfügbarkeit und dem niedrigen Preis fast ausschließlich zylindrische Standardzellen verwendet.

Im Anschluss erfolgte die Durchführung einer Marktstudie für zukünftig relevante Zellformate sowie -chemien. In der Zukunft bleibt die Nachfrage nach den gängigen Zelltypen (Pouch, prismatisch, zylindrisch) hoch. Ein erkennbarer Trend zeigt einen verstärkten Fokus auf höhere Nickelanteile und einen reduzierten Einsatz von Kobalt, um kosteneffiziente und nachhaltige Lösungen zu fördern.
NMC (Nickel-Mangan-Cobalt) hat sich in der Automobilbranche fest etabliert, wobei einige chinesische Hersteller von LFP zu NMC wechseln, um den steigenden Anforderungen an Energiedichte und Leistungsfähigkeit gerecht zu werden.
Silizium/Graphit-Komposite gewinnen an Bedeutung aufgrund ihrer höheren Kapazität, aber hohe Siliziumanteile stellen weiterhin technische Herausforderungen dar. Die Branche arbeitet daran, diese zu überwinden und das volle Potenzial dieser Materialkombination auszuschöpfen. Trotz erkennbarer Trends ist die Prognose für die nächsten 5+ Jahre unsicher, da technologische Durchbrüche, regulatorische Veränderungen und geopolitische Einflüsse den Markt beeinflussen. Daher sollten alle Vorhersagen mit Vorsicht betrachtet werden, während die Branche flexibel auf Veränderungen reagiert und innovative Lösungen entwickelt.

Zudem erfolgte eine Definition von relevanten Anlaufszenarien, die im Projekt analysiert und modelliert werden. Die Aktionsfelder zur Optimierung umfassen hierbei Materialwechsel, Zellgenerationswechsel, Produktionschargenwechsel, den Wiederanlauf nach Anlagenservice oder die Inbetriebnahme nach Integration neuer Komponenten (wie z.B. neuer Messtechnik) und den Wechsel von Prozessparametern.

Abbildung 1 zeigt den Aufbau des Regelkreises. Darüber hinaus wurde das Regler-Konzept für den Anlauf entwickelt, welches im Folgenden auf der Beschichtungsanlage (siehe Abbildung 2) verifiziert und zum Schluss auf die Stapelanlage übertragen wird. Dieses Konzept sieht eine dreistufige Regler-Architektur vor (siehe Abbildung 3).

In der ersten Stufe wird Domänenwissen über den Prozess verwendet, um den möglichen Bereich der Regelparameter auf den physikalisch sinnvollen Bereich einzuschränken. Bei dem Prozessschritt Beschichtung wird hier ein hydrodynamisches Modell der Schlitzdüse benutzt. Da dieses Modell einige Vereinfachungen enthält, ist es nicht möglich, allein daraus die optimalen Betriebsparameter zu errechnen.
Hier wird die zweite Reglerstufe verwendet. Um aus den physikalisch möglichen Sätzen den optimalen Parametersatz zu finden, wird ein datengetriebenes Modell verwendet. Das Modell hat zuvor das Prozessverhalten anhand von Messdaten gelernt. Somit ist es möglich, auch Zusammenhänge abzubilden, die sich nicht ohne Weiteres durch ein physikalisches Modell abbilden lassen. Bei dem Prozessschritt Beschichtung kommt hier eine Kombination aus zwei KI-Modellen zur Anwendung: ein lineares Modell für die Vorhersage der Beschichtungshöhe und eine Support Vector Machine für die Vorhersage der Beschichtungsqualität. So können alle physikalisch möglichen Parameter auf ihren erwarteten Einfluss auf die Beschichtung untersucht und der optimale Parametersatz ausgewählt werden.
Als dritte Reglerstufe steht noch ein PID-Regler zur Verfügung. Diese Reglerstufe wird nur benötigt, wenn das datengetriebene Modell die aktuellen Betriebsparameter bereits als optimal ansieht, die Zielqualität aber dennoch nicht erreicht ist. Ein Grund hierfür kann z.B. eine unzureichende Menge an Trainingsdaten in diesem Bereich sein, was dazu führt, dass dieser Bereich im Modell nicht hinreichend repräsentiert ist. Bei der Regelung der Beschichtung greift dann ein Regler, der Trends in den Parametern erkennt und sich somit an die optimalen Parameter herantasten kann.

Um den Regler zu überwachen und im Betrieb mit ihm zu interagieren, wurde auch ein User Interface (siehe Abbildung 4) entwickelt. Anhand des User Interfaces können gewünschte Parameter eingestellt und der aktuelle Zustand des Reglers überwacht werden.

Um die entwickelte Methode und den Ansatz zur Gestaltung des KI-Reglers zu validieren, wird die Vorgehensweise auf einen weiteren Prozessschritt der Batteriezellfertigung, die Stapelbildung, übertragen (siehe Abbildung 5). Um dies zu erreichen ist eine Vielzahl von regelbaren und nicht regelbaren Einflussgrößen definiert worden. Hierzu zählen beispielsweise die Prozesszeiten beim Greifen und Ablegen der Blätter sowie maximale Prozessgeschwindigkeiten. Auch die Befähigung der existierenden Anlage, um diese Parameter über einen zentralen Zugriffspunkt innerhalb der Steuerung vorzugeben und anzupassen ist umgesetzt. Dies eliminiert die Notwendigkeit, den Abgleich von unterschiedlichen Datensätzen mit inkonsistenten Zeitstempeln durchzuführen.

Über die Stapelgenauigkeit als finales Regel- und Qualitätskriterium wurde so eine KI-Regelung der relevanten Prozessparameter in die Anlage integriert , um eine Reduktion der Anlaufdauer nachhaltig zu ermöglichen.

  • Bild 1

  • Bild 2

  • Bild 3

  • Bild 4

  • Bild 5

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

Prozessbegleitung bei der Integration einer KI zur Unterstützung der Anlaufsteuerung. Ermöglichung von Ausschuss- und Materialkostenreduktion mittels intelligenter Prozessregelung.

Ansprechpartner: Prof. Dr.-Ing. Achim Kampker

RWTH Aachen University
Production Engineering of E-Mobility Components (PEM)
Bohr 12, D-52072 Aachen
Tel.: +49 241/80-27406
E-Mail-Adresse: a.kampker@pem.rwth-aachen.de


Auswahl und Integration von Sensorik zur zielgerichteten Datenerfassung für Prozessvisualisierung oder Implementierung datengetriebener Ansätze.

Ansprechpartner: Prof. Dr.-Ing. Jürgen Fleischer

wbk – Institut für Produktionstechnik
Karlsruher Institut für Technologie (KIT)
Tel.: +49 721 608-44009
E-Mail-Adresse: Juergen.Fleischer@kit.edu
https://www.wbk.kit.edu/21_211.php


Unterstützung bei der automatisierten Datenverarbeitung und Extraktion relevanter Qualitätsmerkmale sowie darauf aufbauend Entwicklung und Integration von KI-basierten Reglern unter Einbeziehen von Prozesswissen.

Ansprechpartner: Dr.-Ing. Julius Pfrommer

Fraunhofer IOSB
Fraunhoferstr. 1, 76131 Karlsruhe
Tel.: +49 721 6091-286
E-Mail-Adresse: julius.pfrommer@iosb.fraunhofer.de

Ansprechpartner: Dr. Constanze Hasterok

Fraunhofer IOSB
Fraunhoferstr. 1, 76131 Karlsruhe
Tel.: +49 721 6091-602
E-Mail-Adresse: constanze.hasterok@iosb.fraunhofer.de

Projektpartner

  • Rheinisch-Westfälische Technische Hochschule Aachen

    Production Engineering of E-Mobility Components (PEM)
    Bohr 12, 52072 Aachen
    Vertreten durch Prof. Dr.-Ing. Achim Kampker
    www.pem.rwth-aachen.de

  • Karlsruher Institut für Technologie (KIT)
    wbk Institut für Produktionstechnik
    Kaiserstr. 12, 76131 Karlsruhe
    Vertreten durch Prof. Dr.-Ing. Jürgen Fleischer
    www.wbk.kit.edu

  • Fraunhofer-Gesellschaft
    Institut für Optronik, Systemtechnik und Bildauswertung (IOSB)
    Geschäftsfeld Automatisierung und Digitalisierung
    Fraunhoferstr. 1, 76131 Karlsruhe
    Vertreten durch Dr.-Ing. Olaf Sauer
    www.iosb.fraunhofer.de

Zurück zur Übersicht

Weiterlesen

InteKal

Intelligente Kalandrierung

InteKal

Motivation

Die Verdichtung von Elektroden für Lithium-Ionen-Batterien ist ein entscheidender Prozessschritt zur Erhöhung der volumetrischen Energiedichte und z. B. zur Verbesserung der elektrischen Leitfähigkeit speziell bei Kathoden. Aus diesem Grund muss dieser Teil der Fertigungskette sowohl auf Produkt- als auch auf Maschinenseite intensiver untersucht werden. Weiterhin ist die Kalandrierung aufgrund von langen Anfahrzeiten ein ausschussintensiver Prozessschritt. Durch sowohl simulationsgestützte Prädiktion von Anlagen- und Maschinenparametern als auch eine Inline-Schichtdickenmessung und Fehlererkennung soll eine Ausschussreduktion durch intelligente Regelung der Maschine erfolgen und somit eine Emissionsreduktion in der Batterieelektrodenfertigung ermöglicht werden.

Projektinhalt

Das Projekt „InteKal“ beschäftigt sich mit der Kalandrierung von Batterieelektroden, also der Verdichtung zwischen zwei gegenläufigen Walzen. Durch die Entwicklung einer automatischen Prozessüberwachung, -regelung und -steuerung entsteht eine innovative und kostenoptimierte Anlagentechnik. Essentiell für dieses Vorhaben sind die Implementierung von Inline-fähiger Messtechnik zur Schichtdickenmessung und Fehlerbilderkennung sowie eine schnelle und intelligente Verarbeitung der Messdaten. Zur weiteren Unterstützung des Projektzieles werden digitale Zwillinge auf Produkt- und Anlagenseite entwickelt, die sowohl das mechanische Verhalten während der Kalandrierung als auch elektrische und elektrochemische Produkteigenschaften abbilden können. Dies führt zu einer präzisen produkt- und anlagenoptimierten Steuerung des gesamten Produktionsschrittes.

Projektziele

Das Projekt InteKal – Intelligente Kalandrierung – verfolgt das Ziel einer anwendungsnahen Produktion für das Kalandrieren von Batterieelektroden sowie die schnelle Ermittlung der erforderlichen Prozessparameter. Dadurch werden eine Ausschussreduzierung und Zeitersparnis erreicht, die sich letztendlich in den Kosten niederschlägt. Ziel des Projektes ist es, Kalanderanlagen durch eine adaptive Prozessregelung in die Lage zu versetzen, einen agilen und einfach zu bedienenden Prozess zu ermöglichen. Dazu werden drei Batteriekalander, die sich u. a. im Walzendurchmesser unterscheiden, mit zusätzlicher Sensorik zur Inline-Qualitätsdatenerfassung ausgestattet. Zudem werden Verfahren zur Aufbereitung und Auswertung der erfassten Rohdaten entwickelt, sodass aus dieser Datenbasis echtzeitfähige Modelle erstellt werden können. Diese Modelle ermöglichen eine effizientere Verarbeitung und erleichtern dem Anlagenbediener die Bedienung, indem sie sowohl aktuelle Werte über die produzierte Qualität als auch Vorschläge zur Anpassung der Anlagenparameter liefern. Ein Vergleich der Anlagenparameter und Sensordaten der bei den Projektpartnern vorhandenen Kalanderanlagen ermöglicht die Übertragbarkeit des Ansatzes auf Kalanderanlagen mit unterschiedlichen Maßstäben. Damit wird ein ganzheitlicher Ansatz verfolgt, der durch intelligentes Kalandrieren zu einer Effizienzsteigerung der gesamten Produktion führt.

Kontakt

Prof. Dr.-Ing. Arno Kwade
Technische Universität Braunschweig
Institut für Partikeltechnik (iPAT)
Volkmaroderstr. 5,38104 Braunschweig
Tel.: +49 531 391 9610
E-Mail: a.kwade@tu-braunschweig.de

Projektlaufzeit

01.03.2021-31.08.2024

Themenfeld

Innovative agile Anlagentechnik

Förderkennzeichen

03XP0348A-C

Technologietransfer

Das Kalandrieren als etablierter, eigenschaftsbestimmender Prozessschritt bei der Herstellung von Lithium-Ionen-Batterien steigert durch die Verdichtung der Elektroden die volumetrische Energiedichte und homogenisiert die mechanischen Eigenschaften der Elektrode. Dies führt zu reduzierten Produktschwankungen der Batteriezellen bei hohen Ratenbelastungen. Allgemein ist der Einfluss der Kalandrierung auf die Produkteigenschaften gut untersucht, wobei die Auswirkungen bei Anoden und Kathoden zu unterscheiden sind. Für Anoden zeigt sich, dass eine hohe Verdichtung zu einem Anstieg des Diffusionswiderstandes führt, während eine leichte Verdichtung den elektrischen Widerstand und den irreversiblen Kapazitätsverlust verringern und sich somit positiv auswirken kann. Ein vergleichbares Verhalten zeigt sich bei den Benetzungseigenschaften von Graphitanoden. Zunächst führt eine leichte Verdichtung zu einer Verbesserung der Elektrolytaufnahme aufgrund einer vorteilhaften Ausrichtung der Aktivmaterialpartikel, während eine starke Verdichtung zum Verschluss einzelner Kapillaren innerhalb des Porennetzwerks infolge der Porositätsabnahme führt, was die Elektrolytaufnahme verschlechtert. Kathodenaktivmaterialien weisen gegenüber Anodenaktivmaterialien deutlich geringere elektrische Leitfähigkeiten auf, somit ist die Verdichtung bei Kathoden durch die steigende Vernetzung zwischen Aktivmaterial und Ruß-Bindermatrix von besonderer Bedeutung. Für Aktivmaterialien wie Lithium-Titanat-Oxid, Lithium-Eisen-Phosphat und Lithium-Kobalt-Oxid wurde gezeigt, dass die Verbesserung der elektrischen Leitfähigkeit einen höheren Einfluss aufweist als die Steigerung des Diffusionswiderstandes durch die Abnahme der Porosität. Für Lithium-Nickel-Kobalt-Mangan-Oxid- und Lithium-Mangan-Oxid-Kathoden konnte zusätzlich eine Steigerung der Adhäsionskraft zwischen Elektrodenbeschichtung und Substratfolie beobachtet werden. Diese nimmt zunächst bis zu einem mittleren Verdichtungsgrad ab, bevor sie im Zuge höherer Linienlasten zunimmt. Im Gegenzug ist jedoch mit einer Verschlechterung der Benetzungseigenschaften durch den Elektrolyten zu rechnen.
Die Materialeigenschaften und Produktzusammensetzung haben einen großen Einfluss auf den Herstellungsprozess und das Zelldesign und legen unter anderem die mechanischen Eigenschaften des Zielprodukts fest. Das eingesetzte Material und die Zusammensetzung beeinflussen auch den Kalandrierprozess. Lässt sich eine Elektrode leichter verformen, so kann die gewünschte Zieldichte mit geringeren Liniendrücken eingestellt werden. Grundsätzlich gilt es, ein teils enges Fenster optimaler Porosität und Tortuosität einzustellen, um die bestmögliche Leistungsfähigkeit der Elektroden zu erzielen. Die Wechselwirkungen zwischen dem Verdichtungsprozess und den Produkteigenschaften sind dabei materialspezifisch und unterscheiden sich demnach nicht nur von Anoden zu Kathoden, sondern sind ebenso in der Wahl der Aktivmaterialien und der gesamten Zusammensetzung der Elektrode zu differenzieren. Ein Model zur prädikativen Voraussage der Elektrodenstruktur und der resultierenden Elektrodenperformance ist bisher nicht bekannt und soll im Rahmen dieses Vorhabens durch die Entwicklung eines Produktzwillings realisiert werden. Dies würde den Versuchsaufwand und die damit einhergehenden Kosten deutlich senken, insbesondere in Verknüpfung mit dem im ebenfalls im Vorhaben geplanten Anlagenzwilling. Für die Erstellung eines Produktzwillings sind die vorhergehenden Prozessschritte und somit die Eingangseigenschaften der Elektrode äußerst relevant und werden aktuell in ProZELL – MiKal (03XP0240) untersucht. Für den Aufbau eines Produktzwillings wurde auf ein bereits bestehendes DEM-Simulationsmodell zurückgegriffen, welches das mechanische Verhalten einer partikulären Elektrodenbeschichtung bei externer Krafteinwirkung simuliert. Des Weiteren werden Methoden aus der Bildverarbeitung verwendet, die es auf Basis einer bestehenden Struktur ermöglichen, weitere Produkteigenschaften wie elektrische und elektrochemische Verhalten abzubilden und zu bewerten.

Neben dem eingesetzten Material und der Zusammensetzung haben die Prozessparameter beim Kalandrieren einen starken Einfluss auf die Zellperformance. Gleichzeitig hat die zur Verdichtung verwendete Anlagentechnik Einfluss auf die Verdichtungseigenschaften der Elektrode. Die Wahl der Kalandrierparameter muss somit einerseits in Bezug auf die letztendlichen Batteriezelleigenschaften und andererseits in Bezug auf die dazwischenliegenden Prozessschritte getroffen werden. Das Kalandrieren kann aufgrund diverser Material- sowie anlagenseitigen Ursachen Fehlerbilder hervorrufen, die zu Ausschuss führen oder die Handhabung in fortführenden Prozessschritten erschweren. Damit ist ein Optimum beim Kalandrieren der Elektroden zu finden, das die Weiterverarbeitung der Elektroden zulässt und im gleichen Zug zu den gewünschten Eigenschaften der Batteriezelle führt.

Dies verdeutlicht die Bedeutung einer modellbasierten Prozessführung für eine prädiktive Bestimmung optimaler Prozessparameter beim Kalandrieren sowie der resultierenden Porenstruktur und Elektrodenperformance. Die Aufstellung und Entwicklung von Modellen, die eine autonome Prozesssteuerung der Kalandrieranlage und Vorhersage von erreichbaren Produkteigenschaften ermöglichen, erfordert allerdings eine umfangreiche empirische Grundlage in Bezug auf Maschinenverhalten, Prozessparametern und Produkteigenschaften. Für die Umsetzung einer autonomen Prozesssteuerung werden insbesondere Inline-Messdaten benötigt, mit denen sowohl eine zeitliche als auch lokale Überlagerung bewerkstelligt werden kann. Hierfür existieren nach aktuellem Erkenntnisstand für den Bereich der Kalandrierung kaum Studien. Wie eingangs beschrieben, beziehen sich die meisten Untersuchungen auf die Korrelation zwischen der Verdichtung und hier vor allem der Porositätsabnahme und den Produkteigenschaften, insbesondere der elektrochemischen Performance.

Ein erstes Modell, welches die zum Erreichen einer Zielelektrodendichte benötigte Linienlast unter Berücksichtigung von unter anderem der Walzentemperatur und des Verdichtungswiderstands vorhersagt, existiert bereits. Dieses gilt es auch im Rahmen dieses Projekts zu erweitern und für eine Anwendung in der industriellen Fertigung auszulegen.

Vor dem Hintergrund der Ausschussreduktion, Steigerung der Reproduzierbarkeit und Reduktion der Produktschwankungen ist eine ganzheitliche Betrachtung des Kalandrierprozesses, wie im Vorhaben InteKal angedacht, notwendig. Dazu gehören zum einen die bereits erwähnten Produkt- und Anlagenzwillinge, welche eine prädiktive Betrachtung des Maschinen- und Produktverhaltens bis hin zur elektrochemischen Performance ermöglichen. Zum anderen ist eine adaptive und intelligente Prozessführung mit aussagekräftigen Quality Gates für eine kostenoptimierte Produktion, zur Steigerung der Reproduzierbarkeit und zur Minimierung der Produktschwankungen unerlässlich. An dieser Stelle setzt das im Vorhaben enthaltene cyber-physische System an. Als cyber-physisch werden Systeme bezeichnet, welche physische Maschinen oder Anlagen auf Grundlage von Modellen, basierend auf Inline-Daten in Echtzeit steuern bzw. regeln. Im Vorhaben InteKal wurden dazu zunächst die Inline-Messdaten unter Verwendung von KI-gestützten Modellen aufbereitet und Quality Gates für ein „Tracking & Tracing“-System definiert. Die Wechselwirkungen von Anlagen- und Produktparametern wurden über die Inline-Daten erfasst und dienen der Entwicklung physikalischer und numerischer Ersatzmodelle für das Hybridmodell, welches die innovative und autonome Anlagensteuerung übernimmt. Das Vorhaben erhält seinen Neuheitsgrad durch die Modellbildung anhand innovativer Anlagentechnik und Verwendung von Methoden aus dem Bereich Industrie 4.0 und führt das Kalandrieren somit zu einem Optimum.

  • Abbildung 1: Konfokal-chromatische Elektrodendickenmessung

  • Abbildung 2: Optische Faltenerkennung mittels Lasertriangulationssensoren

  • Abbildung 3: Auswertung der Sensordaten in Bezug auf Elektrodenwelligkeit

  • Abbildung 4: Kalanderaufbau am iwb der TUM

  • Abbildung 5: Beispielhafte Elektrodenstruktur aus dem Produktzwilling

Im Kontext der Qualitätsdatenerfassung konnten im Rahmen des Projektes passende Sensoren ausgewählt werden, die in der Lage sind, stark verdichtete und glänzende Elektroden zu vermessen.

Zur Dickenmessung konnte ein konfokal-chromatisches Messsystem erfolgreich eingesetzt werden, welches trotz der beim Verdichten entstehenden glänzenden Elektrodenoberfläche zuverlässige Messergebnisse liefert. Der Messaufbau am WBK ist in Abbildung 1 gezeigt. Allerdings zeigte sich, dass derzeit keine Sensoren am Markt erhältlich sind, deren Messgenauigkeit ± 1 µm beträgt und deren Messbereich ausreicht, um insbesondere wellige Kathoden kontinuierlich vermessen zu können. Ferner steht die wellige Elektrode nicht immer orthogonal zur optischen Achse des Messystems, sodass durch diesen Effekt Messabweichungen zur tatsächlichen Elektrodendicke entstehen können. Mit verschiedenen Messtechnikherstellern wurde dieses Problem diskutiert und dabei identifiziert, welche die zielführendste Vorgehensweise ist, um inline mit geringer Messunsicherheit die Elektrodendicke zu erfassen. Unter Berücksichtigung der aktuell verfügbaren Hardware ist eine softwarebasierte Verarbeitung der Rohdaten notwendig mithilfe derer, u. a. durch Zuhilfenahme von geometrischen Funktionen, die genannten Messabweichungen in den Daten automatisch erkannt und gegebenenfalls entfernt werden können.

Lasertriangulationssensoren hingegen konnten erfolgreich für die Detektion von Wellen- und Faltenbildung eingesetzt werden. Der Aufbau am WBK, der für diese Inline-Messung genutzt wurde ist in Abbildung 2 dargestellt. Als Inline-Messsystem ermöglichen diese Sensoren die Analyse der Korrelationen zwischen Prozessparametern und Fehlerbildausprägung durch gezielte Parametervariation. In diesem Kontext wurden auch quantitative Kenngrößen zur Beurteilung der Elektrodenwelligkeit erarbeitet. Als praxistauglichste Kenngrößen erwiesen sich sowohl die Differenz des höchsten und des tiefsten Punktes einer Welle als auch die Längung der Elektrodenmitte im Vergleich zur Ableiterfolie. Ein beispielhafter Datensatz mit einer Auswertung der Elektrodenwelligkeit entlang zweier Linien kann Abbildung 3 entnommen werden. Zur Ermittlung des Einflusses des Walzenrundlaufs auf die Elektrodendicke wurde der Walzenrundlauf mittels konfokal-chromatischer Abstandssensoren vermessen und Kalandrierversuche durchgeführt. Eine Wechselwirkung zwischen Walzenrundlauf, Verdichtungskräften und Elektrodendicke konnte beobachtet werden, sodass eine Korrelation dieser Größen vermutet wird. Ferner konnte an einem positionsgeregelten Kalander beobachtet werden, dass bei einem schrittweisen Erhöhen der Kalandriergeschwindigkeit bis 30 m/min die Elektrodendicke um mehrere µm zunimmt. Dadurch konnte gezeigt werden, dass industrienahe Kalandriergeschwindigkeiten einen Einfluss auf das Verdichtungsverhalten von Batterieelektroden haben. Die Betrachtung derartiger Scale-Up-Effekte wurde dadurch erst möglich gemacht, dass bei den Projektpartnern verschiedene Kalanderanlagen vom Labormaßstab bis zum Pilotlinienmaßstab vorhanden sind. Hierbei war ein Projektschwerpunkt am iwb die Beschaffung einer neuen Kalanderanlage vom Typ GKL600MS, welche in Abbildung 4 gezeigt ist.

Zudem wurde basierend auf den Maschinen- und Sensordaten ein digitales Abbild der Kalandrieranlage entwickelt, welches im laufenden Prozess die Messdaten analysiert und eine Unterstützung für den Anlagenbediener darstellt. Durch die einfache und ergonomische Darstellung der relevanten Prozessgrößen kann der Bediener mit geringen Reaktionszeiten eine Anpassung der Prozessparameter bei Abweichung vom jeweiligen Soll vornehmen. Weiterhin werden z. B. die Elektrodenschichtdicke, relevante Anlagenwerte und die erweiterte Höhenbildauswertung mittels Lasertriangulation dargestellt. Basierend auf den Quality Gates, z. B. hinsichtlich Fehlerkennzahl der Elektrodenwellung, kann hierdurch adaptiv auf abweichende Produkteigenschaften reagiert und Prozessparameter angepasst werden. Gleichzeitig stellt der Maschinenzwilling die Schnittstelle zu einem übergeordneten Tracking-und-Tracing-System dar, welches in dem InZePro-Projekt TrackBatt entwickelt wurde. Der entwickelte Maschinenzwilling ermöglicht die Synchronisation mit einer zentralen Datenbank und so die Einbindung der gesammelten Prozessdaten in das entwickelte Tracking-und-Tracing-System.

Neben dem digitalen Abbild der Anlage wurde auch eine Simulation des Kalandrierprozesses auf Produktebene mithilfe der Diskrete-Elemente-Methode entwickelt. Dazu wurde ein bereits vorhandenes Modell weiterentwickelt und mithilfe der gesammelten Daten und Informationen über die Bestandteile und deren Zusammensetzung in der Batterieelektrode kalibriert. Das Simulationssetup kann beispielsweise den Einfluss der Walzentemperatur im Kalandrierprozess grundsätzlich abbilden, indem die mechanischen Eigenschaften des Additiv-Binder-Netzwerks der Elektrode angepasst werden. Demzufolge wird das mechanische Verhalten der Elektrode bei steigenden Temperaturen stärker von irreversibler/plastischer Verformung bestimmt. Das Ergebnis jeder Simulation ist ein 3D-Modell der Aktivmaterialstruktur, welches unter Zuhilfenahme von Bildverarbeitungs-Methoden im Hinblick auf die elektrochemischen Eigenschaften der Elektrodenstruktur analysiert werden kann. So konnten bereits erste Rückschlüsse auf die elektrische Leitfähigkeit der Elektrode gezogen werden, die im Einklang mit vorhandenen Messdaten stehen. Eine beispielhafte Elektrodenstruktur, die für die Simulation der effektiven Leitfähigkeit verwendet wurde ist in Abbildung 5 dargestellt.

Darüber hinaus wurde basierend auf der integrierten Inline-Sensorik ein Konzept einer agilen Prozesssteuerung in einer Closed-Loop-Regelung mittels Fehlererkennung und Schichtdickenmessung der Elektrodenbahn entwickelt. Der Lasertriangulationssensor ist der konfokalen Schichtdickenmessung als „Indikatorsystem“ vorgeschaltet. Die Quantifizierung und Vergleichbarkeit der mittels Lasertriangulation detektierten Fehlerbilder wird durch die Datenverarbeitung und Berechnung von Fehlerkennzahlen hinsichtlich Elektrodenwellung unterstützt. Vor dem Kalandrierprozess wird in einer Anwendungssoftware ein Sollwert für die Schichtdicke vorgegeben und mit der konfokal gemessenen Schichtdicke (definiert als Prozessgröße) verglichen. Der zur Erzielung der Zielschichtdicke erforderliche Walzenspalt wird vorab mit Hilfe eines KI-Modells ermittelt, das auf Basis einer Vielzahl von im Projekt durchgeführten Kalandrierversuchen entwickelt wurde. Anschließend wird der Walzenspalt in einem agilen und geschlossenen Regelkreis auf Basis der Abweichung über die intelligente Prozesssteuerung angepasst. Letzteres bezieht sich auf die Implementierung von Datenverarbeitungsmethoden in der internen Prozesssteuerung in Form von Algorithmen und künstlicher Intelligenz. Gleichzeitig wird das Elektrodenprofil längs und quer zur Bahnlaufrichtung hinsichtlich Fehlerbildern überwacht. Wie bereits erwähnt, erwiesen sich die konfokal-chromatischen Sensorköpfe als anfällig bei der Messung der Elektrodendicke von Kathoden, da diese grundsätzlich bei hohen Verdichtungen stärker ausgeprägte Fehlerbilder aufweisen. Diese wirken sich negativ auf die Messgenauigkeit der Schichtdicke aus und müssen in nachfolgenden Projekten weiterführend untersucht werden.

  • Abbildung 1: Konfokal-chromatische Elektrodendickenmessung

  • Abbildung 2: Optische Faltenerkennung mittels Lasertriangulationssensoren

  • Abbildung 3: Auswertung der Sensordaten in Bezug auf Elektrodenwelligkeit

  • Abbildung 4: Kalanderaufbau am iwb der TUM

  • Abbildung 5: Beispielhafte Elektrodenstruktur aus dem Produktzwilling

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

Unterstützung und Beratung bei der Konzeptionierung von Kalanderanlagen (Erstellung des Leistungsverzeichnisses, Herstellergespräche, Engineering). Besondere Kompetenzen in den Bereichen Sensorintegration (Auswahl von Technologien, Auswertung und Interpretation von Daten von Maschine und Produkt) und Retrofitting (Unterstützung bei Anpassungen von Bestandsanlagen).

Ansprechpartner: Prof. Dr.-Ing. Jürgen Fleischer

Institut für Produktionstechnik (WBK)
Karlsruher Institut für Technologie (KIT)
Kaiserstraße 12, Gebäude 70.16, 76131 Karlsruhe
Tel.: +49 721 60844011
E-Mail-Adresse: juergen.fleischer@kit.edu

Ansprechpartner: Prof. Dr.-Ing. Arno Kwade

Institut für Partikeltechnik (iPAT)
Technische Universität Braunschweig (TUBS)
Volkmaroder Straße 5, 38104 Braunschweig
Tel.: +49 531 391 9610
E-Mail-Adresse: a.kwade@tu-braunschweig.de

Ansprechpartner: Prof. Dr.-Ing. Rüdiger Daub

Technische Universität München (TUM)
Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
Boltzmannstraße 15, 85748 Garching
Tel.: +49 89 289 15504
E-Mail-Adresse: ruediger.daub@iwb.tum.de


Aufbau und Durchführung von simulativen Kalandrierstudien zur Identifikation optimaler Anlagenparameter. Bereitstellung eines digitalen Produktzwillings sowie Analyse und Optimierung der elektrochemischen Eigenschaften digitaler Elektrodenstrukturen.

Ansprechpartner: Prof. Dr.-Ing. Arno Kwade

Institut für Partikeltechnik (iPAT)
Technische Universität Braunschweig (TUBS)
Volkmaroder Straße 5, 38104 Braunschweig
Tel.: +49 531 391 9610
E-Mail-Adresse: a.kwade@tu-braunschweig.de


Beratung und Unterstützung beim Aufbau von Simulationsmodellen (z. B. mittels Diskrete-Elemente-Methode) für Verdichtungsvorgänge. Dies umfasst bspw. die Hilfestellung beim Aufbau und Validierung von Modellen oder Abhaltung von Workshops. Dies wird begleitet durch entsprechende Experimente.

Ansprechpartner: Prof. Dr.-Ing. Rüdiger Daub

Technische Universität München (TUM)
Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
Boltzmannstraße 15, 85748 Garching
Tel.: +49 89 289 15504
E-Mail-Adresse: ruediger.daub@iwb.tum.de


Durchführen von Kalandrierversuchen (neuer Aktivmaterialien) zur Bestimmung von Prozessgrenzen und möglicher Fehlerbilder sowie zur Bereitstellung von kalandrierten Elektroden für den Zellbau.

Ansprechpartner: Prof. Dr.-Ing. Jürgen Fleischer

Institut für Produktionstechnik (WBK)
Karlsruher Institut für Technologie (KIT)
Kaiserstraße 12, Gebäude 70.16, 76131 Karlsruhe
Tel.: +49 721 60844011
E-Mail-Adresse: juergen.fleischer@kit.edu

Ansprechpartner: Prof. Dr.-Ing. Arno Kwade

Institut für Partikeltechnik (iPAT)
Technische Universität Braunschweig (TUBS)
Volkmaroder Straße 5, 38104 Braunschweig
Tel.: +49 531 391 9610
E-Mail-Adresse: a.kwade@tu-braunschweig.de

Ansprechpartner: Prof. Dr.-Ing. Rüdiger Daub

Technische Universität München (TUM)
Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
Boltzmannstraße 15, 85748 Garching
Tel.: +49 89 289 15504
E-Mail-Adresse: ruediger.daub@iwb.tum.de


Durchführung von mechanischen und elektrischen Analysen an Batterieelektroden wie z. B. Quecksilber-Porosimetrie, Zug-, Biege-, Eindring- und Haftfestigkeitsversuch und Prüfungen wie z. B. EIS, Grenzflächenwiderstands- und Durchgangsleitfähigkeitsmessungen.

Ansprechpartner: Prof. Dr.-Ing. Jürgen Fleischer

Institut für Produktionstechnik (WBK)
Karlsruher Institut für Technologie (KIT)
Kaiserstraße 12, Gebäude 70.16, 76131 Karlsruhe
Tel.: +49 721 60844011
E-Mail-Adresse: juergen.fleischer@kit.edu

Ansprechpartner: Prof. Dr.-Ing. Arno Kwade

Institut für Partikeltechnik (iPAT)
Technische Universität Braunschweig (TUBS)
Volkmaroder Straße 5, 38104 Braunschweig
Tel.: +49 531 391 9610
E-Mail-Adresse: a.kwade@tu-braunschweig.de

Ansprechpartner: Prof. Dr.-Ing. Rüdiger Daub

Technische Universität München (TUM)
Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
Boltzmannstraße 15, 85748 Garching
Tel.: +49 89 289 15504
E-Mail-Adresse: ruediger.daub@iwb.tum.de


Aus- und Weiterbildung von Anlagenbedienern mittels eines Workshops inkl. Praxiseinheiten zum Thema Fehlerbilder, Prozessgrößen und Best Practices beim Kalandrieren von Batterieelektroden. Diese finden vor Ort an den Kalanderanlagen statt.

Ansprechpartner: Prof. Dr.-Ing. Jürgen Fleischer

Institut für Produktionstechnik (WBK)
Karlsruher Institut für Technologie (KIT)
Kaiserstraße 12, Gebäude 70.16, 76131 Karlsruhe
Tel.: +49 721 60844011
E-Mail-Adresse: juergen.fleischer@kit.edu

Ansprechpartner: Prof. Dr.-Ing. Arno Kwade

Institut für Partikeltechnik (iPAT)
Technische Universität Braunschweig (TUBS)
Volkmaroder Straße 5, 38104 Braunschweig
Tel.: +49 531 391 9610
E-Mail-Adresse: a.kwade@tu-braunschweig.de

Ansprechpartner: Prof. Dr.-Ing. Rüdiger Daub

Technische Universität München (TUM)
Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
Boltzmannstraße 15, 85748 Garching
Tel.: +49 89 289 15504
E-Mail-Adresse: ruediger.daub@iwb.tum.de

Projektpartner

  • Technische Universität Carolo-Wilhelmina zu Braunschweig (TUBS)
    Institut für Partikeltechnik (iPAT)
    Volkmaroderstr. 5, 38104 Braunschweig
    Vertreten durch Prof. Dr.-Ing. Arno Kwade
    www.tu-braunschweig.de/ipat

  • Karlsruher Institut für Technologie (KIT)
    Institut für Produktionstechnik (WBK)
    Kaiserstr. 12, 76131 Karlsruhe
    Vertreten durch Prof. Dr.-Ing. Jürgen Fleischer
    www.wbk.kit.edu

  • Technische Universität München (TUM)
    Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb)
    Boltzmannstr. 15, 85748 Garching b. München
    Vertreten durch Prof. Dr.-Ing. Rüdiger Daub
    www.mec.ed.tum.de/iwb

Zurück zur Übersicht

Weiterlesen