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