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

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

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

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

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