Skip to main content
KIproBatt

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

Motivation

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

Projektinhalt

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

Projektziele

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

Kontakt

Christoph Berger
Fraunhofer-Gesellschaft
Institut für Gießerei-, Composite- und Verarbeitungstechnik (IGCV)
Am Technologiezentrum 10, 86159 Augsburg
Tel.: +49 821 90678 154
E-Mail: christoph.berger@igcv.fraunhofer.de

Projektlaufzeit

01.10.2020-31.03.2024

Themenfeld

KI in der Produktion

Förderkennzeichen

03XP0309A

Technologietransfer

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

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

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

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

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

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

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

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

Video 4
Video 5

Legende

Anlagenkonzeptionierung
Anlagenoptimierung
Beratungs- und Schulungsworkshops
Experimentelle Versuche
Simulative Arbeiten

Wie beraten bei dem Aufbau und der Verwendung von Ontologien in der Batterieproduktion. Auf dieses Basis bieten wir Entwicklungsdienstleistungen zur Implementierung eines „Semantic Layer“ zur Verbindung der Produktionshardware mit digitalen Zwillingen an.

Ansprechpartner: Dr. Simon Stier

Fraunhofer-Institut für Silicatforschung ISC
Neunerplatz 2, 97082 Würzburg
Tel.: 0931 / 4100-661
E-Mail-Adresse: Simon.stier@isc.fraunhofer.de

Ansprechpartner: Dr. Lukas Gold

Fraunhofer-Institut für Silicatforschung ISC
Neunerplatz 2, 97082 Würzburg
Tel.: 0931 / 4100-970
E-Mail-Adresse: Lukas.gold@isc.fraunhofer.de


Projektierung von Prozessmonitoring für die Batterieproduktion Im Rahmen des KIproBatt-Projektes haben wir ein generisches Framework entwickelt, um die Qualität in Batterie- und Fertigungsprozessen vorherzusagen und basierend auf der Qualität bereits früh im Prozess Entscheidungen zu treffen. Dabei hilft das Modell nicht nur, wirtschaftliche KPIs zu berücksichtigen, sondern legt einen Mehrwert auf die Nachhaltigkeitsdimension. Wir pilotieren gemeinsam mit Ihnen die Anwendung auch in anderen Kontexten.

Ansprechpartner: Prof. Dr. Maximilian Röglinger

Universität Bayreuth
Lehrstuhl für Wirtschaftsinformatik und Wertorientiertes Prozessmanagement
Wittelsbacher Ring 10, 95444 Bayreuth
Tel.: +49 921 55 – 4707
E-Mail-Adresse: maximilian.roeglinger@fim-rc.de

Ansprechpartner: Prof. Michael Möckel

Technische Hochschule Aschaffenburg
Würzburger Straße 45, Raum C1/04/102, 63743 Aschaffenburg
Tel.: (0 60 21) 4206 – 507
E-Mail-Adresse: michael.moeckel@th-ab.de


Spezifisches Feature Extraction für Bild- und Sensordaten Wir legen Wert darauf, bei der Datenanalyse (insbesondere beim Feature Engineering und Feature Screening) die physikalische Bedeutung den features  zu erhalten, um die Zuverlässigkeit der Datenanalyse zu gewährleisten. 

Ansprechpartner: Prof. Michael Möckel

Technische Hochschule Aschaffenburg
Würzburger Straße 45 Raum C1/04/102, 63743 Aschaffenburg
Tel.: (0 60 21) 4206 – 507
E-Mail-Adresse: michael.moeckel@th-ab.de


Effiziente Datensatzerweiterung für industrielle ML-Algorithmen Versuchsplan zur Qualitätsanalyse im „Small-data context“ wurde entwickelt, um der geringen Datenmenge in der Pilotproduktion/kleinen und mittleren Produktionslinien zu genügen. Physik-gestützte KI kann den Datenbedarf der Datenanalyse reduzieren

Ansprechpartner: Prof. Michael Möckel

Technische Hochschule Aschaffenburg
Würzburger Straße 45 Raum C1/04/102, 63743 Aschaffenburg
Tel.: (0 60 21) 4206 – 507
E-Mail-Adresse: michael.moeckel@th-ab.de


Wir bieten State-of-the-Art Kleinserienproduktion mit Parameterraumvarianten und Komponentenqualifizierungen, beispielsweise um Materialien, Prozesse und Parameter für die Skalierung Ihrer industriellen Fertigung zu qualifizieren und auszuwählen. 

Ansprechpartner: Dr. Andreas Flegler

Fraunhofer F&E-Zentrum für Elektromobilität Bayern FZEB Fraunhofer-Institut für Silicatforschung ISC
Neunerplatz 2, 97082 Würzburg
Tel.: 0931/4100-591
E-Mail-Adresse: Andreas.flegler@isc.fraunhofer.de

Projektpartner

Fraunhofer-Gesellschaft
Institut für Gießerei-, Composite- und Verarbeitungstechnik (IGCV)
Am Technologiezentrum 10, 86159 Augsburg
Vertreten durch Christoph Berger
www.igcv.fraunhofer.de

Fraunhofer-Gesellschaft
Institut für Silicatforschung (ISC)
Neunerplatz 2, 97082 Würzburg
Vertreten durch Dr. Henning Lorrmann
www.isc.fraunhofer.de

Universität Bayreuth
Wirtschaftsinformatik und Wertorientiertes Prozessmanagement
Wittelsbachring 10, 95444 Bayreuth
Vertreten durch Prof. Dr. Maximilian Röglinger
www.wi.uni-bayreuth.de

Technische Hochschule Aschaffenburg
Labor für Medizinische IT und Simulation
Würzburger Str. 45, 63743 Aschaffenburg
Vertreten durch Prof. Dr. Michael Möckel
www.th-ab.de