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

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

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

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

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