KI-gestützte, teilautomatisierte Demontage von Transaktionsbatterien (Akronym: KaDoTe); Teilvorhaben: Entwicklung KI-basierter Verfahren zur Batterietyperkennung und zur Detektion von Fügestellen

Abstract

Die Elektromobilität führt zu stark steigenden Rücklaufmengen an Lithium-Ionen-Traktionsbatterien, deren Demontage bislang überwiegend manuell erfolgt. Ursache ist die hohe Variantenvielfalt der Batteriesysteme: Bauform, Modulanordnung und Fügetechnik unterscheiden sich zwischen Herstellern und Baujahren erheblich, sodass klassische, fest programmierte Automatisierungslösungen nicht wirtschaftlich einsetzbar sind. Im Verbundprojekt KaDoTe wurden daher technologische Grundlagen für eine KI-gestützte, teilautomatisierte Demontage von Traktionsbatterien erarbeitet, die KI-basierte Bildverarbeitung, flexible Automatisierung, digitale Zwillinge und adaptive Prozesssteuerung zu einer integrierten Lösung verbindet. Der vorliegende Bericht dokumentiert das Teilvorhaben der DENKweit GmbH: die Entwicklung KI-basierter Verfahren zur Batterietyperkennung und zur Detektion von Fügestellen. Zur Typidentifikation wurden neuronale Netze aufgebaut, die Typenschilder lokalisieren und deren Inhalte über QR-Code-Dekodierung sowie Texterkennung (OCR) auslesen. Für die Demontageplanung wurden Modelle zur Erkennung von Fügestellen und weiteren demontagerelevanten Objekten (Schrauben, Muttern, Schweißnähte, Kabel) trainiert, die neben der Klassifikation auch Position und Orientierung im Bearbeitungsraum bestimmen. Die räumlichen Koordinaten entstehen aus der Verknüpfung von 2D-Bilddaten mit einer 3D-Punktwolke; für die Referenzierung beider Sensoren wurden spezifische Kalibrierprüfkörper entwickelt. Das Training erfolgte auf annotierten Realaufnahmen, synthetisch erzeugten Bilddaten und eigens gefertigten Dummy-Prüfkörpern. Die Verfahren wurden in einem eigenständigen Optikmodul zusammengeführt und an zwei prototypischen Demontageanlagen der Technischen Universität Chemnitz implementiert. Die Ergebnisübergabe an das Automatisierungssystem erfolgt über eine definierte OPC-UA-Schnittstelle in einem JSON-basierten Format. Der Funktionsnachweis wurde in der Laborumgebung erbracht: Schrauben wurden automatisiert herausgedreht, Batteriemodule automatisiert entnommen und Kabel einschließlich Greifpunkt und räumlicher Richtung zuverlässig detektiert. Die Detektionsgüte im Validierungsdatensatz lag bei über 95 Prozent, wobei Fehldetektionen deutlich geringere Klassifikationswahrscheinlichkeiten aufwiesen und über Schwellwerte herausgefiltert werden können. Als kritischer Punkt für den industriellen Einsatz verbleibt die Genauigkeit der Sensorkalibrierung sowie die Bewertung der Punktwolkenqualität des eingesetzten 3D-Sensors. Die Arbeiten zeigen, dass KI-basierte Wahrnehmung die für eine flexible Demontage entscheidende Lücke schließt, indem sie Bauteile ohne vorherige Indexierung lokalisiert und die erforderlichen Prozessinformationen automatisiert bereitstellt. Der Ansatz ist nicht batteriespezifisch und auf weitere Anwendungsfelder im Maschinen- und Anlagenbau übertragbar.