DAFODIL - Datenbasierte Fertigungsoptimierung von Batteriezellen auf Basis von End-of-Line-Daten durch massiven Einsatz von Machine Learning Algorithmen und inline Analytik

Abstract

Das Projekt DAFODIL zielte darauf ab, die Qualität von Li-Ionen-Batteriezellen bereits in der Produktion systematisch zu erfassen und daraus eine datenbasierte Fertigungsoptimierung mittels Machine-Learning-Algorithmen und Inline-Analytik zu ermöglichen. Aufbauend auf bestehenden Produktionslinien wie MEET und CCT sollte der gesamte Prozess von der Elektrodenfertigung über die Zellassemblierung bis zur Zellfinalisierung detailliert beschrieben sowie für jeden Schritt Optionen zur Sensorintegration identifiziert werden. Dabei waren zentrale Aufgaben die Definition von Qualitätsparametern für Batteriezellen, getrennt nach zerstörungsfreien Methoden (z. B. EIS, Kapazitätstests, Puls-/Float-Tests, Temperaturantwort) und zerstörenden Post-Mortem-Analysen (z. B. Porosität, Materialverteilung), sowie die systematische Erfassung relevanter Prozess- und Qualitätsparameter als Inputgrößen für ML-basierte Modelle. Dabei sollten auch neue Sensoren integriert werden, die noch nicht Stand der Technik waren. Das ISEA der RWTH Aachen sollte schnelle, möglichst automatisierbare Bewertungsmethoden weiterentwickeln und standardisieren, um Referenzdaten für die ML-Verfahren von Siemens bereitzustellen und Korrelationen zwischen Produktionsparametern und Zellqualität aufzudecken. Ergänzend adressierte das PEM die wirtschaftliche Umsetzbarkeit durch Identifikation der größten Stellhebel zur Ausschussreduktion, Clusteranalysen und Kosten-Nutzen-Betrachtungen für Fertigungsszenarien von der Pilotlinie über Kleinserien bis zur Großserie sowie die Ableitung praxisnaher Handlungsempfehlungen für Sensorik und Datenauswertung.