Verbundvorhaben: iBMS - Entwicklung eines intelligenten Batterie-Management-Systems zur Lebensdaueroptimierung einer Hochvoltbatterie; Teilvorhaben: Digitaler Zwilling

Abstract

Digitale Zwillinge haben sich als transformative Technologie in verschiedenen Branchen etabliert und bieten großes Potenzial, das Produktlebenszyklusmanagement zu verbessern und Fertigungsprozesse zu optimieren. In der Batterieindustrie erfordert ihre Anwendung jedoch eine gründliche wissenschaftliche Validierung, um ihre Wirksamkeit bei der Bewältigung branchenspezifischer Herausforderungen wie Batteriealterung, Nutzungsoptimierung, Fertigungsunregelmäßigkeiten und Zweitleben-Anwendungen zu beurteilen. Diese Forschung untersucht den Nutzen eines „Battery Digital Twin“ im Batterielebenszyklus, um ein umfassendes Verständnis seiner Vorteile und Grenzen zu schaffen und fundierte Implementierungsentscheidungen zu erleichtern. Eine präzise Vorhersage der Lebensdauer und Degradationsmechanismen von Lithium-Ionen-Batterien ist entscheidend für ihre Optimierung, ihr Management und ihre Sicherheit, während latente Ausfälle vermieden werden. Typische Zustandsabschätzungen sind jedoch herausfordernd, da Zellparameter komplex und dynamisch sind und Nutzungsbedingungen stark variieren. Physikbasierte Batteriemodelle erfordern einen Kompromiss zwischen Genauigkeit und Komplexität aufgrund der Vielzahl an benötigten Parametern. Gleichzeitig benötigen maschinelle Lernmodelle große Trainingsdatensätze und können bei der Generalisierung auf unbekannte Szenarien versagen. Um dieses Problem zu lösen, wurden in diesem Projekt zwei unterschiedliche hybride Modellierungsansätze untersucht: die sequenzielle Integration unabhängiger Modelle (HA-I) und die eingebettete Integration unabhängiger Modelle (HA-II). Die Ergebnisse zeigen, dass HA-I durch seine rechnerische Effizienz und Genauigkeit besonders für Zellen unter Umgebungstemperaturbedingungen hervorsticht. Im Gegensatz dazu kombiniert das Design von HA-II ein intensives Offline-Modul mit einem effizienten Online-Modul und bietet dadurch Robustheit gegenüber variierenden Bedingungen sowie Eignung für Echtzeitanwendungen. Der Kompromiss zwischen den beiden Ansätzen liegt in der Abwägung zwischen Ausführungszeit und der Fähigkeit, sich an dynamische Betriebsbedingungen anzupassen. Die Wahl zwischen HA-I und HA-II hängt letztlich von den spezifischen Anforderungen der Anwendung ab, wie der Bedeutung der Vorhersagegenauigkeit, der Verfügbarkeit von Rechenressourcen und der Notwendigkeit von Echtzeitvorhersagen.