Könnten prädiktive Analysen Tesla dabei helfen, die Kosten für Batteriepacks auf 100 US-Dollar pro kWh zu senken?

„Ja“, sagt Kari Terho, Direktor und Leiter der Smart Factory von Elisa Smart Factory . Hier erklärt er, wie sein Team mit Predictive Quality Analytics im eLab, dem Forschungszentrum für Elektromobilität an der Universität Aachen in Deutschland, die Produktionsausbeute von Batteriezellen um 16 % gesteigert hat.

Die Batteriekosten von 100 $/kWh (90,8 €/kWhf) sind ein Hauptziel von Tesla . Um dies zu erreichen, muss das Unternehmen eine der anspruchsvollsten technologischen Herausforderungen der Welt lösen – und zwar wie die volumetrische Energiedichte von Batteriezellen erhöht und gleichzeitig die Produktionskosten gesenkt werden können.

Als Tesla-Gründer Elon Musk 2017 öffentlich über die Telefonkonferenz des Unternehmens sprach, fragte er:„Kann mir bitte jemand einen Batterie-Durchbruch einfallen? Wir würden es lieben!” Seine Ansichten spiegeln die Komplexität der Herausforderung wider, die sein Unternehmen zu lösen versucht. Um der Forderung von Musk nach bahnbrechenden Innovationen für Batterien nachzukommen, haben die Datenwissenschaftler von Elisa den Produktionsertrag von Batteriezellen durch Vorhersagen der Fertigungsqualität erhöht.

Bei der Herstellung von Batteriezellen gibt es eine Qualitätsherausforderung

Die Herstellung von Lithium-Ionen-Batteriezellen für Elektroautos ist im Prinzip ein unkomplizierter Prozess.

Anoden- und Kathodenelektroden werden in mehreren Teilprozessen aus einer Mischung unterschiedlicher Rohstoffe hergestellt und anschließend in Batteriezellen verpackt, die mit dem Elektrolyten befüllt, versiegelt und finalisiert ans End-of-Line geschickt werden testen.

Der Prozess ist jedoch viel komplizierter. Eine wesentliche Herausforderung bei der Herstellung von Batteriezellen besteht darin, dass die endgültige Qualität der hergestellten Zellen erst nach langwierigen End-of-Line-Tests überprüft werden kann – und die Durchführung des Tests kann bis zu drei Wochen dauern. Erst danach kann der Hersteller feststellen, ob ein fertiges Batteriezellenprodukt für die Batteriepack-Produktion weiterverwendet werden kann; oder als Sondermüll entsorgt werden muss.

Ausrangierte Batteriezellen können nicht recycelt werden, wodurch knappe, nicht erneuerbare und teure Rohstoffe wie Lithium, Kobalt, Nickelsulfat, Kupfer, Aluminium und Graphit verschwendet werden. Der weltweite durchschnittliche First-Time-Yield (FTY) für Batteriezellen wird auf bis zu 15 % geschätzt, was die Herstellung von Batteriezellen teuer und langsam macht.

Wie können wir den Produktionsertrag von Batteriezellen steigern?

Im eLab, dem Forschungszentrum für Elektromobilität der Universität Aachen in Deutschland, wurde diese Qualitätsherausforderung als wesentliches Problem identifiziert, das eine kosteneffiziente Fertigung verhindert und die Einführung umweltfreundlicher Elektroautos bremst.
Auf der Suche nach Um einen effizienteren Herstellungsprozess für Batteriezellen zu entwickeln, hat sich eLab mit dem Data Scientist-Team von Elisa Smart Factory zusammengetan.

Verwenden von Predictive Quality Analytics für die Herstellung von Batteriezellen

Die Predictive Quality Analytics wird verwendet, um Daten aus einem Herstellungsprozess zu extrahieren, um Datenmuster zu bestimmen, auf deren Grundlage qualitätsbezogene Trends und Ergebnisse vorhergesagt werden können. Daher ist es ein geeignetes Werkzeug, um die Qualitätsherausforderung von eLab zu lösen.

Das Data Scientist-Team von Elisa folgte dem branchenübergreifenden Standardprozess für Data Mining, dem sechsstufigen CRISP-DM-Prozess; Dies ist das unter Data-Mining-Experten am weitesten verbreitete Analysemodell. So wird der Prozess beschrieben.

1. Der erste Schritt ist ein klares Geschäftsverständnis der Batteriezellproduktion und die richtigen Ziele zu setzen. Die Gesamtsituation wurde bewertet, die Qualitätstreiber im Prozess definiert, die die Batteriezellqualität beeinflussenden Datenpunkte identifiziert und die Parameter ermittelt, die die Batteriezellqualität am besten beschreiben.
2. Der nächste Schritt sind Daten Verständnis, wie beim CRIP-DM-Prozess. Es beinhaltete eine Gap-Analyse, welche Art von Daten verfügbar ist und welche Daten benötigt werden. In diesem Fall wurde eine Datenlücke durch die Installation einer Qualitätskamera in der Fertigungslinie geschlossen.
3. In der Datenaufbereitung Phase werden die Daten bereinigt und im gleichen Format harmonisiert. Zeitstempel werden gegengeprüft, um Verluste bei der Datenerfassung zu vermeiden.
4. Die Modellierung war die anspruchsvollste Phase für die Data Scientists. Es gibt Tausende von Möglichkeiten, Daten zu analysieren. Die Datenwissenschaftler müssen verschiedene Algorithmen ausprobieren, um die verschiedenen Ergebnisse zu sehen, die sie liefern, wenn sie auf die von der Batteriezellenfertigungslinie gesammelten Daten angewendet werden.
5. Die Bewertung der Ergebnisse ist entscheidend. Dabei wurde untersucht, ob die Ergebnisse valide sind und eine Vorhersage der Qualität der Batteriezellen ermöglichen.
6. Schließlich bei der Bereitstellung Phase definierte das Team die optimalen Parameter für die Einrichtung der Produktionsanlagen und Maschinen für eine optimale Produktionsqualität. Dazu gehörten unter anderem die richtigen Viskositätsparameter.

Das Ergebnis sind 16 % iErhöhung des Produktionsertrags von Batteriezellen

Nach dem Einsatz von Predictive Quality Analytics von Elisa sank die Ausschussrate in der eLab-Batteriezellen-Fertigungslinie um 16 %, da die Qualität der Batteriezellen nun frühzeitig vorhergesagt werden konnte. Die am Ende des Prozesses als minderwertig eingestuften Batteriezellen werden nun früher im Prozess identifiziert und vom Band genommen. Das Rohmaterial könnte nach dem End-of-Line-Test drei Wochen später für eine neue Produktionscharge recycelt werden, anstatt in den nicht recycelbaren Abfall zu verschrotten.

Zusammenfassung

Wie hoch wäre der Preis von Tesla für einen Produktionsgewinn von 16%? Schwer zu sagen, aber stell dir das vor…

Wenn die gesamte Produktionskapazität von 23 GWh in der Tesla Gigafactory 1 allein für die Produktion der 2170 Batteriezellen des Tesla Model 3 verwendet würde, könnte die Jahresproduktion 1,3 Milliarden Einheiten der 2170 Zellen betragen. Der Ertragsgewinn von 16 % entspräche über 200 Millionen mehr produzierten Zelleinheiten – das reicht für 49.000 Tesla Model 3 Langstreckenautos.

Stellen Sie sich vor, eine Kosteneinsparung von 400 Millionen US-Dollar (363 Millionen Euro) könnte erreicht werden, wenn die von der UBS-Bank geschätzten Produktionskosten der Batteriezellen von 111 US-Dollar pro kWh (100,8 EUR pro kWh) angenommen werden.

Unabhängig von den Auswirkungen auf das Geschäft eines Automobilherstellers muss die Elektrofahrzeugindustrie ihre Herstellungsverfahren und Effizienz kontinuierlich weiterentwickeln. Lithium-Ionen-Batterien bestehen aus Seltenerdmineralien wie Kobalt, Lithium, Nickel und anderen Metallen, die effizient genutzt werden sollten, um die schnell wachsende Nachfrage nach Elektroautos zu decken.

Der Autor ist Kari Terho, Direktor und Leiter von Smart Factory, Elisa Corporation

Über den Autor

Kari Terho ist Direktor und Leiter der Smart Factory bei Elisa Corporation, einem ICT-Dienstleister in Finnland. Bevor Kari zu Elisa Smart Factory kam, bekleidete Kari verschiedene Führungspositionen im Service-Management sowie im Vertrieb und in der Geschäftsentwicklung bei führenden Mobilfunkanbietern und bei globalen Blue-Chips wie Hewlett-Packard. Kari hat einen MBA in Betriebswirtschaft und Verwaltung.

Elisa Smart Factory ist ein Anbieter von künstlicher Intelligenz und industrieller IoT-Software für Industriehersteller. Wir verbinden uns mit jeder Datenquelle, nutzen Datenströme und kombinieren Datenanalyse und maschinelles Lernen, um Ergebnisse wie höhere Betriebszeit, Produktionsqualität und Ertrag zu erzielen. Als Teil der Elisa Corporation verfügen wir über jahrzehntelange Erfahrung in der Verwaltung riesiger, hochautomatisierter Netzwerkinfrastrukturen sowie in der Vorhersage und Verhinderung von Störfällen. Unser Ziel ist es, dieses Know-how zu nutzen und der führende Anbieter von Lösungen zur Fabrikdigitalisierung in Europa und darüber hinaus zu werden.