Prädiktive Analytik: Der Schlüssel zu Teslas 100-$/kWh-Batteriepack-Ziel

„Ja“, bestätigt Kari Terho, Direktor und Leiter der Smart Factory bei Elisa Smart Factory. Er erklärt, wie sein Team die Produktionsausbeute von Lithium-Ionen-Batteriezellen um 16 % durch Predictive Quality Analytics im eLab, dem Elektromobilitäts-Forschungszentrum der RWTH Aachen, steigerte.

Eine Batteriepack-Kosten von 100 $/kWh (≈90,80 €/kWh) zu erreichen, ist oberste Priorität für Tesla. Um diesen Meilenstein zu erreichen, muss das Unternehmen die Grenzen der volumetrischen Energiedichte verschieben und gleichzeitig Fertigungskosten drastisch senken.

In einem Earnings Call 2017 fragte Elon Musk: „Kann jemand bitte einen Batterie-Durchbruch erzielen? Wir würden es lieben!“ Diese Frage unterstreicht die Größe der Herausforderung, vor der Tesla steht. Elisas Data Scientists reagierten, indem sie prädiktive Analytik einsetzten, um Fertigungsqualität vorherzusagen und Ausbeuten zu steigern.

Qualitätsherausforderungen in der Batteriezellenproduktion

Während der Prozess des Baus von Lithium-Ionen-Zellen – Anoden und Kathoden zusammenbauen, mit Elektrolyt versiegeln und Zelle finalisieren – einfach erscheint, liegt die echte Hürde in der Qualitätsverifizierung. End-of-Line-Tests können bis zu drei Wochen dauern, und erst nach diesem Zeitraum kann eine Zelle als fit für Pack-Assembly eingestuft oder zum Ausschuss bestimmt werden.

Ausschusszellen können nicht recycelt werden, was zum Verlust seltener, teurer Rohstoffe wie Lithium, Kobalt, Nickel, Kupfer, Aluminium und Graphit führt. Mit einer globalen First-Time-Yield (FTY) von etwa 15 % steht der Sektor vor erheblichen Kosten- und Zeitineffizienzen.

Strategien zur Ausbeutesteigerung

Im eLab wurde der Qualitätsflaschenhals als Haupthindernis für kosteneffektive Produktion und breitere EV-Adoption identifiziert. Um ihn anzugehen, kooperierte eLab mit Elisas Smart Factory Data Science Team.

Predictive Quality Analytics in Aktion

Predictive Quality Analytics extrahiert Echtzeit-Prozessdaten, identifiziert Muster und prognostiziert Qualitätsergebnisse – was es zur idealen Lösung für eLabs Bedürfnisse macht.

Das Team nutzte das CRISP-DM-Framework, eine bewährte sechsstufige Data-Mining-Methodik, wie folgt:

1. Business Understanding: Produktionskontext definieren, Qualitäts-Treiber identifizieren und kritische Datenpunkte bestimmen.
2. Data Understanding: Gap-Analyse durchführen und Hochauflösungskamera hinzufügen, um fehlende Daten zu erfassen.
3. Data Preparation: Daten bereinigen, harmonisieren und Timestamps synchronisieren, um Datenverlust zu verhindern.
4. Modeling: Mehrere Algorithmen testen, um das beste Vorhersagemodell für Zellenqualität zu finden.
5. Evaluation: Modellperformance validieren, um zuverlässige Qualitätsvorhersagen zu gewährleisten.
6. Deployment: Optimale Parameter – wie Viskositätseinstellungen – in Produktionsanlagen implementieren für konsistente Qualität.

Ergebnis: 16 % Ausbeutesteigerung

Nach Deployment der Analytik-Lösung sank die Ausschussrate um 16 %. Minderwertige Zellen wurden früher identifiziert, sodass Rohstoffe recycelt statt nach dreiwöchigem Test verworfen werden konnten.

Implikationen für Tesla

Angenommen, Teslas Gigafactory 1 verarbeitet 23 GWh an 2170-Zellen für das Model 3, könnte die Fabrik 1,3 Milliarden Zellen jährlich produzieren. Eine 16%-ige Ausbeuteverbesserung entspricht über 200 Millionen zusätzlichen Zellen – genug für 49.000 Model 3 Long Range Fahrzeuge – und könnte ca. 400 Millionen $ (≈363 Mio. €) einsparen, wenn der aktuelle Kosten bei 111 $/kWh liegen, wie von UBS geschätzt.

Diese Gewinne unterstreichen die Notwendigkeit kontinuierlicher Verbesserung in der Batteriefertigung. Effiziente Nutzung seltener Erden ist essenziell, um die rasant wachsende Nachfrage nach Elektrofahrzeugen zu decken.

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

Über den Autor

Kari Terho leitet die Smart Factory Division bei Elisa Corporation, einem ICT-Dienstleister in Finnland. Vor Elisa hatte er leitende Rollen in Service Management, Vertrieb und Business Development bei Tier-1-Mobilfunkbetreibern und globalen Technologieunternehmen, einschließlich Hewlett-Packard. Er hält einen MBA in Business and Administration.

Elisa Smart Factory spezialisiert sich auf KI und industrielle IoT-Lösungen für Hersteller. Durch Anbindung an diverse Datenquellen und Anwendung fortschrittlicher Analytik und Machine Learning liefern sie Ergebnisse wie höhere Verfügbarkeit, verbesserte Produktionsqualität und gesteigerte Ausbeuten. Mit jahrzehntelanger Erfahrung im Management automatisierter Netze und Verhinderung von Störungen zielt Elisa darauf ab, der führende Anbieter von Fabrik-Digitalisierungslösungen in Europa und darüber hinaus zu werden.