Automated Battery Database
Die Ermittlung des Alterungsverhaltens von Sekundär-Batterien ist schwierig und zeitintensiv. Das Erschwert wiederum die Nutzung der Batterien in Second-Life Anwendungen. Das Innosuisse-Projekt Automated Battery Database will das ändern.
Steckbrief
- Lead-Departement Technik und Informatik
- Institut(e) Institut für Intelligente industrielle Systeme (I3S)
- Forschungseinheit(en) I3S / Prozessoptimierung in der Fertigung
- Förderorganisation Innosuisse
- Laufzeit (geplant) 01.07.2021 - 31.12.2024
- Projektverantwortung Prof. Dr. Axel Fuerst
- Projektleitung Prof. Dr. Axel Fuerst
-
Projektmitarbeitende
Michael Stalder
BSc Maschinentechnik Marcel-David Zwahlen
Matthias Steck
Yanis Joël Lupberger
Martin Böll - Partner Battronics Engineering
- Schlüsselwörter Batteriealterung, Diagnose, Machine-Learning, Alterungsverhalten
Ausgangslage
Das Alterungsverhalten von Batterien zu ermitteln und vorherzusagen ist schwierig und zeitintensiv. Um das genaue Verhalten zu kennen, müssen ca. 60 – 120 Batterien des gleichen Typs mehrere 1000 Lade- und Entladezyklen durchmachen. Daten zu solchen Tests sind oft verstreut auf verschiedenen Servern und nicht immer einfach zu finden. Batterien haben einen linearen Alterungsbereich, der dann relativ plötzlich von einem nichtlinearen Verhalten abgelöst wird. Dieser Punkt ist mit heutigen Methoden praktisch nicht vorhersagbar, denn viele Modelle bedienen sich bei der vorhersage des Kapazitätsverlustes und des Widerstandsanstieges polynominalen Kurven. Diese Kurven sind jedoch nichts weiter als Extrapolationen des bekannten Verhaltens in die Zukunft. Es ist somit äusserst schwierig bis unmöglich, das Potenzial für Second-Life-Anwendungen zu bestimmen.
Vorgehen
Als Startpunkt werden in dem Projekt vorhandene, frei zugängliche Daten aus wissenschaftlichen Quellen verwendet. Diese Daten werden aufbereitet und in ein einheitliches Format gebracht. Fehler werden korrigiert und alles in einer SQL-Datenbank gespeichert. Anhand dieser Daten werden verschiedene lineare Vorhersagen getroffen, die in einem ersten Schritt noch auf keinem physikalischen Modell basieren. Zusätzlich werden aktuelle Daten und Teardown Daten gesammelt, um physikalisch abgestimmte Modelle zu bilden. Anhand dieser Modelle werden Machine-Learning-Algorithmen implementiert, um präzisere Aussagen zur Alterung und dem Zustand von Batterien zu treffen. Kund*innen können schliesslich eigene Daten in die Datenbank laden und diese analysieren lassen. Zudem soll es möglich sein, die beste Batterie für eine bestimmte Anwendung zu finden.