Datenanalyse mit Methoden der künstlichen Intelligenz

Im Arbeitsgebiet »Datenanalyse mit Methoden der künstlichen Intelligenz« setzen wir sowohl Small- als auch Big-Data-Ansätze ein, um neue Korrelationen und Eigenschaftsbeziehungen in den Daten zu entdecken, die an unserer Laborinfrastruktur generiert werden. Darüber hinaus analysieren wir mit unseren Partnern Markt- und Industriedaten und verbessern Operationsstrategien und Verfahren zur Qualitätssicherung. Unser tiefgreifendes Domänenwissen, das sich über alle relevanten Bereiche der Batterieforschung erstreckt - von der Materialentwicklung über elektrochemische Prozesse bis hin zur Produktion und Betriebsstrategien - fließt in die Interpretation dieser Daten ein.

Wir nutzen fortgeschrittene Methoden der Signal- und Datenverarbeitung, um mittels Künstlicher Intelligenz neue Effekte und Korrelationen sensibel aufzuspüren. Dabei setzen wir Computer Vision Modelle zur Segmentierung und Klassifizierung von Objekten und Anomalien ein und analysieren Zeitreihendaten mittels Principle Component Analysis, Independent Component Analysis und weiteren Methoden der Signalverarbeitung.

Klassifizierung von Anomalien und Defekten

Schematische Darstellung der Defektanalyse von Batteriezellen
© Fraunhofer ISE
Schematische Darstellung der Defektanalyse von Batteriezellen mittels Scanning Acoustic Microscopy: Die KI-basierte Detektion von Anomalien kann sowohl in Bilddaten als auch in Zeitreihendaten erfolgen.

Durch die Anwendung von Methoden der Künstlichen Intelligenz zur Datenanalyse können wir Anomalien und Defekte in Batteriezellen oder an deren Komponenten identifizieren, lokalisieren und klassifizieren. Hierfür nutzen wir fortschrittliche Technologien wie Computertomographie und Scanning Acoustic Microscopy zur Erfassung großer Datensätze.

Wir analysieren Grauwertbilder mittels semantischer Segmentierung, die wir durch Bildfilterung vorverarbeiten. Dieser Prozess unterteilt ein Bild in Regionen, die bestimmten Klassen, wie beispielsweise Defekten oder normalen Bereichen, zugeordnet werden.

Parallel dazu bearbeiten wir Zeitreihendaten direkt. Hierbei nutzen wir beispielsweise die Hauptkomponentenanalyse (engl. principal component analysis, PCA) als Methode zur Feature Extraction. Zusätzlich zur PCA setzen wir überwachte und unüberwachte Lernansätze (Supervised und Unsupervised Learning) ein, um Anomalien direkt in den Zeitreihendaten zu identifizieren.

Zudem arbeiten wir an Verfahren zur Bewältigung großer Datenmengen durch Signalkompression. Unser Ziel ist es, eine effiziente und genaue Klassifizierung von Anomalien zu erreichen, um die Qualität und Sicherheit von Batteriezellen zu verbessern.

Machine Learning für Batteriematerialevaluation und Hochdurchsatz-Experimente

Neuronale Netzwerke zur Materialentwicklung
© Warod - stock.adobe.com
Neuronale Netzwerke kommen bei der Entwicklung neuer Batteriematerialien zum Einsatz.

Entwicklung und Evaluation von optimierten oder neuartigen Batteriematerialien ist ein oftmals herausforderndes und Ressourcen-intensives Unterfangen. Um Experten- und Domänenwissen erfolgreich zu transferieren und zu skalieren, entwickeln wir Machine-Learning (ML) Modelle, welche Eigenschaften von Batteriematerialien präzise vorhersagen. Durch Machine Learning assistierte Experimentplanung kann die experimentelle Untersuchung und Validierung effizienter und zielführender gestaltet werden.

Datensätze, welche eine geringe Menge (Small Data) an experimentellen Daten besitzen können durch computerbasierte Methoden wie Dichte Funktional Theorie (DFT) als auch Chemoinformatik ergänzt und erweitert werden. 

Zustandsbestimmung

Grafischer Vergleich von neuronalen Architekturen
© Fraunhofer ISE
Grafischer Vergleich von neuronalen Architekturen zur Vorhersage des Ladezustands der Batterie Ladezustandes (SOC) über die Zeit.

Um indirekte Größen wie Ladezustand (state of charge SOC), Innenwiderstand, Alterungszustand (state of health SOH) oder den Sicherheitszustand (state of safety SOS) eines Batteriespeichers bzw. einer Zelle zu bestimmen, sind komplexe Methoden notwendig, die diese basierend auf den fundamentalen Messgrößen (Spannung, Strom und Temperatur der Batteriezelle) ermitteln. Gerade bei der hohen Anzahl an Zellen in modernen Batteriesystemen, ist die Verarbeitung einer Vielzahl an Werten in Echtzeit herausfordernd. Neben modelbasierter Zustandsbestimmung werden daher zunehmend ML-Modelle eingesetzt. Das Fraunhofer ISE arbeitet daher mit Forschenden auf dem Gebiet Künstlicher Intelligenz zusammen und entwickelt und validiert KI-Modelle, um den Zustand verschiedener Batterietypen und Einsatzgebiete präzise und recheneffiziente zu bestimmen.

Zellcharakterisierung

Vorhersage des DRT-Verlaufs
© Fraunhofer ISE
Vorhersage des DRT-Verlaufs aus einem synthetischen Messpuls und Vergleich mit dem zugrundeliegenden Verhalten.

Die Überspannungen bei elektrischer Belastung bzw. die Innenwiderstände einer Zelle sind sehr charakteristisch und korrelieren mit verschiedenen elektrochemischen Effekten und Einflüssen (z.B. Temperatur oder Alterung). Zwar kann der Innenwiderstand verglichen mit der Speicherkapazität schnell gemessen werden, die Auswertung und Differenzierung der einzelnen Innenwiderstandsanteile sowie deren Interpretation stellt jedoch eine große Herausforderung dar. Das Fraunhofer ISE entwickelt daher beispielsweise ein ML-Tool, das in der Lage ist, die Innenwiderstandsanteile über die Verteilung der Relaxationszeiten (distribution of realaxation times DRT) aus einem Strompuls zu bestimmen. 

FuE-Infrastruktur

Für unsere Forschungs- und Entwicklungstätigkeiten steht uns am Fraunhofer ISE diese Infrastruktur zur Verfügung:

 

Zentrum für elektrische Energiespeicher

Von neuartigen Materialien und Produktionstechnologien für Batteriezellen über den Batteriesystemaufbau und Sicherheitsprüfungen bis hin zur Integration – das »Zentrum für elektrische Energiespeicher« bietet eine einzigartige Forschungsinfrastruktur entlang der gesamten Wertschöpfungskette von Batterien.

Ausgewählte Forschungsprojekte

 

BatterieDigital_real

Pilotprojekt zum Fraunhofer Forschungsdatenraum

 

SAMBA

Scanning Acoustic Microscopy-basierte Batterie-Analyse

 

Quaze

Optisches Prüfverfahren zur Qualitätsbestimmung von Batteriezellen