Physik-informierte KI-Modelle zur interpretierbaren Datenanalyse

Das Fraunhofer ISE entwickelt Physik-informierte KI-Modelle zur schnellen und interpretierbaren Analyse von Solarzellen und Kraftwerken. Mit unseren neuartigen Methoden streben wir eine Charakterisierung von Solarzellen auf Basis von Messungen an, die bereits während der Produktion für jede Probe erhoben werden können. Die physikalischen Informationen werden dabei auf unterschiedliche Weise in die Modellbildung integriert. Dies soll an zwei Beispielen verdeutlicht werden: 

Hybride Modelle und der physikalische Digitale Zwilling

Emitterschichtwiderstand
© Fraunhofer ISE
Das hybride KI- und Simulationsmodell lernt die Ableitung des Emitterschichtwiderstands nur anhand von Messdaten, die an der fertigen Solarzelle erhoben wurden.

Das Fraunhofer ISE hat einen Digitalen Zwilling der Solarzelle entwickelt, der Deep-Learning-Modelle und physikbasierte Simulationsmethoden kombiniert. Dieser Digitale Zwilling ermöglicht eine Echtzeit-Qualitätskontrolle und Inline-Verlustanalyse von Solarzellen allein auf Basis von inline zugänglichen Messdaten und schafft damit die Basis für eine zielgerichtete und effiziente Prozessoptimierung. Durch die Kombination von simulationsbasierten Modellen und Expertenwissen mit maschinellem Lernen wird eine interpretierbare und physikalisch genaue Repräsentation jeder einzelnen Solarzelle geschaffen. Der Physik-informierte Ansatz ermöglicht eine Fusion und Kompression von Messdaten und somit eine effiziente Speicherung und Analyse der am Werkstück erhobenen Messdaten.

Unsere FuE-Leistungen zum Digitalen Zwilling umfassen:

  • Physikalischer Digitaler Zwilling: Entwicklung von Verfahren zur Echtzeit-Qualitätskontrolle und Inline-Verlustanalyse für neuartige Solarzellenkonzepte zur Optimierung der Produktion
  • Produktionsevaluation: Bewertung von Solarzellen aus Ihrer Produktion mit Daten, die am Fraunhofer ISE gemessen werden
  • Kundentransfer: Transfer der Algorithmen in die kundenspezifische Solarzellenfertigung und Anpassung an die beim Kunden implementierten Messsysteme
  • Konzeptentwicklung: Entwicklung von Konzepten zur effizienten Datenanalyse und Datenspeicherung in der Produktion und zur Integration von Expertenwissen über geeignete Bedienmodule
  • Designoptimierung: Verlust- und Potenzialanalyse aufgrund versteckter physikalischer Parameter, die abgeleitet werden können

Schichtdickenmessung

Schichtdickenmessung
© Fraunhofer ISE
Das KI-Modell ermöglicht die vollflächige Bestimmung der TCO-Schichtdicke von HJT-Solarzellen anhand ortsaufgelöster, multispektraler Messungen. Die Qualität der Randmaskierung (roter Bereich) wird deutlich und dient der Prozesskontrolle.

Das Fraunhofer ISE hat ein neuartiges, Physik-informiertes maschinelles Lernmodell entwickelt zur schnellen, präzisen und vollflächigen Bestimmung der Schichtdicke von transparenten leitenden Oxiden (TCO) in Solarzellen. Mithilfe von Multispektralbildern und synthetischen Trainingsdaten ermöglicht dieses Modell eine umfassende Qualitätskontrolle und Prozessanalyse während des Produktionsprozesses. Die Technologie ermöglicht die Erstellung von vollständigen Dickenkarten der TCO-Schicht in nur einer Sekunde und verbessert somit die Qualitätskontrolle in der Produktion von Heterojunction (HJT)-Solarzellen und damit deren Effizienz und Zuverlässigkeit.

Unsere FuE-Leistungen zur Schichtdickenmessung umfassen:

  • Schnelle Schichtdickenmessung: Implementierung des maschinellen Lernmodells zur schnellen und quantitativen Schichtdickenbestimmung im Produktionsprozess; Transfer der Modelle auf funktionale Schichten alternativer Zellstrukturen
  • Produktionsevaluation: Bewertung von Solarzellen aus Ihrer Produktion mit Daten, die am Fraunhofer ISE gemessen werden
  • Qualitätskontrolle: Umfassende Inline-Qualitätsprüfung der TCO-Schichtdickenverteilung zur Optimierung der Zellperformance
  • Prozessoptimierung: Analyse und Anpassung der Maskierungsverfahren zur Reduzierung von Shunts und Erhöhung der Zelleffizienz
  • Training und Implementierung: Bereitstellung des notwendigen Know-hows zur Integration und Nutzung der maschinellen Lernlösungen in bestehenden Produktionslinien

Weitere Informationen zu diesem Forschungsthema

Geschäftsfeldthema

Künstliche Intelligenz und Datenmanagement

Geschäftsfeld

Photovoltaik – Produktionstechnologie und Transfer