Für die sichere Nutzung von Lithium-Ionen-Batterien, wie sie in Elektroautos und stationären Speichersystemen verwendet werden, ist die Überwachung des Zellzustands und das frühzeitige Erkennen von Fehlern von zentraler Wichtigkeit. „Bekanntermaßen können Fehler in einzelnen Batteriezellen zu Problemen bis hin zu Bränden führen“, erklärt HDT-Journal-Chefredakteur Michael Graef.
Um dem vorzubeugen, hat ein Forscherteam der TU Darmstadt und des Massachusetts Institute of Technology (MIT) jetzt neue Methoden zur Analyse und Überwachung von Batterien entwickelt, die auf Ansätzen des maschinellen Lernens basieren.
Rekursive Gauß-Prozesse lassen Zellveränderungen sichtbar werden
Der von Joachim Schaeffer, Eric Lenz und Professor Rolf Findeisen vom Institut für Automatisierungstechnik und Mechatronik der TU Darmstadt zusammen mit den Gruppen von Professor Richard Braatz und Professor Martin Bazant am MIT entwickelte Ansatz kombiniert einfache physikalische Modelle und maschinelles Lernen. Zeitliche und betriebsbedingte Veränderungen in Batteriezellen lassen sich mithilfe sogenannter rekursiver Gauß-Prozesse erkennen. Diese Methoden können in Echtzeit angewendet werden und sind außerdem in der Lage, selbst große Datenmengen effizient zu verarbeiten. Hierdurch wird eine kontinuierliche Online-Überwachung von Batteriesystemen möglich.
Das Team konnte für das Forschungsprojekt auf einen einzigartigen Datensatz zurückgreifen: Ein Forschungspartner stellte anonym Daten von 28 Batteriesystemen zur Verfügung, die wegen Problemen an den Hersteller zurückgeschickt werden mussten. Der entsprechende Datensatz umfasst über 133 Millionen Datenreihen von 224 Batteriezellen und ist einer der ersten seiner Art, der öffentlich zugänglich gemacht wurde.
Auszeichnung mit dem MIT Open Data Prize
Die Ergebnisse der methodischen Entwicklungen und Analysen bestätigen, dass oft nur eine Zelle eines gesamten Batteriesystems auffällig wird und das gesamte System beeinträchtigt. Die Erkenntnisse tragen zum Verständnis der Alterungsprozesse und der Bedingungen, unter denen Batterien versagen, bei. Dank der neuen Methoden soll es künftig möglich sein, Batterien fortlaufend zu überwachen und somit die Sicherheit zu erhöhen.
Joachim Schaeffer, Doktorand am Control and Cyber Physical Systems Laboratory am Fachbereich Elektrotechnik und Informationstechnik der TU Darmstadt und am MIT, wurde für die im Rahmen des Projekts entstandenen und öffentlich zugänglichen Daten mit dem MIT Open Data Prize ausgezeichnet. Aus insgesamt über 70 Einreichungen wurden zehn Preisträger ausgewählt.
Weitere Informationen:
Technische Universität Darmstadt
www.tu-darmstadt.de
Bildhinweis:
Unser Titelbild entstand unter Zuhilfenahme von künstlicher Intelligenz.
